因为它使得基于脑电图改善运动图像实时应用程序使用QSA方法分类

文摘

我们提出一个改善quaternion-based信号分析(QSA)脑电图(EEG)信号特征的提取技术,开发实时应用程序,尤其是在运动图像(IM)的认知过程。拟议的方法(iQSA改进的QSA)提取特征,如平均,EEG信号的方差,同质性,对比相关运动图像(即以更有效的方式。通过减少所需的样本数量对信号进行分类,提高分类的百分比),而原QSA技术。具体来说,我们可以在变量样本信号时间(从0.5到3年代,半秒的间隔)来确定样品的数量之间的关系及其在分类效果的信号。此外,加强分类过程boosting-technique-based决策树实现。结果显示82.30%的准确率,0.5年代样品为73.16%,3 s样本。原QSA相比这是一个重大的改进技术,提供从33.31%到40.82%没有抽样结果与采样窗口,窗口,从33.44%到41.07%。我们可以得出这样的结论,iQSA更适合开发实时应用程序。

1。介绍

在过去的几年里,推断信息从人类大脑的兴趣源于认知的想法通过脑电图(EEG)已经扩大到各种神经科学等学科,机器人技术,计算机科学,物理和数学。在这些领域的研究倾向于围绕新的通信和控制技术的发展基于脑-机接口(BCI)设备支持患有严重神经肌肉条件可以使他们的方式表达他们的愿望或使用设备neuroprosthetics [1],轮椅[2,3),控制一个电脑屏幕上的光标4),甚至一个机器人(5,6]。沃尔波et al。7)认为,好像”给他们的用户沟通和控制渠道,不依赖于大脑的周围神经和肌肉的正常输出通道。“换句话说,BCI设备建立个人和组件之间的通信通道(机电设备、机器人、软件应用程序,等等)来控制它通过大脑活动产生的用户进行一些计划行动8]。效果,用户必须呼吁这些行动通过大脑的策略被称为运动图像。

运动图像(MI)是一个有意识的过程定义为一个心理模拟特定的运动(9]。运动图像具有相同的功能关系想象或代表运动和同样的因果角色运动的生成问题[10]。换句话说,MI的意图和准备有关的动作,即主体想象执行一个特定的行动没有任何真正的运动。这导致了研究使用马达意象来解读流程之前执行一个动作。例如,白等。11]声称心理练习使用汽车肢体运动的图像可能促进汽车复苏的人经历了脑血管损伤。此外,麦克法兰et al。12)进行了比较分析与实际相关的脑电图地形手部运动想象手部运动,因为它使得基于脑电图认为汽车图像中发挥着重要作用的沟通和说明μ和β节律可能提供独立的控制信号。

同样的,已经有研究关注MI和BCI系统的支持,提出了特征提取和分类算法。例如,Pfurtscheller et al。13]研究了μ节奏的反应性与想象力的手,脚,和舌头的动作60脑电图电极在9个健全的学科表现率(66.16%)。反过来,希达et al。14)主张分离的使用常见的spatiospectral模式(SCSSP)方法提取判别spatiospectral脑电图特点和拉普拉斯算子过滤数据集V BCI竞争三世以下心理意象任务:左旋运动,右手运动,以随机字母和一代的单词开始涉及3个科目。至于高et al。15),他们进行了EEG信号分析在左手的动作,右手的动作,和休息10个科目使用Kolmogorov复杂度提取特征和一个演算法多级分类器,实现79.5%的准确率。在另一项研究中,Schlogl et al。16)进行了比较研究,涉及四个分类器来判断数据的全球可分性与四个不同的MI任务5主题,造型EEG信号通过一个自适应自回归(AAR)过程通过卡尔曼滤波参数的提取。传统的et al。17)使用经验模态分解(EMD)和频带能量(BP)脑电图信号提取和分类MI 10岁受试者参与了实验22-35想象左手和右手的动作。崔和Cichocki18]MI-based算法实现控制轮椅使用空间滤波器提取特征通过一个共同的空间格局(CSP)方法和线性支持向量机对特征向量进行分类。三个健康男性参与了实验,他们不得不想象紧握的右手,握住左手,散步。在[19)进行的测试结果以74%的准确率来控制一个机器人在室内的基础上提出了三种心理状态。特别是,有几项研究关注处理技术的发展,特征提取,分类提高BCI系统。在表中1和2,我们现在最常用的算法从乐天等人的作品[这些任务20.]。然而,我们的工作只提取相关信息,也就是说,马达意象活动(想象运动的左手,右手,想象运动的想象运动的脚,想象运动的舌头,放松,和心理计算)。这些作品使用不同的算法在分类阶段,如支持向量机,然而,LDA,延时,嗯,高斯分类器,和贝叶斯二次,包括这些的组合,这在大多数研究结果可接受的性能。然而,大多数实验进行少量的主题,它返回一个低数量的试验每个会话。在特征提取阶段,大多数技术用于分析EEG信号频率或时频域内提取信息,这可能会导致信息丢失,信息转换。此外,他们需要消声过滤器和频带定位识别的模式运动图像。


数据集	活动	主题	试用	过滤器	功能	分类器	精度	引用

BCI竞争三世	T1、T2、T3, T4	5	240年到360年	是的	AAR	线性支持向量机	63%	(16]
						然而,	41.74%
						乔治。	54.46%
						Mahalanobis距离	53.50%
	T1, T2, T6	3		是的		去噪算法S-dFasArt	89.04%	(23]
	T1、T2、T3, T4	3	240年	是的	CSP	CSP +支持向量机	79%	(24]
						CSP +方法+资讯+ LDA	69%
						PCA + ICA + SVM	63%
						CBN +支持向量机	91%
	T1, T2, T6	3	12	是的	SCSSP / LDA	FBCSP-NBPW		(14]
						FBCSP-Lin
						SCSSP-NBPW
						SCSSP-Lin
	T1、T2、T3	5	280年	是的	CSP / ERD-ERS	BSSFO,支持向量机	75.46%	(25]

BCI竞争第四	T1、T2、T3, T4	9	288年	是的	CSP	CSP +支持向量机	31%	(24]
						LDA +支持向量机	30%
						CSP +支持向量机	29%
						CBN +支持向量机	66%
	T1、T2、T3, T4	9	288年	是的	SCSSP / LDA	乔治。	85%	(14]
	T1、T2、T3, T4	9	288年	是的	CSP / ERD-ERS	BSSFO,支持向量机	80.26%	(25]

