文摘

在研究大脑的计算机接口(BCI)系统,脑电图(EEG)信号引起的不同运动的联合是很难区分的。本文提出了一种新颖的方案,结合幅频(AF)信息的固有模态函数(IMF)常见的空间模式(CSP),即AF-CSP提取运动图像(MI)特性,提高分类性能,第二代nondominated分类进化算法(NSGA-II)是用于为线性和非线性优化hyperparameters内核与一个双子支持向量机(蛋TWSVM)。该模型与最小二乘支持向量机(二),反向传播(BP),极端学习机(ELM),粒子群优化支持向量机(PSO-SVM)和网格搜索蛋TWSVM (GS蛋TWSVM)在我们的数据集;识别精度提高了5.92%,22.44%,22.65%,8.69%,5.75%。该方法有助于实现BCI系统的精度高。

1。介绍

BCI技术,使大脑直接建立通信和控制在人脑和计算机或其他电子设备之间无周围神经和四肢的帮助(1,2]。BCI技术不仅提高了残疾的患者与外界沟通的能力在医疗康复领域的(3,4),但也广泛应用于智能家居,大众消费和娱乐,军事等领域。目前,BCI系统的研究方向主要集中在以下方面:感觉运动鼻中隔黏膜下切除术后()5),缓慢的皮层电位(SCP) [6),P300与事件相关电位(7),和稳态视觉诱发电位(SSVEP) (8]。鼻中隔黏膜下切除术后应用最广泛的是基于运动图像的BCI系统。

的μ(8-13Hz)和β(13-30Hz)节奏在脑电图信号将导致一个名叫事件相关去同步化的现象(ERD)和与事件相关同步电动机图像发生时(人)(9,10]。这意味着大脑的节奏活动代表频率变化可以由特定的增加或减少在特定频段的权力。ERD / ERS现象是一个重要的汽车图像的BCI系统的基础。

为了提高分类精度的BCI系统,研究人员研究了EEG信号的特征提取方法和分类方法(11- - - - - -15]。最常用的特征提取方法包括小波包变换(WT),傅里叶变换(FT), CSP (16,17),和自回归(AR)模型。分类方法包括线性判别分析(LDA),支持向量机(SVM),神经网络(NN),等等。王等人使用卷积神经网络(CNN)来识别图像脑地形图的三种运动图像的上肢运动,弯曲手腕,手腕外部旋转,识别率最高的三个分类实验是67.89% (18]。罗伊等人进行希尔伯特变换两种运动图像的肩部和肘部关节和使用离散小波变换提取特征;SVM的最高识别率84.91%的五识别方法(19]。萨钦等人利用经验模态分解(EMD)提取左、右手运动图像的能量特性脑电图信号使用回归模型和分类;识别率不少于95.56% (20.]。唐等人利用PSO优化网络隐层可见深叠加(HVDSN)认识到左边,右手运动图像脑电图信号;识别率不少于89.84% (21]。尽管上述研究取得了较高的识别结果,大多数研究侧重于手和脚运动图像,很少有研究是基于多级运动图像进行单关节。

在本文中,我们提出一个方法来提高运动精度图像使用AF-CSP BCI和一个蛋TWSVM分类器进行了优化。该方法是由四个阶段。首先,陷波滤波器和共同平均参考(汽车)用于删除EEG信号中的噪声。第二,EMD用于获得国际货币基金组织(IMF),和FFT用于获得IMF的AF信息。第三,NSGA-II是用来为线性和非线性优化hyperparameters蛋TWSVM。最后,一个优化的蛋TWSVM评估分类器使用实验室数据集(三种运动图像的肩膀弯曲,扩展,和绑架)和较先进的算法(二、BP、榆木、PSO-SVM和GS蛋TWSVM)。

2。材料和方法

Emotiv Epoc +是用于收集脑电图数据的运动图像。它是一种便携式脑电图采集设备采样率为128 hz。它有14个电极通道(AF3 F7, F3, FC5 T7, P7, O1、O2, P8, T8, FC6, F4, F8,和AF4)和两个推论电极(CMS, DRL),和电极放置遵循国际标准10 - 20。实验图片、设备和Emotiv 14电极位于10 - 20国际体系如图位置1。这个实验收集三种脑电图信号的一个联合:想象力的肩膀弯曲,扩展,和绑架,如图2。

七个科目参加了本实验研究。这些受试者健康状况良好。在实验中,受试者自然放置双手,试图避免身体或头部运动。在实验中,受试者运动图像进行外部线索下,单个实验收集脑电图信号5秒钟,然后休息5 - 7秒;每个动作重复采集的20倍。实验过程如图3。脑电图的维数高,数据量很大,为了减少计算复杂度。本文脑电图FC5四电极采集的信号通道,F3, F4, FC6选择下列运动图像分析。

