文摘

尽管食品消费是最基本的人类行为之一,营养的基础因素的偏好是不清楚。使用分类算法可以阐明这些因素的理解。本研究旨在衡量食物/非食品刺激的电生理反应和分类技术应用于区分使用单扫描数据集的响应。21个右撇子男运动员与身体质量指数(BMI)水平在18.5%和25%之间(平均年龄: )自愿参加本研究。参与者被要求集中在食品和非食品的图像被随机在监视器没有执行任何机动任务,使用16通道放大器和脑电图数据已经收集采样率为1024 Hz。SensoMotoric仪器(SMI) iView XTM红眼跟踪技术使用与脑电图测量参与者的同时注意刺激。三个数据集生成使用振幅,时频分解,和时频连接度量的P300和垂直距离组件分离食品和非食品刺激。我们实现了 - - - - - -最近邻(资讯),支持向量机(SVM),线性判别分析(LDA),逻辑回归(LR),贝叶斯分类器、决策树(DT)和多层感知器(MLP)对这些数据集分类器。最后,对食物刺激响应的饥饿状态是歧视非食品的精度值为每个数据集接近78%。这一研究获得的结果促使我们使用分类器算法利用实验测量获得的特性在振幅和时频空间而不是应用更复杂的连接度量。

1。介绍

尽管食品消费是最基本的人类行为之一,营养的基础因素的偏好还不明显。许多因素,如口感、质地、外观、食物匮乏,一顿饭的味道,起着关键作用的关注食品(1- - - - - -3]。几项研究指出增加关注食物刺激,主要是由于食物不足(4,5]。是重要的识别激活脑区和颞微结构之间的信息流这些地区了解神经基础的认知过程,如注意给这些类型的刺激(6]。即使成像的方法(磁共振成像(MRI),功能性磁共振成像(fMRI)和正电子发射断层扫描(PET))是非常有用的显示脑血流量的变化,发生在认知加工、血流动力学反应不足以解释快速电生理活动的时序动态神经网络(6,7]。脑电图(EEG)具有很高的时间分辨率,允许测量大脑的电活动(8- - - - - -10)和不同的视觉,躯体感觉和听觉刺激1,11]。与事件相关电位(ERP)录音由突然电压波动的响应刺激(12,13]。研究人员观察到几个ERP组件根据时间延迟发生后的刺激。例如,P300成分,测量是一个积极的波形大约300毫秒后刺激,一直得到广泛的研究在文献中由于其潜在的动态认知过程(14- - - - - -19]。此外,后期积极潜力(垂直距离)观察到的550 - 700毫秒后刺激可能集中注意力或详细的刺激的投影分析。此外,它反映了有意识的刺激识别阶段。小波变换(WT)是一种方法,能够估计ERP组件。WT比经典光谱分析具有更重要的优势,因为它适用于非平稳的信号在时频域分析。WT可用于分析各种瞬态事件在生物信号表示的结构和特征提取20.]。每个ERP组件得到了WT可以关联到不同的情况和任务(21- - - - - -24]。在几项研究中,ERP组件已经阐明,以应对食物刺激。例如,Hachl et al。25)进行了一项研究与一组受试者吃他们的最后一餐前3小时或6小时ERP测量食物图片用作刺激。在另一项研究中,注意食品相关词的影响刺激没有食物了(26]。同样,Channon和海沃德(27]调查P300和垂直距离应对食品和花卉图像处于饥饿状态。此外,许多研究人员已经开展了各种特鲁的研究中,食物的颜色词的命名是用作刺激28- - - - - -31日]。此外,Kitamura et al。32]观察血糖过低的葡萄糖饮料摄入量的影响在P300反应。结果,P300成分变化应对食品和非食品刺激处于饥饿状态。这种变化让我们调查的差异发生在ERP成分提取单历电气录音。

