首页 > 其他分享 >运动想象 (MI) 迁移学习系列 (9) : 数据对齐(EA)

运动想象 (MI) 迁移学习系列 (9) : 数据对齐(EA)

时间:2024-03-17 20:31:13浏览次数:26  
标签:EA MI 用户 算法 RA 对齐 迁移

运动想象迁移学习系列:数据对齐(EA)

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!!!
在这里插入图片描述

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。

在这里插入图片描述

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。
在这里插入图片描述

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。

在这里插入图片描述

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

标签:EA,MI,用户,算法,RA,对齐,迁移
From: https://blog.csdn.net/qq_36758270/article/details/136664683

相关文章

  • 爬取汽车之家:基于selenium和request自动获取汽车信息并保存到CSV文件matplotlib和seab
    在网络时代,信息获取变得越来越重要,而Python作为一门强大的编程语言,其爬虫技术可以帮助我们自动获取互联网上的各种信息。今天,我们将学习如何使用Python编写爬虫程序,自动获取汽车信息,并将这些信息保存到CSV文件中。1.引入必要的库首先,我们需要引入一些必要的库,包括csv用于......
  • Paramiko SSH登入设备保存配置
    实验描述:使用Paramiko库,通过SSH连接网络设备并执行指令。网络拓扑:拓扑图及初始配置如上。Python代码:importdatetimeimportparamikoimporttimessh_proc=paramiko.SSHClient()###使用SSHClient()ssh_proc.set_missing_host_key_policy(paramiko.AutoAddPolicy......
  • idea下安装Scala插件
    目录1.在官网下载IntelliJIDEA2.Scala安装过程3.代码测试1.在官网下载IntelliJIDEA官网地址:IntelliJIDEA–theLeadingJavaandKotlinIDE2.Scala安装过程打开idea,在左上角找到File(工具),然后在找到setting进入setting之后,找到plugins,搜索scala,点击安装并重启重启......
  • CTF练习日记——[SUCTF 2019]EasySQL 1
    查询1试试试试堆叠注入1;showdatabases;#来查询数据库,以及1;showtables;#查询表再看看表里面的字段名1,showcolumnsfromFlag;#显示nonono,到这里之后我不太懂就参考了http://t.csdnimg.cn/MHwz1,利用1;setsql_mode=PIPES_AS_CONCAT;select1,得到flag:flag......
  • Mimikatz使用教程
    介绍Mimikatz是一款开源的Windows安全工具,它被作者定义为“用来学习C语言和做一些Windows安全性实验的工具”。Mimikatz工具在Windows操作系统中运行时,可以从内存中提取出操作系统的明文密码、哈希、PIN码和Kerberos票据等,并支持哈希传递(pass-the-hash)、票据传递(pass-the-tick......
  • find /path/to/search -type d -perm -o=x ! -perm -o=rw
    find/path/to/search-typed-perm-o=x!-perm-o=rwfind/-typed-perm-o=x!-perm/o=rw-execsh-c'find"$1"-typef-perm/o=r'sh{}\; find/-typed!-path'/data/data*'-perm-o=x!-perm/o=rw可以find/-typ......
  • 【PyTorch 实战1:ResNet 分类模型】10min揭秘 ResNet如何轻松训练超深层网络以及pytorc
    ResNet简介和原理1.什么是ResNet?ResNet的目标是解决训练深层神经网络时出现的梯度消失问题。在深层网络中,梯度消失会导致难以训练。ResNet通过引入跳跃连接或快捷连接来有效地解决这个问题。由何凯明等人于2015年提出。这篇论文的正式标题是《DeepResidualLearning......
  • OceanBase初体验之查看OceanBase的执行计划
    前置条件包含obd和obclient的中控机OceanBase测试集群独立的测试租户BenchmarkSQL工具(可选)为了能够方面的查看复杂SQL的执行计划,我们先用TPCC模拟一些数据库负载。模拟数据库负载obd里面已经集成了tpcc测试工具,需要联网更新一下插件即可。如果机器不具备外网环境,需要提......
  • MOEA/DVA
    AMultiobjectiveEvolutionaryAlgorithmBasedonDecisionVariableAnalysesforMultiobjectiveOptimizationProblemsWithLarge-ScaleVariables决策变量的三种分类方式PositionVariables:位置变量组包含有助于多样性变量。定义:一个决策变量xi称为位置变量,当且仅......
  • Monoxer Programming Contest 2024(AtCoder Beginner Contest 345)
    MonoxerProgrammingContest2024(AtCoderBeginnerContest345)\(A\)Leftrightarrow\(100pts\)按照题意模拟即可。点击查看代码intmain(){strings;inta=0,b=0,c=0,i;cin>>s;for(i=0;i<s.size();i++){a+=(s[i]=='<&#......