基于相似性措施下的小波域多通道脑电图设置,两个新方法开发的实验与事件相关电位(ERP)检测。第一个方法,命名为“多通道脑电图相似性阈值”(大都会),同时消除干扰的所有记录的信息渠道。第二种方法,命名为“semblance-based ERP窗口选择”(缝合),提出了两个版本自动本地化ERP在每个主题来减少时间窗口被删除无用的分析功能。我们经验表明,这些方法单独使用时,它们适合ERP去噪和特征提取。与此同时,这两种方法的结合比单独使用它们获得更好的结果。去噪算法与经典的基于小波阈值方法和发现获得更好的结果,显示了其适用性进行ERP系统处理。结合两种算法的去噪信号和选择时间窗xDAWN相比,这是一个有效的算法来提高erp。我们得出这样的结论:小波表面的实验检测方法执行比xDAWN工件或噪音的存在。
脑机接口(BCI)研究努力提供沟通的新方式严重残疾的人将他们的大脑活动转换成命令,可以在电脑或其他设备使用,不使用标准的周围神经和肌肉途径。特别是脑机接口控制和通信系统,旨在帮助人们运动障碍,如患有肌萎缩性脊髓侧索硬化症(ALS),脊髓损伤、多发性硬化症、肌营养不良、脑瘫。在本文中,我们将关注无创性BCI [
脑电图(EEG)是一种非侵入性的方法测量在头皮脑电活动的产品发生大脑神经元的相互作用[
与事件相关电位(erp)的神经活动产生不自觉地由于预期但罕见事件的发生。偏差出现在EEG信号与一个特定的极化和延迟。例如,P300与积极认知ERP峰值在刺激后300毫秒。ERP可以检测与信号处理技术和用于控制命令在BCI应用程序中,例如非常著名的P300拼字法韦尔和Donchin提出的(
不幸的是,主要障碍仍然存在的使用EEG对脑-机接口:信号的变化被发现非常小和高噪声等信号损耗由于头骨或肌肉工件。增强和检测ERP反应,有必要重复刺激和平均响应;然而,这降低了信息传输速率。几个努力减少的数量平均试验或直接执行ERP实验检测了(
通常,在P300-based BCI系统中,一个时间窗口是手动选择
多项研究表明,它是可能的,但是困难的,区分的实验信号与EEG背景(
小波理论已在几项研究使用了P300检测(
在这篇文章中,我们介绍一种新颖的方法来消除干扰,定位,隔离erp结合两种方法基于小波理论。这种形式是用于研究的实验基于相似性度量的大脑信号。第一种方法同时消除干扰信号通过使用阶段所有的渠道提供的信息在一个审判。后来,第二种方法结合了信号的相位和振幅信息优化ERP为每个用户的时间窗口。
本文的其余部分组织如下:在部分
小波变换是信号的内积<我nline-formula>
相反,<我t一个lic> 离散小波变换我t一个lic>(DWT)使用滤波器获得多分辨率时频表示。更准确地说,离散正交小波分解得到使用discretised规模和翻译。
双变量分析的小波分析也很有用,因此它可以研究两种不同的信号,发现它们之间的关系。Cross-wavelet分析使我们能够找到之间的共同特征信号在小波变换中使用可用的信息。cross-wavelet光谱(
的值<我nline-formula>
表面上的概念延伸至两个多信号同时进行比较。这种方法被称为<我t一个lic>
意思是合成长度我t一个lic>(推广),它是由库珀(
超过两个信号,负相关性的概念并不适用。这是验证的推广为不相关的信号值从0到1的相关信号。
我们建议降噪脑电图信号考虑所有渠道的信息根据他们在DWT变换阶段和相关性。让
这些组件在简单的词语,我们保持相似性高的通道产生一个运用脑电图信号。这部小说的方法<我t一个lic>
多通道脑电图相似性阈值我t一个lic>(大都会)和完整的小波去噪过程中描述的算法
设置阈值的相关性<我nline-formula>
计算的希尔伯特变换<我nline-formula>
计算DWT<我nline-formula>
计算推广(<我t一个lic>
t我t一个lic>使用方程()
设置为零<我nline-formula>
重建信号通道<我t一个lic>
c我t一个lic>使用新的<我nline-formula>
我们建议来计算一个时间窗口的变量,通过比较目标的平均和不属预定目标的信号。提出了两种选择:通过通道或大渠道平均值。目的是为了有一个更好的表现力的振幅和相位分离ERP波。假设是ERP不是与脑电图背景活动有关,这应该反映在表面分析。
独立我们的方法计算每个通道的平均水平之间的相关性或大平均通道,利用连续小波变换,获得一个持续的趋势的相关性由每个规模。根据Kolev et al。
(一)点积<我nline-formula>
让信号用<我nline-formula>
在图中给出的例子
设置窗口的阈值<我nline-formula>
计算的平均<我nline-formula>
计算的平均<我nline-formula>
