文摘
脑电图(EEG)信号已经被广泛用于研究大脑神经信息动态和行为发展中使用机器和深度学习技术的影响。这项工作提出了一个系统基于快速傅里叶变换(FFT)作为分类的特征提取方法人类大脑静息状态的脑电图(EEG)记录信号。在拟议的系统中,FFT方法应用于静息状态脑电记录和相应的带计算能力。提取的相对权力特性提供分类方法(分类)作为输入的分类目的作为衡量人类通过预测疲劳乳酸酶水平,高或低。验证建议的方法,我们使用了一个脑电图数据集已记录从一群一直参加专业运动员组成的两类:不累,EEG信号记录在静息状态的任务执行之前急性运动和累,EEG信号被记录在执行一种急性运动后的静息状态。三种不同的分类器的性能评估两个性能措施,准确性和精度值。再的准确性达到98%以上(资讯)分类器。本研究的结果表明,特征提取方案有能力进行分类分析EEG信号准确、预测乳酸酶高或低的水平。许多研究领域,比如物联网(物联网)和脑机接口(BCI),可以利用研究结果提出系统的许多重要决策应用。
1。介绍
脑电图是大脑神经信号反映大脑的电潜力,主要用于研究大脑神经信息动态处理和用来诊断干扰(1]。通常,这些信号时间序列信号(2)记录通过专门的头骨头盔包含多个电极分布和附加到一个特定的位置在头皮上,在潮湿或干燥的方式(3]。从这种信号的记录获得的数据在一个非常大的数量,这就是为什么他们应该由专门的分析方法,而不是传统的视觉方式(4]。这些方法中,数据分类使用机器学习技术可以发挥至关重要的作用在分析和研究脑电图信号在不同的应用程序和开发结果像人类精神疾病诊断5),预测情绪状态,决定患者康复设备,发现或辅助技术等交互输入设备的游戏控制器和轮椅司机(6]。许多先前的研究正在调查不同大脑活动通过磁共振成像(MRI)测量动物解剖图像。静息状态功能磁共振成像活动之间的不同显示之前和之后进行有氧运动(7]。最近的一项研究调查的影响一个会话急性运动对大脑的功能连接和显示一个明显的增加大脑感觉运动功能连通性的网络,可以清楚地评估使用功能性磁共振成像(8]。尽管MR成像显示高空间分辨率,但由于血液含氧浓度依赖项属性(粗体),它显示了一个有限的时间分辨率的测量信号。使用脑电图信号作为衡量大脑电生理活动的产生在时间分辨率增强一系列毫秒(9]。使用脑电图技术分析领域的心理学已经应用了很长一段时间在许多研究中,但它不是常见的运动和体育领域的,直到最近。研究调查的影响严重的身体短期运动和长期运动训练对脑电静息状态α频率(iAPF)个人的显示频率增加了执行后剧烈运动(10),而另一项研究显示了一个增量的力量表现额区观察后的脑电图信号的急性循环练习(11]。运行的高强度被发现影响脑电图和情绪的做运动的人12]。大脑活动在有氧运动被发现增加,即。,the EEG beta frequency band power is increased and the alpha frequency band is decreased during performing moderate-intensity short-time cycle ergometer exercise, then returning to the power baseline after finishing [13]。
在这个领域新兴的一个方面预测乳酸脱氢酶酶的水平,是否高或低,人体血液中分类收集到的静息状态的脑电图数据(14从一个主题以及测量血液中乳酸的水平。背后的想法,是研究人类血液中乳酸水平是否可以预测的增加或减少的影响通过执行一种急性运动,据报道,血乳酸水平将达到峰值最大跑步锻炼后在短时间内(15),与此同时收集脑电图数据前后运动和他们标记为1级(运动前或lactate-level-low)和类2(运动后或lactate-level-high)。