Riemannian Geometry for the classification of brain states with intracortical brain-computer interfaces

本研究探讨了基于黎曼几何的方法在使用侵入式电生理记录进行脑解码中的应用。尽管黎曼几何之前已被用于非侵入式数据，但其在通常规模更小、数据更稀少的侵入式数据集上的效用仍较少被探索。在此，我们提出了一种基于黎曼几何的最小距离到均值（MDM）分类器，该分类器利用从不同脑区局部场电位（LFP）记录中提取的协方差矩阵，在不同脑状态动态下进行分析。为了进行基准测试，我们将该方法的性能与卷积神经网络（CNNs）和欧几里得MDM分类器进行了比较。结果表明，基于黎曼几何的分类不仅在不同通道配置下取得了更高的平均F1宏平均分数，而且所需的计算训练时间最多可减少两个数量级。此外，这一几何框架揭示了不同脑状态下的脑区空间贡献差异，暗示了依赖于脑状态的功能组织特性，而这种特性往往是传统时序分析方法难以捕捉的。我们的研究结果与以往支持几何方法有效性的研究一致，并将其应用扩展到了侵入式脑记录领域，突显了其在更广泛的临床应用中的潜力，例如脑机接口应用。

该论文试图解决如何在侵入性脑电生理记录中应用黎曼几何方法进行脑解码的问题。具体来说，研究验证了黎曼几何方法在小型和稀疏的侵入性数据集上的适用性，这在以往的研究中较少被探索。

论文提出了一种基于黎曼几何的最小距离到均值（MDM）分类器，利用从局部场电位（LFP）记录中提取的协方差矩阵进行脑状态解码。相比传统的欧几里得方法或深度学习模型（如CNN），该方法不仅在小规模数据上表现更好，还显著减少了训练时间，并揭示了不同脑区在各种脑状态下的空间贡献。

1. 实验设计对比了黎曼几何MDM分类器、CNN和欧几里得MDM分类器，在多种通道配置下评估性能；2. 数据来源于侵入性LFP记录，覆盖多个脑区和动态脑状态；3. 黎曼几何方法显示出更高的F1分数和更快的训练速度（快两个数量级）；4. 研究揭示了传统时序分析方法难以捕捉的状态依赖性组织特性；5. 论文未提及代码开源情况，但其结果对脑机接口等临床应用具有重要启示价值。

相关研究包括：1. 非侵入性脑信号中的黎曼几何应用，如《Riemannian Geometry for EEG Signal Classification》；2. 深度学习在脑信号解码中的应用，例如《Deep Learning for Brain-Computer Interfaces》；3. 协方差矩阵在脑信号分析中的作用，如《Covariance Descriptors for Brain Decoding》；4. 时间序列方法与几何方法的对比研究，如《Geometric vs Temporal Approaches in Neuroimaging Analysis》。