运动想象 (MI) 迁移学习系列 (10) : 数据对齐(CA)

2024-03-16 12:20

本文主要是介绍运动想象 (MI) 迁移学习系列 (10) : 数据对齐(CA),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

运动想象迁移学习系列:数据对齐(CA)

  • 0. 引言
  • 1. 相关工作
    • 1.1 黎曼几何
    • 1.2 切线空间映射
    • 1.3 黎曼对齐 (RA)
    • 1.4 欧几里得对齐 (EA)
  • 2. 协方差矩阵质心对齐(CA)
  • 3. 总结
  • 欢迎来稿

论文地址:https://arxiv.org/abs/1910.05878
论文题目:Manifold Embedded Knowledge Transfer for Brain-Computer Interfaces
论文代码:https://github.com/chamwen/MEKT

0. 引言

本篇博客重点考虑数据对齐部分,因为其对后续迁移学习的效果影响非常大。
数据对齐有多种方法,如黎曼对齐(Riemannian Alignment, RA)欧式对齐(Euclidean Alignment, EA)标签对齐(Label Alignment, LA)重心对齐(Centroid Alignment, CA) 等。下面重点介绍CA

CA主要是进行协方差矩阵的质心对齐,对数据的协方差矩阵进行数据对齐操作。。。。

在这里插入图片描述

1. 相关工作

1.1 黎曼几何

所有 SPD 矩阵 P ∈ R C × C P∈R^{C×C} PRC×C 形成可微的黎曼流形。黎曼几何用于操纵它们。下面提供了一些基本定义。

两个SPD矩阵 P 1 P1 P1 P 2 P2 P2 之间的黎曼距离是:
δ ( P 1 , P 2 ) = ∥ log ⁡ ( P 1 − 1 P 2 ) ∥ F , \begin{equation*} \delta \left ({P_{1}, P_{2}}\right)=\left \|{\log \left ({P_{1}^{-1} P_{2}}\right)}\right \|_{F},\tag{5}\end{equation*} δ(P1,P2)= log(P11P2) F,(5)

其中 ∥ ⋅ ∥ F \|\cdot \|_{F} FFrobenius 范式,并且 log 表示特征值 P 1 − 1 P 2 P_{1}^{-1} P_{2} P11P2 的对数 .

{ P i } i = 1 n \{P_{i}\}_{i=1}^{n} {Pi}i=1n黎曼均值是:
M R = arg ⁡ min ⁡ P ∑ i = 1 n δ 2 ( P , P i ) , \begin{equation*} M_{R}=\arg \min _{P}\sum _{i=1}^{n}\delta ^{2}(P,P_{i}), \tag{6}\end{equation*} MR=argPmini=1nδ2(P,Pi),(6)

欧式均值是:
M E = 1 n ∑ i = 1 n P i , \begin{equation*} M_{E}=\frac {1}{n}\sum _{i=1}^{n} P_{i}, \tag{7}\end{equation*} ME=n1i=1nPi,(7)

Log欧式均值是:
M L = exp ⁡ ( ∑ i = 1 n w i log ⁡ P i ) , \begin{equation*} M_{L}=\exp \left ({\sum _{i=1}^{n} w_{i} \log P_{i}}\right), \tag{8}\end{equation*} ML=exp(i=1nwilogPi),(8)

其中, w i w_{i} wi 经常被设置为 1 n \frac{1}{n} n1

1.2 切线空间映射

切线空间映射也称为对数映射,它围绕 SPD 矩阵 M M M 映射黎曼空间 SPD 矩阵 P i P_{i} Pi欧几里得切线空间向量 x i x_{i} xi ,通常是黎曼或欧几里得均值:
x i = u p p e r ( log ⁡ M ( M r e f P i M r e f ) ) , \begin{equation*} \mathbf {x}_{i}=\mathrm {upper}\left ({\log _{M}\left ({M_{ref} P_{i} M_{ref}}\right)}\right), \tag{9}\end{equation*} xi=upper(logM(MrefPiMref)),(9)

其中 u p p e r upper upper 表示取 a 的上三角形部分,一个 c × c c×c c×c 的SPD矩阵形成向量 x i ∈ R 1 × c ( c + 1 ) / 2 \mathbf {x}_{i}\in \mathbb {R}^{1\times c(c+1)/2} xiR1×c(c+1)/2 M r e f M_{ref} Mref 是一个参考矩阵。为了获得与流形局部同态的切线空间 M r e f = M − 1 / 2 M_{ref}=M^{-1/2} Mref=M1/2 是必需的。

