近期，华南理工大学自动化科学与工程学院脑机接口实验室的俞祝良团队首次将稀疏贝叶斯学习应用到端到端脑电图解码，提出了一种名为SBLEST的算法。在统一的贝叶斯框架下，该算法同时优化时空滤波器、分类器、模型参数和稀疏化超参数，不仅在理论上具有先进性，而且在实际应用中展示出出色的分类性能和较强的可解释性。
华南理工大学自动化科学与工程学院俞祝良教授和美国Alto Neuroscience公司联合创始人兼首席数据科学官吴畏博士共同担任通讯作者。华南理工大学自动化科学与工程学院博士研究生王文龙和广东金融学院齐菲菲副教授为共同第一作者，华南理工大学为第一作者单位和通讯单位。
该论文发表在IEEE Transactions on Pattern Analysis and Machine Intelligence。题目为《Sparse Bayesian Learning for End-to-End EEG Decoding》。
研究背景
作为记录人类脑电活动的主要手段，脑电图（EEG）技术在神经工程学、认知心理学、神经科学以及临床领域发挥着至关重要的作用。在脑机接口、情感识别和精神病学精准治疗等具体应用中，将高维时空EEG数据准确映射到目标变量（如运动意图、情感类别或精神障碍的诊断/预后）是核心任务，这一过程也被称之为EEG解码。稀疏贝叶斯学习作为一种成功的脑电信号分析机器学习方法，被广泛应用于构建基于预定义特征的分类器或回归模型（如相关向量机等）。然而，如何使用稀疏贝叶斯学习自动优化脑电图特征，以进一步提升解码性能，一直是该领域面临的一大挑战。
研究结果分析
本文重点研究了基于频谱能量特征的EEG解码问题。频谱能量特征能量化脑节律活动强度，其计算成本低、可靠性高，且具有坚实的神经生理学基础，因此被广泛应用于包括运动想象脑机接口、情感识别以及精神疾病的精准治疗等多种EEG解码应用中。
SBLEST算法以提升EEG解码性能为目标，通过时空滤波将多通道EEG数据映射到隐空间，以数据驱动的方式优化了频谱能量特征及其至解码目标的映射。因此，该算法很好地解决了在通道层面计算频谱能量时面临的容积传导问题，并在贝叶斯机器学习的框架下有效地编码和优化了时空滤波器和模式分类器（图1）。
具体而言，在进行模型估计时，研究团队把EEG解码构建为一个低秩正则化约束的线性矩阵回归问题，并在稀疏贝叶斯学习的框架下开发了一种高效的算法来求解该非凸优化问题。该框架构建了优化问题的概率模型，在权重矩阵上采用参数化高斯先验，使其具备低秩特性；同时通过最大化边际似然方法来系统化地确定正则化参数，从而不依赖于交叉验证方法来估计正则化参数。此外，SBLEST算法中的参数和超参数的更新规则也提升了其计算效率和实用性。
图2. SBLEST与其他对比算法在5个运动想象数据集上分类准确率（%），“***” 表示经Bonferroni校正的Wilcoxon符号秩检验p值<0.005.
该研究在五套运动想象脑电图数据集和一套情感识别脑电图数据集上验证了SBLEST算法的性能。与包括基于共空域模式的算法、基于凸分析的算法和最新的EEG深度学习算法相比，SBLEST在分类性能上展现出显著的优势（图2）。
除了理论和计算上的创新，该研究的另一贡献是通过分解和可视化SBLEST获得的最佳时空滤波器获得有效的时空模式，并通过与已有的神经生理学知识进行对比来评估这些滤波器的有效性。例如，在被试内运动想象分类实验的分析中，该研究得到了SBLEST及对比算法优化的空域滤波器对应的头皮拓扑图和时域滤波器的频率响应曲线，如图3所示。可以看到，通过SBLEST获得的头皮拓扑图激活区主要集中在与运动皮层相关的任务相关区域，这与已有神经生理学知识相符合。
此外，尽管基于对比算法获得的头皮拓扑图也揭示了任务相关区域，但相比之下，SBLEST获得的空间模式显示出更高的信噪比和更集中的激活区域。同时，我们也可以观察到，针对被试S3和SUB93优化的SBLEST时域滤波器的频率响应曲线存在明显差异。这些针对特定被试优化的时域滤波器和空域滤波器使得SBLEST在分类性能上超越其他算法。
通过对时空滤波器的优化和可视化，SBLEST算法不仅在理论上推进了EEG解码的研究，也在实际应用中展示了优异的解码性能和高度的可解释性，有助于从神经生物学和临床角度对结果进行深入理解和分析。
结论
该论文提出了一种被称为SBLEST的端到端的EEG解码算法，在稀疏贝叶斯学习框架内优化时空滤波器、分类器、模型参数和稀疏化超参数。在多套EEG数据集的系统分析证明了SBLEST算法相比其他算法在解码性能上的优越性。该方法提供的高度可视化和强解释性的时空模式也为研究神经生物学和临床问题提供了新的视角和依据。综上所述，该研究为EEG解码和稀疏贝叶斯学习方法做出了重要贡献，并为未来脑机接口和脑疾病生物标记物研究提供了有力的方法学支撑。
参考内容：
DOI:10.1109/TPAMI2023.3299568
—— End ——
仅用于学术分享，若侵权请留言，即时删侵！
加入社群
欢迎加入脑机接口社区交流群，
探讨脑机接口领域话题，实时跟踪脑机接口前沿。
加微信群：
联系客服
