On The Effects Of Data Normalisation For Domain Adaptation On EEG Data

https://arxiv.org/pdf/2210.01081

标题：On The Effects Of Data Normalisation For Domain Adaptation On EEG Data (关于数据归一化对领域适应在脑电图数据中的影响)

作者：Andrea Apicella, Francesco Isgrò, Andrea Pollastro, Roberto Prevete

所属单位：Department of Electrical Engineering and Information Technology, University of Naples Federico II, Naples, Italy (意大利那不勒斯联邦第二大学电气工程与信息技术系) 

关键字：BCI, EEG, domain shift, normalization, scaling, preprocessing

网址：https://arxiv.org/pdf/2210.01081 或 https://doi.org/10.1016/j.engappai.2023.106205

总结：

(1) 本文的研究背景是解决在机器学习中的数据集转移问题，即训练集和测试集可能遵循不同的概率分布，在脑机接口（BCI）领域，脑电图（EEG）作为生物信号经常使用，因为EEG信号在时间上和不同受试者之间都具有高度非平稳性。

(2) 过去的方法主要是基于领域适应的迁移学习方法，但是对于这些方法改进的实际原因尚不清楚，本文关注数据归一化和标准化策略在领域适应中的影响，通过实验评估了不同归一化策略在有无领域适应方法的情况下的性能表现。

(3) 本文提出了在领域适应方法中应用不同归一化策略的研究方法，使用SEED、DEAP和BCI Competition IV 2a EEG数据集进行实验评估，并比较了所获得的性能。

(4) 本文的方法实现了分类器在领域适应场景中的性能，并且有趣的是，在一些情况下，仅使用适当的归一化模式就超过了领域适应技术的表现。

8. 结论：

（1）：本文的意义在于研究领域适应中数据归一化对脑电图数据的影响，为解决机器学习中的数据集转移问题提供了指导，同时为BCI领域的数据处理方法提供了改进的思路。

（2）：创新点：本文从数据归一化的角度研究了领域适应问题，在领域适应方法中加入了不同归一化策略的比较，探索了归一化对领域适应性能的影响。性能表现：实验结果显示，在某些情况下，仅使用适当的归一化模式就可超过领域适应技术的表现。工作量：本文使用了SEED、DEAP和BCI Competition IV 2a三个EEG数据集进行实验评估，这需要相当的数据收集和处理工作量。

使用盲源分离进行脑电图伪影校正

https://arxiv.org/pdf/2306.16910

1. 标题：Ongoing EEG artifact correction using blind source separation（使用盲源分离进行持续EEG伪影校正）

2. 作者：Nicole Ille, Yoshiaki Nakao, Yano Shumpei, Toshiyuki Taura, Arndt Ebert, Harald Bornfleth, Suguru Asagi, Kanoko Kozawa, Izumi Itabashi, Takafumi Sato, Rie Sakuraba, Rie Tsuda, Yosuke Kakisaka, Kazutaka Jin, Nobukazu Nakasato

3. 所属单位：BesA GmbH, Gräfelfing, Germany（德国Gräfelfing的BesA有限责任公司）

4. 关键词：online artifact removal, electroencephalogram, blind source separation, independent component analysis, brain-computer interface, epileptic spike, seizure detection（在线伪影去除、脑电图、盲源分离、独立分量分析、脑机接口、癫痫尖波、抽搐检测）

5. 网址：https://arxiv.org/pdf/2306.16910 或 None

6. 总结：

(1): 本文的研究背景是为了解决分析持续EEG记录中伪影对癫痫尖波和抽搐检测以及脑机接口的影响。

(2): 过去的方法包括盲源分离（BSS）和独立分量分析（ICA）。这些方法存在问题，例如需要预先定义伪影模型、使用底层滤波器或降维方法、需要额外的多导联电极或参考信号。本文的动机是开发一种快速自动的算法，可以在连续EEG记录中进行伪影校正。

(3): 本文提出了一种基于快速盲源分离的算法来进行持续EEG伪影校正。该算法使用滑动窗口技术和空间、时间、频率域的特征来检测和校正眼球、心脏、肌肉和电源线的伪影。

(4): 该方法在一个独立的评估研究中对2035个标记的伪影进行了验证。验证结果表明，88%的伪影可以成功去除（眼球：81%，心脏：84%，肌肉：98%，电源线：100%）。该方法在伪影减少率和计算时间方面优于现有的方法。因此，该方法可以成功去除大部分的伪影，同时保留大部分的EEG信号，可用于在线系统中的伪影校正，例如癫痫尖波和抽搐检测或脑机接口。

