基于黎曼几何的侵入式脑机接口脑状态分类
神经元与认知
2025-04-09 v1 机器学习
摘要
本研究探讨了基于黎曼几何的方法用于侵入性电生理记录的脑解码。尽管先前方法在非侵入式数据上已有应用，但针对通常较小且稀缺的侵入式数据集，黎曼几何的实用性尚未得到充分探索。本文提出了一种基于黎曼几何的方法，构建 Minimum Distance to Mean (MDM) 分类器，利用从侵入式局部场位(LFP)记录中提取的协方差矩阵实现不同脑状态动态下的脑解码。为进行基准测试，我们评估了本方法与卷积神经网络(CNN)和欧几里得 MDM 分类器的性能。结果表明，基于黎曼几何的分类方法在不同通道配置下均实现了优异的平均 F1 分数，并且训练所需计算时间最多缩短两个数量级。此外，几何框架揭示了不同脑状态下脑区的不同空间贡献，表明存在状态依赖性的组织结构，而传统基于时间序列的方法往往难以捕捉这一特征。我们的发现与先前研究相符，支持几何方法的有效性，并将其应用扩展到侵入式脑记录，凸显了其在更广泛临床应用中的潜力，如脑机接口等。
引用
@article{arxiv.2504.05534,
title = {Riemannian Geometry for the classification of brain states with intracortical brain-computer interfaces},
author = {Arnau Marin-Llobet and Arnau Manasanch and Sergio Sanchez-Manso and Lluc Tresserras and Xinhe Zhang and Yining Hua and Hao Zhao and Melody Torao-Angosto and Maria V Sanchez-Vives and Leonardo Dalla Porta},
journal= {arXiv preprint arXiv:2504.05534},
year = {2025}
}
备注
Preprint