文摘

最近的研究已经证明了μ和β节律之间的分裂的脑电图(EEG)在运动图像的任务。该算法在本文中使用一个完全数据驱动的多元经验模态分解(MEMD)为了获得非线性的μ和β节律脑电图信号。然后,强者uncorrelating变换复杂常见的空间模式(SUTCCSP)算法应用于节奏,这样复杂的数据,采用μ和β节律,变得不相关的和它pseudocovariance提供补充两个节奏之间的权力差异信息。提取的特征使用SUTCCSP最大化年级之间的差异进行分类使用各种分类算法分离的左边和右边运动图像从生理网数据库获得的脑电图。本文表明,补充信息的力量区别μ和β节律获得使用SUTCCSP提供了一个重要的特性左边和右边运动图像的分类任务。此外,MEMD被证明是一个首选的非线性和非平稳的EEG信号预处理方法相比传统的IIR滤波。最后,随机森林分类器产生的高性能运动图像的分类任务。

1。介绍

开发大脑的计算机接口(BCI)系统允许其中一个控制和与周围的环境1]。这包括应用程序从教育和娱乐环境控制和通信通过一个非侵入式测量脑电图(EEG) (2- - - - - -4]。特别是,测量脑电图在不同运动图像的任务(例如,左边和右边运动图像)是一种广泛使用的范例来实现BCI系统。EEG数据获得在这些运动图像的任务然后分类为了控制BCI系统。

基石来生成控制信号,以促进不同心理的分类任务是提取相应的特征从脑电图数据获得的。许多不同的方法被用来执行各种信号特征提取(5,6),如主成分分析(PCA),这是用于分类额外的任务和放松7)以及左边和右边运动图像的任务(8]。独立分量分析(ICA)也被应用于汽车图像的任务(例如,左边和右边9)或手指解除任务(10]),产生了较高的分类精度。常见的空间模式(CSP)算法是另一个广泛使用的特征提取方法,基于这样一个事实:这些神经活动空间分布在皮层区域(11,12]。最近,一个复杂的版本的CSP算法提出了分析两种不同的脑电图信号同时在一个复杂的形式,它提供了功能包含实部和虚部的力量和信息。CSP的复杂算法还结合强uncorrelating变换(SUT)为了满足通用复杂信号考虑noncircularity(非圆信号不是旋转不变的,可能有权力区别实部和虚部的复杂形式)的数据和最大化两个电机之间的方差比图像任务(13]。

此外,μ和β节律的力量和获得的CSP密切相关的复杂的版本与事件相关的现象,表明EEG数据的频率成分的变化。由于在神经元活动同步,减少的现象(事件相关去同步化,ERD) [14,15]或增加(与事件相关同步,人)16在频率成分的力量被发现(17]。的大脑偏侧性ERD (18)的脑电图活动在运动图像的任务左边和右边也是众所周知的(13,19]。

有进一步试图通过调查分析EEG信号不同频段单独脑电图的组件,如μ8—13赫兹()和β(这边是赫兹)的节奏。这是基于β节律有明显的地貌和肢体动作反应,μμ节奏相比,因此应该单独考虑和β节律(20.,21]。边缘主义者等人表明,振荡μ节奏的力量同侧的感觉运动皮层在任务增加,而β节律的侧感觉运动皮层同时减少(22]。然而,许多先前的研究在运动图像响应分析数据考虑所有频率成分作为一个整体,而忽略了μ和β节律之间的差异(11,13,23]。为了利用不同的信息从提高性能的μ和β节律运动图像分类,我们建议的应用SUTCCSP通过构建一个复杂的数据形成的这两个节奏。

此外,考虑到多通道、非线性和非平稳的财产的EEG信号,最近的研究证明了经验模态分解(EMD)的基础算法比传统的傅里叶分析更有效的预处理生理信号包括汽车图像EEG信号(23- - - - - -26]。除了预处理方法,各种非线性分类器应用于汽车图像的分类任务在过去十年(18]。最常用的分类方法在这一领域的BCI研究线性判别分析(LDA) (27]。然而,最近的研究表明,非线性分类器更实用的考虑非线性数据和鲁棒性之间的关系对噪声和离群值(28,29日]。最近的研究表明,基于众所周知的机器学习的非线性分类器,随机森林(RF)应用程序中生成一个分类率高的汽车图像分类(28,30.]。

