.png){kind=icon}
.png){kind=icon}
返回
P2CSL: cross-subject EEG classification by subspace class prototype-based progressive confident target sample labeling
.png){kind=icon}
PRE
AI
DOI：10.1088/1741-2552/ae204c.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目标。领域自适应（DA）通过缓解跨主体数据分布差异，在跨主体脑电图（EEG）解码中取得了显著性能。然而，在探索特征对齐子空间并迭代执行自监督伪标签时，常遇到以下两个困难：一是不可靠的目标标签结果不可避免地误导早期无领域特征学习过程；二是源样本和目标样本的贡献应在后期达到平衡。
方法。为解决上述问题，本文提出基于原型渐进置信目标样本标签（P2CSL）方法，利用子空间类原型在领域不变EEG特征学习和自监督目标样本标签的统一框架下辅助标签目标样本，并逐步将置信目标样本纳入DA模型拟合。其内在合理性在于：早期未收敛模型的伪标签易引发误差传播，需要辅助机制确保其可靠性并稳定训练。随着跨主体特征的逐步对齐，目标域的伪标签估计信息将更可靠，意味着更多目标样本应参与模型训练。
主要结果。情感识别和内部言语解码的实验表明，与SOTA方法相比，P2CSL在跨主体EEG分类中表现出竞争力。
意义。本研究表明，在DA背景下联合考虑目标样本的可靠性和其对模型训练的贡献是有效的。此外，还提供了包括样本置信分配策略、DA效果及动态模型优化过程等细粒度结果，以进一步说明模型执行细节。