几何条件化超对齐用于跨数据集与跨范式的可泛化脑电解码
Geometry-Conditioned Hyperalignment for Generalizable EEG Decoding Across Datasets and Paradigms
预印本 · 尚未经过同行评审
脑电采集的电极布局各不相同,不同被试的头皮电场分布也有差异,导致跨被试、跨数据集的解码难以迁移。作者提出 hTSMNet,仅凭电极坐标把任意电极布局映射到固定的头皮锚点,再结合黎曼对称正定流形后端。在三个数据集共172名被试的左右手运动想象留一数据集基准上,零样本条件下与最强对比方法持平,加入少量校准试次后在各数据集上准确率最高;同一模型经重拟合末层分类器后还能解码心理负荷与稳态视觉诱发电位,但对刺激锁时的事件相关电位仍处于随机水平。材料仅为摘要。
提出按电极几何对齐的脑电解码前端,在三个数据集172名被试的左右手运动想象上做留一数据集验证,零样本即可与最强对比方法持平。
脑电图(EEG)脑机接口(BCI)支持有前景的应用,但日常使用仍受限于较差的跨被试与跨数据集泛化能力。这是因为用不同电极蒙太奇采集的 EEG 记录甚至不共享同一个观测空间,而且每个被试的导联场(leadfield)将相同的神经源以不同方式投射到头皮上。我们提出 hTSMNet,它将一种新颖的几何条件化超对齐前端与一个黎曼对称正定(SPD)流形骨干相结合,以减少残余的跨被试分布偏移。仅凭电极坐标,该前端就构建一个从任意蒙太奇到一组固定头皮锚点的线性映射,将每次记录置于同一个共享空间中。由于该映射没有被试特定参数,一个未见过的被试、数据集或蒙太奇仅凭其几何结构即可被对齐,因此迁移在构造上就是零样本的。在跨三个数据集(172 名被试)和八个对比方法的留一数据集左右手运动想象(MI)基准上,hTSMNet 在严格零样本条件下与最强对比方法持平,并且一旦有少量校准试次仅用于调整最终层分类器,就在每个数据集上取得最高准确率。我们表明,它在每个数据集中以相同方式定向二分类决策,因此在源数据上学习到的单一线性规则在留出数据上已经具有正确的方向。同一个冻结的 MI 预训练模型还能跨范式迁移:仅重新拟合最终层分类器,hTSMNet 就能以远高于随机水平的性能解码心理负荷和稳态视觉诱发电位(SSVEP),但在刺激锁时事件相关电位(ERP)上仍处于随机水平。这种分离源于架构:协方差池化读取振荡频带功率,对 ERP 任务所依赖的锁相电位基本不敏感。该表征所泛化的是信号家族(带限振荡活动),而非命名的任务。因此,几何条件化超对齐产生了一种可检视的表征,它可跨数据集泛化,并且在振荡机制内可跨范式泛化。
中文由 AI 翻译,仅供参考,以原文为准。
来源:bioRxiv · Neuroscience · biorxiv.org