|
更多技術(shù)，第一時(shí)間送達(dá) 第1期腦機(jī)接口面臨的一個(gè)重大挑戰(zhàn)：如何處理個(gè)體差異，以便在不需要或不需要特定對象數(shù)據(jù)的情況下，獲得更好的學(xué)習(xí)效果？ 方法：我們提出了一種新的方法，在歐幾里德空間中對來自不同受試者的腦電實(shí)驗(yàn)進(jìn)行比對，使它們更加相似，從而提高新受試者的學(xué)習(xí)性能。 該方法有三個(gè)優(yōu)勢： 1）它直接在歐幾里德空間中對齊腦電試驗(yàn)，然后任何信號處理、特征提取和機(jī)器學(xué)習(xí)算法都可以應(yīng)用于對齊的試驗(yàn)； 2）它的計(jì)算成本非常低； 3）無監(jiān)督，無需要新對象的任何標(biāo)簽信息。 結(jié)果：在運(yùn)動(dòng)圖像分類和事件相關(guān)電位分類的離線和模擬在線實(shí)驗(yàn)中，該方法優(yōu)于最新的黎曼空間數(shù)據(jù)對準(zhǔn)方法和幾種沒有數(shù)據(jù)對準(zhǔn)的方法。 結(jié)論：提出的歐幾里德空間腦電數(shù)據(jù)對齊方法可以極大地促進(jìn)腦機(jī)接口系統(tǒng)的遷移學(xué)習(xí)。 論文地址： https://ieeexplore./document/8701679 導(dǎo)讀： 對于提供用戶連續(xù)位置控制的腦機(jī)接口（BCI），性能指標(biāo)或評估任務(wù)幾乎沒有標(biāo)準(zhǔn)化。菲茨定律(Fitt's Law)是一個(gè)候選指標(biāo)，該定律已用于描述一系列計(jì)算機(jī)界面上的目標(biāo)運(yùn)動(dòng)，最近已被應(yīng)用于BCI任務(wù)。對已有的研究回顧，我們發(fā)現(xiàn)了Fitts定律的兩個(gè)基本問題：其預(yù)測性能脆弱，并且不支持根據(jù)模型估算”信息傳輸率”。論文的主要貢獻(xiàn)是在BCI背景下，對Fitts定律的替代模型進(jìn)行了適應(yīng)和驗(yàn)證。論文中證明了香農(nóng)-威爾福德模型(Shannon–Welfordmodel)的性能優(yōu)于Fitts定律，當(dāng)目標(biāo)距離和寬度對難度造成不成比例的影響時(shí)，該模型具有很強(qiáng)的預(yù)測能力。 論文地址： https://ieeexplore./document/7502071/ 導(dǎo)讀： 論文中假設(shè)觀察到不同類別的視覺刺激會觸發(fā)不同的大腦狀態(tài)，這些狀態(tài)可以從無創(chuàng)腦電圖記錄中解碼出來。作者引入了一種有效的閉環(huán)BCI系統(tǒng)，該系統(tǒng)可以從同時(shí)出現(xiàn)的腦電波參數(shù)重建觀察到或想象得到的刺激圖像。重建后的圖像作為視覺反饋呈現(xiàn)給對象。 該開發(fā)的系統(tǒng)適用于訓(xùn)練BCI初學(xué)者，因?yàn)樗捎昧擞脩粲押们抑庇^的方式來利用視覺模式來改變大腦狀態(tài)。 神經(jīng)反饋模型的一般模式 圖像解碼器（ID）是圖像卷積自動(dòng)編碼器模型的一部分。編碼器部分基于預(yù)訓(xùn)練的VGG-11模型。解碼器部分由一個(gè)全連接的輸入層組成，用于增強(qiáng)尺寸，然后是5個(gè)反卷積塊，每個(gè)塊都包含一個(gè)反卷積層，然后激活采用ReLU。最終的反卷積塊包含雙曲正切激活層。解碼器產(chǎn)生192x192x3維的彩色圖像，如下圖。 圖像編碼器的網(wǎng)絡(luò)模型 論文地址： https://www./content/10.1101/787101v1 第2期基于腦電和特征加權(quán)階段訓(xùn)練的駕駛員疲勞狀態(tài)估計(jì) 該研究基于腦電信號（EEG）的疲勞駕駛檢測。論文考慮一個(gè)非常實(shí)用且非常具有挑戰(zhàn)性的場景：沒有關(guān)于新用戶的任何EEG數(shù)據(jù)（有標(biāo)簽的或無標(biāo)簽的），但是希望通過老用戶的帶標(biāo)注的EEG數(shù)據(jù)來建立一個(gè)模型，對新用戶實(shí)現(xiàn)即插即用的疲勞程度估計(jì)。 