通过密度比的正交分解学习皮质-肌肉依赖性
神经元与认知
2024-12-23 v2 人工智能
信号处理
摘要
皮质-脊髓神经通路是运动控制和运动执行的基础，在人类中通常通过同步脑电图(EEG)和肌电图(EMG)记录来研究。然而，当前用于捕捉这些记录之间高层次和上下文连接的方法存在重要局限性。本文提出了一种基于密度比正交分解的统计依赖性估计器的新应用，用于建模皮质和肌肉振荡之间的关系。我们的方法从传统的标量值度量扩展而来，通过从信号实现中学习密度比的特征值、特征函数和投影空间，解决了皮质-肌肉连接的可解释性、可扩展性和局部时间依赖性。我们实验证明，从皮质-肌肉连接中学习到的特征函数能够准确分类动作和受试者。此外，它们揭示了通道和时间依赖性，证实了运动期间特定EEG通道的激活。我们的代码可在 https://github.com/bohu615/corticomuscular-eigen-encoder 获取。
引用
@article{arxiv.2410.14697,
title = {Learning Cortico-Muscular Dependence through Orthonormal Decomposition of Density Ratios},
author = {Shihan Ma and Bo Hu and Tianyu Jia and Alexander Kenneth Clarke and Blanka Zicher and Arnault H. Caillet and Dario Farina and Jose C. Principe},
journal= {arXiv preprint arXiv:2410.14697},
year = {2024}
}