【脑机接口每日论文速递】2023年7月22日
Short-length SSVEP data extension by a novel generative adversarial networks based framework
https://arxiv.org/pdf/2301.05599 发表日期：2023年6月19日
1.标题：Short-length SSVEP data extension by a novel generative adversarial networks based framework（使用中文翻译：基于新型生成对抗网络的短时SSVEP数据扩展）
2.作者：Yudong Pan, Ning Li, Yangsong Zhang, Peng Xu, Dezhong Yao
3.所属单位：中国西南科技大学计算机科学与技术学院，脑科学与医学人工智能实验室
4.关键字：brain-computer interface (BCI), steady-state visual evoked potential (SSVEP), electroencephalography (EEG), generative adversarial network (GAN)
5.网址：[论文链接](https://arxiv.org/pdf/2301.05599)
6.总结：
- (1):本文的研究背景是基于脑-计算机接口（BCI）的稳态视觉诱发电位（SSVEP）的高性能识别方法。
- (2):过去的方法包括训练依赖方法和基于用户的方法，他们在需要大量用户校准数据和短时间信号时表现不佳。本文提出的方法旨在通过基于生成对抗网络的数据生成来解决这些问题。
- (3):本文提出了一种基于生成对抗网络的信号转换网络，称为TEGAN，用于将短时SSVEP信号转换为长时人工SSVEP信号。通过引入一种新型U-Net生成器架构和辅助分类器作为网络架构的一部分，TEGAN能够在合成数据中产生条件特征。此外，本文还介绍了两阶段训练策略和LeCam散度正则化项，以规范GAN训练过程。
- (4):通过在两个公共SSVEP数据集上的实验评估，TEGAN的引入显著提高了传统频率识别方法和基于深度学习的方法在有限校准数据下的性能，并缩小了各种频率识别方法的分类性能差距。该研究证实了所提出方法在扩展短时SSVEP信号数据长度方面的可行性，为开发高性能BCI系统提供了潜在的机会。该方法在各种真实世界的基于BCI的应用中有缩短校准时间和减少预算的巨大潜力。
7. 方法：
- (1): 提出了一种基于生成对抗网络（GAN）的信号转换网络，名为TEGAN。TEGAN的目标是将短时SSVEP信号转换为长时人工SSVEP信号。
- (2): TEGAN采用了一种新型U-Net生成器架构和辅助分类器，用于合成数据并保留条件特征。生成器通过学习真实数据的分布来生成逼真的长时信号。
- (3): 引入了两阶段训练策略和LeCam散度正则化项，以规范GAN的训练过程，提高生成器的性能和数据的质量。
- (4): 在实验中使用了两个公共SSVEP数据集，评估了TEGAN的性能。对比了传统的频率识别方法和基于深度学习的方法，以及经过TEGAN转换的数据（分为增强（AUG）和原始（ORG）两种情况）的分类性能。
8. 结论：
- (1): 本研究提出的基于生成对抗网络（GAN）的框架在扩展短时SSVEP数据方面具有重要意义。这种方法可以通过生成模型来增加数据长度，从而提高稳态视觉诱发电位（SSVEP）的识别性能。
- (2): 创新点：本文的创新点主要体现在引入了基于GAN的数据转换网络TEGAN，该网络采用了新型U-Net生成器架构和辅助分类器。与传统方法不同的是，本方法通过数据生成和转换来扩展SSVEP数据长度，具有提高性能的潜力。
性能表现：实验结果表明，使用TEGAN转换后的数据（包括增强（AUG）和原始（ORG）两种情况）在两个公共SSVEP数据集上具有显著的识别准确率提升。与传统频率识别方法和基于深度学习的方法相比，该方法在有限的个体特定数据下能够获得更好的分类性能。
工作量：本文提出的方法不需要大量的用户校准数据，能够显著缩短校准时间，减少工作量。同时，通过引入两阶段训练策略和LeCam散度正则化项，能够规范GAN的训练过程，提高生成器的性能和数据的质量。
UMM: Unsupervised Mean-difference Maximization
https://arxiv.org/pdf/2306.11830 发表日期：2023年6月20日
1.标题：UMM：无监督均值差异最大化
2.作者：Jan Sosulski，Michael Tangermann
3.所属单位：Department of Computer Science, University of Freiburg，Freiburg, Germany
4.关键字：brain-computer interface, event-related potentials, unsupervised approach, mean-difference maximization
5.网址：https://arxiv.org/pdf/2306.11830
6.总结：
- (1): 本文的研究背景是探索无监督方法识别脑机接口中的事件相关脑电位，特别是在视觉刺激下。
- (2): 过去的方法通常需要有监督的校准阶段，在校准阶段需要明确指导被试应该注意的刺激，这些方法的问题是需要额外的准备步骤和时间，并且对实验范式有要求。本文的动机是开发一种无监督的方法，不需要改变实验范式即可应用于几乎任何基于事件相关脑电位的实验。
- (3): 本文提出的方法是在每个试次中，对于每个可用的字母，假设它是被关注的字母，并基于每个假设计算脑电位。通过利用只有真实假设导致类别均值之间差异最大的事实，我们可以检测出被关注的字母。为了处理噪声较大的脑电图数据，我们使用块式Toeplitz正则化协方差矩阵来建模背景活动。