其他数据集	T1、T2、T3, T4	9	240年	是的	AAR,卡尔曼滤波器	MDA	- - - - - -	(13]
	T1, T2, T5	9	120年	是的		,二维线性分类器	85%	(26]
	T1、T2、T3, T4	8	288年	是的	ICA, CSP	食品及药物管理局	33% - -84%	(27]
	T1、T2、T3	3	480年	是的	(SampEn)	支持向量机(RBF内核)	69.93%	(28]
	T1, T2, T5	33		是的	AAR	主成分分析		(12]

Epoc的	T1、T2、T3	3	One hundred.	是的		支持向量机	66.16%	(29日]
	T1, T2	5		是的	ICA,类	简单的逻辑,元,延时	80.40%	(30.]
	T1, T2, T4	1	75年	是的		神经网络算法	91%	(31日]
	T1、T2、T3、T4 T7	3	40	是的	英国石油公司	嗯	77.50%	(32]
	T1、T2、T3	3	30.	是的	英国石油公司	乔治。	95%	(33]


数据集	活动	主题	试用	过滤器	功能	分类器	精度	引用

BCI竞争三世	T1, T2	5	280年	是的		二(RBF内核)	95.72%	(34]
	T1, T2	4	140年	是的		嗯	77.50% +	(35]
	T1, T2	4	200年	是的	CSP	支持向量机(高斯内核)	77.50%	(36]
	T1, T2	7	One hundred.	是的	CSP / EMD, PCA	然而,	85.8%	(37]
	T1, T2	4	One hundred.	是的		支持向量机	81%	(29日]

其他数据集	T1, T2	4	90年	是的	CSP	支持向量机(高斯内核)	74.10%	(36]
	T1, T2	1	140年	是的	CSP / ERD-ERS	BSSFO-SVM	97.57%	(25]
	T1, T2		80年	是的	请回归	基于解码原理	64%	(1]
	T1, T2	109年	90年	是的	CSP	SUTCCSP	90%	(38]
	T1, T2	4	480年	是的	CSP / ERD-ERS FFT	摘要利用LDA, SVM	84% +	(39]
	T1, T2	3		是的	BSS, CSP	支持向量机	92%	(40]

Epoc的	T1, T2	5	120年	是的	CSP / EMD, MIDKRA	PSD, Hjort DWT变换	97.79%	(41]
	T1, T2	8	One hundred.	是的	人队,ERD	乔治。	70.37%	(42]
	T1, T2	2	140年	是的	CSP	朴素贝叶斯	79%	(43]
	T1, T2	15	40	是的	小波,PSD, EMD	然而,	91.80%	(44]

另一方面,在21),电机的设计图像实验报告是基于三个心理过程:箭头向左移动,箭头向右移动,每个图像和等待时间,持续5秒。本研究分析EEG信号的实现quaternion-based信号分析(QSA)。quaternion-based信号分析(QSA)方法是一种技术,它使用脑电图信号时域内,因为它是基于四元数代数。使用四元数代数与QSA技术可以描述信号在时域的旋转方向3 d对象和多通道脑电图信号表示为一个单一的实体,防止数据模棱两可和生产做的比需要更少的计算更准确的表示与其他技术。离线分析进行特征提取阶段考虑到每个类的样本总数,这产生了84.92%的准确率。然而,尽管离线信号的分析是方便和高效,离线分析结果不能推广在线应用程序的性能。QSA方法的情况下,在线分析获得的只是33.31%考虑窗口大小的0.5秒。

因此,本文提出了一种改进的QSA方法调用改善quaternion-based信号分析(iQSA)用于特征提取和分类阶段,他的贡献在于提供一种技术用于实时应用程序,重点分析EEG信号在线减少所需的样本大小的十分之一QSA要求,导致更快的响应和更少的延迟改善执行时间实时操作。实验涉及到使用一个emotiv epoc设备获取的大脑信号运动和视觉的大脑皮层区域。同样,在训练和验证阶段,EEG信号加强数据库通过添加更多的主题和结合决策树分类阶段使用的基础上提高技术。

2。材料和方法

2.1。四元数

汉密尔顿在1843年提出了四元数(22),为一组四个成分(一个真正的和三个假想的组件)如下: ,在那里和 , , 是三个假想的数量称为虚单元的象征。这些单位遵循以下规则:

可以描述为一个四元数在哪里和一个被称为四元数的标量和矢量,分别。当 ,被称为纯四元数。

基于扩展欧拉公式,四元数在轴的旋转由角θ定义如下(见[21,45为进一步的细节)。

一个旋转的角度在一个单位向量定义如下:

此外,操作上执行一个向量r产生一个旋转的向量r′是

方程(4)是一个有用的表达,使得矢量的旋转变得更加容易。我们可以看到,r是原来的向量,是旋转四元数,的四元数定义旋转。

2.2。iQSA算法

iQSA是一个方法,提高QSA方法的性能和精度,这是一个技术分析EEG信号中提取特征的基于旋转和方向通过四元数代数。iQSA,我们可以进行实时信号分析信号是被收购,QSA差方法执行离线分析。

