通过图拉普拉斯去噪改善脑连接状态的 J-散度

功能连接（FC）可表示为网络，并常用于更好地理解复杂任务（如脑机接口（BCI）中的运动想象（MI）检测）的神经基础。然而，连接性估计中的误差会影响检测性能。在本工作中，我们解决对常见连接估计去噪以改善不同连接状态可检测性的问题。具体而言，我们提出一种作用于网络图拉普拉斯的去噪算法，其利用了近期图信号处理成果。此外，我们推导了不同状态下去噪拉普拉斯的 Jensen 散度的新公式。在合成数据上的数值模拟表明，该去噪方法改善了对应于不同任务条件的连接模式的 Jensen 散度。进一步，我们将拉普拉斯去噪技术应用于从 MI-BCI 实验记录的真实 EEG 数据估计的脑网络。利用我们对 J-散度的新公式，能够量化运动想象与静息状态下 FC 网络间的距离，并理解每个拉普拉斯变量对两状态间总 J-散度的贡献。在真实 MI-BCI EEG 数据上的实验结果表明，拉普拉斯去噪改善了运动想象与静息心理状态的分离，并缩短了连接估计所需的时间区间。我们得出结论：该方法在稳健检测连接状态方面展现前景，同时对实时 BCI 应用中的实现具有吸引力。