《Biomedical Signal Processing and Control》：Prior knowledge-driven robust electrode placement method for P300-based brain-computer interfaces
编辑推荐：
P300-based BCI系统电极优化方法研究提出SIEP和HEP两种方法，通过随机建模空间权重和有限用户数据实现电极定位优化，在减少设备成本和设置时间的同时提升性能，并验证了跨数据集的鲁棒性。
Mohammad Sadeghi|Massoud Babaie-Zadeh|Bertrand Rivet
格勒诺布尔阿尔卑斯大学，法国国家科学研究中心（CNRS），格勒诺布尔高等工业学院（INP），GIPSA实验室，格勒诺布尔，38000，法国
摘要
脑电图（EEG）是一种在脑机接口（BCI）系统中广泛使用的技术，它实现了人脑与外部设备之间的直接通信。一种常见的范式是基于P300波的BCI，这种技术依赖于P300波，并且通常需要多个电极来达到高精度。然而，增加电极数量会导致设置时间延长和成本增加。因此，优化电极放置对于在最小化电极数量的同时保持系统性能至关重要。大多数现有研究都集中在针对特定受试者的电极选择上，这需要使用完整的电极集进行初始实验，这与简单性和成本效益的目标相矛盾。为了解决这一限制，本文提出了两种电极放置方法：独立于受试者的电极放置（SIEP）和混合电极放置（HEP）。这两种方法的核心思想是通过随机建模P300源的空间权重来结合对大脑结构的先验知识。SIEP方法利用从一组受试者中获得的先验知识来优化电极位置，从而得到一个独立于受试者的解决方案。HEP方法通过使用较少电极集的有限记录来结合特定受试者的信息，进一步改进了SIEP。数值评估表明，SIEP在性能上显著优于实践中常用的标准固定电极配置，提供了一种无需额外成本的替代方案。HEP通过选择性结合特定受试者的数据，实现了精度和实际简单性之间的灵活平衡。所提出的方法优于之前引入的基于排名的独立于受试者的电极选择方法。
引言
脑机接口（BCI）系统作为人脑与机器之间的非肌肉直接通信通道，主要利用大脑的电活动[1]，[2]。除了最初旨在帮助残疾人士外，BCI最近在机器人技术和情感计算等领域也找到了应用[1]，[3]，[4]，[5]。
在过去的几十年中，人们投入了大量研究来提高BCI系统的性能和易用性[3]。这些系统广泛使用脑电图（EEG）记录作为神经成像方法，得益于非侵入性电极以及可用且价格合理的设备[1]，[6]。基于EEG的BCI系统使用了多种实验范式，每种范式都会产生特定类型的EEG信号特征[6]，[7]。P300波是一种事件相关电位（ERP），它在事件发生后的约300毫秒内在EEG信号中形成一个正波[1]。它被用于视觉、听觉和体感范式中，应用于拼写系统和控制任务（例如机器人和轮椅控制）[6]，[7]，[8]，[9]，[10]，[11]。
在实际应用中，EEG信号通常使用多个头皮电极进行记录。虽然更多的电极可以提供更多数据，但也会增加设置时间、设备要求和信号处理复杂性。因此，在基于EEG的系统中，确定电极的最佳数量和放置位置是一个基本挑战[12]，[13]，[14]。
在基于P300的BCI系统中，电极通道选择一直是文献中的研究热点。大多数研究都集中在针对特定受试者的电极选择上，旨在为每个受试者找到最佳的电极子集[15]，[16]，[17]，[18]，[19]，[20]，[21]，[22]。其原因可能是不同受试者之间大脑结构的差异导致了每个受试者所需的最佳电极子集不同。然而，他们的方法需要使用完整的电极集记录EEG信号来确定每个个体的较小电极子集。这要求每个用户都使用完整的电极集进行初始实验，从而增加了系统成本并降低了用户舒适度。这与最佳电极放置的主要目标相悖。
为了避免这些额外成本，一种解决方案可以采用独立于受试者的方法，为所有受试者提供最佳的电极位置。然而，文献中评估不同受试者使用通用电极子集性能的研究很少。例如，[16]和[23]的作者使用了一种启发式方法来获得跨受试者的通用电极子集。他们首先进行了针对特定受试者的电极选择，然后根据所有受试者在前8个选定电极中的重复频率对电极进行排序，并根据排名选择通用电极。另一项工作尝试为所有用户推广一种封装通道选择方法，在子集评估的每个步骤中对所有受试者进行分类器训练和测试[24]。这种方法的问题在于每个步骤都需要高计算成本来训练分类器，且随着受试者数量的增加而增加。此外，这种方法也是特定于分类器的，从而降低了该方法对其他类型分类器的鲁棒性。另一种同样特定于分类器的方法试图获得所有受试者的联合信号-标签分布[25]。此外，它为所有受试者学习了一个通用的分类器，但这可能并不适用于所有应用。
为了解决上述问题，本文提出了一种预测基于P300的BCI的最佳独立于受试者的电极位置的方法，该方法利用人脑结构的相似性来建立先验知识。为此，来自多个受试者的P300相关源的空间权重被集体用来构建权重的多变量高斯模型。然后定义并随机解决优化标准。预测的独立于受试者的电极位置并不期望与特定于受试者的电极选择具有相同的性能；相反，所提出的方法旨在找到一个最佳的共同位置，以最大化多种受试者的平均性能。所提出的独立于受试者的方法的一个关键特性是其对迁移学习的鲁棒性：它可以在一个数据集上训练，并在保持高精度的同时转移到另一个数据集上。
除了这种独立于受试者的方法外，本文还介绍了一种使用额外特定于受试者的记录来更新随机模型的过程。这导致了一种在性能和实际简单性之间提供灵活平衡的混合方法，允许在不需要完整电极集记录的情况下提高精度。
本文的其余部分组织如下。下一节将介绍方法论，包括信号建模、标准、优化和随机模型更新。第3节将展示和讨论数值实验结果。
部分摘录
方法论
本节首先简要回顾了用于估计EEG信号线性模型参数的xDAWN算法（第2.1节）[26]。接下来，描述了通过随机建模源权重来泛化模型的方法论（第2.2节）。随后，详细介绍了用于预测最佳电极位置的标准和优化方法（第2.3节）。最后，介绍了更新随机模型的过程
数值结果
本文使用的数据集以及预处理阶段和分类方法首先在第3.1节中介绍。第3.2节介绍了独立于受试者的电极放置的评估。在这一节中，进行了两种类型的评估：数据集内评估，将所提出的方法与文献中的方法进行比较；数据集间评估，评估所提出方法在不同数据集之间的迁移能力。结论
在基于P300的BCI系统中，电极放置的性能与实际简单性之间存在权衡。一方面，完全针对特定受试者的电极放置可以提供高精度，但需要使用大量电极进行初始记录，从而产生较高的实际成本。另一方面，标准电极放置在实际操作上很简单，不需要初始记录，但精度较低。本文填补了文献中存在的这一空白
CRediT作者贡献声明
Mohammad Sadeghi：撰写——原始草稿，可视化，软件，方法论，形式分析，数据管理，概念化。Massoud Babaie-Zadeh：撰写——审阅与编辑，验证，监督，项目管理，方法论，形式分析，概念化。Bertrand Rivet：撰写——审阅与编辑，验证，监督，项目管理，方法论，形式分析，概念化。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