本研究的目的是研究这个想法提出一个分类系统,应该区分乳酸水平的两个州使用脑电图信号不同频带记录从一群健康运动员的精英阶层,之前和之后执行一次急性运动。脑电图信号有不同的特性,可以使用各种方法提取(16),我们应该控制最好的判别功能,给了我们最好的分类评分的准确性。在不同特性,代表着能量的频带能量特征(权力)的脑电图信号被选出来代表一个判别标准,通过计算每个EEG信号频带的功率谱密度对于一个给定的通道。频率和频带能量被认为是黄金标准特性应用在脑机接口(BCI)等应用程序的许多研究[6,17]。频带能量特征计算评估改变大脑的活动在一个给定的时间窗口(通常几秒钟)通过执行遇到急性练习会话。然后,提取的特征数据安排在一个向量,操纵和修改使用清洗工件的数据预处理技术,提高模型的性能。这些特性分析以及与血乳酸水平之前和之后进行练习。作者所知,到目前为止,没有一项研究在文献中有关分类性能的评估使用基于功率谱密度(PSD)——特征提取时机器学习分类器应用于急性运动后疲劳问题。与一些研究相比,实验结果说明,建议系统可以提高检出率。图1显示了系统的结构图。
2。材料和方法
2.1。操作任务
在这项研究中,使用数据集,包括静息状态的脑电图信号(9),已被使用。该系统在我们的研究包括两个主要部分:一是喂乳酸酶水平测试测量,和其他涉及输入EEG信号记录和操作。脑电图数据被记录从一群志愿者的精英级别的运动员( ),和所有代表官方空手道小组的成员。这些受试者血乳酸水平进行测试之前做练习,和结果分配给代表低级乳酸(不累)类。初始测量乳酸被发现的基线值2毫摩尔/升左右。在第一步中,受试者坐在平静的方式与眼睛关闭(EC)条件和要求保持as-calm-as可能和思考3分钟。同时,EEG信号收集从受试者采样率为1000 Hz使用BrainAmp ExG放大器从16通道(Fz、Fp1 Fp2, F3, F4, Cz, C3, C4, T7, T8, Pz、P3, P4,盎司,O1、O2)用干电极帽。图2显示16个电极的分布在大脑头皮。
下一步在这个阶段需要每个主题分别执行一个短期的急性运动对每个航天飞机与20米往返跑。这个运行协议是一个不断进步的测试是用来预测个人生理感觉经历锻炼最大耗氧量,增加心率、肌肉疲劳,增加出汗。它由20米运行,需要增加运行而时间减少水平速度继续beep刺激之间的水平。
执行运动时,性能监控使用额定认为努力(RPE)规模。RPE的尺度衡量体力活动强度的要求积极分子如何他感觉他的身体工作而不中断练习。锻炼结束时,每个主题报道16 RPE水平根据感知发挥[Borg评级18]。
下一个试验阶段开始,经过短暂的休息一分钟,通过测量血液中乳酸含量为每一个主题,它被发现在一个高水平的16毫摩尔/升左右。然后,乳酸测试重复4次,2分钟,同时每个测试结果发现高水平没有下降在脑电图数据度量阶段基线。然后,EEG数据测量重复3分钟EC条件和分配是一个高级乳酸类(累了)。两种数据集的EEG信号,测量前,运动后包含一些肌肉运动产生的工件,眼神闪烁,心跳会污染脑电图数据的质量(19),这就是为什么数据已经从噪音去除清洗绝对振幅大于100的时代μV通过带通滤波技术。图3显示了1秒的时代脑电图信号记录的一个主题从16通道之前和之后执行运动。
2.2。特征提取
EEG信号的非平稳时间序列信号,一旦原始版本的脑电图数据记录然后通过预处理步骤,下一步是通过特征提取过程中获得相关的属性。从脑电图信号得到更好的特色,我们应用快速傅里叶变换(FFT)方法提供信号的频率表示,这有助于测量数据的功率谱对于每个频带,δ(0 - 4赫兹),θ(4 - 8),α(8日至13日),β(13-30)和γ(30 - 45),在一个时间窗口或时代。频率谱分析,可以容忍和EEG信号非平稳假设固定的时代。快速傅里叶变换(FFT)是一种信号处理方法用于把信号从时域等效频域表示信号除以函数为连续频带称为频谱(20.]。如果是一个函数的快速傅里叶变换 ,然后它被定义为使用方程(1)如下: 为 ,在哪里的傅里叶系数 ,这是假定有一个复杂的价值,甚至和奇怪的对应于脑电图的样本 ,分别是奇数和偶数编号的。 ,在哪里等于3.14,虚部。
