文摘

即使新兴技术,如脑-机接口(BCI)系统,理解我们的大脑是如何工作的是一个非常困难的挑战。所以我们建议使用数据挖掘技术来帮助我们在这个任务中。为例的研究中,我们分析了大脑的盲人和视力正常的人在一个空间的行为活动。有一个普遍认为盲人补偿他们使用其他感官缺乏远见。如果一个对象给视力正常的人,我们要求他们确定这个对象,可能是视觉最行列式。如果相同的实验重复了盲人,他们将不得不使用其他感官来识别对象。在这项工作中,我们提出一个方法,使用决策树(DT)调查的差异如何盲人的大脑和视力的人反对一个空间的问题。我们选择DT算法因为它可以发现在大脑信号模式,及其表达是人类解释的。我们的结果表明,使用DT分析大脑信号可以帮助我们理解大脑的行为。

1。介绍

神经科学是神经系统的科学研究。和新技术的出现,如脑机接口(BCI)系统,可以在这一领域的新发现。而分析和解释这些BCI系统收集的数据不是一件容易的事,所以软件工具已经发展为了帮助科学家在这一领域。

这项工作提出了一个方法,使用数据挖掘技术,称为决策树(DT),发现在大脑信号模式和模型(决策树),很容易解释。显示我们的方法是如何工作的,我们使用情况检查盲人和视力正常的人的大脑信号在空间的活动。

失明是一种严重的和彻底的变化的一个或多个视觉的基本功能;它影响的能力感知颜色、尺寸、距离、形状,位置,或在一个给定的空间运动1]。表达“视力损害”是指低视力的频谱从失明。有两种类型的盲人:先天盲人和盲目收购。先天盲人有基于只有4感官认知系统自诞生以来,没有任何视觉元素,与后天失明的人,他们必须适应他们的认知系统新条件2]。

神经系统负责接收,存储和发布的信息。这是一个复杂的系统组成的各种结构和专门机关与不同的功能(3]。它可分为感官系统,负责收集信息关于生物和环境;运动系统,组织并执行行动;和关联系统。在这项工作中,我们重点研究感官系统,因为众所周知,有视觉障碍的个体取向能力受损(4]。

BCI系统工具(硬件和软件),允许的大脑和计算机之间的通信方式。他们通常捕获和大脑的神经活动过程,和他们不需要其他的刺激,如肌肉运动(5]。有不同种类的BCI;在这项工作中,我们使用一个脑电图(脑电图)基于BCI系统收集大脑信号。脑电图记录大脑电活动测量表面的头皮,它能够捕捉大脑活动每一毫秒由于高时间分辨率。大多数BCI系统只提供脑电波和图形(如大脑地图)工具来分析大脑活动。在这项工作中,我们提出了使用数据挖掘来分析大脑的行为。

数据挖掘(DM)是一个过程,从大量数据中提取或挖掘知识和有几个算法,可用于发现模式数据集(6]。本工作的重点是使用决策树对知识发现的数据集的大脑信号正常人(视力损害)和盲人在一个涉及空间能力的活动,以发现他们的大脑活动中是否存在差异。

这项工作分为五部分。部分2提出了一个理论背景,如大脑区域及其功能,视觉障碍,BCI系统和数据挖掘。部分3提供了我们使用的材料和方法。部分4介绍了结果,最后一节5给出了结论和未来的工作。

2。理论背景

2.1。大脑区域及其功能

大脑是神经系统的主要组成部分。它负责所有心理活动,如浓度、思考、学习和运动控制。这些功能是通过神经元来实现的,目前可以用神经科学来解释。

人类的大脑分为两个半球,左和右。最初,有信念,有一个占主导地位的半球,另一个是主导。然而,这一概念已成为过时的,现在有一个信念,实际上有两个专门的半球。因此,每个半球负责一组函数,最终一起工作。

