【脑机接口每日论文速递】2023年8月6日

Multimodal Brain-Computer Interface for In-Vehicle Driver Cognitive Load Measurement: Dataset and Baselines

https://arxiv.org/pdf/2304.04273  2023-04-09

1. 标题： Multimodal Brain-Computer Interface for In-Vehicle Driver Cognitive Load Measurement: Dataset and Baselines（多模态车内驾驶员认知负荷测量的脑-机接口：数据集和基准）

2. 作者： Prithila Angkan, Behnam Behinaein, Zunayed Mahmud, Anubhav Bhatti, Dirk Rodenburg, Paul Hungler, Ali Etemad

3. 所属单位： Prithila Angkan所属单位未提及

4. 关键词： Driver, cognitive load, wearables, brain-computer interfaces, deep learning（驾驶员，认知负荷，可穿戴技术，脑-机接口，深度学习）

5. 网址： https://arxiv.org/pdf/2304.04273

 

6. 总结：

- (1)：本文的研究背景是通过多模态的脑-机接口测量车内驾驶员的认知负荷。

- (2)：过去的方法研究认知负荷主要集中在非车辆场景，并且很少探索脑-机接口和辅助可穿戴信号的结合。本文的动机是填补这些研究的空白，并且关注驾驶本身产生的认知负荷。

- (3)：本文提出了一种新的驾驶员认知负荷评估数据集，并将脑电图（EEG）信号与其他生理信号（如心电图和皮肤电反应）以及眼动数据结合。文中还提供了不同机器学习和深度学习模型的基准分类结果。

- (4)：本文的方法实现了测量驾驶员认知负荷的任务，并提供了基于数据集的分类结果。这些结果能够支持他们的研究目标。

7.结论：

- (1)：本文提出了一种新的多模态车内驾驶员认知负荷评估数据集，并将脑电图（EEG）信号与其他生理信号（如心电图和皮肤电反应）以及眼动数据结合。该研究填补了过去研究在车辆场景中认知负荷测量的空白，对于研究驾驶员的认知负荷具有重要意义。

- (2)：创新点：本文的创新点在于将多模态的脑-机接口应用于车内驾驶员认知负荷测量，结合了脑电图、心电图、皮肤电反应和眼动数据，提供了全面的认知负荷评估。

性能表现：通过使用本文提出的数据集，研究人员能够进行基于机器学习和深度学习模型的驾驶员认知负荷分类任务，并提供分类结果作为基准。

工作量：本文采集的数据集包含了21名参与者在不同驾驶条件下的脑电图、心电图、皮肤电反应和眼动数据，以及10秒间隔记录的主观自报认知负荷评分，数据量较大，工作量较大。

 

An embedding for EEG signals learned using a triplet loss

https://arxiv.org/pdf/2304.06495  2023-03-23

1.标题：EEG信号的三元损失学习的嵌入

2.作者：Pierre Guetschel, Théodore Papadopoulo, Michael Tangermann

3.所属单位：ENS Paris-Saclay（法国巴黎索克雷高等师范学校），Université Côte d’Azur, INRIA（法国地中海大学），Donders Institute for Brain, Cognition and Behaviour, Radboud University（荷兰Nijmegen的Donders脑、认知和行为研究所）

4.关键字：EEG（脑电图），embedding（嵌入），deep learning（深度学习），metric learning（度量学习），triplet loss（三元损失），ladder loss（阶梯损失），calibration（校准）

5.网址：https://arxiv.org/pdf/2304.06495，Github: None

 

 

6.总结：

- (1): 本文的研究背景是研究脑电图（EEG）或局部电位等神经生理时间序列记录的嵌入方法。

- (2): 过去的方法是使用深度学习模型或传统的机器学习方法进行脑电图的解码，但在脑-计算机接口（BCI）中，由于数据集规模较小，这些方法存在着困难。本文的方法旨在通过度量学习和嵌入技术来克服这些问题。

