Calibration-free online test-time adaptation for electroencephalography motor imagery decoding

要約

人間の脳と外部デバイスをリンクするための有望な経路を提供するブレイン コンピューター インターフェイス (BCI) は、主にますます高度化する技術、特にディープ ラーニングによってデコード機能に顕著な進歩が見られます。
ただし、セッションと被験者間の分布の変化により、現実世界のシナリオで高い精度を達成することは依然として課題です。
このペーパーでは、推論時間中に教師なしの方法でモデルを継続的に適応させるオンライン テスト時間適応 (OTTA) の概念を検討します。
私たちのアプローチは、適応プロセス中にソース データにアクセスする要件を排除することで、プライバシーの保護を保証します。
さらに、OTTA はセッション固有または被験者固有のデータを必要としないため、キャリブレーション不要の操作を実現します。
私たちは、軽量アーキテクチャとアライメント、適応バッチ正規化、エントロピー最小化などのさまざまな OTTA 技術を使用して、脳波 (EEG) の運動イメージをデコードするタスクを調査します。
包括的な分析のために、2 つのデータセットと 3 つの異なるデータ設定を調べます。
私たちの適応方法は最先端の結果を生み出し、BCI デコードの転移学習のオンライン適応への移行を促す可能性があります。

要約(オリジナル)

Providing a promising pathway to link the human brain with external devices, Brain-Computer Interfaces (BCIs) have seen notable advancements in decoding capabilities, primarily driven by increasingly sophisticated techniques, especially deep learning. However, achieving high accuracy in real-world scenarios remains a challenge due to the distribution shift between sessions and subjects. In this paper we will explore the concept of online test-time adaptation (OTTA) to continuously adapt the model in an unsupervised fashion during inference time. Our approach guarantees the preservation of privacy by eliminating the requirement to access the source data during the adaptation process. Additionally, OTTA achieves calibration-free operation by not requiring any session- or subject-specific data. We will investigate the task of electroencephalography (EEG) motor imagery decoding using a lightweight architecture together with different OTTA techniques like alignment, adaptive batch normalization, and entropy minimization. We examine two datasets and three distinct data settings for a comprehensive analysis. Our adaptation methods produce state-of-the-art results, potentially instigating a shift in transfer learning for BCI decoding towards online adaptation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google