混合脑机接口(BCI)基于运动图像(MI)和P300一直是首选策略旨在通过结合提高检测性能的特点。然而,当前的方法用于结合这两种模式分别优化,这不会导致最优性能。在这里,我们提供了一个有效的框架优化连接在一起的MI的特点和P300在一块对角形式。然后一个线性分类器下双光谱标准规范应用于组合特性。在这个框架下,MI的混合特性和P300是可以习得的,直接选择,组合在一起。实验结果数据集的混合BCI基于MI和P300说明竞争提供了该方法的性能与其他传统的方法。这提供了一个证据,这里使用的方法有助于大脑的歧视表现在混合BCI。
混合脑机接口(BCI)基于脑电图(EEG)吸引了大量的注意力,因为他们可以提供更高的判别的性能和更多的控制命令相比,单一模型BCI [
信号分析在BCI旨在预测用户的大脑状态的规定选择(
不同于单一模态BCI,存在两个或两个以上的大脑模式混合BCI(例如,MI和P300)。在机器学习方面,面临的挑战是,这些模式包含不同的订单信息信号(
在本文中,我们集中在混合BCI范式基于我们以前的工作,其中包括MI任务和P300任务。这表明大脑信号包括一阶和二阶信息。为了克服上述挑战,我们建议使用一种判别方法,试图结合,学习直接混合特性。这里的判别方法应用提出了单一形态BCI的富冈和穆勒
NuAmps设备(Neuroscan)是用来测量头皮脑电图信号的数据采集。每个用户戴着脑电图帽(LT 37)测量信号的电极。引用EEG信号的右耳。两个渠道,“HEOG”和“VEOG”代表眼球运动被排除在外(这里没有显示)。EEG记录用于处理从Ag-AgCl电极放置在网站的额,中央顶叶和枕叶区域。以下15个频道包括:“一个FC3,文件”“FCz”,“FC4”,“C3,”“Cz,”“C4”,“保罗”,“CPz”,“CP4”,“P3,”“Pz。”“P4,”“Oz,”和“O1, O2。“所有的阻抗都低于5 kΩ。EEG信号放大、采样在250赫兹,和带通滤波0.5和100赫兹之间。
在这个实验中,数据收集从十二志愿者(女性10男性,2)年龄在22-35年。图形用户界面用于结合P300和MI是我们之前的论文中描述的一样
实验任务。
| 箭头提示 | 任务 |
|---|---|
| 向上 | P300任务:关注中心按钮没有任何MI的任务 |
| 正确的 | MI任务:右边图像没有任何按钮的注意 |
范式对试验采集的数据。初的审判(0 - 2.25 s),屏幕是空白。从2.25到4 s交叉显示屏幕捕捉对象的视觉注意力。从4到8 s,一个箭头提示。主题是指示执行精神任务根据如下:右箭头提示右运动图像和向上箭头提示注意到一个特定的按钮(中心按钮在这个实验中)。
个人在时间精度。
这个数据集包含两种类型的任务:与P300和另一个与MI(表
P300的任务,EEG信号首先带通滤波的范围内0.1 -20 Hz然后downsampled 60赫兹。接下来,信号从一个通道被分割为时代,每个从0到600 ms的flash按钮之后,特别是在这个实验中心按钮。为每一个闪光的特定的按钮<我nl我ne- - - - - -for米ula>
对于运动图像任务,脑电图数据范围内的带通滤波8-30赫兹和downsampled 100 Hz。带通滤过的信号数据<我nl我ne- - - - - -for米ula>
与上述提取P300的模式<我nl我ne- - - - - -for米ula>
这里使用的分类器是线性函数如下所示:
在测试之前,参数<我nl我ne- - - - - -for米ula>
因此,训练参数,我们可以预测的目标模式<我nl我ne- - - - - -for米ula>
如上所述,我们可以看到,线性分类器可以选择和学习特征系统地根据双谱的规定,在这一功能是由结合在一块对角形式的一阶信息信号P300任务和MI的信号的二阶信息的任务。这个框架可以提供一种方法来优化直接MI和P300的特点。
相比之下,我们还进行了数据分析和BCI社区中最常用的方法。MI的数据分析任务,我们应用(CSP)的公共空间模式MI特性和线性判别分析(LDA)作为分类器(CSP-MI)。虽然P300的数据分析任务,逐步采用LDA的分类器(SL-P300)。为了进一步证明我们的使用方法的效果,我们使用概率方法进行分类
在执行测试之前,正规化常数<我nl我ne- - - - - -for米ula>
分类性能。
| DS-hybrid |
DS-MI |
DS-P300 |
CSP-MI |
SL-P300 |
PROB-hybrid |
|
|---|---|---|---|---|---|---|
| S1 | 98 (0.9) | 82 (1.3) | 87 (2.3) | 78年 | 88年 | 91年 |
| S2 | 96 (1.5) | 81 (3.3) | 85 (1.5) | 85年 | 87年 | 85年 |
| S3 | 89 (5.7) | 79 (0.3) | 82 (0.9) | 75年 | 79年 | 85年 |
| S4 | 92 (0.5) | 76 (0.7) | 84 (0.7) | 80年 | 76年 | 88年 |
| S5 | 86 (2.9) | 73 (2.5) | 76 (1.3) | 72年 | 78年 | 80年 |
| S6 | 95 (6.3) | 80 (4.3) | 79 (5.75) | 81年 | 83年 | 86年 |
| S7 | 88 (4.1) | 68 (1.5) | 80 (6.3) | 68年 | 78年 | 82年 |
| S8 | 92 (1.1) | 84 (2.1) | 66 (3.7) | 82年 | 80年 | 90年 |
| S9 | 94 (2.5) | 85 (3.3) | 83 (1.7) | 86年 | 85年 | 91年 |
| S10 | 88 (1.9) | 76 (4.1) | 80 (4.3) | 74年 | 82年 | 86年 |
| S11 | 96 (0.3) | 88 (1.5) | 85 (5.7) | 86年 | 90年 | 92年 |
| S12 | 100 (1.7) | 83 (2.7) | 90 (3.1) | 85年 | 88年 | 95年 |
| 平均数±标准差 |
|
|
|
|
|
|
标准算法的分类性能数据分析与MI和P300范式是79.3% (CSP-MI)和82.8% (SL-P300)如表所示
图
头皮的地图频道为主题1权重。所有这些映射值分别归一化<我nl我ne- - - - - -for米ula>
在这项研究中,我们建议使用一个线性分类器和多峰性分类的双光谱标准规范。相对于北京市或其他传统的方法,该方法可以执行功能的学习,特征选择和特征结合直接通过间接多步以外的正规化。这种方法允许我们执行功能的学习与训练的分类器联合优化框架。特别,这个方法可以连接MI的特点和P300在一块对角的方式,让我们一起来优化通过更有效的方法。
作者声明没有竞争的经济利益。
这项工作得到了中国国家重点基础研究计划(973计划)资助2015 cb351703;中国国家高新技术研发计划(863计划)资助2012 aa011601;中国的国家自然科学基金资助下91420302,61403147,61573150;和广东省自然科学基金资助2014 a030312005和2014 a030313233。