论文阅读 GMM-JCSFE Model(EEG Microstate)
Motor Imagery Recognition Based on GMM-JCSFE Model
1.问题与困境
1.1 微状态
将连续的EEG信号分解为一系列短暂的、稳定的“微状态”,每个微状态代表了大脑在特定时间窗口内的特定功能。微状态模型的核心思想是,大脑的活动可以看作是由一系列离散的、短暂的状态组成的,这些状态在时间和空间上具有特定的模式。
- 空间特征:每个微状态具有特定的头皮电位分布(即空间拓扑结构)。
- 时间特征:每个微状态持续一段时间,随后快速过渡到另一个微状态。
- 动态性:微状态之间的转换反映了大脑功能网络的动态重组。
两个假设:
- 一热假设(One-Hot Hypothesis):在任何给定时间点,EEG信号的空间拓扑结构主要由一个微状态主导。
- 离散假设(Discrete Hypothesis):EEG信号的状态转换是突变的,即从一个微状态直接跳转到另一个微状态,没有过渡期。
1.2 问题
传统的EEG微状态模型假设状态之间存在突变,且分类特征因个体差异而异。EEG微状态特征的经验和理论分类结果都不完全令人满意,本文提出了一种基于EEG微状态模型的EEG微状态分类方法。
本文提出了一种改进的特征提取方法,该方法将联合标签公共和标签特定特征探索(JCSFE)与高斯混合模型(GMM)相结合来探索微状态特征。
首先,使用GMM来表示EEG时空特征在微状态模型中的平滑过渡。其次,通过对线性分类器施加正则化约束来识别类别公共和类别特定特征。第三,在公开数据集上的实验结果表明,该模型有效地编码了微观状态特征,提高了跨被试运动想象识别的准确率。
本研究主要研究运动想象的特征提取及其分类算法,通过识别被试的共同时空动态特征(在不同分类任务中具有一致的区分力)和独特时空动态特征(在不同分类任务中具有不同的区分力),旨在最大限度地减少个体差异,提高识别准确率。
2. 模型
2.1 模型总览
GMM-JCSFE模型流程:
1. 数据预处理主要包括滤波(4- 38 HZ)、分割和基线校正、去除伪影和参考。
2.a:子模型数设为10,GMM对预处理后的EEG数据采用高斯混合模型分解算法进行处理,得到每个高斯子模型的参数和概率,每个子模型的概率构成微观状态特征。
3.b:JCSFE模块区分了微操作系统的特定功能和常见功能,状态特征并执行分类任务。
4.分类结果包括四种运动想象:左手、右手、脚和舌头。
2.2 高斯混合模型GMM
传统的微状态模型假设EEG信号在任何时刻都由一个单一的微状态主导(即“一热假设”)。然而,这种假设可能无法完全反映EEG信号的复杂动态特性。本文提出了一种基于GMM的混合表示方法,将EEG信号分解为多个高斯子模型的线性组合,从而更好地捕捉微状态的平滑过渡特性。这种方法能够更好地捕捉EEG信号的平滑过渡特性,从而提高微状态特征的表达能力。
2.3 类别共性特征和特定特征的挖掘模型
传统的微状态分析方法主要依赖于经验定义的时间域统计特征(如持续时间、出现频率和覆盖率),缺乏对微状态时空序列信息的深入挖掘。因此,本文提出JCSFE模型,旨在探索是否存在对所有MI任务都具有判别能力的共同特征,以及是否存在偏向于特定MI任务的类别特定特征。