Основы ЭЭГ
- Схема оценки анализа независимых компонентов применительно к сигналу ЭЭГ: тестирование на алгоритме Пикарда(arXiv)
Автор: Гвеневер Франк, Скотт Макейг, Арно Делорм.
Аннотация: Анализ независимых компонентов (ICA) — это слепой метод разделения источников, который все чаще используется для разделения мозговой и немозговой активности в электроэнцефалографических (ЭЭГ) и других электрофизиологических записях. Его можно использовать для извлечения эффективных источников активности мозга и оценки их областей коры головного мозга, и он обычно используется в приложениях машинного обучения для классификации артефактов ЭЭГ. Ранее мы сравнили результаты разложения 13 71-канальных наборов данных скальповой ЭЭГ с использованием 22 алгоритмов ICA и других алгоритмов слепого разделения источников (BSS). В настоящее время мы делаем эту структуру доступной для научного сообщества и в процессе ее выпуска тестируем недавний алгоритм ICA (Picard), не включенный в предыдущий анализ. Наша тестовая среда использует три основных показателя для оценки производительности BSS: парная взаимная информация (PMI) между парами скальп-каналов; PMI, остающийся между парами компонентов после разложения; и полное (не попарное) сокращение взаимной информации (MIR), создаваемое каждым алгоритмом. Мы также измеряем «диполярность» карт проекций скальпа для разложенного компонента, определяемую количеством компонентов, чьи карты проекций скальпа почти совпадают с проекцией одного эквивалентного диполя. В этих рамках Picard работал так же, как Infomax ICA. Это неудивительно, поскольку Picard — это тип алгоритма Infomax, который использует метод L-BFGS для более быстрой сходимости, в отличие от Infomax и Extended Infomax (runica), которые используют градиентный спуск. Наши результаты показывают, что Picard работает так же, как Infomax, и также лучше, чем другие алгоритмы BSS, за исключением более сложной в вычислительном отношении AMICA. Мы опубликовали исходный код нашего фреймворка и тестовые данные через GitHub.
2.К применению методов XAI в системах на основе ЭЭГ(arXiv)
Автор:Андреа Апичелла, Франческо Исгро, Андреа Полластро, Роберто Превете
Аннотация: интересным случаем известной проблемы сдвига набора данных является классификация сигналов электроэнцефалограммы (ЭЭГ) в контексте интерфейса мозг-компьютер (BCI). Нестационарность сигналов ЭЭГ может привести к плохой производительности обобщения в системах классификации BCI, используемых в разных сеансах, в том числе от одного и того же субъекта. В этой статье мы начинаем с гипотезы о том, что проблему сдвига набора данных можно решить, используя подходящие методы объяснимого искусственного интеллекта (XAI) для обнаружения и преобразования соответствующих характеристик входных данных для цели классификации. В частности, мы сосредоточимся на экспериментальном анализе объяснений, полученных с помощью нескольких методов XAI в системе машинного обучения, обученной на типичном наборе данных ЭЭГ для распознавания эмоций. Результаты показывают, что многие релевантные компоненты, обнаруженные с помощью методов XAI, являются общими для сеансов и могут использоваться для построения системы, способной лучше обобщать. Однако соответствующие компоненты входного сигнала также сильно зависят от самого входа.
3.Перекрестная задача нейронной архитектуры Поиск классификаций сигналов ЭЭГ(arXiv)
Автор:Йикун Дуань, Чжэнь Ван, И Ли, Цзяньхан Тан, Ю-Кай Ван, Чин-Тэн Линь
Выдержка:Электроэнцефалограммы (ЭЭГ) — это динамика мозга, измеряемая вне головного мозга, которая широко используется в неинвазивных приложениях интерфейса мозг-компьютер. Недавно были предложены различные нейросетевые подходы для повышения точности распознавания сигналов ЭЭГ. Однако эти подходы в значительной степени зависят от созданных вручную сетевых структур для различных задач, которые, как правило, не используют один и тот же эмпирический дизайн для разных задач. В этой статье мы предлагаем структуру поиска нейронной архитектуры с перекрестными задачами (CTNAS-EEG) для распознавания сигналов ЭЭГ, которая может автоматически проектировать структуру сети для задач и повышать точность распознавания сигналов ЭЭГ. В частности, предлагается совместимое пространство поиска для перекрестного поиска и эффективный метод поиска с ограничениями для преодоления проблем, связанных с сигналами ЭЭГ. Унифицируя структурный поиск в разных задачах ЭЭГ, эта работа является первой, в которой исследуются и анализируются различия в искомой структуре для разных задач. Кроме того, благодаря внедрению поиска по архитектуре эта работа является первой, в которой анализируется производительность модели путем настройки структуры модели для каждого субъекта-человека. Подробные экспериментальные результаты показывают, что предложенный CTNAS-EEG может достичь самых современных результатов в различных задачах ЭЭГ, таких как визуализация движений (MI) и распознавание эмоций. Обширные эксперименты и подробный анализ служат хорошим ориентиром для последующих исследователей.