近几十年来,通过脑电图测量精神状态的检测已经通过机器学习算法的实现[执行33,34]。在大多数的研究中,研究人员计算进行脑电时间序列的特性,这些特性受到分类器来检测是否主题是正常的(35,36]。这个过程需要使用已知的功能,而现代的方法,深度学习机制,使我们能够计算出过滤器可以用来标记测量数据进行分类。总复习已在37)使用了大脑信号作为输入的各种问题,包括癫痫、情感检测、运动图像识别、和诱发电位。

此外,眼动跟踪技术用于关注研究理解参与者是否注重经济刺激。眼动跟踪技术是给一组方法和技术用于检测和记录眼球运动的活动38]。研究表明,眼睛跟踪数据提供可靠的刺激措施的关注复杂的情况(39,40]。

有一些研究文献中,分类与食品相关的刺激(32,41]。不幸的是,没有一个先前的研究使用分类技术检查食品相关刺激的电生理反应。本研究的目的是测量电生理反应食物/非食品的刺激和分类技术应用于区分使用单扫描时间序列的响应。

2。材料和方法

2.1。参与者

21个右撇子男运动员与BMI水平在18.5%和25%之间(平均年龄: )自愿参加本研究。所有的参与者都有一个最低培训一周的10个小时,参加空手道或划船。所有的参与者缺乏食物摄入量,头部损伤、神经和精神疾病,或其他疾病的历史。

2.2。实验设计

更具体地说,参与者被要求不要吃下午09.00以后在测试前的一天。我们进行了脑电图测量在早餐前09.00 - -10.00点。在实验开始之前,我们要求参与者集中在食品和非食品图片没有大汽车运动可以负面影响信号。我们提出了刺激随机使用内部开发的软件。在我们的研究中,标准化和contrast-color-adjusted图像选择研究的Charbonnier等人的不利影响降到最低的食物图片ERP (42]。在这项研究中,我们分离的图像根据其养分含量(43分成五组。因为我们的目的不是通过卡路里含量对图像进行分类,我们只是分离组织食品和非食品的。在实验中,我们展示了图像为800 ms和插入一个微不足道的时间如图的两个相邻的刺激1。中性图片的数量 ,虽然它是 对食物的图片。图像的分辨率调整 。


图1
图形化的任务。
2.3。数据收集

我们使用了一个16通道V-AMP放大器(TM脑产品,德国)采样率为1024 Hz。在这项研究中,我们从FP1收集脑电图,FP2, FP1, FP2, F3, F4, Fz, P3, P4, Pz、C3、C4、Cz, O1, O2盎司,T7, T8通道和两个电极作为参考和地面,如图2。阻抗的渠道一直低于5博物馆。


图2
16通道分布在头皮上的电极。

SensoMotoric仪器(SMI) iView XTM红眼跟踪技术是与EEG同时使用。22英寸液晶屏幕 分辨率和眼动跟踪系统如图3。重度眼球追踪系统是60赫兹的频率,它可以记录眼球运动与0.5度记录错误。


图3
SensoMotoric仪器(SMI) Iview XTM红色和22英寸液晶 屏幕上。
2.4。数据分析

眼球运动进行了分析,以检查是否主题集中在视觉刺激使用SMI BeGaze(行为和凝视分析)软件。接下来,嘈杂的组件从脑电图信号和相关属性数据的提取是基于信号处理技术。在这个步骤中,如果提取的特征是不合适的,不准确的结果。因此,有必要找到并从原始信号中提取合适的特性来获得准确的分类结果(44,45]。最后一步是使用各种机器学习技术(如决策树和支持向量机)分类EEG信号使用特征提取的特征提取过程。预处理的数据非常实质性的改善EEG信号的噪声比。我们应用40 Hz的低通滤波器和一个高通滤波器在0.1赫兹。工件被标为脑电图数据和删除的进一步处理。预处理步骤后,总共有4754单身时代依然存在。接下来,脑电图数据时代长度为200毫秒,800毫秒后刺激标记。在第二步中,食品和非食品图像图像,提取的特征是使用收集的数据来自21个学科。特征向量包含时间和频域特性。数据集的基本特征从脑电图对食品和非食品图片如下:振幅、时频能量,和时频连接度量。 Datasets have formed as follows. DataSet1: 行值计算的垂直距离和P300振幅。DataSet2:小波变换(WT)用于计算 每个频带的行值(δθ,α、β和γ)的垂直距离和P300。DataSet3:应用小波相干形成 行值在每个频带(δθ,α、β和γ)的垂直距离和P300。

