用于多受试者EEG归一化的深度多路典型相关分析
音频与语音处理
2021-03-12 v1 声音
定量方法
摘要
对响应自然刺激的多受试者脑记录进行归一化是听觉神经科学中的关键挑战之一。该归一化的目标是转换脑数据以去除受试者间冗余并增强与刺激相关的成分。本文中，我们提出一种深度学习框架，以改善从事音频聆听任务的多个受试者所记录脑电图（EEG）数据的相关性。所提模型使用带共享编码器层的自编码器网络扩展了用于音频-EEG分析的线性多路典型相关分析（CCA）。模型训练为优化包含相关性与重构的组合损失。实验在受试者聆听自然语音与音乐时收集的EEG数据上进行。在这些实验中，我们表明所提出的基于深度多路CCA（DMCCA）的模型相较线性多路CCA方法显著提升了相关性，在语音与音乐任务上Pearson相关值分别绝对提升0.08与0.29。
引用
@article{arxiv.2103.06478,
title = {Deep Multiway Canonical Correlation Analysis for Multi-Subject EEG Normalization},
author = {Jaswanth Reddy Katthi and Sriram Ganapathy},
journal= {arXiv preprint arXiv:2103.06478},
year = {2021}
}
备注
5 pages, 2 figures, 2 tables, to be published in ICASSP 2021