解剖学家通常将大脑划分为主要区域,称为叶的界限并不总是准确的,但传输初始区域位置的想法。有五个叶:四个外部和内部,位于外侧沟(7]。四个外部叶:额叶,位于前额;顶叶,座落在具有相同名称的颅骨骨;颞叶,与颞颥关联;枕叶,位于枕的颅骨。第五叶,脑岛叶,只能看到当打开外侧沟(7,8]。还有许多其他结构位于中枢神经系统(CNS),但是在这个工作我们调查只有四个可见叶因为我们使用的BCI系统没有访问脑岛叶。

每个叶有特殊功能:枕叶主要关心的是视觉;它分为多个不同的视觉区域,其中最大的一个是初级视觉皮层。顶叶部分致力于触觉;它负责身体灵敏度函数和空间识别。包含初级听觉皮层的颞叶;它处理音频数据,视觉的特定方面,语言理解和记忆的某些方面。最后,额叶负责认知行为、内存和运动(8,9]。

2.2。视力损害

视觉障碍,在任何程度上妥协一个人的能力在空间定位和移动安全与独立(10]。视力障碍或失明补偿这个愿景缺乏使用其他感官信息:听觉、嗅觉、触觉,和味觉(11]。

2.3。脑机接口系统

BCI系统是一套工具,使大脑和计算机之间的通信。BCI系统的主要目标是提供用户之间的相互作用和外部设备,如计算机、交换机、或假体,只使用大脑的信号。有不同的方法来收集大脑信号;其中一个是使用脑电图(EEG)。脑电图是基于检测通过电极应用于头皮脑电活动(12]。

信号捕获的脑电图设备潜在的皮层区域之间的区别。这些电气符号之间的产生是由于离子的流动不同大脑的神经元。一个神经元被激活时,极化,产生动作电位,可以传播到其他神经元,引发了信息流动(13]。

记录通过电极代表脑电波的强度。他们可以0之间的不同μV - 200μV,他们已经从0.3赫兹到100赫兹频率。由此产生的信号相关的脑电图显示峰值电活动的存在,表明大脑活动的一般空间位置,因为这个信号的总和大量神经元的活动相互通信(14]。

2.3.1。Actichamp和Acticap

Actichamp工具是由大脑视觉LLC。它是一个模块化的放大系统,包含大组件电生理分析脑电图、与事件相关脑电位(ERP)和BCI。与Acticap一起使用,这是一个与32电极帽,并插入一个人的头皮。它有国际标准的渠道”10 - 20。“Acticap Actichamp放大器连接,传输的信号被电极。图1显示了电极的形式分布于整个帽子。


图1
在Acticap电极的位置。

每个电极的位置计算之间的交叉线标准头盖骨地标(见图1)。每个电极的名称表明大脑的区域:FP表明前额叶;F,额叶;T,颞叶;C,中央沟;P,顶叶;和O,枕叶。数量或第二个字母标识半球位置:Z是零线中心的头;偶数表示右脑;奇数表示左半球。 The numbers are displayed in ascending order with increasing distance from the center [15,16]。

表1显示了大脑区域,每个区域通道构成,每个区域的能力。

表1
大脑区域、电极和专有功能。
2.3.2。OpenVibe软件

OpenVibe是一个软件平台,致力于设计、测试和使用脑-机接口。使用与Actichamp预定义的配置;软件自动通信信号捕获工具。OpenVibe提出了一个非常简单的接口,用户可以通过一个算法(自动机)特性,满足任务的需求。

2.4。数据挖掘

数据挖掘(DM)是一个过程,从大量数据中提取或挖掘知识。DM涉及的研究任务和技术,任务是一个特定类的问题和技术组的解决方案来解决他们(6]。

阿伦卡尔et al。17)指出,其中一个最接受的定义数据挖掘在该领域的研究人员给出了一个法等。18),州以下:“数据库知识提取的过程就是识别有效的,新的,潜在的有用的和可以理解的模式中嵌入数据。”

