文摘

测量(EEG)信号与生理活动的兴趣,因为他们的关系,让运动的描述,或思考。重要的研究开发利用脑电图使用分类或预测算法基于参数有助于描述信号的行为。因此,应采取重视特征提取是复杂的参数估计(PE)系统识别(SI)的过程。当平均近似的基础上,提出了非平稳的特点。iterative-recursive使用PE的比较三种形式的指数遗忘因子(EFF)结合线性函数来识别提出了一种合成随机信号。最好的结果通过功能性错误应用于近似一个脑电图信号为一个简单的分类示例,展示我们的建议的有效性。

1。介绍

脑电图(EEG)技术获取相关信息的大脑活动,从大脑中提取信息测量电场,使获取信息相关的意图为不同的心理活动,如运动图像,运动规划,想象演讲或主题识别(1]。当获得信息从脑电图特征应该被处理,用于分类算法。

根据(2),神经信号振荡是最重要的脑电图特征研究由于特定模式之间的关系,感性,电动机,和情感的过程,描述了这些变化。因为脑电图的随机特征,需要一个适应描述分析特别是变化的时间内既不顺利也不慢(3,4]。

然而,神经特性使得他们难以分析不使用一个适当的描述符。因此,新的脑电图信号建模技术允许选择特定的信息帮助神经病理学临床研究(5)用于获取参数,例如,分类算法(6模糊逻辑等)分类器(方法),人工神经网络(ANN),粒子群优化和滑动模式,1,7- - - - - -10]。

在[11)使用时频分布(TFD),快速傅里叶变换(FFT),特征向量方法(EM),小波变换(WT)和自回归方法讨论了(ARM),脑电图在时间和频率域特征提取。这种比较的结果显示频率方法可能不适合时脑电图信号时频不给详细的信息;现在的选举一个方法将取决于应用程序目标(4,5,12]。

采样神经信号在数学意义上对应于一个随机、时变和非线性描述一个特定的有界分布函数为每一个临床病例。,神经元由黑盒(BB)系统只有其励磁(输入)和回答(输出)不知道里面发生了什么。

变化的自适应自回归(AR)模型已被证明是足够的系统模型,在模型参数确定的数量取决于秩序。其他方法包括递归最小二乘(RLS),至少意味着广场(LMS)和卡尔曼滤波器(KF)及其变化9,12- - - - - -15]。一般算法本身并不足够的突然变化时,引起混合或修正形式如遗忘因子(FF) [16]。标识符的重视是描述系统内部时间进化和观察其稳定性和固定属性(3,9,17]。

考虑计算操作延迟如图1之间的时间间隔连续两个输出系统步骤使estimation-identification添加第二个阶段过程可实现的和可行的在同一时间间隔,获得使用指数遗忘因子递归版本(EFF)修改第一个识别。


图1
表示流程的相应时间 。

前一个EFF分析使用 从[18)的识别实验开发(19),显示其有效性使用符号函数时给一个校正系数,减少不确定性信号实现的识别错误: 在哪里 平均的参数估计(20.]。

方程(1)已被证明只是点对点的修正,将第二阶段操作第一次发达国家平均后,如图2。


图2
框图在estimation-identification过程两个阶段使用递归平均法(第一)和EFF(第二,虚线)。

寻找一个更好的识别,三个不同的实施例附加校正阶段内第二修正显示在图2(虚线)进行了比较。要完成这个任务,表达式(1修改)来创建一个递归的描述 ,基于随机输入 ,相互作用(2),导致识别错误 (3)。应用修改(1新的参数(4)是描述和代替 在(2),获得一个新的标识和识别错误。 第一的证明算法获得使用正弦信号,然后,一个更好的结果应用于合成振幅和频率变化。