iQSA方法包括三个模块:四元数,分类,和学习,如下所述。(1)四元数模块:在这个模块特性矩阵()是四元数描述的定义和一个向量 ,它们中的每一个对应于一组4和3脑电图渠道,分别。这个模块分为三个步骤,描述如下:(一)采样窗口:在这里,我们定义样本大小()分析和位移信号的窗口(_disp)。即iQSA抽样的方法执行的基础,生产更多的样本加强算法的学习阶段。(b)计算旋转和模块:然后,旋转向量使用四元数计算和向量 ,在哪里是一个4矩阵包含四元数和是一个3矩阵包含四元数的基础上价值。后,模量应用于四元数导致向量。(c)建立一个数组的特点:最后,数组用于形成一个矩阵的特性,对应于段和分析4的一个特性是分析使用方程包含在表吗3,也就是说,的意思是 ,方差 、对比 ,和同质性 。方程(5)显示矩阵的特征向量。在这个矩阵行对应于样品和列功能。 (2)分类模块:本模块的目的是创建一个类的组合模型预测的值根据其特点;为此我们使用提高方法适应QSA模型。更具体地说,我们把十决策树,他们每个人的体重得到,它将使用在学习获得多数决定原则的预测。在这里,我们把样本的70% ,的80%用于培训和其他验证如下:(一)训练:训练数据的子集(80%)样品评估,使用决策树模型的获取与准确分类样本矩阵()和一个矩阵不准确分类样本()。每棵树的学习是通过操纵训练数据集和分区最初在几个子集设置根据分类结果;形成一个新的子集,生成的,和创建准确分类样本,两倍数量的不准确分类样本和worst-classified原始训练样本数据集。后来,当创建分类的树,这些都是使用测试数据集来确定权重函数的预测的准确性。(b)验证:在这一块我们获得一个矩阵与可靠性百分比的决策树。验证数据的子集(20%)样品评估,使用决策树来获取数组的可靠性值的处理决策树,在培训过程中确定的类。(3)学习模块:在这个模块中,测试数据的子集样品(30%)获得可靠性评估值矩阵(多数决定原则)和预测。即学习过程将评估特征矩阵的测试使用分类中的树生成过程。最后预测来自一个加权多数决定原则的不同决策树的预测因子。方程(6)显示获得的认可和出错率的预测模型。在这个矩阵对应于准确率,对应的错误率对应于每个决策树的可靠性值。


统计特性	方程

的意思是)
方差
对比(con)
同质性()

在算法1,我们现在的主要元素的伪代码iQSA算法对实时应用程序。

算法1:iQSA方法
需要: , , , _disp、任务
段的信号
为每一个在做


腐烂



;
结束了



)
)

功能:Classify_module (M c)
)


为来10做


结束了

为每一个树做


结束了
返回树
功能:学习模块(M c B树)
为每一个树做

结束了
返回

2.2.1。iQSA与QSA方法

在图1,我们将展示通过方框图iQSA和QSA方法之间的主要区别。它可以观察到,QSA方法认为四元数和分类模块。另一方面,iQSA方法考虑改善的分类模块和一个学习。

在表4,我们介绍一些主要的改进在iQSA算法。


模块	QSA	iQSA

采样窗口	X	•
四元数模块	•	•
分类模块	•	•
提高技术	X	•
学习模块	X	•
叠加技术	X	•
重归一化	X	•
多数投票	X	•
处理类型	批处理	实时

QSA方法,由其特征,是一个很好的技术,EEG信号的离线处理考虑大的样本数据,这些数据时效率低下的很小。最后变成了必不可少的在线处理,因为之间的实时交互操作取决于信号由主体和EEG信号翻译算法的援助。在这方面,iQSA方法认为小样本数据并创建一个窗口叠加技术更好的数据分类特征提取过程中,加强分类阶段通过提高技术。

通过这种方式,产生的信号iQSA算法影响后大脑信号,进而会影响随后的BCI的输出。图2礼物的时间系统图iQSA,这表明事件的时间表的算法。它遵循三个脑电图数据块的过程从emotiv epoc获得设备。处理块覆盖数据的分析和处理iQSA方法,直到获得一个输出(OP),在这种情况下,每个类块属于。

也可以观察的开始和持续时间接下来的两组数据,在块的开始流离失所的块的进展吗时间表示为之间的和 ;因此,块到输出 ,的过程继续执行,直到达到各自的输出。

2.3。BCI系统

脑机接口是一个通信系统的基于大脑神经活动产生的。BCI措施活动的脑电图信号的处理,提取相关特征交互环境中用户的要求。这个设备的一个例子是emotiv epoc耳机(图3(一个)),一个非侵入式移动BCI设备与陀螺传感器和14脑电图渠道(电极)和两个参考频道(CMS / DRL) 128 Hz采样频率。耳机的分布的传感器是基于国际10-20-electrode安置体系与两个传感器参考适当的位置与渠道贴上AF3头上,F7, F3, FC5, T7, P7, O1, O2, P8, T8, FC6, F4, F8, AF4(图3 (b))。

(一)

(b)

emotiv epoc设备的一个优点是它处理缺失值的能力,处理生物医学数据时非常常见的问题。

2.4。决策树和提高

决策树(DT) [46- - - - - -48)是一种广泛使用的和易于实现技术提供高速度和准确率。DT是用来分析数据预测的目的。简而言之,他们通过设置工作条件或规则组织在一个层次结构,最后的决定可以确定以下条件建立了从根到叶子。

最近,几种不同的技术已经提出了构建集分类器的决策是为了解决一个任务和改善结果的基分类器。存在两种流行的技术,构建集:装袋(49和提高50]。下两种方法操作base-learning算法多次调用使用各种训练集。在我们的例子中,我们实现了一个新的刺激方法适应QSA方法,即我们迭代训练弱分类器的数量,每一个新的分类器(弱学习者)专注于发现弱假设(不准确分类)。换句话说,提高薄弱的学习者*因此决定,在每次迭代中,训练样本的随机子集通过添加准确分类样本,两倍数量的不准确分类样本和worst-classified原始训练样本数据集形成一个新的弱的学习者。

结果,不准确分类的样本上一次迭代给出一个(在下一次迭代)重量,迫使分类算法关注数据难以分类,以纠正分类错误之前的迭代。最后,可靠性添加比例的所有分类器和一个假设是通过多数投票,其预测往往是最准确的。

2.5。频道选择iQSA

从14电极emotiv epoc装置提供,我们决定执行一个分析电极位于三个不同地区的大脑皮层寻找那些有更好的性能,形成四元数:电极位于运动皮层,产生神经冲动,控制运动,那些后顶叶皮层,视觉信息转化为电机指令(51),而的前额叶皮层,它表现为一个标记的期望身体必须适应后立即会发生什么(52]。

在这方面,在桌子上5我们提出的性能每集的渠道选择,并进一步分析了iQSA算法。


数据集	样品
数据集	384年	320年	256年	192年	128年	64年

FC5、FC6 P7, P8	74.16	74.13	80.07	81.92	81.60	82.23
F3, F4, FC5 FC6	73.16	74.88	80.23	81.39	81.65	82.30
F3, F4, F7, F8	73.48	73.87	79.69	81.74	81.58	82.14
F3, F4, P7, P8	73.47	73.92	80.06	81.68	81.87	82.33
AF3、AF4 FC5 FC6	74.17	74.10	80.31	81.82	81.99	82.26

