[论文解读] Bayesian Group Nonnegative Matrix Factorization for EEG Analysis

Bonggun Shin, Alice Oh|arXiv (Cornell University)|Dec 18, 2012

EEG and Brain-Computer Interfaces参考文献 15被引用 11

一句话总结

该论文提出了一种贝叶斯组非负矩阵分解（BG-NMF）模型用于EEG分析，能够联合学习跨被试的共性与个体脑激活模式。通过使用指数似然函数建模EEG功率谱密度，并结合伽马-广义逆高斯（GIG）先验，该方法利用变分推断实现鲁棒且受先验信息指导的分解，在提取任务共性模式方面优于GNMF，且在训练数据有限时表现出更高的数据效率。

ABSTRACT

We propose a generative model of a group EEG analysis, based on appropriate kernel assumptions on EEG data. We derive the variational inference update rule using various approximation techniques. The proposed model outperforms the current state-of-the-art algorithms in terms of common pattern extraction. The validity of the proposed model is tested on the BCI competition dataset.

研究动机与目标

• 开发一种用于群体EEG分析的生成模型，以捕捉与任务相关的共性脑模式及被试特异性变异。
• 通过引入先验知识并提升对小样本数据的鲁棒性，克服非生成型NMF方法的局限性。
• 通过基于原则的贝叶斯框架学习跨被试共享模式，实现无需预实验的分类。
• 增强共性与个体成分之间的模式分离，提升可解释性与分类性能。

提出的方法

• 该模型将EEG数据分解为共性基矩阵 $ A_C \in \mathbb{R}^{m \times k} $ 和个体基矩阵 $ A_I \in \mathbb{R}^{l \times m \times j} $，其中 $ X_{mnl} = \sum_k (A_C)_{mk}(S_C)_{lkn} + \sum_j (A_I)_{lmj}(S_I)_{ljn} $。
• 采用指数似然函数建模EEG功率谱密度，以反映EEG信号已知的统计特性。
• 为 $ A_C $ 和 $ A_I $ 分配伽马先验，并使用广义逆高斯（GIG）分布作为变分近似，以实现更紧致的证据下界（ELBO）优化。
• 通过均值场近似与GIG变分分布执行变分推断，实现对 $ A_C $、$ A_I $、$ S_C $ 和 $ S_I $ 后验分布的高效估计。
• 模型使用类别指示变量 $ S_C $ 和与任务相关的混合权重 $ S_I $，其中 $ S_I $ 在给定被试-任务标签的条件下被建模为伽马分布。
• 测试数据的后验推断采用 $ Y^{\text{test}} = \arg\max_k \| X^{\text{test}}_{ln} - \hat{X}^{k}_{\text{train}} \|_2^2 $，其中 $ \hat{X}^{k}_{\text{train}} = (A_C)^{\text{train}}_k $。

实验结果

研究问题

• RQ1 贝叶斯生成模型能否有效分离群体EEG数据中的共性与个体脑激活模式？
• RQ2 与非生成型NMF相比，引入先验知识（如EEG功率的指数分布）在模式发现方面有何改进？
• RQ3 所提模型在多大程度上减少了对被试特异性预实验训练的依赖？
• RQ4 该模型对小样本训练数据的鲁棒性如何？在数据有限时是否仍能保持性能？

主要发现

• 所提出的BG-NMF模型在提取共性模式方面优于GNMF，在BCI竞赛III数据集中，所有被试的共性任务相关激活模式均更清晰且一致。
• 该模型成功捕捉了被试间的表现差异：被试1的个体模式更集中，反映出更强的任务专注度，而被试2和3则表现出更广泛、不明显的模式——与BCI竞赛结果一致。
• 该模型对小样本训练数据表现出强鲁棒性，即使在数据极少时仍能保持高性能，归因于有效引入先验信息。
• GNMF无法反映个体模式中的表现差异，而BG-NMF则能清晰分离并可视化被试特异性变异，表明其具有更优的模式解耦能力。
• 仅使用共性基矩阵（排除个体基矩阵）即可实现强大的共性模式提取，表明共享表征学习具有极高效率。
• 尽管共性模式学习能力出色，该模型在捕捉个体变异方面仍表现有限，提示未来改进的关键方向。