在本文中,我们提出将运动图像脑电图信号通过分析μ和β节律使用SUTCCSP单独在一个复杂的形式的数据。脑电图信号从生理网数据库(31日,32)预处理使用MEMD为了信号分解为μ和β节律。然后利用两个不同的信号产生一个复杂的数据,这是由μ和β节律的真实和虚构的条款SUTCCSP分析。考虑μ和β节律的功能分解,提取的特征使用这种方法含有有价值的信息的能力区别这两种不同的节奏。此外,随机森林(RF)的使用是为了左边和右边运动图像分类任务。因此,SUTCCSP算法导致更高的分类精度(80.05%)比传统算法CSP(78.04%),不占的区别两个截然不同的节奏。

2。方法

2.1。运动图像脑电图数据集

提出的算法被应用于脑电图数据从Physiobank电动机/心理意象(MMI)数据库(31日- - - - - -33]。数据库由一个共有109名受试者左边和右边运动图像执行任务。每个主题进行了总平均46.62±0.96试验的左边和右边运动图像的任务。试验的平均数量分别为23.62±0.61,23.00±0.62左边和右边运动图像数据,分别。EEG数据采样在160赫兹对所有受试者产生640个样本为每个单一的试验。然而,在这项研究中,我们排除了4个科目的数据包括S088 S092, S100, S104,因为这些受试者损害了录音(S088、S092和S100)和太少的样本(S104)左边和右边运动图像数据集(34]。因此,总共105件的109年的数据被用于实验。

64个频道的脑电图数据记录系统的真空度,14频道选择,如图1BCI的可行的实现渠道的少量(35]。通道选择,以便它可以覆盖所有地区的头皮,包括额叶,中部、顶叶、枕叶。然后,信号被分解利用MEMD为了提取μ和β节律。预处理过程后,SUTCCSP应用于复杂的形成数据组成的μ和β节律,为了提取特征左边和右边运动图像的分类任务。

2.2。多元经验模态分解(MEMD)

多元经验模态分解提供了准确的数据驱动的多通道时频分析,非线性、非平稳的信号,因此MEMD被证明是更有效的在汽车图像预处理EEG信号的基线过滤(23,36]。MEMD的帮助下,多元信号分解成多个常见的振荡模式的线性组合称为固有模式函数(货币)37),和基线过滤是通过消除不相关的货币。最初的多元信号,表示,首先分解如下: 在哪里代表国际货币基金组织(IMF)。当最初的经验模态分解(EMD)算法应用到每个通道的数据,由此产生的货币基金来自不同渠道的相同的顺序没有类似的频率特性(模式混合的问题)38]。MEMD解决这个问题通过使用预期的平均包络信号多维投影空间。

摘要noise-assisted MEMD应用于汽车图像脑电图数据以进一步降低混合模式问题,使用一个额外的通道与高斯白噪声(23]。因此,我们使用了noise-assisted MEMD提取可靠的频率成分。国际货币与μ和β节律被调查的功率谱选择imf的计算使用周期图(Bartlett窗口)39]。巴特利特窗口主要是使用因为它很容易实现和混叠问题不是更简单的矩形窗口一样至关重要。105块的平均光谱数据使用所有试验进行调查和图2显示前6货币基金的平均功率谱的11货币基金(来)。FFT分和窗口大小的参数都设置为640。如图2,,,封面的频带μ和β节律,因此和每个试验被用作构建复杂数据的实部和虚部,分别。

2.3。强Uncorrelating变换复杂的常见的空间模式

Falzon等人首次提出常见的空间模式的复杂版本为了区分脑电图反应心理任务使用分析ieee CSP(交流火花塞)与希尔伯特变换(40]。然而,希尔伯特变换只能适用于窄带信号,因此采用经验模态分解产生更精确的窄带信号比傅里叶分析(41,42]。

除了交流火花塞,有方法,考虑复杂的noncircularity信号(13]。当一个复杂的随机变量,定义、协方差()和pseudocovariance ()推导如下43]: 在哪里表示统计期望算子和和分别表示一个向量的埃尔米特和转置。方程(2协方差)表明,包含的权力和信息μ和β节律,而(3)表明,pseudocovariance包括权力差异和μ和β节律的关联信息。当给定的数据是圆形,(3)等于零,因为和有相同的方差,是不相关的。然而,大多数的生物信号非圆在现实世界中(13]。因此,复杂的表单保存pseudocovariance信息(44)和复杂的增强形式CSP (ACCSP)持有协方差和pseudocovariance信息可以应用。

