本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2022-09-02
摘要
功能連接 (FC) 可以表示為網絡，並且經常用於更好地理解複雜任務的神經基礎，例如腦機介面 (BCI) 中的運動想像 (MI) 檢測。然而，連接性估計中的錯誤會影響檢測效能。在這項工作中，我們解決了對常見連接估計進行去噪的問題，以提高不同連接狀態的可偵測性。具體來說，我們提出了一種基於圖訊號處理的去噪演算法，該演算法作用於網路圖拉普拉斯算子。此外，我們推導了不同狀態下去噪拉普拉斯算子的 Jensen 散度的新穎表述。合成資料的數值模擬表明，去噪改善了對應於不同任務條件的連接模式的詹森散度。此外，我們將拉普拉斯去噪技術應用於 MI-BCI 實驗期間記錄的真實腦電圖數據估計的大腦網路。 J 散度的新穎表述可以量化運動想像和靜止狀態下 FC 網路之間的距離，並了解每個拉普拉斯變數對兩個狀態之間總 J 散度的貢獻。真實 MI-BCI 腦電圖數據的實驗結果表明，拉普拉斯去噪改善了運動想像和靜息心理狀態的分離，並縮短了連結性估計所需的時間間隔。我們的結論是，該方法有望實現可靠的連接狀態檢測，同時也適合在即時 BCI 應用中實施。