跳到正文

算法、任务与模态

非平稳性 最新动态

非平稳性 研究索引；按可核对的标签归档，不以热度评价质量。

164 条精选近 30 天 22 条共收录 269 条

更新

精选归档 · 第 9 页

1月1日周四第 161–164 条
  1. OpenReview · EEG73

    用于控制机器人仿真器的自定步调 BCI：在线事件标注范式与基于扩展卡尔曼滤波的在线训练算法

    针对 EEG 非平稳性以及自定步调 BCI 中用户控制意图和发生时刻通常未知的问题，本研究提出一种基于运动想象的机器人仿真控制范式，并以基于扩展卡尔曼滤波的方法在线调整 BCI 分类器参数。基于摘要分析，未取得论文全文。 核心机制是通过专门设计的仿真环境，在在线实验期间提供用户控制意图及其时序信息，为自定步调 BCI 的在线训练与适应建立可用的事件标签。研究重点不仅是分类器更新算法，也包括如何在用户自主发起控制的条件下获得训练所需的信息；这与同步 BCI 依赖预定任务时序的情境不同。 作者报告，在四名被试的在线自定步调 BCI 训练实验中展示了该范式及扩展卡尔曼滤波适应方法的实用性。摘要未提供 Accuracy、误触发率、控制延迟或任务完成表现等定量结果，因此尚不能判断适应带来的收益幅度，也不能据此与其他在线方法直接比较。 复现时需核对仿真环境如何生成意图与时序标签、标签与 EEG 的对齐方式、分类器参数及扩展卡尔曼滤波更新细节，以及在线校准和评估的组织方式。实验协议、对照基线、消融及统计信息尚未验证。该范式对专门设计环境的依赖，也意味着其向开放任务或真实机器人控制的适用性仍需单独验证。

    阅读价值：值得阅读的具体原因是，该研究以可提供控制意图与时序标签的机器人仿真环境研究自定步调 BCI 的在线适应，并用四名被试的在线实验考察基于扩展卡尔曼滤波的分类器参数更新方法。

12月31日周日
  1. OpenReview · EEG71

    丙泊酚麻醉诱导下从清醒到无反应转变期间近似熵的单调性

    基于摘要分析。研究考察丙泊酚麻醉诱导过程中，EEG 近似熵（approximate entropy，ApEn）能否随患者从清醒转为无反应呈现单调变化，重点评估算法参数与信号幅度非平稳性对这一关系的影响。主要研究对象是麻醉诱导期间的生理监测，而非 BCI 任务解码。 研究分析了十四名接受丙泊酚麻醉诱导患者的 EEG，并比较不同 ApEn 参数选择。其评估前提是：在所用诱导协议下，麻醉水平随诱导经过时间单调变化；研究据此采用预测概率统计量（P_K）衡量 ApEn 时间序列变化的单调性。该前提属于协议假设，不能直接视为独立测得的麻醉深度真值。 作者报告，在上述患者与诱导协议下，不同参数对应的 P_K 中位数介于 0.527 与 0.886 之间，表明单调性表现明显依赖参数选择。作者同时报告，变化中的 EEG 信号幅度会影响结果；ApEn 在丙泊酚诱导期间呈非线性响应，但经适当参数选择，可获得由 P_K 支持的单调响应。非线性与单调性并不矛盾，单调变化不要求指标随时间线性变化。 复现时需核对 ApEn 的具体参数及选择流程、EEG 采集与预处理、分析时间窗、幅度处理方式、无反应判定标准，以及 P_K 的计算与统计不确定性。上述细节、实验协议及统计信息尚未验证，不能仅凭摘要将其解释为可跨患者通用的麻醉监测性能或临床决策依据。