计算<我nline-formula>
计算表面使用方程(
计算点积<我t一个lic>
D我t一个lic>使用方程(
计算标准偏差<我nline-formula>
的极限<我nline-formula>
的极限<我nline-formula>
这个模型是用来执行的一种变体<我t一个lic>
semblance-based ERP窗口选择渠道我t一个lic>(SEWS-2),总结算法
设置窗口的阈值<我nline-formula>
计算大平均<我nline-formula>
计算大平均<我nline-formula>
计算<我nline-formula>
计算表面使用方程(
计算点积<我t一个lic>
D我t一个lic>使用方程(
计算标准偏差<我nline-formula>
的极限<我nline-formula>
的极限<我nline-formula>
进一步的信息关于算法和方法中可以找到
我们采用P300数据集
这个数据集(关于主题详情,请参阅
本节介绍了实验评价新方法的性能,通过对比介绍了他们xDAWN算法和先进的小波阈值技术。
表
信大都会的准确性,极大极小,通用,确定去噪算法在22 UAM数据集的主题。描述性统计对所有受试者对信精度报告(平均值,标准偏差(SD)、min,和max。)。
| 方法 | 平均 | SD | 分钟。 | Max。 |
|---|---|---|---|---|
| (-20 - 0.1)赫兹过滤器 | 53.60 | 14.14 | 28.25 |
|
| 确定 | 54.80 | 13.90 | 33.02 | 78.57 |
| 极大极小 | 55.00 | 13.93 | 32.70 | 79.05 |
| 通用 | 55.07 | 13.92 | 33.02 | 79.05 |
| 大都会 |
|
|
|
79.05 |
最好的表演以粗体突出显示。
在本节中,我们使用两个主要贡献,缝纫技术和大都会去噪算法,分析智能选择薄的影响窗口。
学科范围内的时间窗口(0 - 133)为起点和女士在[762 - 1000]女士为终点。平均值和标准偏差为窗口的起点大都会& SEWS-1<我nline-formula>
表
信精度的时间窗口选择算法(缝合)当使用去噪算法(大都会),超过22 UAM数据集的主题。描述性统计对所有受试者对信精度报告(平均值和标准偏差)。
| 预处理 | 平均 | SD |
|---|---|---|
| (-20 - 0.1)赫兹过滤器 | 53.60 | 14.14 |
| 大都会 | 55.20 |
|
| 大都会& SEWS-1 |
|
13.64 |
| 大都会& SEWS-2 | 55.91 | 14.13 |
最好的结果以粗体突出显示。
xDAWN算法扮演类似的角色,本文中提出的算法,因为大都会也使用多通道信息。
表
信的实验精度检测xDAWN 22科目,大都会& SEWS-1和大都会& SEWS-2算法。
| 主题 | 大都会& SEWS-1 | 大都会& SEWS-2 | xDAWN |
|---|---|---|---|
| s1 |
|
49.52 | 49.05 |
| s2 |
|
64.31 | 60.78 |
| s3 | 58.75 | 59.17 |
|
| s4 | 35.56 | 35.56 |
|
| s5 | 70.28 |
|
71.11 |
| s6 | 38.15 |
|
31.85 |
| s7 |
|
34.44 | 24.44 |
| s8 | 68.52 |
|
67.78 |
| s9 |
|
|
55.24 |
| s10 |
|
43.81 |
|
| s11 |
|
48.77 | 41.40 |
| s12 |
|
58.33 | 56.11 |
| 向 | 45.56 | 46.30 |
|
| s14系列 | 52.08 |
|
43.75 |
| s15 |
|
43.81 | 28.10 |
| s16 | 76.41 |
|
61.54 |
| 肌力 |
|
78.57 |
|
| s18 | 57.68 | 58.26 |
|
| s19 | 74.00 |
|
73.67 |
| s20 |
|
39.30 | 36.49 |
| s21 | 46.67 |
|
30.28 |
| s22 | 68.89 |
|
63.33 |
最好的结果以粗体突出显示。
检查正常的假设,我们应用了<我t一个lic>
Shapiro-Wilk成对测试我t一个lic>与一个显著水平<我nline-formula>
表
对比大都会&缝纫和xDAWN算法。描述性统计对所有受试者对信精度报告(标准差,分钟,马克斯。)。
| 预处理 |
|
|
