【文献阅读】3-MOABB: trustworthy algorithm benchmarking for BCIs 2018

系列文章目录

EEG的相关文献阅读—第一篇 综述类
EEG的相关文献阅读—第二篇 BCI应用

摘要

摘要部分通过四个小标题来分块完成：Objective，Approach，Main results，Significance。本文建立于MNE工具包【文献13】【文献14】，提出了关于改善BCI算法开发的自己的开源系统（网址），并在一组包含12个公开数据集，250多个主题的解码算法上进行数据可视化和统计分析。

关键词

脑机接口，EGG，机器学习，CSP，空间滤波，软件

背景

BCI是由大脑记录的信号定义的，并被送入计算机，它可以通过任何数量的方式受到受试者和实验者的影响。为了解决数据集的验证困难问题，研究人员总是以创建一个新数据集或者是使用少数著名的、久经考验的数据集之一为两个解决办法。

为解决BCI算法发展的两方面困难：

1. 小样本数据集
2. 缺乏可重复性

创新点

本文提出了一个可靠地比较BCI管道的系统，该系统既容易扩展以纳入新的数据集，又配备了一个自动统计程序来确定哪些管道表现最好。该系统为提交和验证新的BCI管道定义了一个scikit-learn接口，用于更新作用。适用于不同的管道类型（EEG，fNIRS，其他），多级范式，迁移学习场景等问题。

方法

MOABB项目包括许多公开可用的EEG数据集的汇总，这些数据集被转换为通用格式并捆绑在软件包中，以及SOA算法的集合。与BCILAB 插件【文献19】，OpenVIBE【文献26】，BCI2000【文献27】做对比，指出各自优缺点，引出自己的系统。
MOABB软件流程图：

系统的BCI分析由三个部分组成：Dataset-context-pipeline
Dataset：motor imagery（通道数，图像类型，试验时间）

context：Paradigm and Evaluation
Paradigm：预处理（ICA清洗、带通滤波、发作和事件选择），将数据切割成试验（试验长度和重叠图度），事件标记前后使用时间
Evaluation：针对数据集的类型来进行算法的选择使用，如何报告结果（会话交叉验证方案和评价指标）
pipeline：定义为将原始试验数据的处理过程，同时考虑到空间过滤和分类模型的拟合。scikit-learn接口【文献25】定义一种API，允许容易的降维、特征生成和模型拟合。

实验

元分析展示：

1. 在每个数据集内进行独立的统计测试（混合的排列组合Stouffers 方法【文献33】和非参数测试），然后在之后Stouffers 方法合并P值
2. 测试了两条预处理管道：一条带通包含8到35Hz的α和β范围，另一条以4Hz为增量从8到35赫兹。所有数据再被二次采样到128Hz。
3. 选择ROC-AUC评分作为评分5倍交叉验证的指标，为了返回每个受试者的单个分数，当存在多个会话时，对每个会话的分数进行平均。
4. 结果展示：p-value值
   

结论与不足

Meta分析在BCI中的使用受到了在一个地方收集数据和算法的困难的阻碍。
通道层面的对数方差几乎从未优于CSP正则化或黎曼方法，而且切线空间分类管道是测试模型中最好的单会话分类。

参考

参考文献
[1]: 原文
[2]: 网站安装源码
[3]: MOABB 用户手册
[4]: 文中使用数据集合集