2.3。分类
脑电图数据格式和执行过程的频率和频带能量的计算是通过自主研发的MATLAB程序,和由此产生的数据,前,和运动后再结合起来,形成一个批量数据集的大小7759行和80列和美联储的一组分类算法(分类)和80特性和两个类标签,“1”代表运动前lactate-level-low,“2”代表lactate-level-high运动后。其中应用分类器,然而,决策树(DT)和逻辑回归(LR)得分比其他人更好的报道,如线性判别分析(LDA)分类器和支持向量机(SVM)分类器;因此,只有最高分的分类器中列出的结果。
2.3.1。决策树
决策树是一个机器学习的模型,在这个模型中,每个nonleaf节点表示一个测试功能,测试的每个分支节点代表一个结果,和每个终端节点包含一个类标签。根节点是最顶层节点。假设X元组与一个未知类标签,X的特性值与路径追踪测试树从根节点到叶子节点,代表类预测给定元组(21]。每个决策树都使用一个属性选择方法,为选择最好的属性指定一个程序是元组根据类的歧视。这个过程使用属性选择度量度量函数来评估分割等特征选择信息增益和基尼指数。一些属性选择的措施实施树成为二进制的基尼指数;其他类似信息增益。基尼系数衡量数据从一组训练元组的杂质,如方程(2)。 在哪里代表一个元组的概率数据属于一个特定的类,说 。信息增益是一个属性选择措施,试图找到最高的属性信息增益,最小化所需的信息分类元组,由方程(定义3)。 在哪里一个元组的概率是在数据属于一个特定的类 。
2.3.2。再
再(资讯)分类器学习通过对给定的测试向量和类似的训练向量(SRs)。培训向量的数量描述属性。当给定一个未知向量,再分类器的模式领域寻求k训练向量(最近的邻居)最接近未知向量。“亲密”定义的距离,如曼哈顿距离,它定义了d之间的距离和向量,如方程(4): 然后,概率作为衡量分配输入最可能的类(最近的),如方程(5): 在哪里K代表的邻居最近的训练向量输入 ,和代表指标,作为1如果输入函数集是真的,如果不设置为0。
2.3.3。逻辑回归
逻辑回归模型是一个流行的解决分类问题,和“物流”一词来自底层分对数函数在这个模型用于分类、优势比的自然对数22]。逻辑回归估计概率独立变量对结果变量的影响。简单的逻辑模型方程所示(5)。 在哪里代表从0到1的概率。
技术用于分类分类学习者应用MATLAB R2018a中可用的软件。
验证所有输入数据,我们使用K-fold交叉验证技术,将数据分为K折叠(部分)。在这些K折叠,K - 1折叠用于训练模型和剩余的褶皱是用于测试目的。K乘以的复制过程,直到所有子集进行验证;然后,所有最终精度预测结果平均(23]。
3所示。结果
脑电图和频带能量特征的提取收益率显著提高分类器的准确性分数,特别是对于资讯、决策树和逻辑回归分类器。我们研究的主要发现是证明的能力显然预测人类血乳酸水平使用静息状态脑电信号在应用合适的技术,在我们的案例中是功率谱密度。分类评分结果表中列出与应用方法1。最好的作者的知识,没有相关研究文献中使用FFT和机器学习分类器分类性能测量,调查急性运动后的疲劳问题。
另一个措施是计算分类器的特异性和敏感性。灵敏度也称为真阳性的速度(即认可。,the proportion of the first-class belonging tuples that are correctly identified); on the other hand, specificity represents the rate of true negative recognition (i.e., the proportion of the second-class belonging tuples that are correctly identified) [24]。这两个措施定义如下方程(6)和(7),分别为:
TP代表积极的元组数据正确分类的模型,而《外交政策》代表了积极的元组被错误归类的。另一方面,TN代表的负面元组数据正确分类的模型。相比之下,FN代表消极的元组错误分类的模型。表2显示这些措施的应用分类模型。因此,我们注意,资讯和决策树分类器有一个高精度高灵敏度和特异性,表明他们正确分类的能力的积极的和消极的元组,这是与逻辑回归分类器显示敏感性和特异性中等分数的意义,它可以识别正面和负面的元组以更低的利率。
此外,分类器显示以下精度值,代表比例的实例贴上积极和实际上是这样,对两类,lactate-level-low和lactate-level-high表示运动前(不累)和运动后疲劳识别(累),分别为不同的分类如表3a、b和c,如下所示:
4所示。讨论
在目前的研究中,我们调查的能力来预测是否乳酸水平较低或高的人体使用脑电图信号执行急性运动后的主题。受试者的精英运动员土耳其国家队的水平。实现结果表明,预测血乳酸水平,高或低,使用大脑的脑电图数据可以准确的完成分类评分时实现健康的运动员,但一次急性运动。遇到的歧视能力是由变化后的脑电图信号的功率值,乐队做一个练习(25]。这个假设被证明发生的变化与α和β频段功率调查实施后最大的努力锻炼和展示了一个增量在一组电极[β绝对的权力26]。在我们的研究中,最好的得分分类模型是资讯与98.4%的准确率与训练数据和测试数据的比例80:20,它被发现是一个高得分模型在其他的研究中,尤其是当应用到应用程序与一个低维27特征向量的数据(28]。发现资讯执行有效地提取和分类特征向量来表示不同的面部动作和表情来衡量的脑电图设备。实现分割精度约98%是由完整的信号波形(29日]。即使使用其他脑电图分类可以应用功能,如平均频谱质心,平均标准偏差,或平均能量熵,但仍然功率谱密度提供了最高的准确性与所有分类器和被发现得分100%,然而在分析EEG信号从不同的人类认知状态用来控制大脑计算机接口(BCI)设备(30.]。形成鲜明对比的是我们的工作,调查一个急性运动的影响,增加跑步锻炼强度在自发EEG的影响被研究调查,发现整个频谱功率在脑电图显著增加在所有频段增加强度的锻炼,增加了乳酸水平,甚至一段时间后15 - 30分钟的复苏,乳酸酶水平有所下降,但仍明显高于基线和明显的31日]。随后减少光谱功率的一个子集的频带皮质区域表明皮层激活运动后强度下降,脑干抑制机制的假说,可能发生(32]。表4显示各种客观研究的结果与我们的工作。
5。结论
拟议的工作代表了乐队的使用功率谱密度随着机器学习技术的分类和分析EEG信号记录在静息状态的任务。乐队的EEG信号的功率特性提取使用FFT的16通道的每个主题的脑电图记录。三种不同的分类模型(资讯、决策树和逻辑回归)应用,及其性能报告。资讯和决策树的分类精度高于98%。这使得研究的独特和先锋,讨论并证明能够使用静息状态脑电信号作为人类的准确测量疲劳水平通过预测乳酸酶水平高或低。乐队的力量被发现是一种非常有用的脑电图特征对这些信号进行分类后进行急性运动会议。因此,提出了特征提取和分类系统应用意义等实时脑电图应用BCI,物联网、军事、医疗应用程序来预测个体身体疲劳状态,可以帮助许多至关重要的情况。建议研究扩张,分类器可以应用于收集脑电图数据为每个主题之前分别与相同应用程序,并可以比较在这两种情况下的结果。这可能是实现未来工作可能更多的算法和预处理技术的应用为目的的实现分类精度更高的分数。
数据可用性
的脑电图数据集用于本研究可以从作者阿迪尔Deniz Duru通过一个合理的请求。
的利益冲突
无利益冲突声明关于本文作者出版。