IEEE T-PAMI | 华南理工俞祝良团队探索新径：稀疏贝叶斯学习助力端到端精准EEG解码

主要观点总结

华南理工大学自动化科学与工程学院脑机接口实验室的俞祝良团队首次将稀疏贝叶斯学习应用到端到端脑电图解码，提出了SBLEST算法。该算法在统一的贝叶斯框架下同时优化时空滤波器、分类器、模型参数和稀疏化超参数，展示出出色的分类性能和较强的可解释性。研究背景是EEG解码在脑机接口、情感识别和精神病学精准治疗等应用中的核心任务。研究结果分析、结论及参考内容等详见下文。

关键观点总结

关键观点1: 研究团队将稀疏贝叶斯学习应用到端到端脑电图解码。

华南理工大学俞祝良团队提出了名为SBLEST的算法，该算法基于稀疏贝叶斯学习框架，旨在优化EEG解码的时空滤波器和分类器。

关键观点2: SBLEST算法具有出色的分类性能和可解释性。

通过多套EEG数据集的系统分析，SBLEST算法相比其他算法展现出更高的解码性能。其优化和可视化的时空模式为神经生物学和临床问题的研究提供了新的视角和依据。

关键观点3: 研究背景强调了EEG解码在多个领域的重要性。

EEG解码在脑机接口、情感识别和精神病学精准治疗等应用中发挥核心作用，而如何将高维时空EEG数据准确映射到目标变量是这一领域的重要挑战。

文章预览

华南理工大学自动化科学与工程学院脑机接口实验室的俞祝良团队首次将稀疏贝叶斯学习应用到端到端脑电图解码，提出了一种名为SBLEST的算法。在统一的贝叶斯框架下，该算法同时优化时空滤波器、分类器、模型参数和稀疏化超参数，不仅在理论上具有先进性，而且在实际应用中展示出出色的分类性能和较强的可解释性。 华南理工大学自动化科学与工程学院俞祝良教授和美国Alto Neuroscience公司联合创始人兼首席数据科学官吴畏博士共同担任通讯作者。华南理工大学自动化科学与工程学院博士研究生王文龙和广东金融学院齐菲菲副教授为共同第一作者，华南理工大学为第一作者单位和通讯单位。 该论文发表在 I EEE Transactions on Pattern Analysis and Machine Intelligence。 题目为《 Sparse Bayesian Learning for End-to-End EEG Decoding 》。 研究背景 作为记录人类脑电活动 ………………………………