【脑机接口每日论文速递】2023年7月21日

Orthogonal Extended Infomax Algorithm

https://arxiv.org/pdf/2306.09180  发表日期:2023年6月15日

1. 标题：Orthogonal Extended Infomax Algorithm（正交扩展Infomax算法）

2. 作者：Nicole Ille

3. 所属单位：BESA GmbH, Gräfelfing, Germany（位于德国Gräfelfing的BESA GmbH）

4. 关键字：blind source separation（盲源分离），independent component analysis（独立成分分析）, orthogonal-group ICA（正交群ICA），extended infomax（扩展Infomax），Bussgang algorithm（Bussgang算法），electroencephalogram (EEG)（脑电图），artifact removal（伪迹去除），brain-computer interface（脑机接口），spike detection（尖峰检测），seizure detection（癫痫发作检测）

5. 网址：https://arxiv.org/pdf/2306.09180，Github: None

 

6. 总结：

  - (1)：本文的研究背景是改进独立成分分析(ICA)算法，特别是Extended Infomax算法在分离亚高斯和超高斯信号时收敛速度较慢的问题。

  - (2)：过去的方法包括FastICA和Picard等算法，但它们在处理亚高斯和超高斯混合信号时有一定的限制，而Extended Infomax算法使用随机梯度优化，导致收敛速度慢。本文提出了一种改进的扩展Infomax算法，旨在通过使用完全乘法正交群更新方案来加速收敛。该方法的动机是为了实现更快的收敛速度和更好的分离亚高斯和超高斯信号的能力。

- (3)：本文提出的研究方法是将完全乘法正交群ICA算法与Extended Infomax中的非线性函数结合起来，通过迭代更新来对数据进行分离，最终得到正交扩展Infomax算法（OgExtInf）。

  - (4)：本文的方法在小型EEG数据集上展示了出色的性能，尤其适用于在线EEG处理系统（如脑机接口）或用于检测脑电图中的尖峰和癫痫发作的临床系统。该方法实现了对信号的盲源分离和伪迹去除任务，并展示了优于传统方法如FastICA和Picard的性能。

8. 结论：

- (1): 该研究的意义在于改进了独立成分分析算法，特别是Extended Infomax算法在分离亚高斯和超高斯信号方面的收敛速度问题，提供了更快的收敛速度和更好的分离性能。

- (2): 创新点：通过引入完全乘法正交群更新方案，提出了正交扩展Infomax算法（OgExtInf），实现了对亚高斯和超高斯信号的更好分离，并加速了收敛速度。

性能表现：在小型EEG数据集上展示了出色的性能，尤其适用于在线EEG处理系统（如脑机接口）或用于检测脑电图中的尖峰和癫痫发作的临床系统。

工作量：该研究所提出的方法需要进行相应的计算和迭代更新，但具体的工作量没有详细说明。

 

Emotion Detection from EEG using Transfer Learning

https://arxiv.org/pdf/2306.05680  发表日期：2023年6月9日

 

1.标题：Emotion Detection from EEG using Transfer Learning (使用迁移学习从 EEG 中检测情绪)

2.作者：Sidharth Sidharth, Ashish Abraham Samuel, Ranjana H, Jerrin Thomas Panachakel, Sana Parveen K

3.所属单位：Department of Electronics and Communication Engineering, College of Engineering Trivandrum, India (印度特里凡得琅工程学院电子与通信工程系)

4.关键字：Brain-computer interface, emotion detection, transfer learning, electroencephalogram, mean phase coherence, magnitude squared coherence, SEED EEG (脑-机接口，情绪检测，迁移学习，脑电图，平均相位相干性，平方幅度相干性，SEED EEG)

5.网址：https://arxiv.org/pdf/2306.05680

 

6.总结：

- (1):本文的研究背景是探索使用脑电图来检测情绪，在大脑-机器界面领域和康复医学中有重要的应用价值。

- (2):过去的方法包括通过面部表情、语言分析、生理信号、行为信号和生化信号等多种方式进行情绪检测。脑电图是一种用于测量大脑电活动的方法，在情绪检测中具有许多优势。然而，脑电图的数据可用性有限。该方法使用迁移学习和新颖的特征组合来解决数据不足的问题。

- (3):本文提出的研究方法是使用迁移学习从脑电图中检测情绪。该方法使用了基于Resnet50的基本模型，并采用了一种新颖的特征组合，将脑电图转换为图像矩阵进行处理。通过结合平均相位相干性和平方幅度相干性，以及从差分熵中提取的特征，改进了情绪检测的技术。

