【脑机接口每日论文速递】2023年8月1日

A self-paced BCI system with low latency for motor imagery onset detection based on time series prediction paradigm

https://arxiv.org/pdf/2204.05450 2022-04-11

1.标题：基于时间序列预测范式的低延迟自适应脑机接口系统

2.作者：Navid Ayoobi和Elnaz Banan Sadeghian

3.所属单位：Stevens Institute of Technology

4.关键字：自适应脑机接口、时间序列预测、低延迟、MI命令检测

5.网址：https://arxiv.org/pdf/2204.05450

 

6.总结：

- (1): 本文的研究背景是开发一种低延迟的自适应脑机接口系统，用于检测连续脑电信号中的运动想象命令的开始。

- (2): 过去的方法是通过在连续脑电信号上应用窗口函数并将其分割成较长的片段进行进一步分析来检测MI命令的开始。然而，由于宽窗口函数的使用，系统具有较高的延迟。本文的方法基于时间序列预测概念，利用先前接收到的时间样本的数据来预测即将到来的时间样本。通过将传入信号与预测信号进行比较，可以快速检测到MI命令的开始。该方法的动机是减少系统的延迟，提高自适应脑机接口系统对用户脑模式变化的快速反应能力。

- (3): 本文提出的研究方法是构建一个基于长短期记忆（LSTM）单元的编码器-解码器（ED）网络进行时间序列预测。该预测网络处理接收到的脑电信号，并预测即将到来的信号的未来时间样本。当接收到对应于预测样本的下一个时间样本时，可以通过比较这两个序列来检测MI命令的开始。预测序列的长度可以控制系统的延迟。

- (4): 本文的方法在BCI比赛第三项的IVc数据集上进行验证。仿真结果显示，与比赛获奖者得分相比，本文提出的算法在1秒以下的延迟情况下将平均F1分数提高了26.7%。本文方法的实现任务是检测连续脑电信号中MI命令的开始，并提供低延迟的自适应脑机接口系统。实验结果表明该方法的性能能够支持他们的目标。

7. 方法：

(1): 本文采用了基于时间序列预测的方法进行低延迟的自适应脑机接口系统的研究。该方法旨在检测连续脑电信号中的运动想象命令的开始。

(2): 过去的方法使用宽窗口函数对连续脑电信号进行分割，并对较长的片段进行进一步分析来检测MI命令的开始。然而，这种方法具有较高的延迟。因此，本文提出使用时间序列预测概念，通过利用先前接收到的时间样本的数据来预测即将到来的时间样本。通过比较传入信号与预测信号，可以快速检测到MI命令的开始。通过减少系统的延迟，提高自适应脑机接口系统对用户脑模式变化的快速反应能力。

(3): 本文采用了基于长短期记忆（LSTM）单元的编码器-解码器（ED）网络进行时间序列预测。编码器将接收到的脑电信号压缩成固定长度的上下文向量。解码器使用编码器的最终细胞状态、最终隐藏状态和一个零向量初始化细胞状态、隐藏状态和解码器的输入。通过对先前计算的样本的输出生成了ℓo个时间样本。将训练数据（N, ℓi, m′, q, v）和（N, ℓo, m′, q, v）张量作为输入和真实数据来训练p=m′×q个ED。分类交叉熵被用作损失函数，预测序列与接收序列之间的相似度通过计算用于检测MI命令开始的阈值调整。

8.结论：

(1): 本文提出的方法在自适应脑机接口系统领域具有重要意义。该方法利用时间序列预测概念，实现了对连续脑电信号中MI命令开始的快速检测，从而大大降低了系统的延迟。这为实时应用中的脑机接口系统提供了一种新的解决方案，使其能够更快地响应用户的意图。

(2): 从创新点、性能和工作量三个维度来总结本文的优缺点：

创新点：本文的创新点在于采用基于时间序列预测的方法进行低延迟的MI命令检测。通过利用先前接收到的时间样本的数据来预测即将到来的时间样本，系统可以快速检测到命令的开始，从而减少延迟。

性能：实验结果表明，与比赛获奖者得分相比，本文提出的算法在1秒以下的延迟情况下将平均F1分数提高了26.7%。这显示出了本方法在低延迟自适应脑机接口系统中的优越性能。

