系统评估欧几里德对齐与深度学习在EEG解码中的应用

2024-06-04 Tue
系统评估欧几里德对齐与深度学习在EEG解码中的应用背景介绍脑电图（EEG）信号由于其无创性、便携性和低采集成本，广泛用于脑机接口（BCI）任务。然而，EEG信号存在低信噪比、易受电极位置影响及空间分辨率差等缺点。随着深度学习（DL）技术的进展，该技术在BCI领域表现出色，甚至在某些情况下超过了传统的机器学习方法。然而，DL模型对数据需求量大是其主要障碍。多受试者数据的迁移学习（Transfer Learning， TL）通过共享数据能够更高效地训练DL模型。欧几里得对齐（Euclidean Alignment，EA）因其易用性、低计算复杂度和与DL模型兼容性，逐渐受到关注。但现有研究对EA结合DL的全局和个体模型训练效果评估较少。这篇论文旨在系统性评估EA和DL结合对BCI信号解码训练性能的影响。
文章来源与作者信息本文题为“Systematic Evaluation of Euclidean Alignment with Deep Learning for EEG Decoding”，由Bruna Junqueira、Bruno Aristimunha、Sylvain Chevallier和Raphael Y. De Camargo等人撰写。作者分别来自University of São Paulo、Université Paris-Saclay (Inria TAU Team, LISN-CNRS)以及Federal University of ABC。论文发表于某学术期刊，通讯作者为Bruna Junqueira（brunaafl@usp.br）。
研究方法EEG解码框架EEG解码问题在BCI中意义重大，即如何从记录的信号中分类出心理状态。数据集E由n对实验和标签（x_i, y_i）组成。其中，实验记录X为c行t列的矩阵，c是通道数，t是时间步数。特征空间为X ∈ R^c×t。本实验仅针对左-右想象范式，分类标签空间为{‘left_hand’, ‘right_hand’}。
考虑到脑电信号的变异性，假设来自不同受试者的边缘分布p_k(·)不同。分类假设存在某个未知决策函数fθ(·)，使其参数θ满足fθ(x) = y。通过给神经网络输入标记数据并最小化平均损失ℓ：
[ \min_θ \frac{1}{nt} \sum{i=1}^{n_t} ℓ(fθ(x_i), y_i) ]
本文所有实验均采用负对数似然损失和AdamW优化器。
迁移学习框架定义域d由特征空间X和边缘分布p(x)组成，任务t由标签集合Y和决策函数f(X)组成。本文将每个个人视为一个域，源域为已知知识域，目标域为未知域。迁移学习框架通过在源域（D_s）和源任务（T_s）上训练模型，应用于目标域（D_t）和目标任务（T_t）。
欧几里得对齐欧几里得对齐（EA）通过匹配每个受试者所有实验的均协方差矩阵与单位矩阵，减少彼此间的差异。假设对每个n个受试者有n个实验，其均协方差矩阵定义为：
[ R̄j = \frac{1}{n} \sum{i=1}^{n} X_j_i X^T_j_i ]
转换矩阵定义为R̄j的平方根逆矩阵，并应用于每个实验。
数据集本文使用了两个数据集：BCI Competition 4中的Dataset IIA（BNCI2014）和Schirrmeister2017（高伽马）。BNCI2014包含9名健康个体数据，每个个体进行左手、右手、双脚和舌头四种运动想象任务。高伽马数据集包含14名健康个体数据，进行左手、右手、双脚和休息任务。仅使用左、右手数据来保持结果的一致性。标准预处理步骤包括带通滤波和重采样。
模型与数据拆分本文分析了两种场景下EA的应用：
使用来自所有源受试者的数据（交叉受试者模型）。
使用每个源受试者的数据（个体模型）。
使用交互现实想象范式的两类分类任务，交互现实想象范式在目标受试者的两类分类任务中进行评估，防止测试、验证和训练集之间的数据泄漏。
使用EEGNet、ShallowNet和DeepNet作为评估模型，以确保比较的合理性。
数据对齐在离线和伪在线实验中，采用不同的方法进行EEG对齐。离线实验中对每个受试者的所有实验进行对齐。在伪在线情况下，仅使用目标受试者的第一个24实验组来计算参考矩阵并对齐测试数据。
模型训练交叉受试者模型使用leave-one-subject-out拆分，个体模型使用全部数据训练，20%用于验证。为每个目标受试者训练单独的模型，评价多对多的训练方案。训练过程中，模型批次为64，1000个epoch，250次早停，25%的dropout率，学习率和权重衰减参数调优。
研究结果迁移学习中的欧几里得对齐欧几里得对齐提高了所有评估数据集和架构的解码性能。在所有受试者数据上训练的离线-EA方法相比交互现实想象范式下的提高了1.26%的准确度，而在线-EA相比未对齐情况总体准确率提升了4.33%, 总体减低了训练时间约70%。
细微调整对共享模型的影响在未对齐的管道中进行微调，结果表明细微调整后的平均准确性提高了1.43%。在离线-EA和在线-EA准确性的基础上进行微调未见显著变化，表明EA已经使得数据分布非常一致，在这种情况下微调需要更多的目标数据。
受试者间传递性的分析欧几里得对齐提高了个体模型在受试者间传递性的准确性。好的捐赠者在作为接收者时通常也表现很好，EA增加了这种关联性，使得数据分布更为一致。然而，EA没有改变好坏捐赠者的结构。
投票分类器在迁移学习中的应用EA明显提升了个体模型的传递性。使用加权多数投票分类器对目标受试者进行分类，使用不同组合的个体模型，EA提升了3.71%的平均准确性。相比共享模型在总平均准确率上减少了3.62%。然而，投票分类器的构建更为灵活，允许在增加新数据源时无需重新训练整个模型。
意义和价值本文展示了欧几里得对齐作为一种强大的域适应技术，在DL结合过程中表现出色。EA显著提高了带有多受试者数据的模型的解码准确性及训练时间。当训练交叉受试者模型时，EA应作为标准的预处理步骤。未来研究可以进一步探讨EA在深度学习模型中的快速收敛问题和不同超参数对模型性能的影响，以获得更为广泛的应用前景。
通过系统评估EA与DL结合在EEG解码中的应用，不仅推动了BCI领域的技术进步，也为进一步研究开辟了新的方向。研究揭示了EA减少受试者间信号变异性问题的潜力，提供了更有效的迁移学习途径，为BCI技术的实际应用提供了重要指导。