基于相空间的几何神经网络用于 BCI-EEG 解码
信号处理
2024-08-29 v3 人工智能
机器学习
神经元与认知
摘要
目标：与在计算机视觉等领域的成功相比，深度学习（DL）算法在脑信号分析方面的整合仍处于起步阶段。对于脑机接口（BCI）而言尤其如此，BCI 旨在无需肌肉控制即可解码脑活动以控制外部设备。脑电图（EEG）因其非侵入性、成本效益高以及优异的时间分辨率，成为设计 BCI 系统的广泛选择。然而，这也伴随着训练数据有限、信噪比低以及受试者间和受试者内记录存在较大变异性等代价。最后，部署具有多电极的 BCI 系统耗时较长，阻碍了可靠 DL 架构在研究实验室之外的 BCI 中的广泛采用。为了提高采用率，我们需要利用例如仅需少量电极即可运行的可靠算法来提升用户舒适度。方法：我们的研究旨在开发一种仅需少量电极即可提供有效结果的 DL 算法。利用增广协方差方法和 SPDNet 框架，我们提出了 Phase-SPDNet 架构，并分析了其性能及结果的可解释性。评估采用 5 折交叉验证进行，仅使用定位在运动皮层上方的三个电极。该方法在多个开源数据集的近 100 名受试者上进行了测试，使用了所有 BCI 基准之母（MOABB）框架。主要结果：Phase-SPDNet 的结果表明，增广方法与 SPDNet 相结合，在运动想象（MI）解码方面显著优于当前所有最先进的 DL 架构。意义：这种新架构具有可解释性且可训练参数数量较少。
引用
@article{arxiv.2403.05645,
title = {Geometric Neural Network based on Phase Space for BCI-EEG decoding},
author = {Igor Carrara and Bruno Aristimunha and Marie-Constance Corsi and Raphael Y. de Camargo and Sylvain Chevallier and Théodore Papadopoulo},
journal= {arXiv preprint arXiv:2403.05645},
year = {2024}
}