文摘

我们分析和比较了六种不同的分类器的分类精度的两种心理任务(心算和休息)使用功能近红外光谱(fNIRS)信号。心算和其他任务的信号从大脑的前额皮质区域7个健康受试者使用多通道连续波成像系统获得。生理噪声去除后,六个特征提取的含氧血红蛋白(HbO)信号。两个,这些特性的三维组合用于分类的心理任务。六种不同的模式分类,线性判别分析(LDA),二次判别分析(QDA), 最近的邻居( NN),朴素贝叶斯方法,支持向量机(SVM)和人工神经网络(ANN),被利用。这些分类器分类精度平均在2 - 7个科目,三维组合的特性分别为71.6,90.0,69.7,89.8,89.5和91.4%和79.6,95.2,64.5,94.8,95.2和96.3%,分别。安显示最大分类精度:96.3%和91.4。为了验证结果,进行统计显著性检验,证实了p值是统计学意义相对于其他分类器(p< 0.005)使用HbO的信号。

1。介绍

基于脑机接口(BCI)系统提供了一个直接沟通途径大脑与外部设备之间不需要任何肌肉运动(1]。BCI系统是基于两种不同的方法,即侵入性和非侵入性。在入侵BCI系统中,为了优质的脑波收购,直接电极植入大脑,这意味着高风险手术(2- - - - - -4]。与之相反,无创性BCI系统不需要任何类型的手术,在这基础上他们通常是优先于侵入性方法。在非侵袭的BCI系统中,不同modalities-electroencephalography (EEG) (5- - - - - -9],功能性磁共振成像(fMRI) [10- - - - - -12),和功能性近红外光谱(fNIRS) [7,13- - - - - -21)——被用来获得高质量的大脑信号。

尽管功能磁共振成像和脑电图显示康复的积极发展不同的运动障碍的患者,例如,肌萎缩性脊髓侧索硬化症(ALS),闭锁综合症(LIS),和其他身体残疾,fMRI机器非常昂贵以及重,呈现他们不可行的便携式BCI系统的目的22]。最近,替代fNIRS-based BCI系统已经广泛应用因其均衡的空间和时间分辨率、安全性、易用性(可移植性),和更少的易感性总电生理学的工件由眼睛眨眼睛,眼球运动和肌肉活动23]。事实上,在过去的几十年中,fNIRS-based BCI系统取得了可喜的成果成为一个有效的媒介传播障碍患者(18]。

近红外光谱(NIRS)函数,利用近红外光谱(NI)的光(600 ~ 1000 nm波长)测量血流动力学响应由含氧血红蛋白(HbO)和缺氧血红蛋白(哈佛商业评论),之后修改的比尔-朗伯定律用于确定HbO和哈佛商业评论浓度的变化( 和 职责。)24- - - - - -28]。Jobsis首次引入,在1977年,近红外光谱的主要29日),需要使用发射器和探测器分离的距离3 ~ 4厘米。距离是至关重要的,作为一个小的距离(1厘米)只包含一个皮肤层的贡献,而一个大的距离(5厘米)会导致劣质和不受欢迎的信号(23]。

在fNIRS-based BCI研究中,各种心理任务像运动图像15,16)、音乐形象(17,30.- - - - - -32],心算任务(MA) [17,33,34),对象旋转(34- - - - - -37),和其他(38- - - - - -41)被用来获得最大分类精度,促进沟通与LIS和ALS患者解除痛苦。fNIRS-based BCI系统,大脑的前额叶皮层中扮演一个重要的角色在收购好信号,有两个具体原因:通常情况下,它没有参与运动障碍,其具地区提高信号强度和穿透深度24]。获取大脑信号使用一个fNIRS-based BCI系统后,第一步是消除生理噪声使用不同种类的过滤器(42),下一步就是从信号中提取特征,最后一步是分类技术应用于收购的最大精度为指定的任务。