的 - - - - - -最近邻(资讯),支持向量机(SVM),线性判别分析(LDA),逻辑回归(LR),贝叶斯分类器、决策树(DT)和多层感知器(MLP)使用每个数据集分类器实现。第一个分类器在这项研究中的应用是资讯,这是一种非参数监督学习算法。新样品测试过程中出现与特征提取,分类是分配给最合适的类根据它的靠近 - - - - - -最近的邻居(46]。第二个分类器,支持向量机,使用独特的超平面来确定类。超平面是一个利润最大化的使用距离最近的类的训练点。作为一个线性分类器,LDA(也称为费雪的LDA)是主成分分析的一个增强版本。贝叶斯分类器是一种监督分类的统计方法。它使用的概率分配最可能的类描述一个给定的示例的特征向量。延时是一个基于人工神经网络的分类器。在这项研究中使用的逻辑回归的统计方法对二进制分类。一个树状结构,其中包含的规则分类DT生产使用互信息隐藏在数据集。所有这些分类器实现了在Python中使用Scikit包。

3所示。结果

的结果分析,食品/非食品图片的热图从眼动跟踪技术获得证明,参与者将注意力集中到了图像在研究如图4和5。


图4
热图的食物图片。

图5
热图非食品的图片。

大平均ERP组件获得21个学科方面的研究进行了总结P300和垂直距离振幅如表所示1。和图6。我们调查了振幅差异发生的食品和非食品的存在使用成对的刺激 - - - - - -每个电极测试。

表1
振幅的P300和垂直距离组件(微伏)进行了总结。

图6
食品和非食品刺激P300和垂直距离振幅。

奥兹和T7电极不同食品和非食品刺激之间明显缺乏多个测试校正过程虽然电极之间的垂直距离组件不同的刺激。此外,这个结果让我们推断测量ERP的机制的计算频率分解。P300的枕活动增加观察有关食物刺激同意我们的先前的研究47]。脑电时间序列的频率分解后,我们计算的统计测试来阐明食品和非食品刺激之间的区别。在三角洲地区的P300成分,乐队,Pz ( )和《绿野仙踪》( );在θ乐队,T7 ( );在α乐队,FP2 ( ),电极之间的不同食品和非食品刺激。另一方面,垂直距离,差异只是在观察αFp2乐队( ),Fz ( ),T7 ( ),和T8 ( )。

此外,我们计算在每个频带和电极之间的一致性 - - - - - -测试检查的意义差异对食品和非食品刺激。θ的乐队,P300 Fp1之间的连贯性和Fp2 ( )和δ带垂直距离一致性Fp2-Fz ( )观察到在不同刺激。特征的描述性的调查后,我们集中在分类过程。

在这项研究中,我们取得了精度值接近80%的歧视给食物刺激的电生理反应与非食品刺激处于饥饿状态,使用各种数据集的分类算法。总结了分类精度值表2- - - - - -4P300的振幅/垂直距离(DataSet1) time-frequency-derived P300的组件/垂直距离(DataSet2)和连接度量P300 /电极在时频域的垂直距离(DataSet3),分别。一个示例地形图像如图7P300和垂直距离虽然地形对不同的时频组件显示在图8。