3所示。理论和方法

3.1。数据预处理

脑电图信号含有多种噪声,它是必要的执行空间滤波信号的特征提取。首先,50赫兹陷波滤波器用于消除工频噪声。麦克法兰等人相比,四种空间过滤技术来提高脑电图信号的信噪比,结论显示了汽车的优势和大型拉普拉斯算子的方法(21];本文使用车方法的空间滤波器。汽车的计算是减去平均所有的电极所选通道。计算的公式如下: 在哪里过滤的潜力和的潜力吗电极。

3.2。经验模态分解

EMD用于稳定的非平稳信号,获得国际货币基金组织(IMF)。文档中给出了具体的EMD分解过程(22]。脑电图信号可以分解为经验模态分解后,国际货币基金组织(IMF)组件和表达式如下: 在哪里代表原始EEG信号,是国际货币基金组织(IMF),筛选后剩余组件。

以1 - 4的数据F3电极通道图3,作为一个例子,使用EMD方法分解去噪信号,和国际货币基金组织组件如图4(一)。图4 (b)是国际货币基金组织的AF域信息FFT后组件。从图4 (b),我们可以看到μ和β节奏的运动图像主要分布在IMF1和IMF2。本文所选4的抽样数据电极通道由EMD分解,分别做FFT IMF1 IMF2每个电极通道,和构造实验脑电图数据矩阵( ),对应于本文是8和选中的信息吗μ和β节奏。

3.3。常见的空间模式

传统的CSP算法本质上是寻找一个空间滤波器获得更明显的特征向量信号经过滤波器后,使一种信号的方差达到最大,而另一个信号达到最低。这种方法实现的目的区分两种类型的信号。结合AF信息与CSP的国际货币基金组织(IMF)形成AF-CSP和应用一个和一个(蛋)策略AF-CSP AF-CSP适合多个分类问题,和具体过程如下: 在哪里是转置运算符。然后计算协方差矩阵的混合空间两种类型的运动图像 , 如下:

特征值分解为协方差的混合空间如下: 在哪里特征向量矩阵和吗是对角矩阵特征值。美白矩阵在计算

美白矩阵引起转换矩阵的特征值相等,所以我们计算协方差矩阵转换和在

美白后,矩阵和有相同的特征向量,特征值分解后可以得到以下公式:

所需的空间滤波器是通过上面的形式 后,我们可以得到一个新的数据矩阵过滤 : feature向量可以获得的 在哪里( )。的维数不可以超过最多;在本文中,我们设置 ,所以我们可以得到一个四维的向量。

加上蛋策略,构造特征向量之间每两种类型的行动 在哪里代表AF-CSP弯曲的变换后得到的特征向量(F₁)和扩展(E₁)的肩关节。代表AF-CSP弯曲的变换后得到的特征向量(F₂)和绑架(一个₁)的肩关节。代表AF-CSP转换后得到的特征向量扩展(E₂)和绑架(一个₂)的肩关节。

图5显示了特征向量的一个例子主体由AF-CSP B,由两个MI任务的肩关节屈曲和扩展。在图5的序号,横轴代表实验和纵轴代表了特征值。从图我们可以清楚地看到5,所选的四维特征向量由AF-CSP明显可辨。最后由AF-CSP构造特征向量的方法

3.4。双子支持向量机

TWSVM,这是传统的支持向量机的基础上开发的,是一种新的机器学习方法23]。two-classification问题,TWSVM构造一个超平面的每个类样本,所以,每个类的样本是最接近自己的超平面和远离另一个超平面。TWSVM解决two-classification问题通过求解二次规划问题的一组(QPPs)和支持向量机解决分类问题,解决QPP之一。这种策略使得TWSVM工作4倍标准的支持向量机(24]。

把蛋策略与标准TWSVM蛋TWSVM,和蛋TWSVM有更好的分类性能比蛋SVM (25]。为类分类问题,该算法构造一个two-classification TWSVM subclassifier任何两类样本之间。每个subclassifier蛋TWSVM只需要两类样本进行训练。需要两个超平面来训练两种类型的样本和 ,如 在哪里和两个超平面的法向量和吗和是两个超平面。通常是通过解决以下两个二阶规划问题: 在哪里是惩罚参数和是一个列向量的1。

对训练数据的非线性可分的现象,蛋TWSVM需要解决以下培训两个样品时优化问题和 :

以在二维空间three-classification问题为例来说明蛋TWSVM与图的过程6。采取和在(21)和(22),1和2和解决它们,我们可以得到两蛋TWSVM分类类1和2类,即。,subclassifier 1图6。subclassifier 2和subclassifier 3可以通过类似的方法,这构成了three-classification蛋TWSVM解决问题在一起。以绿点在图中作为一个例子来说明如何使用蛋TWSVM。首先,计算点的距离的两个超平面subclassifier 1;因为点接近的超平面类1类1得到选票。其次,计算点的距离的subclassifier 2以同样的方式;自点接近的一个超平面subclassifier 2在课堂上1类1得到更多的选票。第三,计算点的距离subclassifier 3;因为点接近一个超平面subclassifier 3在2班,二班有1票3班有0的投票。蛋TWSVM分类分类样本到类1。

