Pseudo Channel: Time Embedding for Motor Imagery Decoding
원문 초록
Motor imagery (MI) based EEG represents a frontier in enabling direct neural control of external devices and advancing neural rehabilitation. This study introduces a novel time embedding technique, termed traveling-wave based time embedding, utilized as a pseudo channel to enhance the decoding accuracy of MI-EEG signals across various neural network architectures. Unlike traditional neural network methods that fail to account for the temporal dynamics in MI-EEG in individual difference, our approach captures time-related changes for different participants based on a priori knowledge. Through extensive experimentation with multiple participants, we demonstrate that this method not only improves classification accuracy but also exhibits greater adaptability to individual differences compared to position encoding used in Transformer architecture. Significantly, our results reveal that traveling-wave based time embedding crucially enhances decoding accuracy, particularly for participants typically considered "EEG-illiteracy". As a novel direction in EEG research, the traveling-wave based time embedding not only offers fresh insights for neural network decoding strategies but also expands new avenues for research into attention mechanisms in neuroscience and a deeper understanding of EEG signals.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
DBConformer: Dual-Branch Convolutional Transformer for EEG Decoding
AGTCNet: A Graph-Temporal Approach for Principled Motor Imagery EEG Classification
Dataset combining EEG, eye-tracking, and high-speed video for ocular activity analysis across BCI paradigms
MVCNet: Multi-View Contrastive Network for Motor Imagery Classification
운동 상상 전기뇌파의 피험자 간 분류를 위한 베이지안 완전 풀링
Bayesian Complete-Pooling in Cross-Subject Classification for Motor Imagery Electroencephalogram
뇌-컴퓨터 인터페이스(BCI)는 오랫동안 보정이 필요 없는 작동을 추구해 왔으나, 분류기는 통상 판별 성능만으로 평가된다. 판별 성능은 보정(calibration)을 반영하지 못하는데, 뇌전도(EEG) 신호가 비정상성(nonstationary)을 띠고 점추정 분류기가 분포 이동 하에서 과신할 수 있다는 점에서 이는 의미 있는 간극이다. 우리는 20개 데이터셋에 걸친 피험자 간 좌·우손 운동 상상 EEG 분류에서 베이지안 완전 풀링 모델과 빈도주의 기준 모델을 대조하는 대규모 연구를 수행하였다. 여섯 가지 빈도주의 파이프라인 각각을 동일하고 결정론적인 특징 추출을 공유하는 대응 베이지안 파이프라인과 짝지어, 분류기만 베이지안이 되도록 하였다. 베이지안 분류기는 마르코프 연쇄 몬테카를로로 적합하였다. 주요 지표는 신뢰도(reliability)와 분해능(resolution)으로 분해한 브라이어 점수였으며, 판별에는 ROC 곡선 아래 면적을, 선명도(sharpness)에는 섀넌 엔트로피를 함께 사용하였다. 각 지표에 대해 Knapp-Hartung 보정을 적용한 랜덤효과 메타분석을 수행하고 leave-one-out 영향 분석으로 검증하였다. 베이지안 완전 풀링은 신뢰도의 통계적으로 유의한 개선과 예측 불확실성의 증가(선명도 저하)를 보였으며, 95% 신뢰구간은 신뢰도에서 [-0.0029, -0.0001], 엔트로피에서 [0.0022, 0.0220] 비트였다. 그러나 사후분포 샘플링에 문제가 있다고 표시된 데이터셋을 제외하면 두 효과 모두 통계적 유의성을 유지하지 못했다. 브라이어 점수, 분해능, 판별 성능에서는 유의한 차이가 없었다. 연구 간 이질성은 모든 지표에서 낮았다. 베이지안 파이프라인은 빈도주의 파이프라인보다 약 13배 많은 에너지를 소비하였으나, 이는 일반 가전제품에 비해 여전히 적은 수준이다. 이처럼 비용이 크지 않으므로, 완전 풀링이 배제한 구조인 피험자 및 세션 간 부분 풀링이 실현 가능한 다음 단계가 된다.
피험자 간 EEG 디코딩을 위한 뇌 파운데이션 모델 기반 소스 선택적 도메인 적응
Brain foundation model-guided source-selective domain adaptation for cross-subject EEG decoding
피험자 간(cross-subject) 운동 심상(motor-imagery) 뇌전도(EEG, MI-EEG) 디코딩은 피험자 간 변동성이 커서, 매칭이 잘 되지 않는 소스 피험자로부터의 음의 전이(negative transfer)와 소스-타깃 도메인 간의 지속적인 분포 차이를 동시에 유발할 수 있기 때문에 여전히 어려운 과제이다. 기존의 다중 소스 도메인 적응 방법들은 흔히 가능한 모든 소스 도메인을 사용하거나 신호 수준 또는 태스크 특화 표현을 이용해 소스 관련성을 추정하며, 분포 정렬(distribution alignment)은 특징(feature) 수준에서만 수행되는 경우가 많다. 이러한 한계는 무관한 소스 지식을 유입시키고 피험자 간 클래스 판별 구조를 보존하지 못하는 결과를 낳을 수 있다. 본 연구에서는 피험자 간 MI-EEG 디코딩을 위한 뇌 파운데이션 모델 기반 다중 소스 도메인 적응 프레임워크(BFM-MSDA)를 제안한다. 이 방법은 먼저 사전학습된 뇌 파운데이션 모델이 학습한 표현을 활용하여 소스-타깃 호환성을 추정하고 타깃과 관련된 소스를 검색한다. 이어서 선택된 소스와 레이블이 없는 타깃 도메인에 관련성 가중 이중 정렬(relevance-weighted dual alignment) 전략을 적용한다. 구체적으로, 코시-슈바르츠(Cauchy–Schwarz, CS) 발산을 사용하여 주변 특징 분포(marginal feature distribution)의 차이를 줄이고, 조건부 코시-슈바르츠(conditional Cauchy–Schwarz, CCS) 발산을 통해 클래스에 의존적인 결정 분포(decision distribution)를 추가로 정렬한다. 소스 관련성은 두 정렬 항 모두에 반영되어, 전이 가능성이 더 높은 소스 피험자가 적응 과정에 더 강하게 기여하도록 한다. 두 개의 공개 MI-EEG 벤치마크에서의 실험은 각각 평균 정확도 86.16%와 78.41%를 달성하여 대표적인 피험자 간 디코딩 및 도메인 적응 방법들을 능가하였다. 대규모 소스 풀을 이용한 추가 실험은 타깃을 고려한 소스 검색(target-aware source retrieval)이 음의 전이를 완화하면서 확장성을 향상시킨다는 것을 추가로 보여준다. 이러한 결과는 피험자 간 분포 변화(distribution shift) 상황에서 정보에 기반한 소스 선택의 중요성을 강조한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.