基于几何机器学习的EEG信号处理
机器学习
2025-02-28 v2
摘要
脑机接口(BCI)具有变革性潜力，但解码神经信号 presents significant challenges。本文的核心论点是通过揭示高维脑波数据中存在的低维几何结构，以辅助下游BCI相关神经分类任务。我们演示了两种与脑电图(EEG)信号处理相关的管线：(1)去除单个EEG通道噪声的初步管线，和(2)探索EEG通道网络间几何结构的下游流形学习管线。我们使用两个EEG数据集进行初步验证，并将演示置于BCI相关的想象数字解码问题的背景下。我们的初步管线使用基于注意力的EEG滤波网络从单个EEG通道中提取干净信号。我们的主要管线使用快速傅里叶变换、拉普拉斯特征图、离散 Ricci 流（通过 Ollivier 的 Ricci 曲率概念）以及图卷积网络，对高维多通道EEG数据进行降维，以启用可正则化的下游分类。我们的系统在半合成神经去噪测试中以2 dB的测试相关系数>0.95实现了与现有信号处理和分类基准相当的性能；在区分数字思维与非数字思维的下游EEG分类中实现了0.97的分类准确率。结果仍属初步，需通过更广泛的后续研究进行验证；将这些结果推广到更大的跨主体样本规模、不同的硬件系统和更广泛的用例将至关重要。
引用
@article{arxiv.2502.05334,
title = {Geometric Machine Learning on EEG Signals},
author = {Benjamin J. Choi},
journal= {arXiv preprint arXiv:2502.05334},
year = {2025}
}
备注
Accepted in Proceedings of Machine Learning Research (PMLR), 2025