表2
分类器准确度P300和垂直距离振幅(%)。
表3
分类器准确度P300和垂直距离(%)。
表4
分类器准确度P300和垂直距离一致性(%)。

图7
地形的振幅值的P300和垂直距离。

图8
地形的权力为每个频带P300和垂直距离的值(μV) ( 0.5 - 4赫兹, 4 - 8赫兹, 8日至13日赫兹, 13-30赫兹)。

我们重复了分类过程基于个体受试者的数据和报告结果(平均值和标准偏差)的表5。在图9所有算法的可视化、分类精度值。

表5
精度值的平均值和标准偏差计算从每个主题。

图9
所有与10倍交叉验证算法的分类精度。

4所示。讨论

据我们所知,目前的研究是第一个将电生理反应的食品和非食品刺激处于饥饿状态。为此,第一个数据集包括振幅的P300和垂直距离组件从单一的时代。数据集是由池行计算为每个主题。如上所述,Blankertz et al。48),调查的ERP成分的实验测量是一个复杂的问题,因为审判的可变性和背景噪音。因此,每一行是规范化,避免振幅差异主题和实验时代。在饥饿状态,P300和垂直距离振幅有关食品和非食品被发现不同刺激后地区(49]。类似于这个,聊聊和Polich P300报道差异由于食物不足(31日]。在这些发现矛盾,当参与者摄取血糖过低的葡萄糖,P300变化没有观察到31日]。在另一项研究中,垂直距离增加时,应对食品图片和花图像进行比较。在这研究中,P300枕振幅增加,时间,和centroparietal地区26]。在我们的研究中,最大的分类精度为78%时的振幅P300和垂直距离来源于被用作实验测量特性,分别。P300的差异或垂直距离组件存在的食物/非食品刺激多种多样,在以前的研究报道。在ERP的研究中,平均的反应原因增加信号限幅比例和提高对比的情况。

然而,在我们的研究的概念,一个非凡的精度值(78%)获得了实验用的P300和垂直距离振幅组件,分别。ERP的文学,在分类研究中,平均精度值增加到86%基于N170组件。在这个研究中,实验测量图片正面和负面的情绪反应是分类器的输入数据(50]。实验脑电图测量可以提供有价值的信息在适当的对比机制。例如,在比较与大脑静息状态的EEG数据的动态测量过程中增加心理工作负荷状态,实现分类精度高的结果(51]。在我们的研究中,使用一些技术获得的一致的精度值表现出刺激识别的局限性。DT输出分类精度最低,这可能是由于低层次树的数量。

ERP数据收集,需要执行一个平均过程几个给相同或相似的刺激的反应。因此,进行ERP实验是一个time-requiring过程。另一方面,在我们的研究中,我们集中在单一扫最后不到一秒。所以,我们需要的数据受到生理机制分类的测试阶段。因此,对于实时实现,最小检测时间可以被认为是计算P300和垂直距离所需的时间特性。另一方面,分类过程包括一个训练阶段实现标签数据的使用。估计的计算复杂度,特征的数量( )和样品的数量( )有至关重要的作用。例如,在 - - - - - -神经网络,在测试阶段,复杂性直接相关 ,虽然这只是影响 在DT。由于复杂性值的样本大小的平方,DT的训练阶段是耗时的,中长期规划,支持向量机。另一方面,LR要快得多。当我们池数据,样本容量超过数千人。

5。结论

在ERP文学,常识是分析不同频段的电活动。因此,在本研究的概念,时间序列分解为一个使用小波变换时频空间。此外,连接方法是采用多通道ERP测量时间窗的P300和推导出相干信息的垂直距离。根据我们的研究,我们可以建议使用复杂的功能没有必要因为他们不能克服的使用基本的振幅特性。

仍有许多空白我们理解大脑的反应给视觉刺激。视觉刺激的概念不能直接与高精度分类值。另一方面,它更简单的精神疾病检测和运动图像研究。因此,在未来的研究中,每个人都应该关注工程的脑电图特征。特别是,深度学习与卷积神经网络可以用来开发空间过滤器的地形图像。这个过程可能产生的研究人员从测量ERP信号表现出有价值的信息。

数据可用性

EEG和眼动跟踪数据用于支持本研究的发现可以从相应的作者。

伦理批准

这项研究是通过伦理审查委员会的医学院,马尔马拉大学(批准号09.2018.380)。

知情同意是获得所有个体参与者包括在这项研究之前测量。

的利益冲突

作者声明没有利益冲突与提交的工作直接相关。

确认

这项工作是支持的马尔马拉大学研究基金会(项目号凹陷- a - 100713 - 0296)。这篇文章加工费由Hindawi资助。