谱自适应共空间模式
信号处理
2022-02-10 v1 人机交互
摘要
共空间模式（CSP）方法被广泛用于脑电图（EEG）数据的特征提取，例如在运动想象脑机接口（BCI）系统中。它是一种数据驱动的方法，估计一组空间滤波器，使得滤波后的EEG信号功率在一个运动想象类别上最大化，而在另一个类别上最小化。然而，该方法容易过拟合，并且已知在标定数据有限时泛化能力差。此外，由于脑数据的高异质性和脑活动的非平稳性，CSP通常针对每个用户单独训练，导致较长的标定过程或频繁的重新标定，令用户疲惫。在本工作中，我们提出一种称为谱自适应共空间模式（SACSP）的新算法，通过学习每个空间滤波器对应的时间/频谱滤波器来改进CSP，使空间滤波器集中于每个用户最相关的时间频率。我们展示了SACSP相较于现有方法在从标定到在线控制提供更好泛化能力和更高分类准确率方面的有效性。此外，我们表明SACSP提供了关于滤波信号时间频率的神经生理学相关信息。我们的结果突出了BCI用户间运动想象信号的差异以及各类别生成信号的频谱差异，并显示了以数据驱动方式学习鲁棒的用户特定特征的重要性。
引用
@article{arxiv.2202.04542,
title = {Spectrally Adaptive Common Spatial Patterns},
author = {Mahta Mousavi and Eric Lybrand and Shuangquan Feng and Shuai Tang and Rayan Saab and Virginia de Sa},
journal= {arXiv preprint arXiv:2202.04542},
year = {2022}
}