Fast, accurate, and interpretable decoding of electrocorticographic signals using dynamic mode decomposition

📄 arXiv: 2311.04225v1 📥 PDF

作者: Ryohei Fukuma, Kei Majima, Yoshinobu Kawahara, Okito Yamashita, Yoshiyuki Shiraishi, Haruhiko Kishima, Takufumi Yanagisawa

分类: eess.SP, cs.LG

发布日期: 2023-10-31

💡 一句话要点

提出空间动态模式特征以解决神经解码的实时性与可解释性问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 动态模式分解 神经解码 空间动态模式 机器学习 皮层电图信号 实时性 可解释性

📋 核心要点

  1. 现有的基于核的机器学习算法在神经解码中存在计算时间长、与非核算法不兼容及可解释性差等问题。
  2. 本文提出了一种新的映射函数，将动态模式（DMs）转换为空间动态模式（sDM）特征，适用于任何机器学习算法。
  3. 实验结果显示，sDM特征在解码准确性和计算时间上均优于传统方法，且具有更高的试次间重现性。

📝 摘要（中文）

动态模式分解（DM分解）将时空信号分解为基本的振荡成分（DMs）。与传统的功率特征相比，DMs在与非线性Grassmann核结合使用时能够提高神经解码的准确性。然而，基于核的机器学习算法存在计算时间长、与非核算法不兼容及可解释性差等三大局限。本文提出了一种映射函数，将DMs显式转换为空间动态模式（sDM）特征，能够在任何机器学习算法中使用。通过对各种运动和视觉感知任务中记录的皮层电图信号进行实验，结果表明sDM特征在解码准确性和计算时间上均优于传统方法。此外，sDM特征中对解码有信息量的成分与信号的高-$γ$功率特征相似，但具有更高的试次间重现性。所提出的sDM特征实现了快速、准确且可解释的神经解码。

🔬 方法详解

问题定义：本文旨在解决现有基于核的机器学习算法在神经解码中的计算时间长、可解释性差等问题。传统方法依赖于功率特征，导致解码性能受限。

核心思路：提出一种映射函数，将动态模式（DMs）转换为空间动态模式（sDM）特征，使其能够在任何机器学习算法中使用，从而提高解码的准确性和效率。

技术框架：整体架构包括信号采集、DM分解、sDM特征提取和机器学习解码四个主要模块。首先从皮层电图信号中提取DMs，然后通过映射函数生成sDM特征，最后应用于不同的机器学习算法进行解码。

关键创新：最重要的技术创新在于提出了sDM特征的概念，使得动态模式的应用不再局限于核方法，显著提高了可解释性和实时性。

关键设计：在特征提取过程中，sDM特征的生成依赖于对DMs的空间映射，确保了特征的高效性和信息量。此外，实验中采用了多种机器学习算法进行对比，验证了sDM特征的有效性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果表明，sDM特征在解码准确性上比传统方法提高了显著的性能，具体提升幅度未知，同时在计算时间上也表现出更优的实时性。sDM特征的试次间重现性高于传统高-$γ$功率特征，进一步增强了其在实际应用中的可靠性。

🎯 应用场景

该研究的潜在应用领域包括脑机接口、神经康复和神经科学研究等。通过提高神经解码的准确性和实时性，sDM特征可以帮助开发更高效的神经控制系统，促进人机交互技术的发展，具有重要的实际价值和未来影响。

📄 摘要（原文）

Dynamic mode (DM) decomposition decomposes spatiotemporal signals into basic oscillatory components (DMs). DMs can improve the accuracy of neural decoding when used with the nonlinear Grassmann kernel, compared to conventional power features. However, such kernel-based machine learning algorithms have three limitations: large computational time preventing real-time application, incompatibility with non-kernel algorithms, and low interpretability. Here, we propose a mapping function corresponding to the Grassmann kernel that explicitly transforms DMs into spatial DM (sDM) features, which can be used in any machine learning algorithm. Using electrocorticographic signals recorded during various movement and visual perception tasks, the sDM features were shown to improve the decoding accuracy and computational time compared to conventional methods. Furthermore, the components of the sDM features informative for decoding showed similar characteristics to the high-$γ$ power of the signals, but with higher trial-to-trial reproducibility. The proposed sDM features enable fast, accurate, and interpretable neural decoding.