基于浅层视觉几何组网络的参数迁移学习及其在运动想象分类中的应用

作     者：许冬芹 李明爱 XU Dongqin;LI Ming’ai

作者机构：北京工业大学信息学部北京100124 北京市计算机智能和智能系统重点实验室北京100124 教育部数字社区工程研究中心北京100124 

出 版 物：《生物医学工程学杂志》 (Journal of Biomedical Engineering)

年 卷 期：2022年第39卷第1期

页      面：28-38页

核心收录：

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 0711[理学-系统科学] 07[理学] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金项目(62173010,11832003) 北京市自然科学基金项目(4182009)。 

主　　题：运动想象 参数迁移学习 视觉几何组网络 皮尔逊相关系数 迁移策略 

摘      要：迁移学习在基于运动想象脑电信号(MI-EEG)的脑机接口(BCI)康复系统中具有潜在的研究价值和应用前景,而源域分类模型及迁移策略是直接影响目标域模型性能与迁移效率的两个重要方面。为此,本文提出一种基于浅层视觉几何组网络(sVGG)的参数迁移学习(PTL)方法(PTL-sVGG)。首先,基于皮尔逊相关系数法对源域受试者进行筛选,并对优选的受试者MI-EEG数据进行短时傅里叶变换,获得时频谱图(TFSI);然后,对视觉几何组网络-16(VGG-16)进行结构简化与模块化设计,并利用源域TFSI完成改进的sVGG模型预训练;进而,设计基于模块的冻结—微调迁移策略,快速寻找并冻结sVGG模型中贡献最大的某个模块,再基于目标受试者TFSI微调其余模块,获得目标域分类模型。基于公开脑电信号(EEG)数据库进行实验研究,PTL-sVGG取得的平均识别率和卡帕(Kappa)值分别为94.9%和0.898。结果表明,源域受试者优选有利于改善源域模型性能,基于模块的迁移策略有效提升了迁移效率,实现了基于不同导联数的数据库跨受试者间模型参数的快速有效迁移。这将有利于减少BCI系统的校准时间,促进BCI技术在康复工程中的应用。