全等变换全余不变性是黎曼空间中的两个重要性质
M ( F P 1 F , F P 2 F ) = F ⋅ M ( P 1 , P 2 ) ⋅ F , δ ( G ⊤ P 1 G , G ⊤ P 2 G ) = δ ( P 1 , P 2 ) , \begin{align*} \mathcal {M}\left ({F P_{1} F, F P_{2} F}\right)=&F \cdot \mathcal {M}(P_{1}, P_{2})\cdot F, \tag{10}\\ \delta \left ({G^{\top } P_{1} G, G^{\top } P_{2} G}\right)=&\delta \left ({P_{1}, P_{2} }\right), \tag{11}\end{align*} M(FP1F,FP2F)=δ(GP1G,GP2G)=FM(P1,P2)F,δ(P1,P2),(10)(11)

其中, M M M欧几里得或黎曼均值运算 F F F 是一个非奇异方阵,并且 G ∈ R c × c G\in \mathbb {R}^{c\times c} GRc×c 是一个可逆的对称矩阵。(11)表明,如果两个SPD矩阵都左和右乘以可逆对称矩阵,则两个SPD矩阵之间的黎曼距离不会改变

1.3 黎曼对齐 (RA)

RA首先计算一些静息(或非目标)试验的协方差矩阵, { P i } i = 1 n \{P_{i}\}^{n}_{i=1} {Pi}i=1n ,其中主体没有执行任何任务(或没有执行目标任务),然后是黎曼均值 M R M_R MR 这些矩阵,用作参考矩阵,通过以下转换来减少会话间或主题间的变化
P i ′ = M R − 1 / 2 P i M R − 1 / 2 , \begin{equation*} P_{i}'=M_{R}^{-1/2} P_{i} M_{R}^{-1/2}, \tag{12}\end{equation*} Pi=MR1/2PiMR1/2,(12)

其中 P i P_{i} Pi 是第 i i i 次试验的协方差矩阵 , P i ′ P_{i}' Pi 是对应的对齐协方差矩阵。然后,所有 P i ′ P_{i}' Pi可以通过最小均值距离 (MDM) 分类器进行分类。

1.4 欧几里得对齐 (EA)

尽管RA-MDM已经显示出良好的性能,但它仍然存在一些局限性:
1)它处理黎曼空间中的协方差矩阵,而黎曼空间分类器很少;
2)它从基于ERP的BCI中的非目标刺激中计算参考矩阵,这需要来自新受试者的一些标记试验

EA扩展了RA并通过在欧几里得空间中转换脑电图试验 X i X_i Xi解决了上述问题:
X i ′ = M E − 1 / 2 X i , \begin{equation*} X_{i}'=M_{E}^{-1/2} X_{i},\tag{13}\end{equation*} Xi=ME1/2Xi,(13)
其中, M E M_E ME 是所有脑电图试验协方差矩阵的欧几里得均值,计算公式为 (7)。

然而,EA 只考虑边际概率分布偏移,当 EEG 通道数量较少时效果最好。当有大量通道时,计算 M E − 1 / 2 M_E^{−1/2} ME1/2 可能在数值上不稳定

2. 协方差矩阵质心对齐(CA)

对齐 { X S , i } i = 1 n S \{X_{S,i}\}_{i=1}^{n_{S}} {XS,i}i=1nS { X T , i } i = 1 n T \{X_{T,i}\}_{i=1}^{n_{T}} {XT,i}i=1nT协方差矩阵的质心,因此它们的边际概率分布接近的。

CA作为预处理步骤,减少不同域边际概率分布偏移,并实现从多个源域的转移
P S , i = X S , i X S , i ⊤ P_{S,i}=X_{S,i}X_{S,i}^{\top } PS,i=XS,iXS,i 是第 i i i 源域中的协方差矩阵,以及 M r e f = M − 1 / 2 M_{ref}=M^{-1/2} Mref=M1/2。其中 M M M 可以是 (6) 中的黎曼均值、(7) 中的欧几里得均值或 (8) 中的对数欧几里得均值。然后,我们将协方差矩阵对齐:
P S , i ′ = M r e f P S , i M r e f , i = 1 , … , n S \begin{equation*} P_{S,i}'=M_{ref} P_{S,i} M_{ref},\qquad i=1,\ldots,n_{S} \tag{14}\end{equation*} PS,i=MrefPS,iMref,i=1,,nS(14)

