文摘

典型相关分析(CCA)是一个越来越多的使用方法领域的稳态视觉诱发电位(SSVEP)认可。方法的有效性已被广泛证明,和几个变化。然而,大多数CCA变化往往复杂的方法,通常需要额外的用户培训或增加计算负载。采取简单的程序和较低的计算成本,然而,相关方面,特别是在低成本和high-portability设备的看法。此外,这将是可取的,该差异尽可能通用和模块化促进翻译的结果不同的算法和设置。在这项工作中,我们评估的影响两个简单,模块化的古典CCA方法的变化。涉及的变化(i)的数量用于分类和规范的相关性(ii)将通过sinc-windowing前置过滤步骤。我们测试了10个志愿者在四级SSVEP的设置。都显著提高分类精度变化时单独使用或结合,导致精度平均增加到7 - 8%,25 - 30%的峰值。此外,没有变化(变化(i))或最小(变异(ii))影响的数量为每个分类算法所需的步骤。 Given the modular nature of the proposed variations and their positive impact on classification accuracy, they might be easily included in the design of CCA-based algorithms that are even different from ours.

1。介绍

脑机接口(BCI)是一个系统使大脑和外界之间的直接通信,因为它直接将记录的神经活动转化为控制信号为外部设备(例如,一台计算机,一台机器,或拼字)(1]。非侵入式系统中,脑电图(EEG)基于bci是最普遍的(2),他们可以依靠四种可能的电生理学的来源:缓慢的皮层电位(scp)与事件相关去同步化/同步(ERD / ERS)与事件相关电位(P300),或稳态视觉诱发电位(ssvep) [3]。其中,SSVEP-based bci是呼吁其精度高、信息传输速率(ITR),由于ssvep即使没有用户培训的高信噪比(4]。出于这个原因,SSVEP-based BCIs是提高这些年来越来越多的关注(5,6]。

ssvep是周期性的大脑信号引起的枕叶皮质区通过视觉刺激频率高于6赫兹(7]。在不同的闪烁的对象(led、符号和广场)同时,SSVEP的光谱的分析内容允许重建刺激用户关注。

传统方法执行SSVEP的识别基于功率谱密度分析(PSDA) [7]。在PSDA-based方法中,光谱权力从脑电图频谱估计在目标刺激频率和使用作为分类的特征(8- - - - - -10]。然而,PSDA-based方法可以受到噪声敏感性如果很少有渠道获得,除了需要相对较长的信号部分(例如,> 3 s)估计频谱有足够的频率分辨率(11- - - - - -13]。承诺和越来越多的使用方法,最近引起了研究者的兴趣(14- - - - - -17),是一个基于典型相关分析(CCA) [7]。

CCA是一种多元统计方法能够揭示出其潜在的两组数据之间的相关性(18]。SSVEP的识别,CCA表现之间的几次被认为是脑电图段和一组参考正弦余弦信号建模纯SSVEP的反应每个刺激频率(7]。频率响应显示相关性最高的脑电图分析部分是最后确认为观察到的一个。

CCA方法已被广泛证实的疗效,及其优越性PSDA的速度、精度和计算负载已经证明(19,20.]。出于这个原因,一些CCA变化提出了多年来(11- - - - - -13,15,21- - - - - -26]。

一些CCA的变化(11- - - - - -13,15,21,23),修改了SSVEP的参考信号,包括科目从每个用户的脑电图特征。工作(24)丰富了算法与合并主体间信息信号的多个主题。在[25努力,对补偿自然减少ssvep的刺激频率更高的信噪比纠正分类获得基于个人背景EEG的形状。最后,在[22,26CCA),为每个刺激频率重复了多次,每次处理的信号用不同的IIR带通滤波器,将相同的脑电图反应的不同方面。

尽管每个引入变异产生显著的增量分类准确性,他们倾向于增加算法的复杂性。他们确实需要额外的用户培训,将信息从个人脑电图数据(11- - - - - -13,15,21,23),或增加计算负载的数量乘以cca评估每个刺激频率(22,26]。然而,我们相信,甚至采取简单的程序和低计算成本可能是相关的,尤其是喜欢低成本的传播和high-portability设备。此外,这将是可取的,差异尽可能综合或可伸缩的促进翻译的结果不同的设置。

鉴于这些前提,这项工作提出了两个简单的基于古典CCA方法和模块化的变化。方面的变化(i)的相关性考虑数量分类和(2)的信号的预处理。我们显示,修改可以显著提高分类精度,但仍留下整个过程教练免费和没有(变异(i))或最小(变异(ii))影响的数量为每个SSVEP的识别所需的步骤。

