《Journal of Neuroscience Methods》:Dynamic source domain selection: An adaptive EEG transfer learning framework for mitigating negative transfer
编辑推荐:
脑电(Electroencephalography, EEG)是脑机接口(Brain-Computer Interfaces, BCIs)中广泛使用的技术。现有迁移学习(Transfer Learning, TL)方法常将多个源域合并,未能充分利用多样化的信息
脑电(Electroencephalography, EEG)是脑机接口(Brain-Computer Interfaces, BCIs)中广泛使用的技术。现有迁移学习(Transfer Learning, TL)方法常将多个源域合并,未能充分利用多样化的信息,且在源域与目标域相似度较低时存在负迁移风险。此外,被试间差异性进一步降低了迁移学习在运动想象脑机接口(Motor Imagery BCIs, MI-BCIs)中的有效性。为解决上述问题,研究人员提出了一种自适应脑电动态迁移学习框架。该框架首先利用小波变换卷积对脑电信号进行时频分解,进而实现源域与目标域特征的动态自适应匹配,从而减少负迁移。具体而言,特征提取器将脑电信号映射至具有判别性表征的潜在空间;随后,基于动态迁移的注意力模块在该潜在空间内匹配源域与目标域样本,确保高度对齐;最后,通过联合优化一种新型组合损失函数来减小脑电信号多模态结构所导致的边缘分布差异与类条件差异。该模型在BNCI2014001、BNCI2014002和BNCI2015001数据集上进行了分类性能验证,三个数据集的准确率分别为78.78%、82.11%和78.19%。结果表明,该方法对被试差异性具有鲁棒性,其平均准确率优于基线算法,提升幅度为0.13%至27.7%。研究结论指出,该方法通过实现有效的跨域知识迁移,解决了MI-BCIs中的域偏移挑战,这种弥合分布差异的能力显著增强了此类系统的实际应用价值。
脑机接口(Brain-Computer Interface, BCI)技术为个体提供了不依赖传统肌肉运动即可与外界交互的全新途径,能够将大脑中的意图转化为具体的控制指令。对于因疾病或事故导致部分或完全丧失肌肉控制能力的个体而言,BCI是一种具有变革意义的辅助工具。基于脑电(Electroencephalogram, EEG)的运动想象(Motor Imagery, MI)技术因其控制外部设备的便捷性而成为该领域的研究热点。然而,脑电信号具有幅值微弱、易受干扰、个体差异显著且随时间变化等特性,这些特性为BCI系统的设计带来了重大挑战。
传统的信号处理技术如傅里叶变换在处理非平稳且高度随机的脑电信号时存在局限。短时傅里叶变换(Short-Time Fourier Transform, STFT)通过窗函数将非平稳信号切分为短时平稳段进行分析,但其窗函数尺寸和形状固定,难以平衡高频与低频信息的捕捉。小波变换(Wavelet Transform, WT)作为一种常用的时频分析方法,通过缩放和平移小波基函数实现对原始信号的多尺度分解,能够克服上述局限。
迁移学习已成为解决BCI系统校准问题的关键技术,可利用来自相似用户、设备或任务的数据促进当前场景下的校准。传统迁移学习方法如黎曼对齐(Riemannian Alignment, RA)和欧氏对齐(Euclidean Alignment, EA)通过对齐特征空间均值向量实现边缘分布匹配。后续研究通过流形嵌入知识迁移(Manifold Embedded Knowledge Transfer, MEKT)、黎曼普鲁克分析(Riemannian Procrustes Analysis)、黎曼流形对齐(Riemannian Manifold Riemannian Alignment, RMRA)等方法增强分布相似性。然而,这些方法主要关注边缘分布对齐,且依赖繁琐的手工特征工程,限制了其可扩展性。
为克服传统方法的局限,研究人员转向了基于神经网络的迁移学习。深度网络模型如DeepNet、ShallowNet和EEGNet能够直接从原始脑电信号中学习时空特征,实现端到端学习。前沿网络还将最新计算机科学进展(如初始化策略和注意力机制)引入脑电神经网络中,显著提升了模型性能。但需注意,此类神经网络并非专门为迁移学习场景设计,其在迁移学习任务中的效果受限。为此,后续研究聚焦于"分布发散"这一核心挑战,提出了深度域自适应网络,如深度自适应网络(Deep Adaptation Network, DAN)、域对抗神经网络(Domain-Adversarial Training of Neural Network, DANN)、深度子域自适应网络(Deep Subdomain Adaptation Network, DSAN)等。这些模型通过在网络架构中整合专门的自适应层来系统地实现源域和目标域分布的对齐。专门的脑电模型如流形注意力网络(Manifold Attention Network, MAtt)和基于相关对齐的深度域自适应框架(Deep Domain Adaptation Framework with CORrelation Alignment, DDAF-CORAL)也采纳了这一自适应范式。同时,双注意力对抗网络(Dual-Attention-Based Adversarial Network, MI-DABAN)和域自适应对称正定矩阵网络(domain-adaptation SPD matrix network, daSPDnet)等方法利用生成对抗机制实现跨域分布对齐。
