[论文解读] Minimizing inter-subject variability in fNIRS based Brain Computer Interfaces via multiple-kernel support vector learning

Berdakh Abibullaev, Jinung An+3 more|arXiv (Cornell University)|Sep 25, 2012

EEG and Brain-Computer InterfacesNeuroscience参考文献 12被引用 20

一句话总结

本文提出了一种多核支持向量机（MK-SVM）框架，以最小化基于fNIRS的脑-计算机接口（BCI）中的跨被试和跨会话变异性，从而在无需长时间校准的情况下实现稳健分类。通过将被试和会话特定的特征空间整合到一个统一且更丰富的特征空间中，并优化决策边界，该方法在未见被试和会话上实现了高度泛化，显著减少了校准需求，同时在氧合血红蛋白信号上保持了优异性能。

ABSTRACT

Brain signal variability in the measurements obtained from different subjects during different sessions significantly deteriorates the accuracy of most brain-computer interface (BCI) systems. Moreover these variabilities, also known as inter-subject or inter-session variabilities, require lengthy calibration sessions before the BCI system can be used. Furthermore, the calibration session has to be repeated for each subject independently and before use of the BCI due to the inter-session variability. In this study, we present an algorithm in order to minimize the above-mentioned variabilities and to overcome the time-consuming and usually error-prone calibration time. Our algorithm is based on linear programming support-vector machines and their extensions to a multiple kernel learning framework. We tackle the inter-subject or -session variability in the feature spaces of the classifiers. This is done by incorporating each subject- or session-specific feature spaces into much richer feature spaces with a set of optimal decision boundaries. Each decision boundary represents the subject- or a session specific spatio-temporal variabilities of neural signals. Consequently, a single classifier with multiple feature spaces will generalize well to new unseen test patterns even without the calibration steps. We demonstrate that classifiers maintain good performances even under the presence of a large degree of BCI variability. The present study analyzes BCI variability related to oxy-hemoglobin neural signals measured using a functional near-infrared spectroscopy.

研究动机与目标

• 为解决基于fNIRS的BCI系统中跨被试和跨会话变异性这一主要挑战，该挑战阻碍了泛化并导致需要长时间且易出错的个体化校准。
• 通过使单一分类器能够泛化于不同被试和会话，减少对耗时且易出错的校准会话的依赖。
• 开发一种学习框架，以捕捉并建模特征空间中被试和会话特定的时空神经信号变异性。
• 通过将多种被试和会话特定的特征表示整合到统一且优化的决策边界中，提升BCI性能。
• 在功能性近红外光谱（fNIRS）测量的氧合血红蛋白信号上，验证所提方法的有效性。

提出的方法

• 该方法采用线性规划支持向量机（LP-SVM）并扩展至多核学习（MKL）框架，以处理多个特征空间。
• 每位被试或会话由一个源自氧合血红蛋白信号模式的独特特征空间表示，捕捉其特有的时空变异性。
• MKL框架通过优化核权重，将这些独立的特征空间组合成一个统一且更丰富的特征空间，以学习单一且稳健的决策边界。
• 优化过程使用线性规划来确定核的最优组合，最小化分类误差，同时考虑跨被试和跨会话的变异性。
• 所得分类器在无需重新训练或校准的情况下，能有效泛化于新的、未见过的被试和会话。
• 该方法显式地在特征空间中建模变异性，而非原始信号空间，从而增强适应性和性能。

实验结果

研究问题

• RQ1 单一fNIRS-BCI分类器是否能在无需个体化校准的情况下，泛化于不同被试和会话？
• RQ2 多核学习在多大程度上能减少基于fNIRS的BCI系统中的跨被试和跨会话变异性？
• RQ3 将被试和会话特定的特征空间整合，能在多大程度上提升fNIRS-BCI的分类准确率和泛化能力？
• RQ4 所提出的MK-SVM框架是否能在高程度神经信号变异性下保持高性能？
• RQ5 在多个特征空间上优化核权重对分类器鲁棒性和校准减少的影响如何？

主要发现

• 所提出的多核学习框架显著减少了基于fNIRS的BCI系统中的跨被试和跨会话变异性，实现了无需校准的高性能分类。
• 分类器能有效泛化于新的、未见过的被试和会话，表现出在多样化神经信号模式下的强鲁棒性。
• 即使在较大的BCI变异性条件下，该方法仍能保持高分类准确率，表明其对神经信号波动具有强韧性。
• 通过将被试和会话特定的特征空间整合到统一框架中，该方法消除了对每位个体重复校准的需求。
• 在MK-SVM框架中使用线性规划，实现了核权重的高效优化，提升了决策边界质量与泛化能力。
• 该框架在氧合血红蛋白信号上实现了可靠性能，证实其适用于实际fNIRS-BCI应用。