arXiv（brain-computer interface）·· 26 天前AI 评分27
EMA 子空间跟踪实现自适应 Artifact Subspace Reconstruction，用于 EEG 伪迹去除
EMA-Based Subspace Tracking for Adaptive Artifact Subspace Reconstruction
AI 导读
研究提出基于指数移动平均（EMA）子空间跟踪的自适应 ASR 框架，通过短时窗协方差估计与慢速递归融合建立双重自适应时间尺度，以应对 EEG 非平稳漂移并降低对参数设定的敏感度。在 10 名受试者、24 通道 EEG 记录上，EMA-ASR 的眨眼伪迹衰减达 53.1%，高于原始 ASR 的 24.0% 和有限记忆变体的 26.7%，但重建误差与频谱偏差增加。
AI 要点
团队
第一作者 Vishnu KN，末位作者 Cota Navin Gupta，共 2 位作者。
主要结果
在 10 名受试者 24 通道 EEG 上，EMA-ASR 眨眼伪迹衰减 53.1%，高于原版 ASR 的 24.0% 与 memory-limited 变体的 26.7%。
解决什么问题
ASR 依赖静态标定协方差模型，在受试者内部漂移下稳定性不足、对参数误设敏感。
方法
提出基于指数移动平均（EMA）子空间跟踪的自适应 ASR，短时窗协方差估计加慢速递归同化，形成双自适应时间尺度。
局限
从研究设计看，仅 10 名受试者、24 通道 EEG 离线评估；伪迹抑制增强以重建与频谱偏差增大为代价。
AI 依据原文整理，未经人工核对。
来源：arXiv（brain-computer interface） · arxiv.org