Time delay multi-feature correlation analysis to extract subtle dependencies from EEG signals

https://arxiv.org/pdf/2305.09478????????2023.5.29?

1.標(biāo)題：Time delay multi-feature correlation analysis to extract subtle dependencies from EEG signals（從EEG信號中提取微妙依賴關(guān)系的時(shí)間延遲多特征相關(guān)分析）

2.作者：Jarek Duda

3.所屬單位：Jagiellonian University, Golebia 24, 31-007 Krakow, Poland（波蘭克拉科夫雅蓋隆尼安大學(xué)）

4.關(guān)鍵字：electroencephalography (EEG), multi-feature correlation analysis, time series analysis, time shift, signal processing, Granger causality, principal component analysis (PCA), hierarchical correlation reconstruction (HCR)（腦電圖（EEG），多特征相關(guān)分析，時(shí)間序列分析，時(shí)間偏移，信號處理，格蘭杰因果性，主成分分析（PCA），分級相關(guān)重建）

5.網(wǎng)址：https://arxiv.org/pdf/2305.09478

6.總結(jié)：

- (1): 本文研究背景是從EEG信號中提取微妙依賴關(guān)系，了解隱藏的大腦活動(dòng)動(dòng)態(tài)。

- (2): 過去的方法通常監(jiān)測腦電圖信號之間的相關(guān)性或互信息，但這種方法在揭示復(fù)雜行為方面相對無趣。本文的動(dòng)機(jī)是尋找更細(xì)微的多種統(tǒng)計(jì)依賴關(guān)系。

- (3): 本文提出了時(shí)間延遲多特征相關(guān)分析的方法，通過對不同時(shí)間延遲的電極對之間的聯(lián)合分布進(jìn)行多項(xiàng)式建模，并利用主成分分析降低維度，獲取主導(dǎo)聯(lián)合密度畸變方向。通過這種方式，提取出描述已知貢獻(xiàn)的統(tǒng)計(jì)依賴關(guān)系的幾個(gè)特征，與Pearson相關(guān)性相互補(bǔ)充，可以提取出隱藏的更復(fù)雜行為。

- (4): 該方法實(shí)現(xiàn)了從EEG信號中提取微妙依賴關(guān)系的任務(wù)，并且比標(biāo)準(zhǔn)的Pearson相關(guān)系數(shù)能提取出更復(fù)雜的行為，如不對稱性、特征延遲和周期性等。雖然這是早期的基礎(chǔ)性研究，但未來可能有助于理解大腦的隱藏動(dòng)態(tài)、診斷癲癇等病理狀態(tài)、確定精確的電極位置或構(gòu)建腦-計(jì)算機(jī)接口。

7.結(jié)論：

(1): 本文的意義在于開發(fā)了一種時(shí)間延遲多特征相關(guān)分析的方法，可以從EEG信號中提取微妙的依賴關(guān)系，揭示隱藏的大腦活動(dòng)動(dòng)態(tài)。

(2): 創(chuàng)新點(diǎn)：本方法通過多項(xiàng)式建模和主成分分析，提取出描述已知貢獻(xiàn)的統(tǒng)計(jì)依賴關(guān)系的幾個(gè)特征，補(bǔ)充了傳統(tǒng)的Pearson相關(guān)性分析的不足之處。業(yè)績：該方法能夠提取出更復(fù)雜的行為特征，如不對稱性、特征延遲和周期性。工作負(fù)載：雖然這是早期的基礎(chǔ)性研究，但未來可能有助于理解大腦的隱藏動(dòng)態(tài)、診斷癲癇等病理狀態(tài)、確定精確的電極位置或構(gòu)建腦-計(jì)算機(jī)接口。

Natural scene reconstruction from fMRI signals using generative latent diffusion

https://arxiv.org/pdf/2303.05334????????2023.6.21

1.標(biāo)題：Natural scene reconstruction from fMRI signals using generative latent diffusion 【使用生成潛在擴(kuò)散進(jìn)行基于fMRI信號的自然場景重建】

