文摘
脑机接口(BCI)是一个快速发展的技术,旨在支持个人遭受各种障碍,最终,改善日常生活的质量。感觉运动节律BCIs演示虚拟或物理外部设备控制成果显著,但他们仍然面临着一系列的挑战和局限性。主要挑战包括多个自由度控制、精度和鲁棒性。在这项工作中,我们开发一个多级BCI解码算法,利用脑电图(EEG)源成像技术地图头皮电位皮质激活,来弥补低空间分辨率的脑电图。空间特征提取使用公共空间格局(CSP)过滤器在皮质源空间的选择感兴趣的区域(roi)。分类是通过执行一个整体模型,基于个人ROI分类模型。评价进行BCI竞争第四集2,哪些特性4运动图像类参与者从9。我们的结果显示平均精度提高5.6%对CSP的传统应用程序方法在传感器上。前神经解剖学的约束和神经生理学知识起着重要的作用在发展中源天基BCI算法。特征选择和分类器的特点,我们的实现将探索提高当前最先进的性能。
1。介绍
脑机接口(BCI)正成为一个有前途的康复技术,旨在建立大脑活动和外部设备之间的连接。最近的进步入侵BCIs演示执行复杂的运动任务使用大脑信号的可行性等残疾患者严重的脊髓损伤和四肢瘫痪(1]。作为入侵bci使用颅内电极来测量大脑皮层电活动,植入或直接躺在皮质表面如electrocorticography (ECoG),它们的使用是有限的,由于伦理、医学和生理问题(2]。和侵入性好像没有这些限制,使用最广泛的非侵入性形态,在头皮脑电图(EEG),使用电极测量推断大脑皮层的活动。
各种大脑信号的类型和特性被用来解码因为它使得基于脑电图的无创性BCIs用户意图,如视觉诱发电位(VEP) P300反应,减缓大脑皮层电位(SCP),和感觉运动节奏鼻中隔黏膜下切除术后(),但几3]。或μ(阶梯短环到超级扁环μ)节奏,通常以α8—13赫兹的头皮感觉运动皮层区域覆盖,可以调节电动机执行期间或运动图像(MI)的任务,和bci解码被称为SMR-BCIs这种类型的信号。运动图像显示相似的大脑活动模式和交流电动机执行(4,5]在研究和开发的领域SMR-BCIs带来了一些引人注目的应用程序从一个游标的精确控制在二维空间(6),控制在3 d空间quad-copter [7),为达到控制机械手臂和掌握任务(8),和控制轮椅的9]证明这项技术的潜力。
尽管如此,无创性bci也关于可靠性特性的限制,速度和准确性和克服许多挑战,以满足研究和随意的日常使用需求。成功的关键特性SMR-BCIs涉及分类精度,性能鲁棒性和异步和直观的控制,需要多个电动机的解码图像的任务。控制外部复杂设备具有多个自由度,如机械手臂或一个假肢,可以更好地实现利用电动机意象类目的相关的终端执行器运动(10,11),使控制更加直观,因此需要更少的时间进行训练。
此外,脑电图的固有缺点包括低信噪比(信噪比),空间分辨率低、不精确和间接测量大脑活动主要归因于体积传导效应。这种效应描述了大脑的电场的传播而传播通过脑脊液从源空间,头骨,和头皮达到头皮表面电极躺的地方,被称为传感器空间(12]。降低音量传导效应,研究大脑皮层的大脑活动,源成像技术是常用的地图头皮电位脑电图传感器在皮质皮质激活地幔(13,14]。低信噪比的研究搜索空间过滤器中提取脑电图组件反映用户的意图。在这种背景下,常见的空间模式(CSP)方法提取空间特征提出了事件相关de /同步在运动图像(15]。CSP过滤器是空间过滤器设计最大化输出的功率差异给予不同的脑电图类(15]。CSP过滤器是歧视类和视为一个有效的方法是最流行的一种特征提取方法在BCI领域(16),也有多个扩展(17- - - - - -20.]。非凡的分类结果已经报道的研究,实现了CSP算法或其变体(21,22]。
在当前的研究中,我们将描述一个BCI算法的发展,旨在解码多个(4)MI的任务。为了克服空间分辨率较低的问题,我们使用源成像和提取功能的皮质源空间选择感兴趣的区域(roi),使用公共空间模式过滤器。最后,分类执行与一个分类模型,协同使用选定的roi的分类模型,为了提高分类精度。
2。材料和方法
2.1。BCI竞争数据集
BCI竞争第四2数据集被用来开发和测试BCI解码算法。数据集包含录音从9健康受试者,执行4运动图像的任务,右手臂,左手臂,脚,和舌头23]。主题包括2会话的数据,一个用于培训和另一个用于评估。每个会话由每个MI的72次试验任务,总共288次试验,记录22脑电图频道和3单极眼电图(小城镇)通道(左乳突作为参考)。在我们的研究中,只使用训练数据。