对于本文的three-classification问题,三蛋TWSVM subclassifiers需要设置6罚参数: , , , , ,和 。本文将集== == 。

3.5。多目标遗传算法

多目标遗传算法的核心是协调目标函数之间的关系,使目标函数达到帕累托最优设置。帕累托最优的解决方案集的质量根据主导地位的标准定义。任何解决方案λ帕累托最优设置可以被视为一个可接受的解决方案。如果一个解决方案λ₁没有比λ₂在所有的目标和λ₁比λ₂至少在一个目标,然后定义λ₁占主导地位λ₂。多目标优化问题可以表示为 在哪里 是目标函数和表示模型的参数。

NSGA Goldberg提出的算法基于适应度共享技术是基于nondominated排序的原则对人群中个体进行分类。它可以获得均匀分布的帕累托最优设置或一系列的解决方案。然而,算法的缺点是计算复杂度高和共享参数需要指定的人类。因此,Deb NSGA-II算法,介绍了快速nondominated排序和精英策略定义拥挤距离而不是健身共享,降低了算法的复杂度,提高了计算效率。NSGA NSGA-II克服三个缺点:从计算复杂度O(锰³)O(锰²)(米的目标和数量吗N是人口规模),一个elitist-preserving方法,没有共享参数需要指定。可以看到更多的细节在[26]。

图7描述应用程序的主导标准NSGA-II算法。NSGA-II算法从一个初始化种群和每个人口中没有比其余的人。以下步骤将NSGA - II与蛋TWSVM优化蛋TWSVM的分类结果。然后产生后代从通过二进制锦标赛选择、交叉和变异。一旦获得外国来源,该算法将结合当前人口和当前一代成一组和分类根据nondominated排序和拥挤距离。在最后一组可获得最优解。

4所示。实验结果分析

4.1。建设的目标函数

使用NSGA - II优化参数,本文运用正确的速度来构造目标函数。给出了目标函数如下:

CRF,CRE,CRA代表正确的弯曲率,扩展和绑架,CNF,CNE,中央社代表了正确行动的弯曲、扩展和绑架肿瘤坏死因子,转,TNA代表总数的弯曲、扩展和绑架。CR代表总正确速度。

4.2。处理步骤

在训练阶段,搜索过程的深入,整个人口往往收集全球帕累托最优设置,直到达到最大进化代数。多目标优化的过程通常有以下步骤:

数据集分为训练集和测试集(50%的训练,50%的用于测试)或5倍交叉验证,并在本文中,我们使用5倍交叉验证在整个分析过程。

改变的参数蛋TWSVM并运行目标函数。

进化代数或停止标准(27]。

分析全球最佳设置得到的最优参数。

表1显示了预设NSGA-II算法的参数。本文的人口规模是100,交叉率和变异率是0.9和0.1。

表2显示的范围为蛋TWSVM惩罚参数和核函数宽度。

表3显示部分的帕累托最优的一组主题和相应的蛋TWSVM使用NSGA-II算法模型参数。

图8显示了帕累托最优方面由所有nondominated解七个科目时达到最佳的识别率。马克分代表最优解决方案。

图9显示了不同主题的进化收敛曲线。从图5可以看到的七个科目取得最高识别率在200代,他们是主题A, B, C, E, F,和他们的精度是91.66%,95.00%,90.00%,85.00%,85.00%。所有受试者继续进化代数增加,直到600代。发现两个主题D和G聚集在200年的一代,即分别为85%和88.33%。受试者F的识别率提高到85%在600代400代和保持稳定。

图10显示的准确性蛋TWSVM分类使用线性内核和RBF内核,分别与相应的惩罚参数c1,c2和核函数宽度λ,和S代表不同的话题。从图可以看出10,蛋TWSVM基于RBF内核实现的最高识别率上六个主题,主题b主题95% D最高识别率出现在线性内核蛋TWSVM为基础,但识别结果只有3.33%不到,基于RBF内核的蛋TWSVM。因此,本文选择基于RBF核蛋TWSVM作为最终的识别模型。

4.3。与其他方法相比

文献[20.)使用二分类运动图像脑电图信号;本文将模型应用到我们自己的数据集进行分类。5倍交叉验证对于每个人的数据,结果,和相应的参数设置如图11。在哪里是惩罚参数,核函数的宽度。从图可以看出11与RBF内核,为生物学科的最高识别率92.09% B,其他五个受试者超过75%,F和最坏的识别率为66.66%。基于上述结果,可以认为这个方法执行不同科目的数据集。