比较图中所示的数据集4,观察到在每个样本都有类似的行为。64 -样品分析,获得的数据集2和4 82.30%和82.33%,分别。渠道数据集2额和运动相关的大脑区域和渠道相关数据集4顶叶和汽车领域。从这些结果,因为我们主要专注于运动控制任务,组2 (F3, F4, FC5 FC6)已被选择。

3所示。实验

看到在之前的章节中,本文的目标之一是分析EEG信号实时应用程序。因此,有必要减少样本的脑电图信号获得通过一个过程进行基于iQSA方法解码电动机意象活动,同时保持或改善精度和该技术成果。以这种方式,实验设计注册脑电图信号从几个个人和识别三个motor-imagery-related精神状态(运动,认为正确的运动,和等待时间)。

3.1。实验的描述

实验是在三个交易日进行:会话1包括汽车图像标记的视觉支持( ),也就是说,一个箭头向左或向右写这个词。会话2涉及电动机与视觉图像()只支持。在会话3主题只收到了触觉刺激()唤起运动图像,同时保持他或她闭上眼睛。在每个会话,目的是确定三个精神状态(运动,认为正确的运动,和等待时间)。视觉和刺激提供了使用Python 2.7开发的GUI界面显示一个红色箭头的移动5秒每个电机的大脑行为和一个固定的十字架的中心GUI显示休息时间3秒(第三个大脑行动)。接触提供的触觉刺激个人的左/右肩表明大脑执行行动。每个会话持续了5分钟,是在分开的日子里完成的。

一开始,参与者被要求坐在舒适的椅子上在电脑屏幕前。有关测试的参与者被指示,一个Emotiv epoc耳机放在他或她的头,确保每个Emotiv装置电极做适当的接触头皮(图5)。一旦参与者准备好,他或她被要求不要突然身体动作,可能干扰信号采集结果在实验中。

培训模式由一个序列的重复cue-based试验(图5)。每个试验空着空白屏幕开始;期间来十字架是向用户显示显示实验已经开始,是时候放松。然后在第二个3 ( s)箭头出现5 s指出向左或向右。每个位置所示箭头指示的主题想象向左或向右运动,分别。接下来的审判开始年代一个十字架。这个过程重复了5分钟,显示箭头32次,每次运行中的交叉33倍。因此,三分的数据集记录由96年的试验。

3.2。iQSA方法实现

数据采集后,下一阶段在于提取脑电图信号特性来找到所需的类,也就是说,认为离开了运动,认为正确的运动,和等待时间。首先,iQSA方法实施代表四个脑电图信号在一个四元数,进行特征提取相关的刺激。效应,数据集2准备评估他们的表现时间和样本的数量减少。在这种情况下,3秒(384个样本),2.5秒(320个样本),2秒(256个样本),1.5秒(192个样本),1秒(128个样本),0.5秒(64个样本)被认为是。值0、1和2是指三个心理活动:等待时间(0),认为离开了运动 ,并且认为正确的运动。

所以,细分矩阵得到检测为每个数据集类之间的突然变化。细分矩阵由32个样本试验从左和右类和33个试验样本等待时间类。此外,屏蔽信号的四元数创建提议(F3, F4, FC5 FC6),考虑到F3标量组件和F4, FC5, FC6虚构的组件(图6)。从样本进行分析,设计了好几段生成四元数和向量与位移从而获得旋转()和模量()。

一旦获得了模块,的意思是 ,对比 ,同质性 ,和方差特性计算生成矩阵和向量与所需的类。之后,我们回到当前段和位移信号影响的64个样本获取下一段。

之后,米使用70%的数据被用于处理阶段从培训和30%测试;每个类有相同的样本大小和随机选择。在分类模块,我们生成矩阵从训练数据的80%和的训练数据,剩下的20%将用于训练和验证,在10培训创建树力算法关注不准确的机密数据。,为每个迭代生成新的样本子集的双不准确分类样本和更少的精确分类样本,连同每棵树的可靠性水平。后,矩阵数据验证获得的比例每棵树的可靠性。最后,剩下的数据 ,预测由少数服从多数原则投票和达成的决定是基于可靠性的每个分类树。

4所示。结果

正如前面说的,本研究的目标之一是减少评估时间(样本),而不损失的准确率。因此,比较iQSA和QSA技术进行展示其行为当样品的数量减少。

4.1。对比iQSA和QSA方法

评估和比较的性能iQSA在线与QSA离线算法,相同的数据集39参与者使用,考虑到不同的样本大小(384、320、256、192、128和64个样本)作为算法的输入。

尽管性能良好率报告QSA算法的离线数据分析,分类结果没有那么好当样品的数量减少到64个样本,如图7(一)。图形,我们可以看到,错误率会增加分析的样本量时逐渐减少,达到66.56%错误的阅读64个样本。通过这种方式,有必要做一些调整算法,以这种方式来支持在线分析小样本大小,在不丢失信息的前提下,牺牲性能良好率提供的离线QSA算法。

(一)

(b)

因此,39个受试者的数据评估,考虑三种情况:QSA方法没有窗户样品,与窗口样本QSA方法,iQSA提出方法。比较的结果表6iQSA方法,精度百分比从73.16% 384个样本为64个样本82.30% %,与原始QSA方法的比例减少到64年的33.31%样本案例1和33.44%情况下2虽然采样窗口已经实现。


样本大小	QSA	QSA	iQSA

384年	40.82%	41.07%	73.16%
320年	40.74%	40.29%	74.87%
256年	43.56%	43.96%	80.23%
192年	42.41%	42.71%	81.39%
128年	37.45%	38.28%	81.65%
64年	33.31%	33.44%	82.30%

图8显示的行为iQSA技术在红色、蓝色和QSA技术意味着,最大,最小的显示技术。比较这两种技术,观察到的数据分析与原QSA方法大大失去精度随着样本数量的选择减少。事实并非如此精密的数据集使用iQSA技术并没有改变太多当样本对分类的数量减少,甚至提高其性能。

4.2。iQSA结果

图9显示了39个参与者的行为这两种技术(iQSA和QSA)下,考虑所有的样本大小。使用iQSA方法获得的值比QSA方法获得的值,其值低于50%。数值结果表明,该iQSA方法提供了一种对原始QSA方法测试精度高64 -样本大小。