近几十年来,各种分类方案已经使用fNIRS-based BCI地区分类不同的心理任务和,因此,获得最大的分类精度,从而提高通信的质量和有效性与肌萎缩性侧索硬化症等疾病病人和LIS)30.,33,34,43- - - - - -45]。在这项研究中,我们获得了心算任务(MA)与其他信号从大脑的前额叶皮层,之后我们把信号的生理噪声使用四阶巴特沃斯带通滤波器(18,19,46]。随后,这些过滤信号是用来计算的不同组合的时域信号的统计特性。获得的特性之后,我们使用,获得最大的所有受试者使用的分类精度 信号,不同类型的分类器,线性判别分析(LDA),二次判别分析(QDA), 最近的邻居( NN)、朴素贝叶斯、支持向量机(SVM)和人工神经网络(ANN)。通过使用二维 特征组合分类器,分类精度为71.6±1.1、90.0±1.3、69.7±0.5、89.8±1.4、91.4±0.8,89.5±1日分别使用三维特性组合,分类精度分别为79.6±1.5,95.2±1、64.5±0.3、94.8±1.2、95.2±0.7、96.3±0.3,分别。

2。材料和方法

2.1。主题

七个健康受试者参与了实验。他们没有正常的视觉和任何物理的历史,精神或心理障碍。实验按照最新的赫尔辛基宣言,和口头同意了从所有的受试者在解释实验范式。

2.2。实验范式

受试者坐在一个安静的房间在一个舒适的椅子上的电脑显示器。他们被要求放松和限制他们的汽车运动开始之前的实验范式。受试者被要求休息,然后执行一个心算任务,如图1(一)。具体来说,每个主题首先44 s休息调整的基线校正信号,然后他/她进行心算任务44年代,重复了五次的范式。实验的总长度是440年代为每个主题。44年代task-rest比传统相当长时期使用20或30年代task-rest时期(47- - - - - -51]。使用更长的时间的原因是让更多的数据中提取统计特征训练分类器的目的。当然,更可靠的统计特性如果数据点的数量比较大。这项工作的主要目的是确定以来表现最好的分类器,训练可靠和大量的数据是可取的。在心算任务,受试者进行了心理组成一个两位数减法的计算(10 ~ 20)与连续三位数减法的另一个从最初的结果两位数减法(如300−14,286−275−16)(19,43,52]。

(一)
(一)
(b)
(b)
图1
(a)原理的实验范式:蓝色块代表44年代在开始和结束时休息时间;第二,绿色块代表了44 s心算任务;(b) optode放置在前额叶皮层和通道的位置。Fp1和Fp2国际10 - 20体系的参考点。
2.3。装置的位置

总共有4发射器和10探测器定位在前额叶皮层心算和其他信号的检测,包括16个通道的配置。在fNIRS-based BCI系统中,前额叶皮层是大脑区域最广泛使用,随着攀附带来越来越少slippage-relatedmotion工件和信号衰减,分别。发射器和探测器之间的距离中扮演一个重要的角色在收购优质信号,由此获得的最大信息53]。通常在fNIRS-based BCI系统中,emitter-to-detector距离是3 ~ 4厘米(54];在我们的研究中,设置为2.8厘米的距离,如图1 (b)。

2.4。信号采集

多通道连续波系统(DYNOT:动态近红外光学断层扫描;两个波长:760和830海里;采样率:1.81赫兹)获得NIRx医疗技术用于检测大脑活动。近红外(NIR)光已经从源传输到头皮与上述规定的波长,然后分散在大脑皮层区域的生色团的HbO和哈佛商业评论,近红外光谱的吸收一些光,剩下的已检测到的探测器。

2.5。信号处理

修改后的比尔-朗伯定律(MBLL)是用来计算HbO的浓度变化和哈佛商业评论( 和 大脑皮层微血管): 在哪里 ( )的吸光度(光密度)测量波长的两个点 , 是HbX的消光系数(即。HbO和哈佛商业评论)µ米−1毫米−1, 是微分路径长度的因素(DPF),然后呢 是emitter-detector距离(毫米)。转换后获得的信号 包含生理的声音;因此,我们使用一个陷波滤波器与带阻范围1 ~ 1.2赫兹,0.3 ~ 0.4赫兹,和低于0.01赫兹的影响降到最低的心跳,呼吸,分别和Mayer-wave-related噪音。