該論文將ET從分類擴(kuò)展到回歸，并將其應(yīng)用于基于EEG的駕駛員睡意估計(jì)中。論文的主要貢獻(xiàn)是： 1）提出了一種特征加權(quán)(FW)方案，該方案通過考慮不同腦區(qū)的重要性，自動(dòng)為每個(gè)特征分配權(quán)重。 2）將[1]中的ET從分類擴(kuò)展到回歸，并對其進(jìn)行簡化，在不犧牲泛化性能的前提下降低了計(jì)算成本。 3）我們將FW和ET集成到一個(gè)單獨(dú)的學(xué)習(xí)框架中，即特征加權(quán)情景訓(xùn)練(FWET)，以獲得比單個(gè)模塊更好的泛化性能。 FWET方法示意圖如下： 在15個(gè)用戶數(shù)據(jù)上，論文中的方法與其他方法的實(shí)驗(yàn)結(jié)果比較如下： （a）困倦狀態(tài)和警戒狀態(tài)的地形圖之間的差異。 （b）每個(gè)PSD特征和DI之間的皮爾遜(Pearson)相關(guān)系數(shù) 論文是由華中科技大學(xué) 伍冬睿教授 團(tuán)隊(duì)發(fā)表于 IEEE Trans. on Neural Systems and Rehabilitation Engineering 論文地址： https:///abs/1909.11456 第3期基于深度信念網(wǎng)絡(luò)的腦電圖情感分類 近年來，在使用深度網(wǎng)絡(luò)進(jìn)行無監(jiān)督的數(shù)據(jù)特征學(xué)習(xí)方面取得了巨大的成功，特別是對于圖像和語音。在該論文中，作者引入了深度學(xué)習(xí)模型來對基于腦電數(shù)據(jù)的情緒(積極和消極)進(jìn)行分類。論文從多通道腦電圖中提取的差分熵(Differential Entropy, DE)特征作為輸入,訓(xùn)練深度信念網(wǎng)絡(luò)(Deep Belief Network, DBN)。并且結(jié)合隱馬爾可夫模型(HMM)作為輔助方法來獲取更可靠的情感轉(zhuǎn)換狀態(tài)。論文中并比較了深度網(wǎng)絡(luò)模型、KNN、SVM和圖正則化極限學(xué)習(xí)機(jī)(GELM)的分類性能。在實(shí)驗(yàn)中，DBN-HMM，DBN，GELM，SVM和KNN的平均識別率分別為87.62％，86.91％，85.67％，84.08％和69.66％。實(shí)驗(yàn)結(jié)果表明，與當(dāng)時(shí)的情緒分類方法相比，DBN和DBN-HMM模型提高了基于EEG的情緒分類的準(zhǔn)確性。 下圖為論文中構(gòu)建的5種基于腦電的情緒分類方法，它們分別從多通道EEG數(shù)據(jù)中提取特征，訓(xùn)練分類模型。
利用差分熵提取特征 差分熵?cái)U(kuò)展了香農(nóng)熵的思想，并用于測量連續(xù)隨機(jī)變量的復(fù)雜性。研究表明，對于固定長度的腦電信號，差分熵等效于某個(gè)頻帶內(nèi)的對數(shù)能量譜。所以可以在五個(gè)子頻帶(δ: 1-3Hz, θ: 4-7Hz, α: 8-13Hz, β: 14-30Hz, γ: 31-50Hz)中計(jì)算差分熵。 由于腦電數(shù)據(jù)在高頻能量上具有較高的低頻能量，DE因而具有區(qū)分低頻和高頻能量腦電圖的平衡能力。在特定的EEG序列中，使用一個(gè)1s長的非重疊Hanning窗和一個(gè)包含512個(gè)采樣點(diǎn)的短時(shí)傅里葉變換來提取原始腦電信號的五個(gè)頻帶信號，并計(jì)算每個(gè)頻帶的差分熵。 分類器 深度信任網(wǎng)絡(luò)(DBN)是一種具有深度結(jié)構(gòu)的概率生成模型。它是通過將預(yù)定義的受限Boltzmann機(jī)(RBM)堆疊在一起構(gòu)建的，其中較低級別RBM的輸出是較高級別RBM的輸入，結(jié)構(gòu)如下圖所示，采用一種有效的貪婪逐層算法對每一層網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練。