鉴于上述结果,使用64个样本进行数据分析来识别运动图像操作。一组的表演获得了分类器比较使用不同的评估指标,如识别率(RT)和错误率(ET),和敏感性和特异性(Sp)。灵敏度指标表明,分类器可以识别样本相关的类,和特异性也被称为真正的负率,因为它的措施是否分类器可以识别样本不属于相关的类。

如表7显示,精度最高的比例是84.50%,最低的68.75%。此外,敏感类0(平均水平)与等待时间精神状态是82.53%,和敏感性平均类1 ()和二班()认为左右运动,认为运动是81.07%和81.65%,分别,这表明分类类分类器没有问题。反过来,类的特异性率为0 ()显示,81.36%的样品归类为负的实际上是负的,而类1 ()表现为82.09%和二班()为81.80%。


主题	呃	RT				Sp₀	Sp₁	Sp₂

	0.17667	0.82333	0.83000	0.81500	0.82500	0.82000	0.82750	0.82250
	0.18625	0.81375	0.81375	0.79500	0.83250	0.81375	0.82312	0.80437
	0.17542	0.82458	0.85125	0.79000	0.83250	0.81125	0.84188	0.82063
	0.19145	0.80855	0.81923	0.81410	0.79231	0.80321	0.80577	0.81667
	0.20875	0.79125	0.77750	0.79125	0.80500	0.79812	0.79125	0.78437
	0.15792	0.84208	0.86500	0.81875	0.84250	0.83063	0.85375	0.84187
	0.18417	0.81583	0.83500	0.79875	0.81375	0.80625	0.82438	0.81687
	0.18333	0.81667	0.82125	0.80625	0.82250	0.81437	0.82188	0.81375
	0.17125	0.82875	0.82875	0.83625	0.82125	0.82875	0.82500	0.83250
	0.16458	0.83542	0.86375	0.84375	0.79875	0.82125	0.83125	0.85375
	0.18803	0.81197	0.80641	0.81154	0.81795	0.81474	0.81218	0.80897
	0.15500	0.84500	0.83125	0.84000	0.86375	0.85187	0.84750	0.83562
	0.19542	0.80458	0.83125	0.78250	0.80000	0.79125	0.81563	0.80688
	0.15792	0.84208	0.85000	0.82625	0.85000	0.83813	0.85000	0.83813
	0.19167	0.80833	0.80625	0.79875	0.82000	0.80937	0.81312	0.80250
	0.19458	0.80542	0.82500	0.76875	0.82250	0.79563	0.82375	0.79688
	0.16292	0.83708	0.85000	0.83500	0.82625	0.83063	0.83813	0.84250
	0.17137	0.82863	0.84615	0.81154	0.82821	0.81987	0.83718	0.82885
	0.15875	0.84125	0.84000	0.83250	0.85125	0.84187	0.84562	0.83625
	0.18250	0.81750	0.81500	0.80375	0.83375	0.81875	0.82438	0.80937
	0.31250	0.68750	0.65625	0.68625	0.72000	0.70312	0.68812	0.67125
	0.16708	0.83292	0.86250	0.82125	0.81500	0.81812	0.83875	0.84188
	0.18917	0.81083	0.82375	0.81625	0.79250	0.80437	0.80813	0.82000
	0.16958	0.83042	0.84250	0.81500	0.83375	0.82438	0.83813	0.82875
	0.17500	0.82500	0.84079	0.83947	0.79474	0.81711	0.81776	0.84013
	0.19583	0.80417	0.80750	0.80250	0.80250	0.80250	0.80500	0.80500
	0.16500	0.83500	0.83000	0.82750	0.84750	0.83750	0.83875	0.82875
	0.20083	0.79917	0.78500	0.79625	0.81625	0.80625	0.80063	0.79062
	0.18947	0.81053	0.83421	0.79474	0.80263	0.79868	0.81842	0.81447
	0.16083	0.83917	0.85875	0.83250	0.82625	0.82937	0.84250	0.84563
	0.17875	0.82125	0.83375	0.80625	0.82375	0.81500	0.82875	0.82000
	0.19083	0.80917	0.82125	0.81125	0.79500	0.80312	0.80812	0.81625
	0.19333	0.80667	0.82125	0.79750	0.80125	0.79937	0.81125	0.80937
	0.18917	0.81083	0.80250	0.82000	0.81000	0.81500	0.80625	0.81125
	0.16333	0.83667	0.86500	0.82750	0.81750	0.82250	0.84125	0.84625
	0.16833	0.83167	0.83250	0.82250	0.84000	0.83125	0.83625	0.82750
	0.18833	0.81167	0.83125	0.81000	0.79375	0.80188	0.81250	0.82063
	0.17000	0.83000	0.81125	0.86750	0.81125	0.83937	0.81125	0.83938
	0.19083	0.80917	0.82125	0.80375	0.80250	0.80313	0.81187	0.81250

的意思是	0.18247	0.81753	0.82533	0.81071	0.81656	0.81363	0.82095	0.81802

性病	0.02544	0.02544	0.03451	0.02796	0.02404	0.02315	0.02667	0.0291

评估我们的方法的性能,我们进行了比较与其他方法如FDCSP [53],MEMD-SI-BCI [54],SR-FBCSP [55从第四BCI)使用数据集256),结果如表所示8。我们的方法显示了一个轻微的改善(1.09%)SR-FBCSP方法相比,它提供了最好的结果的三个。


主题	iQSA	FDCSP	MEMD-SI-BCI	SR-FBCSP

	0.8543	0.9166	0.9236	0.8924
	0.8296	0.6805	0.5833	0.5936
	0.8273	0.9722	0.9167	0.9581
	0.8509	0.7222	0.6389	0.7073
	0.7879	0.7222	0.5903	0.7810
	0.8284	0.7153	0.6736	0.6998
	0.8172	0.8125	0.6042	0.8824
	0.8466	0.9861	0.9653	0.9532
	0.8425	0.9375	0.6667	0.9192

平均	0.83164	0.8294	0.7292	0.8207

性病	0.02054	0.1238	0.1581	0.1302

分析我们的结果,我们执行一个重要的统计测试利用STAC(统计测试算法比较)网络平台57]。在这里,我们选择了弗里德曼测试与显著性水平为0.10的排名算法和检查它们之间的差别是否具有统计学意义。

