[论文解读] EXPLORING NEW TERRITORY: CALIBRATION-FREE DECODING FOR C-VEP BCI

Jordy Thielen, Jan Sosulski+1 more|arXiv (Cornell University)|Mar 22, 2024

Blind Source Separation Techniques被引用 1

一句话总结

本研究提出了一种无需校准的解码方法——无监督均值最大化（UMM），用于码调制视觉诱发电位（c-VEP）脑机接口（BCI），并在零训练设置下将其与典型相关分析（CCA）进行比较。UMM在7.35秒内累计分类准确率超过90%，展现出无需校准数据的强劲性能；而CCA略优于UMM，但两者均实现了实时、无需校准的BCI操作。

ABSTRACT

This study explores two zero-training methods aimed at enhancing the usability of brain-computer interfaces (BCIs) by eliminating the need for a calibration session. We introduce a novel method rooted in the event-related potential (ERP) domain, unsupervised mean maximization (UMM), to the fast code-modulated visual evoked potential (c-VEP) stimulus protocol. We compare UMM to the state-of-the-art c-VEP zero-training method that uses canonical correlation analysis (CCA). The comparison includes instantaneous classification and classification with cumulative learning from previously classified trials for both CCA and UMM. Our study shows the effectiveness of both methods in navigating the complexities of a c-VEP dataset, highlighting their differences and distinct strengths. This research not only provides insights into the practical implementation of calibration-free BCI methods but also paves the way for further exploration and refinement. Ultimately, the fusion of CCA and UMM holds promise for enhancing the accessibility and usability of BCI systems across various application domains and a multitude of stimulus protocols.

研究动机与目标

• 消除基于c-VEP的脑机接口中对校准会话的需求。
• 评估无监督均值最大化（UMM）在c-VEP数据上的性能，这是将UMM首次应用于该刺激协议的新颖尝试。
• 在瞬时与累计分类设置下，将UMM与最先进的基于CCA的零训练解码方法进行比较。
• 评估两种方法在非平稳脑电信号条件及会话间变异情况下的鲁棒性。
• 探索依赖刺激序列知识但不依赖标记脑电信号数据的半监督解码流程的可行性。

提出的方法

• 提出UMM作为c-VEP BCI的无需校准解码方法，通过最大化不同试验中目标与非目标事件相关电位（ERP）平均值之间的距离来实现。
• 将UMM应用于c-VEP数据，将每次试验视为对应一个符号选择的时段序列，并计算能最大化目标与非目标ERP均值差异的刺激序列。
• 采用领域特定的正则化技术，包括收缩法与块托普利茨协方差矩阵，以在数据有限的情况下提升稳定性和性能。
• 实现瞬时与累计UMM解码：前者独立评估每次试验，后者则利用先前试验的置信加权反馈更新ERP均值估计。
• 将UMM与基于CCA的零训练解码方法进行比较，后者通过重卷积与典型相关分析，从无标签的脑电信号中推断刺激序列。
• 依赖已知的刺激时间与序列信息（但不依赖标签），将两种方法归类为半监督方法。

实验结果

研究问题

• RQ1 UMM是否能在无任何校准数据或标记训练样本的情况下，在c-VEP BCI中实现高分类准确率？
• RQ2 在零训练设置下，UMM与CCA在非平稳脑电信号条件下的性能与鲁棒性如何比较？
• RQ3 累计学习是否能随时间提升UMM的性能？其与CCA的累计学习策略相比表现如何？
• RQ4 UMM与CCA在处理会话间与会话内脑电信号变异方面各有哪些独特优势与局限？
• RQ5 两种方法是否均能实现实时、瞬时解码而无需先前数据？在数据极少的情况下表现如何？

主要发现

• UMM在7.35秒的试验数据后，累计解码准确率超过90%，表明其在c-VEP数据上具有极强的零训练性能。
• CCA在累计解码中优于UMM，于5.25秒时达到超过90%的准确率，表明CCA具有更高的数据效率。
• 在瞬时解码中，CCA在14.70秒时达到超过90%的准确率，而UMM在29.40秒时达到89%，表明UMM收敛较慢但具有更强的稳定性。
• UMM对非平稳性（如ERP潜伏期与幅值漂移）表现出鲁棒性，高通滤波分析结果表明其对缓慢信号变化具有强适应能力。
• 两种方法均为半监督方法，依赖已知的刺激序列但不依赖标签，因此可在无需校准的情况下实现实时运行。
• 本研究证实，原本为传统ERP BCI设计的UMM，能有效泛化至更快的c-VEP协议，为无需校准BCI的设计开辟了新途径。