2。材料和方法

2.1。标准的CCA方法SSVEP的识别

典型相关分析(CCA)是一种多元统计方法18)用于揭示底层的两组数据之间的相关性。两组随机变量X 和Y ,CCA找到相对应的两集U=斧头 和V=通过 (原来的线性组合一个 和B ),被称为典型变量,所以每对之间的相关性或行 是最大化: 与离开 , , 不相关的,如果 。每个CCA导致大量的解决方案等于之间的最小数量的行一个 和B 。的解决方案 ,按照降序排序,被称为规范的相关性和是一个衡量两组原始数据之间的相似性。

使用CCA SSVEP的识别领域的首次提出了林等人在7]。鉴于刺激频率是杰出的,执行CCA次,每个刺激频率 ,在多通道脑电图信号之间X (收购渠道,时间样本)和一组正弦余弦参考信号 建模纯SSVEP的反应。每组由如下: 在哪里刺激频率,是采样率,是谐波的数量包括在分析中。

每个CCA生成一个向量规范化的相关性 ,只有第一个和最大的一个, ,作为功能分类。脑电图分析部分X确实是分配给刺激频率导致的最大相关性吗 :

2.2。变化1:认为规范的相关性

尽管SSVEP的CCA方法识别的有效性已被广泛证明(14,16和提出了许多变化11- - - - - -13,15,21- - - - - -27),大多数的方法只考虑第一个典型相关作为分类的特征。然而,正如已经指出的林等。7),因为真正的脑电图信号可能被噪声污染,显示相变,信息可能分布在多个相关系数。

首先变化的算法,我们评估的影响不止一个相关系数的线性组合作为分类的特征,初步结果后(28]。自正则变量U和V估计这每一对情侣 和 是不相关的 参考信号和正弦余弦波彼此之间是正交的,每个组正则变量中包含的信息将永远在正交对他人。出于这个原因,我们建议结合考虑相关性使用欧几里得范数: 由此产生的组合将用作分类功能最大的典型相关只有。数量的范围可以从1之间的最小和2 ,与获得渠道和数量考虑谐波。在这项工作中,我们使用 脑电图渠道(见部分2。4详情),= 3次谐波,因此我们采取所有可能的数字的影响进行了探讨,认为1和2之间的相关性 。

2.3。2:变化与Sinc-Windowing预处理

另一个可能的变化对文学可能由一个预处理步骤添加到脑电图段之前执行CCA。如果我们排除在[工作22,26),采用IIR滤波器,CCA确实是典型的应用没有任何前置过滤的脑电图信号。然而,我们相信,在窄带前置过滤步骤刺激频率和他们的工作谐波可能有用的提高信噪比,期待地提高分类精度。

作为第二变异,我们评估的影响,这种类型的前置过滤使用sinc-windowing实现。sinc-windowing技术在于充分的分析信号的卷积调制sinc函数。众所周知,理想的矩形带通滤波器的傅里叶反变换为中心和带宽是 在哪里f是频率和傅里叶反变换。因此,周围的过滤刺激频率和卷积的谐波可以通过完成以下功能: 在哪里带宽(在这工作, 赫兹),谐波的数量,是刺激频率。

2.4。数据采集

从8电极EEG记录(PO7 PO8,警察丙,警察丁,O1、O2, POz, Oz),根据国际10 - 20系统定位。信号是使用Brainbox脑电图- 1166放大器,采样频率256赫兹和50 Hz陷波滤波器。

SSVEP的刺激是通过四个蓝色led,安排在一个电脑显示器。每一个LED闪烁在不同刺激频率(= 8赫兹,= 9赫兹,= 10赫兹= 11赫兹)。四个刺激频率选择在研究的开始和所有主题是相同的。所有刺激都提供50%的频宽比。led的行为是由LabVIEW-Arduino控制接口。

2.5。实验范式

十个健康志愿者(年龄在22至26日4雄性和雌性6日)参加了实验。他们所有人都正常,或纠正,正常的视力。在实验中,参与者坐在舒适的椅子上,双手放松,他们的头,大约60厘米距离电脑显示器。

实验组织成运行和运行组织成试验。每个参与者进行了共4分,每个组成16个试验。随后每个试验包括三个阶段:1序言,12刺激和2 s打破时期。在序言,一个黄色的正方形出现在屏幕上指示目标领导;然后期间同时led灯开始闪烁刺激,审讯结束,打破期间,led灯关闭,广场上消失了。目标LED的顺序是随机的,在每次运行平衡,因此每个领导盯着相同的时间。总而言之,每个实验包括总共4××16试验运行12秒= 768秒的刺激,也就是说,为每个类192秒。

2.6。绩效评估

对于每个问题,我们评估的平均分类精度每次运行的结束。强调两个提议的影响变化(组成特征向量和sinc-windowing),精度都重新计算使用的所有可能的组合方法,也就是说,认为从一个相关性= 6,有或没有sinc-windowing。评估的影响,考虑不同长度的脑电图信号SSVEP的识别、精度都重新计算考虑信号部分从0.5到5年代,尽管统计测试的详细结果将报告只有在1.5秒的情况下窗口长度。

