【脑机接口每日论文速递】【SSVEP】2023年7月16日

Time delay multi-feature correlation analysis to extract subtle dependencies from EEG signals

https://arxiv.org/pdf/2305.09478        2023.5.29 

1.标题：Time delay multi-feature correlation analysis to extract subtle dependencies from EEG signals（从EEG信号中提取微妙依赖关系的时间延迟多特征相关分析）

2.作者：Jarek Duda

3.所属单位：Jagiellonian University, Golebia 24, 31-007 Krakow, Poland（波兰克拉科夫雅盖隆尼安大学）

4.关键字：electroencephalography (EEG), multi-feature correlation analysis, time series analysis, time shift, signal processing, Granger causality, principal component analysis (PCA), hierarchical correlation reconstruction (HCR)（脑电图（EEG），多特征相关分析，时间序列分析，时间偏移，信号处理，格兰杰因果性，主成分分析（PCA），分级相关重建）

5.网址：https://arxiv.org/pdf/2305.09478

6.总结：

- (1): 本文研究背景是从EEG信号中提取微妙依赖关系，了解隐藏的大脑活动动态。

- (2): 过去的方法通常监测脑电图信号之间的相关性或互信息，但这种方法在揭示复杂行为方面相对无趣。本文的动机是寻找更细微的多种统计依赖关系。

- (3): 本文提出了时间延迟多特征相关分析的方法，通过对不同时间延迟的电极对之间的联合分布进行多项式建模，并利用主成分分析降低维度，获取主导联合密度畸变方向。通过这种方式，提取出描述已知贡献的统计依赖关系的几个特征，与Pearson相关性相互补充，可以提取出隐藏的更复杂行为。

- (4): 该方法实现了从EEG信号中提取微妙依赖关系的任务，并且比标准的Pearson相关系数能提取出更复杂的行为，如不对称性、特征延迟和周期性等。虽然这是早期的基础性研究，但未来可能有助于理解大脑的隐藏动态、诊断癫痫等病理状态、确定精确的电极位置或构建脑-计算机接口。

7.结论：

(1): 本文的意义在于开发了一种时间延迟多特征相关分析的方法，可以从EEG信号中提取微妙的依赖关系，揭示隐藏的大脑活动动态。

(2): 创新点：本方法通过多项式建模和主成分分析，提取出描述已知贡献的统计依赖关系的几个特征，补充了传统的Pearson相关性分析的不足之处。业绩：该方法能够提取出更复杂的行为特征，如不对称性、特征延迟和周期性。工作负载：虽然这是早期的基础性研究，但未来可能有助于理解大脑的隐藏动态、诊断癫痫等病理状态、确定精确的电极位置或构建脑-计算机接口。

Natural scene reconstruction from fMRI signals using generative latent diffusion

https://arxiv.org/pdf/2303.05334        2023.6.21

1.标题：Natural scene reconstruction from fMRI signals using generative latent diffusion 【使用生成潜在扩散进行基于fMRI信号的自然场景重建】

2.作者：Furkan Ozcelik和Rufin VanRullen

3.所属单位：Furkan Ozcelik属于CerCo, CNRS UMR5549和Universite de Toulouse；Rufin VanRullen属于CerCo, CNRS UMR5549、Universite de Toulouse和ANITI。

4.关键字：natural scene reconstruction, fMRI signals, generative latent diffusion

5.网址：https://arxiv.org/pdf/2303.05334 ， Github: None

6.总结：

- (1) 本文的研究背景是基于fMRI信号的感知自然图像重建。

- (2) 过去的方法使用统计技术和机器学习从fMRI神经活动中解码特定信息，但对于复杂场景图像，过去的方法在同时重建低级属性和高级特征方面通常失败。本方法的动机是利用生成潜在扩散模型的创新技术进行大规模复杂图像的重建。

- (3) 本文提出了一种名为“Brain-Diffuser”的两阶段场景重建框架。第一阶段使用VDVAE模型从fMRI信号重建捕捉低级属性和整体布局的图像。第二阶段使用基于预测的多模态(文本和视觉)特征的潜在扩散模型的图像到图像框架，生成最终重建的图像。

- (4) 采用公开可用的自然场景数据集基准测试，本方法在定性和定量上优于以前的模型。当应用于从个体ROI掩膜生成的合成fMRI模式时，训练好的模型能够创建与神经科学知识一致的“ROI优化”场景。因此，本文提出的方法对应用(例如，脑机接口)和基础神经科学都有影响。

7. 方法：

(1): 本文提出的方法是一种两阶段的场景重建框架，名为"Brain-Diffuser"。

(2): 第一阶段是使用变分深度生成模型(VDVAE)从fMRI信号中重建图像，该模型可以捕捉低级属性和整体布局的图像。

(3): 第二阶段是使用潜在扩散模型进行图像到图像的重建，该模型结合了基于预测的多模态特征，包括视觉和文本特征。

(4): 在第二阶段的潜在扩散模型中，通过学习重建图像的潜在空间中的扩散过程，从先验噪声中生成最终重建的图像。

(5): 为了验证该方法的效果，采用了公开可用的自然场景数据集进行基准测试。

(6): 通过定性和定量的评估指标，证明本文方法优于以前的模型。

(7): 此外，该方法还应用于个体ROI掩模生成的合成fMRI模式，能够创建与神经科学知识一致的"ROI优化"场景。

(8): 因此，本文提出的方法在应用(如脑机接口)和基础神经科学领域具有重要影响。

8.结论：

(1): 本文的意义在于提出了一种基于fMRI信号的自然场景重建方法，通过采用生成潜在扩散模型和两阶段的场景重建框架，该方法能够在定性和定量上优于以前的模型。这对于应用领域（如脑机接口）和基础神经科学具有重要影响。

