Orthogonal Extended Infomax Algorithm

https://arxiv.org/pdf/2306.09180 ?發(fā)表日期:2023年6月15日

1. 標題：Orthogonal Extended Infomax Algorithm（正交擴展Infomax算法）

2. 作者：Nicole Ille

3. 所屬單位：BESA GmbH, Gr?felfing, Germany（位于德國Gr?felfing的BESA GmbH）

4. 關鍵字：blind source separation（盲源分離），independent component analysis（獨立成分分析）, orthogonal-group ICA（正交群ICA），extended infomax（擴展Infomax），Bussgang algorithm（Bussgang算法），electroencephalogram (EEG)（腦電圖），artifact removal（偽跡去除），brain-computer interface（腦機接口），spike detection（尖峰檢測），seizure detection（癲癇發(fā)作檢測）

5. 網址：https://arxiv.org/pdf/2306.09180，Github: None

?

6. 總結：

??- (1)：本文的研究背景是改進獨立成分分析(ICA)算法，特別是Extended Infomax算法在分離亞高斯和超高斯信號時收斂速度較慢的問題。

??- (2)：過去的方法包括FastICA和Picard等算法，但它們在處理亞高斯和超高斯混合信號時有一定的限制，而Extended Infomax算法使用隨機梯度優(yōu)化，導致收斂速度慢。本文提出了一種改進的擴展Infomax算法，旨在通過使用完全乘法正交群更新方案來加速收斂。該方法的動機是為了實現更快的收斂速度和更好的分離亞高斯和超高斯信號的能力。

- (3)：本文提出的研究方法是將完全乘法正交群ICA算法與Extended Infomax中的非線性函數結合起來，通過迭代更新來對數據進行分離，最終得到正交擴展Infomax算法（OgExtInf）。

??- (4)：本文的方法在小型EEG數據集上展示了出色的性能，尤其適用于在線EEG處理系統(tǒng)（如腦機接口）或用于檢測腦電圖中的尖峰和癲癇發(fā)作的臨床系統(tǒng)。該方法實現了對信號的盲源分離和偽跡去除任務，并展示了優(yōu)于傳統(tǒng)方法如FastICA和Picard的性能。

8. 結論：

- (1): 該研究的意義在于改進了獨立成分分析算法，特別是Extended Infomax算法在分離亞高斯和超高斯信號方面的收斂速度問題，提供了更快的收斂速度和更好的分離性能。

- (2): 創(chuàng)新點：通過引入完全乘法正交群更新方案，提出了正交擴展Infomax算法（OgExtInf），實現了對亞高斯和超高斯信號的更好分離，并加速了收斂速度。

性能表現：在小型EEG數據集上展示了出色的性能，尤其適用于在線EEG處理系統(tǒng)（如腦機接口）或用于檢測腦電圖中的尖峰和癲癇發(fā)作的臨床系統(tǒng)。

工作量：該研究所提出的方法需要進行相應的計算和迭代更新，但具體的工作量沒有詳細說明。

?

Emotion Detection from EEG using Transfer Learning

https://arxiv.org/pdf/2306.05680 ?發(fā)表日期：2023年6月9日

?

1.標題：Emotion Detection from EEG using Transfer Learning (使用遷移學習從 EEG 中檢測情緒)

2.作者：Sidharth Sidharth, Ashish Abraham Samuel, Ranjana H, Jerrin Thomas Panachakel, Sana Parveen K

3.所屬單位：Department of Electronics and Communication Engineering, College of Engineering Trivandrum, India (印度特里凡得瑯工程學院電子與通信工程系)

4.關鍵字：Brain-computer interface, emotion detection, transfer learning, electroencephalogram, mean phase coherence, magnitude squared coherence, SEED EEG (腦-機接口，情緒檢測，遷移學習，腦電圖，平均相位相干性，平方幅度相干性，SEED EEG)

5.網址：https://arxiv.org/pdf/2306.05680

?

6.總結：

- (1):本文的研究背景是探索使用腦電圖來檢測情緒，在大腦-機器界面領域和康復醫(yī)學中有重要的應用價值。

- (2):過去的方法包括通過面部表情、語言分析、生理信號、行為信號和生化信號等多種方式進行情緒檢測。腦電圖是一種用于測量大腦電活動的方法，在情緒檢測中具有許多優(yōu)勢。然而，腦電圖的數據可用性有限。該方法使用遷移學習和新穎的特征組合來解決數據不足的問題。

- (3):本文提出的研究方法是使用遷移學習從腦電圖中檢測情緒。該方法使用了基于Resnet50的基本模型，并采用了一種新穎的特征組合，將腦電圖轉換為圖像矩陣進行處理。通過結合平均相位相干性和平方幅度相干性，以及從差分熵中提取的特征，改進了情緒檢測的技術。

