基于EEG的冥想解码:解决对象的变性与空间和时间对齐
Angeliki-Ilektra Karaiskou1,2, Carolina Varon1, Cem Ates Musluoglu1
1STADIUS Center for Dynamical Systems Signal Processing and Data Analytics, Department of Electrical Engineering (ESAT), KU Leuven, 3001 Leuven, Belgium.
Journal of neural engineering
|December 10, 2025
概括
这项研究通过使用空间和光谱对齐技术,改进了对冥想和休息状态的脑电图 (EEG) 分类. 这些方法增强神经反系统,以便在不需要再培训的情况下更好地概括主题,从而推进无校准的神经技术.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 基于脑电图 (EEG) 的神经反系统对心理健康至关重要,但在主体概括方面存在困难.
- 现有的系统往往未能在没有广泛的再培训的情况下准确地对新学科的冥想和休息状态进行分类.
研究的目的:
- 调查空间和光谱对齐技术对EEG数据的应用,以改善冥想和休息状态的独立主体分类.
- 评估无监督域适应方法在降低EEG记录主体间变异性的有效性.
主要方法:
- 采用无监督域适应技术:空间域的里曼空间数据对齐 (RSDA) 和光谱域的卷积蒙格映射规范化 (CMMN).
- 评估RSDA和CMMN单独,组合,以及z-score正常化.
- 利用了EEGNet,一个卷积神经网络,在53个受试者的数据集上进行了离开一个受试者的交叉验证 (LOSO).
主要成果:
- 结合RSDA+CMMN方法在LOSO分类准确度上取得了显著的改进 (66.6%),与非对齐 (55.7%) 和z-score正常化 (59.6%) 基线相比.
- 频谱分析表明,Theta,Alpha和Beta频段的贡献很大.
- 空间分析发现前极和时间区域对国家歧视至关重要.
结论:
- 脑电图数据的空间和光谱对齐显著增强了跨主题的概括性,可以在没有重新训练模型的情况下对冥想状态进行分类.
- 这种方法为实时神经反提供了实用的解决方案,减少了对象的变化,并使无校准的神经技术成为可能.
- 这些发现为支持心理健康的更容易获得和更有效的神经反工具铺平了道路.