- (3): 本文提出了一种基于度量学习的嵌入方法，建立在最近提出的阶梯损失上。通过使用嵌入，可以兼具深度学习的良好泛化能力和鲁棒性以及传统机器学习模型的快速训练能力。

- (4): 在离线分析中使用了14名受试者的EEG数据，测试了嵌入的可行性，并将其效率与最先进的深度学习模型和传统机器学习流程进行了比较。结果表明，在同一受试者的运动任务分类中，嵌入显著提高了解码准确性。在不同受试者之间的迁移场景中，预训练的嵌入使得对新受试者进行快速微调成为可能，即使每类仅有少量试验，而这是常规深度学习模型无法实现的。但是，在将一个受试者完全分离出来进行测试而没有特定校准的情况下，嵌入方法并不具有竞争力。综上所述，本文提出使用度量学习获得EEG-BCI数据的预训练嵌入作为一种融入领域知识并在新受试者上达到有竞争力绩效的方法。

7. 方法：

- (1): 本文采用了基于度量学习的嵌入方法来解决EEG-BCI数据集规模较小的问题。嵌入方法是通过将EEG数据映射到一个低维空间中的新表示来实现的。

- (2): 在嵌入的过程中，本文采用了最近提出的阶梯损失。通过优化嵌入的目标函数，可以获得具有良好泛化能力和鲁棒性的嵌入表示。

- (3): 本文将嵌入方法应用于离线分析中的EEG数据。首先，使用14名受试者的EEG数据对嵌入进行训练。然后，使用训练好的嵌入将EEG数据映射到嵌入空间中。最后，使用嵌入表示进行运动任务的分类。

- (4): 针对分类任务，本文将解码准确性作为评估指标，并将嵌入方法与最先进的深度学习模型和传统机器学习流程进行比较。

- (5): 此外，本文还探讨了在不同受试者之间进行迁移学习的情况。通过使用预训练的嵌入表示，可以在新受试者上进行快速微调，即使每个类别仅有少量试验样本，而传统的深度学习模型无法实现这一点。

- (6): 最后，本文还评估了嵌入方法在没有特定校准的情况下的竞争力。结果显示，在将一个受试者完全分离出来进行测试时，嵌入方法的性能不如其他方法。因此，本文提出的嵌入方法适用于将领域知识融入并在新受试者上达到有竞争力的EEG-BCI解码任务。

8. 结论：

- (1): 本文的意义在于提出了基于度量学习的嵌入方法来解决小规模EEG-BCI数据集的问题，并探索了其应用于脑电图解码任务的有效性。

- (2): 创新点：本文创新地应用了度量学习的思想来进行EEG-BCI数据的嵌入表示，通过最新提出的阶梯损失函数，实现了具有良好泛化和鲁棒性的嵌入学习。

性能表现：在离线分析中，使用嵌入方法显著提高了解码准确性，超过了最先进的深度学习模型和传统机器学习流程。在迁移学习中，预训练的嵌入使得对新受试者进行快速微调成为可能，即使每类仅有少量试验样本，而传统深度学习方法无法实现。

工作量：本文采用了14名受试者的EEG数据进行实验，进行了嵌入的训练和离线分类任务。此外，作者还探讨了嵌入方法在没有特定校准的情况下的竞争性，并对嵌入方法的改进方向进行了讨论。

综上所述，本文的创新点在于利用度量学习的嵌入方法获得EEG-BCI数据的预训练嵌入，以融入领域知识并在新受试者上达到有竞争力的解码性能。尽管还有改进的空间，但该方法显示出了潜力，在未来的EEG-BCI研究中具有重要的实际应用前景。

Cross-Subject Deep Transfer Models for Evoked Potentials in Brain-Computer Interface

https://arxiv.org/pdf/2301.12322  2023-01-28

1.标题：Cross-Subject Deep Transfer Models for Evoked Potentials in Brain-Computer Interface （脑机接口中引发电位的跨主体深度转移模型）