同样,我们可以获得对齐的协方差矩阵 { P T , i ′ } i = 1 n T \{P_{T,i}'\}_{i=1}^{n_{T}} {PT,i}i=1nT 目标域。

CA 具有两个理想的属性:

  1. 边际概率分布偏移最小化。根据全等变换和全等不变性的性质,我们有
    M ( M r e f ⊤ P 1 M r e f , … , M r e f ⊤ P n S M r e f ) = M r e f ⊤ M ( P 1 , … , P n S ) M r e f = M r e f ⊤ M M r e f = I , \begin{align*}&\hspace{-0.5pc}\mathcal M (M_{ref}^{\top }P_{1}M_{ref}, \ldots,M_{ref}^{\top }P_{n_{S}}M_{ref}) \\&= M_{ref}^{\top } \mathcal M(P_{1}, \ldots,P_{n_{S}}) M_{ref} = M_{ref}^{\top } M M_{ref}=I, \tag{15}\end{align*} M(MrefP1Mref,,MrefPnSMref)=MrefM(P1,,PnS)Mref=MrefMMref=I,(15)
    即,如果我们选择 M M M 正如黎曼(或欧几里得)的意思,那么不同域的几何(或算术)中心都等于单位矩阵。因此,源域和目标域的边际分布在流形上更加接近
  2. EEG trial whitening. 在下文中,我们表明每个对齐的协方差矩阵近似于 CA 之后的单位矩阵
    如果我们将参考矩阵分解为 M r e f = [ w 1 , … , w c ] M_{ref}=\begin{bmatrix}\mathbf {w}_{1}, {\dots }, \mathbf {w}_{c}\end{bmatrix} Mref=[w1,,wc], 则 P S , i ′ P_{S,i}' PS,i ( m , n ) (m,n) (m,n) 个元素是:
    P S , i ′ ( m , n ) = w m ⊤ P S , i w n , \begin{equation*} P_{S,i}'(m,n)=\mathbf {w}_{m}^{\top } P_{S,i} \mathbf {w}_{n}, \tag{16}\end{equation*} PS,i(m,n)=wmPS,iwn,(16)
    从公式(15),可以得到:
    w m ⊤ M ( P 1 , … , P n S ) w n = { 1 , m = n 0 , m ≠ n . \begin{equation*} \mathbf {w}_{m}^{\top } \mathcal M(P_{1}, \ldots,P_{n_{S}}) \mathbf {w}_{n}=\begin{cases} 1, & m=n \\ 0, & m\neq n. \end{cases}\tag{17}\end{equation*} wmM(P1,,PnS)wn={1,0,m=nm=n.(17)
    无论是否,上述等式都成立 M M M黎曼均值,或欧几里得均值

对于使用欧几里得均值的 CA,则第 m m m 个 对角线元素 { P S , i ′ } i = 1 n S \{P_{S,i}'\}_{i=1}^{n_{S}} {PS,i}i=1nS 是:
1 n S ∑ i = 1 n S P S , i ′ ( m , m ) = w m ⊤ M ( P 1 , … , P n S ) w m = 1 , \begin{align*} \frac {1} {n_{S}}\sum _{i=1}^{n_{S}}P_{S,i}'(m,m) = \mathbf {w}_{m}^{\top } \mathcal M(P_{1}, \ldots,P_{n_{S}}) \mathbf {w}_{m} = 1, \\ \tag{18}\end{align*} nS1i=1nSPS,i(m,m)=wmM(P1,,PnS)wm=1,

同时,对于每个对角线元素,我们有 P S , i ′ ( m , m ) = ∥ X S , i ⊤ w m ∥ 2 2 > 0 P_{S,i}'(m,m)=\| X_{S,i}^{\top } \mathbf {w}_{m} \|_{2}^{2}>0 PS,i(m,m)=XS,iwm22>0,因此对角线元素 P S , i ′ P_{S,i}' PS,i 约是 1。同样,对角线外的元素 P S , i ′ P_{S,i}' PS,i 约为 0。因此 P S , i ′ P_{S,i}' PS,i 近似为识别矩阵,即对齐的脑电图试验近似变白

具有黎曼均值的 CA 是由欧几里得均值初始化的迭代过程。具有对数-欧几里得均值的CA是CA与黎曼均值的近似值,计算成本较低。因此,(18)也近似地适用于这两种均值。

3. 总结

到此,使用 数据对齐(CA) 已经介绍完毕了!!! 如果有什么疑问欢迎在评论区提出,对于共性问题可能会后续添加到文章介绍中。

如果觉得这篇文章对你有用,记得点赞、收藏并分享给你的小伙伴们哦😄。

欢迎来稿

欢迎投稿合作,投稿请遵循科学严谨、内容清晰明了的原则!!!! 有意者可以后台私信!!