工作量：本文的方法需要构建一个基于LSTM的编码器-解码器网络进行时间序列预测。相对于传统方法，该方法可能需要更多的计算和模型训练时间。然而，由于该方法能够大大降低系统的延迟，对用户脑模式变化的快速反应能力更强，因此这种额外的工作量是值得的。

Frequency Superposition -- A Multi-Frequency Stimulation Method in SSVEP-based BCIs

https://arxiv.org/pdf/2104.12187 2021-08-11

1.标题：Frequency Superposition -- A Multi-Frequency Stimulation Method in SSVEP-based BCIs（频率叠加-基于SSVEP的多频刺激方法）

2.作者：Jing Mu, David B. Grayden, Ying Tan, and Denny Oetomo

3.所属单位：Department of Mechanical Engineering, The University of Melbourne, Parkville, VIC 3010, Australia（墨尔本大学机械工程系，澳大利亚维多利亚州帕克维尔市3010号）

4.关键词：SSVEP, BCI, frequency superposition, multi-frequency stimulation（SSVEP，BCI，频率叠加，多频刺激）

5.网址：https://arxiv.org/pdf/2104.12187（论文链接）

 

6.总结：

- (1): 本文研究的背景是SSVEP（steady-state visual evoked potential）是脑机接口中广泛应用的一种模式，但存在谐波和响应频率有限的问题，制约了进一步增加目标数量的能力。

- (2): 过去的方法主要是使用单一频率刺激，但随着目标数量的增加，性能会下降，并需要较小的频率差异。现有的多频率方法虽然能够处理更多的目标，但存在空间、时间、幅度和多模态等约束。因此，本文的方法旨在通过频率叠加来解决现有方法的问题。

- (3): 本文提出的研究方法是通过在不同频率上叠加刺激信号来实现多频刺激。该方法大小适中、可进行单步目标识别、对使用的频率范围没有严格限制，并且适用于自主式BCI。此方法不需要特定的光源，甚至可以使用单色光源。

- (4): 本文的方法在使用经典相关分析（CCA）解码从九名受试者收集的SSVEP数据时表现出了潜力。除了刺激频率和谐波外，SSVEP产生的波形还包括刺激频率的整数线性组合频率。实验结果展示了频率叠加方法在SSVEP-based BCI中的潜力，能够增加目标数量，并且性能可支持他们的目标。

7. 方法：

(1): 通过频率叠加方法生成独立信号，在每个目标刺激频率上生成信号。

(2): 在刺激介质上叠加这些信号，可以使用逻辑"或"（OR）操作或加法（ADD）操作来实现频率叠加。

(3): 实验设置包括一个由红色LED灯板构成的刺激设置和记录六个通道（PO3, POz, PO4, O1, Oz, O2）的EEG数据。参与实验的被试以距离LED板100厘米的姿势进行，实验过程中使用下巴支架来保持被试与LED板之间的稳定距离。

(4): 进行频率叠加刺激的实验协议包括不同频率对的呈现，每个频率对的试验持续40秒，开始以一个10秒的视觉提示开始，然后是30秒的刺激期，每两个试验之间有20秒的休息。

(5): 数据处理过程中，首先应用空间滤波器，通过从其它通道的平均值来减去通道Oz上的测量值。然后对空间滤波后的数据应用带通滤波器，并计算快速傅里叶变换（FFT）。

(6): 使用经典相关分析（CCA）进行解码，CCA是用于SSVEP的解码算法，用于比较测量的多通道EEG数据x(t)与参考集y(t)之间的相关性。参考集设计为包含基本频率和谐波的正弦信号。在没有关于频率叠加后SSVEP模式的先验知识的情况下，可以将标准的单频刺激SSVEP的CCA方法推广到多频刺激上。

