基于动态空间滤波的 corrupted EEG 鲁棒学习
机器学习
2021-05-28 v1 信号处理
神经元与认知
定量方法
机器学习
摘要
利用在实验室外环境中记录的 EEG 构建机器学习模型,需要方法对噪声数据与随机缺失通道具有鲁棒性。当使用稀疏 EEG 导联(1-6通道)时——这常见于消费级或移动 EEG 设备中——这一需求尤为迫切。经典的机器学习模型与端到端在 EEG 上训练的深度神经网络通常并非为鲁棒应对腐蚀(尤其是随机缺失通道)而设计或测试。尽管一些研究提出了使用含缺失通道数据的策略,但当使用稀疏导联且算力受限(如可穿戴设备、手机)时,这些方法并不实用。为应对该问题,我们提出动态空间滤波(DSF),一种多头注意力模块,可插入神经网络首层之前,通过学习聚焦于良好通道并忽略不良通道来处理缺失 EEG 通道。我们在涵盖约4000条带模拟通道腐蚀的公开 EEG 数据,以及约100条带自然腐蚀的居家移动 EEG 私有数据集上测试了 DSF。我们提出的方法在无噪声时达到与基线模型相同的性能,但在存在显著通道腐蚀时准确率最高超越基线达 29.4%。此外,DSF 输出具有可解释性,可实时监测通道重要性。该方法有望在通道腐蚀妨碍脑信号读取的严苛场景下实现 EEG 分析。
引用
@article{arxiv.2105.12916,
title = {Robust learning from corrupted EEG with dynamic spatial filtering},
author = {Hubert Banville and Sean U. N. Wood and Chris Aimone and Denis-Alexander Engemann and Alexandre Gramfort},
journal= {arXiv preprint arXiv:2105.12916},
year = {2021}
}
备注
42 pages, 9 figures