Recent advances in imagined speech recognition from EEG signals have shown their capability of enabling a new natural form of communication, which is posed to improve the lives of subjects with motor disabilities. However, differences among subjects may be an obstacle to the applicability of a previously trained classifier to new users, since a significant amount of labeled samples must be acquired for each new user, making this process tedious and time-consuming. In this sense, unsupervised domain adaptation (UDA) methods, especially those based on deep learning (D-UDA), arise as a potential solution to address this issue by reducing the differences among feature distributions of subjects. It has been shown that the divergence in the marginal and conditional distributions must be reduced to encourage similar feature distributions. However, current D-UDA methods may become sensitive under adaptation scenarios where a low discriminative feature space among classes is given, reducing the accuracy performance of the classifier. To address this issue, we introduce a D-UDA method, named Standardization-Refinement Domain Adaptation (SRDA), which combines Adaptive Batch Normalization (AdaBN) with a novel loss function based on the variation of information (VOI), in order to build an adaptive classifier on EEG data corresponding to imagined speech. Our proposal, applied over two imagined speech datasets, resulted in SRDA outperforming standard classifiers for BCI and existing D-UDA methods, achieving accuracy performances of 61.02$\pm$08.14% and 62.99$\pm$04.78%, assessed using leave-one-out cross-validation.

从脑电信号想象的语音识别方面的最新进展表明，它们具有实现一种新的自然通信方式的能力，这种通信方式可以改善运动障碍患者的生活。然而，由于必须为每个新用户获取大量的标记样本，因此受试者之间的差异可能会妨碍先前训练的分类器对新用户的适用性，这使得该过程繁琐且耗时。从这个意义上说，无监督域自适应（UDA）方法，尤其是基于深度学习（D-UDA）的方法，可能成为解决此问题的潜在解决方案，可通过减少主题特征分布之间的差异来解决此问题。已经表明，必须减小边际和条件分布的差异，以鼓励相似的特征分布。然而，当前的D-UDA方法在适应方案下可能会变得敏感，在这种情况下，类别之间的判别特征空间很小，从而降低了分类器的准确性。为了解决此问题，我们引入了一种D-UDA方法，称为标准化精化域自适应（SRDA），该方法将自适应批归一化（AdaBN）与基于信息变化（VOI）的新颖损失函数相结合，以构建对与想象的语音相对应的脑电数据的自适应分类器。我们的建议应用于两个想象中的语音数据集，导致SRDA优于BCI和现有D-UDA方法的标准分类器，实现了61.02的准确度性能 降低分类器的准确性。为了解决此问题，我们引入了一种D-UDA方法，称为标准化精化域自适应（SRDA），该方法将自适应批归一化（AdaBN）与基于信息变化（VOI）的新颖损失函数相结合，以构建对与想象的语音相对应的脑电数据的自适应分类器。我们的建议应用于两个想象中的语音数据集，导致SRDA优于BCI和现有D-UDA方法的标准分类器，实现了61.02的准确度性能 降低分类器的准确性。为了解决此问题，我们引入了一种D-UDA方法，称为标准化精化域自适应（SRDA），该方法将自适应批归一化（AdaBN）与基于信息变化（VOI）的新颖损失函数相结合，以构建对与想象的语音相对应的脑电数据的自适应分类器。我们的建议应用于两个想象中的语音数据集，导致SRDA优于BCI和现有D-UDA方法的标准分类器，实现了61.02的准确度性能 为了在与想象的语音相对应的EEG数据上建立自适应分类器。我们的建议应用于两个想象中的语音数据集，导致SRDA优于BCI和现有D-UDA方法的标准分类器，实现了61.02的准确度性能 为了在与想象的语音相对应的EEG数据上建立自适应分类器。我们的建议应用于两个想象中的语音数据集，导致SRDA优于BCI和现有D-UDA方法的标准分类器，实现了61.02的准确度性能$\pm$08.14％和62.99$\pm$04.78％，采用留一法交叉验证进行评估。