[论文解读] Dynamic Ensemble Modeling Approach to Nonstationary Neural Decoding in Brain-Computer Interfaces

Yu Qi, Bin Liu+2 more|arXiv (Cornell University)|Nov 2, 2019

EEG and Brain-Computer Interfaces参考文献 28被引用 8

一句话总结

该论文提出DyEnsemble，一种动态集成建模方法，通过使用贝叶斯更新自适应组合多种候选模型，以应对非平稳神经信号，从而提升脑-计算机接口中的神经解码性能。该方法在噪声条件下尤其优于卡尔曼滤波器和深度学习基线模型，通过动态切换模型来减轻噪声和神经活动的功能性变化影响。

ABSTRACT

Brain-computer interfaces (BCIs) have enabled prosthetic device control by decoding motor movements from neural activities. Neural signals recorded from cortex exhibit nonstationary property due to abrupt noises and neuroplastic changes in brain activities during motor control. Current state-of-the-art neural signal decoders such as Kalman filter assume fixed relationship between neural activities and motor movements, thus will fail if this assumption is not satisfied. We propose a dynamic ensemble modeling (DyEnsemble) approach that is capable of adapting to changes in neural signals by employing a proper combination of decoding functions. The DyEnsemble method firstly learns a set of diverse candidate models. Then, it dynamically selects and combines these models online according to Bayesian updating mechanism. Our method can mitigate the effect of noises and cope with different task behaviors by automatic model switching, thus gives more accurate predictions. Experiments with neural data demonstrate that the DyEnsemble method outperforms Kalman filters remarkably, and its advantage is more obvious with noisy signals.

研究动机与目标

• 为解决脑-计算机接口中因噪声和神经可塑性导致的神经活动变化问题，即非平稳神经信号挑战。
• 克服静态解码器（如卡尔曼滤波器）的局限性，后者假设神经活动与运动之间存在固定关系。
• 开发一种鲁棒且自适应的解码框架，以在信号漂移和瞬态噪声下维持高精度。
• 实现实时在线自适应，无需周期性重新校准或真实运动数据。

提出的方法

• 该方法采用粒子滤波器，通过输入的神经信号递归估计每个候选模型的后验概率。
• 通过神经元丢弃和权重扰动生成多样化的候选模型，以表示不同的功能映射关系。
• 通过贝叶斯推断更新权重，构建动态集成测量函数，将候选模型组合起来。
• 遗忘因子控制模型惯性，使系统能够随时间适应神经信号特征的变化。
• 通过贝叶斯更新机制在线执行模型选择与组合，根据模型对当前数据的拟合可能性优先选择最优模型。
• 该方法嵌入状态空间框架中，通过引入动态测量模型扩展卡尔曼滤波器，提升鲁棒性。

实验结果

研究问题

• RQ1 与固定模型解码器相比，动态集成方法是否能在非平稳神经信号下提升解码精度？
• RQ2 所提出的方法在在线解码过程中如何处理瞬态噪声和神经活动的功能性变化？
• RQ3 模型多样性与自适应组合在噪声或变化的神经条件下能在多大程度上增强鲁棒性？
• RQ4 在真实神经解码中，模型大小、候选模型数量、遗忘因子和权重扰动的最优超参数是什么？

主要发现

• 在原始（无噪声）神经信号下，DyEnsemble-2在Rat1上的皮尔逊相关系数（CC）达到0.799，略高于卡尔曼滤波器（0.777），并与表现最佳的双解码器（0.779）相当。
• 在4个噪声神经元条件下，DyEnsemble-5在Rat1上的CC达到0.671，比卡尔曼滤波器（0.559）高19.8%，比LSTM（0.617）高8.8%，比双解码器（0.575）高16.7%。
• 对于Rat2，在4个噪声神经元条件下，DyEnsemble-5的CC达到0.792，显著优于卡尔曼滤波器（0.723）、LSTM（0.734）和双解码器（0.730）。
• 遗忘因子具有显著影响：较小值（如α = 0.1）表现更优，反映出对非平稳信号高度适应的必要性。
• 权重扰动因子（p）存在最优范围：当p = 0.1时性能达到峰值，而当p > 0.2时性能急剧下降，表明适应性与精度之间存在权衡。
• 模型大小对性能有积极影响，但存在临界点——从10增至18可提升CC，但进一步增大至20时，Rat2的性能略有下降，表明信息增益与噪声敏感性之间存在权衡。