實(shí)驗(yàn)數(shù)據(jù)與結(jié)果 選擇一些帶有特定情感的電影片段來幫助受試者產(chǎn)生需要的情感狀態(tài)。總共有12個(gè)片段(6個(gè)帶有積極情緒，6個(gè)帶有消極情緒), 每個(gè)片段持續(xù)時(shí)間約為4分鐘。 共有6名受試者(3名男性，3名女性)參與了該實(shí)驗(yàn)，每名受試者參與實(shí)驗(yàn)2次，2次實(shí)驗(yàn)之間間隔一周以上。[受試者視力正常或矯正視力正常和聽力正常]
上圖為單次實(shí)驗(yàn)的DE特征圖，如圖所示，高頻振蕩反映了積極和消極任務(wù)下腦電信號的不同響應(yīng)模式，這有助于情緒識別。 下圖為不同分類器在不同頻帶上的分類精度。從圖中可以看到，論文提出的方法在Gamma和Beta頻段的表現(xiàn)比其他頻段更好。
下表列出了6位受試者得到的實(shí)驗(yàn)數(shù)據(jù)在不同分類器和不同頻帶條件下的識別結(jié)果。KNN，SVM，GELM，DBN和DBN-HMM的精度平均值和標(biāo)準(zhǔn)偏差分別為69.66/19.80，84.08/9.66，85.67/9.37，86.91/7.62，87.62/7.48。 從表中可以看到，DBN-HMM和DBN模型比其它分類模型具有更高的平均準(zhǔn)確度和更低的標(biāo)準(zhǔn)偏差。從表的平均精度和標(biāo)準(zhǔn)偏差可以看出，GELM在低頻特征方面的表現(xiàn)優(yōu)于其它分類器，DBN在高頻特征和綜合所有頻率特征方面表現(xiàn)更好。
論文地址 https://ieeexplore./stamp/stamp.jsp?tp=&arnumber=6890166&tag=1 第4期
在這篇文章中，作者使用機(jī)器學(xué)習(xí)方法研究了情感識別過程中腦電圖（EEG）隨時(shí)間變化的穩(wěn)定模式。本論文專注于識別情緒識別中的腦電圖穩(wěn)定性，并使用DEAP數(shù)據(jù)集和SEED數(shù)據(jù)集，系統(tǒng)地評估了各種常用的特征提取、特征選擇、特征平滑和模式分類方法的性能。具有微分熵特征的判別圖正則化極值機(jī)器學(xué)習(xí)在DEAP和SEED數(shù)據(jù)集上分別達(dá)到69.67％和91.07％的平均準(zhǔn)確度。實(shí)驗(yàn)結(jié)果表明，穩(wěn)定的模式在不同時(shí)段表現(xiàn)出一致性。在β和γ譜帶中，外側(cè)顳區(qū)對積極情緒的激活程度比消極情緒的激活程度更多；中性情緒的神經(jīng)模式在頂葉和枕葉部位具有較高的alpha響應(yīng)；對于負(fù)面情緒，神經(jīng)模式在頂葉和枕葉部位具有明顯較高的delta響應(yīng)，在前額葉部位具有更高的gamma響應(yīng)。本論文中的情緒識別模型的性能表明，神經(jīng)模式在會話內(nèi)和會話間是相對穩(wěn)定的。 該論文在情緒識別中的主要貢獻(xiàn)： 1.開發(fā)了一個(gè)新的基于EEG的情緒數(shù)據(jù)集SEED; 2.論文在DEAP和SEED數(shù)據(jù)集上，對不同的特征提取、特征選擇、特征平滑和模式分類方法進(jìn)行了系統(tǒng)的比較和定性評價(jià)； 3.論文采用discriminative Graph regularized Extreme Learning Machine (GELM)去確定穩(wěn)定模式和用交叉會話計(jì)劃評估情緒識別模型的穩(wěn)定性。 SEED數(shù)據(jù)集 15名受試者(7男，8女)；實(shí)驗(yàn)要求：每個(gè)受試者進(jìn)行三次實(shí)驗(yàn)，每次實(shí)驗(yàn)間隔一周，每次實(shí)驗(yàn)有15次試驗(yàn)。
論文方法階段包括：特征提取、特征平滑、降維、分類 特征提取 論文中選擇了如下六種特征進(jìn)行了處理，并對使用了如下的波段。使用的電極位置如上圖。
