2 Fukunaga, I.、Hogen, Y.、Ito, Y.、Kanai, K. 和 Tsuchida, S. 所著《日本的潜在增长:其与价格和工资的关系问题》第 17 图,日本银行工作论文系列,24-E-16,2024 年。
2有关金融加速器的反馈机制,请参阅银行在信贷市场缺陷下的货币政策的研究论文(仅在日语中获得):福库纳加,I。,日本银行评论,第1期。2006-J-13(2006年7月)。
“健康与疾病的发展起源(DOHAD)” Hy Pothesis认为,在产前,新生儿和幼儿发展期间暴露的环境因素是成年和老年疾病的危险因素(福古纳加,2021年,2021年; Gluckman和Hanson,Hanson,2004年)。在2003年西奈山会议上关于“后来的神经退行性疾病的早期环境起源:研究和风险评估”的早期环境起源”,扩展了该假设以通过脑发育,并探索有毒物质对这一过程的影响(Landrigan等,2005)。产前和早期产后时期是大脑发育的重要时间,在该时间内建立大脑的基本结构。在这些时期内的干扰可能会对基本神经元电路的建立产生不利影响,从而削弱了大脑的基本结构。在脑细胞增殖,迁移或分化过程中暴露于毒物会导致发育不全(神经元种群降低),异端(神经元错误定位)或发育不良(异常配置的树突状疾病)
脑电图 (EEG) 数据包含复杂的时空结构,可反映大脑活动的持续组织。空间模式表征是众多 EEG 处理流程中不可或缺的步骤。我们提出了一种将 EEG 数据转换为频谱表示的新方法。首先,我们从每个受试者的 EEG 数据中学习特定于受试者的图。其次,通过对每个受试者图的归一化拉普拉斯矩阵进行特征分解,获得正交基,使用该基可以分解受试者的任何给定 EEG 图,从而提供数据的频谱表示。我们表明 EEG 图的能量与学习基的低频分量密切相关,反映了 EEG 图的平滑地形。作为这种 EEG 数据替代视图的概念验证,我们考虑解码两类运动想象 (MI) 数据的任务。为此,首先将频谱表示映射到判别子空间中,以使用由福永-孔茨变换 (FKT) 获得的投影矩阵来区分两类数据。然后对 SVM 分类器进行训练和测试,以根据得到的特征区分 MI 类别。该方法针对从特定于受试者的功能连接矩阵中提取的特征以及 BCI 竞赛 III 的数据集 IVa 上的四种替代 MI 解码方法进行了基准测试。实验结果表明,所提出的方法在区分 MI 类别方面优于其他方法,反映了 (i) 使用数据驱动的、特定于受试者的谐波基分解 EEG 数据,以及 (ii) 考虑类别特定于频谱曲线的时间变化的额外好处。
在脑电图 (EEG) 记录中,不同受试者之间和同一受试者内随时间推移都存在普遍且难以捉摸的受试者间和受试者内变异性 ( Saha and Baumert , 2020 )。受试者间变异性可归因于年龄、性别和生活习惯等因素,这些因素与大脑地形和电生理有关 ( Seghier et al. , 2004 ; Herzfeld and Shadmehr , 2014 ; Wu et al. , 2014 ; Seghier and Price , 2018 ; Antonakakis et al. , 2020 )。受试者内部的变异性可以解释为心理和生理的变化,例如疲劳、放松和注意力(Smith 等人,2005 年;Meyer 等人,2013 年;Nishimoto 等人,2020 年;Trinh 等人,2021 年;Hu 等人,2022 年)。受试者间和受试者内部的变异性对基于 EEG 的脑机接口 (BCI) 领域构成了重大挑战(Ray 等人,2015 年;Saha 等人,2017 年;Lee 等人,2019 年;Chikara 和 Ko,2020 年;Wei 等人,2021 年;Huang 等人,2022 年)。通过检测感觉运动节律 (SMR) 中的事件相关去同步/同步 (ERD/ERS),基于运动想象的 BCI (MI-BCI) 已被提出用于神经康复应用,范围从运动障碍、严重肌肉疾病和瘫痪患者到肢体运动恢复 (Wolpaw and Wolpaw, 2012; Mane et al., 2020)。然而,来自某个受试者的训练有素的 BCI 模型不能直接应用于另一个受试者。此外,先前的研究表明 BCI 效率低下的问题,有 10% 到 50% 的用户无法操作 MI-BCI 系统 (Vidaurre and Blankertz, 2010; Liu et al., 2020)。即使是对同一受试者,BCI 系统的性能也会随着时间的推移而下降。受试者间和受试者内变异性的存在导致传统机器学习泛化能力的下降,从而限制了MI-BCI的实用化应用(Ahn and Jun,2015;Saha等,2017)。在传统机器学习框架下,训练集和测试集需要独立同分布(IID)(Duda and Hart,2006)。然而,受试者间和受试者内的变异性使得IID条件假设不再成立。通过放宽IID假设的限制要求,迁移学习被认为是一种有效的方法,可以提高模型对受试者间和受试者内变异性的可重用性和泛化能力(Jayaram等,2016;Pan,2020)。已经提出了一系列方法将知识从源域迁移到目标域。不变表示的目的是寻找跨不同会话或主题的不变学习模型,例如正则化公共空间模式 (CSP) 和不变 CSP (Blankertz 等,2007;Cheng 等,2017;Xu 等,2019)。随着深度学习技术的发展,领域自适应方法已经提出并几乎完全主导了 BCI 应用领域(Li 等人,2010 年;Liu 等人,2012 年;Samek 等人,2013 年;Fukunaga,2013 年;Dagaev 等人,2017 年;Azab 等人,2019 年;Hong 等人,2021 年)。一些端到端优势和更强的特征学习能力受到了越来越多的关注(Autthasan 等人,2021 年)。虽然受试者间和受试者内的变异性对实际应用的挑战已逐渐被注意到,并且迁移学习可以在一定程度上弥补性能下降,但对受试者间和受试者内变异性的理解仍然有限。大多数研究人员将受试者间和受试者内的变异性视为类似类型的问题( Jayaram 等人,2016 年)。虽然受试者间和受试者内的变异性都会导致