将传感器几何结构作为多通道脑信号的流匹配先验
Sensor Geometry as a Flow-Matching Prior for Multi-Channel Brain Signals
精选理由
利用电极空间几何构造生成先验，无需增加参数，即可提升脑电生成信号的频谱匹配度。
AI 摘要
arXiv:2610.08355v1 公告类型：新论文 摘要：流匹配模型以各向同性高斯分布为源分布；当数据的相关结构事先未知时，这是标准选择。然而，对于多通道脑信号记录，这种结构的一部分是事先已知的。电极位于头部的固定位置，而穿过颅骨和头皮的容积传导使相邻电极的信号以一种跨受试者共有的方式协同变化。尽管如此，现有 EEG 生成模型仍让网络从零开始学习这一结构。我们转而将该结构融入源分布。仅根据传感器坐标，我们构建一个 k 近邻图，并将其拉普拉斯矩阵的图 Matérn 函数作为源分布的协方差，使流从空间相干的模式而非通道间独立的噪声出发。这一改动不增加任何可学习参数，适用于任意耦合方式和漂移网络，并在所有数据集上使用相同的三个超参数。在八个 EEG 数据集和四种流匹配方法上，图 Matérn 源分布在大多数数据集上降低了生成信号与真实信号在五个临床频段内的频谱差异（PSD-KL）。因方法而异，PSD-KL 在各数据集上的几何平均值下降了 12% 至 17%；在电极布置最密集的 PhysioNet-MI 上，降幅最高达 40%。我们表明，这种改善源于传感器位置局部图的空间特征向量，因为在保留特征值谱的同时将特征向量随机化，会使收益消失。此外，直接拟合经验数据协方差得到的先验，其表现反而不如各向同性噪声。同样的构造无需修改即可应用于 MEG、采用患者特异性电极网格的颅内 EEG，以及交通传感器网络，并在每一种场景下都降低了所有方法的 PSD-KL。https://jd730.github.io/projects/GraphPrior