基于Probit-链接分裂–合并高斯过程(P-SMGP)先验的贝叶斯生成分类框架及其在EEG脑机接口P300拼写系统中的可解释时空特征选择

《Statistics and Data Science in Imaging》:Bayesian Classification with Probit-Link Split-and-Merge Gaussian Process Prior in EEG-Based Brain-Computer Interfaces

【字体: 大 中 小 】 时间:2026年09月18日 来源:Statistics and Data Science in Imaging

编辑推荐:

  基于事件相关电位(Event-Related Potentials, ERPs)的脑机接口(Brain-Computer Interface, BCI)拼写系统通过检测经脑电图(Electroencephalogram, EEG)记录的大脑对视觉刺激的反应,使

  
基于事件相关电位(Event-Related Potentials, ERPs)的脑机接口(Brain-Computer Interface, BCI)拼写系统通过检测经脑电图(Electroencephalogram, EEG)记录的大脑对视觉刺激的反应,使用户能够选择字符。一个关键挑战是准确识别目标相关反应,如P300成分。然而,现有方法往往忽略特征选择,或进行缺乏可解释性的特征选择,或需要大量计算资源或复杂的数据操作。为解决这些局限性,研究人员提出了一种新颖的贝叶斯生成式建模(Bayesian Generative Modeling)框架,用于EEG刺激反应的二分类(Binary Classification)。该方法采用Probit-链接分裂–合并高斯过程(Probit-link Split-and-Merge Gaussian Process, P-SMGP)先验进行时空特征选择(Spatial-Temporal Feature Selection),有效捕获目标与非目标ERP反应之间的差异。通过模拟研究(Simulation Studies)和真实EEG数据分析,该方法为经变换的ERP函数提供了统计学解释,同时保持了与计算驱动设计相当的预测准确率。这些发现强调了可解释的刺激级建模(Stimulus-Level Modeling)对于推进预测性和个性化BCI系统的重要价值。
**研究背景与现存问题**

脑机接口(Brain-Computer Interface, BCI)为大脑与外部设备之间建立了一条直接通信通路,使用户能够通过神经活动控制外部设备。其中,基于脑电图(Electroencephalogram, EEG)的BCI设备因其非侵入性、成本效益高和高时间分辨率而被广泛使用。P300事件相关电位(Event-Related Potential, ERP)拼写系统是EEG-BCI最经典的应用之一,其核心技术原理是检测嵌入在EEG中的ERP信号——P300成分表现为在罕见但相关刺激呈现后约300 ms出现的正向电压偏转——从而帮助重度神经肌肉疾病患者(如肌萎缩侧索硬化症(Amyotrophic Lateral Sclerosis, ALS))实现与外界的交流。传统P300拼写系统采用Farwell和Donchin提出的行–列范式(Row-and-Column Paradigm, RCP),在6×6字符网格中以随机顺序逐行逐列闪烁,目标字符所在行和列的闪烁可诱发P300反应,系统据此推断用户意图字符。

然而,在低信噪比和信号重叠的条件下实现可靠的目标–非目标判别,特征选择至关重要。现有方法存在以下三类局限:第一类为常用判别式分类器——包括逻辑回归(Logistic Regression, LR)、支持向量机(Support Vector Machine, SVM)和卷积神经网络(Convolutional Neural Network, CNN)——通常基于预定义特征运行,缺乏识别最具信息量时间点的显式机制;第二类方法将预处理或特征选择与相对简单的分类器相结合,如基于遗传算法的特征选择配合SVM、主成分分析(Principal Component Analysis, PCA)与前向逐步选择配合神经网络、共同空间模式(Common Spatial Patterns, CSP)配合线性判别分析(Linear Discriminant Analysis, LDA)、以及基于p值的逐步线性判别分析(Stepwise Linear Discriminant Analysis, swLDA),这些方法虽有效但普遍缺乏对时间特征相关性的统一概率解释;第三类为近期的贝叶斯框架,包括用于序列级差异建模的分裂–合并高斯过程(Split-and-Merge Gaussian Process, SMGP)模型和具有稀疏时变效应的GLASS模型,但SMGP在序列框架下计算密集,GLASS则需要额外将每个完整序列拆分为两个半序列以辅助建模。在上述背景下,迫切需要一种既能提供可解释特征选择又能保持高预测性能、且无需复杂数据排列的计算高效方法。

**研究内容与重要意义**

基于Ma等人的SMGP框架,研究人员提出了一种以Probit-链接分裂–合并高斯过程(Probit-link Split-and-Merge Gaussian Process, P-SMGP)为先验的贝叶斯分类框架,用于P300 ERP-BCI拼写系统中的特征选择与二分类。该方法学贡献主要体现在三方面:(1)从序列级建模转向刺激级建模(Stimulus-Level Modeling),使特征选择可直接提供目标与非目标ERP信号分离效应的统计解释,无需额外数据排列;(2)采用Probit链接(Probit Link)替代截断正态(Truncated Normal)公式以简化后验推断(Posterior Inference);(3)应用基于加权似然(Weighted-Likelihood)的方法更新字符级概率(Character-Level Probability),以利用同一序列内各刺激间的潜在依赖关系。通过模拟研究和来自密歇根大学直接脑接口实验室(University of Michigan Direct Brain Interface Laboratory, UMDBI)的16名参与者真实数据验证,P-SMGP在保持有竞争力预测准确率的同时,实现了对变换后ERP函数的可解释时间特征选择,为构建更稳健和个性化的BCI系统提供了贝叶斯生成式替代方案。

