基于动态模态分解的快速、准确且可解释的皮层脑电信号的译码
信号处理
2023-11-09 v1 机器学习
摘要
动态模态(DM)分解将时空信号分解为基本振荡分量(动态模态)。与传统的功率特征相比，动态模态配合非线性Grassmann核使用时可提高神经解码的精度。然而，此类基于核的机器学习算法存在三个局限：计算耗时大阻碍实时应用、与非核算法不兼容、以及可解释性低。在此，我们提出一种对应于Grassmann核的映射函数，将动态模态显式变换为空间动态模态(sDM)特征，该特征可用于任意机器学习算法。利用多种运动与视觉感知任务中记录的皮层脑电(electrocorticographic)信号，结果表明sDM特征相较于传统方法提升了解码精度并缩短了计算时间。此外，对解码具有信息量的sDM特征分量展现出与信号高-功率相似的特性，但具有更高的试次间可重复性。所提出的sDM特征实现了快速、准确且可解释的神经解码。
引用
@article{arxiv.2311.04225,
title = {Fast, accurate, and interpretable decoding of electrocorticographic signals using dynamic mode decomposition},
author = {Ryohei Fukuma and Kei Majima and Yoshinobu Kawahara and Okito Yamashita and Yoshiyuki Shiraishi and Haruhiko Kishima and Takufumi Yanagisawa},
journal= {arXiv preprint arXiv:2311.04225},
year = {2023}
}