耦合生成器分解用于脑电图与脑磁图数据融合
信号处理
2026-04-10 v1 机器学习
神经元与认知
摘要
数据融合建模能够在考虑数据源特异性变异的同时，识别不同数据源中的共同特征。本文引入“耦合生成器分解”的概念，并展示其如何将稀疏主成分分析（SPCA）推广至数据融合。利用来自多被试、多模态（脑电图与脑磁图，EEG 和 MEG）神经影像实验的数据，我们证明了该框架在识别对面孔感知刺激响应的共同特征方面的有效性，同时能够适应模态和被试的特异性变异。通过对 EEG/MEG 试次的分半交叉验证，我们研究了不同复杂度模型的最优模型阶数和正则化强度，并将其与假设共享大脑刺激响应的组水平模型进行比较。我们的发现揭示了在约 170 毫秒时，梭状回面孔区对乱序面孔（相对于真实面孔）的激活发生了改变，这在多模态、多被试模型中尤为明显。模型参数使用 PyTorch 中的随机优化进行推断，其性能与 SPCA 的传统二次规划推断相当，但执行速度显著更快。我们提供了一个易于使用的耦合生成器分解工具箱，其中包括用于 SPCA、原型分析和方向性原型分析的数据融合。总体而言，我们的方法为数据融合提供了一条有前景的新途径。
引用
@article{arxiv.2403.15409,
title = {Coupled generator decomposition for fusion of electro- and magnetoencephalography data},
author = {Anders Stevnhoved Olsen and Jesper Duemose Nielsen and Morten Mørup},
journal= {arXiv preprint arXiv:2403.15409},
year = {2026}
}