特征平滑 論文中假設(shè)情緒狀態(tài)是在一個(gè)連續(xù)的空間中定義的，并且情緒狀態(tài)是逐漸變化的。該論文的方法側(cè)重于跟蹤腦電圖隨時(shí)間變化的情緒狀態(tài)。該方法將情緒變化的動(dòng)態(tài)特征引入到情緒識別中，并研究觀察到的腦電圖是如何從隱藏的情緒狀態(tài)產(chǎn)生的，并應(yīng)用應(yīng)用線性動(dòng)態(tài)系統(tǒng)(LDS)方法濾除與情緒狀態(tài)無關(guān)的成分。 降維 由于提取的特征可能和情緒狀態(tài)無關(guān)，會導(dǎo)致分類器的性能下降。因此在研究中，論文中比較了兩種常用的方法:主成分分析(PCA)和最小冗余最大關(guān)聯(lián)(MRMR)算法。 比較的結(jié)果是：PCA雖然可以降低特征維數(shù)，但不能保留變換后的信道、頻率等原始域信息。因此，選擇MRMR算法從初始特征集中選擇一個(gè)特征子集。MRMR算法使用互信息作為關(guān)聯(lián)度量，最大依賴準(zhǔn)則和最小冗余準(zhǔn)則。 分類 將提取的特征輸入到傳統(tǒng)模式分類器(k近鄰(KNN)、logistic回歸(LR)、支持向量機(jī)(SVM)), 以及新設(shè)計(jì)的模式分類器，判別圖正則化極限學(xué)習(xí)機(jī)(GELM)，構(gòu)建情感識別系統(tǒng)。 實(shí)驗(yàn) 論文中將該方法在兩種數(shù)據(jù)集(DEAP和SEED)上進(jìn)行了試驗(yàn) 在DEAP數(shù)據(jù)集中的試驗(yàn)： 論文首先提取論文首先提取32通道腦電圖數(shù)據(jù)的PSD、DE、DASM、RASM、ASM和DCAU特征。對DEAP數(shù)據(jù)集中的原始腦電圖數(shù)據(jù)進(jìn)行預(yù)處理，降采樣至128Hz，頻帶通濾波至4.0~45.0 Hz，去除EOG偽影。論文中提取了四個(gè)頻段的特征:theta: 4-7 Hz,alpha: 8-13 Hz, beta: 14-30 Hz, gamma: 31-45 Hz。利用線性動(dòng)態(tài)系統(tǒng)方法進(jìn)一步平滑特征。并選擇SVM和GELM作為分類器。在本研究中，作者使用具有線性核的SVM分類器，并將GELM的隱含層神經(jīng)元數(shù)量固定為輸入維數(shù)的10倍。實(shí)驗(yàn)中均采用五倍交叉驗(yàn)證，下表是支持向量機(jī)和GELM分類器對不同特征的平均正確率(%)
在SEED數(shù)據(jù)集上的試驗(yàn)： 下圖展示了從五個(gè)頻帶（δ、θ、α、β和γ）提取的六個(gè)不同特以及這五個(gè)頻帶的直接連接征的GELM分類器的平均精度。結(jié)果表明，從γ和β頻段獲得的特征比從其他頻段獲得的特征表現(xiàn)得更好，這意味著大腦活動(dòng)的β和γ振蕩與這三種情緒狀態(tài)的處理比其他頻率振蕩相關(guān)性更高。
所有參與者和不同情緒階段的平均神經(jīng)模式，這表明確實(shí)存在與積極，中性和消極情感相關(guān)的神經(jīng)特征。在β和γ譜帶中，外側(cè)顳葉區(qū)域?qū)Ψe極情緒的激活要多于消極情緒。盡管中性情緒的神經(jīng)模式與負(fù)性情緒的神經(jīng)模式相似，兩者在顳區(qū)的激活程度都較低，而中性情緒的神經(jīng)模式在頂葉和枕葉部位具有較高的α響應(yīng)。負(fù)性情緒模式在頂葉和枕葉部位具有明顯較高的δ反應(yīng)，在前額葉部位具有較高的γ反應(yīng)。
論文研究了論文提出的情緒識別模型在參與者和會話中的穩(wěn)定性，并發(fā)現(xiàn)該模型在參與者和會話中的性能比單個(gè)實(shí)驗(yàn)差。希望在一組參與者或會話的腦電圖數(shù)據(jù)上訓(xùn)練模型，并對來自其他未見參與者或會話的新數(shù)據(jù)進(jìn)行推理。然而，這在技術(shù)上是困難的，因?yàn)閰⑴c者之間的個(gè)體差異與腦電圖測量的固有變異性，如環(huán)境變量。不同的情緒有一些共同的神經(jīng)模式，但是對于不同的參與者和不同的會話，它們?nèi)匀话恍﹤€(gè)體差異，這可能導(dǎo)致潛在的概率分布在參與者與參與者之間或會話與會話之間發(fā)生變化。這就是為什么在每個(gè)參與者或會話上訓(xùn)練和測試的分類器的平均準(zhǔn)確率要遠(yuǎn)遠(yuǎn)高于在一組參與者或會話上訓(xùn)練和測試的分類器的平均準(zhǔn)確率。 論文實(shí)驗(yàn)結(jié)果表明：與積極、中性和消極情緒相關(guān)的神經(jīng)信號和穩(wěn)定的腦電圖模式確實(shí)存在。 論文地址： https://ieeexplore./document/7938737 第5期
