文摘

背景。由于多通道脑电图(EEG)信号中包含的冗余信息,分类精度的脑-机接口(BCI)系统可以在很大程度上恶化。信道选择方法可以帮助去除task-independent脑电图(EEG)信号,因此提高BCI系统的性能。然而,在不同的频段,与运动有关的大脑区域在图像并不完全相同,这将导致传统的信道选择方法无法提取有效的脑电图特征。新方法。为了解决上述问题,本文提出了基于常见的空间模式的新方法——多频乐队(CSP)排名通道选择脑电图(CSP-R-MF)。它结合了多波段信号分解过滤和CSP-rank通道选择方法选择重要的通道,然后线性判别分析(LDA)用于计算分类精度。结果。结果表明,我们建议的CSP-R-MF方法可以显著提高平均分类精度与CSP-rank通道选择方法。

1。介绍

脑机接口(BCI)技术使人类的大脑与外界沟通直接通过脑电图(EEG)信号,近年来引起了相当大的关注1]。好像可以将大脑信号转化为输出命令,允许用户控制外部辅助设备(如轮椅、机械臂等)(2,3]。BCIs以来为人们交流提供一个替代方法没有使用周围神经和肌肉,显示一个伟大的价值,例如,帮助病人有严重的神经肌肉疾病如脊髓损伤或肌萎缩性脊髓侧索硬化症恢复他们的沟通途径和控制环境(4,5]。

与诱发电势BCIs相比,运动图像(MI)等优势,成为独立的基础BCIs外部刺激和容易操作。MI-based BCI已被证明是适合机械控制和运动康复训练(6]。然而,大脑信号用于控制MI运动受到许多问题,包括但不限于低空间分辨率和低信噪比和容易受到强构件(7,8]。研究人员使用的许多特征提取方法解决这些困难,如小波变换、小波包变换,自回归(AR)模型,常见的空间模式(CSP)。尤其是CSP,已被广泛用于特征提取提高MI-based bci的性能(9]。使用多通道信号往往达到良好的分类性能(10]。然而,多通道信号通常携带大量的冗余信息,因为它使得基于脑电图引入了额外的噪声来源和可能减少汽车图像分类精度相比,少量的最佳脑电图频道(11]。频道选择可以有效地排除冗余通道并选择最优MI-based bci的大脑区域。因此,渠道的选择是一个重要的特征提取方法MI-based BCI [12]。

近年来,研究者已经提出了很多算法进行频道选择,如顺序向前漂浮的选择(设定触发器)12),相互信息化渠道选择方法(13),支持向量机的递归特性消除(SVM-rfe) [14],CSP-rank [15,16]。其中,CSP-rank是最常用的信道选择方法之一(15,16]。CSP-rank使用CSP算法获得的投影矩阵排序和选择渠道。

脑电图是固有的噪声,信噪比是影响性能的一个重要因素bci [17,18]。提出了许多算法提高脑电图的信噪比。例如,空间稀疏常见的空间模式(SSCSP)方法,提出了在19),强大的举重运动皮层的区域内和光滑的重量。工作(20.)提出了空间正规化常见的空间模式(SRCSP)方法。斯莱姆et al。21)使用均方根(RMS) LDA分类器的特征作为输入。此外,戴et al。22)提出了转移内核常见的空间模式(TKCSP)方法来定义相匹配的域不变的内核部门在源和目标对象。公园等。23]使用noise-assisted多元扩展的经验模态分解(NA-MEMD)达到一个高度本地化的时频表示。在[12),秋等人提出了改进顺序向前漂浮(设定触发器)方法,选择相结合的分配渠道和一个聪明的选择方法(设定触发器)选择渠道MI-based BCI CSP。最后,冯et al。8)设计一种新型correlation-based时间窗的选择(CTWS)算法MI-based bci解决之间的时间延迟变异MI期间试验为每个参与者。这些算法在不同的方法成功地提高脑电图的信噪比。

皮质的位置最积极参与运动控制不同脑电图频带(24]。因此,在不同频段选择渠道可能会进一步增加提取的特征的辨别力。然而,传统的CSP-rank信道选择方法和前面的特征提取算法没有考虑信道配置的差异在不同的频段(12,15,16)和无法抑制的干扰脑电图特征不同的频段,从而导致性能的退化。本文提出了一种新的CSP-rank渠道选择方法,考虑了信道配置在不同的频段增加提取的特征的辨别力。CSP-rank通道选择方法被用来选择在一定频段下的通道,然后CSP的特性提取使用选定的频道。提取的特征从所有频段被连接成一个特征向量,进一步好转的最绝对的收缩和选择算子(套索)。线性判别分析(LDA)被用来展示的表现方法的分类器对分类精度的影响。

