论文阅读 GMM-JCSFE Model（EEG Microstate）

Motor Imagery Recognition Based on GMM-JCSFE Model

1.问题与困境

1.1 微状态

        将连续的EEG信号分解为一系列短暂的、稳定的“微状态”，每个微状态代表了大脑在特定时间窗口内的特定功能。微状态模型的核心思想是，大脑的活动可以看作是由一系列离散的、短暂的状态组成的，这些状态在时间和空间上具有特定的模式。

• ​空间特征：每个微状态具有特定的头皮电位分布（即空间拓扑结构）。
• ​时间特征：每个微状态持续一段时间，随后快速过渡到另一个微状态。
• ​动态性：微状态之间的转换反映了大脑功能网络的动态重组。

两个假设:

• ​一热假设（One-Hot Hypothesis）​：在任何给定时间点，EEG信号的空间拓扑结构主要由一个微状态主导。
• ​离散假设（Discrete Hypothesis）​：EEG信号的状态转换是突变的，即从一个微状态直接跳转到另一个微状态，没有过渡期。

 1.2 问题

         传统的EEG微状态模型假设状态之间存在突变，且分类特征因个体差异而异。EEG微状态特征的经验和理论分类结果都不完全令人满意，本文提出了一种基于EEG微状态模型的EEG微状态分类方法。

        本文提出了一种改进的特征提取方法，该方法将联合标签公共和标签特定特征探索（JCSFE）与高斯混合模型（GMM）相结合来探索微状态特征。

        首先，使用GMM来表示EEG时空特征在微状态模型中的平滑过渡。其次，通过对线性分类器施加正则化约束来识别类别公共和类别特定特征。第三，在公开数据集上的实验结果表明，该模型有效地编码了微观状态特征，提高了跨被试运动想象识别的准确率。

        本研究主要研究运动想象的特征提取及其分类算法，通过识别被试的共同时空动态特征（在不同分类任务中具有一致的区分力）和独特时空动态特征（在不同分类任务中具有不同的区分力），旨在最大限度地减少个体差异，提高识别准确率。

2. 模型

2.1 模型总览

        GMM-JCSFE模型流程：

        1. 数据预处理主要包括滤波（4- 38 HZ）、分割和基线校正、去除伪影和参考。

        2.a：子模型数设为10，GMM对预处理后的EEG数据采用高斯混合模型分解算法进行处理，得到每个高斯子模型的参数和概率，每个子模型的概率构成微观状态特征。

        3.b：JCSFE模块区分了微操作系统的特定功能和常见功能，状态特征并执行分类任务。

        4.分类结果包括四种运动想象：左手、右手、脚和舌头。

2.2 高斯混合模型GMM

        传统的微状态模型假设EEG信号在任何时刻都由一个单一的微状态主导（即“一热假设”）。然而，这种假设可能无法完全反映EEG信号的复杂动态特性。本文提出了一种基于GMM的混合表示方法，将EEG信号分解为多个高斯子模型的线性组合，从而更好地捕捉微状态的平滑过渡特性。这种方法能够更好地捕捉EEG信号的平滑过渡特性，从而提高微状态特征的表达能力。

2.3 类别共性特征和特定特征的挖掘模型

        传统的微状态分析方法主要依赖于经验定义的时间域统计特征（如持续时间、出现频率和覆盖率），缺乏对微状态时空序列信息的深入挖掘。因此，本文提出JCSFE模型，旨在探索是否存在对所有MI任务都具有判别能力的共同特征，以及是否存在偏向于特定MI任务的类别特定特征。