EEGminer：利用可学习滤波器发现脑活动的可解释特征
机器学习
2022-02-03 v2 人机交互
摘要
脑活动模式与不同的脑加工过程相关联，并可用于识别不同的脑状态及进行行为预测。然而，相关特征并非显而易见且易于获取。为从多通道持续 EEG 活动记录中挖掘信息性潜在表示，我们提出了一种由可学习滤波器和预定特征提取模块组成的新型可微分解码流水线。具体而言，我们引入由广义高斯函数参数化的滤波器，其提供平滑导数以稳定端到端模型训练，并允许学习可解释特征。对于特征模块，我们使用信号幅值与功能连接估计。我们在 SEED 数据集上以及在一个规模空前的新 EEG 数据集（即 761 名被试）上展示了我们的模型在 EEG 情绪识别中的效用，其中我们识别出了音乐感知及相关的个体差异的一致趋势。所发现的特征与先前的神经科学研究一致并提供了新见解，例如音乐聆听期间左右颞区之间功能连接特征的显著差异。这与文献中提出的颞叶在音乐感知方面的相应专门化相符。
引用
@article{arxiv.2110.10009,
title = {EEGminer: Discovering Interpretable Features of Brain Activity with Learnable Filters},
author = {Siegfried Ludwig and Stylianos Bakas and Dimitrios A. Adamos and Nikolaos Laskaris and Yannis Panagakis and Stefanos Zafeiriou},
journal= {arXiv preprint arXiv:2110.10009},
year = {2022}
}
备注
14 pages, 8 figures