We propose a novel functional data framework for artifact extraction and removal to estimate brain electrical activity sources from EEG signals. Our methodology is derived on the basis of event related potential (ERP) analysis, and motivated by mapping adverse artifactual events caused by body movements and physiological activity originated outside the brain. A functional independent component analysis (FICA) based on the use of fourth moments is conducted on the principal component expansion in terms of B-spline basis functions. We extend this model setup by introducing a discrete roughness penalty in the orthonormality constraint of the functional principal component decomposition to later compute estimates of FICA. Compared to other ICA algorithms, our method combines a regularization mechanism stemmed from the principal eigendirections with a discrete penalization given by the $d$-order difference operator. In this regard, it allows to naturally control high-frequency remnants of neural origin overlapping latent artifactual eigenfunctions and thus to preserve this persistent activity at artifact extraction level. Furthermore, we introduce a new cross-validation method for the selection of the penalization parameter which uses shrinkage to asses the performance of the estimators for functional representations with larger basis dimension and excess of roughness. This method is used in combination with a kurtosis measure in order to provide the optimal number of independent components.The FICA model is illustrated at functional and longitudinal dimensions by an example on real EEG data where a subject willingly performs arm gestures and stereotyped physiological artifacts. Our method can be relevant in neurocognitive research and related fields, particularlly in situations where movement can bias the estimation of brain potentials.


翻译:我们提出一个新的人工制品提取和清除功能数据框架,以估计来自EEG信号的脑电动源。我们的方法是根据与事件相关的潜在(ERP)分析得出的,其动机是绘制由大脑外的身体运动和生理活动引起的有害原生事件图,根据使用四分钟进行功能独立的部件分析(ICSA),根据B-spline基函数对主要组成部分扩展进行功能性独立分析(FICA)。我们扩大这一模型的设置,在功能主要组成部分的正态性约束中引入一种离散的粗糙处罚,将其扩展至后来的FICA估算。与ICA的其他算法相比,我们的方法将源自主要天体运动和源于大脑运动的由大脑运动和由美元-顺序差异操作者提供的离散的惩罚性惩罚机制结合起来。在这方面,可以自然控制高频率的神经源残留,重叠的潜伏性耐动机能,从而保持这种耐久性的活动。此外,我们采用新的交叉验证方法选择惩罚性参数,该参数使用缩缩压来评估粗糙的大脑变化状况,在功能性分析中采用一种功能性结构结构结构的过度分析方法,在功能性分析中进行更精确的演算,在最佳的模型中可以进行更深的模型中进行一个说明。

0
下载
关闭预览

相关内容

专知会员服务
50+阅读 · 2020年12月14日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
19篇ICML2019论文摘录选读!
专知
28+阅读 · 2019年4月28日
人工智能 | CCF推荐期刊专刊约稿信息6条
Call4Papers
5+阅读 · 2019年2月18日
医学 | 顶级SCI期刊专刊/国际会议信息4条
Call4Papers
5+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
计算机类 | LICS 2019等国际会议信息7条
Call4Papers
3+阅读 · 2018年12月17日
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Arxiv
0+阅读 · 2021年3月11日
VIP会员
相关VIP内容
专知会员服务
50+阅读 · 2020年12月14日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
19篇ICML2019论文摘录选读!
专知
28+阅读 · 2019年4月28日
人工智能 | CCF推荐期刊专刊约稿信息6条
Call4Papers
5+阅读 · 2019年2月18日
医学 | 顶级SCI期刊专刊/国际会议信息4条
Call4Papers
5+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
计算机类 | LICS 2019等国际会议信息7条
Call4Papers
3+阅读 · 2018年12月17日
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员