表9显示了弗里德曼测试结果排名值的方法。从这样的表,我们可以观察到我们的提议得到了最低排名;即iQSA在精度最好的结果在所有的算法。


算法	排名

iQSA	15.3333
FDCSP	15.5556
SR-FBCSP	16.5556
MEMD-SI-BCI	26.5556

为了比较iQSA和其他方法之间的差异是否显著,李事后过程(表执行10)。差异具有统计学意义,因为值低于0.10。


比较	调整价值

iQSA与数据集	0.00118
iQSA与SR-FBCSP	0.96717
iQSA与FDCSP	0.97137
iQSA与MEMD-SI-BCI	0.70942

此外,表中所示的分类8是通过实时iQSA和其他方法相比一个前置过滤过程不是必需的。

在表11,我们将展示所需的时间为每个任务执行的iQSA算法:特征提取,分类,学习。EEG信号分析过程1和2负责获得EEG信号的四元数,学习树,和培训。过程3评估和基于生成的决策树分类信号,实时分析应该做。


过程	时间间隔,以秒为单位

iQSA四元数(1)	0.2054
iQSA分类(2)	0.1035
iQSA学习(3)	0.0095

根据实验,对离线分类(过程1和2),所需的处理时间是0.3089秒。然而,认识到汽车所需的时间意象生成的活动主题是0.0095秒,考虑到学习树已经生成,即使处理阶段实时完成,需要0.3184秒认识后第一个阅读模式。该方法,我们可能控制一个机器人,用于多个应用程序,如操纵轮椅,或控制家用电器,等等。

正如前面说的,实验包括3与每个参与者(视觉标记,视觉和触觉)。从3实验获得的平均精度在76%和78%之间。图10显示结果的视觉刺激,产生最低的利率为76.63%,其次是标记视觉会话达到76.98%和触觉会话77.28%。

在图10,结果表明,生成的心理活动的援助比视觉和触觉刺激稍微准确视觉标记的刺激,识别与视觉刺激更不精确和缓慢。

总结,测试的结果进行了39个参与者使用这种新方法分类运动图像大脑信号,与每个参与者的20倍,考虑70% -30%的数据,创建几个子集分类过程的80 - 20%。性能平均准确率为81.75%在使用10决策树结合促进技术在0.5秒的采样率。结果表明,这种方法对于监测、代表,脑电图信号可以用于分类的目的个人实时控制外部设备。

5。结论

特征提取是最重要的一个阶段涉及BCI系统设备。特别是,EEG信号的特征提取应用电动机意象活动歧视一直是近年来一些研究的焦点。本文提出了一种改进QSA方法称为iQSA,脑电图信号特征提取,使用它精神任务涉及电动机实时图像。与我们新的iQSA方法,原始信号重采样和分析的基础上QSA算法提取特征时间域内的大脑活动通过四元数代数。特征向量组成的意思是,方差同质性、和对比中使用决策树分类器的分类阶段实现一组使用提高技术。性能通过使用iQSA技术范围从73.16%到82.30%的准确率与读数3秒和半秒之间。这种新方法与原QSA技术相比,其准确率从40.82%到33.31%不等,没有采样窗口,与采样窗口从41.07%降至33.34%。我们可以得出这样的结论,iQSA是一种很有前途的技术与潜在的用于电动机实时图像识别任务的应用程序。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究支持的部分CONACYT项目“Neurociencia Computacional: de la teoria al desarrollo de sistema neuromorficos”(没有。1961)。霍雷肖Rostro-Gonzalez承认瓜纳华托大学通过一个安息年提供的支持。

