杜义浩，刘兆军，付子豪，张园园，任 娜，陈 杰，谢 平

(1. 燕山大学 河北省测试计量技术及仪器重点实验室，河北 秦皇岛 066004；2. 燕山大学 电气工程学院，河北 秦皇岛 066004；3. 燕山大学 体育学院，河北 秦皇岛 066004)

1 引 言

由于脑电信号具有非线性、非平稳性的特点,在使用前为保证系统识别准确率,脑机接口(brain-computer interface,BCI)系统[1～3]需进行长时间的训练过程来获取足够多的训练数据,这导致设备、时间成本高,使用便捷性差,限制了其实际应用。迁移学习可有效利用现有数据样本实现训练集的快速扩充,在保证识别准确率的同时提升系统使用便捷性,为解决BCI系统训练时间过长的问题提供了新的解决思路。

迁移学习主要包括3种迁移方式,实例迁移、特征迁移和模型迁移,其中实例迁移和特征迁移最为常用。为提升迁移学习的迁移效率,学者们进行了大量的探索研究。实例迁移学习方面,如,基于简单贝叶斯模型实现对源域样本的筛选,保证当前任务模型的训练效果,用于提升人脸识别的准确率[4]；基于Logistic回归分析的直推式迁移学习,通过权重调整进行样本筛选,保证分类模型性能,用于文本分析[5]；利用互近邻思想选择迁移对象,提升合并训练集的样本质量,用于解决数据流分类过程中样本标注和概念漂移问题[6]。这些研究着眼于实例层面,通过在源域样本集中选取与目标域样本分布最为相似的样本,实现训练集扩充目的。但源域与目标域中样本数据本身存在差异,经过实例迁移后仍无法消除。……