基于证据的信号检测滤波器：应用于诱发脑响应

基于模板的信号检测通常依赖于计算传入数据流与信号模板之间的相关性或点积。这种相关性会持续估计数据流中信号的幅度。然而，它并不直接指示信号的存在与否。问题实际上是一个模型检验问题，相关量是信号模型的贝叶斯证据（边际似然）。给定一个信号模板和一个持续的数据流，我们开发了一种基于证据的滤波器，用于计算数据中存在信号的贝叶斯证据。我们通过将其应用于通过记录人脑电活动（即脑电图，EEG）获得的脑机接口（BMI）数据来演示该算法。在基于 EEG 的 BMI 中，一种非常流行且有效的范式基于对 P300 诱发脑响应的检测，该响应是针对特定感觉刺激而产生的。目标是尽可能准确和快速地检测持续 EEG 活动中是否存在 P300 信号。我们的算法使用特定于受试者的 P300 模板来计算包含信号的 EEG 数据滑动窗口的贝叶斯证据。通过将基于证据的滤波器与通常的相关性方法的受试者工作特征（ROC）曲线进行比较，证明了该算法的有效性。我们的结果显示，在单次试验 P300 检测方面有显著改进。基于证据的滤波器有望提高 BMI 应用中诱发脑响应检测的准确性和速度，以及在更一般的信号处理应用中模板信号检测的准确性和速度。