Rapid Serial Visual Presentation (RSVP)-based Brain-Computer Interface (BCI) is an efficient information detection technology by detecting event-related brain responses evoked by target visual stimuli. However, a time-consuming calibration procedure is needed before a new user can use this system. Thus, it is important to reduce calibration efforts for BCI applications. In this article, we propose a multi-source conditional adversarial domain adaptation with the correlation metric learning (mCADA-C) framework that utilizes data from other subjects to reduce the data requirement from the new subject for training the model. This model utilizes adversarial training to enable a CNN-based feature extraction network to extract common features from different domains. A correlation metric learning (CML) loss is proposed to constrain the correlation of features based on class and domain to maximize the intra-class similarity and minimize inter-class similarity. Also, a multi-source framework with a source selection strategy is adopted to integrate the results of multiple domain adaptation. We constructed an RSVP-based dataset that includes 11 subjects each performing three RSVP experiments on three different days. The experimental results demonstrate that our proposed method can achieve 87.72% cross-subject balanced-accuracy under one block calibration. The results indicate our method can realize a higher performance with less calibration efforts.

中文翻译：

---

通过多源对抗域自适应减少RSVP任务中的校准工作

基于快速串行视觉演示（RSVP）的脑机接口（BCI）是一种有效的信息检测技术，通过检测目标视觉刺激引起的事件相关的脑反应。但是，在新用户使用该系统之前，需要耗时的校准过程。因此，减少BCI应用的校准工作非常重要。在本文中，我们提出了一种具有相关度量学习（mCADA-C）框架的多源条件对抗域自适应技术，该框架利用其他主题的数据来减少来自新主题的数据需求以训练模型。该模型利用对抗训练使基于CNN的特征提取网络能够从不同域中提取常见特征。提出了一种相关度量学习（CML）损失，以基于类和域来约束特征的相关性，以最大化类内相似度并最小化类间相似度。此外，采用具有源选择策略的多源框架来集成多域适应的结果。我们构建了一个基于RSVP的数据集，该数据集包含11个受试者，每个受试者在三天的时间里进行了三个RSVP实验。实验结果表明，我们提出的方法在一次块校准下可以达到87.72％的跨对象平衡精度。结果表明我们的方法可以用更少的校准工作实现更高的性能。采用带有源选择策略的多源框架来集成多域适应的结果。我们构建了一个基于RSVP的数据集，该数据集包含11个受试者，每个受试者在三天的时间里进行了三个RSVP实验。实验结果表明，我们提出的方法在一次块校准下可以达到87.72％的跨对象平衡精度。结果表明我们的方法可以用更少的校准工作实现更高的性能。采用带有源选择策略的多源框架来集成多域适应的结果。我们构建了一个基于RSVP的数据集，该数据集包含11个受试者，每个受试者在三天的时间里进行了三个RSVP实验。实验结果表明，我们提出的方法在一次块校准下可以达到87.72％的跨对象平衡精度。结果表明我们的方法可以用更少的校准工作实现更高的性能。