然后,强者uncorrelating变换结合ACCSP为了使用协方差和pseudocovariance矩阵同时对角化,保证了多道复杂的数据可以不再是相关的13]。对角化的过程让权力和力量的总和μ和β节律的差异信息增广协方差和pseudocovariance矩阵。SUTCCSP的步骤描述如下:

当考虑到渠道的数量()和样本大小(),和都是矩阵的零均值数据两类,左手()和右(分别)运动图像任务。本文获得的和覆盖的μ和β节律脑电图数据记录在运动图像任务作为真正的和图像显示为条件。(原CSP算法使用。)

然后,协方差和pseudocovariance矩阵和可以生成如下: 然后,复合空间协方差和pseudocovariance矩阵计算 利用特征分解,分解形式的存在 这可以通过应用增白美白矩阵,,然后pseudocovariance矩阵分解使用高木涉的分解如下13]: SUT变换矩阵被定义为 因此,SUTCCSP是变换的增白pseudocovariance和协方差矩阵的分解形式。上面的过程允许pseudocovariance和协方差矩阵同时对角化 假设和,SUT变换收益率估计的协方差矩阵的特征向量 pseudocovariance的特征向量矩阵的估计也得到如下: 在哪里和表示的特征向量和特征值,分别。推导出方程(10)和(14)导致和,相当于和。因此,如果值和在降序排列,值吗和将在升序排序。这是CSP算法的主要财产,这说明了一个类的方差最大化,而其他类的方差最小化,在应用下面的协方差和pseudocovariance空间滤波器: 最后一步是应用空间滤波器提取特征考虑到数据作为 在哪里和协方差和pseudocovariance空间过滤数据,分别和他们的力量值作为特征。然后使用分类器分离获得的这些特性分类左边和右边运动图像的任务。为了演示使用pseudocovariance信息的优势,我们显示了复杂的版本的CSP (CCSP) SUTCCSP使用类似的过程,只有使用协方差信息,除了。因此,与SUTCCSP保留权力和和差异信息,CCSP只保留的权力和信息的真实和虚构的条款复杂的变量。通过这种方式,我们展示功能包含权力差异信息影响分类精度的运动图像的任务。

2.4。分类器

在这项研究中,5个机器学习算法,包括随机森林(RF),物流模式树(以前),模型树(MT),最近的邻居(资讯),logitboost(磅)30.,45- - - - - -49),是使用WEKA实现和使用的基准测试分类器(27,28]。这五个分类器经常被用于各种汽车图像分类任务(45,50- - - - - -53]。这些分类器主要是基于装袋或提高(随机森林,物流模型树,模型树,和logitboost) (30.,46,47,49]。除了基于装袋和提高分类器,众所周知最近邻居算法,它利用相邻距离措施的功能,也被用于分类方法的比较(48]。装袋和提高都是基于一个集成的方法,使用多个学习方法的组合来产生一个更好的预测。特别是随机森林,装袋的一个扩展版本,已经被证明是一种有效的分类算法对运动图像的分类任务和情感维度使用脑电图信号(28,45]。这是由于随机森林的特点,对异常值的鲁棒性噪音,和有用的内部估计错误,相关性,和变量的重要性30.]。Breiman介绍随机森林的定义如下(30.]:

定义1。随机森林是一个树形结构分类器的合奏(),随机向量生成在th树是独立同分布和最受欢迎的类(每棵树的选票),给定的输入从训练集。

此外,每个分类器包括所有参数随机森林是WEKA的设置使用默认参数。随机森林树木的数量设置为100年,树的最大深度设置为无限。模型树,使用回归模型为每个类值(47),每个叶最小数量的实例被设置为4。Logitboost执行附加逻辑回归(49)和重量的百分比质量用于基础训练是设置为100年共有10次迭代。物流模型树也是基于线性逻辑回归模型。然而,它使用logitboost和回归函数作为基础的学习者46)和早期的启发式停止迭代次数设置为50。最后,指数从最近邻居算法设置为1。

