Note for ‘Transfer Learning: A Riemannian Geometry Framework With Applications to BCI‘

前言

讲述一篇发表在IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING（生物医学工程期刊）的文章‘Transfer Learning: A Riemannian Geometry Framework With Applications to Brain–Computer Interfaces’（迁移学习:黎曼几何框架应用于脑机接口）

文章介绍

本文探讨了脑电背景下的迁移学习问题基于脑电图的脑机接口(BCI)分类。我们提出对每个对象的协方差矩阵进行仿射变换，以使它们相对于参考协方差矩阵居中，使来自不同对象的数据具有可比性。使用标准最小距离均值分类器和文献中最近发展的基于SPD流形上定义的密度函数(混合黎曼高斯分布)的概率分类器进行分类。

模型建立

A. SPD矩阵流形的基本概念

定义黎曼度量：
$$\delta \left(P_1,P_2\right)={\Vert \log \left(P_1^{-1/2}{P}_2{P}_1^{-1/2}\right)\Vert }_F={\left(\sum _{i=1}^n{\mathrm{l}}^2{\lambda }_i\right)}^{1/2}$$
其中λ1, . . . , λn为$P_1^{-1/2}{P}_2{P}_1^{-1/2}$的特征值，$\delta \left(\cdot ,\cdot \right)$有两种性质：

1. $\delta \left(P_1^{-1},P_2^{-1}\right)=\delta \left(P_1,P_2\right)$
2. $\delta \left(C^T{P}_{1}C,C^T{P}_{2}C\right)=\delta \left(P_1,P_2\right)\forall C\in GL(n)$

其中$GL(n)$为可逆矩阵集合。

B. SPD矩阵集合的质心

已知一个SPD集合 ，其流形的几何均值（质心）需满足：
$$\mathcal{G}\left(P_1,...,P_N\right)=\mathrm{a}\mathrm{r}\mathrm{g}\underset{P\in P(n)}{\min }\sum _{i=1}^N{\delta }^2\left(P_i,P\right)$$

一个重要不变性质是:
$$\begin{gathered} \mathcal{G}\left(C^T{P}_{1}C,...,C^T{P}_{N}C\right)=C^T\mathcal{G}\left(P_1,...,P_N\right)C \\ \forall C\in GL(n) \end{gathered}$$

C. SPD流形上的混合高斯分布

为了考虑一个概率模型，在 $P\left(n\right)$空间上引入了一类叫做黎曼高斯分布的概率分布，记作$G\left(\bar{P},\sigma \right)$，取决于两个参数$\bar{P}\in P\left(n\right),\sigma >0$ 。概率密度函数如下：
$$f(P\mid \bar{P},\sigma )=\frac{1}{\zeta (\sigma )}\exp \left(-\frac{{\delta }^2(P,\bar{P})}{{\sigma }^2}\right)$$
其中$\zeta (\sigma )$是一个标准化函数。由此式子得知，$\bar{P}$的最大似然估计(MLE)与上式的质心重合。为了包括几种分布形状，我们考虑了黎曼高斯混合分布，其概率密度函数如下：
$$\begin{gathered} f(P)=\sum _{m=1}^M{w}_{m}f\left(P\mid {\bar{P}}_m,{\sigma }_m\right) \\ s.t.\sum _{m=1}^M{w}_m=1 \end{gathered}$$

其中的参数可以通过EM（Expectation-Maximization）算法来计算。这类分布将用于为 $P\left(n\right)$ 中的数据构建概率分类器。也就意味着这个分布的均值，方差，权值都是可以先计算出来的。

D. SPD流形中的分类技术

MDM（Minimum Distance to Mean）分类器定义为：给定K个类别和一个训练集的第k类的均值$C(k)$
（质心），其中(k = 1, . . . , K)，根据分类规则，将一个新的$C_i$分配到第k类：
$$k=\mathrm{a}\mathrm{r}\mathrm{g}\underset{k\in \{1,...,K\}}{\min }\left\{d_R\left(C_i,C(k)\right)\right\}$$
但是该算法考虑了新的$C_i$ 到质心$C(k)$ 的黎曼距离，却忽略了这组数据中方差的信息。由于参数σ编码在黎曼高斯分布，贝叶斯分类原理可以利用这种分布。那么提出了一种基于后验分布的分类准则：
$$k=\mathrm{a}\mathrm{r}\mathrm{g}\underset{k\in \{1,...,K\}}{\min }\left\{\log \zeta (\sigma (k))+\frac{d_R^2\left(C_i,C(k)\right)}{2{\sigma }^2(k)}\right\}$$

其中$\sigma (k)$为第k类的方差。

BCI数据表示

A. 运动想象:数据建构

它包含9名受试者执行四种运动想象(右手、左手、脚和舌头想象运动)的脑电图数据。我们使用协方差矩阵定义为:
$$C_{X_l}=\frac{1}{T-1}{X}_l{X}_l^T$$

其中$X_l\in {\mathbb{R}}^{n\times T}$，n为电极数，T为考虑评估样本协方差的时间窗的样本点数。

B. 事件相关电位：数据构建

数据集包含：实验对象观看一个屏幕，屏幕上有36个外星人交替闪烁。他们被要求在心里计算特定(已知)目标外星人闪光的次数。但是如果我们随机打乱一个特定试验的时间瞬间，它的协方差矩阵的估计就会发生变化。所以在这个框架中，我们不能简单地考虑协方差矩阵$C_{X_l}$，具体来说我们考虑了ERP的平均反应：
$$E=\frac{1}{\left|K^{+}\right|}\sum _{l\in K^{+}}{X}_l\in {\mathbb{R}}^{n\times T}$$

其中$K^{+}$是目标试验组，建立增广矩阵 ：
$$X_l=\left[\begin{array}{c}E\\ X_l\end{array}\right]\in {\mathbb{R}}^{2n\times T}$$

然后考虑维数为2n × 2n的增广协方差矩阵：
$$C_{X_l}=\left[\begin{array}{cc}l{C}_E& C_{E{X}_l}\\ C_{X_{l}E}& C_{X_l}\end{array}\right]$$

用于区分靶标和非靶标试验的相关信息被嵌入到块$C_{E{X}_l}$中，$C_{X_{l}E}$是转置。