欢迎光临散文网 会员登陆 & 注册

【脑机接口每日论文速递】2023年7月18日

2023-07-18 11:32 作者:Brainbase-Future  | 我要投稿

EEG Decoding for Datasets with Heterogenous Electrode Configurations using Transfer Learning Graph Neural Networks

https://arxiv.org/pdf/2306.13109  发表日期:2023.6.20

1.标题:EEG Decoding for Datasets with Heterogeneous Electrode Configurations using Transfer Learning Graph Neural Networks(利用转移学习图神经网络进行异构电极配置数据集的EEG解码)

2.作者:Jinpei Han, Xiaoxi Wei, A. Aldo Faisal

3.所属单位:Brain & Behaviour Lab, Department of Computing, Imperial College London, London SW7 2AZ, United Kingdom.(伦敦帝国理工学院计算机系大脑与行为实验室)

4.关键字:Brain-Computer Interface, EEG Signal, Motor Imagery, Heterogeneous Datasets, Transfer Learning, Graph Neural Network, Domain Adaptation(脑机接口,脑电信号,运动想象,异构数据集,转移学习,图神经网络,领域适应)

5.网址:[pdf](https://arxiv.org/pdf/2306.13109),Github: None


6.总结:

- (1): 本文研究背景是针对不同实验室和实验室内不同年份收集的数据在记录设备和电极布局上存在差异,导致数据分布的变化,数据维度的变化和数据维度的改变,难以将数据合并在一起。

- (2): 过去的方法没有解决不同电极布局的数据合并问题,本文提出了一种结合图神经网络 (GNNs) 和转移学习方法的框架,以解决非侵入性的运动想象 (MI) EEG解码问题。该方法的动机是为了从不同的数据集中学习,以克服实验设置的非统一性限制。

- (3): 本文提出了一种新的机器学习框架,将图神经网络 (GNNs) 和转移学习方法相结合,用于不同电极布局和不同数量电极的脑电数据的解码。作者利用了收集了不同数量脑电传感器(从22通道到64通道)和布局(从定制布局到10-20布局)的三个运动想象 (MI) EEG数据库。

- (4): 该模型在测试数据集上达到了最高的准确性,并且具有较低的标准差。这表明基于图神经网络的转移学习框架可以有效地从具有不同电极布局的多个数据集中聚合知识,从而提高了独立于受试者的运动想象 (MI) EEG分类的泛化能力。这一研究的发现对于脑机接口 (BCI) 研究具有重要意义,它突出了一种克服非统一实验设置限制的有希望的方法。通过实现不同电极布局的多样数据集的集成,我们提出的方法可以推动脑机接口技术的发展和应用。

7. 方法:

- (1): 数据集准备:收集了三个不同电极布局和不同数量电极的运动想象 (MI) EEG数据库,包括22通道到64通道的多个电极布局。

- (2): 转移学习图神经网络 (GNNs):利用转移学习方法,从不同的数据集中学习,以克服实验设置的非统一性限制。使用图神经网络(GNNs)来利用电极之间的空间依赖关系,对脑电数据进行编码和解码。

- (3): 训练和测试:使用训练数据集训练模型,然后使用测试数据集评估模型的性能。通过对不同电极布局的多个数据集进行聚合知识,提高独立于受试者的运动想象 (MI) EEG分类的泛化能力。

8. 结论:

- (1): 本研究的意义在于提出了一种结合图神经网络 (GNNs) 和转移学习方法的框架,用于解决异构电极配置数据集中的脑电解码问题。该方法在聚合具有不同电极布局的多个数据集的知识方面具有优势,可以提高独立于受试者的运动想象 (MI) EEG分类的泛化能力。这一研究对于推动脑机接口 (BCI) 技术的发展和应用具有重要意义。

- (2): 创新点:本文创新地将图神经网络 (GNNs) 和转移学习方法相结合,用于解决异构电极配置数据集的脑电解码问题。通过使用GNNs来利用电极之间的空间依赖关系,可以更好地处理脑电数据中的空间信息。

     性能表现:实验结果表明,该方法在测试数据集上达到了最高的准确性,并具有较低的标准差,明显优于基线方法。这表明该方法可以有效地聚合具有不同电极布局的多个数据集的知识,从而提高了脑电信号分类的性能。

     工作量:本研究需要收集不同电极布局和不同数量的脑电数据集,并进行数据预处理和模型训练。然而,由于使用了现有的数据集,相对于新数据的收集和标记,工作负载相对较低。

 

 

 

 

 

SG-GAN: Fine Stereoscopic-Aware Generation for 3D Brain Point Cloud Up-sampling from a Single Image

https://arxiv.org/pdf/2305.12646  发表日期:2023年5月22日

1.标题: SG-GAN: Fine Stereoscopic-Aware Generation for 3D Brain Point Cloud Up-sampling from a Single Image (SG-GAN: 针对单一图像的精细立体感知3D脑点云上采样生成)

2.作者: Bowen Hu, Baiying Lei, Shuqiang Wang

3.所属单位: Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, School of Biomedical Engineering, Shenzhen University (深圳先进技术研究院,中国科学院,深圳大学生物医学工程学院)

4.关键词: 3D brain reconstruction, two-stage generating, free transforming module, point cloud up-sampling (3D脑重建,两阶段生成,无参数变换模块,点云上采样)

5.网址: https://arxiv.org/pdf/2305.12646  (代码链接: None)

 


 

6.总结:

- (1): 本文研究的背景是实施间接和狭窄手术环境下的微创脑手术时,3D脑重建至关重要。然而,一些新的微创手术(如脑机接口手术)对精度要求越来越高,传统的3D重建输出(如点云)面临着样本稀疏和精度不足的挑战。此外,高密度点云数据集稀缺,使得直接重建高密度的脑点云模型训练变得具有挑战性。