每个试验(初t= 0),黑色背景白色交叉出现,2 s,箭面向右,左,或向下通知执行相应的MI任务(图1)。箭头出现在1.25 s,受试者被要求继续执行MI任务,直到白十字消失了(t= 6 s)。
2.2。信号预处理
只在执行信号分析EEG电极,和此次渠道被排除在外。平均参考使用,数据在7 - 15赫兹带通滤波使用零相位数字滤波器来捕获事件相关去同步化和同步(ERD / ERS)活动(24]。随后,500年的数据在100 Hz down-sampled和时代msec和时代的视觉线索后3000毫秒的时间。数据可视化检查坏通道但没有被排除在外。预处理是使用一个自定义执行实地考察脚本(25]。
2.3。反问题解决方案
脑电图源成像部署减轻低空间分辨率和低信噪比由体积传导引起的。脑电图源成像传感器活动映射到大脑皮层神经电流分布在固定位置。源活动定义的电流偶极子,在一个网格的顶点MNI皮质表面模板,该模型神经元的电活动组发射同步(26,27]。来源的估计从脑电图记录构成反问题的解决方案,同时提出的问题是由以下方程描述(假设零噪音)(27]: 在哪里是矩阵的脑电图数据,是lead-field矩阵(也称为增益矩阵),将源数据映射到传感器数据(),是偶极电流密度()。是电流偶极子的数量,脑电图通道的数量,是测量的数量。解决提出问题由计算lead-field矩阵,称为头或转发模型,模型如何通过不同的电流源头隔间(头皮、颅骨和皮层)头皮表面。
蒙特利尔神经学研究所(MNI)科林27 MRI通用模板(28)是用作默认的主题结构计算three-compartment(头皮、颅骨和皮层)头模型与对称边界元法(BEM)使用OpenMEEG [29日]。默认的头脑风暴科林27皮层down-sampled使用iso2mesh [30.]5023顶点,和头皮的相对电导率值/头骨/大脑被认为是1:1/15:1,和(31日]。所有5023偶极子都假定约束的皮质表面方向垂直于表面,基于假设脑电图主要信号来源是当地团体锥体神经元的同步发射,位于皮层和安排垂直于其表面(26,31日]。
鉴于lead-field矩阵,逆脑电图的问题由偶极子的电流密度D(1)。这是一个高度欠定的问题由于偶极子的数量(来源)是在成千上万的顺序和脑电图通道的数量最多数百的顺序,在实践中,这意味着不同的电流分布(大脑活动)会导致精确脑电图传感器的值。在不同方法求解反问题,这解决了加权最小准则估计(wMNE)方法使用头脑风暴工具箱[32- - - - - -34]。传感器噪声协方差矩阵,计算所需的解决方案,计算了静息状态的时期在会话的开始。
2.4。感兴趣的区域
皮质感兴趣的区域(roi)的感觉运动皮层减少维度上定义的源数据来自反问题的解决方案,在解剖限制和针对提取有价值的信息与MI任务(11,35]。24 roi定义基于神经解剖学的地标和Broadman领域,描绘在图2。定义roi包括双边presupplementary运动区(pSMA),辅助运动区(SMA),扣带皮层运动区(CMA),背侧前运动皮层(PMd)和腹侧前运动皮层(Pmv),主脚运动区(M1F),主手运动区(M1H)和主唇运动区(M1L),初级躯体感觉区(S1F),初级躯体感觉区(S1H),二级躯体感觉区(S2)和躯体感觉皮层(囊)。在ROI分析,源times-series躺在地幔只在定义的ROI进行了分析,从分析排除所有其他的来源。
(一)
(b)
(c)
2.5。特征提取
特征提取是在源代码级别执行,尤其是在roi数据。常见的空间模式(CSP)过滤器是一个最常用的特征提取方法在BCI域(16]。假设数据两类,例如,左翼和右翼的运动图像,CSP算法计算空间过滤器最大化方差的比率的数据源于两类。因此,提取的信号最优判别两个不同的脑电图类揭示空间模式时不同的类(15,17]。空间过滤信号脑电图的审判是由 在哪里是一个矩阵代表脑电图为给定的试验和测量数据是投影矩阵称为CSP的行空间过滤器设计输出信号的方差的比例最大判别输入数据的两个不同的类。
原始CSP算法已经开发了两类问题,虽然存在多级扩展(17,37]。因为这个工作是多类的分类问题,CSP的多级扩展使用One-vs-Rest方案部署,过滤器,每个类的最后第一特征向量选择(15]。CSP过滤器计算在训练阶段,意味着数据的协方差矩阵习惯于四类。
在这个工作中,CSP过滤器被应用到源数据,他们在每一个ROI计算电流偶极子时间序列。假设当前的偶极子times-series ROI问,这是由于反问题的解决(1),和CSP过滤数据的计算 ,ROI-CSP过滤器的输出