- (4):本文的方法主要实现了从脑电图中检测情绪的任务，并在数据集SEED EEG上进行了实验评估。实验结果表明，该方法的主观识别率为93.1%（基于10折交叉验证），客观识别率为71.6%（基于留一主体法）。这两个准确率至少是随机识别3个类别的准确率的两倍。研究结果证明了使用平方幅度相干性和平均相位相干性进行脑电图情绪检测的可行性。该方法未来的发展方向包括数据增强技术的应用、增强分类器和更好的特征提取。

7. 方法：

 - (1): 本研究使用了平均相位相干性（Mean phase coherence，简称MPC）和平方幅度相干性（Magnitude squared coherence，简称MSC）这两个特征来分类情绪。通过计算不同通道之间的MPC和MSC，利用Hilbert变换计算每个通道的相位，并使用MSC描述信号之间的线性关系。

 - (2): 所有通道之间的MPC和MSC值组成一个62x62的矩阵，上三角矩阵填充了MPC值，下三角矩阵填充了MSC值。矩阵的对角线元素没有特定信息，我们将每个通道的DE特征的均值放在对角线中。然后将这些矩阵转换成图像，将不同频段（alpha，beta和gamma波段）对应到RGB值上。这些图像作为输入，经过ResNet-50基于迁移学习的模型进行训练和分类。

 - (3): 对于情绪分类，进行了主体相关分类（subject-dependent classification）和主体无关分类（subject-independent classification）。在主体相关分类中，采用了10折交叉验证来避免因数据有限而导致的过拟合问题。在模型中添加了全局空间平均池化层、全连接层和逻辑回归层。在主体无关分类中，引入了2D卷积层、稠密层、扁平层和输出层，生成情绪三类的概率分布。

8. 结论：

- (1): 本研究的意义在于探索使用迁移学习从 EEG 数据中检测情绪。这对于大脑-机器界面领域和康复医学具有重要的应用价值。

- (2): 创新点：本文的创新之处在于提出了一种新颖的特征组合方法，将平均相位相干性和平方幅度相干性与差分熵结合，使得情绪检测的技术得到改进。性能表现：实验结果显示，主观识别率为93.1%，客观识别率为71.6%，这两个准确率都显著超过随机识别的准确率。工作量：本研究实验评估了从脑电图中检测情绪的任务，并在 SEED EEG 数据集上进行了实验。

 

 

 

The feasibility of combining communication BCIs with FES for individuals with locked-in syndrome

https://arxiv.org/pdf/2306.03159  发表日期：2023年7月17日

1.标题：The feasibility of combining communication BCIs with FES for individuals with locked-in syndrome（将脑机接口与电刺激相结合以改善完全瘫痪患者的交流能力的可行性）

2.作者：Evan Canny, Julia Berezutskaya

3.所属单位：Brain Center, department of Neurology and Neurosurgery, University Medical Center Utrecht, Utrecht, the Netherlands（荷兰乌得勒支大学医学中心神经内科与神经外科部脑中心）

4.关键字：communication BCI, functional electrical stimulation, locked-in syndrome, brain-computer interface（交流脑机接口，功能性电刺激，全身瘫痪综合征，脑机界面）

5.网址：https://arxiv.org/pdf/2306.03159

 

6.总结：

- (1): 本文研究的背景是，完全瘫痪患者由于全身瘫痪而无法与家人和亲人进行有效的交流。

- (2): 过去的方法是借助肌肉残存活动进行交流，但存在着技术局限性，不适用于所有病例。因此，将脑机接口与电刺激相结合，可以提供一种新的交流方式。

- (3): 本文提出的研究方法是将脑机接口与功能性电刺激相结合，通过捕捉脑神经活动，解码意图运动，并将其转化为控制信号，用于控制计算机或假肢设备。

- (4): 本文的方法能够提供一种新颖的交流模式，并为完全瘫痪患者恢复身体和面部运动提供帮助。然而，该方法的性能尚需进一步研究和验证。

8. 结论：

- (1): 本文研究的意义在于探索将脑机接口与功能性电刺激相结合，改善完全瘫痪患者的交流能力。

- (2): 创新点：将脑机接口与功能性电刺激相结合，提供一种新的交流方式。

性能表现：该方法能够解码脑神经活动，转化为控制信号，实现对计算机或假肢设备的控制。工作量：需要进一步研究和验证该方法的性能和可行性。

 

 

参考文献：
[1] Ille, Nicole. “Orthogonal Extended Infomax Algorithm.” (2023).

[2] Sidharth et al. “Emotion Detection from EEG using Transfer Learning.” ArXiv abs/2306.05680 (2023): n. pag.

[3] Canny, Evan and Julia Berezutskaya. “The feasibility of combining communication BCIs with FES for individuals with locked-in syndrome.” (2023).

 

创作声明：包含 AI 辅助创作