基于双Laplacian格兰杰因果关系的脑连接性分析及其在脑机接口中的应用

摘要

基于格兰杰因果关系的有效脑连接性分析为探究信息处理的神经机制和脑机接口潜在特征提供了一种强有力的工具。然而，传统的格兰杰因果关系易受异常值（如眼动伪迹）的影响，导致不合理的脑连接推断和对内在认知状态的错误解读。

为了解决这一问题，本文提出了一种新的方法——双Laplacian格兰杰因果分析（DLap-GCA）。该方法通过对模型参数和残差施加Laplacian分布，有效抑制了脑电图（EEG）信号中的异常值影响，并构建了稀疏的脑网络。

DLap-GCA的优势在于：

对异常值的鲁棒性: 对残差的Laplacian假设可以有效抑制EEG信号中异常值对因果推断的影响。2. 稀疏网络构建: 对模型参数的Laplacian假设可以稀疏地表征多个脑区之间的内在相互作用。3. 提高模型稳定性和准确性: DLap-GCA能够提供更稳定的模型估计和更准确的脑连接性分析结果。

通过模拟研究，我们定量验证了DLap-GCA在抑制复杂异常值影响、模型估计的稳定能力和稀疏网络推断方面的有效性。

我们将DLap-GCA应用于运动想象（MI）EEG数据分析，结果表明，即使在强噪声条件下，该方法也能有效捕捉MI任务的内在半球化侧化特征，并构建具有区分性的稀疏脑网络。

此外，基于DLap-GCA提取的网络特征进行MI分类，取得了比其他传统方法更高的准确率。这归因于DLap-GCA能够及时捕捉到具有区分性的网络结构，即使在单试在线条件下也是如此。

结论

DLap-GCA作为一种新的脑连接性分析方法，能够有效克服传统格兰杰因果关系分析中存在的异常值敏感问题，并构建更真实、更稀疏的脑网络。该方法在脑机接口等领域具有广泛的应用前景。