论文周报 | 第9期
Hello，大家好！
Rose小哥今天分享一下几篇论文。
Real-time Neuroimaging and Cognitive Monitoring
Using Wearable Dry EEG
导读：
目标：研究人员提出并评估一个可穿戴式高密度干电极EEG系统和一个用于在线神经成像和状态分类的开源软件框架。
方法: 将64通道干式脑电形态因子与无线数据流相结合进行在线分析。应用了一个实时软件框架，包括自适应伪影抑制、皮层源定位、多变量有效连通性推断、数据可视化以及使用约束逻辑回归方法(ProxConn)从连通性特征进行认知状态分类。研究人员在模拟的64通道EEG数据上评估系统识别方法。然后，并使用ProxConn和基准ERP方法评估系统性能，并使用干式EEG系统对9个受试者的响应错误进行分类。
结果:仿真结果显示，实时皮层连通性估计具有较高的准确性(AUC=0.97±0.021)。基于皮质ERP的分类对于cLORETA（0.74±0.16）与ProxConn相当，但对于LCMV（0.82±0.12）明显更好。
结论:证实了利用高密度可穿戴干式脑电图进行实时皮层连接分析和认知状态分类的可行性。
意义:本文首次验证了这些方法在64通道干式脑电图中的应用。这项工作解决了在可穿戴设备的动态环境中对复杂大脑活动进行实时测量和解释的需求。这些进步可以在研究、医学和脑机接口方面产生广泛的影响。
Real-Time EEG Signal Enhancement Using Canonical Correlation Analysis and Gaussian Mixture Clustering
导读：
脑电图(EEG)信号通常受到各种伪影污染，如与肌肉活动、眼球运动和身体运动相关的信号，这些信号都不是由大脑产生的。这些伪影的振幅比大脑电活动的振幅大，所以它们掩盖了感兴趣的皮层信号，从而导致分析和解释出现偏差。为了去除脑电记录中的伪影，人们开发了几种盲源分离方法。然而，在多道记录中测量分离的迭代过程在计算上是困难的。此外，手动排除工件组件需要一个耗时的离线过程。
提出了一种基于典型相关分析(CCA)、特征提取和高斯混合模型(GMM)的实时伪影去除算法，以提高脑电信号的质量。使用CCA将脑电图信号分解成分量，然后进行特征提取，提取代表性特征;使用GMM将这些特征聚类，识别并去除伪迹。通过有效地去除由眨眼、头/身体运动和咀嚼引起的脑电记录伪影，同时保留对认知研究很重要的信号的时间和光谱特征，证明了该算法的可行性。
Post-hoc Labeling of Arbitrary M/EEG Recordings for Data-Efficient Evaluation of Neural Decoding Methods
导读：
许多认知、感觉和运动过程都与振动性神经源活动相关，该活动作为一个子空间被嵌入记录的脑信号中。从嘈杂的脑磁图/脑电图(M/EEG)信号中解码这些过程通常需要数据驱动的分析方法。然而，这种解码算法对实验原始信号的客观评估是一个挑战:M/EEG可用数据的数量通常是有限的，标签可能是不可靠的，原始信号经常被人为干扰。
为了解决这些问题，引入了仿真框架来支持数据驱动解码算法的开发及其基准测试。然而，为了产生人工大脑信号，大多数现有的框架都对大脑活动做出了强烈的、部分不现实的假设。这限制了在模拟中观察到的结果对真实场景的泛化。
在目前的贡献中，研究人员展示了如何克服现有仿真框架的几个缺点。他们提出了一个通用的替代方案，该方案允许对使用真实神经信号的新型解码算法进行客观评估和基准测试。它允许生成带有可从任意M / EEG记录确定地恢复的标签的相对较大的数据集。产生这些标签的新想法是这个框架的核心:我们确定一个真正的M/EEG记录的子空间，并利用它来获得新的标签。这些标签包含关于一些潜在神经源的振荡活动的真实信息。对于两类定义子空间的方法，
研究人员展示了如何获得这些标签——要么通过专门的数据驱动方法(independent component analysis—ICA)，要么通过利用附加的解剖学约束(minimum norm estimates—MNE)。研究人员将他们提出的框架为M/EEG记录的事后标记。为了支持从业者对框架的采用，通过对三种标准解码方法(common spatial patterns (CSP), source power-comodulation (SPoC), convolutional neural networks (ConvNets) -wrt。不同的数据集大小、标签噪声和标签可变性。源代码和数据可供读者使用，以便利事后标记框架的应用。
往期精彩回顾