数据挖掘是一个步骤在一个广泛的过程称为数据库中知识发现(KDD)。KDD是数据中发现知识的过程。在这种背景下,DM的步骤获得的信息(6]。

描述任务的重点是发现模式,描述数据,人类能理解。主要描述任务关联规则和聚类。预测任务搜索模式对现有的数据推断出新的信息或预测新数据的行为。的主要分类和回归预测任务(6,19]。

预测和描述方法的区别在于这样一个事实:描述性方法不需要precategorization记录;也就是说,它不是必要的目标在一个实例;在预测的方法中,数据集有一个预定义的目标变量和记录分类的关系。

在过去的几年,很多工作是利用数据挖掘算法和开发,在其中的一些,这些算法用于执行分类任务的大脑信号。

Ishfaque et al。20.报告一个实验和几个不同的分类器,以确定如果一个主题是他/她的右手向前或向后移动或他/她的左手向前或向后,从而建立一个4类的分类问题。在他们的实验中,他们收集大脑的信号,因为它使得基于脑电图使用BCI,蒙上眼睛的主题做随机运动的左翼和右翼的手。

Ishfaque et al。20.收集了19个电极的大脑活动。数据在时域进行处理,所以他们的维度从19列减少到5列使用主成分分析(PCA)。所有四个类的振幅分化使得剩余的数据明显分离。

数据收集后,Ishfaque et al。20.)测试不同类型的分类器来分析每一个的性能。他们使用以下分类:人工神经网络(ANN),线性判别分析(LDA)和DT。评估结果,他们使用混淆矩阵和准确性(美联社)百分比。两个措施是用来检查分类的准确性。

根据作者在20.],LDA,正如所料,划分数据线性,因为它没有写出好的分类评级。另一方面,安和DT达到好的分类评级,安有更好的结果。安精度比例为81.6%,DT精度比例为75.6%,与乔治精度比例是24.0%,我们可以看到在桌子上2。

表2
分类器精度(百分比20.]。

调查的另一个工作的机器学习算法,以大脑信号分类是王et al。(21]。他们做了一个实验,受试者识别向左或向右箭头,按下相应的键在键盘上。他们收集了两个数据集使用因为它使得基于脑电图的BCI系统。

在小王的工作等。21),他们测试了以下分类算法:LDA,二次判别分析(QDA),内核Fisher判别(KFD)分析、支持向量机(SVM),多层感知器(MLP),学习矢量量化(LVQ),安,再邻居(资讯),和DT。评估精度的测量单位。

王等人。21]得出高斯SVM和资讯达到良好的性能评级在两种数据集,而LVQ QDA, KDF, MLP达到最低的评级。线性支持向量机和LDA提出类似的性能。王等人。21)指出,然而,不是常用的大脑信号进行分类,但通过适当的资源开采,减少向量的维度,然而,可以达到良好的性能评级。表3显示每个分类器的比例达到精度的实验王et al。21]。

表3
的比例在不同的数据集分类的准确性(21]。

的作品Ishfaque et al。20.和王et al。21]比较分类算法评估哪一个更好的结果分类大脑信号在一个特定的领域。他们建议使用不同的分类器和测量它们的准确性。在这项工作中,我们建议使用一个分类算法,特别是DT,大脑中发现的推理模式。换句话说,我们不建议使用DT分类,如果主题是执行一个特定的行动;我们感兴趣的是发现大脑如何表现特定任务时提出,并调查这种大脑的行为中,我们使用一个DT算法发现大脑信号模式。

4所示。方法

图2是我们的方法的流程图。每个箱子是下面的详细描述。


图2
方法提出了这项工作。
4.1。大脑信号的收集

我们收购了4女性个体的大脑信号:2不是盲人,盲人。我们给他们的任务是识别不同的三维实体几何形状,以刺激他们的空间能力。在我们的协议,我们使用三个对象:球,立方体,平行四边形。所有的测试进行研究伦理委员会的批准在巴西的卫生区域,CCAAE: 344172114.3.0000.5324。