- (4): 本文的方法在回放事件相关脑机接口视觉拼写数据集中实现了良好的性能。在一个使用每个试次16个闪烁符号的数据集中，UMM在25名参与者中正确分类了3651个字母（99.92%）。在另一个包含较少短试次的数据集中，UMM在54名参与者的两个会话中正确分类了7344个字母（99.47%）。即使在从肌萎缩性侧索硬化症患者获得的更具挑战性的数据集（77.86%）或使用听觉事件相关脑电位（82.52%）时，UMM的分类率也具有竞争力。此外，该方法还提供稳定的置信度量，可以用于监测UMM的收敛性。
7. 方法：
- (1): 使用无监督的方法识别脑机接口中的事件相关脑电位。
- (2): 在每个试次中，对于每个可用的字母，假设它是被关注的字母，并基于每个假设计算脑电位。
- (3): 通过利用只有真实假设导致类别均值之间差异最大的事实，可以检测出被关注的字母。
- (4): 使用块式Toeplitz正则化协方差矩阵来建模背景活动，以处理噪声较大的脑电图数据。
- (5): 对于每个可能的字母假设，计算假设类别均值之间的距离，并使用协方差矩阵进行标准化。
- (6): 根据距离计算的结果，确定被关注的字母。
- (7): 使用基于先前试次数据的加权平均法来改进目标和非目标类均值的估计。
- (8): 使用计算距离的结果确定UMM的准确性，并计算置信度。
- (9): 在实验范式中应用UMM方法，以实现对事件相关脑电位的准确分类和识别。
8. 结论：
- (1): 本文提出的无监督均值差异最大化（UMM）方法在事件相关脑机接口（BCI）系统中具有重要意义，它不需要标记，也不需要校准阶段，可以实现准确的分类和识别，同时克服了过去方法的一些限制。
- (2): 创新点：UMM方法通过在每个试次中对于每个可用字母假设并计算脑电位，利用真实假设导致的类别均值差异最大的事实，实现了无监督的识别。相比于过去的方法，UMM不需要额外的准备步骤和时间，适用于几乎任何事件相关脑电位实验。
性能表现：UMM方法在多个视觉拼写数据集中实现了良好的分类准确性，分别为99.92%、99.47%。尽管在一些更具挑战性的数据集中存在一些缺陷，如患者数据集（77.86%）和听觉数据集（82.52%），但可以通过自带的置信度量检测到，并提供了稳定的评估。
工作量：UMM方法对于BCI从业者来说非常有价值，它可以应用于任何可用的BCI实验范式中，消除了标定的需要，使被试能够即刻实现拼写。因此，将UMM方法纳入BCI系统中可以节省工作量和时间。
Visual Flow-based Programming Plugin for Brain Computer Interface in Computer-Aided Design
https://arxiv.org/pdf/2307.11023 发表日期：2023年7月20日
1. 标题：Visual Flow-based Programming Plugin for Brain Computer Interface in Computer-Aided Design（计算机辅助设计中基于视觉流编程的脑机接口插件）
2. 作者：Tong Bill Xu, Saleh Kalantari
3. 所属单位：Cornell University
4. 关键词：Brain-Computer Interface; Computer-Aided Design; Visual Programming;
Computational Design; EEG（脑机接口；计算机辅助设计；视觉编程；计算设计；脑电图）
5. 网址：https://arxiv.org/pdf/2307.11023，Github: None
6. 总结：
- (1)：本文研究背景是脑机接口在计算机辅助设计领域的应用潜力受到限制，缺乏关注和研究。
- (2)：过去的方法主要是将脑机接口用于控制轮椅和神经假肢等辅助用途，或者用于生成文字或指令。但是这些方法在计算机辅助设计领域存在问题，如速度慢、不够准确等。本文的方法是为设计师提供一个新的脑机接口工具，可帮助他们访问神经数据、创建脑机交互原型并评估设计。
- (3)：本文提出的研究方法是开发了一款名为Neuron的脑机接口工具，通过该工具设计师可以获取神经数据，创建脑机交互原型，并基于神经信息评估设计。
- (4)：本文的方法实现了设计师获取神经数据、创建脑机交互原型和评估设计的任务，并通过两个案例研究展示了该工具的能力。工具的性能评估较为简要，但对于扩展设计创意和为设计研究提供神经数据的功能具有价值。
7. 结论：
- (1)：本篇文章的意义在于提出了一种基于视觉流编程的脑机接口插件，为计算机辅助设计领域的设计师提供了一种新的工具，帮助他们访问神经数据、创建脑机交互原型并评估设计。
- (2)：创新点：本文的创新点在于开发了一款名为Neuron的脑机接口工具，通过该工具设计师可以获取神经数据，创建脑机交互原型，并基于神经信息评估设计。
性能表现：文中的案例研究展示了该工具在设计师获取神经数据、创建脑机交互原型和评估设计任务方面的能力。
工作量：文中未详细描述工具的开发过程和实施的具体工作量。
参考文献：
[1]Pan, Yudong et al. “Short-length SSVEP data extension by a novel generative adversarial networks based framework.” (2023).
[2]Sosulski, Jan and Michael Tangermann. “UMM: Unsupervised Mean-difference Maximization.” ArXiv abs/2306.11830 (2023): n. pag.
[3]Xu, Tong Bill and Saleh Kalantari. “Visual Flow-based Programming Plugin for Brain Computer Interface in Computer-Aided Design.” (2023).
创作声明：包含 AI 辅助创作
