用于实时脑电相位估计的贝叶斯优化双二阶滤波器-Burg模型
A Bayesian Optimized Biquad Filter-Burg Model for Real-Time EEG Phase Estimation
预印本 · 尚未经过同行评审
闭环神经调控需要在刺激锁时的瞬态脑电上实时估计相位，但现有方法多在静息态、高保真的alpha频段信号上开发和验证。研究提出贝叶斯优化双二阶滤波器-Burg模型，在20名健康被试左正中神经振动触觉刺激下的theta频段脑电和马克斯·普朗克研究所LEMON数据集的20名健康被试静息态alpha数据上评估，并与深度双分支复数神经网络、脑电相位预测网络、Phastimate和自回归填充相位估计在相同测试条件下比较。结果显示该模型以更短的校准时间取得相当或更好的表现。
针对theta频段的闭环神经调控系统而言，对与刺激对齐的瞬态EEG进行实时相位估计至关重要，然而大多数实时相位估计方法都是在alpha频段的静息态高保真信号上开发和验证的。近期研究转向了深度学习架构，而个体化的经典带通滤波器调参仍未被充分探索。本研究刻画了非预期性带通滤波的频谱与时间特性，并展示了通过个体化调参所获得的性能提升。我们提出了贝叶斯优化双二阶滤波器-Burg（BOB）模型，并在左侧正中神经外周振动触觉刺激期间记录的EEG（theta频段，N=20名健康受试者）以及马克斯·普朗克研究所LEMON数据集的静息态记录（alpha频段，N=20名健康受试者）上进行了评估。在匹配的测试条件下——通道选择、个体化优化、评估时间点，以及通过零相位滤波和Hilbert变换获得的离线参考相位——将BOB与深度双分支复数神经网络（DBCNN）、EEG相位预测网络（EPN）、Phastimate以及带自回归填充的相位估计（PEAP）进行了基准比较。在这些测试条件下，BOB以极短的校准时间达到了与这些模型相当或更优的性能。
中文由 AI 翻译，仅供参考，以原文为准。
来源：arXiv · Signal Processing · arxiv.org