基于流形回归从 MEG/EEG 脑信号预测而无需源建模
信号处理
2019-11-25 v3 机器学习
机器学习
摘要
脑磁图与脑电图(M/EEG)能够实时、非侵入性地揭示神经元动态，因此在医学与神经科学中备受青睐。近期在脑-行为关系建模方面的进展凸显了黎曼几何在通过协方差总结 M/EEG 空间相关时间序列方面的有效性。然而，在伪迹抑制后，M/EEG 数据常常秩亏，这限制了黎曼概念的应用。本文中，我们聚焦于使用降秩协方差矩阵进行回归的任务。我们研究了两种黎曼方法，它们通过将传感器间 M/EEG 协方差投影到切空间来实现向量化。Wasserstein 距离可直接用于降秩数据但缺乏仿射不变性。这可通过寻找一个协方差矩阵为满秩的公共子空间来克服，从而实现仿射不变几何距离。我们在合成生成模型中研究了这两种方法的影响，由此能够控制用于预测的线性模型的估计偏差。我们表明 Wasserstein 与几何距离在生成模型上允许完美的样本外预测。我们随后在真实数据上评估了这些方法在从 M/EEG 协方差矩阵预测年龄方面的有效性。研究结果表明，数据驱动的黎曼方法优于不同的传感器空间估计器，并且接近需要 MRI 采集和繁琐数据处理的生物物理驱动源定位模型的性能。我们的研究建议所提黎曼方法可作为 M/EEG 自动化大规模分析的基础构建模块。
引用
@article{arxiv.1906.02687,
title = {Manifold-regression to predict from MEG/EEG brain signals without source modeling},
author = {David Sabbagh and Pierre Ablin and Gael Varoquaux and Alexandre Gramfort and Denis A. Engemann},
journal= {arXiv preprint arXiv:1906.02687},
year = {2019}
}