这篇关于运动想象 (MI) 迁移学习系列 (10) : 数据对齐(CA)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/815482

相关文章

Java利用JSONPath操作JSON数据的技术指南

《Java利用JSONPath操作JSON数据的技术指南》JSONPath是一种强大的工具,用于查询和操作JSON数据,类似于SQL的语法,它为处理复杂的JSON数据结构提供了简单且高效... 目录1、简述2、什么是 jsONPath?3、Java 示例3.1 基本查询3.2 过滤查询3.3 递归搜索3.4

MySQL大表数据的分区与分库分表的实现

《MySQL大表数据的分区与分库分表的实现》数据库的分区和分库分表是两种常用的技术方案,本文主要介绍了MySQL大表数据的分区与分库分表的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有... 目录1. mysql大表数据的分区1.1 什么是分区?1.2 分区的类型1.3 分区的优点1.4 分

Mysql删除几亿条数据表中的部分数据的方法实现

《Mysql删除几亿条数据表中的部分数据的方法实现》在MySQL中删除一个大表中的数据时,需要特别注意操作的性能和对系统的影响,本文主要介绍了Mysql删除几亿条数据表中的部分数据的方法实现,具有一定... 目录1、需求2、方案1. 使用 DELETE 语句分批删除2. 使用 INPLACE ALTER T

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

Redis 中的热点键和数据倾斜示例详解

《Redis中的热点键和数据倾斜示例详解》热点键是指在Redis中被频繁访问的特定键,这些键由于其高访问频率,可能导致Redis服务器的性能问题,尤其是在高并发场景下,本文给大家介绍Redis中的热... 目录Redis 中的热点键和数据倾斜热点键(Hot Key)定义特点应对策略示例数据倾斜(Data S

Python实现将MySQL中所有表的数据都导出为CSV文件并压缩

《Python实现将MySQL中所有表的数据都导出为CSV文件并压缩》这篇文章主要为大家详细介绍了如何使用Python将MySQL数据库中所有表的数据都导出为CSV文件到一个目录,并压缩为zip文件到... python将mysql数据库中所有表的数据都导出为CSV文件到一个目录,并压缩为zip文件到另一个

SpringBoot整合jasypt实现重要数据加密

《SpringBoot整合jasypt实现重要数据加密》Jasypt是一个专注于简化Java加密操作的开源工具,:本文主要介绍详细介绍了如何使用jasypt实现重要数据加密,感兴趣的小伙伴可... 目录jasypt简介 jasypt的优点SpringBoot使用jasypt创建mapper接口配置文件加密

使用Python高效获取网络数据的操作指南

《使用Python高效获取网络数据的操作指南》网络爬虫是一种自动化程序,用于访问和提取网站上的数据,Python是进行网络爬虫开发的理想语言,拥有丰富的库和工具,使得编写和维护爬虫变得简单高效,本文将... 目录网络爬虫的基本概念常用库介绍安装库Requests和BeautifulSoup爬虫开发发送请求解

Oracle存储过程里操作BLOB的字节数据的办法

《Oracle存储过程里操作BLOB的字节数据的办法》该篇文章介绍了如何在Oracle存储过程中操作BLOB的字节数据,作者研究了如何获取BLOB的字节长度、如何使用DBMS_LOB包进行BLOB操作... 目录一、缘由二、办法2.1 基本操作2.2 DBMS_LOB包2.3 字节级操作与RAW数据类型2.

MySQL使用binlog2sql工具实现在线恢复数据功能

《MySQL使用binlog2sql工具实现在线恢复数据功能》binlog2sql是大众点评开源的一款用于解析MySQLbinlog的工具,根据不同选项,可以得到原始SQL、回滚SQL等,下面我们就来... 目录背景目标步骤准备工作恢复数据结果验证结论背景生产数据库执行 SQL 脚本,一般会经过正规的审批