《Pattern Recognition》：Decoding topology-implicit EEG representations under manifold-euclidean hybrid space
编辑推荐：
•我们在流形空间中建立了一种动态聚类中心策略。•一种自适应校准机制对齐 EEG 时空表示。•MEI-TID 可以有效地提取 EEG 信号中的无关拓扑关系。引言对 EEG 信号解码的研究促进了大脑与设备之间传输命令的通信途径的发展 [1], [2]。在脑机接口（BCI）领域，对
- •
我们在流形空间中建立了一种动态聚类中心策略。
- •
一种自适应校准机制对齐 EEG 时空表示。
- •
MEI-TID 可以有效地提取 EEG 信号中的无关拓扑关系。
引言
对 EEG 信号解码的研究促进了大脑与设备之间传输命令的通信途径的发展 [1], [2]。在脑机接口（BCI）领域，对 EEG 信号进行准确和高效的解读至关重要 [3], [4]。例如，EEG 信号可用于监测驾驶员和无人机操作员的心理疲劳 [5], [6]，以及用于创建情绪调节和管理精神疾病的工具 [7], [8], [9]。基于 EEG 的运动想象（MI）系统在促进中风患者康复方面前景广阔 [10], [11]。由于信号的性质复杂，捕捉了来自不同大脑区域的空间和时间信息 [12], [13]，因此准确解码 EEG 信号对于上述应用至关重要。它们涉及高水平的随机性、非线性和非高斯过程 [14]。神经元相互作用的错综复杂性在将其转化为有意义的判别数据方面提出了重大挑战。
为了应对这一挑战，利用深度学习（DL）模型的 EEG 解码方法已成为一个突出的研究领域 [15], [16]，在疲劳检测、情感识别和 MI 分类方面取得了显著进展 [17]。这些研究集中在几个关键方面：（1）一些调查强调了通过整合时间 - 空间 - 频率多维特征来提取判别特征，通过迭代优化特征提取过程来增强解码结果 [18], [19]；（2）其他研究利用神经生理学的先验知识，通过结合局部细粒度和全局粗粒度脑特征来增强解码性能，旨在开发能够捕捉 EEG 信号中存在的空间拓扑模式的编码器 - 解码器 [20], [21]；（3）针对解码差异中的个体变异性，某些研究通过提出迁移学习策略来最小化此类差异，从而解决了源域和目标域之间显著特征差异的挑战，进而增强了模型的泛化能力和解码稳定性 [22], [23], [24], [25]。具体而言，条件识别生成器和其他域判别器在缓解个体差异方面显示出显著的有效性 [26]。在最近的研究中，多源域泛化和不变特征学习等最新方法的出现进一步将迁移学习推向了新高度 [27], [28]。值得注意的是，这些研究主要在欧几里得空间内操作。然而，欧几里得空间的固有平坦性 [29] 无法准确捕捉 EEG 信号的复杂性质，特别是它们复杂的大脑拓扑表示，导致总体解码结果不佳。
最近，由于几何感知学习（GAL）能够增强解码 EEG 信号的鲁棒性，因此对其兴趣日益浓厚。几项研究表明，将深度学习（DL）与 GAL 相结合可以提高 EEG 信号的解码性能。黎曼几何（RG）是 GAL 中的一种非欧几里得几何，在解码脑机接口（BCI）任务中显示出令人印象深刻的结果。例如，[30] 引入了一种流形注意力网络，将 EEG 信号有效映射到流形空间，以更好地表征时空信息。[31] 提出了一种几何深度学习块，以保留对称正定（SPD）流形上特征的对称性，解决了无监督域适应中的挑战。此外，[32] 应用几何感知技术开发了一种多阶段预训练策略，促进了电极通道之间空间信息的交换。这种方法产生了一致的拓扑映射特征并改善了解码结果。此外，引入了一种方法，通过在黎曼流形空间中多个子域内学习共同空间模式来提取 EEG 神经动力学特征，从而改善了解码结果 [33]。
基于 GAL 的调查改善了 EEG 信号解码，但它们可能忽视了流形空间中不易区分的关键 EEG 特征。神经生物学研究揭示了复杂 EEG 拓扑图中的重要隐含信息，即 EEG 通道之间功能连接的潜在和动态模式，这些模式无法直接从原始信号或简单相关性测量中观察到，可能代表大脑区域之间复杂、非线性和高阶的相互作用。不同的拓扑图在特定认知任务中产生不同的判别表示。EEG 信号的复杂性在不同认知任务中准确解码它们方面提出了挑战。该研究提出在流形空间和欧几里得空间之间划分 EEG 特征。该方法旨在通过两个空间之间的交叉学习来捕捉 EEG 信号内部的隐含关系和表示。本研究的主要焦点是开发更有效的解码器以改善 EEG 信号解码。
