DriPP：用于建模 M/EEG 信号中刺激诱发模式的驱动点过程
信号处理
2022-07-12 v2 机器学习
统计理论
应用统计
统计理论
摘要
对来自脑电图（EEG）与脑磁图（MEG）的非侵入式电生理信号进行定量分析，归结为对时间模式的识别，如诱发响应、神经振荡的瞬态突发，以及用于数据清洗的眨眼或心跳。若干工作表明，这些模式可通过无监督方式高效提取，例如使用卷积字典学习，从而得到基于事件的数据描述。给定这些事件，一个自然的问题是如何估计其出现在某些认知任务与实验操控下的调制情况。为此，我们提出一种点过程方法。尽管点过程过去曾用于神经科学，特别是单细胞记录（脉冲序列），但诸如卷积字典学习等技术使其适用于基于 EEG/MEG 信号的人体研究。我们发展了一种称为驱动时态点过程（DriPP）的新统计点过程模型，其中点过程模型的强度函数与一组对应于刺激事件的点过程相关联。我们推导了一种快速且严谨的期望最大化（EM）算法来估计该模型参数。仿真表明，模型参数可从足够长的信号中辨识。在标准 MEG 数据集上的结果显示，我们的方法揭示了事件相关神经响应——包括诱发与诱导的——并分离出非任务特异性时间模式。
引用
@article{arxiv.2112.06652,
title = {DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals},
author = {Cédric Allain and Alexandre Gramfort and Thomas Moreau},
journal= {arXiv preprint arXiv:2112.06652},
year = {2022}
}