基于典型相關(guān)分析和高斯混合聚類的腦電信號實(shí)時(shí)增強(qiáng) 作者團(tuán)隊(duì)：悉尼理工大學(xué)、臺灣新竹國立交通大學(xué) 導(dǎo)讀：腦電圖（EEG）信號通常被各種偽影所污染，例如與肌肉活動(dòng)，眼球運(yùn)動(dòng)和身體運(yùn)動(dòng)相關(guān)的信號。這種偽影的振幅大于大腦電活動(dòng)的振幅，因此它們掩蓋了感興趣的皮層信號，導(dǎo)致分析和解釋出現(xiàn)偏差。該論文提出了一種基于典型相關(guān)分析（CCA），特征提取和高斯混合模型（GMM）的實(shí)時(shí)偽影去除算法，以提高EEG信號的質(zhì)量。使用CCA將EEG信號分解為多個(gè)分量，然后進(jìn)行特征提取以提取代表性的特征，并使用GMM將這些特征聚類為組以識別和去除偽影。有效地消除腦電圖記錄中眨眼，頭部/身體移動(dòng)和咀嚼引起的偽影，同時(shí)保留對認(rèn)知研究有重要意義信號的時(shí)間和頻譜特征。
論文地址： https://www./journals/jhe/2018/5081258/
腦電情緒識別：腦功能連接網(wǎng)絡(luò)與局部激活信息結(jié)合導(dǎo)讀： 情緒狀態(tài)的轉(zhuǎn)變通常會激活腦電功率譜的變化。研究發(fā)現(xiàn)，不同的情緒狀態(tài)造成的腦電圖波譜的差異在腦電 α 頻帶較為明顯，且易于捕捉。情感反應(yīng)也與不同大腦區(qū)域之間的波譜變化有關(guān)。故而，不同腦區(qū)腦電圖波譜的變化能夠預(yù)測受試者不同的情緒狀態(tài)。 由于激活模式可以捕捉被試在感受不同情緒時(shí)大腦各個(gè)區(qū)域之間的功率差異，而不同大腦區(qū)域之間的連接模式則可以表現(xiàn)大腦進(jìn)行情感處理時(shí)的信息交互過程。該論文構(gòu)建了一種具有相位鎖定值的情緒相關(guān)腦網(wǎng)絡(luò)，采用多特征融合方法將補(bǔ)償激活信息與連接信息相結(jié)合進(jìn)行情緒識別，以提高情緒識別的能力。
特征選擇過程 激活模式主要反映被試者在不同情緒狀態(tài)下的能量差異。論文主要研究了功率譜密度(PSD)，微分熵(DE)，DASM，RASM，ASM，DCAU 這六個(gè)能量特征分布在不同情緒下的表現(xiàn)，如下圖所示。從圖中可以看到 beta 和 gamma 頻段產(chǎn)生了顯著差異。
論文地址： https://ieeexplore./document/8634938 第6期
導(dǎo)讀：腦機(jī)接口（BCI）使用神經(jīng)活動(dòng)作為控制信號，實(shí)現(xiàn)與計(jì)算機(jī)的直接通信。這種神經(jīng)信號通常是從各種研究透徹的腦電圖(EEG)信號中挑選出來的。卷積神經(jīng)網(wǎng)絡(luò)（CNN）主要用來自動(dòng)特征提取和分類，其在計(jì)算機(jī)視覺和語音識別領(lǐng)域中的使用已經(jīng)很廣泛。CNN已成功應(yīng)用于基于EEG的BCI；但是，CNN主要應(yīng)用于單個(gè)BCI范式，在其他范式中的使用比較少，論文作者提出是否可以設(shè)計(jì)一個(gè)CNN架構(gòu)來準(zhǔn)確分類來自不同BCI范式的EEG信號，同時(shí)盡可能地緊湊（定義為模型中的參數(shù)數(shù)量）。該論文介紹了EEGNet，這是一種用于基于EEG的BCI的緊湊型卷積神經(jīng)網(wǎng)絡(luò)。論文介紹了使用深度和可分離卷積來構(gòu)建特定于EEG的模型，該模型封裝了腦機(jī)接口中常見的EEG特征提取概念。論文通過四種BCI范式(P300視覺誘發(fā)電位、錯(cuò)誤相關(guān)負(fù)性反應(yīng)(ERN)、運(yùn)動(dòng)相關(guān)皮層電位(MRCP)和感覺運(yùn)動(dòng)節(jié)律(SMR))，將EEGNet在主體內(nèi)和跨主體分類方面與目前最先進(jìn)的方法進(jìn)行了比較。結(jié)果顯示，在訓(xùn)練數(shù)據(jù)有限的情況下，EEGNet比參考算法具有更強(qiáng)的泛化能力和更高的性能。同時(shí)論文也證明了EEGNet可以有效地推廣到ERP和基于振蕩的BCI。 網(wǎng)絡(luò)結(jié)構(gòu)圖如下：
