引入块托普利兹协方差矩阵以改进事件相关电位脑机接口中的线性判别分析
机器学习
2022-02-17 v2 神经元与认知
摘要
由于高维性，含噪多通道脑电图时间序列数据的协方差矩阵难以估计。在基于事件相关电位并使用线性判别分析（LDA）进行分类的脑机接口（BCI）中，解决该问题的最先进方法是通过收缩正则化。我们提出一种新思路，通过对LDA的协方差矩阵强制施加块托普利兹（block-Toeplitz）结构来解决此问题，该结构实现了对各通道短时间窗内信号平稳性的假设。在13种事件相关电位BCI协议下收集的213名受试者的数据上，所得的“ToeplitzLDA”相比收缩正则化LDA（最高提升6个AUC点）和黎曼分类方法（最高提升2个AUC点）显著提高了二分类性能。这转化为大幅提升的应用层性能，如在无监督视觉拼写应用期间记录的数据中所例证的，25名受试者的拼写错误平均减少了81%。除LDA训练的内存和时间复杂度更低外，ToeplitzLDA被证明即使面对二十倍的时间维度扩增也几乎不变，从而降低了对特征提取专家知识的需求。
引用
@article{arxiv.2202.02001,
title = {Introducing Block-Toeplitz Covariance Matrices to Remaster Linear Discriminant Analysis for Event-related Potential Brain-computer Interfaces},
author = {Jan Sosulski and Michael Tangermann},
journal= {arXiv preprint arXiv:2202.02001},
year = {2022}
}
备注
Updated references, changed layout