基于大脑拓模型和特征分布对齐的独立听觉空间注意力检测

科学领域:

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

背景情况:

• 听觉空间注意力检测 (ASAD) 旨在通过大脑信号在环境声音中识别听众的焦点.
• 现有的基于单次试验脑电图 (EEG) 的ASAD方法与主体间的可变性作斗争,限制了跨主体的性能.
• 有效的ASAD需要利用EEG通道之间的拓关系,目前的方法往往不充分利用这些关系.

研究的目的:

• 开发一种新的ASAD方法,以解决跨学科的变化,并提高跨学科的表现.
• 通过使用基于图形的EEG数据表示,有效地建模大脑功能连接.
• 为了学习对象不变的EEG模式,以提高概括性.

主要方法:

• 模拟的多通道EEG段作为图形,以微分为节点特征和静态相邻矩阵的通道间相互信息.
• 使用总变化图神经网络将EEG图编码到共享的嵌入空间.
• 使用多个内核的最大平均差异,以使特征分布与参考分布对齐,保持隐私.

主要成果:

• 拟议的模型在跨主题场景中明显优于最先进的ASAD模型.
• 该方法表明计算复杂度相对较低.
• 特征分布对齐明显提高了模型对新主题的概括性.

结论:

• 这种基于图表的新型ASAD方法有效地处理了主体间的变化.
• 维护隐私的特征分布对齐提高了模型的稳定性和通用性.
• 这种方法为改善依赖听觉注意力的脑电脑接口提供了一个有希望的方向.