Domain Generalization for Zero-calibration BCIs with Knowledge Distillation-based Phase Invariant Feature Extraction

本文讨论了脑机接口（BCI）在未知领域中的数据分布转移问题，这会导致EEG数据的泛化性能不佳。一些方法试图通过收集部分用户数据进行校准来解决这个问题。然而，这种方法耗时、需要大量精力，而且不够用户友好。为了实现零校准BCI，大多数研究采用领域泛化（DG）技术，在训练集中学习跨不同领域的不变特征。然而，它们未能充分探索同一领域内的不变特征，导致性能有限。本文提出了一种新的方法，从跨域和内域两个角度学习领域不变特征。对于内域不变特征，我们提出了一种知识蒸馏框架，在一个域内提取EEG相位不变特征。至于跨域不变特征，我们使用相关性对齐来弥合多个域之间的分布差距。在三个公共数据集上的实验结果验证了我们方法的有效性，展示了最先进的性能。据我们所知，这是第一篇利用傅里叶相位信息作为内域不变特征来促进EEG泛化的领域泛化研究。更重要的是，基于跨域和内域不变特征的零校准BCI在实际应用中具有重要的潜力。

论文旨在解决脑机接口（BCI）中的数据分布转移问题，提出了一种从域内和域间角度学习域不变特征的新方法。

该论文提出了一种知识蒸馏框架，以提取在同一域内的脑电相位不变特征，以及使用相关性对齐来弥合多个域之间的分布差异，从而实现零校准BCI。

该论文在三个公共数据集上进行了实验，证明了该方法的有效性，并展示了最先进的性能。该方法利用傅里叶相位信息作为域内不变特征，有望推动BCI在实际应用中的发展。该论文还提供了开源代码。

与此相关的最近研究包括：'Deep Domain Generalization for Object Detection'和'Learning Transferable Features with Deep Adaptation Networks'。