然而,上述大多数方法侧重于最小化边缘分布差异(如通过最大均值差异(Maximum Mean Discrepancy, MMD)),而忽视了类分布差异(如相同任务的跨域特征偏移)。此外,传统迁移学习算法未考虑源域数据质量,部分源数据甚至可能降低模型性能,使得源域选择极为重要。动态迁移多源域自适应(Dynamic Transfer for Multi-Source Domain Adaptation, DTFMSDA)通过使模型参数适应样本来解决域冲突,但将多个源域合并为单一域过于简化了对齐过程。
基于上述研究背景与现有方法的局限性,该研究旨在解决以下关键问题并开展相应研究:现有迁移学习方法在合并多源域时未能充分利用多样化信息,且在源域与目标域相似度较低时存在负迁移风险;同时,传统方法忽视类分布差异及源域数据质量,限制了模型在MI-BCIs中的泛化性能。研究人员提出了一种自适应脑电动态迁移学习框架,核心贡献包括:(1)提出包含新型小波卷积(Wavelet Convolution, WTConv)模块和动态源域选择模块的自适应脑电迁移学习框架,WTConv模块驱动改进的EEGNet模型实现自适应时频表征学习,动态源域注意力模块则缓解由低域间相似性导致的负迁移问题;(2)采用基于组合损失函数的训练方案,该复合损失整合三个组件:MMD损失处理边缘分布偏移,中心损失消除类条件差异,分类损失确保预测准确率;(3)在大型数据集上的广泛实验验证了该方法对不同分布脑电数据的优异泛化性能。
该研究的技术路线如下:首先对脑电信号进行问题定义与符号说明,定义了多源域场景下的源域集合与目标域;进而详细描述实验内容,包括数据集信息、对比算法、数据集划分、数据预处理及超参数设置;随后开展与基线模型的对比实验,在BNCI2014001、BNCI2014002和BNCI2015001三个公开数据集上评估所提方法(记为AETL-DSDS)的分类性能。实验设置采用留一被试交叉验证策略,以目标被试作为测试集,其余被试数据作为源域。
研究结果表明,AETL-DSDS在三个数据集上均取得了优异性能:BNCI2014001数据集平均准确率为78.78%,BNCI2014002数据集为82.11%,BNCI2015001数据集为78.19%。消融实验分析了动态注意力模块(Dynamic Attention Module, DAM)和域自适应(Domain Adaptation, DA)对分类任务的影响,验证了动态源域选择的合理性与优势。研究表明,传统"静态源域选择"方法固定选择所有非目标域被试作为源域,忽视了源域与目标域之间的分布适应性差异及数据质量异质性,而动态选择源域能够根据源域与目标域的相似度自适应地选择最优源域组合,有效缓解负迁移。
该研究发表于《Journal of Neuroscience Methods》。研究采用的主要关键技术方法包括:基于小波变换卷积的时频分解技术、动态迁移注意力模块(用于潜在空间内的源域-目标域样本匹配)、以及由MMD损失、中心损失和分类损失构成的组合损失函数联合优化策略。样本来源于公开数据集BNCI2014001、BNCI2014002和BNCI2015001。
研究结果的详细脉络如下:
标题一:基于BNCI2014001的分类结果。研究人员将该方法与基线模型在BNCI2014001数据集上进行对比,结果显示AETL-DSDS平均准确率达78.78%,优于传统方法。
标题二:基于BNCI2014002的分类结果。在该数据集上,AETL-DSDS取得82.11%的平均准确率,验证了方法在不同数据集上的稳定性与泛化能力。
标题三:基于BNCI2015001的分类结果。该方法在该数据集上获得78.19%的平均准确率,进一步证明了其对不同脑电数据分布的适应性。
标题四:模块消融实验。通过移除DAM模块或域自适应组件,研究人员验证了动态注意力机制和域自适应策略对提升分类性能的关键作用。结果表明,完整框架的性能显著优于各消融变体。
标题五:动态源域选择的合理性与优势。该部分论证了动态选择策略相较于静态策略的理论基础,即通过评估源域与目标域的匹配质量,自适应地调整源域贡献权重,从而避免低质量源数据引入的负迁移。
讨论部分,研究人员指出该方法有效缓解了传统迁移学习中的负迁移问题,通过动态源域选择和组合损失函数的协同作用,实现了边缘分布与类条件分布的联合对齐。WTConv模块增强了模型对脑电信号时频特征的捕获能力,动态注意力机制确保了源域与目标域在潜在空间中的高精度对齐。
研究结论如下:该论文提出了一种基于动态源域选择的自适应脑电迁移学习框架。通过卷积神经网络提取脑电判别性特征,利用动态迁移注意力模块在潜在空间中进行源域-目标域样本匹配,并优化组合损失函数以减小边缘分布和类条件分布差异。该方法有效缓解了传统迁移学习中的负迁移问题,通过实现有效的跨域知识迁移,解决了运动想象脑机接口中的域偏移挑战,显著增强了此类系统的实际应用价值。