RISE-iEEG: 稳健于脑电刺入部位差异的静脉内脑电图分类器
神经元与认知
2025-12-09 v2 人机交互
机器学习
信号处理
摘要
静脉内脑电图(iEEG)因其高空间和时间分辨率,正在临床和脑机接口应用中日益受到关注。然而,脑电刺入部位之间的变异性为开发通用神经解码器带来了挑战。为此,我们提出一种稳健于脑电刺入部位变异性的解码器模型。我们称之为RISE-iEEG,即Robust to Inter-Subject Electrode Implantation Variability iEEG Classifier。RISE-iEEG采用前置参照者特定投影网络的深度神经网络结构。该投影网络将个体参照者的神经数据映射到共用的低维空间,从而补偿刺入部位的变异性。换言之,我们开发了一个可用于多个参照者数据上的iEEG解码器模型,无需为每个参照者获取电极坐标。我们在包括Music Reconstruction数据集和AJILE12数据集于内的多个数据集上评估了RISE-iEEG的性能,其性能优于HTNet和EEGNet等先进的iEEG解码器。我们的分析表明,相较于HTNet和EEGNet,RISE-iEEG在F1分数上提升约7%,平均F1分数达到0.83,是已评估方法中最高的结果。此外,我们对投影网络权重的分析显示,针对Music Reconstruction和AJILE12数据集,上颌叶和顶叶是关键编码节点,这与这些区域的主要生理原则相吻合。该模型在保持可解释性和泛化能力的同时,提高了解码准确率。
引用
@article{arxiv.2408.14477,
title = {RISE-iEEG: Robust to Inter-Subject Electrodes Implantation Variability iEEG Classifier},
author = {Maryam Ostadsharif Memar and Navid Ziaei and Behzad Nazari and Ali Yousefi},
journal= {arXiv preprint arXiv:2408.14477},
year = {2025}
}