On The Effects Of Data Normalisation For Domain Adaptation On EEG Data

https://arxiv.org/pdf/2210.01081

標(biāo)題：On The Effects Of Data Normalisation For Domain Adaptation On EEG Data (關(guān)于數(shù)據(jù)歸一化對(duì)領(lǐng)域適應(yīng)在腦電圖數(shù)據(jù)中的影響)

作者：Andrea Apicella, Francesco Isgrò, Andrea Pollastro, Roberto Prevete

所屬單位：Department of Electrical Engineering and Information Technology, University of Naples Federico II, Naples, Italy (意大利那不勒斯聯(lián)邦第二大學(xué)電氣工程與信息技術(shù)系)?

關(guān)鍵字：BCI, EEG, domain shift, normalization, scaling, preprocessing

網(wǎng)址：https://arxiv.org/pdf/2210.01081 或 https://doi.org/10.1016/j.engappai.2023.106205

總結(jié)：

(1) 本文的研究背景是解決在機(jī)器學(xué)習(xí)中的數(shù)據(jù)集轉(zhuǎn)移問題，即訓(xùn)練集和測(cè)試集可能遵循不同的概率分布，在腦機(jī)接口（BCI）領(lǐng)域，腦電圖（EEG）作為生物信號(hào)經(jīng)常使用，因?yàn)镋EG信號(hào)在時(shí)間上和不同受試者之間都具有高度非平穩(wěn)性。

(2) 過去的方法主要是基于領(lǐng)域適應(yīng)的遷移學(xué)習(xí)方法，但是對(duì)于這些方法改進(jìn)的實(shí)際原因尚不清楚，本文關(guān)注數(shù)據(jù)歸一化和標(biāo)準(zhǔn)化策略在領(lǐng)域適應(yīng)中的影響，通過實(shí)驗(yàn)評(píng)估了不同歸一化策略在有無領(lǐng)域適應(yīng)方法的情況下的性能表現(xiàn)。

(3) 本文提出了在領(lǐng)域適應(yīng)方法中應(yīng)用不同歸一化策略的研究方法，使用SEED、DEAP和BCI Competition IV 2a EEG數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)評(píng)估，并比較了所獲得的性能。

(4) 本文的方法實(shí)現(xiàn)了分類器在領(lǐng)域適應(yīng)場(chǎng)景中的性能，并且有趣的是，在一些情況下，僅使用適當(dāng)?shù)臍w一化模式就超過了領(lǐng)域適應(yīng)技術(shù)的表現(xiàn)。

8. 結(jié)論：

（1）：本文的意義在于研究領(lǐng)域適應(yīng)中數(shù)據(jù)歸一化對(duì)腦電圖數(shù)據(jù)的影響，為解決機(jī)器學(xué)習(xí)中的數(shù)據(jù)集轉(zhuǎn)移問題提供了指導(dǎo)，同時(shí)為BCI領(lǐng)域的數(shù)據(jù)處理方法提供了改進(jìn)的思路。

（2）：創(chuàng)新點(diǎn)：本文從數(shù)據(jù)歸一化的角度研究了領(lǐng)域適應(yīng)問題，在領(lǐng)域適應(yīng)方法中加入了不同歸一化策略的比較，探索了歸一化對(duì)領(lǐng)域適應(yīng)性能的影響。性能表現(xiàn)：實(shí)驗(yàn)結(jié)果顯示，在某些情況下，僅使用適當(dāng)?shù)臍w一化模式就可超過領(lǐng)域適應(yīng)技術(shù)的表現(xiàn)。工作量：本文使用了SEED、DEAP和BCI Competition IV 2a三個(gè)EEG數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)評(píng)估，這需要相當(dāng)?shù)臄?shù)據(jù)收集和處理工作量。

使用盲源分離進(jìn)行腦電圖偽影校正

https://arxiv.org/pdf/2306.16910

1. 標(biāo)題：Ongoing EEG artifact correction using blind source separation（使用盲源分離進(jìn)行持續(xù)EEG偽影校正）

2. 作者：Nicole Ille, Yoshiaki Nakao, Yano Shumpei, Toshiyuki Taura, Arndt Ebert, Harald Bornfleth, Suguru Asagi, Kanoko Kozawa, Izumi Itabashi, Takafumi Sato, Rie Sakuraba, Rie Tsuda, Yosuke Kakisaka, Kazutaka Jin, Nobukazu Nakasato

3. 所屬單位：BesA GmbH, Gr?felfing, Germany（德國Gr?felfing的BesA有限責(zé)任公司）

4. 關(guān)鍵詞：online artifact removal, electroencephalogram, blind source separation, independent component analysis, brain-computer interface, epileptic spike, seizure detection（在線偽影去除、腦電圖、盲源分離、獨(dú)立分量分析、腦機(jī)接口、癲癇尖波、抽搐檢測(cè)）

