Spatial Distillation based Distribution Alignment (SDDA) for Cross-Headset EEG Classification
作者: Dingkun Liu, Siyang Li, Ziwei Wang, Wei Li, Dongrui Wu
发布时间: 2025-03-10
来源: arxiv
研究方向: 脑-机接口（BCI）与迁移学习
主要内容
该研究提出了一种名为SDDA（基于空间蒸馏的分布对齐）的方法，用于解决不同脑电头戴式设备之间的脑-机接口（BCI）数据迁移学习问题。SDDA通过空间蒸馏和分布对齐策略，有效地将源域的知识迁移到目标域，从而提高跨头戴式设备的BCI分类性能。
主要贡献
1. 提出了一种名为空间蒸馏（SD）的方法，用于不同脑电头戴式设备之间的异构迁移学习，通过利用具有更多通道的脑电信号来提高具有较少通道的信号。
2. 引入了一种名为分布对齐（DA）的策略，在模型的多个阶段（输入/特征/输出空间）对源域和目标域进行综合对齐。
3. 在多个脑电数据集上进行的实验验证了SDDA在离线无监督域适应和在线监督域适应场景中均取得了优异的性能，并且始终优于10种经典和最先进的迁移学习算法。
研究方法
1. 空间蒸馏（SD）：通过教师模型和具有较少通道的学生模型之间的输出分布差异最小化，实现语义对齐。
2. 分布对齐（DA）：通过以下方面进一步减少分布偏移：输入空间数据归一化（会话级欧几里得对齐）、特征空间边际分布匹配（多核最大均值差异MMD）和输出空间不确定性最小化（混淆损失）。
3. 迁移学习：利用源域数据的知识和经验来改进目标域的性能。
实验结果
在多个脑电数据集上进行的实验表明，SDDA在在线和离线场景中均优于现有的迁移学习算法，特别是在跨头戴式设备的BCI分类任务中。
未来工作
未来研究可以探索以下方向：1）将SDDA应用于更复杂的BCI任务；2）将SDDA与其他迁移学习技术相结合，进一步提高迁移学习性能；3）研究如何更有效地利用脑电信号中的空间信息。