2。递归指数遗忘因子(雷夫)比较

下面的算法,分析了它们的有效性通过比较相应的递归EFF参数估计和鉴别的参考图3的正弦形状(图3 (b))是由从极坐标表示法(图的参数3(一个))。

(一)
(一)
(b)
(b)
图3
引用参数(a)和(b)的输出信号。

以极坐标图描述参数的目的是确定如果他们由于他们的价值观导致的不稳定问题。识别被认为是不稳定和nonadequate酉圆的参数估计出去给参考边界一个天桥上。

2.1。通过前面的递归估计参数

第一个方法是通过考虑 和前面的修正估计参数 根据估计的参数 。第二识别阶段(4估计被描述为 在迭代 在(5)。结果如图4。


图4
识别用例(a)的估计。
2.2。通过递归前和实际之间的意思估计参数

继续(4)作为基础,现在的平均估计参数 和延迟 修正估计在(6)被认为是。结果如图4。 通知的情况下(a)和(b)第三阶段被添加到流程,首先简单平均近似;第二, 校正和第二个参数校正。

从图4,可以看到识别用例(a)和(b)是不足够的,因为每次引用改变其凹面趋同,变得更加困难,从而导致不良的山峰(15]。

2.3。迭代EFF-Estimation

在图2虚线代表第一 校正;相同的过程的最后阶段(7有效的迭代)补充道 ,有 和 作为初始条件, 是迭代的数量做即时的信号 ,被 平均阶段。 在哪里 和 被定义为(8)和(9),分别。 考虑 后确认信号 EFF和迭代 作为输出与输入参考信号 ,然后(9)可以被定义为 与例(a)和(b),最后一个不仅估计参数的变化,但也 ,纠正 乘以参数来提高识别信号收敛,见框图为例(c)如图5。


图5
estimation-identification流程框图、案例(c) EFF的迭代修正。

现在的问题在于,需要多少的迭代来获得一个适当的收敛速度没有冗余的数据。答案可以根据不同从一个应用程序,另一个是最重要的;因此,减少错误的识别任务的主要目标之一。

因此,验证了修正的有效性 ,首先识别信号 来 获得和十模拟如图6。


图6
确定信号情况下(c)申请 ,从2到10。

图6显示,当增加 迭代,识别接近参考。这就是增量迭代的决定取决于所需的精度水平。更好地欣赏近似错误,图7包括功能错误 ,同意(21),对之前仔细识别,如图7。


图7
比较的功能错误 从图的识别信号6。

第二个进程标识一个更好的融合,如图7,第一次和第二次迭代之间的误差明显减少,第二和第三之间,等等。有更好的可视化结果之间的差异在每个迭代中,人物8显示的关系(11),用百分比表示,这表明类似的结果在每个迭代中基于功能性错误。 从迭代7日之间的相似之处,前面的是99.8%以上,意义将是微不足道的区别取决于应用程序。另一方面,考虑到来自相同的迭代级错误,他们是不到3%的原始信号。


图8
错误和泛函,有相似之处,从连续EFF迭代。

3所示。参数估计的例子

我们建议的任务是近似一个脑电图引用例子与凹度和频率的变化添加噪声,与所示(5,22]。参考信号描述如下(12), 秒的时间演化与采样频率100赫兹, , , , ,如图9。 估计过程形容象征性地生成适当的参数 在每个采样点时间 ,近似线性变异函数(2)(12),它具有随机特性,振幅和频率的变化。识别由各种迭代结果提出了比较提出了参考信号的识别数据所示10和11进化,观察功能性错误。


图9
参考信号中描述(10),进化时间 和采样频率100赫兹。

图10
从图识别的参考信号9应用平均识别和使用递归EFF 10迭代。

图11
从图误差泛函,得到识别流程10。

在一个黑盒子(BB)系统内部和外部之间的关系参数不能直接因为内部进化是未知的,因为会发生与实际信号。然而,这些参数很重要,因为它们可以从EEG信号分析获得特殊功能是很难获得非线性信号。事实上,这些参数的获得的目标提出了技术。图12介绍了参数估计获得,对于简单的EFF及其迭代描述考虑 8、11个迭代,代表当添加不止一个校正步骤。


图12
参数获得使用平均估计量(平均),简单EFF ( )、5、8、11的迭代递归EFF的描述。

从图12,确定参数变量特征为每个采样点。变化之间的平均估计和简单EFF ( )估计是明显的大小和方向。另一方面,简单EFF与其他迭代估计参数方向相似,呈现变化的特性不能够离开参考,维护稳定识别。

