Transfer learning for EEG-based BCIs: a comparative evaluation and optimization of data alignment methods

SG Soha Galalaldin Ahmed †

doi:10.3389/fnsys.2026.1840121

Transfer learning for EEG-based BCIs: a comparative evaluation and optimization of data alignment methods

2026-06-11

0

OA

AI

S

SG Soha Galalaldin Ahmed †

M

MM Medha Mohan Ambali Parambil †

AN Abdelkader Nasreddine Belkacem *

DOI：10.3389/fnsys.2026.1840121

原文链接

查看原文

摘要

En 中文

背景本文探讨基于脑电图（EEG）的脑机接口（BCI）开发中的一个关键挑战：通过缓解个体间脑信号差异来增强跨个体泛化能力。如何有效利用现有受试者的数据，以最小化个体特定校准需求的情况下提升新用户的性能？方法我们系统地比较和优化了三种主要的数据对齐技术：Riemannian Procrustes Analysis（RPA）、Euclidean Alignment（EA）和Correlation Alignment（CORAL），旨在将多个源受试者和目标受试者的EEG数据转换为共同表示空间，以降低变异性。评估我们采用留一受试者交叉验证（LOSO-CV）框架，在基于EEG的注意力解码数据上，实证评估了每种对齐方法相对于无对齐基线条件的有效性。关键参数（特别是EA的正则化参数α）被优化以最大化跨个体迁移性能。结果研究表明，对齐方法能提高分类精度。值得注意的是，当EA在α=100（参数扫描中多数受试者达到最佳精度的缩放值）时，其均值改进最大，分类精度较无对齐基线提升3.44%（配对t(17)≈2.48，p≈0.024，Cohen's dz≈0.59，均值改进95%置信区间为[0.52%，6.36%]）。由于该α值来自产生个体精度参数的同一扫描，此估计连同个体“最佳参数”结果应被解释为个体特定调优的先验敏感度分析上限，而非无泄露的LOSO估计。尽管优化后的EA表现最佳均值性能，但分析也显示最理想的对齐策略存在个体特异性。结论此比较框架量化了不同对齐方法的优势，并强调了参数优化（特别是EA）的重要贡献。意义这些结果揭示了优化对齐技术（尤其是EA）在显著增强EEG基BCI跨个体迁移学习方面的潜力。这对方法选择和调优具有实际意义，并为开发更鲁棒、泛化性更强的BCI系统（需更少个体特定校准）指明了方向。

Keyword:

EEG

transfer learning

brain-computer interface

coral

cross-subject generalization

data alignment

Euclidean Alignment

Riemannian Procrustes Analysis

Transfer learning for EEG-based BCIs: a comparative evaluation and optimization of data alignment methods

摘要

AI总结

期刊

机构

引用论文