Importance-weighted covariance estimation for robust common spatial pattern
Importance-weighted covariance estimation for robust common spatial pattern
复制标题
DOI：
10.1016/j.patrec.2015.09.003
复制
发表时间：
2014-11
期刊：
影响因子：
--
通讯作者：
Alessandro Balzi;F. Yger;Masashi Sugiyama
中科院分区：
文献类型：
--
作者：
Alessandro Balzi;F. Yger;Masashi Sugiyama
非平稳性是机器学习方法实际应用中的一个重要问题。这个问题尤其影响脑机接口（BCI），并使其难以使用。在本文中，我们展示了一种实用的方法，使公共空间模式（CSP）对非平稳性具有鲁棒性，这是一种在脑机接口中特别有用的经典特征提取。为此，我们没有修改CSP方法本身，而是使协方差估计（作为每个CSP变量的输入）对非平稳性更强。这些鲁棒估计是使用经典的重要性加权场景导出的。最后，我们强调了我们的鲁棒框架在玩具数据集上的行为，并展示了在现实生活中的BCI数据集上的准确性增益。
Non-stationarity is an important issue for practical applications of machine learning methods. This issue particularly affects Brain–Computer Interfaces (BCI) and tends to make their use difficult. In this paper, we show a practical way to make Common Spatial Pattern (CSP), a classical feature extraction that is particularly useful in BCI, robust to non-stationarity. To do so, we did not modify the CSP method itself, but rather make the covariance estimation (used as input by every CSP variant) more robust to non-stationarity. Those robust estimators are derived using a classical importance-weighting scenario. Finally, we highlight the behavior of our robust framework on a toy dataset and show gains of accuracy on a real-life BCI dataset.