24、脑机接口中的迁移学习：技术与应用

脑机接口中的迁移学习：技术与应用

1. 引言：为何关注会话迁移

当前非侵入式脑测量技术获取的信号会随时间变化，且个体之间存在显著差异。这使得脑机接口（BCI）无法像即插即用的键盘那样便捷使用，持续使用BCI需要精确安装传感器、校准设备，且使用过程中可靠性不佳，需要频繁重新校准。这是BCI未能广泛应用的主要原因之一。

为解决会话间的差异问题，主要有以下两种策略：
- 训练 ：通过训练让人类增强信号强度，但这种方法耗时久，且难以推广到新用户。
- 重新校准 ：每次使用新用户或新会话时，记录一些试验并使用这些标记的试验训练特定会话的分类器。不过，这种方法需要大量数据，且在处理BCI固有的噪声时，选择少量特征较为困难。

2. 迁移学习概述

迁移学习的基本思想是用从不同相关任务中获得的知识，替代对孤立数据集的通用、无根据的假设。在BCI领域，相关任务可以是许多先前受试者或不同日期的过往会话，当前任务则是感兴趣的会话。迁移学习可分为特征空间学习和模型空间学习两个子组，具体区别如下：
| 学习类型 | 特点 |
| ---- | ---- |
| 特征空间学习 | 尝试计算一个函数，将数据转换到一个单一分类边界足以处理所有任务的空间。新任务只需计算一个将数据带入该空间的函数，而非完整的分类器。 |
| 模型空间学习 | 使用特定类别的分类边界，学习哪些决策规则比其他规则更有可能，并用于规范新任务。 |

2.1 数学符号说明

为便于技术人员理解，文中使用了一些数学符号：
- 集合和矩阵