On The Effects Of Data Normalisation For Domain Adaptation On EEG Data

要約

機械学習 (ML) の文献でよく知られている問題は、ML 標準仮説とは異なり、トレーニング セットとテスト セットのデータが異なる確率分布に従う可能性があるデータセット シフト問題であり、ML システムの汎化パフォーマンスが低下します。
この問題は、脳波 (EEG) などの生体信号がよく使用されるブレイン コンピューター インターフェース (BCI) のコンテキストで強く感じられます。
実際、脳波信号は、時間の経過とともに、また異なる被験者間でも非常に非定常的です。
この問題を克服するために、いくつかの提案されたソリューションは、ドメイン適応 (DA) などの最近の転移学習アプローチに基づいています。
ただし、いくつかのケースでは、改善の実際の原因はあいまいなままです。
このホワイト ペーパーでは、データ正規化の影響、または DA メソッドと一緒に適用される標準化戦略に焦点を当てています。
特に、\textit{SEED}、\textit{DEAP}、\textit{BCI コンペティション IV 2a} EEG データセットを使用して、いくつかのよく知られている DA メソッドを使用した場合と使用しない場合で適用されるさまざまな正規化戦略の影響を実験的に評価し、
得られた実績。
その結果、正規化戦略の選択が DA シナリオの分類子のパフォーマンスに重要な役割を果たし、興味深いことに、いくつかのケースでは、適切な正規化スキーマのみを使用すると DA 手法よりも優れたパフォーマンスが得られます。

要約(オリジナル)

In the Machine Learning (ML) literature, a well-known problem is the Dataset Shift problem where, differently from the ML standard hypothesis, the data in the training and test sets can follow different probability distributions, leading ML systems toward poor generalisation performances. This problem is intensely felt in the Brain-Computer Interface (BCI) context, where bio-signals as Electroencephalographic (EEG) are often used. In fact, EEG signals are highly non-stationary both over time and between different subjects. To overcome this problem, several proposed solutions are based on recent transfer learning approaches such as Domain Adaption (DA). In several cases, however, the actual causes of the improvements remain ambiguous. This paper focuses on the impact of data normalisation, or standardisation strategies applied together with DA methods. In particular, using \textit{SEED}, \textit{DEAP}, and \textit{BCI Competition IV 2a} EEG datasets, we experimentally evaluated the impact of different normalization strategies applied with and without several well-known DA methods, comparing the obtained performances. It results that the choice of the normalisation strategy plays a key role on the classifier performances in DA scenarios, and interestingly, in several cases, the use of only an appropriate normalisation schema outperforms the DA technique.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google