基于黎曼几何的 EEG 方法综述
信号处理
2024-07-31 v1 人工智能
人机交互
机器学习
摘要
黎曼几何在脑机接口（BCI）解码中的应用之所以迅速受到关注，原因在于其简单性、精确性和鲁棒性，以及在全球 BCI 竞赛中所展示的迁移学习能力。本文综述了近期在深度学习与黎曼几何集成以增强 BCI 中 EEG 信号解码的最新进展。我们的综述自上一次大型综述（2017 年）更新后，比较了现代方法如何利用深度学习来改善处理 EEG 信号固有的非欧几里得数据结构。我们讨论了这些方法不仅如何解决噪声敏感性、非平稳性和校准时间长等传统挑战，还如何引入新的分类框架和信号处理技术，以显著降低这些限制。此外，我们识别了当前不足之处，并提出了在流形学习和黎曼基于分类方面的未来研究方向，聚焦于实际实现和理论扩展，如在流形上进行特征跟踪、多任务学习、特征提取和迁移学习。本综述旨在搭建理论研究与实际应用之间的鸿沟，使其对 BCI 改进具有可访问性和可操作性。
引用
@article{arxiv.2407.20250,
title = {Riemannian Geometry-Based EEG Approaches: A Literature Review},
author = {Imad Eddine Tibermacine and Samuele Russo and Ahmed Tibermacine and Abdelaziz Rabehi and Bachir Nail and Kamel Kadri and Christian Napoli},
journal= {arXiv preprint arXiv:2407.20250},
year = {2024}
}