用于过完备 EEG 源识别的协方差域字典学习
信息论
2015-12-02 v1 math.IT
摘要
我们提出一种旨在识别比通道更多的脑电描记术(EEG)源的算法。我们的过完备源识别算法 Cov-DL 利用了应用于协方差域的字典学习方法。假设 EEG 源在移动时间窗内不相关且头皮混合是线性的，正向问题可转移到比原始 EEG 通道域维度更高的协方差域。这允许学习生成头皮 EEG 的过完备混合矩阵，即使在任何时间段可能有比传感器更多的源处于活动状态，即存在非稀疏源时。这与基于稀疏性假设的直接字典学习方法相反，在低密度 EEG 系统中稀疏性条件不满足。我们提出了两种针对 Cov-DL 的不同学习策略，由目标混合矩阵的大小决定。我们证明 Cov-DL 在各种 EEG 仿真和真实 EEG 实验场景下优于现有的过完备 ICA 算法。
引用
@article{arxiv.1512.00156,
title = {Covariance-domain Dictionary Learning for Overcomplete EEG Source Identification},
author = {Ozgur Balkan and Kenneth Kreutz-Delgado and Scott Makeig},
journal= {arXiv preprint arXiv:1512.00156},
year = {2015}
}