引用

p .探讨和g·r·Muller-Putz”使用的解码方法分类有节奏的运动想象的手臂在两架飞机,”IEEE生物医学工程,卷62,不。3、972 - 981年,2015页。视图:出版商的网站|谷歌学术搜索
r·柴g . p .猎人,s·h·凌和h·t·阮”向更少的脑电图渠道和更好的非图像特征提取器精神任务分类轮椅控制器想,”学报的第34届国际会议的IEEE在医学和生物工程协会(EMBC)圣地亚哥,页5266 - 5269,美国,2012年8月。视图:出版商的网站|谷歌学术搜索
h·s·金,m . h . Chang h·j·李,和k . s .公园,“比较分类性能的各种组合中运动图像脑-机接口任务,”学报2013年6日国际IEEE磨床神经工程会议,2013年尼珥圣地亚哥,页435 - 438,美国2013年11月。视图:出版商的网站|谷歌学术搜索
j·r·沃尔波d·j·麦克法兰g . w .整洁和c a . Forneris”光标控制,因为它使得基于脑电图的脑机接口”脑电图与临床神经生理学,卷78,不。3、252 - 259年,1991页。视图:出版商的网站|谷歌学术搜索
a . Vourvopoulos和f . Liarokapis“机器人导航使用脑-机接口”学报》第11届IEEE国际会议上信任,计算和通信、安全与隐私trustcom - 2012利物浦,页1785 - 1792年,英国,2012年6月。视图:出版商的网站|谷歌学术搜索
r·阿帕德海耶,p . k .钙结核,p . k . Padhy v . k . Gupta,“机器人运动控制使用大脑的计算机接口,”学报2013年IEEE国际会议控制、自动化、机器人技术和嵌入式系统,2013年保健5 p。1,贾巴尔普尔,印度,2013年12月。视图:出版商的网站|谷歌学术搜索
j·r·沃尔波n . Birbaumer w . j . Heetderks et al .,“脑机接口技术:回顾第一国际会议”IEEE神经系统和康复工程,8卷,不。2、164 - 173年,2000页。视图:出版商的网站|谷歌学术搜索
j·r·沃尔波n . Birbaumer d·j·麦克法兰g . Pfurtscheller和t·m·沃恩“脑-机接口的通信和控制,”临床神经生理学,卷113,不。6,767 - 791年,2002页。视图:出版商的网站|谷歌学术搜索
b . Graimann a Grendan, g . Pfurtscheller脑-机接口,对人机交互斯普林格出版社,柏林,德国,2010年。
m . Jeannerod”心理意象在运动背景下,“这项研究,33卷,不。11日,第1432 - 1419页,1995年。视图:出版商的网站|谷歌学术搜索
范·d·o·巴姨,d .黄,r·昆兹”效应的实时皮层反馈在运动想象的精神实践训练,”Neurorehabilitation34卷,第363 - 355页,2014年。视图:出版商的网站|谷歌学术搜索
d·j·麦克法兰洛杉矶矿工,t·m·沃恩和j·r·沃尔波“μ和β节律地形在运动图像和实际动作,“大脑地形,12卷,不。3、177 - 186年,2000页。视图:出版商的网站|谷歌学术搜索
g . Pfurtscheller Brunner, a . Schlogl f·h·洛佩斯·达席尔瓦,“μ节奏(de)同步和脑电图的实验不同的运动图像分类任务,”科学杂志没有,卷。31日。1,第159 - 153页,2006。视图:出版商的网站|谷歌学术搜索
a . s .达m . s . Mahanta, k . n . Plataniotis”分离运动图像BCI系统常见的spatio-spectral模式,”IEEE生物医学工程,卷63,不。1、15 - 29,2016页。视图:出版商的网站|谷歌学术搜索
j·l·高,w . Cheng张,j .王”脑电图分类的运动图像和静止状态使用多层次演极端的学习机器,BCI应用程序”审查的科学仪器,卷87,不。2016年8篇文章ID 085110。视图:出版商的网站|谷歌学术搜索
a . Schlogl f·李,女孩h . g . Pfurtscheller”表征BCI-competition四级电机图像脑电图数据的2005年,“《神经工程,卷2,不。4,14-22,2005页。视图:出版商的网站|谷歌学术搜索
d .传统主义、t·阿尔安尼和m . Jemni”运动图像信号分类为BCI系统使用经验模态分解和bandpower特征提取,”广泛研究人工智能和神经科学(大脑)7卷2 5-16,2016页。视图:谷歌学术搜索
k·崔和a . Cichocki控制轮椅的运动图像实时卷。5326年,斯普林格出版社,2008年版。视图:出版商的网站
j·d·r·文澜f . Renkens j . Mourino和w·郭士纳”侵入brain-actuated控制移动机器人的人类的脑电图,”IEEE生物医学工程,51卷,不。6,1026 - 1033年,2004页。视图:出版商的网站|谷歌学术搜索
f .乐天m . Congedo A . Lecuyer f . Lamarche b . Arnaldi,“因为它使得基于脑电图分类算法的评估脑-机接口,“《神经工程,4卷,不。2,R1-R13, 2007页。视图:出版商的网站|谷歌学术搜索
p . Batres-Mendoza c . r . Montoro-Sanjose,依Guerra-Hernandez et al .,“Quaternion-based信号分析的运动图像分类脑电图仪的信号,”传感器,16卷,不。3,货号。336年,2016年。视图:出版商的网站|谷歌学术搜索
w·r·汉密尔顿,“四元数”,爱尔兰皇家科学院学报》上,3卷,硕士论文,1847页。视图:谷歌学术搜索
m . Almonacid j . Ibarrola和人类。Cano-Izquierdo”,因为它使得基于脑电图投票策略提高Multimodel运动图像BCI,分类器系统”IEEE系统杂志,10卷,不。3、1082 - 1088年,2016页。视图:出版商的网站|谷歌学术搜索
l .他d . Hu m .广域网,y, k·m·冯·迪尼和m .周”因为它使得基于脑电图的常见的贝叶斯网络分类多级运动图像BCI,”IEEE系统,人,和控制论:系统,46卷,不。6,843 - 854年,2016页。视图:出版商的网站|谷歌学术搜索
我的。Suk, S.-W。李,“小说贝叶斯框架区别的特征提取的脑-机接口,“IEEE模式分析与机器智能,35卷,不。2、286 - 299年,2013页。视图:出版商的网站|谷歌学术搜索
s贝穆德斯我十二月,a·加西亚Morgade h . Samaha和p . f . m . j . Verschure”使用混合大脑计算机接口和虚拟现实系统监控和促进大脑皮层重组通过运动活动和运动表象训练,”IEEE神经系统和康复工程,21卷,不。2、174 - 181年,2013页。视图:出版商的网站|谷歌学术搜索
m . Naeem Brunner, r .里氏b . Graimann和g . Pfurtscheller”Seperability四级电机使用独立成分分析,图像数据”《神经工程,3卷,不。3、208 - 216年,2006页。视图:出版商的网站|谷歌学术搜索
s . g . l . Wang, j . Wang, m .郭和w·严”运动图像BCI研究基于样本熵和支持向量机”学报2012年第六届国际会议在电磁场问题和应用,ICEF 2012年2012年6月,页1 - 4,。视图:出版商的网站|谷歌学术搜索
l . Schiatti l .西班牙j . Tessadori g . Barresi和l·马托斯”相互信息化特征选择基于运动图像,为低成本好像”学报》第38届IEEE工程国际会议在医学和生物学的社会,EMBC 2016奥兰多,页2772 - 2775,美国,2016年8月。视图:出版商的网站|谷歌学术搜索
