UMM：无监督均值差最大化

许多脑机接口利用由视觉、听觉或触觉刺激诱发的大脑信号，即所谓事件相关电位（ERPs）。在视觉 ERP 拼写器应用中，屏幕上显示的字母集被随机闪烁，参与者注意于其想要拼写的靶字母。当该字母闪烁时，产生的 ERP 与任何其他非靶字母闪烁时不同。我们提出一种新的无监督方法来检测该被注意的字母。在每次试验中，对于我们可用的每个字母，我们的方法假设它实际上是被注意的字母，并基于这些假设中的每一个计算 ERP。我们利用只有真实假设产生类均值之间最大差异这一事实。注意，这种无监督方法不需要对底层实验范式做任何改变，因此可用于几乎所有基于 ERP 的设置。为处理有限数据，我们使用块 Toeplitz 正则化协方差矩阵来建模背景活动。我们实现了所提出的新型无监督均值差最大化（UMM）方法，并在脑机接口视觉拼写器数据集的离线重放中进行了评估。对于一个每次试验每个符号使用 16 次闪烁的数据集，UMM 在 25 名参与者中正确分类了 3654 个字母中的 3651 个（99.92%）。在另一个试验更少且更短的数据集中，54 名参与者每人两次会话共正确分类 7383 个字母中的 7344 个（99.47%）。即使在来自肌萎缩侧索硬化症患者的更具挑战性的数据集（77.86%）或使用听觉 ERP 的数据集（82.52%）中，UMM 获得的分类率也具有竞争力。此外，UMM 提供稳定的置信度度量，可用于监测收敛。