5. 網(wǎng)址：https://arxiv.org/pdf/2306.16910 或 None

6. 總結(jié)：

(1): 本文的研究背景是為了解決分析持續(xù)EEG記錄中偽影對(duì)癲癇尖波和抽搐檢測(cè)以及腦機(jī)接口的影響。

(2): 過去的方法包括盲源分離（BSS）和獨(dú)立分量分析（ICA）。這些方法存在問題，例如需要預(yù)先定義偽影模型、使用底層濾波器或降維方法、需要額外的多導(dǎo)聯(lián)電極或參考信號(hào)。本文的動(dòng)機(jī)是開發(fā)一種快速自動(dòng)的算法，可以在連續(xù)EEG記錄中進(jìn)行偽影校正。

(3): 本文提出了一種基于快速盲源分離的算法來進(jìn)行持續(xù)EEG偽影校正。該算法使用滑動(dòng)窗口技術(shù)和空間、時(shí)間、頻率域的特征來檢測(cè)和校正眼球、心臟、肌肉和電源線的偽影。

(4): 該方法在一個(gè)獨(dú)立的評(píng)估研究中對(duì)2035個(gè)標(biāo)記的偽影進(jìn)行了驗(yàn)證。驗(yàn)證結(jié)果表明，88%的偽影可以成功去除（眼球：81%，心臟：84%，肌肉：98%，電源線：100%）。該方法在偽影減少率和計(jì)算時(shí)間方面優(yōu)于現(xiàn)有的方法。因此，該方法可以成功去除大部分的偽影，同時(shí)保留大部分的EEG信號(hào)，可用于在線系統(tǒng)中的偽影校正，例如癲癇尖波和抽搐檢測(cè)或腦機(jī)接口。

8.結(jié)論：

(1): 這部作品的意義在于提出了一種快速自動(dòng)的算法，可以有效地校正持續(xù)EEG記錄中的偽影，對(duì)癲癇尖波和抽搐檢測(cè)以及腦機(jī)接口等應(yīng)用具有重要意義。

(2): 創(chuàng)新點(diǎn)：本文的創(chuàng)新點(diǎn)在于使用基于快速盲源分離的算法進(jìn)行持續(xù)EEG偽影校正，同時(shí)結(jié)合滑動(dòng)窗口技術(shù)和空間、時(shí)間、頻率域的特征進(jìn)行偽影檢測(cè)和校正。

性能表現(xiàn)：驗(yàn)證結(jié)果顯示，該方法能夠成功去除88%的偽影，具體包括眼球（81%）、心臟（84%）、肌肉（98%）和電源線（100%）的偽影。該方法在偽影減少率和計(jì)算時(shí)間方面優(yōu)于現(xiàn)有的方法。

工作量：本文的工作量包括對(duì)2035個(gè)標(biāo)記的偽影進(jìn)行了驗(yàn)證，并且開發(fā)了快速自動(dòng)的算法進(jìn)行持續(xù)EEG偽影校正。

序貫最佳臂識(shí)別及其在腦機(jī)接口中的應(yīng)用

https://arxiv.org/pdf/2305.11908

1.標(biāo)題：應(yīng)用于腦機(jī)接口的順序最佳臂識(shí)別（應(yīng)用于腦機(jī)接口的順序最佳臂識(shí)別）

2.作者：周鑫， 郝博濤， 康健， 托拉蒂摩爾， 李樂新

3.所屬單位：周鑫 - 加州大學(xué)伯克利分校生物統(tǒng)計(jì)與流行病學(xué)系;Botao Hao - 谷歌Deepmind;Jian Kang - 密歇根大學(xué)生物統(tǒng)計(jì)系;Tor Lattimore - 谷歌Deepmind;Lexin Li - 加州大學(xué)伯克利分校生物統(tǒng)計(jì)與流行病學(xué)系

4.關(guān)鍵字：順序最佳臂識(shí)別、腦機(jī)接口、BCI、腦電圖、事件相關(guān)電位

5.網(wǎng)址：https://arxiv.org/pdf/2305.11908

6.總結(jié)：

（1）： 本文研究的背景是腦機(jī)接口（Brain-Computer Interface）。腦機(jī)接口是一種能夠?qū)崿F(xiàn)大腦與外部設(shè)備或計(jì)算機(jī)系統(tǒng)之間直接通信的技術(shù)。通過感知和記錄大腦產(chǎn)生的電信號(hào)，并利用機(jī)器學(xué)習(xí)算法解析和提取有意義的指令和信息，使個(gè)體能夠只用思維與設(shè)備進(jìn)行交互。該技術(shù)在醫(yī)學(xué)、康復(fù)和人體增強(qiáng)等領(lǐng)域具有廣泛的應(yīng)用潛力。