详细的数据收集如下:(1)收集到的数据是在一个私人房间,只有主体和研究人员。(2)的工具用于收集Actichamp和Acticap大脑信号。(3)设备的校准:电极必须刺激直到他们显示足够的阻抗可以开始收集。(4)电极连接到一个录音机和OpenVibe软件被用于大脑信号的采集和监控。(5)主题的眼睛被蒙住眼睛。(6)对象的一个主题。(7)处理对象和描述对象的名称。(8)步骤(6)和(7)和对象两个和三个重复。

图3显示了OpenVibe自动机用于大脑信号采集和视觉监控。接下来的自动机左侧以“信号”显示执行,由于算法不干扰信号采集。信号采集,只有“采集客户端”和“GDF文件作家”。


图3
自动机用于大脑信号的采集。

“收购客户端”等待数据EEG信号分配到场景中。算法将一个套接字读取实验信息,信号,刺激,和渠道位置数据在网络上发送。

“GDF文件作家”是一个函数,磁盘写入特定的电流输出标准文件格式的GDF(图探索系统)。这个“盒子”不允许更改(用户可以通知被保存的文件名)。

4.2。预处理

数据预处理的主要步骤(1)从GDF文件转换到CSV文件(2)平衡数据(3)归一化(4)分组。

4.2.1。准备从GDF文件转换到CSV文件

转换的GDF CSV,有必要在OpenVibe软件还包含过滤器创建一个场景所需的大脑信号(图的分析4)。这种转变是必要的,因为Weka CSV文件可以直接读取的数据挖掘工具。(1)“GDF文件阅读器”具有以下配置:(一)样品/缓冲:32(b)减去身体最低:假的(2)“时间过滤”是用来过滤输入信号(图5)。巴特沃斯滤波器设计引入一个平坦的频率响应在通频带。频率范围从3.5到30 Hz,得到θ,α,β波。(3)将“DSP滤波器” 消除消极的迹象。(4)“信号平均”是用于计算每个输入样本的均值和产生输出信号。(5)“CSV文件作家”被用来过滤数据记录在一个CSV文件。(6)“信号显示”是用于监测数据格式转换。


图4
自动机从GDF文件转换到CSV文件。

图5
“时间过滤”设置。
4.2.2。平衡

作为一个决策树算法可以受到不平衡的数据,我们必须平衡数据。使用Weka软件中,我们使用一个随机筛选得到40每一个类的实例。数量40之所以被选中是因为它是类的实例的数量更少的实例。

4.2.3。归一化

规范化步骤在Weka软件,应用过滤器“正常化”,转换实例的值在0到1之间。

4.2.4。分组

为了识别时间模式,数据分组在一段时间的1秒(10实例)。对于每一个频道,最高的价值。所以,最后,每个类有4个实例,用16个实例创建一个新表。

4.3。决策树算法的应用程序

在这项研究中,我们使用了J48决策树算法,这是一种分类算法。J48树决定(也称为C4.5)是一种算法,它使用分而治之的方法提高决策树的预测能力。这样,它总是使用本地最好的一步评估,不担心如果这一步将产生最佳的解决方案,需要一个问题,划分成几个子问题,创建子树之间的根和叶子。我们使用Weka软件执行J48算法。

Weka(怀卡托环境知识分析)是一家集数据挖掘任务的机器学习算法。它是由计算机科学系怀卡托大学,新西兰(22]。这些算法可以直接应用或使用的Java程序。Weka包含算法预处理、分类、回归、聚类、关联规则(19]。

4.4。分析

在决策树中,每个叶节点接收到一个类标签。非终结符节点,包括根节点和其他内部节点,包含属性测试条件分开记录,有不同的特征23]。数据6和7显示J48算法生成的树的一个例子。从生成树,我们可以提取一些规则如下:(1)时间≤14:立方体。(2)> 14日时间≤30,CP1≤0.072:间隔。(3)> 14日时间≤30,CP1 > 0.072:球。(4)时间> 14和时间> 30:平行四边形。


