[论文解读] EEG-Based User Reaction Time Estimation Using Riemannian Geometry Features

Dongrui Wu, Brent J. Lance+4 more|arXiv (Cornell University)|Apr 27, 2017

EEG and Brain-Computer Interfaces被引用 3

一句话总结

该论文提出了一种基于黎曼几何的新型脑电信号特征提取方法，用于基于脑电图（EEG）的脑-计算机接口（BCI）回归任务，通过空间滤波结合切线空间映射，提升了反应时间（RT）估计的性能。与传统频带功率特征相比，该方法将均方根误差降低了4.30–8.30%，相关系数提高了6.59–11.13%，首次将黎曼几何应用于BCI回归问题。

ABSTRACT

Riemannian geometry has been successfully used in many brain-computer interface (BCI) classification problems and demonstrated superior performance. In this paper, for the first time, it is applied to BCI regression problems, an important category of BCI applications. More specifically, we propose a new feature extraction approach for Electroencephalogram (EEG) based BCI regression problems: a spatial filter is first used to increase the signal quality of the EEG trials and also to reduce the dimensionality of the covariance matrices, and then Riemannian tangent space features are extracted. We validate the performance of the proposed approach in reaction time estimation from EEG signals measured in a large-scale sustained-attention psychomotor vigilance task, and show that compared with the traditional powerband features, the tangent space features can reduce the root mean square estimation error by 4.30-8.30%, and increase the estimation correlation coefficient by 6.59-11.13%.

研究动机与目标

• 解决EEG-based BCI回归问题中有效特征提取方法缺乏的问题，该问题相较于分类任务研究较少。
• 利用黎曼几何从EEG协方差矩阵中提取非线性、信息丰富的特征，以适用于回归任务。
• 通过一种新颖的空间滤波与黎曼切线空间特征映射流程，提升从脑电信号中估计反应时间的准确性与鲁棒性。
• 在大规模持续注意力心理运动警觉性任务（PVT）中，证明黎曼切线空间特征相较于传统频带功率特征的优越性。

提出的方法

• 应用空间滤波器（CSPR-OVR）以增强信噪比并降低EEG试验的维度，再进行协方差矩阵估计。
• 使用黎曼平均算法（算法2）在对称正定（SPD）矩阵流形上计算空间滤波后协方差矩阵的黎曼均值。
• 通过计算到黎曼均值的归一化相似度的矩阵对数，将每个试验的协方差矩阵映射到黎曼切线空间：$\mathrm{logm}(\bar{\mathbf{\Sigma}}^{-1/2} \mathbf{\Sigma}_n \bar{\mathbf{\Sigma}}^{-1/2})$。
• 提取切线空间矩阵的上三角部分作为最终特征向量，既保留几何结构，又支持标准回归建模。
• 采用模糊类别方法将反应时间划分为KF类，其中F为每类的空间滤波器数量，以建模连续的RT分布。
• 在所得切线空间特征上训练回归模型（如LASSO），并与基线频带功率特征的性能进行比较。

实验结果

研究问题

• RQ1 与传统频带功率特征相比，黎曼几何特征是否能提升EEG基反应时间估计的准确性？
• RQ2 空间滤波与黎曼切线空间特征的结合在持续注意力任务中的回归性能表现如何？
• RQ3 黎曼特征在连续BCI回归任务中，能在多大程度上降低估计误差并提高相关性？
• RQ4 所提出的方法在实时或实际BCI应用中是否具备计算可行性？
• RQ5 疲劳状态作为认知功能下降的粗略代理，是否足以提供反应时间的预测能力，还是其粒度不足，难以实现精确建模？

主要发现

• 所提出的黎曼切线空间特征提取方法相较于传统频带功率特征，将反应时间估计的均方根误差（RMSE）降低了4.30–8.30%。
• 该方法在不同受试者和实验会话中，将预测值与实际反应时间之间的相关系数（CC）提高了6.59–11.13%。
• 该改进在多个受试者和实验会话中保持一致，显示出良好的鲁棒性与泛化能力。
• 特征提取流程的训练时间与训练样本数量呈线性关系，拟合公式为0.0261 + 0.0030N秒（N为样本数），表明具有实际可行性。
• 箱线图分析显示，高疲劳状态与更高的平均RT、更大的方差以及更多的极端值相关，表明疲劳是相关但粗略的预测因子。
• 尽管观察到疲劳与RT之间存在关联，但本研究未将疲劳状态作为特征输入，因其粒度过细，不足以实现准确的RT预测。