综述：关于利用机器学习技术提高现实世界中假肢手控制中肌电手势识别准确性的文献综述

《Biomimetic Intelligence and Robotics》：Literature survey on machine learning techniques for enhancing accuracy of myoelectric hand gesture recognition in real-world prosthetic hand control

本研究提出基于自适应块张量分析（GSC-ABTA）的群体脑连接性估计方法，通过构建六层头模型解决源级脑连接逆问题，并考虑体积传导效应（VC）、跨试验变异性（ITV）和时间变化连接性（TV）三种场景。方法采用动态张量多元自回归模型，引入遗忘参数优化观察权重，实现群体脑源活动自适应更新。实验表明该方法在VC场景下所有参数均最优，在ITV和TV场景下优于传统张量和非常数张量方法。验证框架涵盖6个控制参数（数据长度、信噪比、密度等），并通过真实EEG数据验证。研究结果揭示了自适应更新对群体脑连接分析的必要性，为多模态神经影像融合提供了新方法。

　　本研究提出了一种基于张量分析的组分析方法，用于识别共享的大脑连接模式。该方法通过一个验证框架进行评估，考虑了多种组脑数据生成场景以及多样化的控制参数。这种方法在处理脑源层面的连接性估计时，引入了自适应更新机制，从而提升了模型对不同试验间变化的适应能力。此外，该方法还结合了张量多变量自回归模型（MVAR）的自适应格式，通过遗忘因子来确定观测值对有效脑连接系数估计的贡献。整个研究不仅对六种控制参数进行了统计分析，还与张量和非张量方法进行了比较，同时使用真实数据对框架进行了验证。

脑功能的实现依赖于大脑各个区域之间的互联及其在时间与空间上的变化。近年来，神经成像技术不断发展，旨在通过在不同尺度上测量这些连接来理解大脑的工作机制。大脑连接可以分为结构连接、功能连接和有效连接。结构连接指的是大脑区域之间的解剖学联系，功能连接则研究不同脑区之间的统计依赖关系，而有效连接则结合了结构和功能信息，以揭示因果关系和信息流动的机制。张量分析作为一种强大的数学工具，已经被广泛应用于评估功能和有效连接。近年来，张量分析方法在多试验、多受试者、动态脑连接以及多模态神经成像数据融合等方面得到了应用和扩展。

传统的脑连接性分析方法在整合空间和时间信息、跟踪连接性的动态变化以及处理高维数据方面存在一定的局限性。相比之下，基于张量的方法在这些方面表现更为出色，具有更强的抗噪能力和灵活的模型参数适应性，从而能够更准确、全面地分析大脑连接性。本研究提出的方法在多个方面优于现有的张量方法。首先，以往的研究多集中在识别脑信号中的主成分，但往往忽视了这些分解成分是否能够准确代表脑源活动及其信息含量。本研究通过在源层面生成时间序列，并利用前向问题将其映射到脑层面，从而弥补了这一不足。其次，尽管张量分解技术已经有所发展，但其在更现实的数据条件下，如考虑体积传导效应和脑组织导电性，其表现尚未得到充分探讨。此外，张量分解算法在跟踪不同试验和时间点的脑连接变化方面的能力也未被广泛研究。本研究通过在更受控和现实的脑模型下展示了一种新型张量分解算法的组层面分析能力。

本研究还扩展了脑连接性算法的验证框架，考虑了之前被忽视的参数，这些参数对组连接模型系数的估计有重要影响。通过使用真实EEG源层面和电极层面数据，该方法为验证提供了新的途径，而以往的研究主要集中在临床结果上，而非验证本身。与现有方法相比，本研究提出的方法通过定义遗忘因子，使得分解阶数和模型参数能够根据不同试验和时间点的变化进行自适应调整。尽管这种方法可能不适合实时应用，但由于其在跟踪和适应组数据方面的优势，适用于需要动态分析的场景。

为了评估方法的性能，本研究在三种不同的数据生成场景下进行了模拟实验，分别是体积传导效应（VC）、试验间变异（ITV）和时间变化连接（TV）。通过调整六种控制参数，包括数据长度、信噪比（SNR）、密度、添加真实连接的比例、模型阶数和试验数量，研究分析了这些参数对连接性估计的影响。在这些参数中，数据长度在VC和ITV场景下表现出显著影响，而在TV场景下则没有显著差异。这表明，在某些情况下，数据长度对模型性能具有重要影响，而在其他情况下则可能不那么关键。

此外，本研究还探讨了自适应参数对估计误差的影响。通过分析自适应参数ω和φ在不同试验条件下的表现，研究揭示了这些参数如何影响EEG数据集的平均绝对误差（MAPE）。结果表明，自适应参数的调整能够有效降低估计误差，提高模型的准确性。这进一步验证了自适应更新机制在组层面分析中的重要性。

本研究的框架不仅适用于张量方法，还能够与非张量方法进行比较。通过在相同的控制参数和不同的数据生成场景下进行评估，该框架为研究人员提供了一个全面的比较平台。同时，该方法在真实数据上的应用也验证了其在实际场景中的有效性。尽管该方法在处理高维数据和动态变化方面具有优势，但在实时应用中的计算复杂性仍是一个需要克服的挑战。

综上所述，本研究提出了一种基于张量分析的组脑连接性估计方法，通过自适应更新机制和遗忘因子的引入，提升了模型对动态变化和不同试验间差异的适应能力。该方法在多种数据生成场景下表现出色，特别是在体积传导效应和试验间变异的情况下，其性能优于其他方法。通过统计分析和模拟实验，研究进一步揭示了不同控制参数对模型性能的影响，为未来的脑连接性研究提供了有价值的参考。此外，该方法在真实数据上的应用验证了其在实际场景中的有效性，为脑科学研究提供了新的工具和思路。