Source-free Subject Adaptation for EEG-based Visual Recognition

要約

この論文は、脳波ベースの視覚認識のための主題の適応に焦点を当てています。
ソース被験者の豊富なデータから知識を伝達することにより、脳波サンプルが限られているターゲット被験者に合わせてカスタマイズされた視覚刺激認識システムを構築することを目指しています。
既存のアプローチでは、トレーニング中にソース サブジェクトのサンプルにアクセスできるというシナリオが考慮されています。
ただし、プライバシーの問題により、脳波信号などの個人の生物学的データにアクセスすることは、多くの場合実行不可能であり、問​​題があります。
このホワイトペーパーでは、新規で実用的な問題設定、つまりソースフリーのサブジェクト適応を紹介します。この場合、ソースサブジェクトデータは利用できず、事前トレーニング済みのモデルパラメーターのみがサブジェクト適応に提供されます。
この困難な問題に取り組むために、分類子の応答を使用してソース被験者からの脳波サンプルをシミュレートする分類子ベースのデータ生成を提案します。
生成されたサンプルと対象の被験者データを使用して、被験者に依存しない特徴学習を実行し、さまざまな被験者間で共有されている共通の知識を活用します。
特に、私たちのフレームワークは一般化可能であり、科目に依存しない学習方法を採用できます。
EEG-ImageNet40 ベンチマークでの実験では、被験者に依存しない学習の選択に関係なく、モデルは一貫した改善をもたらします。
また、ソース データに依存しなくても、5 ショット設定で 74.6% のトップ 1 テスト精度を記録し、有望なパフォーマンスを示します。
コードは https://github.com/DeepBCI/Deep-BCI/tree/master/1_Intelligent_BCI/Source_Free_Subject_Adaptation_for_EEG にあります。

要約(オリジナル)

This paper focuses on subject adaptation for EEG-based visual recognition. It aims at building a visual stimuli recognition system customized for the target subject whose EEG samples are limited, by transferring knowledge from abundant data of source subjects. Existing approaches consider the scenario that samples of source subjects are accessible during training. However, it is often infeasible and problematic to access personal biological data like EEG signals due to privacy issues. In this paper, we introduce a novel and practical problem setup, namely source-free subject adaptation, where the source subject data are unavailable and only the pre-trained model parameters are provided for subject adaptation. To tackle this challenging problem, we propose classifier-based data generation to simulate EEG samples from source subjects using classifier responses. Using the generated samples and target subject data, we perform subject-independent feature learning to exploit the common knowledge shared across different subjects. Notably, our framework is generalizable and can adopt any subject-independent learning method. In the experiments on the EEG-ImageNet40 benchmark, our model brings consistent improvements regardless of the choice of subject-independent learning. Also, our method shows promising performance, recording top-1 test accuracy of 74.6% under the 5-shot setting even without relying on source data. Our code can be found at https://github.com/DeepBCI/Deep-BCI/tree/master/1_Intelligent_BCI/Source_Free_Subject_Adaptation_for_EEG.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google