BCI的另一个常用的测量性能,包括速度的概念,准确性,和数量的选择,是衡量信息传输速率(ITR),表达/分钟。出于完整性、ITR也提供,根据计算(29日] 在哪里 是选择的数量,是分类精度(表示在0和1之间),然后呢是时代的持续时间(以秒为单位)。

为了与其他CCA-based比较文学方法,可能与我们的,我们终于重新计算分类精度与陈等人的方法26),采用IIR滤波器,我们省略了与22)不合理地适应我们的设置。

2.7。统计分析

首先,我们比较每个精度水平的机会。机会的价值水平获得了通过运行仿真,提出了(30.)对于四级BCI和置信区间的上限α= 1%的意义,作为一个解析表达式的机会水平并不是用于多级的情况。关于统计对比方法,我们必须考虑多个数据来自同一主题的事实;即样品不能被认为是完全独立的。出于这个原因,而不是使用成对样品以及比较每种方法对其他人,我们跑的所有评估事后测试重复测量方差分析。方差分析设计的因素既包括“方法”(受试因素)和“主题”,因此考虑到所有数据之间的依赖关系。事后测试使用Bonferroni调整。参数的使用统计测试是合理的正常的数据分布,作为初步的确认由应用程序Kolmogorov-Smirnov测试。

3所示。结果

每个主题的分类精度、运行和方法详细的表1和总结在图1。表的最后两行1显示每个方法的平均和峰值增加对标准CCA(第一列)。所有获得的精度明显高于机会,机会的置信区间的上限水平(的意义 %)在这个特定的设置为30.27%。在表2,事后的结果之间的比较(Bonferroni-corrected)每一对方法报道。在图2所有的考虑方法的准确性曲线,评估不同的窗口长度,显示。为了避免裁员,详细的为每一个主题,也是跑,和方法都省略了,因为他们可以很容易地计算结果准确性的表1根据(7)。然而,表3报告的平均和峰值ITR每个组合的方法,结合平均和峰值增加ITR对古典CCA,以同样的方式报道在表的最后一行1。

提出的变化都能够显著提高分类精度。至于变化1,表中的结果1和2和图1清楚地表明如何考虑多个典型相关显著提高分类精度sinc-windowing和no-sinc-windowing条件。然而,虽然准确性显著增加( ,有或没有sinc-windowing)当切换从一个从两到三两个规范的相关性或规范的相关性( no-sinc-windowing条件),增量通常变得微不足道时4、5或6规范的相关性,与尊重,例如,三个。关于变异,即在包含前置过滤步骤刺激频率和谐波通过sinc-windowing,结果显示这种预处理总是表现(统计意义从 来 )相应的版本没有处理。因此,变化1和变异2相结合时,分类精度更加显著( 或 CCA)增加关于标准的方法。举一个例子,使用四个规范的精度得到了相关性和sinc-windowing平均增加了8.20%在标准CCA方法,甚至31.25%的峰值增加(在S08,运行2)。

当不同的脑电图的长度部分用来识别ssvep,提议对分类精度变化的行为往往被证实,唯一例外的长度(图0.5秒窗口2)。虽然多个典型相关的考虑总是优于只使用最大的一个,只sinc-windowing出现的积极影响窗口长度大于0.5 - 1 s。

当最后再计算精度与过滤器银行CCA方法(26),我们确认后表现明显( CCA)比标准。然而,增加的准确性由(26)没有统计学上提出不同于我们的一些变化。值得注意的是,结果准确性的组合四、五或六个典型相关性和sinc-windowing处理并没有统计上的不同的滤波器组的结果CCA (26]。

4所示。讨论

我们的结果显示多个典型相关的简单考虑可以显著提高实现精度没有任何增量的计算负载。已建议林等。7),真正的脑电图信号受到噪声的影响,可以显示相变;因此,信息可能分布在多个相关系数。

从理论的角度来看,如果(EEG信号X矩阵)几乎不受噪音和共享在电极(即相同的阶段。的行X),那么只有第一个典型相关的考虑将足以捕获的大部分信息。实际上正弦余弦波的行是一个正交基,CCA能够发现特殊线性变换的吗能够解释SSVEP的行为反应X通过最大化的线性组合之间的相关性X(EEG信号) ,没有留下信息。然而,随着X是一套多通道的数据,如果我们假设SSVEP的响应可能显示不同的阶段在电极(即,X行),那么至少需要第二套规范变量来解释数据,和第二组 包含一个互补信息对吗 。如果我们进一步假设,脑电图的位置,相同的不同谐波SSVEP的反应可能显示不同的彼此之间的延迟,那么至少另一组正则变量 需要捕捉SSVEP的响应的信息没有包含在前两集。

