基于 Logit 收缩正则化定向信息评估 (L-SODA) 的脑电空间解码与分类
信息论
2014-04-03 v1 math.IT
摘要
研究认知大脑活动模式背后的神经相互作用机制正日益受到关注。本文提出了一种新方法，利用一种名为 Logit 收缩优化定向信息评估 (L-SODA) 的新型定向信息 (DI) 估计器，从脑电图 (EEG) 数据中推断此类相互作用机制。与先前应用于神经解码的定向信息度量不同，L-SODA 对多项逻辑回归使用收缩正则化，以处理多通道 EEG 信号的高维度和许多现实世界数据集的小样本量问题。该方法旨在做出极少的先验假设，并能处理电极间非线性和非高斯流。我们的 DI 的 L-SODA 估计器附带了关于真实 DI 的稳健统计置信区间，使其特别适用于信息流模式的假设检验。我们在两个不同的问题背景下评估了我们的工作，其中相互作用定位用于在空间和时间上确定 EEG 信号的高度交互区域。首先，通过将高 DI 区域映射到 Brodmann 区，我们确定高 DI 区域与运动相关功能有关。我们证明，在脑机接口 (BCI) EEG 运动活动数据集上，L-SODA 为 EEG 信号的神经解码提供了比几种最先进方法更高的准确性。其次，提出的 L-SODA 估计器在 CHB-MIT 头皮 EEG 数据库上进行了评估。我们证明，与最先进的方法相比，所提出的方法在检测癫痫发作方面提供了更好的性能。
引用
@article{arxiv.1404.0404,
title = {EEG Spatial Decoding and Classification with Logit Shrinkage Regularized Directed Information Assessment (L-SODA)},
author = {Xu Chen and Zeeshan Syed and Alfred Hero},
journal= {arXiv preprint arXiv:1404.0404},
year = {2014}
}