(2): 创新点：本文的创新点在于提出了一种利用生成潜在扩散模型的技术进行大规模复杂图像的重建方法。该方法能够同时捕捉低级属性和高级特征，克服了以往方法在复杂场景图像重建中的失败。业绩：本文提出的方法在定性和定量的评估指标下优于以前的模型，通过公开可用的自然场景数据集进行了基准测试。此外，模型应用于合成fMRI模式时能够生成与神经科学知识一致的“ROI优化”场景。工作负载：本文的工作量包括对现有方法的回顾、提出两阶段的场景重建框架、设计生成潜在扩散模型，并进行定性和定量的评估。同时，还对合成fMRI模式进行了测试和验证，展示了方法的适用性。

BCI-Walls: A robust methodology to predict success or failure in brain computer interfaces

https://arxiv.org/pdf/2210.16939        2023.7.2

1.标题：BCI-Walls: 一种预测脑机接口成功或失败的强大方法

2.作者：Bernd Porr, Lucía Muñoz Bohollo

3.所属单位：University of Glasgow (英国格拉斯哥大学)

4.关键词：脑机接口，意识EEG变化，噪声，信噪比，非平稳噪声，肌肉活动，眼动

5.网址：https://arxiv.org/pdf/2210.16939, Github: None

6.总结：

(1): 本文研究的背景是脑机接口依赖于可靠的实时检测意识EEG变化，以控制视频游戏等操作。然而，头皮记录中存在非平稳的噪声，如肌肉活动和眼动，这干扰了检测过程，使其潜在地不可靠甚至不可能。

(2): 过去的方法包括独立成分分析（ICA）和各种滤波技术等离线处理方法，以及频域和时域的平均值计算等实时处理方法。然而，这些方法都对噪声剩余有限的效果，并且剩余噪声会严重干扰检测过程。本文的方法的动机是提出一种能够在非平稳噪声的存在下有效检测意识EEG变化的方法。

(3): 本文提出的研究方法是通过要求头皮记录的信噪比大于基于记录的噪声方差最高值和最低值的信噪比阈值（SNR-wall）来提供了一种可衡量的标准，用于确定是否能够在非平稳噪声存在的情况下检测到意识EEG变化。

(4): 本文通过记录中央电极Cz的信号，采用播放视频游戏和大声朗读等引起非平稳噪声的八种不同活动作为教学示例，结果显示面部肌肉活动和眼动对EEG的可检测性有很大影响，并且至关重要的是最小化眼动伪迹和肌肉噪声，以便能够检测到意识EEG变化。

7.方法：

(1): 通过记录中央电极Cz的信号，此信号包含了意识控制的EEG变化和非平稳噪声。

(2): 应用滤波技术对原始EEG信号进行预处理，包括DC和电源线干扰去除以及带通滤波。

(3): 基于信噪比的分析，使用SNR-wall作为衡量标准来确定是否能够检测到意识EEG变化。SNR-wall通过计算最大噪声方差和最小噪声方差之间的信噪比来获得。

(4): 计算SNR（信噪比）作为意识EEG变化的评估指标，通过将纯粹受意识控制的EEG信号功率与噪声功率进行比较来计算。

(5): 将SNR与SNR-wall进行比较，若SNR大于SNR-wall，则意味着能够检测到意识EEG变化；反之亦然。

(6): 收集来自20个健康参与者的数据，用于进行实验测试。

(7): 使用Attys数据采集设备进行数据获取，从Cz电极和A2接地获得单通道EEG记录。

(8): 数据预处理阶段对原始EEG信号进行有效处理，包括因果滤波和去除噪声。

(9): 运用PCA方法对独立成分分析(ICA)，通过离线处理方法，对记录的EEG信号进行处理。

(10): 通过不同的活动任务生成不同噪声方差的情形，如闭眼躺卧、张嘴等，从而确定最大噪声方差和最小噪声方差。

(11): 运用分析方法计算出SNR-wall和SNR，通过比较两者来确定是否能够检测到意识EEG变化。

(12): 实验中进行了8种不同活动的记录，包括闭眼躺卧、朗读、睡觉、看电视等，获取了相应的EEG数据。

(13): 通过实验过程中所获得的数据，验证了面部肌肉活动和眼动对EEG检测的影响，并强调最小化眼动伪迹和肌肉噪声的重要性。

8.结论：

(1): 本研究提出的方法在脑机接口领域具有重要的意义。通过使用信噪比阈值（SNR-wall）作为衡量标准，能够在非平稳噪声存在的情况下有效地检测意识EEG变化，提高了脑机接口的可靠性和稳定性。

(2): 创新点：本文提出了使用SNR-wall作为衡量标准的方法，通过对最大噪声方差和最小噪声方差之间的信噪比进行比较，来确定是否能够检测到意识EEG变化。这一方法在处理非平稳噪声方面具有优势。

性能：通过实验验证，本文的方法能够准确地检测到面部肌肉活动和眼动对EEG检测的影响，并强调了最小化眼动伪迹和肌肉噪声的重要性。

工作量：本文提出的方法需要一定的计算和数据处理工作，包括数据的预处理和滤波等步骤，但是通过有效的信噪比分析，可以提高工作效率。

参考文献

[1]Duda, Jarek. “Time delay multi-feature correlation analysis to extract subtle dependencies from EEG signals.”ArXivabs/2305.09478 (2023): n. pag.

[2]Ozcelik, Furkan and Rufin van Rullen. “Brain-Diffuser: Natural scene reconstruction from fMRI signals using generative latent diffusion.”ArXivabs/2303.05334 (2023): n. pag.

[3]Porr, Bernd and Luc'ia Munoz Bohollo. “BCI-Walls: A robust methodology to predict success or failure in brain computer interfaces.” (2022).