分钟。 | Max。 |
|---|---|---|---|---|
| ( | 52.50 | 13.49 | 30.48 | 76.41 |
| xDAWN | 51.03 | 15.80 | 24.44 | 80.00 |
| 大都会& SEWS-1 |
|
|
|
|
| 大都会& SEWS-2 | 55.91 | 14.13 | 34.44 | 78.97 |
最好的结果以粗体突出显示。
表
信使用的平均精度比较试验xDAWN和大都会&缝制算法。参数用于大都会&缝合算法在表是一样的
| 不。重复的 | 1 | 2 | 3 | 4 | 5 |
|---|---|---|---|---|---|
| xDAWN | 51.03 | 67.26 | 72.36 |
|
|
| 大都会& SEWS-1 |
|
67.07 | 72.97 | 73.10 | 77.57 |
| 大都会& SEWS-2 | 55.91 |
|
|
75.28 | 78.09 |
最好的结果以粗体突出显示。
欧洲职业足球联盟的结果数据集被发表在表
P300检测比例为后续数据集使用该算法为每个主题。描述性统计对所有受试者的P300检测比例也报道(标准差,分钟,马克斯。)。
| 主题 | 基线 | 大都会 | 大都会& SEWS-1 | 大都会& SEWS-2 |
|---|---|---|---|---|
| s1 | 44.53 | 40.88 | 42.34 |
|
| s2 | 41.41 | 49.22 | 49.22 |
|
| s3 | 58.33 | 62.88 |
|
|
| s4 | 49.21 | 48.41 |
|
50.00 |
| s5 | 44.62 | 46.15 |
|
43.08 |
| s6 | 48.18 | 54.01 |
|
55.47 |
| s7 |
|
65.41 | 70.68 |
|
| s8 | 45.31 | 53.12 | 55.47 |
|
| 平均 | 50.57 | 52.51 | 55.25 |
|
| SD | 10.36 |
|
9.49 | 10.36 |
| 分钟。 | 41.41 | 40.88 | 42.34 |
|
| Max。 |
|
65.41 | 70.68 |
|
最好的结果以粗体突出显示。
结果表明,引入渠道的相关流程和渠道作为一个整体改善去噪处理步骤的分类。经典的阈值选择方法使用统计技术来推断一个合适的阈值为每个主题,而大都会中,我们使用一个固定的阈值<我nline-formula>
虽然改进经典小波方法相比似乎温和就绝对值而言,我们应该考虑到的概率在P300检测一封信拼字的,偶然的机会,只有1/36 (1 ERP中6反应检测两次),的概率与随机检测一个ERP的1/2。这意味着有一个高概率的失踪一封信正确检测到(0.97)由于随机性和只有很小的机会正确检测(0.03)的一封信中,曾被误诊。
同时,大都会算法足够灵活,能够利用的具体属性现象通过参数选择进行了分析。事实上,母亲小波是一个重要的参数。不幸的是,没有正式的方法来选择一个母小波。只能选择相似的形状对底层目标现象或属性。
表
部分的解释
欧洲职业足球联盟实验使用数据集验证我们的ERP实验检测技术不仅因为它是一个不同的数据集有不同的显示矩阵和病人,还因为它使用相同的参数用于UAM数据集。最后,更好的表现预计如果参数(如阈值)是这个数据集的细调。
我们介绍了两个自动摘要方法。第一个方法旨在消除干扰通道录音,同时允许我们检测信号组件不存在在所有渠道和提高脑电图信号的分析。第二种方法使用连续小波变换分析ERP的时间窗口。时间窗的选择算法的核心要素是点积<我t一个lic> D我t一个lic>,本文只提供的技术探索一些可以使用的可能性<我t一个lic> D我t一个lic>。标准差利用所携带的信息<我t一个lic> D我t一个lic>。可以开发一种更复杂的或详细的方法在未来增加时间窗口选择的性能和鲁棒性。此外,我们的分析基于小波的信号的相似性打开几个研究脑电图描记器应用程序的机会。例如,时间窗口选择背后的同样的原则可以应用于检测常数尺度通过完整的信号选择最有用的频段下的问题研究。
最后,这些相似性措施可以应用于研究和比较不同主题的脑电图行为的相同的应用程序可以应用于帮助我们更好地了解大脑的生理反应或者发展更健壮的BCI技术。
使用的数据来支持本研究的发现是可用的
作者宣称没有利益冲突。
作者承认的支持CONICYT-PAI / Concurso Nacional Insercion En La学术界Convocatoria 2014 -页码(79140057)和四面红ETAPA进行调整,Convocatoria 2017 (REDI170367)。