在本研究中，引入了一种名为 MEI-TID 的新框架，用于在流形 - 欧几里得混合空间内解码 EEG 信号。与以往的研究不同，提出的方法涉及根据节点中心性将 EEG 信号自适应聚合为 K 个子拓扑，以适应个体差异。开发了一种动态聚类中心策略，以在流形空间上构建这些子拓扑。先前的研究表明，由于电极通道之间的复杂关系，在欧几里得空间中充分提取 EEG 信号特征面临挑战。为了解决这个问题，通过将 K 个子拓扑映射到黎曼流形空间来重构高维拓扑表示。通过在欧几里得空间中联合使用图机制算子和子拓扑表示，该框架旨在解码流形 - 欧几里得混合空间内的拓扑隐含 EEG 表示。此外，考虑到与不同时间点的认知状态相关的子拓扑显著差异，采用自适应子拓扑聚合过程以获得 EEG 信号的统一时空表示。MEI-TID 的有效性在四个 EEG 基准数据集上得到验证，与现有技术相比显示出优越的解码性能。此外，框架的画像突出了其探索无关 EEG 关系和捕捉不同认知状态之间表示变异性的能力。总之，所提出框架的关键创新和贡献如下：
（1）本研究引入了一种新方法，利用个体 EEG 显著性差异在流形空间中建立动态聚类中心策略。
（2）联合流形空间中重构的子拓扑通过交叉计算与欧几里得空间中的子拓扑表示进行比较。自适应子拓扑聚合机制对齐 EEG 中子拓扑的时空表示。
本文其余部分组织如下。第 2 节描述所提出的 MEI-TID。在第 3 节中，提出了数据集和实验设置，进一步给出了研究结果和讨论。最后，我们在第 4 节中总结了本文。
章节摘要
方法
图 1 说明了 MEI-TID 的解码过程，突出显示：（a）流形空间内的聚类分区子拓扑，（b）流形空间和欧几里得空间之间的跨空间结构，以及（c）自适应子拓扑聚合机制和解码过程。在流形空间和欧几里得空间之间的跨空间结构中，包含初步特征提取、单向驱动机制和图机制算子。在进行
数据集和实验结果
在本研究中，利用四个 EEG 数据集来评估所提出的 MEI-TID 的解码准确性，分别标识为数据集 I 至数据集 IV。该研究基于对四个数据集的分析，将最先进解码方法与所提出的 MEI-TID 进行了比较，用于各种认知任务。采用 SEED [39] 和 SEED-IV [40] 数据集来评估 MEI-TID 在多次会话中对效价和离散情绪的解码效能。自制的疲劳 [1] 数据集被用于
结论
从神经生物学中汲取灵感，该研究在流形 - 欧几里得混合空间内提出了一个 MEI-TID 框架，以改善从 EEG 信号获得的拓扑隐含 EEG 表示的精确解码。该方法涉及通过在流形空间内构建动态聚类中心策略来聚离子拓扑特征。随后是通过结合在...中单向重构子拓扑结构来构建框架
CRediT 作者贡献声明
Dongrui Gao：写作 – 初稿，方法论，调查，形式分析，数据整理，概念化。 Haokai Zhang：写作 – 初稿，可视化，方法论，调查，概念化。 Qian Wu：调查，形式分析。 Zongyao Peng：可视化，概念化。 Liu Deng：方法论，调查。 Shihong Liu：监督，方法论，调查。 Hongli Chang：方法论，形式分析。 Dingming Wu：写作 – 审查和编辑，验证，
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能影响本文报告的工作。
致谢
本工作由 四川省科技计划 编号 2024YFG0012 和编号 2023YFG0018 支持；广西重点研发计划 中基于脑机接口技术的神经毒性蛇咬中毒致昏迷的诊断、治疗和预后研究 (2024AB17101)。
Dongrui Gao|Haokai Zhang|Qian Wu|Zongyao Peng|Liu Deng|Shihong Liu|Hongli Chang|Dingming Wu|Pengrui Li