特征向量的ROI问,提取从CSP过滤器输出和它的每个组件, ,p= 1,…,l,给出 在哪里是p矩阵的行 ,的输出信号pth CSP滤波器输出。为每个选定的ROI结果重复这个过程问特征向量的l= 8元素,问在哪里选择roi的数量。
2.6。分类
一个分类模型用于预测的MI的任务38),见图3。它支持一个方法使用多个独立的分类模型可以提高分类性能39,40]。一个独立的分类模型建成为每个选定的roi,和最后的分类结果被选中的推理(融合)机制。K最近的邻居(资讯)、朴素贝叶斯决策树、线性判别分析(LDA)分类器进行了LDA拥有性能优越,因为它是在结果部分。ROI分类模型是基于LDA和推理机制的多数投票选择ROI分类模型。选中的roi是问最精确的roi据在下一小节中介绍的选择过程。
2.7。ROI的选择
定义的roi扩展运动皮层,而大脑皮层活动进行电动机的有关图像的任务只是派生的一个子集定义roi。roi选择基于分类模型的准确性。为了选择最准确的ROI, 10倍交叉验证用LDA分类器进行ROI的水平,这是重复10次,以确保更健壮的结果(在每次运行,CSP过滤器的计算是基于不同的数据)。的问= 8最精确的roi。数量是基于推理机制的参数分析结果的准确性。运行参数分析为不同的主题,并选择roi将的数量问= 8。
分类方案的性能在源空间进一步相比性能上的传感器空间使用相同的设置(10倍交叉验证的LDA分类重复10次)。传感器空间,CSP的过滤器是预处理脑电图数据计算。此外,为了更好地评估开发方法、性能方面的科恩kappa统计,一个有用的度量多级预测问题,比较BCI的获胜者竞争第四集2 (23,33]。竞赛的优胜者部署在多个频段CSP (FBCSP)作为特征提取的方法,共同信息化最佳个人特性(MIBIF)特征选择的算法,和朴素贝叶斯Parzen窗口(NBPW)分类器21,41]。
3所示。结果与讨论
3.1。分类精度
四种不同的分类器进行测试来选择分类器的预测。LDA,然而,朴素贝叶斯决策树被执行10倍交叉验证测试,在所有科目的10倍。LDA与预测精度最高的性能优越在所有科目中,意味着精度为54.1%。朴素贝叶斯以46.9%位居第二,其次是决策树和资讯为45.5%和44.5%,分别为(图4)。
源分类方法实现持续高准确率在所有科目(43.7%到74.5%),传感器方法相比(37.7%到73.4%),如图5并显示在表1在下面。比较发达的方法的性能BCI竞争的获胜者IV的数据集2科恩kappa统计(42,43(多级预测)提出了表2。
分类敏感性和特异性,也称为真阳性和真阴性率分别表中演示了源和传感器之间的方法3- - - - - -6。在受试者中,源方法的意思是真阳性的左臂高出11.1%,高出5.2%的右臂,和更好的率为3.3%和1.9%的脚和舌头图像,分别。传感器的平均差异源真阴性率为所有类指标较低,−1.2%,1.9%,2.9%,3.6%,左,右手臂,脚,分别和舌头图像。
3.2。选择roi
ROI选拔程序执行的所有主题,表现出有趣的主体属性。如图6、对称的左和右S1H M1L, M1H,和CMA roi,问= 8,大多数选择在所有的科目中,左和右S1H,和左M1L M1H, CMA被选为所有9个主题。A06T,受试者A02T A09T pMd_R, SAC_L,和S2_R选择而不是M1L_R M1H_R,仍然和CMA_R,分别有7 8选择roi是最频繁的。最常选择的roi的说明图7大脑皮层上地幔模型。
3.3。讨论
无创性BCI系统成为一个有前途的康复目的和安全解决方案与入侵BCIs相关健康风险和伦理问题(44),但他们的商业用途仍然阻碍了低性能和不稳定。尽管许多已经证明SMR-BCI应用程序(8,9,45),无创性bci仍然遭受低信噪比。在我们的工作中,我们调查的使用源成像和后续的应用CSP在源空间来弥补头卷上传导通过映射头皮电位皮质激活(46]。有几项研究支持BCI算法优于基于源空间特性的传感器(11,47),观察,证实了在我们的研究中,比较分类结果传感器和源空间。我们BCI算法使用,尤其是来源属于选择感兴趣区域(ROI)运动皮层对特征提取和ROI的系综分类模型利用数据。