(7): 最后，选择与数据相关程度最高的候选频率作为解码输出。

7.结论：

(1): 这部作品的意义是通过频率叠加方法解决了SSVEP-based BCI中单一频率刺激和多目标数量的限制，并展示了对多频刺激的潜力。

(2): 创新点：频率叠加方法通过在不同频率上叠加刺激信号实现多频刺激的目的，解决了现有方法的限制。

性能表现：在经典相关分析（CCA）解码下，频率叠加方法表现出了潜力，并且能够增加目标数量。

工作量：研究人员进行了对多名受试者的实验，收集了大量的SSVEP数据，并进行了详细的数据处理和分析。

Towards Best Practice of Interpreting Deep Learning Models for EEG-based Brain Computer Interfaces

https://arxiv.org/pdf/2202.06948 2023-04-17

1.标题：Towards Best Practice of Interpreting Deep Learning Models for EEG-based Brain Computer Interfaces (解读：解释基于脑机接口的深度学习模型的最佳实践)

2.作者：Jian Cui, Liqiang Yuan, Zhaoxiang Wang, Ruilin Li, Tianzi Jiang (解读：崔健，袁立强，王兆祥，李瑞林，蒋天梓)

3.所属单位：Research Center for Augmented Intelligence, Research Institute of Artificial Intelligence, Zhejiang Lab, Hangzhou, China (解读：浙江省人工智能研究院，杭州)

4.关键词：Brain-computer interface (BCI), convolutional neural network (CNN), deep learning interpretability, DeepLIFT, EEGNet, electroencephalography (EEG), integrated gradient, InterpretableCNN, layer-wise relevance propagation (LRP), saliency map (解读：脑机接口，卷积神经网络，深度学习可解释性，DeepLIFT，EEGNet，脑电图，整合梯度，可解释性CNN，分层相关传播，显著性图)

5.网址：https://arxiv.org/pdf/2202.06948 (解读：论文链接: https://arxiv.org/pdf/2202.06948)

 

6.总结：

(1): 本文研究的背景是基于脑机接口的深度学习模型在电生理（EEG）任务中取得了最先进的性能，为了理解模型所学到的内容，过去的方法主要是通过生成热图来解释模型决策。然而，对于这些解释结果的可信度和准确度的理解还不够，因此需要填补这一研究空白。

(2): 过去的方法是生成热图来解释模型决策。然而，这些方法存在一些问题，如解释结果在个体样本上的质量不一致，并且没有清楚说明为什么选择特定的解释技术。本方法的动机是基于这些问题，对不同的深度解释技术进行定量评估，并提出一个合适的解释技术选择方法。

(3): 本文提出了一种定量评估不同深度解释技术在EEG数据集上的方法，并探索了如何利用这些技术的最佳实践。通过评估结果，本文提出了一套程序，以可理解和可信赖的方式呈现样本级的解释结果。

(4): 本文的方法实现了对不同模型和数据集的EEG-based BCI的全面评价，并提供了关于七种知名解释技术在不同条件下的行为方式的见解。根据评估结果，本文提出了一套程序，允许样本级解释以可理解和可信赖的方式呈现。本文还通过不同场景的实例说明了方法的有用性。

7.结论：

(1): 这部作品的意义是为了填补基于脑机接口的深度学习模型解释性研究的空白，通过定量评估不同的深度解释技术在脑电图数据集上的表现，提供可理解和可信赖的样本级解释结果。

(2): 创新点：本文的创新点在于提出了一种定量评估方法，可用于比较不同解释技术在EEG数据集上的性能表现，并给出合适的解释技术选择方法。同时，该研究提供了一套程序，以可理解和可信赖的方式呈现样本级的解释结果。工作量：本文的工作量较大，涉及对不同模型和数据集的全面评估，以及对七种知名解释技术在不同条件下的行为方式进行实验。性能表现：通过定量评估，本文的方法为解释基于脑机接口的深度学习模型提供了有效的解释技术选择，提高了解释结果的可信度和准确度。

参考文献

[1]Ayoobi, Navid and Elnaz Banan Sadeghian. “A self-paced BCI system with low latency for motor imagery onset detection based on time series prediction paradigm.” (2022).

[2]Mu, Jing et al. “Frequency Superposition – A Multi-Frequency Stimulation Method in SSVEP-based BCIs.”2021 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC)(2021): 5924-5927.

[3]Cui, Jian and Bin Weng. “Towards Best Practice of Interpreting Deep Learning Models for EEG-based Brain Computer Interfaces.”ArXivabs/2202.06948 (2022): n. pag.

 

创作声明：包含 AI 辅助创作