8.结论：

(1): 这部作品的意义在于提出了一种快速自动的算法，可以有效地校正持续EEG记录中的伪影，对癫痫尖波和抽搐检测以及脑机接口等应用具有重要意义。

(2): 创新点：本文的创新点在于使用基于快速盲源分离的算法进行持续EEG伪影校正，同时结合滑动窗口技术和空间、时间、频率域的特征进行伪影检测和校正。

性能表现：验证结果显示，该方法能够成功去除88%的伪影，具体包括眼球（81%）、心脏（84%）、肌肉（98%）和电源线（100%）的伪影。该方法在伪影减少率和计算时间方面优于现有的方法。

工作量：本文的工作量包括对2035个标记的伪影进行了验证，并且开发了快速自动的算法进行持续EEG伪影校正。

序贯最佳臂识别及其在脑机接口中的应用

https://arxiv.org/pdf/2305.11908

1.标题：应用于脑机接口的顺序最佳臂识别（应用于脑机接口的顺序最佳臂识别）

2.作者：周鑫， 郝博涛， 康健， 托拉蒂摩尔， 李乐新

3.所属单位：周鑫 - 加州大学伯克利分校生物统计与流行病学系;Botao Hao - 谷歌Deepmind;Jian Kang - 密歇根大学生物统计系;Tor Lattimore - 谷歌Deepmind;Lexin Li - 加州大学伯克利分校生物统计与流行病学系

4.关键字：顺序最佳臂识别、脑机接口、BCI、脑电图、事件相关电位

5.网址：https://arxiv.org/pdf/2305.11908

6.总结：

（1）： 本文研究的背景是脑机接口（Brain-Computer Interface）。脑机接口是一种能够实现大脑与外部设备或计算机系统之间直接通信的技术。通过感知和记录大脑产生的电信号，并利用机器学习算法解析和提取有意义的指令和信息，使个体能够只用思维与设备进行交互。该技术在医学、康复和人体增强等领域具有广泛的应用潜力。

（2）： 过去的方法是使用非自适应的范例来进行脑机接口，将每个单词的选择视为独立的任务，导致学习过程冗长。这种方法的问题是效率低下。本文提出的方法的动机是提高采样效率，将问题转化为多臂赌博机中的一系列最佳臂识别任务，并利用预训练的大型语言模型（LLMs）来利用先前任务学到的先验知识，以从容地进行后续任务。

（3）： 本文提出了在固定置信度和固定预算设置下的顺序性的前两臂汤普森采样（STTS）算法。该算法在顺序性任务间利用了先前任务的先验知识，以提高学习效率和性能。

（4）： 本文的方法在合成数据分析和P300 BCI拼写器模拟器示例中证明了其在实验上的显著改进。这表明该方法在提高学习效率和性能方面具有潜力，支持了本文的目标。

 7. 方法：

（1）： 本文的方法使用了顺序最佳臂识别（Sequential Best-Arm Identification）的框架来解决脑机接口（Brain-Computer Interface，BCI）中的选择问题。该框架将问题形式化为多臂赌博机（Multi-Armed Bandit）的一系列任务，通过选择最佳臂来最大化累积奖励。

（2）： 本文的方法利用了预训练的大型语言模型（Large Language Models，LLMs）来利用先前任务学到的先验知识。通过将任务转化为文本生成，将每个选择看作生成一个词，利用LLMs对生成的词进行评估，从而预测最佳选择。

（3）： 本文提出了顺序前两臂汤普森采样（Sequential Two-Arm Thompson Sampling，STTS）算法，用于在固定置信度和固定预算设置下进行顺序任务。该算法在选取每个任务的最佳臂时，利用了先前任务的先验知识，以提高学习效率和性能。

（4）： 实验中，本文的方法在合成数据分析和P300 BCI拼写器模拟器示例中进行了验证。结果表明该方法在学习效率和性能方面都取得了显著改进，验证了该方法在解决BCI中选择问题的潜力。

8.结论：

（1）： 本文的意义在于提出了一种在脑机接口领域中应用的顺序最佳臂识别方法，以提高采样效率和性能，为脑机接口技术的发展做出了积极贡献。

（2）： 创新点：本文的创新点在于将脑机接口问题转化为多臂赌博机任务，并利用预训练的大型语言模型来利用先前任务的先验知识，提高学习效率和性能。性能表现：实验结果表明，该方法在合成数据分析和P300 BCI拼写器模拟器示例中都取得了显著改进，验证了其在学习效率和性能方面的优势。工作量：本文提出的方法需要实施合成数据分析和进行P300 BCI拼写器模拟器示例的实验，具体的工作量没有具体指定。

 

参考文献：

【1】Apicella A， Isgrò F， Pollastro A， et al.域自适应数据归一化对脑电数据的影响[J].人工智能工程应用， 2023， 123： 106205.

【2】Ille N， Nakao Y， Shumpei Y， et al.基于盲源分离的脑电伪影持续校正[J].arXiv预印本arXiv：2306.16910，2023。

【3】周旫， 郝斌， 康军， 等. 序贯最佳臂识别及其在脑机接口中的应用[J].arXiv预印本arXiv：2305.11908，2023。

创作声明：包含 AI 辅助创作