MapperEEG：面向脑状态聚类的拓扑方法
一般拓扑
2025-12-04 v2
摘要
背景：拓扑数据分析（TDA）已在众多领域中迅速发展，成为分析和理解高维数据集的有力工具。Mapper 是 TDA 中的一种工具，能够从高维数据中捕获低维结构，这正是从高维神经时间序列中获取相关信息所需的方法。电生理记录（EEG）因其非侵入性、相对经济的设备成本以及高时间分辨率，在临床应用和研究中广泛使用。然而，EEG 容易受到干扰、空间分辨率低且呈非平稳特性，因此需要先进的信号处理和数学分析方法来完成需要无监督脑状态聚类的任务。新方法：我们提出了MapperEEG，这是一种利用经典 EEG 分析方法结合Mapper技术进行无监督脑状态聚类的方法。结果：我们表明MapperEEG 可作为谱域中的聚类算法使用，并提供关于肌肉触碰任务中脑状态连通性的额外信息。此外，我们利用去/无-go 射击任务探讨MapperEEG 在其他聚类方法失效时仍能提供脑状态结构和聚类的洞见。与现有方法的比较：我们展示了其在识别触碰任务中的状态方面优于六种其他聚类算法，包括层次聚类、隐藏马尔可夫模型和基本自动编码器。结论：MapperEEG 提供了一种新颖且有效的 EEG 数据分析方法，显示出在脑状态聚类和分析方面的潜力。
引用
@article{arxiv.2504.10252,
title = {MapperEEG: A Topological Approach to Brain State Clustering in EEG Recordings},
author = {Brittany Story and Zhibin Zhou and Ramesh Srinivasan and Scott Kerick and David Boothe and Piotr J. Franaszczuk},
journal= {arXiv preprint arXiv:2504.10252},
year = {2025}
}