- (2): 过去的方法是使用2D MRI图像生成低密度点云模型,然后通过上采样方法将其转换为高密度点云模型。然而,由于缺乏高密度点云数据集和其他问题,直接从2D MRI图像生成目标高密度点云几乎是不可能的。因此,本文的动机是在生成高密度点云时,通过两阶段生成的方法,利用低密度点云模型描绘器官的初步形状和基本结构,再通过上采样过程纠正缺陷并还原感兴趣区域(ROI)的详细特征。

- (3): 本文提出的研究方法是使用一种名为SG-GAN的立体感知图生成对抗网络,分为两个阶段。第一阶段的GAN基于给定的MRI图像,将描绘器官的初步形状和基本结构生成为低密度点云。第二阶段的GAN利用第一阶段的结果,通过相似的结构生成具有详细特征的高密度点云。

- (4): 本文的方法实现了生成高密度点云的任务,并在视觉质量、客观测量和分类等性能方面显示出优越性。文中使用多个评估指标(包括点云之间的误差和Chamfer距离)对性能进行了综合评估。因此,绩效能够支持本文的目标。

7. 方法:

- (1): 使用预训练的2D Encoder将给定MRI图像转换为特征向量。

- (2): 使用无参数变换模块,将2D特征向量转换为3D初步点云描绘器的低密度表达。

- (3): 使用判别器网络和生成器网络构建第一阶段的GAN。判别器网络用于区分真实点云和生成点云,生成器网络用于生成更接近真实点云的低密度描绘器。

- (4): 使用嵌入式方法将第一阶段的生成点云嵌入到3D初始体积中,以对点云逐像素进行匹配。

- (5): 进行第二阶段的高密度点云生成。首先,利用将上一阶段生成点云和原始MRI图像输入生成器,生成更具详细特征的高密度点云。

- (6): 使用判别器网络对第二阶段生成的高密度点云进行评估,并通过通过强制学习和自监督学习进行优化。

- (7): 使用预训练的2D Decoder和第二阶段生成的高密度点云,通过投影生成经过细致再现的3D点云表示。

- (8): 对生成的高密度点云进行评估,包括与真实点云之间的误差和Chamfer距离。

8. 结论:

- (1): 本研究的意义在于提出了一种名为SG-GAN的新型图像到点云重建网络,针对BCI微创手术中现有的3D重建方法存在的低清晰度和低密度问题进行了改进。提出的SG-GAN能够实现3D脑重建技术,从而使手术导航获得更好的效果。

- (2):创新点:本文的创新点包括使用两个阶段的生成网络、无参数变换模块及嵌入式方法等技术,有效提高了重建准确性和细节再现能力。

性能表现:SG-GAN在视觉质量、客观测量和分类等性能方面表现优越,并使用多种评估指标对模型进行综合评估。

工作量:本文所提出的SG-GAN相较于一步到位的基础模型,能够充分利用原始图像的先验知识,提高重建精度,并通过多个生成阶段逐步纠正和提升重建点云的细节特征。

 

 

 

 

 

 

Decoding Brain Motor Imagery with various Machine Learning techniques

https://arxiv.org/pdf/2306.07519  日期:2023年6月13日

1.标题:Decoding Brain Motor Imagery with various Machine Learning techniques(使用机器学习技术解码大脑运动想象)

2.作者:Giovanni Jana, Corey Karnei, Shuvam Keshari

3.所属单位:Gel实验:None;POLiTag实验:None

4.关键字:Motor imagery, Machine learning, Brain computer interface, EEG signals, Decoder

5.网址:https://arxiv.org/pdf/2306.07519

 

6.总结:

- (1):本文的研究背景是研究运动想象技术在脑机接口实验中的应用,以调节运动皮层和大脑周围区域的脑活动。

- (2):过去的方法是通过使用传统电极和Gel电极进行实验,但面临着非稳态的EEG信号和个体差异的问题。作者的动机是不断探索新的方法解码脑信号,以改进BCI系统的性能。

- (3):本文提出了使用不同机器学习方法建立解码器,借助离线训练数据基于证据累积来实时预测受试者的意图。

- (4):该方法在每个受试者上进行解码器构建和多种机器学习技术测试。实验结果表明,该方法能够较准确地解码受试者的意图,支持其在BCI应用中的目标。

8.结论:

- (1):本研究的意义在于探索使用机器学习技术解码大脑运动想象的能力,以改进脑-机接口系统的性能。

- (2):创新点:本文创新地应用了机器学习算法解码EEG信号中的运动想象意图。

    性能表现:实验结果表明,该方法能够较准确地预测受试者的运动想象方向。

    工作量:本研究需要对每个受试者进行解码器构建和多种机器学习技术测试,涉及大量数据处理和模型训练工作。

 

参考文献

[1] Han, Jinpei et al. “EEG Decoding for Datasets with Heterogenous Electrode Configurations using Transfer Learning Graph Neural Networks.” ArXiv abs/2306.13109 (2023): n. pag.
[2] Hu, Bowen et al. “SG-GAN: Fine Stereoscopic-Aware Generation for 3D Brain Point Cloud Up-sampling from a Single Image.” ArXiv abs/2305.12646 (2023): n. pag.

[3] Jana, Giovanni et al. “Decoding Brain Motor Imagery with various Machine Learning techniques.” ArXiv abs/2306.07519 (2023): n. pag.

创作声明:包含 AI 辅助创作 

【脑机接口每日论文速递】2023年7月18日的评论 (共 条)

分享到微博请遵守国家法律