[论文解读] Functional connectivity ensemble method to enhance BCI performance (FUCONE)

Marie‐Constance Corsi, Sylvain Chevallier+2 more|arXiv (Cornell University)|Nov 4, 2021

EEG and Brain-Computer InterfacesNeuroscience参考文献 79被引用 19

一句话总结

FUCONE 提出了一种新颖的集成学习框架，通过结合多种功能连接性估计器与基于黎曼几何的分类方法，提升运动想象型脑-机接口（BCI）的性能。通过在每个功能连接性估计器上独立训练黎曼分类器，并集成其决策结果，FUCONE 在多种数据集上均实现了显著的性能提升，优于当前最先进的方法，其优势源于特征空间的多样性增强以及对个体间与个体内变异性的更强鲁棒性。

ABSTRACT

Functional connectivity is a key approach to investigate oscillatory activities of the brain that provides important insights on the underlying dynamic of neuronal interactions and that is mostly applied for brain activity analysis. Building on the advances in information geometry for brain-computer interface, we propose a novel framework that combines functional connectivity estimators and covariance-based pipelines to classify mental states, such as motor imagery. A Riemannian classifier is trained for each estimator and an ensemble classifier combines the decisions in each feature space. A thorough assessment of the functional connectivity estimators is provided and the best performing pipeline, called FUCONE, is evaluated on different conditions and datasets. Using a meta-analysis to aggregate results across datasets, FUCONE performed significantly better than all state-of-the-art methods. The performance gain is mostly imputable to the improved diversity of the feature spaces, increasing the robustness of the ensemble classifier with respect to the inter- and intra-subject variability.

研究动机与目标

• 解决‘BCI 效率低下’问题，即高达 30% 的用户因个体间与个体内变异度过高而无法掌握 BCI 控制。
• 探究功能连接性（FC）估计器是否能为运动想象型 BCI 中的脑状态分类提供互补且鲁棒的特征。
• 开发并优化一种集成学习框架，整合多种 FC 估计器与黎曼分类器，以提升分类准确率。
• 确保该方法在具有不同导联数量、任务设计与会话配置的多样化数据集上的鲁棒性。
• 通过分析不同 FC 估计器的贡献，深入揭示 BCI 性能背后的神经机制。

提出的方法

• 在 EEG 信号上应用多种功能连接性估计器（包括谱相干性、相位锁定值、相位滞后指数及振幅包络耦合），以提取连接性特征。
• 将每个 FC 特征矩阵转换为对称正定（SPD）矩阵，以适配基于黎曼几何的分类方法。
• 在每个 FC 估计器的特征空间上独立训练黎曼分类器（如黎曼 MDM 或 K-最近邻）。
• 采用集成平均策略融合各分类器的决策结果，生成最终预测。
• 在独立评估前，利用参考数据集优化关键参数（如频带与 FC 估计器）。
• 通过降维步骤识别出最小但性能优异的电极子集，提升临床适用性。

实验结果

研究问题

• RQ1 通过集成学习结合多个功能连接性估计器，是否能显著提升 BCI 分类性能，相较单估计器方法？
• RQ2 哪些功能连接性估计器在基于黎曼的运动想象任务分类中贡献最为有效？
• RQ3 FUCONE 框架在具有不同 EEG 导联数量、任务范式与会话配置的多样化数据集上表现如何？
• RQ4 多样化 FC 特征空间的集成是否能降低 BCI 性能对个体间与个体内变异性的敏感性？
• RQ5 降维步骤是否能识别出一个最小且具有临床意义的电极子集，同时保持高分类准确率？

主要发现

• 在八组多样化运动想象数据集的元分析中，FUCONE 显著优于所有当前最先进的方法，展现出更强的泛化能力与鲁棒性。
• 集成方法的准确率高于传统的 CSP 基础方法与单个黎曼协方差基础分类器，性能提升归因于特征空间多样性的增强。
• 该方法在会话内与跨会话评估协议下均保持有效，表明其对真实世界 BCI 部署场景具有强大适应性。
• 降维步骤识别出一组电极（主要位于躯体感觉运动区与关联皮层区域）已足够实现高准确率，支持其临床可行性。
• 分析显示，基于相位的估计器（如 wPLI2-d 与 PLI）对集成性能的贡献最为显著，凸显其在捕捉与任务相关的脑网络动态中的重要性。
• 1 秒时间窗的处理延迟约为 100 ms，证实其适用于在线 BCI 实现，且支持时间窗重叠处理。