實(shí)驗(yàn)結(jié)果如下圖，P300數(shù)據(jù)集的所有CNN模型之間的差異非常小，但是MRCP數(shù)據(jù)集卻存在顯著的差異，兩個(gè)EEGNet模型的性能都優(yōu)于所有其他模型。對于ERN數(shù)據(jù)集來說，兩個(gè)EEGNet模型的性能都優(yōu)于其他所有模型(p < 0.05)。
如下圖每個(gè)模型的P300，ERN和MRCP數(shù)據(jù)集的分類性能平均為30倍。對于P300和MRCP數(shù)據(jù)集，DeepConvNet和EEGNet模型之間的差異很小，兩個(gè)模型的性能均優(yōu)于ShallowConvNet。對于ERN數(shù)據(jù)集，參考算法（xDAWN + RG）明顯優(yōu)于所有其他模型。
下圖是對EEGNet-4,1模型配置獲得的特征進(jìn)行可視化， （A）每個(gè)空間過濾器的空間拓?fù)洹?/p> （B）每個(gè)濾波器的目標(biāo)試驗(yàn)和非目標(biāo)試驗(yàn)之間的平均小波時(shí)頻差。
下圖中第一排是使用DeepLIFT針對MRCP數(shù)據(jù)集的三個(gè)不同測試試驗(yàn)，對使用cross-subject訓(xùn)練的EEGNet-8,2模型進(jìn)行的單次試驗(yàn)?zāi)X電特征相關(guān)性：（A）高可信度，正確預(yù)測左手運(yùn)動(dòng); （B）高可信度，正確預(yù)測右手運(yùn)動(dòng); （C）低可信度，錯(cuò)誤預(yù)測左手運(yùn)動(dòng)。 標(biāo)題包括真實(shí)的類別標(biāo)簽和該標(biāo)簽的預(yù)測概率。 第二排是在兩個(gè)時(shí)間點(diǎn)的相關(guān)性空間分布圖：按鈕按下后大約50毫秒和150毫秒。與預(yù)期的一樣，高可信度試驗(yàn)顯示出分別對應(yīng)左（A）和右（B）按鈕對應(yīng)的對側(cè)運(yùn)動(dòng)皮層的正確相關(guān)性。對于低置信度的試驗(yàn)，可以看到相關(guān)性更加混雜且分布廣泛，而運(yùn)動(dòng)皮質(zhì)沒有明確的空間定位。
第7期
本論文在大規(guī)模的人類ECoG記錄的基礎(chǔ)上，提出了一種基于大腦皮層區(qū)域在時(shí)空微狀態(tài)下的概率共激活的功能網(wǎng)絡(luò)分割的新方法，揭示了一種由任務(wù)和休息大腦共享的大規(guī)模皮層網(wǎng)絡(luò)的概率和頻率特異性耦合機(jī)制。 基于靜息fMRI信號慢波動(dòng)的相關(guān)性，已經(jīng)建立了大規(guī)模的皮層網(wǎng)絡(luò)模式。然而，皮層網(wǎng)絡(luò)的電生理機(jī)制仍有待闡明。通過大規(guī)模的人類ECoG記錄，論文中提出了一種基于大腦皮層區(qū)域在時(shí)空微狀態(tài)下的概率共激活的功能網(wǎng)絡(luò)劃分的新方法。通過皮層電刺激（ECS）和體感誘發(fā)電位記錄對分離的網(wǎng)絡(luò)進(jìn)行了驗(yàn)證，結(jié)果表明其準(zhǔn)確性明顯高于傳統(tǒng)的長期相關(guān)方法。這為支持皮層網(wǎng)絡(luò)的動(dòng)態(tài)本質(zhì)提供了直接的電生理學(xué)證據(jù)。進(jìn)一步的分析表明，大腦范圍內(nèi)的連接可能是建立在ECoG功率包絡(luò)的耦合上，其公共載頻范圍從alpha到低beta(8-32Hz)。而且在這個(gè)特定頻率上的皮層網(wǎng)絡(luò)模式在不同的任務(wù)中被發(fā)現(xiàn)是一致的，這類似于靜息的網(wǎng)絡(luò)。上述功能網(wǎng)絡(luò)分割與功能核磁共振靜息網(wǎng)絡(luò)圖譜在個(gè)體中的高度相似性也表明，自發(fā)性BOLD信號的電生理基礎(chǔ)是帶限神經(jīng)振蕩的慢功率-包絡(luò)耦合。本論文的主要工作是關(guān)于直接人類記錄的發(fā)現(xiàn)揭示了一種由任務(wù)和靜息大腦共享的大規(guī)模皮層網(wǎng)絡(luò)的概率和頻率特異性耦合機(jī)制。