大肠Abdalsalam M。,米。Z. Yusoff, N. Kamel, A. Malik, and M. Meselhy, “Mental task motor imagery classifications for noninvasive brain computer interface,” in学报2014年第五届国际会议上智能和先进的系统,ICIAS 2014,页1 - 5、吉隆坡、马来西亚,2014年6月。视图:出版商的网站|谷歌学术搜索
n . Prakaksita彭译葶。郭和学术界。郭”,基于运动图像的脑机接口的发展对于仿人机器人控制应用程序,”美国IEEE国际工业技术会议,ICIT 2016,页1607 - 1613,台北,台湾,2016年3月。视图:出版商的网站|谷歌学术搜索
b·奥氏c . Neuper c贵港市,g . Pfurtscheller“信息传输速率在五类“脑机接口”IEEE神经系统和康复工程,9卷,不。3、283 - 288年,2001页。视图:出版商的网站|谷歌学术搜索
r·谢勒g·r·穆勒c . Neuper b . Graimann和g . Pfurtscheller”因为它使得基于脑电图异步控制虚拟键盘:拼写率的提高,“IEEE生物医学工程,51卷,不。6,979 - 984年,2004页。视图:出版商的网站|谷歌学术搜索
siu和y李”,提高电机的可分性意象脑电图信号使用交叉correlation-based最小二乘支持向量机对脑机接口,“IEEE神经系统和康复工程,20卷,不。4、526 - 538年,2012页。视图:出版商的网站|谷歌学术搜索
s . Solhjoo a . m . Nasrabadi和m·r·h·Golpayegani”因为它使得基于脑电图使用HMM分类器分类混乱的信号:精神任务分类,”13日欧洲信号处理研讨会论文集,EUSIPCO 20052005年9月,页257 - 260。视图:谷歌学术搜索
d . c .公园鲁尼,n . Ur Rehman, a . Ahrabian和d . p . Mandic”运动图像分类BCI使用多元经验模态分解,“IEEE神经系统和康复工程,21卷,不。1,10-22,2013页。视图:出版商的网站|谷歌学术搜索
j . Hurtado-Rincon s Rojas-Jaramillo y Ricardo-Cespedes, a . m . Alvarez-Meza和g . Castellanos-Dominguez”运动图像分类使用特性相关性分析:一个Emotiv-based BCI系统,”学报》2014年19研讨会上形象,信号处理和人工视觉,STSIVA 2014,2014年9月。视图:出版商的网站|谷歌学术搜索
c . c . c .公园Cheong-Took, d . p . Mandic”增强复杂常见的空间模式对于非圆形脑电图从汽车图像分类任务,”IEEE神经系统和康复工程,22卷,不。1、1 - 10,2014页。视图:出版商的网站|谷歌学术搜索
z,金黄色的太阳,张,陈y, c·李和s .陈”的脑机接口基于ERD / ERS上肢外骨骼控制,”传感器,16卷,不。12,货号。2050年,2016年。视图:出版商的网站|谷歌学术搜索
k . Choi和a . Cichocki”控制轮椅的运动图像实时”诉讼程序的第九届智能数据工程与自动化国际会议上学习卷,5326年,页330 - 337,斯普林格出版社,大田,韩国,2008年版。视图:出版商的网站|谷歌学术搜索
l . Arias-Mora l . Lopez-Rios y Cespedes-Villar, l . f . Velasquez-Martinez a . m . Alvarez-Meza和g . Castellanos-Dominguez”基于相关支持汽车图像分类、特征提取”学报20研讨会上信号处理,图像和计算机视觉,STSIVA 2015波哥大,哥伦比亚,2015年9月。视图:出版商的网站|谷歌学术搜索
s . Dharmasena k . Lalitharathne k艺术观,a .位于和a·帕斯”想象手运动的在线分类使用消费者品位脑电图装置,”学报2013年IEEE第八届国际工业和信息系统,会议ICIIS 2013Peradeniya,页537 - 541年,2013年12月斯里兰卡。视图:出版商的网站|谷歌学术搜索
v . n股票和a . Balbinot”运动图像基于EMOTIV帽的系统通过朴素贝叶斯分类,”学报》第38届IEEE工程国际会议在医学和生物学的社会,EMBC 2016奥兰多,页4435 - 4438,美国,2016年8月。视图:出版商的网站|谷歌学术搜索
d . m . Mann-Castrillon s Restrepo-Agudelo h . j . Areiza-Laverde a . e . Castro-Ospina和l . Duque-Munoz探索性分析电动机意象BCI系统的本地数据库。
a . Janota诉Šimak、d . Nemec和j . Hrbček”改进欧拉角计算的精度和速度从低成本旋转传感器数据,”传感器,15卷,不。3、7016 - 7039年,2015页。视图:出版商的网站|谷歌学术搜索
s . Kotsiantis“混合决策树分类器,”《智能与模糊系统:在工程技术中的应用,26卷,不。1,第336 - 327页,2014。视图:出版商的网站|谷歌学术搜索
r·l·白”,斜的天文应用决策树”,航会议论文集卷。1082年,37-43,2008页。视图:出版商的网站|谷歌学术搜索
答:a . Elnaggar和j·s·nol应用遥感数据和决策树分析映射在大面积被盐化土壤,“遥感,卷2,不。1,第165 - 151页,2010。视图:出版商的网站|谷歌学术搜索
l . Breiman“装袋预测”,机器学习,24卷,不。2、123 - 140年,1996页。视图:出版商的网站|谷歌学术搜索
y弗洛伊德和r·e·Schapire”与一种新的提高算法实验,”学报》第13次国际会议上机器学习(ICML),第156 - 148页,1996年。视图:谷歌学术搜索
t . Jiralerspong c·刘,j .石川”识别三种心理状态使用基于运动图像的脑机接口,”学报2014年IEEE研讨会上计算智能的大脑计算机接口(CIBCI)奥兰多,49-56页,2014年12月美国。视图:出版商的网站|谷歌学术搜索
j . m .柱身“前额叶神经元网络的记忆”大脑研究公告,52卷,不。5,331 - 336年,2000页。视图:出版商的网站|谷歌学术搜索
z . j . Wang Feng, n . Lu”常见的空间模式在频域特征提取的运动图像分类任务,”学报2017年第29届中国控制与决策会议(CCDC)重庆,页5883 - 5888年,中国,2017年5月。视图:出版商的网站|谷歌学术搜索
p .白肢野牛,r . b . Pachori h . Wang和g·普拉萨德,”为基础的多元经验模态分解过滤为主体独立BCI,”美国27日爱尔兰信号与系统会议,ISSC 2016英国伦敦德里,页1 - 7,2016年6月。视图:出版商的网站|谷歌学术搜索
h·v·谢诺a . p . Vinod, c .关”基于收缩估计的正规化脑电图运动图像分类,”学报第十届国际会议信息,通信和信号处理,ICICS 2015,新加坡,2015年12月。视图:出版商的网站|谷歌学术搜索
Blankertz b, g . Dornhege m . Krauledat K.-R。穆勒,古玩,”柏林非侵入式脑机接口:快速获取有效的性能在未经训练的科目,”科学杂志,37卷,不。2、539 - 550年,2007页。视图:出版商的网站|谷歌学术搜索
Rodriguez-Fdez, a . Canosa m . Mucientes, a . Bugarin”STAC: web平台的比较算法使用统计测试,”《IEEE国际会议上模糊系统,页1 - 8,伊斯坦布尔,土耳其,2015年8月。视图:出版商的网站|谷歌学术搜索

计算智能和神经科学

文摘