跨被试脑电情感模型的异质迁移学习策略

本文主要探讨的是"基于脑电信号扫视轨迹的异质迁移学习方法"，它针对的是情感脑机接口领域中的一个重要挑战——如何构建一个能够适应个体差异和非平稳性变化的跨被试脑电情感模型。传统的脑电情感模型常常受到个体间差异的影响，这限制了模型的泛化能力和实用性。 作者提出了一种新颖的方法，通过观察和分析眼睛的扫视轨迹来进行知识迁移。他们基于神经生理学原理，即视觉注视引发大脑特定区域的神经活动，这些活动产生的脑电信号提供了理解情绪情境的关键线索。作者认识到，虽然每个人的脑电信号可能存在显著差异，但眼睛的扫视轨迹作为可观察的行为特征，可能在一定程度上反映出大脑活动的相似性，从而作为知识转移的桥梁。 为了量化不同被试之间的差异，文章引入了基于扫视轨迹和脑电信号的核矩阵，这是一种将复杂的数据结构映射到低维空间的技术。这种方法有助于捕捉数据间的相似性和差异性，为参数迁移学习提供有效的框架。作者进一步发展了一种改进的直推式参数迁移学习算法，该算法能够在目标被试仅拥有眼动追踪数据的情况下，从其他有历史脑电数据的被试中学习，实现了跨被试脑电情感模型的构建。 相比于传统的单被试或无迁移的学习方法，这种异质迁移学习方法具有两大优势。首先，它巧妙地利用了目标被试相对容易获取的眼动追踪数据，降低了数据需求，使得模型的训练更为可行。其次，即使在缺乏直接脑电数据的情况下，也能通过间接信息进行学习，提升了模型的通用性和实用性。 本文的研究对于解决脑机接口中的个性化问题，提高情感识别的准确性和鲁棒性具有重要意义，有望推动脑电情感模型的发展，并为未来的脑机交互系统设计提供新的思路和技术支持。