对齐去除了个体身份却未实现对齐:跨被试神经表征中一个与一致性无关的关系性缺口
Alignment De-Identifies Without Aligning: A Congruence-Invariant Relational Gap in Cross-Subject Neural Representations
预印本 · 尚未经过同行评审
跨被试对齐常以解码准确率评价,但准确率无法区分对齐是否去除了个体信息、是否让任务条件的关系组织更相似。作者用三个运动想象脑电队列,把试次表示为协方差矩阵并将各被试平均协方差重参考到共同参考,用被试识别探针量化个体信息,用基于条件均值和仿射不变黎曼距离的表征相异性矩阵评估关系结构。结果显示重参考不改变该距离,被试识别准确率从0.96降至随机水平,而表征相异性矩阵仅在数值精度上变化;跨被试关系结构一致性显著高于零但低于估计量的噪声下限,训练中加入相似性正则项也未提高留出数据上的一致性。
用三个运动想象脑电队列把试次表示为协方差矩阵,以被试识别探针和表征相异性矩阵分别检验对齐是否去除个体信息、是否统一任务条件的关系结构。
在脑机接口中,被试间变异性仍是限制跨用户解码性能的主要挑战。逐被试对齐被广泛用于改善神经解码器的跨被试迁移,然而它通常仅通过解码准确率来评估,而准确率无法判断对齐后的表征是否共享更多与任务相关的结构。因此,我们区分了准确率所混淆的两个问题:对齐是否消除了被试特异性信息,以及对齐是否使任务条件的关系组织在个体之间更为相似。使用三个运动想象脑电队列,将试次表示为协方差矩阵,并通过将每个被试的平均协方差重新中心化到共同参考来进行对齐。被试特异性信息通过被试识别探针进行量化,而关系结构则使用由条件均值计算得到的表征相异性矩阵(RDM)进行评估,距离采用仿射不变黎曼距离。我们表明,重新中心化不改变该距离,因而也不改变由此得到的RDM。与该结果一致,重新中心化使所有队列中的被试识别准确率从0.96降至随机水平,而仅在数值精度层面改变RDM。关系结构的跨被试一致性显著高于零,但低于估计器的噪声下限。在训练中引入显式的相似性正则项同样未能提高留出集一致性:被试间差异的表观减小可由可靠性上限的下降而非对齐的改善来解释。这些发现表明,消除被试身份并不等同于对齐关系几何。更广泛地说,对齐主张必须相对于距离以及用于评估它们的统计量的不变性来加以解释。
中文由 AI 翻译,仅供参考,以原文为准。
来源:arXiv · Human-Computer Interaction · arxiv.org