3所示。结果

3.1。左边和右边运动图像分类脑电图数据

分类性能使用原始的CSP, CCSP, SUTCCSP重要的科目比较使用五个机器学习算法实现使用WEKA。机器学习算法包括随机森林,树物流模型,模型树,最近的邻居,logitboost。所有分类器的分类性能计算使用five-cross验证(30为不同的随机迭代选择为每个主题的训练集)和类似的分析从[13)应用。具体来说,重要的受试者选择他们的分类精度超过一定比例时,设置了95%的置信界限(cf。54])。45试验的平均比例限制的运动图像任务大约是64%,因此分类率超过64%的受试者分为重要的科目。只使用重要的学科的基本原理是排除太低的学科分类精度。自安和小君声称,那些表现不佳的任务几乎没有大脑活动在大脑的不同区域或少脑网络,这些主题被排除在评价(55]。条形图的数量重要科目CSP, CCSP, SUTCCSP如图3。注意,CCSP的重要科目的数量和SUTCCSP大于CSP。

所有科目,标志着重要的科目使用CSP, CCSP,或SUTCCSP,包括重大主题池为了计算在受试者平均分类率。结果,共有24个受试者被选为重要主题,并使用五个分类器分类率计算如表所示1。总的来说,SUTCCSP CSP生产分类率最高的算法使用随机森林分类时如表所示1。此外,这些结果显示在图的误差4,这表明CSP SUTCCSP收益率更高的分类率算法。无关紧要的科目的分类精度也表所示2比较重要科目表1。表2表明,微不足道的受试者的表现接近50%,这符合随机可能产生机会。为此,受试者产生低性能不适合评估,因此,微不足道的受试者排除在主要分析(55]。

此外,散点图的重要科目的分类率显示在图中5比较的结果SUTCCSP CSP (a)和CCSP (b)。图的对角线5代表CSP的情况下分类率或CCSP SUTCCSP是相同的。一个额外的单向方差分析,研究学生的以及,进行分类精度SUTCCSP比较与CSP ()和CCSP ()。注意,大多数点在两种散点图线之上,这意味着SUTCCSP优于CSP和CCSP (和)。

表3显示学生的的结果以及执行其他分类器包括随机森林分类率的比较与CSP SUTCCSP ()和CCSP ()。在细节,重大值的随机森林(和)安抚SUTCCSP优于CSP和CCSP。其他分类算法除了随机森林的没有意义值在表3(,),他们的分类在CSP利率没有变化,CCSP, SUTCCSP表1。

有人指出SUTCCSP的结果优于CCSP,其功能包括的信息的权力和μ和β节律。这表明他们的权力差异信息保存通过SUTCCSP可以被认为是一个重要因素之间的分类左边和右边运动图像的任务。因此,结果表1和3证明SUTCCSP优于CSP和CCSP,随机森林,首选的分类方法和基于CSP的特征提取算法,特别是SUTCCSP。

为了排斥来自于分类器的性能差异,平均计算在不同分类器的性能对CSP (77.27%), CCSP(77.22%),和SUTCCSP (77.41%)。因此,SUTCCSP导致更高的性能相比其他CSP算法0.15 (%)。

此外,额外的实验使用CSP的功能和特性的不同信息的μ和β节律(CSP + PD)进行显示性能改进来自SUTCCSP而不是单独从随机森林分类器。如果我们最好的结果是产生了只从随机森林分类器的分类技术而不是SUTCCSP CSP + PD的结果应该与SUTCCSP加料时的分类器相同数量的权力差异的信息。然而,尽管使用相同的分类器,CSP + PD取得了78.63±1.93(%)分类准确性,略高于CSP但仍低于使用SUTCCSP最好的分类精度(80.05%)1.42 (%)。这个国家最好的分类精度性能改进是来自独特的权力的保护使用SUTCCSP差异信息,并不仅仅来自于随机森林分类器。

额外的研究比较MEMD和IIR滤波研究的结果发表在表4- - - - - -6为了证明MEMD是更有效的运动图像数据集的脑电图信号。表4显示了使用MEMD预处理数据的分类结果,优于那些使用5阶巴特沃斯IIR滤波器的大约1.1%,2.9%,3.0%,CSP, CCSP,分别和SUTCCSP特性。注意信息检索的性能最大的区别和MEMD SUTCCSP特性。分类精度使用MEMD和IIR滤波器计算平均分类速度。105例中重要的主题。