2.作者：Furkan Ozcelik和Rufin VanRullen

3.所屬單位：Furkan Ozcelik屬于CerCo, CNRS UMR5549和Universite de Toulouse；Rufin VanRullen屬于CerCo, CNRS UMR5549、Universite de Toulouse和ANITI。

4.關(guān)鍵字：natural scene reconstruction, fMRI signals, generative latent diffusion

5.網(wǎng)址：https://arxiv.org/pdf/2303.05334 ， Github: None

6.總結(jié)：

- (1) 本文的研究背景是基于fMRI信號的感知自然圖像重建。

- (2) 過去的方法使用統(tǒng)計(jì)技術(shù)和機(jī)器學(xué)習(xí)從fMRI神經(jīng)活動(dòng)中解碼特定信息，但對于復(fù)雜場景圖像，過去的方法在同時(shí)重建低級屬性和高級特征方面通常失敗。本方法的動(dòng)機(jī)是利用生成潛在擴(kuò)散模型的創(chuàng)新技術(shù)進(jìn)行大規(guī)模復(fù)雜圖像的重建。

- (3) 本文提出了一種名為“Brain-Diffuser”的兩階段場景重建框架。第一階段使用VDVAE模型從fMRI信號重建捕捉低級屬性和整體布局的圖像。第二階段使用基于預(yù)測的多模態(tài)(文本和視覺)特征的潛在擴(kuò)散模型的圖像到圖像框架，生成最終重建的圖像。

- (4) 采用公開可用的自然場景數(shù)據(jù)集基準(zhǔn)測試，本方法在定性和定量上優(yōu)于以前的模型。當(dāng)應(yīng)用于從個(gè)體ROI掩膜生成的合成fMRI模式時(shí)，訓(xùn)練好的模型能夠創(chuàng)建與神經(jīng)科學(xué)知識一致的“ROI優(yōu)化”場景。因此，本文提出的方法對應(yīng)用(例如，腦機(jī)接口)和基礎(chǔ)神經(jīng)科學(xué)都有影響。

7. 方法：

(1): 本文提出的方法是一種兩階段的場景重建框架，名為"Brain-Diffuser"。

(2): 第一階段是使用變分深度生成模型(VDVAE)從fMRI信號中重建圖像，該模型可以捕捉低級屬性和整體布局的圖像。

(3): 第二階段是使用潛在擴(kuò)散模型進(jìn)行圖像到圖像的重建，該模型結(jié)合了基于預(yù)測的多模態(tài)特征，包括視覺和文本特征。

(4): 在第二階段的潛在擴(kuò)散模型中，通過學(xué)習(xí)重建圖像的潛在空間中的擴(kuò)散過程，從先驗(yàn)噪聲中生成最終重建的圖像。

(5): 為了驗(yàn)證該方法的效果，采用了公開可用的自然場景數(shù)據(jù)集進(jìn)行基準(zhǔn)測試。

(6): 通過定性和定量的評估指標(biāo)，證明本文方法優(yōu)于以前的模型。

(7): 此外，該方法還應(yīng)用于個(gè)體ROI掩模生成的合成fMRI模式，能夠創(chuàng)建與神經(jīng)科學(xué)知識一致的"ROI優(yōu)化"場景。

(8): 因此，本文提出的方法在應(yīng)用(如腦機(jī)接口)和基礎(chǔ)神經(jīng)科學(xué)領(lǐng)域具有重要影響。

8.結(jié)論：

(1): 本文的意義在于提出了一種基于fMRI信號的自然場景重建方法，通過采用生成潛在擴(kuò)散模型和兩階段的場景重建框架，該方法能夠在定性和定量上優(yōu)于以前的模型。這對于應(yīng)用領(lǐng)域（如腦機(jī)接口）和基礎(chǔ)神經(jīng)科學(xué)具有重要影響。