图6
决策树的算法表示。

图7
决策树的图形表示。

5。结果

在我们的研究中,我们进行了几个实验使用J48算法使用不同的设置。首先,全套的例子进行了测试。排在第二位,一些电极,我们不考虑相关的被削减。因此,而不是32通道(所有),只有12频道。

除了上述设置,我们还通过改变执行测试每叶最小数量的实例(minNumObj在Weka) J48算法的一个参数。我们测试值的1%,5%,和10%的总数量的实例。其他参数的默认值设置Weka,如图8。


图8
J48参数。

在这些测试中,我们得到好的分类评级,但生成的树非常大,难以分析。作为我们的目标不是新实例进行分类,而是使用决策树发现大脑的哪个区域有更多的重大活动,树分支太多不容易分析。我们假设这些树是非常大,可能是由于过度拟合,因为每个树叶分类很少实例。

为了避免这种过度拟合,我们分组连续10个实例的一个子集。每个属性获得最高的值的设置(如部分中提到4所示。2)。所以,在这些测试中,每个实例包含每个电极的峰在更大的时间内,在一个实例代表最高的一组值为每个电极1秒(大约)期间。在这个配置中,我们应用DT算法每个主题的数据集。我们执行的最小数量的对象设置为1%,因为我们有少量的每一个类的实例。生成的决策树在图所示9,10,11,12他们分类100%正确的实例。

(一)
(一)
(b)
(b)
图9
盲人我:(a) DT的图形表示和(b) DT算法表示。
(一)
(一)
(b)
(b)
图10
盲人II: (a) DT的图形表示和(b) DT算法的表示。
(一)
(一)
(b)
(b)
图11
视力正常的人我:(a) DT的图形表示和(b) DT算法表示。
(一)
(一)
(b)
(b)
图12
正常人II: (a) DT的图形表示和(b) DT算法的表示。

数据9,10,11,12J48算法生成的决策树,(a)和(b)两种不同的方式来表示相同的决策树:(a)是一个图形表示的树和(b)算法的表示。数据9和10代表两个盲人的决策树。和数字11和12代表的树木视力的人。

在树上的视力损害个人(先天性失明)(数据9和10),树显示频道展示最重要的活动是顶叶(图9:P4、P7;图10在前线:CP2)和叶(图9:F7, Fp1;图10:Fz、Fp1 FT9和F7)。正如我们之前提到的(表1),顶叶负责协调动作敏感皮肤,触觉。额叶坐标运动活动,思考,和演讲。

在树上的个人(蒙上眼睛),数据显示11和12渠道,提出了重大活动对应于额叶(图11:FT10;图12:F3、F7和Fp1),顶叶(图11:Pz)、枕叶(图11:盎司;图12:O1),和中部叶(图11:C4;图12:C3)。我们可以注意到,在所有的测试中,盲人和视力正常的人显示出高度的额叶和顶叶的活动,第一个负责的组织思想和第二个负责的触觉。然而,看到人在枕叶,重要活动负责视觉的感觉。在盲人,这个地区没有激活,因为J48算法考虑枕叶的电极微不足道的价值生成的模型。

6。结论

这项工作分析了四个人,其中包括两名盲人,两人先天性视力损害,为了分析大脑活动在空间活动。对于这一分析,我们收集的大脑信号Actichamp工具和过程与Weka软件数据挖掘这些数据。我们选择J48数据挖掘分类技术因为它生成决策树,很容易分析。

基于生成的决策树,我们可以观察到的人在枕叶重大活动,负责视觉,甚至当他们蒙上眼睛。我们假设这是因为他们访问帮助他们识别对象的视觉记忆。然而,盲人没有显示出显著的活动在枕叶J48创建的模型算法。因此,我们的经验表明,盲人的大脑和视力正常的人有不同的方式开展空间活动,即使他们是在相同的情况下(愿景的人蒙上眼睛)。

作为未来的工作,我们打算扩大研究和更多的人。我们也打算应用在其他神经科学的研究方法,自DT可以用来发现和理解大脑信号模式在许多不同种类的问题。

相互竞争的利益

作者宣称没有利益冲突。