学生的以及还利用比较MEMD的分类性能之间的差异,IIR预滤器重要科目表的数据5。结果显示以及表现为两种情况:以及对原始CSP和SUTCCSP ()和CCSP与SUTCCSP ()。结果表明,IIR滤波器没有意义值()和一个相对较高的值(),而MEMD给显著低值为(),()。

表6还显示学生的的结果以及执行MEMD和IIR滤波器CSP 105对象使用不同的算法。所有CSP方法显示显著值(< 0.00001),这表明MEMD比IIR滤波器更有能力对脑电图的预处理。公园等人表明MEMD是有效的预处理运动图像脑电图信号由于数据的非线性、非平稳的特征(23),表4- - - - - -6证明MEMD是更有效的比左边和右边的IIR滤波器运动图像脑电图数据集。

3.2。空间格局地形

图6说明了空间格局地形的三大主题在降序排列的最佳分类率24重要主题:主题34 (96.13%)、72 (95.51%),7 (94.89%)。图的左边和右边两个地形6对应于空间协方差模式()和pseudocovariance ()矩阵,分别。

图7也显示了三个科目的空间格局地形,谁给了最糟糕的分类:主题2 (68.18%)、103 (68.04%),33 (65.47%)。总的来说,典型的空间模式在运动图像的任务,同侧半球上的同步,失调对侧半球[19协方差)可以表示为空间模式。突出身体的同侧的功率差异的空间格局也显示主题的pseudocovariance 33。这也是如图8,说明空间模式的平均协方差()和pseudocovariance ()矩阵的所有24个重要的主题。

此外,协方差和pseudocovariance空间模式之间的差异表明,pseudocovariance空间过滤器提供额外的信息之间的权力差异μ和β节律的脑电图记录在运动图像的任务。

3.3。不对称的权力差异和μ和β节律

数据6- - - - - -8显示,左边和右边运动图像的空间模式任务为每个单独的主题是区分。额外计算能力差异和不对称的和对称的渠道(FC5-FC6 FC1-FC2,同样,CP5-CP6 P1-P2)会给一个明确的解释这些结果。图9显示的不对称平均功率差异(a)和(b)和μ和β节律的所有试验的重要课题。异常值被排除在外±5标准差截止的标准(56]。的不对称对称频道使用以下公式计算: 在哪里和表示对称的左右半球的通道,分别。因此,当权力差异或从左半球总和大于右边,由此产生的不对称会积极,反之亦然。数据9(一个)和9 (b)使用的权力差异和和μ和β节律,分别从对称的通道。图9(一个)显示一个明显不同的渠道中心区域图9 (b)。自运动皮层负责所有自愿运动位于中部地区的人类大脑,这些不对称的结果可以解释为什么左边和右边的空间格局地形运动图像任务数据显著不同6- - - - - -8。特别是在渠道C3和C4,权力的区别不对称的左边和右边的任务有不同的迹象,这意味着权力差异的μ和β节律是更大的在C3左手的任务,而权力的区别是更大的C4在右边的任务。因为这种差异只是如图9(一个)而不是在图9 (b),这可以解释为什么包含权力的特性区别pseudocovariance矩阵中的μ和β节律导致更好的分类性能比那些没有的权力差异的信息。

4所示。讨论

4.1。运动皮层渠道

在这项研究中,通道的数据涵盖了所有使用的大脑区域。因此,一个额外的实验只使用运动皮层渠道进行,由于运动皮层是最初认识负责电机运动或图像任务(57]。相同的数据分析方法从原始研究。如表所示7的表演CSP算法都是低于表1。一个合理的解释可能是,补充信息被保存在枕叶和顶叶区域附近,由于知觉运动图像的视觉刺激的指导任务。其他研究使用正电子发射断层扫描(PET)和功能性磁共振成像(fMRI)还表明,其他领域包括顶叶区域,前扣带皮层和小脑激活(58,59]。额外的成对学生的测试计算和如表所示进行吗8。这表明SUTCCSP导致更高的性能,即使只使用运动皮层通道(和、职责)。

