【脑电信号处理与特征提取】P7-涂毅恒：运用机器学习技术和脑电进行大脑解码

运用机器学习技术和脑电进行大脑解码

科学研究中的大脑解码

比如2019年在Nature上一篇文章，来自UCSF的Chang院士的课题组，利用大脑活动解码语言，帮助一些患者恢复语言功能。
在这里插入图片描述

大脑解码的重要步骤

大脑解码最重要的两步就是信号采集和信号解码 ，信号采集就是所说的脑电技术，信号解码就是机器学习的方法。
在这里插入图片描述

机器学习-基本流程

在这里插入图片描述

机器学习-数据采集

数据采集：确保训练和测试数据集充足且具有代表性
- 充足的数据：确保存在足够多的数据来训练分类器
- 有代表的数据：确保有意义的变化都可以从训练和测试数据采样得到

机器数据-预处理

预处理：对获取的数据进行调整，金尽可能消除各种来源的噪声
- 滤波（去除噪声）：
  - 有限冲激响应FIR/无限冲激响应IIR滤波
  - 自适应滤波
  - 空间滤波（独立成分分析）等
- 剔除异常值（outlier removal）
- 归一化（normalization）

预处理-剔除异常值

异常值（outlier）：数值上与其他数据距离过于远的数据，它将极大地影响正确分类器的训练。
比如：被EOG干扰的EEG试次可能是异常值（在幅度上差别极大）。
在这里插入图片描述
典型方法：设置一个阈值，如果样本值大于阈值，则可以将该样本视为异常值。
例如：3标准差原则，剔除超过样本均值3个标准差的样本值（仅局限于正态或近似正态分布的样本）。

预处理-归一化

归一化（特征缩放）：由于原始数据的取值范围变化很大，如果不进行归一化，某些分类器无法正常工作。
例如，大多数分类器会计算两个样本之间的距离。如果其中一个特征的范围很广，则计算的距离将主要受该特定特征的影响。因此需要对所有特征的范围进行归一化，使每个特征对最终距离的贡献成比例。

归一化的方法有两种：标准化（standardization）和再缩放（re-scaling）
在这里插入图片描述
还有一种情况可采用对数变换：当特征值存在较大差异的时候，使用对数变换来减小特征值的动态范围。

机器学习-特征提取和选择

当对正眼闭眼状态的EEG进行分类时

重要特征为枕区的 $\alpha$ 频段能量
冗余特征可能为枕区不同通道的 $\alpha$ 频段能量
无用特征可能为其它频段其它脑区的EEG能量

Q: 为什么要进行特征提取和选择？
A: 因为数据维数过高会面临无法找到重要特征和过拟合问题，所以需要选择有用的特征进行训练。这里用到的方法叫做降维。

在这里插入图片描述

降维

降维（dimension reduction）：主要是由脑电研究中面临的“大数据”挑战所驱动的。

降维的重要性：
少量但信息量大的特征可以显著减少
- 分类算法的复杂度
- 运行算法时对时间以及机器的需求
- 过拟合出现的可能性
特征提取和特征选择都是降维过程

无监督降维-主成分分析

最常见的无监督降维方法为主成分分析（Principal Component Analysis，PCA）。
PCA通常用于高维特征投影到底维空间中，从而有效地降低维数
在数学上，PCA使用正交变换将相关变量的一组观测值转换为一组被称为主成分（Principal Components，PCs）的线性不相关变量。
主成分分析将观测到的数据转换到一个新的坐标系中，这样对数据进行投影后得到的最大方差就会落在第一个坐标上（即主成分），第二大方差落在第二个坐标上，以此类推。

如何理解选择方差大的特征呢？ 因为PCA的目的就是选择重要的特征，重要的特征应该能够区别不同样本，方差大意味着样本在这一个特征下的区分度大，所以我们选择方差大的特征作为主成分。
主成分分析是一种强大的降维工具。
如果一个主成分的方差很小，从数据中删除这个成分后，我们只损失了少量的信息。
假设我们只保留L个主成分，那么新数据将只有L列，但却包含了原始数据中绝大多数的信息。

算法如下：
主成分分析可应用于脑电分析，以降低以下域上的维数
- 时间（相邻时间点信号幅度近似）
- 频率（相邻频率点功率值相似）
- 空间（相邻通道的脑电相似程度高）
原因：脑电信号在这些域内包涵冗余特征