上圖為隨時(shí)間變化的連接模式到微觀狀態(tài)的時(shí)間聚類。 (A)從示范性患者的ECoG電極提取的功率包絡(luò)線在時(shí)間窗口內(nèi)具有不同的相關(guān)結(jié)構(gòu)。 (B)短時(shí)間段(5s)有限頻帶ECoG信號的成對相關(guān)矩陣。 (C)將每個(gè)相關(guān)矩陣的下三角矩陣重塑為向量。所有的向量都被組裝成代表大腦寬電極的時(shí)變連通性的時(shí)空模式。 (D)根據(jù)短時(shí)間片段的矢量化相關(guān)矩陣，時(shí)空模式在時(shí)間上聚集成10個(gè)電生理微狀態(tài)(EMS)。 (E) 平均每個(gè)ECoG電極對在微狀態(tài)下的相關(guān)性，構(gòu)成平均相關(guān)矩陣，然后在空間上聚集成五個(gè)子網(wǎng)絡(luò)。 (F)十個(gè)EMSs的平均配對相關(guān)模式，按它們與整體配對相關(guān)模式的一致性值排序。 下圖為基于CAP的功能網(wǎng)絡(luò)劃分驗(yàn)證。 (A)使用靜息ECoG的CAP方法進(jìn)行皮層網(wǎng)絡(luò)劃分，并通過皮層電模擬(ECS)和體感誘發(fā)電位(SSEP)定位皮層區(qū)域。ECS/SSEP映射中的藍(lán)點(diǎn)(左列)表示負(fù)電極，黃色點(diǎn)表示正電極。在parcellation mappings(右列)中，具有相同顏色的電極位于相同的功能網(wǎng)絡(luò)中，黃色表示與ECS/SSEP結(jié)果相對應(yīng)的網(wǎng)絡(luò)。 (B)由S5的ECS(黃色星號表示)識別的手和舌區(qū)域的兩個(gè)示例電極所播撒的co-activation probability (CAP)值。兩個(gè)功能網(wǎng)絡(luò)內(nèi)外的電極分別為黃色和深藍(lán)色。網(wǎng)內(nèi)電極表現(xiàn)出較強(qiáng)的CAP值和相似的功率包絡(luò)波動(dòng)。 (C)功能網(wǎng)絡(luò)分割的敏感性、特異性和準(zhǔn)確性。使用ECS和SSEP評估9例ECS/SSEP定位患者的靜息ECoG功能分塊的準(zhǔn)確性。CAP-parcellation的效果明顯高于permutation test (*P< 0.05，***P < 10 6，單側(cè)t檢驗(yàn))。 (D)使用CAP和PEC方法進(jìn)行功能網(wǎng)絡(luò)劃分的準(zhǔn)確性比較。CAP法的劃分精度高于PEC法(*P < 0.01，單側(cè)t檢驗(yàn))，且兩種方法比permutation test更好。 (E) CAP和PEC方法的受試者可靠性是通過比較在同一患者中使用兩個(gè)獨(dú)立的靜息時(shí)段的分割結(jié)果來測量的。CAP方法的可靠性顯著高于PEC (*P < 0.001，單尾t檢驗(yàn))。
論文地址： https://www./science/article/pii/S1053811919309541 第8期
導(dǎo)讀 基于運(yùn)動(dòng)想象(Motor Imagery, MI)的腦機(jī)接口(BCI)分類存在的主要問題之一是由腦信號中偽影和非平穩(wěn)性的干擾引起的信息模糊性。其他包含錯(cuò)誤標(biāo)記或誤導(dǎo)性運(yùn)動(dòng)想象腦電圖試驗(yàn)的因素也可能導(dǎo)致訓(xùn)練數(shù)據(jù)集中存在不確定性，從而導(dǎo)致分類性能下降。該論文提出了一種新的基于多類運(yùn)動(dòng)想象EEG的BCI分類方法。針對偽影干擾，提出了一種基于AR-CSP的特征提取方法。并介紹了一種基于自調(diào)節(jié)自適應(yīng)共振理論的神經(jīng)模糊分類器--自調(diào)節(jié)監(jiān)督高斯模糊自適應(yīng)系統(tǒng)(SRSG-FasArt)。