3.1。EEG信号的估计

测试的第二部分,estimation-identification过程应用于采样信号取自[7,23主题1),从6脑电图(EEG)和一个眼电图(小城镇)渠道不同的活动。目标是应用EFF迭代描述从病例(c)获得的参数允许近似用(2)。引用数据如图13有10秒的录音采样频率为250赫兹,总共获得2500个样本代表瞬间吗 。应用平均的结果描述和5和10迭代EFF如图14。


图13
计算任务的采样信号,来自[8,9主题1),考虑6脑电图通道和1小城镇。

图14
从图识别信号13采样信号比较,平均近似,利用5和10个迭代EFF识别。

在图14,信号从图13分离,提高收敛。这些是不同的。有不同的信号来确定事实识别使用有用EFF是混乱不稳定充足的情况下,如脑电图或小城镇,提出了工作。最后,测量误差被视为功能性错误的7个信号平均为每个估计所示(13), 是迭代的数量。结果给出了极坐标图在图15,观察泛函,错误往往在所有修正近似为零,有一个更好的性能时应用更多的迭代。


图15
极坐标表示法的组合误差泛函,通过识别信号从图14。
3.2。EEG信号的分类

在前面的小节中,脑电图信号参数估计是可能的。然后我们现在估计参数的应用分类的脑电图信号认为在我们的例子中是一个随机系统multioutput脑电图反应。在不同的情况下,我们考虑相同的数据库中使用的部分3所示。1(7,23)和迭代EFF estimation-identification过程迭代10次。

认为四个乘法任务(任务1),信(任务2),旋转(任务3)。和计数为每个任务(Task 4)。,六个脑电图通道(1 - 6)被认为是有具体分布见图16,提出了规范化的信号分布分为十主体之间的时间间隔 为一个更好的升值。平均每6个分布信号的任务是获得也呈现在图16。平均分布的代表作为一个随机脑电图分类的基础。


图16
四个任务定义为六个脑电图信号分布代表平均分布。

为一个特定的任务,当识别其六个信号,可以得到相应的分布以及平均分布确定代表。分类是由四个基地分布比较图16的意思是识别和确定它们之间的误差收敛。任务的任务然后发现误差最小的地方。图17提出了四个不同的实例。


图17
比较基本的脑电图信号分布和四个标识信号的实例。

在图17识别不同的任务之间的相似之处。例如,在实例1,确定分布比别人更接近Task 1,所以这是可能说识别对应于它。量化多近,递归的错误功能(21)基于第二时刻考虑的误差概率分布比较计算并显示在图18为每一个实例。


图18
功能错误比较脑电图基础和确定分布从图17。

从图18,最低累积误差对应正确的分配分类。另一方面,表1代表一个的错误决定图基于四个实例,总结最小误差识别的分类过程,获得好的结果在所有实例。

表1
EEG信号的不同实例分类考虑最小误差视为一个决策表的累积误差。

4所示。结论

获得的结果为例(a)和(b)是显而易见的,因为改变考虑过去,和EFF描述实际信息。因此,使用以前的参数将打破使用参数的收敛后得到EFF导致贫穷的收敛。

为例(c)可能是说,必须采取特殊照顾的时候获得识别是十分重要的,因为有更多的迭代,和更少的错误结果,意味着更多的执行时间。然而,延迟是大到足以使相当数量的迭代,修改 ,然后参数(c),从迭代7(如图7和8),导致更好的修正比这只通过修改参数。

estimation-identification过程适合非线性信号,比如从脑电图。描述这些信号的重要性在于可能丢失信息的描述当激烈的凹度和频率的变化。即使在本文中只显示时变分析,混沌信号的重建给好的结果与简单平均方法相比,见图14。

即使这项工作的主要目的是参数估计,一个简单的分类测试已经完成演示一个可能使用的参数获得通过使用我们的技术,实现好的结果(表四显示实例1)。

未来的工作,使用更真实信号应该进行比较,最后,获得的参数可以帮助创建一个数据库和获得更多特征创建有用的合成信号,证明新方法或技术的有效性。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。

确认

作者要感谢研究所Politecnico Nacional (IPN)和Consejo Nacional de Ciencia y Tecnologia (CONACYT)的支持而开展研究工作通过sip - 20171418项目,sip - 20170018和sip - 20171694。