2.6。特征提取

在这项研究中,我们使用以下时域信号的统计特性,特点:信号意味着18,36,45,52,55,56)、信号峰值(33,45,57),信号斜率(18,58),信号方差(45,59),信号峰度(45,59),和信号偏态(45,59]。两个,这些特性的三维组合用于分类的信号提取 。这些特性计算所有16通道空间在整个任务和休息时间。所有的特性都是归一化由以下方程(在0和1之间42]: 在哪里 代表了新特征值在0和1之间, 原始值的特性,然后呢 和 分别表示最大和最小值。图2展示了三维特征空间心算和其他任务的意思,说话,偏态。


图2
三维散点图信号的意思是,信号峰值,信号的偏态值HbO(课题2)。
2.7。分类
2.7.1。线性判别分析

LDA一直最常用于模式识别在fNIRS-based BCI系统中,由于其低计算成本和高速度(46,55,60- - - - - -62年]。基本上,LDA发现投影线的样本类彼此分离,从而实现其主要目标,降维。LDA呢,具体地说,通过最大化类间方差的比值和最小化在类方差的比值。Matlab®命令“线性分类”是使用10倍交叉验证提取的分类性能。

2.7.2。二次判别分析

QDA,同样,最大化类间方差的比值和最小化在类方差的比率;然而,它还允许二次决策类之间的边界,从而使分类器来执行更有效,提高分类精度17,63年]。Matlab®命令“二次分类”是使用10倍交叉验证提取的分类性能。在目前的工作,正常的LDA和QDA,也就是说,没有收缩或正规化,。

2.7.3。 最近的邻居

神经网络是最简单的分类技术用于fNIRS-based BCI系统机器学习算法(64年]。的 神经网络算法是通过确定哪些点的训练数据是接近被考虑当选择类预测的新观察。在目前研究的价值 被设置为1,以允许类的最近的训练样本。Matlab®命令” 神经网络分类”是使用10倍交叉验证提取的分类性能。

第2.7.4。朴素贝叶斯分类器

除了LDA、QDA和 NN,朴素贝叶斯方法也实现在我们的研究中,由于其简单性和机器学习方法的透明度。这种方法基本上是基于贝叶斯定理中强烈的独立特性的假设(65年,66年]: 在哪里 是功能类(目标)的一个给定的概率特性, 类的先验概率, 的可能性是给定类的概率特性,然后呢 的先验概率特性。

2.7.5。支持向量机

支持向量机是一种广泛采用的分类形态fNIRS-based BCI系统由于其高的分类性能,相对好的可伸缩性高维数据,明确控制的错误(19,34,44,59,67年,68年]。支持向量机的主要想法是创建超平面之间的利润最大化类,可以通过最小化代价函数,从而使最大的分类精度。超平面的向量代表被称为支持向量。最优解 最大化超平面之间的距离和最近的训练点(s)可以通过最小化代价函数获得: 在哪里 , 和 , , 之间的权衡参数是错误和保证金, 训练数据的测量, 类标签吗 样本。支持向量机的主要优势是,它可以用作一个线性和非线性分类器。为了使SVM非线性分类器,各种类型的内核函数(即之一。、多项式、径向基,可以使用s形的函数)。在我们的研究中,我们利用一个三度多项式核函数 = 0.5。十倍交叉验证被用来估计的分类精度。使用非线性支持向量机的原因是,它可以产生更好的分类精度比线性分类器(19]。

2.7.6。人工神经网络

安是一个分类技术广泛应用于机器学习和模式识别在fNIRS-based BCI系统(35,69年,70年]。ANN分类模式中扮演一个重要的角色在康复的患者遭受苦难ALS和LIS的解码等有用的信息。在我们的研究中,我们使用了一个三层感知器组成的一个输入,一个隐藏层和一个输出。隐藏的神经元的数量规定以下方程: 在哪里 是输入神经元的数量, 输出神经元的数量, 是一个常数, 。安分类器,利用Matlab工具箱10隐藏神经元,总数的70%的数据被用于培训,15%的数据被用来验证(衡量网络泛化),和15%的数据被用于测试(独立的网络性能测量期间和之后培训)(71年]。

