运动想象脑电信号的跨被试动态多域对抗学习方法.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812024⁃02⁃10

计算机应用,2024,44(2):645-653CODENJYIIDUhttp：//www.joca.cn

文章编号：1001-9081（2024）02-0645-09DOI：10.11772/j.issn.1001-9081.2023030286

运动想象脑电信号的跨被试动态多域对抗学习方法

1，21，2*

曹铉，罗天健

（1.福建师范大学计算机与网络空间安全学院，福州350117；2.数字福建环境监测物联网实验室（福建师范大学），福州350117）

（∗通信作者电子邮箱createopenbci@fjnu.edu.cn）

摘要：解码运动想象脑电（EEG）信号是构造脑机接口（BCI）的关键技术之一。然而，脑电样本采集成本高、个体

差异大，且信号具有时变性强、低信噪比等特点，构建跨被试模式识别方法成为了研究的关键。为此，提出一种跨被

试动态多域对抗学习方法。首先采用样本协方差对齐和全局域鉴别器适应样本集边缘分布，随后采用多个类别子域

鉴别器适应样本集条件分布，并自适应学习多域鉴别器的对抗系数。基于动态多域对抗学习策略，所提出的动态多

域对抗网络（DMDAN）模型可学习到被试域间有泛化能力的深度特征。在BCICompetitionIV2A和2B公开数据集上

的实验结果表明，DMDAN模型提高了跨被试域不变特征的学习能力，与现有对抗学习方法DRDA（Deep

RepresentationDomainAdaptation）相比，在数据集2A和数据集2B上的平均分类准确率分别提高了1.80和2.52个百

分点。可见，所提出的DMDAN模型提升了跨被试运动想象脑电信号解码性能，在不同数据集上具有不错的泛化性。

关键词：动态对抗学习；运动想象；脑电信号；域适应；协方差矩阵对齐

中图分类号：TP242文献标志码：A

Dynamicmulti-domainadversariallearningmethodfor

cross-subjectmotorimageryEEGsignals

CAOXuan1，2，LUOTianjian1，2*

（1.CollegeofComputerandCyberSecurity，FujianNormalUniversity，FuzhouFujian350117，China；

2.DigitalFujianInternet⁃of⁃ThingLaboratoryofEnvironmentalMonitoring（FujianNormalUniversity），FuzhouFujian350117，China）

Abstract:DecodingmotorimageryEEG（ElectroEncephaloGraphy）signalisoneofthecrucialtechniquesforbuildin