[论文解读] Riemannian Geometry-Based EEG Approaches: A Literature Review

Imad Eddine Tibermacine, Samuele Russo+5 more|arXiv (Cornell University)|Jul 19, 2024

EEG and Brain-Computer Interfaces被引用 4

一句话总结

本文综述了基于黎曼几何的脑电图（EEG）脑机接口（BCI）方法，展示了将深度学习与对称正定（SPD）协方差矩阵上的黎曼度量相结合，如何显著提升分类准确率、抗噪声与非平稳性能力，以及迁移学习性能——尤其在缩短校准时间、提升实际应用中的BCI可用性方面成效显著。

ABSTRACT

The application of Riemannian geometry in the decoding of brain-computer interfaces (BCIs) has swiftly garnered attention because of its straightforwardness, precision, and resilience, along with its aptitude for transfer learning, which has been demonstrated through significant achievements in global BCI competitions. This paper presents a comprehensive review of recent advancements in the integration of deep learning with Riemannian geometry to enhance EEG signal decoding in BCIs. Our review updates the findings since the last major review in 2017, comparing modern approaches that utilize deep learning to improve the handling of non-Euclidean data structures inherent in EEG signals. We discuss how these approaches not only tackle the traditional challenges of noise sensitivity, non-stationarity, and lengthy calibration times but also introduce novel classification frameworks and signal processing techniques to reduce these limitations significantly. Furthermore, we identify current shortcomings and propose future research directions in manifold learning and riemannian-based classification, focusing on practical implementations and theoretical expansions, such as feature tracking on manifolds, multitask learning, feature extraction, and transfer learning. This review aims to bridge the gap between theoretical research and practical, real-world applications, making sophisticated mathematical approaches accessible and actionable for BCI enhancements.

研究动机与目标

• 解决基于EEG的脑机接口中长期存在的噪声敏感性、非平稳性及校准时间过长等挑战。
• 更新自2017年关于EEG解码中黎曼几何的文献综述以来的最新进展。
• 将深度学习与黎曼几何相结合，更有效地建模非欧几里得的EEG协方差矩阵。
• 利用黎曼流形结构提升跨被试与跨会话的迁移学习与泛化能力。
• 弥合黎曼流形学习的理论进展与实际、实时的BCI部署之间的鸿沟。

提出的方法

• 将EEG信号建模为对称正定（SPD）协方差矩阵，其天然位于黎曼流形上。
• 应用黎曼度量（如仿射不变黎曼度量）在SPD流形上计算距离与均值，以保持几何结构。
• 将深度神经网络与黎曼层结合，直接在流形上学习分层特征，替代或增强传统空间滤波方法。
• 通过切空间投影（如对数-欧几里得或仿射不变方法）将SPD矩阵映射到欧几里得空间，以支持后续深度学习处理。
• 利用流形上的度量学习与优化方法，提升分类器的泛化能力与鲁棒性。
• 探索结合传统机器学习与深度学习的混合架构，以实现可扩展、实时的BCI系统。

Figure 1: The SPD Manifold pipeline [ 76 ]

实验结果

研究问题

• RQ1 黎曼几何在噪声与非平稳性条件下如何提升EEG信号分类的鲁棒性？
• RQ2 与传统方法相比，集成黎曼几何的深度学习模型在跨被试BCI应用中，能在多大程度上减少校准时间并增强迁移学习能力？
• RQ3 针对EEG协方差矩阵，基于黎曼流形的最有效的特征提取与表征技术是什么？
• RQ4 如何在保持高分类准确率的同时，优化流形学习以实现BCI的实时部署？
• RQ5 在标注数据有限的情况下，黎曼几何在支持EEG-BI的多任务学习与少样本学习中扮演何种角色？

主要发现

• 黎曼几何通过在非欧几里得自然空间中建模EEG协方差矩阵，显著提升了分类准确率与鲁棒性。
• 基于黎曼流形构建的深度学习模型在处理EEG信号中的非平稳性与噪声方面，优于传统的欧几里得方法。
• 将黎曼度量与深度学习结合，可实现高效的迁移学习，显著降低对个体化校准的依赖。
• 结合切空间表示与深度网络，可实现对高维EEG协方差数据的高效、可扩展处理。
• 基于黎曼的框架在国际BCI竞赛中表现优异，验证了其实际应用潜力。
• 未来需在模型简化、实时部署以及通过流形上的先进迁移学习方法更好地处理被试间差异方面进一步改进。

Figure 2: Illustration of the gradient descent algorithms on the Riemannian product manifold [ 125 ] .