(2): 創(chuàng)新點(diǎn)：本文的創(chuàng)新點(diǎn)在于提出了一種利用生成潛在擴(kuò)散模型的技術(shù)進(jìn)行大規(guī)模復(fù)雜圖像的重建方法。該方法能夠同時(shí)捕捉低級屬性和高級特征，克服了以往方法在復(fù)雜場景圖像重建中的失敗。業(yè)績：本文提出的方法在定性和定量的評估指標(biāo)下優(yōu)于以前的模型，通過公開可用的自然場景數(shù)據(jù)集進(jìn)行了基準(zhǔn)測試。此外，模型應(yīng)用于合成fMRI模式時(shí)能夠生成與神經(jīng)科學(xué)知識一致的“ROI優(yōu)化”場景。工作負(fù)載：本文的工作量包括對現(xiàn)有方法的回顧、提出兩階段的場景重建框架、設(shè)計(jì)生成潛在擴(kuò)散模型，并進(jìn)行定性和定量的評估。同時(shí)，還對合成fMRI模式進(jìn)行了測試和驗(yàn)證，展示了方法的適用性。

BCI-Walls: A robust methodology to predict success or failure in brain computer interfaces

https://arxiv.org/pdf/2210.16939????????2023.7.2

1.標(biāo)題：BCI-Walls: 一種預(yù)測腦機(jī)接口成功或失敗的強(qiáng)大方法

2.作者：Bernd Porr, Lucía Mu?oz Bohollo

3.所屬單位：University of Glasgow (英國格拉斯哥大學(xué))

4.關(guān)鍵詞：腦機(jī)接口，意識EEG變化，噪聲，信噪比，非平穩(wěn)噪聲，肌肉活動(dòng)，眼動(dòng)

5.網(wǎng)址：https://arxiv.org/pdf/2210.16939, Github: None

6.總結(jié)：

(1): 本文研究的背景是腦機(jī)接口依賴于可靠的實(shí)時(shí)檢測意識EEG變化，以控制視頻游戲等操作。然而，頭皮記錄中存在非平穩(wěn)的噪聲，如肌肉活動(dòng)和眼動(dòng)，這干擾了檢測過程，使其潛在地不可靠甚至不可能。

(2): 過去的方法包括獨(dú)立成分分析（ICA）和各種濾波技術(shù)等離線處理方法，以及頻域和時(shí)域的平均值計(jì)算等實(shí)時(shí)處理方法。然而，這些方法都對噪聲剩余有限的效果，并且剩余噪聲會(huì)嚴(yán)重干擾檢測過程。本文的方法的動(dòng)機(jī)是提出一種能夠在非平穩(wěn)噪聲的存在下有效檢測意識EEG變化的方法。

(3): 本文提出的研究方法是通過要求頭皮記錄的信噪比大于基于記錄的噪聲方差最高值和最低值的信噪比閾值（SNR-wall）來提供了一種可衡量的標(biāo)準(zhǔn)，用于確定是否能夠在非平穩(wěn)噪聲存在的情況下檢測到意識EEG變化。

(4): 本文通過記錄中央電極Cz的信號，采用播放視頻游戲和大聲朗讀等引起非平穩(wěn)噪聲的八種不同活動(dòng)作為教學(xué)示例，結(jié)果顯示面部肌肉活動(dòng)和眼動(dòng)對EEG的可檢測性有很大影響，并且至關(guān)重要的是最小化眼動(dòng)偽跡和肌肉噪聲，以便能夠檢測到意識EEG變化。

7.方法：

(1): 通過記錄中央電極Cz的信號，此信號包含了意識控制的EEG變化和非平穩(wěn)噪聲。

(2): 應(yīng)用濾波技術(shù)對原始EEG信號進(jìn)行預(yù)處理，包括DC和電源線干擾去除以及帶通濾波。

(3): 基于信噪比的分析，使用SNR-wall作為衡量標(biāo)準(zhǔn)來確定是否能夠檢測到意識EEG變化。SNR-wall通過計(jì)算最大噪聲方差和最小噪聲方差之間的信噪比來獲得。