我们也使用与动量BP,榆树,PSO-SVM和网格搜索蛋TWSVM对数据集进行分类。分类的结果如图12。从图可以看出12,该方法(88.57%±3.61%)的平均识别率最高七个科目相对于其他识别算法。二(79.64%±7.47%)、GS蛋TWSVM(79.99%±7.76%),和PSO-SVM(75.95%±7.86%)也有类似的平均识别效果七个主题,英国石油(BP)和平均分类结果(61.70%±6.62%)和榆树在这个数据集(61.42%±5.37%)低于SVM分类器。这表明支持向量机在小样本机器学习分类器有很大的优势。

由于时域信号更相似,尤其是在单一关节运动图像EEG信号,在本文中,我们结合幅频与CSP (AF)域信息,即AF-CSP得到特征向量。不同的传统方法结合时域信号与CSP构造特征向量,房颤信息可以进一步揭示不同动作的区别在频域和振幅范围;因此,CSP可以得到较强的特征提取能力。在本文中,我们比较了分类率后直接使用AF-CSP和CSP EMD,如表所示4。从表可以看出3,该方法5科目中取得了较高的识别率,这可能解释AF-CSP是一个更有效的特征提取方法。

为了区分的意义该方法在这篇文章中,单向方差分析(方差分析)方法被用来与其他五位算法。的p值值如表所示5,在那里p1,p2,p3,p4,p5代表之间的假定值方法和回归模型,BP,榆树,蛋TWSVM PSO-SVM和网格搜索。当p≤0.05,有显著性差异的两种算法之间的识别效果。从表可以看出5这一p值方法和其他五个方法明显小于0.01,这证明了该算法与其他算法相比具有显著地提高分类性能。

5。讨论

常见的空间格局是广泛应用于汽车图像提取脑电特征(28]。这个方法使用监督学习,获得两种类型的过滤分离两个运动图像的任务。近年来,几种方法像CSSP29日],RCSP [30.],SSCSP [31日],FERCSP [32],SBCSP [33],FBCSP [34)被用来改善传统CSP。但CSP的缺点是它需要大量的电极。AF-CSP,考虑到AF EEG信号中的信息,只使用四电极通道比传统CSP达到更好的识别效果。

和一个优化使用NSGA-II蛋TWSVM是用于提高汽车图像的准确性;该方法的平均精度为88.57%±3.61%。然而,由于没有文章符合本文的内容,我们只能讨论文章,类似于我们的研究内容。文献[18)指出,人工提取的特征在传统的生物信号模式识别模型可能产生信息损失;因此,CNN的深度学习介绍识别脑地形图的变化。结果表明,三种运动图像的手和kappa值65.51%在这个实验中是0.481。然而,仍有大量的单手意图识别的不确定性。在[19),脑电图信号的小波系数计算等特性,采用二次判别分析,朴素贝叶斯二次,决策树,K最近的邻居,支持向量机分类器识别肩部和肘部关节运动。最高识别率为84.91%,使用支持向量机分类器。本研究的缺点是它只能识别的肩部和肘部关节运动和没有进一步分析复杂运动的单一关节。

应该注意,我们使用AF-CSP提取特性和增强CSP的特征提取能力。蛋TWSVM用于识别三种类型的上肢运动;最低的识别率为85.00%。与目前的研究相比,我们有了更深入的分析单关节多级运动图像。可以通过使用更复杂的分析意味着混淆矩阵表中给出6和kappa值计算表6是0.82。扩展行动似乎更难区分弯曲和绑架的肩关节使用该方法。肩关节的弯曲和扩展通过该方法获得较高的识别率。

此外,(35)提出了一种新颖的correlation-based时间窗的选择(CTWS)算法中考虑时间延迟的变化对MI-based BCI MI的任务。CTWS调整时间窗口的起始点进行训练和测试样本使用相关分析和显示显著改善没有CTWS比特征提取算法。的特征提取算法的结构CTWS算法是可替换的,接下来的重点工作是结合CTWS AF-CSP提高识别率的BCI系统扩展和应用这一模型。

6。结论

本文提出了AF-CSP取代传统的EMD-CSP方法。该方法的主要思想是分析μ和β节奏信息包含在每个国际货币基金组织(IMF)组件后EMD分解并提取相应的房颤的信息。这种预处理方法不仅消除了影响不相干的频段,也加强了CSP的特征提取能力。其次,本文还使用NSGA-II优化蛋TWSVM参数优化过程。与其他进化策略相比,帕累托最优设置通过NSGA-II可以使蛋TWSVM更健壮。在未来,我们可以用这个技术来评估实时BCI的分类和应用这个方法达到和把握任务的机械手臂。为了提高识别率的方法,我们可以使用集群或降维方法来获得一个更明显的特征向量。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。