我们建议所有above-introduced假设可能是真的在现实脑电图信号。假设确实SSVEP的生成反应在有限区域的枕叶皮质区,它将会经历不同的延迟到达电极的不同位置,由于延迟在空间传播。然而,我们建议第二个假设也是合理的脑电图。鉴于事实上SSVEP的起源在枕叶皮层,信号通过多次组织层(液体、骨头和皮肤)之前到达每个脑电图位置。这可能是产生不同频率成分之间的相位失真,除了著名的空间模糊效果。

上述解释符合实验结果;实际上的准确性显著增加当切换从一个三个典型相关性。我们因此建议考虑多个典型相关许可证涵盖更完整的信息调查的频率 ,这最终将增加精度,揭示在几乎每一个主题并运行。从第三组正则变量,我们假设的信息量所描述的相关性取决于每个用户的个人特征,例如,延迟的时间在不同的谐波和电极,以及微分SSVEP的振幅响应不同谐波频率相同的刺激。根据这一假说,从第四个典型相关,不是会有一组效果了,这可以解释为什么实验数据的准确性增量都不再重要了。

除了推荐多个典型相关的考虑,我们的结果也强调CCA前前置过滤性能的积极影响。在过滤阶段的存在刺激频率和相关谐波可能允许从背景EEG加强SSVEP的应答,这最终翻译在精度大大增加在每一个对应版本之间的比较的方法,有或没有前置过滤。利用带通滤波器的概念,加强不同SSVEP的组件已经介绍了Chen等人的作品。26和伊斯兰教等。22),这表明IIR滤波器的使用。然而,这两种算法实现(22,26]提出了执行相同的多个前置过滤脑电图部分,从而增加cca的数量来评估每个刺激频率。尽管能够产生分类精度大幅提高,这意味着一个乘法总数的步骤在每个SSVEP的认可,相关合理的增量的计算负载。除了新奇对文学,前置过滤的实现通过sinc-windowing的优势是能够过滤多个频率成分在一个步骤中,通过调制函数卷积的构成。这意味着一个单步添加到每个SSVEP的识别独立于数量刺激频率或考虑谐波,从而整体剩余计算光。

sinc-windowing技术的一个潜在的限制可能会考虑信号部分的长度有关,由于吉布斯截断效应(31日]。事实上,如图2,而对于段长度超过1 s sinc-windowing增加了可实现的准确性,它变成甚至产生负面影响:当考虑短信号部分0.5 s。图2 (b)集成的信息图2(一个),提醒窗口长度的增加可能会导致降低ITR(可推论的(7)),以防准确性增加不足以对比每个时间的分类数的减少。可以实现最大ITR结果,对于每一个被认为是比较,与窗口长度的1.25 - -1.5年代,虽然sinc-windowing最明显的积极影响2.5 3 s窗口长度。作为最后的评论sinc-windowing技术,它可能会注意到,它的功效是一般证实尽管选择刺激频率的亲密(8、9、10和11 Hz)。

至于获得的精度在绝对数量上,我们的研究结果符合文献关于多级SSVEP的识别与标准CCA技术(7,14,20.,26,32),虽然科目的刺激频率的校准和/或他们的责任周期(33)可以进一步增加了表演。此外,我们验证了我们提出的组合变化可以产生相同的准确性增加其他CCA-related方法在文学,尤其是相同的改进滤波器组CCA的陈et al。26]。

最后的评论,我们认为,除了文学比较的方法,这项工作的主要目的和贡献给两个简单的影响的系统研究,模块化、CCA和计算光线变化的标准算法。这些提议的变化可能是模块化算法砖和可能灵活翻译CCA-based算法的设计,甚至不同于我们为了增加整体的精度。

5。结论

在这项工作中,我们评估的影响两个简单的和模块化的变化的CCA算法设置四级SSVEP的认可。所涉及的两种变体(i)的数量考虑规范化相关性和(2)包含一个窄带前置过滤步骤的工作刺激频率和相关谐波通过sinc-windowing技术。我们的研究结果表明,即使是简单的考虑多个典型相关可以显著提高准确性,没有增量的计算负载。值得注意的是,有精度明显提高切换从一个到三个规范的相关性,而增量从第四个典型相关不显著。额外的窄带前置过滤允许获得平均7 - 8%的精度,与25 - 30%的峰值,对古典CCA。sinc-windowing实现进一步的优点是,它允许多个频率成分的增强在一个步骤中,通过调节sinc函数的构成。考虑到提出的模块化性质变化和显著增加精度,无论单独使用或变体,甚至更多,在组合,结合最小计算成本,我们相信,他们可以很容易地代表有效集成被包括在未来CCA-based设计。

的利益冲突

作者宣称没有利益冲突。