- (4):本文的方法主要實現了從腦電圖中檢測情緒的任務，并在數據集SEED EEG上進行了實驗評估。實驗結果表明，該方法的主觀識別率為93.1%（基于10折交叉驗證），客觀識別率為71.6%（基于留一主體法）。這兩個準確率至少是隨機識別3個類別的準確率的兩倍。研究結果證明了使用平方幅度相干性和平均相位相干性進行腦電圖情緒檢測的可行性。該方法未來的發(fā)展方向包括數據增強技術的應用、增強分類器和更好的特征提取。

7. 方法：

?- (1): 本研究使用了平均相位相干性（Mean phase coherence，簡稱MPC）和平方幅度相干性（Magnitude squared coherence，簡稱MSC）這兩個特征來分類情緒。通過計算不同通道之間的MPC和MSC，利用Hilbert變換計算每個通道的相位，并使用MSC描述信號之間的線性關系。

?- (2): 所有通道之間的MPC和MSC值組成一個62x62的矩陣，上三角矩陣填充了MPC值，下三角矩陣填充了MSC值。矩陣的對角線元素沒有特定信息，我們將每個通道的DE特征的均值放在對角線中。然后將這些矩陣轉換成圖像，將不同頻段（alpha，beta和gamma波段）對應到RGB值上。這些圖像作為輸入，經過ResNet-50基于遷移學習的模型進行訓練和分類。

?- (3): 對于情緒分類，進行了主體相關分類（subject-dependent classification）和主體無關分類（subject-independent classification）。在主體相關分類中，采用了10折交叉驗證來避免因數據有限而導致的過擬合問題。在模型中添加了全局空間平均池化層、全連接層和邏輯回歸層。在主體無關分類中，引入了2D卷積層、稠密層、扁平層和輸出層，生成情緒三類的概率分布。

8. 結論：

- (1): 本研究的意義在于探索使用遷移學習從 EEG 數據中檢測情緒。這對于大腦-機器界面領域和康復醫(yī)學具有重要的應用價值。

- (2): 創(chuàng)新點：本文的創(chuàng)新之處在于提出了一種新穎的特征組合方法，將平均相位相干性和平方幅度相干性與差分熵結合，使得情緒檢測的技術得到改進。性能表現：實驗結果顯示，主觀識別率為93.1%，客觀識別率為71.6%，這兩個準確率都顯著超過隨機識別的準確率。工作量：本研究實驗評估了從腦電圖中檢測情緒的任務，并在 SEED EEG 數據集上進行了實驗。

?

?

?

The feasibility of combining communication BCIs with FES for individuals with locked-in syndrome

https://arxiv.org/pdf/2306.03159 ?發(fā)表日期：2023年7月17日

1.標題：The feasibility of combining communication BCIs with FES for individuals with locked-in syndrome（將腦機接口與電刺激相結合以改善完全癱瘓患者的交流能力的可行性）

2.作者：Evan Canny, Julia Berezutskaya

3.所屬單位：Brain Center, department of Neurology and Neurosurgery, University Medical Center Utrecht, Utrecht, the Netherlands（荷蘭烏得勒支大學醫(yī)學中心神經內科與神經外科部腦中心）

4.關鍵字：communication BCI, functional electrical stimulation, locked-in syndrome, brain-computer interface（交流腦機接口，功能性電刺激，全身癱瘓綜合征，腦機界面）

5.網址：https://arxiv.org/pdf/2306.03159

?

6.總結：

- (1): 本文研究的背景是，完全癱瘓患者由于全身癱瘓而無法與家人和親人進行有效的交流。

- (2): 過去的方法是借助肌肉殘存活動進行交流，但存在著技術局限性，不適用于所有病例。因此，將腦機接口與電刺激相結合，可以提供一種新的交流方式。

- (3): 本文提出的研究方法是將腦機接口與功能性電刺激相結合，通過捕捉腦神經活動，解碼意圖運動，并將其轉化為控制信號，用于控制計算機或假肢設備。

- (4): 本文的方法能夠提供一種新穎的交流模式，并為完全癱瘓患者恢復身體和面部運動提供幫助。然而，該方法的性能尚需進一步研究和驗證。

8. 結論：

- (1): 本文研究的意義在于探索將腦機接口與功能性電刺激相結合，改善完全癱瘓患者的交流能力。

- (2): 創(chuàng)新點：將腦機接口與功能性電刺激相結合，提供一種新的交流方式。

性能表現：該方法能夠解碼腦神經活動，轉化為控制信號，實現對計算機或假肢設備的控制。工作量：需要進一步研究和驗證該方法的性能和可行性。

?

?

參考文獻：
[1] Ille, Nicole. “Orthogonal Extended Infomax Algorithm.” (2023).

[2]?Sidharth et al. “Emotion Detection from EEG using Transfer Learning.”?ArXiv?abs/2306.05680 (2023): n. pag.

[3]?Canny, Evan and Julia Berezutskaya. “The feasibility of combining communication BCIs with FES for individuals with locked-in syndrome.” (2023).

?

創(chuàng)作聲明：包含 AI 輔助創(chuàng)作

?

?