该研究探讨了通过脑电图记录未受影响手臂的活动，以学习个体化机器学习模型来支持患者康复，结果表明预测运动的分类器在选定的受双边运动意图诱发的脑电图通道上训练时与全面训练脑电图数据的分类器在单边运动意图上的表现差异不显著。这一方法可在实际治疗中使用，与几个脑电图通道的数据训练有效，对于中风患者的进一步研究具有潜力。

Feb, 2024

该研究介绍了如何使用转移学习和元学习技术，来处理来自不同来源的生物信号数据，以解决医疗诊断和脑 - 机器接口任务的自动化问题。在这个研究里，以脑电图 (EEG) 为例，设计两项转移学习挑战任务，并通过竞赛验证了这些方法的效果。

Feb, 2022

本文基于电肌图数据实现了带有 L2 正则化的深度学习模型，在测试集上实现了 99% 的准确率，能够高精确度地对正常、肌无力和渐冻人病进行分类，有望为神经肌肉疾病的临床诊断提供帮助。

May, 2023

基于脑电图信号和解码脑活动的病理诊断在理解神经系统疾病方面具有巨大重要性；随着人工智能方法和机器学习技术的发展，准确的数据驱动诊断和有效的治疗潜力显著增长。然而，将机器学习算法应用于现实世界的数据集在多个层面上都面临各种挑战；特别是在低范围的场景中数据标记稀缺，由于征募费用高昂，真实患者群体的可用性有限，一直强调了规模化和迁移学习技术的重要部署。本研究探讨了一个真实的病理分类任务，以突出数据和模型规模化以及跨数据集知识迁移的有效性；观察到通过数据规模化而产生的性能改进程度不同，表明需要进行谨慎评估和标注；此外，我们还确定了可能的负迁移的挑战，并强调了克服分布迁移和潜在虚假相关性的一些关键组成部分的重要性，实现积极的迁移；当已有少量标记数据时，通过使用源数据集的知识（如 TUAB 数据集），我们发现目标模型在目标（NMT）数据集上表现得更好；我们的发现表明，一个小型和通用的模型（如 ShallowNet）在单个数据集上表现良好，然而，一个较大的模型（如 TCN）在从较大和多样化的数据集中进行迁移和学习时表现更好。

Sep, 2023

通过问题转换方法和合成数据生成策略，本研究提出了一种表面肌电图（sEMG）手势识别系统，可有效提高表达能力，在短时间内实现模型校准，适用于人机交互、虚拟现实和机器人控制等领域。

Sep, 2023

本文研究了基于计算智能的迁移学习技术，将其分为基于神经网络、进化算法、群智能和模糊逻辑的迁移学习。与传统的机器学习方法相比，迁移学习方法可以更好地建模当前领域的数据模式。

Jun, 2022

该论文介绍了迁移学习在无线网络中的应用，包括定义、分类、技术类型以及用于解决下一代网络（如 5G 及更高版本）中的问题的不同迁移学习方法，其主要目的是为了应对现有机器学习模式的挑战，如缺乏带标签的数据、无线环境的不断变化、训练过程时间长、以及设备容量不足等等，并且展望了迁移学习在未来无线网络中的重要挑战、开放性问题和未来研究方向。

Feb, 2021

本文探讨了深度学习中的迁移学习的效果与代价，结果提供了关于使用迁移学习的指南。

Nov, 2022

深度学习在心电图诊断中的应用受限于现实场景中大规模标记数据集的稀缺，因此使用迁移学习来利用从更大数据集中学到的特征。然而，迁移学习能够始终优于从头开始训练的普遍假设尚未得到系统验证。本研究通过调查不同心电图数据集和深度神经网络的微调性能与从头开始训练的性能的比较，首次进行了关于迁移学习在多标签心电图分类中效果的大规模实证研究，结果显示对于小规模下游数据集，微调是一种较好的选择；然而，当数据集足够大时，从头开始训练也能够取得可比较的性能，尽管需要更长的训练时间来迎头赶上。此外，我们发现迁移学习与卷积神经网络相比较适用于时序心电图应用中最常见的两种结构：卷积神经网络和循环神经网络。我们的结果强调了迁移学习在心电图诊断中的重要性，但根据可用数据量，研究人员可能选择不使用迁移学习，考虑到与预训练相关的不可忽视的成本。

Feb, 2024

本综述对转移学习的 40 多个代表性方法进行了系统总结，从数据和模型的角度介绍了同质转移学习的机制和策略，并通过实验证明了在不同应用程序中选择适当的传输学习模型的重要性。

Nov, 2019