论文提出了一种多源转移关节匹配（MSTJM）方法，用于解决不同受试者间运动想象（MI）数据的个体差异问题。通过协方差矩阵质心对齐和切线空间映射选择相似源受试者，结合MSTJM或加权MSTJM实现数据分布对齐，提高BCI解码精度。在BCI Competition IV数据集上的实验表明，该方法有效且优于现有先进方法。
运动想象迁移学习系列:MSTJM
论文地址：https://ieeexplore.ieee.org/abstract/document/10040708
论文题目：A Multi-Source Transfer Joint Matching Method for Inter-Subject Motor Imagery Decoding
论文代码：无
0. 引言
不同受试者之间的个体差异对运动意象（MI）解码提出了巨大挑战。多源迁移学习（MSTL） 是减少个体差异的最有前途的方法之一，它可以利用丰富的信息并协调不同受试者之间的数据分布。然而，MI-BCI中的大多数MSTL方法将源受试者中的所有数据合并到一个单一的混合域中，这将忽略重要样本的影响和多个源受试者的巨大差异。为了解决这些问题，我们引入了转移关节匹配，并将其改进为多源转移关节匹配（MSTJM） 和加权MSTJM（wMSTJM）。与之前MI中的MSTL方法不同
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
