《Machine Learning with Applications》:Frequency band dissociation between cognitive state recognition and person identification in EEG
编辑推荐:
本文聚焦于脑电图(EEG)分析中一个未解难题:用于识别认知状态和用于身份认证是否共享相同的神经振荡(频率带)。研究人员通过为期三周的三阶段实验,结合认知参与度指标(TAR和EI)和深度学习模型(EEGNet-SE、EEGNet-CM、EEGPT),探究了不同频率带在情感/认知任务分类和跨时段静息态身份认证中的表现。研究发现,慢波(如delta)是任务分类的“专家”(准确率86.9%),但却是身份认证的“外行”(准确率仅15.6%–23.6%);而宽带信号(8-50 Hz)则展现出优异的认证能力(准确率69.9%)和相对均衡的通用性。两因素方差分析(Two-way ANOVA)证实了这种频率带与目标之间的显著相互作用。该研究揭示了共享的认知过程与稳定的个体特征依赖于不同的神经频谱策略,为设计兼顾认知监控与生物特征识别的统一脑机接口系统提供了关键的实证基础。
我们的大脑会发出不同频率的“电波”,这些脑电图(EEG)信号是窥探大脑活动的窗口。科学家们正试图利用这些信号做两件看似相关却又目标迥异的事情:一是识别一个人正在进行的“认知状态”,比如是专心解题还是看情绪图片;二是确认“你是谁”,即进行生物特征身份认证。然而,一个核心矛盾始终悬而未决:我们能否用同一套“频谱配方”(即特定的频率带,如alpha、beta波)来同时做好这两件事?已有研究为此争论不休:有的说慢速的delta波是身份认证的稳定指标,有的却说快速的beta波更重要。这种混乱的背后,是两种任务对神经信号需求的根本差异:任务分类需要捕捉共享的认知过程(大家做题时的大脑活动有共性),而身份认证则需要提取个体独有的生理特征(无论你在想什么,你的大脑“指纹”都独一无二)。一个擅长识别共同状态的频率带,可能恰恰会掩盖掉那些个人特有的信息。但之前,从未有研究在同一个实验框架下,用相同的参与者、设备和模型,系统地检验这种“鱼与熊掌不可兼得”的权衡是否真的存在。
为了解开这个谜团,来自吉大港大学(University of Chittagong)的研究团队在《Machine Learning with Applications》上发表了一项研究。他们设计了一个巧妙的三阶段实验,招募了20名健康参与者,在连续三周内每周进行记录。实验使用了包含情感图片刺激、认知计算任务和静息态记录的Biometric EEG Dataset (BED)。研究人员首先利用两种经典的认知参与度指标——theta-alpha比(Theta-to-Alpha Ratio, TAR)和参与指数(Engagement Index, EI),来分析大脑信号能否区分情感刺激和认知任务。接着,他们训练了三种深度学习架构(两种改进的EEGNet变体EEGNet-SE/EEGNet-CM,以及一个预训练Transformer模型EEGPT),在“留一会话出”的交叉验证方案下,评估了delta、theta、alpha、beta、gamma和宽带(8-50 Hz)这六个频率带在任务分类中的表现。然后,他们用同样的频率带和模型架构(但针对20分类任务进行了调整),测试了这些频率带能否在间隔一周采集的静息态数据中,成功地进行个体身份认证。最后,他们通过两因素方差分析、频谱分离指数和相关性分析,对频率带在两项任务中的表现进行了严格的统计比较。
关键技术方法:研究主要采用了以下技术:1. 使用Biometric EEG Dataset (BED),包含20名参与者的三时段(每周一次)14通道EEG数据。2. 预处理采用独立成分分析去除伪影,Butterworth滤波器进行频带分离。3. 认知参与度分析:计算TAR(前额theta/顶叶alpha)和EI(全脑beta/(theta+alpha))。4. 深度学习建模:使用EEGNet-SE、EEGNet-CM和EEGPT三种架构,分别对六个频带信号进行任务分类(二分类)和身份认证(20分类)模型训练与评估,采用严格的“留一会话出”交叉验证防止数据泄露。5. 统计验证:使用两因素方差分析检验频带与目标的交互作用,计算频谱分离指数量化频带偏好,并分析任务与认证准确率的相关性。