**关键技术方法**

本研究方法体系涉及以下关键技术环节(样本队列来源:UMDBI实验室,16名参与者):(1)P-SMGP先验建模——通过Probit-链接潜在高斯过程(Latent Gaussian Process)定义取值在[0,1]的分裂–合并权重ζ(t),实现对目标ERP函数β1(t)与非目标ERP函数β0(t)的自适应合并与分裂,其中潜在过程的协方差核采用局部支撑结构(仅相邻时间点间存在相关性),经MCMC后验估计后通过硬阈值ζ0判别分裂时间窗Ws与合并时间区间Wm;(2)γ-指数核函数(γ-Exponential Kernel)——用于目标和非目标ERP函数的协方差建模,核超参数通过生成先验函数并与经验ERP波形进行形态相似性比较来系统选择;(3)Mercer定理低秩近似——利用特征函数与特征值的加权和近似高斯过程,将无限维问题截断至保留95%以上累积方差贡献的低维表示;(4)基于NumPyro的Hamiltonian Monte Carlo(No-U-Turn Sampler, NUTS)采样——使用多条链不同种子并通过Gelman-Rubin统计量评估收敛性;(5)矩阵正态分布(Matrix Normal Distribution)误差建模——同时刻画通道间复合对称结构(Compound Symmetry)与时间上一阶自回归(AR(1))的随机噪声;(6)数据预处理采用xDAWN空间滤波算法——对原始EEG信号经0.5-6 Hz带通滤波和8倍降采样后,提取800 ms刺激后窗口并应用xDAWN,取前两个主成分构建50维变换EEG向量以提升信噪比。

**研究结果**

*模拟研究——参数估计*:在基于真实参与者ERP形态生成的多通道模拟数据(2通道,30时间点/通道,100次数据集重复)上,P-SMGP和贝叶斯线性判别分析(Bayesian Linear Discriminant Analysis, BLDA)均能准确估计β1和β0,真实值在大多数时间点落入95%可信区间(Credible Interval)内,约250 ms(通道1)和约750 ms(通道2)的峰值响应均被良好捕获。P-SMGP的优势在于其可信区间宽度在信号变化较小的区域保持稳定且一致,而BLDA对β1的可信区间明显宽于β0,特别是在信号幅值较低的区域。

*模拟研究——预测性能*:在字符级预测准确率方面,P-SMGP在所有序列数(6–15)下均取得最高准确率。在较小序列数(如6–10)时优势尤为明显;当序列数增至15时,P-SMGP达90%准确率,swLDA为88%,BLDA为87%。

*真实数据分析——参数估计*:以参与者K178(56岁白人男性,有偏头痛史)在BCI场景下的数据为例,对xDAWN变换后的两个成分进行ERP函数估计。成分1在刺激后约300 ms出现主负峰、约500 ms出现次正峰,P-SMGP在首160 ms和末200 ms将目标与非目标响应合并;成分2在约160 ms出现主正峰、约400 ms出现次负峰,P-SMGP在首100 ms和末300 ms进行合并。P-SMGP的可信区间普遍窄于BLDA,且在目标与非目标差异较小的区域两者估计几乎重叠,而BLDA即使在差异微小的区域仍将两者分开估计。

*真实数据分析——预测性能*:对K178在BCI、DynaWrite(DYN)和笔记本电脑对照(CMP)三种场景的评估显示,P-SMGP在所有场景下均优于BLDA并略优于swLDA——序列数为10时,BCI场景P-SMGP达89%(swLDA 83%,BLDA 65%),DYN场景达76%(swLDA 72%,BLDA 52%),CMP场景达78%(swLDA 76%,BLDA 58%)。全体16名参与者在各场景最大序列数下的累积预测准确率显示,P-SMGP与swLDA性能相近且均显著优于BLDA(BCI场景中位准确率P-SMGP约82% vs. BLDA约68%)。

**讨论总结与研究结论**

在讨论部分,研究人员系统比较了P-SMGP与原始SMGP框架的方法学差异——P-SMGP在刺激级而非序列级建模、采用Probit链接替代截断正态、基于xDAWN变换ERP数据而非原始EEG信号、以及采用加权似然字符级概率更新而非直接加总分类器分数等四个方面实现了改进。模拟和真实数据结果一致表明,P-SMGP的合并机制在目标–非目标信号差异超过概率阈值的区间有效选择时间特征,印证了选择性区间合并可在低信息区域抑制过拟合的理论假设。跨参与者分析显示,模型学习的两个潜在成分展现出与经典P300拼写范式一致的ERP样时间形态——成分1反映N200样早期负偏转,成分2反映P300样晚期正偏转——且模型选择保留(合并)的时间点集中在这些判别窗口的起止处;部分参与者(如K114、K151、K183、K184和K191)呈现相似的成分轨迹模式,提示存在可部分迁移的神经生理结构。研究结论指出,xDAWN–P-SMGP整体框架在基于ERP的BCI中兼具竞争性分类准确率和可解释的时间特征选择能力;通过解决现有分类器的局限并引入贝叶斯生成式替代方案,本研究为推进更稳健和个性化的BCI系统的发展做出了贡献。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号