具有低秩激活的张量卷积稀疏编码及其在脑电图分析中的应用
机器学习
2020-07-13 v2 信号处理
机器学习
摘要
近来，对脑电图（EEG）谱图的分析日益受到关注，尤其是用于研究全身麻醉（GA）期间（无）意识的神经关联。事实上，已表明三阶张量（通道 × 频率 × 时间）是这些信号一种自然且有用的表示。然而该编码带来显著困难，尤其对卷积稀疏编码（CSC）而言，现有方法未利用张量表示的特性（如秩结构），且易受医疗行为中 EEG 固有的高水平噪声与扰动影响。为解决此问题，本文引入一种名为 Kruskal CSC（K-CSC）的新 CSC 模型，其利用激活张量的 Kruskal 分解来借助这些表示内在的的低秩本质，以提取相关且可解释的编码。我们的主要贡献 TC-FISTA 运用多种工具高效求解所得优化问题，尽管张量表示带来了递增的复杂度。随后我们在合成数据集与 GA 期间记录的真实 EEG 上评估 TC-FISTA。结果显示 TC-FISTA 对噪声与扰动具有鲁棒性，实现了对信号的准确、稀疏且可解释的编码。
引用
@article{arxiv.2007.02534,
title = {Tensor Convolutional Sparse Coding with Low-Rank activations, an application to EEG analysis},
author = {Pierre Humbert and Laurent Oudre and Nivolas Vayatis and Julien Audiffren},
journal= {arXiv preprint arXiv:2007.02534},
year = {2020}
}