2.作者：Chad Mello, Troy Weingart, Ethan M. Rudd

3.所属单位：U.S. Air Force Academy（美国空军学院）

4.关键字：Brain-Computer Interface, Evoked Potentials, Deep Transfer Models

5.网址：https://arxiv.org/pdf/2301.12322

6.总结：

- (1)：本文的研究背景是脑机接口技术在消费者和临床应用中的可行性问题。

- (2)：过去的方法是基于手工构造特征的传统分类器，并且存在诸多问题，如需大量数据收集、手工特征引入的偏置限制性以及跨主体相关性的忽视。因此，作者的动机是通过使用深度学习模型，直接处理经过滤波的脑电图信号，解决数据收集的负担和跨主体问题。

- (3)：本文提出的研究方法是使用深度学习模型，在多个主体的数据集上进行训练，从而实现在“开箱即用”情况下的良好性能，并通过迁移学习方法将模型适应到新的主体上。该方法通过减少每个主体的数据收集负担来应对挑战。

- (4)：本文的方法在基准测试中展示了良好的性能，并显著减少了每个主体的数据收集负担。这证明了作者的模型和方法可能改进脑机接口技术并提高其在消费者和临床中的可行性。

7. 方法：

- (1): 本文使用深度学习模型处理经过滤波的脑电图信号，以解决传统分类器中手工构造特征的问题。深度学习模型采用卷积神经网络（CNN）的架构，通过并行卷积层来处理不同时间尺度的特征响应，并利用元素求和操作来明确考虑不同时间尺度信息。同时，模型还采用最大池化和线性层等操作，最终将输出通过sigmoid函数进行分类。

- (2): 为了评估模型的性能，并验证其在多个主体上的泛化能力，本文针对两个评估场景进行实验。场景一是性能基准测试，将模型与传统分类器进行对比。在该场景下，使用已有数据集的训练、测试和验证集进行分割。场景二是迁移学习评估，通过将模型在已有数据集上进行预训练，并在新的主体上进行微调来进行评估。

- (3): 在迁移学习评估场景中，本文提出了几种不同的模型变体进行比较。其中，基线模型是将模型的权重初始化为Xavier初始化，并使用二元交叉熵损失函数在场景二的预训练分区上进行训练，然后在微调分区上进行微调和评估。此外，本文还提出了三种不同的预训练方法，包括同任务二进制预训练、自编码器预训练和孪生对比预训练。这些方法在预训练分区上使用不同的损失函数进行训练，并在微调分区上进行微调和评估。

8.结论：

- (1)：本文的意义在于探索采用深度学习模型处理经过滤波的脑电图信号，解决传统分类器中手工构造特征的问题。通过使用深度学习模型，该研究通过降低每个主体的数据收集负担，为脑机接口技术的发展和应用提供了新的方向。

- (2)：创新点：本文创新地采用深度学习模型直接处理脑电图信号，而不是依赖于传统分类器中的手工构造特征。

性能表现：从基准测试和迁移学习评估结果来看，该方法展示了较好的性能，相比传统分类器，显著减少了数据收集负担。

工作量：在模型训练方面，由于使用深度学习模型，需要较多的计算资源和训练时间。然而，相比传统方法，该方法减少了数据收集的工作量。

 

参考文献

[1]Angkan, Prithila et al. “Multimodal Brain-Computer Interface for In-Vehicle Driver Cognitive Load Measurement: Dataset and Baselines.” ArXiv abs/2304.04273 (2023): n. pag.

[2]Guetschel, Pierre et al. “An embedding for EEG signals learned using a triplet loss.” ArXiv abs/2304.06495 (2023): n. pag.

[3]Mello, Chad A. et al. “Cross-Subject Deep Transfer Models for Evoked Potentials in Brain-Computer Interface.” 2022 26th International Conference on Pattern Recognition (ICPR) (2022): 1062-1068.

 

创作声明：包含 AI 辅助创作