（2）：?過去的方法是使用非自適應(yīng)的范例來進(jìn)行腦機(jī)接口，將每個(gè)單詞的選擇視為獨(dú)立的任務(wù)，導(dǎo)致學(xué)習(xí)過程冗長。這種方法的問題是效率低下。本文提出的方法的動(dòng)機(jī)是提高采樣效率，將問題轉(zhuǎn)化為多臂賭博機(jī)中的一系列最佳臂識(shí)別任務(wù)，并利用預(yù)訓(xùn)練的大型語言模型（LLMs）來利用先前任務(wù)學(xué)到的先驗(yàn)知識(shí)，以從容地進(jìn)行后續(xù)任務(wù)。

（3）： 本文提出了在固定置信度和固定預(yù)算設(shè)置下的順序性的前兩臂湯普森采樣（STTS）算法。該算法在順序性任務(wù)間利用了先前任務(wù)的先驗(yàn)知識(shí)，以提高學(xué)習(xí)效率和性能。

（4）： 本文的方法在合成數(shù)據(jù)分析和P300 BCI拼寫器模擬器示例中證明了其在實(shí)驗(yàn)上的顯著改進(jìn)。這表明該方法在提高學(xué)習(xí)效率和性能方面具有潛力，支持了本文的目標(biāo)。

?7. 方法：

（1）： 本文的方法使用了順序最佳臂識(shí)別（Sequential Best-Arm Identification）的框架來解決腦機(jī)接口（Brain-Computer Interface，BCI）中的選擇問題。該框架將問題形式化為多臂賭博機(jī)（Multi-Armed Bandit）的一系列任務(wù)，通過選擇最佳臂來最大化累積獎(jiǎng)勵(lì)。

（2）： 本文的方法利用了預(yù)訓(xùn)練的大型語言模型（Large Language Models，LLMs）來利用先前任務(wù)學(xué)到的先驗(yàn)知識(shí)。通過將任務(wù)轉(zhuǎn)化為文本生成，將每個(gè)選擇看作生成一個(gè)詞，利用LLMs對(duì)生成的詞進(jìn)行評(píng)估，從而預(yù)測(cè)最佳選擇。

（3）： 本文提出了順序前兩臂湯普森采樣（Sequential Two-Arm Thompson Sampling，STTS）算法，用于在固定置信度和固定預(yù)算設(shè)置下進(jìn)行順序任務(wù)。該算法在選取每個(gè)任務(wù)的最佳臂時(shí)，利用了先前任務(wù)的先驗(yàn)知識(shí)，以提高學(xué)習(xí)效率和性能。

（4）： 實(shí)驗(yàn)中，本文的方法在合成數(shù)據(jù)分析和P300 BCI拼寫器模擬器示例中進(jìn)行了驗(yàn)證。結(jié)果表明該方法在學(xué)習(xí)效率和性能方面都取得了顯著改進(jìn)，驗(yàn)證了該方法在解決BCI中選擇問題的潛力。

8.結(jié)論：

（1）：?本文的意義在于提出了一種在腦機(jī)接口領(lǐng)域中應(yīng)用的順序最佳臂識(shí)別方法，以提高采樣效率和性能，為腦機(jī)接口技術(shù)的發(fā)展做出了積極貢獻(xiàn)。

（2）：?創(chuàng)新點(diǎn)：本文的創(chuàng)新點(diǎn)在于將腦機(jī)接口問題轉(zhuǎn)化為多臂賭博機(jī)任務(wù)，并利用預(yù)訓(xùn)練的大型語言模型來利用先前任務(wù)的先驗(yàn)知識(shí)，提高學(xué)習(xí)效率和性能。性能表現(xiàn)：實(shí)驗(yàn)結(jié)果表明，該方法在合成數(shù)據(jù)分析和P300 BCI拼寫器模擬器示例中都取得了顯著改進(jìn)，驗(yàn)證了其在學(xué)習(xí)效率和性能方面的優(yōu)勢(shì)。工作量：本文提出的方法需要實(shí)施合成數(shù)據(jù)分析和進(jìn)行P300 BCI拼寫器模擬器示例的實(shí)驗(yàn)，具體的工作量沒有具體指定。

?

參考文獻(xiàn)：

【1】Apicella A， Isgrò F， Pollastro A， et al.域自適應(yīng)數(shù)據(jù)歸一化對(duì)腦電數(shù)據(jù)的影響[J].人工智能工程應(yīng)用， 2023， 123： 106205.

【2】Ille N， Nakao Y， Shumpei Y， et al.基于盲源分離的腦電偽影持續(xù)校正[J].arXiv預(yù)印本arXiv：2306.16910，2023。

【3】周旫， 郝斌， 康軍， 等. 序貫最佳臂識(shí)別及其在腦機(jī)接口中的應(yīng)用[J].arXiv預(yù)印本arXiv：2305.11908，2023。

創(chuàng)作聲明：包含?AI?輔助創(chuàng)作

?