尽管我们的算法没有达到的精度水平的取胜方法BCI竞争,在ROI的选择过程中,常见的ROI出现在所有科目。出现roi是解剖和神经生理学与MI任务,连接方法的结果与神经系统数据。考虑到运动涉及的任务竞争运动图像的双臂,舌头,和脚的、一致的选择主手运动区和主唇运动区(皮质表征手和脸的初级运动皮层)似乎非常有前途。扣带皮层运动区也被认为是非常重要的感觉运动网络的节点,已经证明驱动感觉运动过程(48,49]。这是我们坚信选择roi,作为由发达算法,验证我们的结果之间有明显的神经解剖学的和神经生理学联系这些roi和运动图像数据集执行的任务。
我们的方法似乎意味着精度提高5.6%和0.07科恩kappa值在所有科目中,对传感器的方法。当我们的算法相比,BCI竞争的赢家(FBCSP),平均精度由0.19科恩kappa值要低得多。我们的算法基于kappa值的性能被认为是温和而获胜的实施被认为是实质性的(40]。我们认为这种差异是由于特征选择和分类器使用的赢家。FBCSP生成CSP特性产生多个不同频率的特征,在特征选择过程是一个至关重要的组件检测最可辨别的特性(41]。另一方面,我们基于源代码的算法似乎增加科目的分类精度最差表现,即A04 A05, & A06可以见图5,超过传感器算法平均准确率为7.5%。然而,不能导致安全标识的趋势的结论,因为我们不能推断统计学意义的结果,需要进一步调查数据与更大的人口的主题。此外,系综分类使用,为了提高分类精度,通过协同部署独立的ROI分类模型。多数投票的ROI分类模型被用来作为最后的分类结果,尽管考虑到加权投票ROI-MI任务关系在未来可以考虑。
3.4。局限性和未来的步骤
在这项研究中,一个通用的模板three-compartment本模型是用来解决提出的问题。提出问题解决方案引发的一个重要误差源估计,在先前的研究已经广泛探索(50,51]。主要提出问题错误诱导因素(a) MNI模板的使用核磁共振数据而不是受试者的个人神经解剖学和(b)的缺失脑脊液(CSF)建模。模板解剖学是用于所有科目,错过重要的几何信息对于每一个主题,产生一个lead-field矩阵将脑电图传感器数据转换成模板皮质歧管不同于真正的一个。CSF舱信号地形和大小有很大的影响,导致强烈的信号衰减对浅源旋转的克朗(52]。这种效应称为高之间的导电性增加传感器和来源。在未来的努力解决这个问题,4 -或5-compartment头模型包括CSF和头骨将使用各向异性,建模与有限元素(53]。
有两个主要缺点的使用CSP方法没有处理这项工作。首先,CSP过滤器是容易产生噪音和过度拟合,第二是CSP性能高度依赖于输入信号频带个人主体BCI性能可靠的各个频段使用(20.,21]。有许多变体旨在克服传统CSP算法的局限性,流行的变体是解决噪声和过度拟合的RCSP正规化和FBCSP更好的捕捉单个主题多频带滤波器特性选择,分别,而新引入的方法结合了上述的方法(20.,21,39]。
未来的工作将集中于更好的CSP过滤器提取和使用特征选择和更复杂的整体模型,为了提高算法的性能。自从解剖学用于模型是常见的在所有科目和选定的roi是常见的在所有科目中,我们想要检查算法的潜在转移学习主题之间。有一项研究支持,通过源空间转移不同学科之间的学习可以达到更高的平均实验分类精度比用传统方法(54]。以外的第四BCIC 2的数据集,是一种常见的评估方法解码多个MI,我们的目标是评估的改进方法在数据集我们编译CSI:脑波项目,包含脊髓损伤患者脑电图数据的健康或执行多个运动图像主要的上肢36,55]。
4所示。结论
源评估和应用CSP过滤器的源空间构成一个有前途的解决方案来提高分类精度的无创性bci。我们的方法在解码能力证明了多个汽车图像的任务比等效传感器精度的方法。虽然我们的实现仍然不是优于BCI的艺术状态的算法,特征选择和分类器特征可以提高性能。前神经解剖学的约束和神经生理学知识可以发挥重要的作用在发展中源天基BCI算法。我们的结果表明,所选的roi是常见的在所有科目中,这可能值得进一步调查在转移的背景下,不同学科之间的学习。
数据可用性
BCI竞争第四集可用http://www.bbci.de/competition/iv/。在此描述的数据分析可以从作者要求。
伦理批准
本研究描述了一个新颖的公开数据集的分析。它不描述新的实验在人类身上进行的。
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
这项研究的一部分进行开发项目的CSI:脑波,支持2018年“Brihaye”指研究基金会资助。这项研究是由欧盟支持的地平线2020研究和创新项目赠款协议。681120 SmokeFreeBrain项目。