XiaoMi-AI文件搜索系统
World File Search System空间滤波
通过动态空间滤波对受损脑电图进行稳健学习
使用在实验室环境之外记录的 EEG 构建机器学习模型需要对噪声数据和随机缺失通道具有鲁棒性的方法。在处理稀疏 EEG 蒙太奇（1-6 个通道）时，这种需求尤其大，稀疏 EEG 蒙太奇经常出现在消费级或移动 EEG 设备中。经典机器学习模型和在 EEG 上端到端训练的深度神经网络通常都没有设计或测试对损坏的鲁棒性，尤其是对随机缺失通道的鲁棒性。虽然一些研究提出了使用缺失通道数据的策略，但当使用稀疏蒙太奇且计算能力有限（例如可穿戴设备、手机）时，这些方法并不实用。为了解决这个问题，我们提出了动态空间滤波（DSF），这是一个多头注意力模块，可以插入神经网络的第一层之前，通过学习关注好通道并忽略坏通道来处理缺失的 EEG 通道。我们在包含约 4,000 条模拟通道损坏记录的公共 EEG 数据和包含约 100 条自然损坏移动 EEG 家庭记录的私人数据集上测试了 DSF。当没有施加噪声时，我们提出的方法可实现与基线模型相同的性能，但当存在严重通道损坏时，其准确率比基线高出 29.4%。此外，DSF 输出是可解释的，因此可以实时监控有效通道重要性。这种方法有可能在通道损坏妨碍读取脑信号的具有挑战性的环境中实现 EEG 分析。
基于多目标优化的 SSVEP 脑机接口高通空间滤波
摘要 — 为了提高基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI) 的目标识别性能，已经提出了许多空间滤波方法。现有的方法倾向于仅使用来自同一刺激的训练数据来学习某个目标的空间滤波器参数，并且它们很少考虑来自其他刺激的信息或训练过程中的体积传导问题。在本文中，我们提出了一种新的基于多目标优化的高通空间滤波方法来提高 SSVEP 检测的准确性和鲁棒性。滤波器是通过最大化训练信号和来自同一目标的单个模板之间的相关性，同时最小化来自其他目标的信号与模板之间的相关性来得出的。优化还将受到滤波器元素之和为零的约束。在两组自采集的 SSVEP 数据集（分别包含 12 个和 4 个频率）上的评估研究表明，所提方法优于 CCA、MsetCCA、SSCOR 和 TRCA 等比较方法。所提方法还在 35 名受试者记录的公开 40 类 SSVEP 基准数据集上进行了验证。实验结果证明了所提方法对提升 SSVEP 检测性能的有效性。
通过动态空间滤波对受损脑电图进行稳健学习
使用在实验室环境之外记录的 EEG 构建机器学习模型需要对噪声数据和随机缺失通道具有鲁棒性的方法。在处理稀疏 EEG 蒙太奇（1-6 个通道）时，这种需求尤其大，这种蒙太奇经常出现在消费级或移动 EEG 设备中。经典机器学习模型和在 EEG 上端到端训练的深度神经网络通常都没有设计或测试过对损坏的鲁棒性，尤其是对随机缺失通道的鲁棒性。虽然一些研究提出了使用缺失通道数据的策略，但当使用稀疏蒙太奇且计算能力有限（例如可穿戴设备、手机）时，这些方法并不实用。为了解决这个问题，我们提出了动态空间滤波（DSF），这是一个多头注意力模块，可以插入神经网络的第一层之前，通过学习关注好通道并忽略坏通道来处理缺失的 EEG 通道。我们在包含约 4000 条模拟通道损坏记录的公共 EEG 数据和包含约 100 条自然损坏移动 EEG 家庭记录的私人数据集上测试了 DSF。当不施加噪声时，我们提出的方法可实现与基线模型相同的性能，但当存在严重通道损坏时，其准确度比基线高出 29.4%。此外，DSF 输出是可解释的，因此可以实时监控有效通道重要性。这种方法有可能在通道损坏妨碍读取脑信号的具有挑战性的环境中实现 EEG 分析。
用于条件间转移的自适应空间滤波
