挖掘试次内振荡脑动态以解决优化空间滤波器的变异性
信号处理
2019-01-30 v2 机器学习
神经元与认知
应用统计
机器学习
摘要
数据驱动的空间滤波算法优化诸如两类条件间对比度等分数以提取振荡脑信号成分。然而，大多数用于滤波器估计的机器学习方法忽视试次内时间动态，并且对训练数据与所涉及超参数的变化极其敏感。这导致高度可变的求解结果，并妨碍了为例如神经技术应用选择合适候选方案。为促进成分自省，我们提议通过将从大量振荡成分的功能特征浓缩为同质簇来接纳这种变异性，每个簇代表特定的试次内包络动态。所提方法在一个具有丰富试次内结构的复杂手部用力任务上予以示例与评估。基于 18 名健康受试者的脑电图数据，我们发现这些成分的独特时间包络动态具有高度的受试者特异性。平均而言，我们每名受试者获得七个簇，这些簇在其底层频带方面受到严格限制。由于该分析方法不限于特定空间滤波算法，它可用于广泛的神经技术应用，例如为卒中康复中的脑机接口协议选择并监测功能相关特征。
引用
@article{arxiv.1804.10454,
title = {Mining within-trial oscillatory brain dynamics to address the variability of optimized spatial filters},
author = {Andreas Meinel and Henrich Kolkhorst and Michael Tangermann},
journal= {arXiv preprint arXiv:1804.10454},
year = {2019}
}