研究结果
认知参与度分析:结果显示,参与指数(EI)能够以很大的效应量(Cohen's d = -1.03)显著区分情感刺激和认知任务,认知任务下的EI值(0.24 ± 0.10)显著高于情感刺激(0.15 ± 0.05)。相反,theta-alpha比(TAR)在两个任务间没有显著差异,表明其缺乏区分能力。这提示与任务相关的神经活动变化在beta等频段有更强烈的响应。
任务分类表现:在所有测试的频率带中,慢速的delta振荡展现出最强的任务分类能力。表现最好的EEGPT模型在delta带上达到了86.9%的准确率,其次是theta带(84.5%)。随着频率升高,分类性能系统性地下降,beta和gamma带的准确率降至74%左右。宽带信号(8-50 Hz)的表现(~74.5%)也远不如孤立的delta带。这证实了慢皮层振荡(delta, theta)在捕获共享认知过程方面的主导作用。
身份认证表现:与任务分类的结果形成了鲜明对比。在跨时段的静息态身份认证中,delta带的表现急剧下降,准确率仅为15.6%至23.6%,接近随机猜测水平。相反,宽带信号成为了认证任务的“明星”,在三种模型架构下平均达到了69.9%的准确率。其他频带(theta, alpha, beta, gamma)的认证表现也普遍优于delta,但弱于宽带。这表明,能够稳定表征个体身份特征的神经签名广泛分布于更宽的频率范围内,而非集中在某个窄带。
频率带的双重分离:对上述结果的统计验证揭示了一个清晰的分离模式。两因素方差分析显示,频率带和任务目标(分类 vs. 认证)之间存在显著的交互作用,证实了观察到的差异并非随机。研究人员计算了频谱分离指数,将频带分为五类:delta表现出极强的任务偏向性,theta和alpha为中度任务偏向,beta和gamma为轻微任务偏向,而宽带则展现出相对平衡的通用性。皮尔逊相关性分析进一步显示,任务分类准确率和身份认证准确率在六个频带间呈显著的负相关。这意味着,一个频带越擅长区分任务,它就越不擅长区分个人。
研究结论与讨论
本研究通过系统的实验和严谨的分析,首次在一个统一的框架内直接验证并量化了EEG频率带在认知状态识别和个体身份认证两大目标之间存在的根本性权衡与分离。主要结论如下:
- 1.
目标依赖的频谱特异性:研究发现慢波振荡(尤其是delta)是任务分类的“专家”,而宽带振荡则是身份认证的“专家”。这种分离表明,共享的认知过程(如进行算术计算)主要与慢皮层节律相关联,而稳定的、个体特有的神经特征则需要更广泛的频谱成分来编码。
- 2.
认知参与度指标的鉴别力:在区分认知任务与情感刺激方面,基于beta频段的参与指数(EI)表现出强大的鉴别力,而基于theta/alpha比值的TAR则无效。这加深了我们对不同频段在认知负荷和情绪处理中作用的理解。
- 3.
对统一脑机接口设计的启示:该研究结果对试图开发既能监控认知状态又能进行生物特征验证的“全能型”脑机接口系统提出了重要挑战。它表明,采用单一频率带策略可能无法同时优化两个目标。未来的系统设计可能需要采用多频带融合策略或自适应频谱选择机制,根据当前的应用目标(是识别状态还是确认身份)动态地调整所关注的频率范围。
- 4.
对先前矛盾发现的解释:研究为文献中关于“最佳身份认证频带”的相互矛盾发现提供了一种可能的解释。许多认证研究使用原始信号或宽频特征,无意中捕获了广泛的个体特征,从而报告了高准确率。而那些专注于特定窄带(如delta)的研究,如果该频带恰好是任务特化的,则可能得到较差的认证结果,反之亦然。本研究强调了在报告和比较性能时,明确频谱处理方式的重要性。
总之,这项研究揭示了大脑振荡频率在信息编码上的功能分工,为解决EEG领域的一个长期争论提供了实证证据,并为下一代面向多任务的神经技术开发奠定了重要的理论基础。