為了更有效地處理不確定性，論文中提出了一種基于元認(rèn)知自調(diào)節(jié)的學(xué)習(xí)算法。該算法優(yōu)先捕獲訓(xùn)練數(shù)據(jù)樣本，通過掃描數(shù)據(jù)模式和所創(chuàng)建規(guī)則中存在的知識內(nèi)容，自動(dòng)創(chuàng)建、升級或刪除模糊規(guī)則。該機(jī)制提高了SRSG-FasArt的泛化能力，防止了訓(xùn)練過度。實(shí)驗(yàn)數(shù)據(jù)是：BCI競賽IV數(shù)據(jù)集2a。利用該數(shù)據(jù)集對AR-CSP和SRSG-FasArt提出的協(xié)作框架的性能進(jìn)行了評估。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有框架相比，該論文提出協(xié)作框架BCI分類器，分類效果更準(zhǔn)確、更有效。 論文的主要貢獻(xiàn)有3點(diǎn)： 1)將眼部和面部肌肉偽影作為腦電圖記錄中最常見的污染原因，提出了一種剔除偽影的CSP (AR-CSP)特征提取方法。AR-CSP有效地降低了二分類MI任務(wù)中工件的影響。AR二分搜索CSP(AR-BCSP)也應(yīng)用于處理多類識別。 2)論文提出了一種自調(diào)節(jié)監(jiān)督高斯FasArt(SRSG-FasArt)來對所導(dǎo)出的特征進(jìn)行分類。為了更加有效地處理非平穩(wěn)性問題，在FasArt模型的基礎(chǔ)上，利用雙邊高斯模糊MFs建立了神經(jīng)模糊SRSG-FasArt框架。并設(shè)計(jì)改進(jìn)的模型結(jié)構(gòu)來提高模型的增量學(xué)習(xí)能力和降低過度訓(xùn)練的可能性。 3)針對SRSG-FasArt提出了一種基于元認(rèn)知的自調(diào)節(jié)學(xué)習(xí)算法，該算法能夠更有效地處理由于訓(xùn)練模式不當(dāng)和錯(cuò)誤標(biāo)記所帶來的不確定性。提出的元認(rèn)知學(xué)習(xí)算法提高了泛化能力，減少了類別擴(kuò)散和過度訓(xùn)練問題。 SRSG-FasArt結(jié)構(gòu)圖
二叉搜索分類一般通過將每個(gè)簇分層分成兩個(gè)簇來解決多類分類問題，直到得到一個(gè)類[1]的簇。下圖給出了AR-BCSP的樹應(yīng)用表示。在AR-BCSP中，首先計(jì)算一個(gè)基本的AR-CSP過濾，將四個(gè)類分成兩個(gè)主要的簇，每個(gè)簇包含兩個(gè)主要類。然后計(jì)算另外兩個(gè)AR-CSP過濾器集，以對每個(gè)主要集群中的兩個(gè)主要類進(jìn)行分類。從圖中可以看出，AR-BCSP需要計(jì)算3個(gè)AR-CSP過濾器組。在分類過程中，只需要兩個(gè)濾波器組就可以對每個(gè)試驗(yàn)的腦電圖數(shù)據(jù)進(jìn)行分類，完成四分類問題。
下圖為使用CSP、ROCSP和AR-CSP進(jìn)行特征提取并使用LDA作為分類器的分類準(zhǔn)確率(％)比較。
由上圖可以看出，AR-CSP在幾乎所有的受試者中都取得了較好的結(jié)果。受試者3和受試者9的結(jié)果與原始CSP相同，這意味著RoCSP和AR-CSP均未檢測到影響線性分類器LDA訓(xùn)練的偽影。受試者6的訓(xùn)練數(shù)據(jù)被RoCSP識別為不存在此類偽影，而通過應(yīng)用AR-CSP則改善了訓(xùn)練結(jié)果。 下圖為使用CSP進(jìn)行特征提取，使用LDA，F(xiàn)ASART，SRIT2NFIS和SRSG-FASART作為分類器進(jìn)行分類準(zhǔn)確性(％)比較。
由上圖可發(fā)現(xiàn)，與AR-CSP和SRSGFasArt相比，AR-CSP+SRSGFasArt具有更高的分類精度和更低的標(biāo)準(zhǔn)偏差，從而證明了協(xié)作框架對基于MI EEG的BCI中信息不確定性，具有更好的魯棒性。 論文地址 https://ieeexplore./document/7982748 2019年論文周報(bào)地址 |
|
|
