我看到文物:基于ICA的EEG文物删除不能改善BCI任务中的三种深度网络解码

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 电脑电图 (EEG) 数据的自动预处理对于透明度和可重复性至关重要.
• 基于独立组件 (IC) 的方法非常受欢迎,用于识别和删除EEG中的工件.
• 在诸如神经网络解码之类的多变量场景中,基于IC的噪声排斥的有效性仍然不清楚.

研究的目的:

• 研究基于IC的噪声排斥对基于神经网络分类器的EEG数据解码的影响.
• 在不同的EEG数据集中比较不同的IC分解和组件排斥策略.
• 评估基于IC的预处理的性能提升和计算成本之间的权衡.

主要方法:

• 应用了两种IC分解方法 (Infomax,AMICA) 和三种排斥策略 (没有,ICLabel,MARA).
• 使用了三个EEG数据集:运动图像,长期记忆和视觉记忆.
• 与三个神经网络架构 (两个CNN,一个LSTM) 进行交叉验证的处理数据.

主要成果:

• 基于IC的噪声排斥在最好的情况下为EEG解码提供了微小的好处.
• 由组件拒绝的数据并不总是超过没有拒绝的数据.
• 需要大量的计算资源进行IC分析,质疑成本效益比.

结论:

• 基于IC的噪声排斥在基于神经网络的EEG解码中的实用性是可疑的.
• 当前基于IC的文物删除方法可能无法证明解码任务的计算费用.
• 可能需要进一步的研究来优化用于多变量分析的自动化EEG预处理.