    阅读价值：该研究可用于审视 EEG 近似熵在丙泊酚诱导期间的参数敏感性及幅度非平稳性影响，但其单调性证据依赖麻醉水平随诱导时间单调变化的协议假设。

1月1日周六
  1. OpenReview · EEG76

    非平稳信号相互依赖性的时频表征：在癫痫 EEG 中的应用

    基于摘要分析。本文研究非平稳信号之间的线性相互依赖关系如何随时间与频率变化，提出基于窄带滤波信号互相关的估计方法，并在仿真及癫痫相关脑内 EEG 数据中考察其表现。主要贡献是将关联估计置于时频框架下，并分析信号间时延先验对估计性能的影响，而非提出 BCI 解码算法。 核心机制是对窄带滤波后的信号计算互相关，以表征非平稳信号之间的线性关系；对照方法是基于相干函数的经典估计器。摘要未提供滤波带宽、时间窗、时延处理方式及估计公式，这些实现条件尚未验证。 作者报告，在仿真框架中，当信号间时延的先验知识可用时，所提估计器可能在偏差、方差或均方误差方面优于相干函数估计器；摘要未给出仿真参数、数值结果或优势范围。作者报告，在真实脑内 EEG 数据上，该方法可能提高关联时频表示的可读性，帮助解释非平稳相互依赖关系。这一结果不等同于已验证的诊断准确率或 BCI 性能提升。作者还通过与不区分频率的线性及非线性方法比较，说明同时表征时间和频率维度的重要性。 阅读与复现时应重点核对时延先验的来源、估计器对时延误差的敏感性、时频分辨率及对照方法的参数设置。被试数量、记录条件、数据划分、实验协议、消融及统计信息尚未验证。摘要中的信号关联用于表征功能耦合，但不能据此推断因果连接。

    阅读价值：值得阅读的具体原因是，研究直接比较窄带互相关与相干函数估计，并指出信号间时延先验可能影响非平稳 EEG 关联估计的偏差、方差及均方误差，但其优势的适用条件仍需全文核对。

1月1日周四
  1. OpenReview · EEG74

    基于变分贝叶斯 Kalman filtering 的自适应 BCI：实证评估

    基于摘要分析。该研究针对连续试次中认知状态与 EEG 联合过程的非平稳性，提出使用变分 Kalman filtering 进行 BCI 自适应分类，将 EEG 片段动态转换为认知状态的概率。核心贡献是以自适应推断应对信号分布变化，并通过健康被试数据与等效静态分类器进行实证比较。 机制与问题：摘要指出，非平稳性可能来自头皮与电极间阻抗变化等技术因素，也可能来自被试学习效应。该方法允许分类过程随连续试次中的变化调整，而非始终使用固定分类器。具体状态变量、概率模型、参数更新方式、先验及变分推断细节尚未验证；摘要也未明确在线更新是否需要认知状态标签，不能据此归为无监督测试时自适应。 评估与结果：作者使用两项健康被试研究的数据，比较所提方法与等效静态分类器的泛化 Accuracy 和比特率。作者报告，自适应分类显著改善 BCI 性能；在各研究参与被试的平均结果上，依认知任务配对不同，两项指标的增幅均可达 8%。摘要未说明该增幅是相对百分比还是 Accuracy 的百分点变化，也未给出任务名称、被试数量、数据划分、具体基线数值或比特率计算公式，因此不能将其直接解释为标准 ITR 增益，亦不能确定属于 Within-subject、Cross-subject 或 Cross-session 协议。 复现与局限：作者称该算法可实时应用，但摘要未提供运行延迟、硬件或计算成本。复现时需核对 EEG 预处理与特征、静态与自适应模型的等效条件、更新所用信息及评估时序，以及显著性检验和个体差异。实验协议、消融及统计信息尚未验证；摘要结论支持进一步考察自适应推断的价值，但不足以确认其对其他任务或使用人群的泛化能力。

    阅读价值：值得阅读其以变分贝叶斯 Kalman filtering 应对 EEG 非平稳性的自适应分类机制及与等效静态分类器的对照，但性能增益的计算口径与实时运行条件尚需全文核对。