3所示。结果与讨论

在这项研究中,我们分析和比较LDA的性能,QDA, 朴素贝叶斯神经网络,支持向量机,神经网络分类器,以确定最佳分类器fNIRS-based BCI系统使用心算任务和休息。心算任务的分类精度和其他计算出所有可能的2 - 3-feature六种不同的组合功能。提取的功能包括信号的意思是,信号峰值信号偏态,斜坡信号,信号方差,和信号峰度。这些特性计算整个任务和休息时间。发现信号均值和信号峰的存在2 -和3-feature组合产生了最大的分类精度。这一发现是一个支持我们之前发现在21]。

表1,2,3,4,5,6显示在所有科目的分类精度各自的分类器。这些精度是来源于提取二维组合的特性 信号。QDA LDA的平均分类精度, 朴素贝叶斯神经网络,支持向量机、人工神经网络分类器的二维特性组合分别为71.6±1.1,90.0±1.3,69.7±0.5,89.8±1.4,89.5±1和91.4±0.8。进一步检查所使用的分类器的表现在我们的研究中,我们还采用三维组合的特性和提取相应的分类精度,分别为79.6±1.5、95.2±1.0、64.5±0.3、94.8±1.2、95.2±0.7、96.3±0.3,分别。(2 -和三维)情况下,发现安分类器分类精度最高:91.4和96.3%心算任务和休息。图3显示了心算的HbO平均和标准偏差和其他任务。表7和8提供所有的比较classifiers-in平均分类精度,精度,和recall-across所有科目2 -和3-feature组合,分别。为了验证我们的ANN分类精度统计判别,我们学生的应用 以及。的 值使用安获得值与其他分类器的所有小于0.05的所有 信号,从而建立安的统计意义的表现。

表1
分类精度用LDA在所有科目。
表2
分类精度使用QDA在所有科目。
表3
分类精度使用 神经网络在所有科目。
表4
使用朴素贝叶斯分类精度在所有科目。
表5
使用支持向量机分类精度在所有科目。
表6
使用安在所有科目分类精度。
表7
平均价值的分类精度,精度和召回2-feature组合在所有科目。
表8
平均价值的分类精度,精度和召回3-feature组合在所有科目。

图3
HbO的平均和标准偏差(课题2)心算和休息。

一些先前的研究使用多种类型的分类器来提取fNIRS-based BCI系统的分类精度。例如,Naseer et al。19)用LDA和SVM获得两舱BCI系统的分类精度,分类精度分别为82.1%和74.2。此外,汗和香港(72年)用LDA和支持向量机分类器对两舱BCI系统;分类精度分别为85.8%和84.6。在目前的研究中,六种不同的分类器被用来获得最高的平均分类精度两舱(金属算术和其他)BCI系统。安分类器显示的最大平均分类精度91.4和96.3%来自2 -和三维组合的特性 信号,分别。图4情节的平均精度在这项研究中使用的所有分类器对来自2 -和三维组合的特性 信号。当前工作的局限性之一是小数量的科目。分析大量的主题可以屈服于建立的结果。我们当前研究的另一个限制是,我们使用了两种精神任务(金属算术和其他)fNIRS-based BCI系统。三,和更多的课堂BCI问题,其他分类器形式可能产生更好的结果。在任何情况下,进一步的研究,导致考试结果的多个心理任务分类使用不同类型的分类形式fNIRS-based BCI系统是必需的。此外,固有的延迟fNIRS系统可以被检测初始下降提高BCI的准确性(73年]。


图4
使用不同类型的分类器分类精度从2 -和三维特征的组合 信号在所有科目。

4所示。结论

在这项研究中,我们审查的影响使用不同分类方法的分类两种功能性近红外光谱学——(fNIRS)基于脑机接口(BCI)据心算任务实验范式和休息。结果表明:ANN分类精度最高在这项研究中使用的分类方法对2 -和三维特性集来自 信号在七个科目。这项研究的结果是一个持续改进的重要一步fNIRS-based BCI系统的分类精度。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

本研究支持的韩国国家研究基金会的赞助下的科学、ICT和未来规划,韩国(批准号nrf - 2014 r1a2a1a10049727)和巴基斯坦的高等教育委员会(HEC)(批准号srgp - 726)。