(4): 計(jì)算SNR（信噪比）作為意識EEG變化的評估指標(biāo)，通過將純粹受意識控制的EEG信號功率與噪聲功率進(jìn)行比較來計(jì)算。

(5): 將SNR與SNR-wall進(jìn)行比較，若SNR大于SNR-wall，則意味著能夠檢測到意識EEG變化；反之亦然。

(6): 收集來自20個(gè)健康參與者的數(shù)據(jù)，用于進(jìn)行實(shí)驗(yàn)測試。

(7): 使用Attys數(shù)據(jù)采集設(shè)備進(jìn)行數(shù)據(jù)獲取，從Cz電極和A2接地獲得單通道EEG記錄。

(8): 數(shù)據(jù)預(yù)處理階段對原始EEG信號進(jìn)行有效處理，包括因果濾波和去除噪聲。

(9): 運(yùn)用PCA方法對獨(dú)立成分分析(ICA)，通過離線處理方法，對記錄的EEG信號進(jìn)行處理。

(10): 通過不同的活動(dòng)任務(wù)生成不同噪聲方差的情形，如閉眼躺臥、張嘴等，從而確定最大噪聲方差和最小噪聲方差。

(11): 運(yùn)用分析方法計(jì)算出SNR-wall和SNR，通過比較兩者來確定是否能夠檢測到意識EEG變化。

(12): 實(shí)驗(yàn)中進(jìn)行了8種不同活動(dòng)的記錄，包括閉眼躺臥、朗讀、睡覺、看電視等，獲取了相應(yīng)的EEG數(shù)據(jù)。

(13): 通過實(shí)驗(yàn)過程中所獲得的數(shù)據(jù)，驗(yàn)證了面部肌肉活動(dòng)和眼動(dòng)對EEG檢測的影響，并強(qiáng)調(diào)最小化眼動(dòng)偽跡和肌肉噪聲的重要性。

8.結(jié)論：

(1): 本研究提出的方法在腦機(jī)接口領(lǐng)域具有重要的意義。通過使用信噪比閾值（SNR-wall）作為衡量標(biāo)準(zhǔn)，能夠在非平穩(wěn)噪聲存在的情況下有效地檢測意識EEG變化，提高了腦機(jī)接口的可靠性和穩(wěn)定性。

(2): 創(chuàng)新點(diǎn)：本文提出了使用SNR-wall作為衡量標(biāo)準(zhǔn)的方法，通過對最大噪聲方差和最小噪聲方差之間的信噪比進(jìn)行比較，來確定是否能夠檢測到意識EEG變化。這一方法在處理非平穩(wěn)噪聲方面具有優(yōu)勢。

性能：通過實(shí)驗(yàn)驗(yàn)證，本文的方法能夠準(zhǔn)確地檢測到面部肌肉活動(dòng)和眼動(dòng)對EEG檢測的影響，并強(qiáng)調(diào)了最小化眼動(dòng)偽跡和肌肉噪聲的重要性。

工作量：本文提出的方法需要一定的計(jì)算和數(shù)據(jù)處理工作，包括數(shù)據(jù)的預(yù)處理和濾波等步驟，但是通過有效的信噪比分析，可以提高工作效率。

參考文獻(xiàn)

[1]Duda, Jarek. “Time delay multi-feature correlation analysis to extract subtle dependencies from EEG signals.”ArXivabs/2305.09478 (2023): n. pag.

[2]Ozcelik, Furkan and Rufin van Rullen. “Brain-Diffuser: Natural scene reconstruction from fMRI signals using generative latent diffusion.”ArXivabs/2303.05334 (2023): n. pag.

[3]Porr, Bernd and Luc'ia Munoz Bohollo. “BCI-Walls: A robust methodology to predict success or failure in brain computer interfaces.” (2022).