[论文解读] Bayesian Nonparametric Models for Synchronous Brain-Computer Interfaces

Jaime F. Delgado Saa, Müjdat Çetin|arXiv (Cornell University)|Dec 27, 2016

Bayesian Methods and Mixture Models参考文献 10被引用 3

一句话总结

该论文提出了一种具有粘性转移的贝叶斯非参数隐马尔可夫模型（HDP-HMM），用于同步脑-计算机接口，利用层次狄利克雷过程从数据中自动推断隐藏状态数和高斯混合分量数，而无需预先指定。该方法在EEG运动任务分类中表现优于标准HMM和BCI竞赛IV的优胜者，通过建模频带内EEG功率的时间动态特性，实现了更高的kappa值。

ABSTRACT

A brain-computer interface (BCI) is a system that aims for establishing a non-muscular communication path for subjects who had suffer from a neurodegenerative disease. Many BCI systems make use of the phenomena of event-related synchronization and de-synchronization of brain waves as a main feature for classification of different cognitive tasks. However, the temporal dynamics of the electroencephalographic (EEG) signals contain additional information that can be incorporated into the inference engine in order to improve the performance of the BCIs. This information about the dynamics of the signals have been exploited previously in BCIs by means of generative and discriminative methods. In particular, hidden Markov models (HMMs) have been used in previous works. These methods have the disadvantage that the model parameters such as the number of hidden states and the number of Gaussian mixtures need to be fix "a priori". In this work, we propose a Bayesian nonparametric model for brain signal classification that does not require "a priori" selection of the number of hidden states and the number of Gaussian mixtures of a HMM. The results show that the proposed model outperform other methods based on HMM as well as the winner algorithm of the BCI competition IV.

研究动机与目标

• 通过建模运动任务期间EEG信号的时间动态特性，提升同步BCI的性能。
• 克服传统HMM需要预先指定隐藏状态数和高斯混合分量数的局限性。
• 开发一种贝叶斯非参数方法，直接从EEG数据中推断模型复杂度。
• 通过时间-频率特征和运动皮层节律任务中的状态动态特性，提升分类准确性。
• 为BCI系统提供一种稳健、数据驱动的固定参数HMM替代方案。

提出的方法

• 使用自回归建模方法计算EEG信号的时间-频率分布，用于特征提取。
• 应用通用空间模式（CSP）进行空间滤波，以提高信噪比。
• 采用分层狄利克雷过程-隐马尔可夫模型（HDP-HMM），允许存在无限多个隐藏状态和高斯混合分量。
• 引入粘性转移先验，以增强状态持续性，改善时间序列的建模效果。
• 使用贝叶斯推断计算模型复杂度的后验分布，避免手动调整超参数。
• 在每次试验结束时应用前向-后向算法进行滤波和分类。

实验结果

研究问题

• RQ1 贝叶斯非参数模型能否自动推断EEG基BCI分类中的最优隐藏状态数？
• RQ2 对状态分布和发射分布同时使用分层狄利克雷过程，是否能提升分类性能，相较于固定参数HMM？
• RQ3 在相同EEG数据集上，粘性HDP-HMM与BCI竞赛IV优胜者的kappa得分相比如何？
• RQ4 EEG功率在频带内的时序动态特性在多大程度上促进了BCI性能的提升？
• RQ5 所提出的模型在多大程度上减少了对交叉验证或专家调参的依赖以确定HMM参数？

主要发现

• 粘性HDP-HMM在所有其他基于HMM的方法及BCI竞赛IV优胜者中均取得了更高的平均kappa值，后者报告的最大kappa值为0.60。
• 所提出的方法优于使用三个状态和每个状态两个高斯分量的固定参数HMM（HMM-FP）。
• 通过交叉验证选择参数的HMM（HMM-CV）最多选择三个隐藏状态和三个高斯分量，但仍表现不如粘性HDP-HMM。
• 贝叶斯非参数方法成功推断出模型复杂度，而无需预先指定状态数或混合分量数。
• 该方法有效捕捉了运动想象任务期间EEG功率在α和β频带内的时序动态特性。
• 通过线性回归和CSP滤波实现的伪影抑制改善了信号质量，从而贡献于整体性能提升。