信号的非平稳性变化且通常与类别相关，这是将脑电图 (EEG) 认知工作负荷估计的常见发现从实验室实验转移到现实场景或其他实验时面临的一大挑战。此外，脑信号反映的实际认知工作负荷是否是估计的主要贡献，还是具有辨别力和与类别相关的肌肉和眼部活动（可能是工作负荷水平变化的次要影响），这通常仍是一个悬而未决的问题。在本研究中，我们研究了一种基于波束成形的适应变化设置的空间滤波新方法。我们将其与无空间滤波和常见空间模式 (CSP) 进行比较。我们在拖船模拟器上使用真实的操纵任务以及听觉 n-back 次要任务作为两种不同的条件来诱导专业拖船船长的工作负荷变化。除了典型的条件内分类外，我们还研究了不同分类方法在 n-back 条件和操纵任务之间转移的能力。结果表明，在具有挑战性的迁移设置中，所提出的方法比其他方法具有明显优势。虽然在两种情况下（22% 和 10%），无滤波平均导致条件内归一化分类损失最低，但我们使用自适应波束形成（30% 和 18%）的方法与 CSP（33% 和 15%）的表现相当。重要的是，在从一种设置转移到另一种设置时，无滤波和 CSP 导致性能接近偶然水平（45% 到 53%），而我们的方法则是唯一能够在所有其他场景（34% 和 35%）中进行分类的方法，与偶然水平有显著差异。场景中信号成分的变化导致需要调整空间滤波才能进行迁移。使用我们的方法，迁移是成功的，因为滤波针对神经成分的提取进行了优化，并且对其头皮模式的额外研究主要揭示了神经起源。有趣的发现是，模式在不同条件之间略有变化。我们得出结论：低归一化损失的方法依赖于眼睛和肌肉活动，这种方法在一定条件下可以成功进行分类，但在分类器转移中会失败，因为眼睛和肌肉的贡献高度特定于条件。
基于脑电图模拟的空间滤波方法的性能：对中风患者的BCI研究
该研究报告了中风后神经疗法的中风患者在操作基于运动构象的脑部计算机界面（MI-BCI）的表现，并比较了三种不同的BCI空间滤波技术。对五名中风患者进行了实验，这些患者总共进行了15次Mi-BCI疗程，以围to的肢体为目标。在每个会话的初始校准阶段收集了脑电图数据，并通过使用源功能共同调节（SPOC），频谱加权的常见空间模式（SPECCSP）和过滤器银行常见的空间模式（FBCSP）BCI方法制作单个BCI模型。FBCSP的准确性显着高于SPOC的准确性（85.1±1.9％vs. 83.0±1.9％； P = 0.002），而FBCSP的准确性略高于SPECCSP的准确性（85.1±1.9％vs. 83.8±2.0％; P = 0.068）。SPOC和SPECCSP之间没有明显差异（p = 0.616）。平均误报比率为16.9％，17.1％，14.3％，而SPECCSP，SPOC，FBCSP的平均假阴影分别为15.5％，16.9％，15.5％。总而言之，我们证明了中风患者能够控制MI-BCI，并且可以用作早期中风阶段中互补神经居住的MI-BCI方法。
用于可解释且高效的黎曼分类的切空间空间滤波器
摘要 — 目标：基于黎曼几何的方法已被证明是脑机接口 (BCI) 解码的良好模型。然而，这些方法受到维数灾难的影响，无法部署在高密度在线 BCI 系统中。此外，黎曼方法缺乏可解释性，导致人工制品决定分类性能，这在人工制品控制至关重要的领域（例如患者群体中的神经反馈和 BCI）是有问题的。方法：我们严格证明了切线空间上的任何线性函数与相应的派生空间滤波器之间的精确等价性。在此基础上，我们进一步提出了一组无需密集优化步骤的黎曼方法降维解决方案。使用开放式 BCI 分析框架，针对经典的常见空间模式和切线空间分类验证了所提出的流程，该框架总共包含 7 多个数据集和 200 个主题。最后，通过可视化相应的空间模式验证了我们框架的稳健性。主要结果：与经典的切线空间分类相比，所提出的空间滤波方法具有竞争力，有时甚至略好的性能，同时在测试阶段将时间成本降低了 97%。重要的是，无论通道数量多少，所提出的空间滤波方法的性能都只使用四到六个滤波器组件，这也通过可视化的空间模式进行了交叉验证。这些结果揭示了每个记录会话中存在潜在神经元来源的可能性。意义：我们的工作促进了对基于黎曼几何的 BCI 分类的理论理解，并允许更有效的分类以及从基于黎曼方法构建的分类器中去除伪影源。