Core Concepts
提案するBDANは、脳波信号の時間的・電極的データ分布の差異を最小化することで、被験者間モーターイメージ分類の性能を向上させる。
Abstract
本論文では、被験者間モーターイメージ(MI)分類における時間的・電極的データ分布の差異問題を調査し、これを解決するためのブリッジドメイン適応ネットワーク(BDAN)を提案している。
まず、実験設定の非反復性と被験者間の脳パターンの可変性により、セッション間および電極間でデータ分布の差異が生じることを示した。この時間的・電極的データ分布の差異は、被験者間MI分類の性能を低下させる主な要因となっている。
提案するBDANでは、特別に設計された空間特徴抽出器を用いて深層特徴を抽出し、生成ブリッジドメインを構築する。このブリッジドメインは、全被験者のセッションおよび電極の共通知識を表しており、ブリッジングロス関数を用いてソースドメインとターゲットドメインの時間的・電極的データ分布の差異を最小化する。これにより、ソースドメインの知識をターゲットドメインに効果的に転移できる。
提案手法の有効性を示すため、公開データセットを用いた比較実験と ablation study を行った。その結果、提案BDAN が既存の深層学習および ドメイン適応手法よりも優れた性能を示すことが確認された。
Stats
実験設定の非反復性により、セッション間で電極データ分布が変化する。
被験者間の脳パターンの可変性により、被験者間でも電極データ分布が大きく異なる。
これらの時間的・電極的データ分布の差異が、被験者間MI分類の性能を低下させる主な要因となっている。
Quotes
"実験設定と条件の非反復性"と"被験者間の脳パターンの可変性"により、セッションおよび電極間でデータ分布が異なり、分類モデルの性能が低下する。
提案するBDANは、抽出した時空間特徴を用いて生成ブリッジドメインを構築し、ブリッジングロス関数によってソースドメインとターゲットドメインの時間的・電極的データ分布の差異を最小化する。