网站推广营销效果,短视频网站平台怎么做,做网站找谁,平面设计空间构成图片运动想象迁移学习系列:数据对齐#xff08;EA#xff09; 0. 引言1. 迁移学习算法流程2. 欧式对齐算法流程3. 与RA算法进行对比4. 实验结果对比5. 总结欢迎来稿 论文地址#xff1a;https://ieeexplore.ieee.org/abstract/document/8701679 论文题目#xff1a;Transfer Le… 运动想象迁移学习系列:数据对齐EA 0. 引言1. 迁移学习算法流程2. 欧式对齐算法流程3. 与RA算法进行对比4. 实验结果对比5. 总结欢迎来稿 论文地址https://ieeexplore.ieee.org/abstract/document/8701679 论文题目Transfer Learning for Brain–Computer Interfaces: A Euclidean Space Data Alignment Approach 论文代码https://github.com/hehe03/EA/blob/master/main_MI.m 0. 引言
本篇博客重点考虑数据对齐部分因为其对后续迁移学习的效果影响非常大。 数据对齐有多种方法如黎曼对齐(Riemannian Alignment, RA)、欧式对齐(Euclidean Alignment, EA)、标签对齐(Label Alignment, LA)、重心对齐(Centroid Alignment, CA) 等。下面重点介绍EA。
1. 迁移学习算法流程
迁移学习算法流程如图11所示。可以看到数据对齐的位置所在
2. 欧式对齐算法流程
欧式对齐算法流程如图12所示。其处理源域用户和目标域用户的方式是一样的所以下面描述中不区分源域用户和目标域用户。假定一个用户有n段EEG样本。EA先计算每段EEG样本的协方差矩阵再计算这n个协方差矩阵的均值记为 R ‾ \overline{R} R。对齐矩阵即为 R ‾ − 1 / 2 \overline{R}^{-1/2} R−1/2。对每段EEG样本左乘 R ‾ − 1 / 2 \overline{R}^{-1/2} R−1/2得到一个跟原始EEG样本维度相同的样本用于取代进行所有后续计算如空域滤波、特征提取、分类等。EA简单有效主要原因是对齐之后任意用户的EEG样本协方差矩阵的均值都为单位矩阵整体分布更加一致。这有点类似迁移学习中经常考虑的最大均值差异(Maximum Mean Discrepancy, MMD)度量。 3. 与RA算法进行对比
RA与EA对比如图13所示。EA计算更快无需任何标签信息并且之后可以搭配任意欧式空间滤波器、特征提取、分类器等使用更加灵活。实验证明EA的效果提升也比RA更加明显。
4. 实验结果对比
我们在两个运动想象数据集MI1、MI2和一个事件相关电位数据集ERP上验证了EA的效果。MI2上的t-SNE可视化如图14所示。第一行中蓝色的点代表来自8个源域用户的数据分布红色的点是目标域用户用户1的数据分布。显然EA对齐之前源域和目标域数据分布差异很大。EA对齐之后二者分布非常一致有利于之后的迁移学习。第二行是用户2作为目标域时的结果跟第一行结果类似。 5. 总结
到此使用 数据对齐EA 已经介绍完毕了 如果有什么疑问欢迎在评论区提出对于共性问题可能会后续添加到文章介绍中。
如果觉得这篇文章对你有用记得点赞、收藏并分享给你的小伙伴们哦。
欢迎来稿
欢迎投稿合作投稿请遵循科学严谨、内容清晰明了的原则 有意者可以后台私信
