本篇学习报告的内容为2021年发表在《Neural Plasticity 》的基于堆叠降噪自动编码器的脑电疲劳自适应脑电特征提取方法的文章《An Adaptive EEG Feature Extraction Method Based on Stacked Denoising Autoencoder for Mental Fatigue Connectivity》，其影响因子为3.599。作者提出一种提高脑电信噪比的方法。为了已验证算法的有效性，文章通过使用主成分分析方法，和对源数据分析，并用神经网络进行学习对比该算法的有效性和提高其信噪比的特性。
研究背景和内容
疲劳是一种常见的生理反应，在脑电疲劳检测中，疲劳的分类算法已经有各种方法可以通过脑电信号的特征波形等相关特性分类，但是在实际脑电采集，或在具体到外部环境而非实验室环境的时候，脑电的采集是噪声污染严重，往往会数据的采集无法进行，或采集的数据无法使用。文章提出有一种提高信噪比的方法，并且揭示了揭示心理疲劳的潜在机制可能是有利的连通性分析。
脑电信号在记录是，由于脑部结构特性，信号通过容积传导，使得脑电信号是一种模糊信号，加上头皮，头骨等结构，脑电信号极大的衰减。脑电信号的微弱也导致了容易被噪声干扰，噪声的干扰宜导致网络结点的假链接，模糊真实的链接关系。在众多的算法中，使用主成分分析法可以提高脑电信号的信噪比。主成分分析通过线性变换得到一组线性无关的分量，从而提取出主特征，但该算法在处理非线性脑电信号处理过程中有一定的局限性。自动编码器是一种新的非线性降维方法。堆叠式去噪自编码器是由多个编码器组成的前馈神经网络输入信号收到噪声的干扰，其隐藏层被限制为一个狭窄的瓶颈，可以认为是对原始干净的输入信号的重构。为抑制噪声的干扰，减少脑区的假链接，进而探讨精神疲劳的潜在机制，从而提出一种基于堆叠噪声自动编码器模型。
研究方法
试验数据
试验对象的选取是选取15个被试，平均年龄为23.5岁的健康的个体。根据10-5电极定位系统排列如下图，选取单侧耳垂作为参考，以Fpz为地面，为了研究脑区直接的相互作用，又将脑区细化为四个区域，额叶区（1区），运动区（二区），顶叶区（3区），视觉区（4区）。试验是使用1200HZ采样率的Ag/AgCl 电极传导，数据在0.5 Hz和之间进行带通滤波100hz和陷波滤波从48hz到52hz抑制噪音。受试者分别坐在黑暗中的扶手椅上电磁屏蔽实验室。电脑桌子上的屏幕距离用户的鼻尖约1米。为了抑制眼球运动，被试者指示聚焦在屏幕中心，并减少身体运动。记录清醒状态下的脑电图，实验通常在上午9点左右进行。的数据每个主题的收集时间约为一分钟，记录脑电数据用于试验分析。
分析步骤
1 在进行数据分析之前，为了减小体积传导的影响，提高信噪比，提高信噪比
空间分辨率，通过曲面拉普拉斯算法对数据进行处理
原始信号与四个周围信号的通过上面的公式计算得到，其中源中心co，与1，2，3，4 信号的夹角为90度。
2 自动编码器
堆叠自动编编码器是深度学习领域常用的一个深度学习模型，由多个自动动编码器串联堆叠构成。堆叠多层自动编码器的目的是为了逐层提取输入数据的高阶特征，在此过程中逐层降低输入数据的维度，将一个复杂的输入数据转化成了一个系列简单的高阶的特征，然后再把这些高阶特征输入一个分类器或者聚类器中进行分类或聚类。
文章使用的堆叠降噪自动编码器是如上图模型，使用两层编码器，将最后将数据输出，进行格兰杰因果分析。使用如下表相关参数，进行模型训练。
图二对原始信号进行了短时间傅里叶变换，并对其特征进行了分析对第一和第二自编码器的提取方法进行了分析。结果表明，该模型对大脑敏感振幅更高的活动。与其他情况相比，清醒状态下的大脑活动更多和节奏。第一个编码器可能会关注明暗的对比。第二个编码器可以集中在振幅差异上，在清醒和疲劳状态下都有较高的振幅，从而提取的Delta和theta特征波形。进而证明去噪自动编码器是一种有效的编码器。
3 格兰杰因果分析
格兰杰因果检验是一种统计假设检验，用于确定一个时间序列是否对预测另一个时间序列有价值。其基于两个原则，第一时间上，因先于果，第二因蕴含了未来的信息。
将该模型应用于格兰杰因果关系分析来探索多脑区域之间的连通性在疲劳、清醒和睡眠不足的情况下。格兰杰因果关系分析算法是一种基于时间序列的预测。因果关系序列代表了一个较好的预测精度时间序列具有另一个时间的先验知识序列，通过因果分析对脑电数据四个区域的连通性进行分析处理。额叶区，运动区，顶叶区，视觉区的信号的流动如下图
方法对比
在算法的可行性分析上，通过对比主成分分析算法。其结果如下表，描述第一主频上的功率与平均功率之比，高的功率比显示的是更高的信噪比，从表中可以看出对于信噪比的提高，自动堆叠去噪算法比主成分分析有显著的优势。其中在使用主成分分析法，与自动堆叠去噪算法进行数据的特征提取的过程中，模型可以提取alpha值频率活动从模糊信号和抑制其他频率的干扰，而主成分分析仍然存在这些低频干扰对提取的特征。
总结与思考
通过上述分析，论文提出的基于堆叠降噪自动编码器的脑电疲劳自适应脑电特征提取方法对于脑电处理时，提高信噪比有显著的效果。并且文章指出提取物之间的因果联系清醒状态下多脑区域之间的特征，疲劳状态，睡眠剥夺状态被研究过。因果流有不同的方向透露。清醒状态下的因果方向和睡眠剥夺状态下的因果流方向是单向的但是相反。疲劳条件下的连通性显示出区域之间最复杂的轨迹。它揭示了一个双向的因果流动，从前面的区域到后面的区域，从后面的区域到前面区域。这些结果可能揭示了不同条件下的情况多脑之间潜在的协同方式不同区域。此方法的提出极大的定量分析心理疲劳状态。并且有助于揭示心理疲劳的说谎机制。
参考链接
https://www.scholat.com/teamwork/showPostMessage.html?id=10365
[1] Yu Z, Li L, Zhang W, et al. An Adaptive EEG Feature Extraction Method Based on Stacked Denoising Autoencoder for Mental Fatigue Connectivity[J]. Neural Plasticity, 2021.