Риманова геометрия для интерфейсов мозг–компьютер на основе ЭЭГ: введение и обзор

Несмотря на недавнюю историю, применение римановой геометрии для декодирования в интерфейсах мозг–компьютер (BCI) в настоящее время привлекает все большее внимание благодаря накоплению свидетельств ее простоты, точности, робастности и возможностей переноса обучения, включая лучшие результаты, полученные в пяти недавних международных конкурсах по прогнозному моделированию на данных BCI. Риманов подход математически строг, однако на практике он прост как с алгоритмической, так и с вычислительной точки зрения. Это позволяет создавать системы онлайн-декодирования, пригодные для работы в реальных условиях при наличии неблагоприятных факторов. В данной работе представлен обзор применения римановой геометрии в BCI и введение в основанные на ней классификационные подходы. Хотя теоретические исследования римановой геометрии носят технический характер, наша цель — показать привлекательность этого подхода с интуитивной геометрической точки зрения. В частности, мы обосновываем его робастность и возможности переноса обучения, а также проясняем связь между простым римановым классификатором и современным подходом к пространственной фильтрации. В заключение мы приводим сведения о построении точек данных, обрабатываемых в рамках риманова подхода в контексте BCI, и ссылки на доступные библиотеки кода с открытым исходным кодом на MATLAB и Python для разработки декодеров BCI.