4.2。算法

在这项研究中,MEMD被应用于多通道数据,选择渠道覆盖所有的大脑区域。这种真实的脑电图数据的非线性特性使得传统的频率分析方法很难将信号分解成自然振荡,如基于固定正弦函数的傅里叶变换。然而,数据驱动MEMD方法获得频率成分没有任何基础功能,而且,因此,对于现实世界的生理数据,如肌电图(EMG)、心电图(ECG) MEMD有潜力提供一个高度精确的频率分析。

此外,众所周知,左边和右边图像与双边μ节律失调有关,更在侧端,和μ节奏杰出的半球不对称用右边的图像,而β节律与左图像更加突出(20.,60]。最近的研究表明μ和β节律的离解,在先前的研究尚未确定(22]。边缘主义者等人显示增加振荡的μ节奏感觉运动皮层的同侧的任务,而β节律同时减少侧感觉运动皮层。μ和β节律之间的分裂可以解释为什么互补信息的力量区别μ和β节律pseudocovariance可以提供关键信息的左边和右边运动图像分类任务。权力差异的同时,身体的同侧的差异左边和右边运动图像脑电图,如图9,表明互补信息μ和β节律的差异是一个重要的特性的左边和右边运动图像分类任务。

4.3。CSP算法的处理速度

为了计算系统的处理速度和实时应用程序一样,大——方面的计算复杂度符号和实际处理时间的三个CSP算法比较,因为这些算法直接应用于测试集的数据段的数据。用于计算的软件MATLAB R2016a,因为所有的代码都使用这个软件来实现。硬件规格包括10 Windows操作系统和一个x64-based英特尔(R) (TM)核心i7 - 6700总部CPU (2.60 GHz)处理器,16.0 G内存。

当三个CSP算法的计算复杂度计算使用大-符号,乘法计算由于MATLAB使用blocked-matrix乘法的方法。每个算法的计算复杂度CSP的算法。虽然看起来没有差异的三个方法,实际处理时间会有所不同,因为SUTCCSP的系数远远大于CSP和CCSP由于更多的乘法在处理大量的功能。

在计算实际计算时间处理上述规格,大约6试验被用于测试集,因为我们的研究进行了5倍交叉验证。三种方法的实际处理时间如表所示9。注意,单位毫秒(ms)的实时处理的不同方法之间的差异可以忽略不计。

4.4。数据长度的变化

为了寻找性能差异,不同长度的数据,进行了额外的实验显示使用不同的数据样本分类精度1秒(160个样本)4秒(640个样本)。对于基准测试,最好的分类方法,以及重大主题池从CSP算法,被选中,因为它产生最好的结果。然后,所有的实验都与MEMD加工的预处理步骤,特征提取与CSP方法,然后分类。结果显示在图10。

图10使用一个完整的数据清楚地表明,数据长度为640样本增加所有CSP算法的分类精度。因此,它证明了性能降低时减少长度的数据。

5。结论

在本文中,我们使用SUTCCSP提取的不同反应μ的脑电图和β节律运动图像的任务。结果显示使用SUTCCSP改善分类性能考虑μ和β节律之间的区别,相比原算法CSP。μ和β节律之间的功能分解可以解释权力的补充信息的贡献差异运动图像分类。最后,我们的调查汽车图像预处理和分类方法的脑电图分析证实MEMD和随机森林分类器的最优算法这一目的。

相互竞争的利益

作者宣称没有利益冲突。

作者的贡献

英珠金姆和Jiwoo Ryu参与的设计研究中,主要使用SUTCCSP脑电图数据分析,进行和起草了手稿。Cheolsoo公园监督整个研究实验和统计分析。英珠金、Jiwoo Ryu Ko马金姆,克莱夫。c .,达尼洛·Mandic和Cheolsoo公园的起草和修订了手稿。所有作者阅读和批准最终的手稿。英珠金姆和Jiwoo Ryu相等贡献者。

确认

目前的研究已经由Kwangwoon大学2016年的研究资助,基础科学研究项目通过韩国国家研究基金会(NRF)由教育部科学技术研究所(2014 r1a1a2059483)和信息和通信技术促进由韩国政府(IITP)拨款(MISP)(没有。b0184 - 15 - 1003, oneM2M一致性测试工具和QoS技术的发展)。