轮播新闻

华南理工大学自动化科学与工程学院俞祝良课题组取得脑电信号分析研究重要进展,其成果被《IEEE Transactions on Pattern Analysis and Machine Intelligence》录用

2023-11-15

华南理工大学自动化科学与工程学院俞祝良课题组在脑电图(EEG)解码领域取得重要研究进展,其最新论文“Sparse Bayesian Learning for End-to-End EEG Decoding”由俞祝良教授和美国Alto Neuroscience公司联合创始人兼首席数据科学官吴畏博士担任通讯作者,华南理工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论文共同第一作者,华南理工大学为第一单位。该论文近日已被国际知名期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》(IEEE T-PAMI)正式录用。

IEEE T-PAMI》是人工智能、模式识别、机器学习等领域公认的最顶级期刊,中科院分区1区期刊,中国计算机协会推荐A类期刊,2023最新影响因子23.6

图1 SBLEST算法流程图

脑电图技术作为记录人类脑电活动最广泛使用的技术,在神经工程学、认知心理学、神经科学以及临床领域具有广泛应用。脑电图解码,即将高维时空脑电图数据映射到目标变量,其准确性对于这些研究领域至关重要。稀疏贝叶斯学习(Sparse Bayesian Learning)被广泛用于基于预定义特征的脑电信号解码任务中构建分类器或回归模型(如相关向量机等),是迄今为止最为成功的脑电信号分析机器学习方法之一,但如何将稀疏贝叶斯学习用于自动优化脑电图特征以进一步提升解码性能仍是开放的难题。

图2 代表性被试的脑电时空模式可视化图

该研究团队首次将稀疏贝叶斯学习拓展到端到端脑电图解码,提出了一种名为SBLEST的算法(图1)。该算法在统一的贝叶斯框架下同时优化时空滤波器和分类器,并可同时优化模型参数和稀疏化超参数,具有理论上的先进性。为了评估SBLEST的有效性,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对算法进行了系统分析。结果表明,SBLEST性能明显优于已有主流脑电图解码算法。同时,通过该算法学习得到的脑电时空模式更容易可视化和解释,有助于从神经生物学和临床角度对结果进行进一步深入的理解和分析(图2)。

该研究成果充分展示了SBLEST在脑机接口和情感识别解码方面的潜力,为相关领域的发展做出了重要贡献,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。