REVBRAIN：使用残差向量量化的实时概率EEG预测

静息态脑电信号的实时预测是脑状态依赖性刺激等应用的需求，这类应用将计算机生成的动作与正在进行的神经振荡耦合。最近，深度学习模型 WaveNet 被提出用于预测任务。与主流方法线性自回归（AR）模型相比，它展现出更优越的准确性，并且由于其概率建模框架而提供了内置的不确定性度量。然而，由于 WaveNet 采用逐样本自回归操作，其推理速度对于实时使用而言过慢：单次预测需要根据预测窗口的长度对模型进行数十次或数百次评估。在本文中，我们提出了 REVBRAIN，一种概率深度学习方法，通过一次性生成整个预测时域上的预测来实现实时预测。这是通过使用残差向量量化（RVQ）对输出空间进行标记化，并在标记化空间中的项上生成预测来实现的。我们测试了 REVBRAIN 在 alpha 频段（8-13 Hz）预测 200 ms 脑电时间序列的表现，并将我们的结果与 WaveNet 模型进行了比较。我们发现，REVBRAIN 在笔记本电脑 GPU 上实现了实时推理，与 WaveNet 相比加速超过 $50\times$，同时达到了更优越的预测准确性。通过实现实时推理速度，REVBRAIN 使得将准确且概率性的脑电预测纳入 BCI 应用成为可能，为研究人脑的功能开辟了新途径。

中文由 AI 翻译，仅供参考，以原文为准。