本文结构如下:部分2描述了应用数据集和该方法。部分3显示了评价结果。部分4介绍了关于我们的方法的讨论。最后,给出了结论部分5。

2。方法

2.1。描述数据的

数据集1 (BCI竞争第三集IVa):这个数据集从118参与者与脑电图记录频道。视觉线索是显示在一个随机的时间间隔为3.5秒均匀范围从1.75到2.25。在实验中,参与者被要求执行MI运动的三个类:左手,右手和右脚的动作。只有数据类“右手”和“右脚”提供评价的目的。分别为每个类,每个参与者进行140次试验。0和3.5秒时间窗口,相对于提示演讲时间,用于特征提取。实验流程如图1(一)。更详细的数据集可以在以下网站:http://www.bbci.de/competition/iii/desc_IVa.html。

(一)
(一)
(b)
(b)
图1
说明试验的实验协议数据集1 (a)和数据集2 (b)。(b)代替从冯et al。8](下知识共享归属许可/公共领域)。

数据集2 (BCI竞争第四集1):数据集从7参与者59脑电图记录通道采样率为100 Hz,包括四个健康个体和三个人为生成”的参与者。”,本研究的目的,只有校准数据(包括两个运行总计200试验)的四个健康人。每个参与者选择两类运动图像从三个可用的类左手,右手,脚运动图像。每个试验中从一个视觉提示指向左边,或下降。线索是显示一段4 s,在此期间,参与者被指示执行暗示汽车图像的任务。这些时间与2 s交错的空白屏幕固定交叉显示在屏幕的中心。固定交叉重叠的线索,即。,它展示了6 s。时间窗口在0.5和2.5之间年代用于特征提取。实验流程如图1 (b)。更多细节可以在以下网站:http://www.bbci.de/competition/iv/desc_1.html。

2.2。CSP-Rank

CSP-rank提出了基于CSP的排序滤波器(13,25]。CSP寻求投影矩阵最大化方差为另一个类一个类,减少方差同时为了最大化数据集的辨别力跨类援助分类。CSP操作实现如下: 在哪里 投影向量表示C1和C2代表的空间协方差矩阵两类,分别。我们可以认为这是发现问题的广义特征值: 在哪里D表示包含的特征值的对角矩阵C1。我们选择特征向量SF1 SF2对应于最大和最小的特征值,分别 投影矩阵。这些滤波器系数是用来分配不同的权重不同的电极根据它们的重要性。如果一个特定的电极系数大,那么这意味着电极更重要。

最初的脑电图数据前需要过滤选择频道。为了达到这个目标,一个5阶巴特沃斯带通滤波器从8赫兹到30 Hz是用来过滤脑电图数据(12]。CSP-rank方法首先发现了两个CSP过滤器SF1 SF2,然后排序滤波器系数的绝对值SF1 SF2,分别把电极与第二大系数依次从这两个空间过滤器。如果一个电极已经采取,过程简单地移动到下一个在同一空间滤波器系数,直到一个新的电极。搜索过程没有停止,直到停止准则实现。停止准则选择是准确的数量不再增加,选择频道。

2.3。基于CSP-Rank信道选择方法对多个频段

图2显示了图结构优化方法的脑电图通道选择。多波段信号分解滤波(25)是应用于脑电图信号记录从所有频道。之后,该CSP-rank减少冗余通道的应用方法,并从每个频带特征与CSP提取。所有功能提取各频带被连接成一个特征向量。判别特征的套索选择特征向量。最后,LDA用于模型训练和计算精度。下面的内容将提供更多细节关于CSP-R-MF方法。


图2
CSP-R-MF算法的结构图。
2.3.1。多波段信号分解滤波器

一个固定的时间窗口从试验中提取的所有参与者的数据集。这个时间窗口开始后提示(开始想象运动的参与者)和延长3.5秒数据集1和2秒数据集2(最好的窗口长度的分类数据集2被发现在1 s, 1.5年代,或2 s [26])。此后,七个频段被认为是覆盖8-30赫兹范围。一个基于巴特沃斯滤波器是利用提取每一个乐队。考虑带宽4赫兹。因此,七个乐队被定义为8 - 12赫兹,12到16赫兹,16 - 20 Hz, 20 - 24 Hz, 28赫兹,28 - 30赫兹,和8-30赫兹。

对于每个主题,CSP-rank选择用于删除几个频道每个频带的七个频段。此后,CSP也应用在每个频率。接下来,CSP的特征是连接形成一个高维的特征向量,而遭受了冗余和不相关的信息。这样的一个特征向量可能混淆分类器。因此,需要一种有效的特征选择算法只选择最相关的特征。

2.3.2。至少绝对收缩和选择算子

拉索是一种基于过滤器特征选择方法,不依赖于任何分类器;相反,他们选择功能根据统计标准。这个选择方法是平均相比更多的时间效率和抗过度拟合wrapper-based特征选择方法(27]。它也被证明是有效的在特征选择MI-based bci [28]。算法的目标是最小化残差和绑定的平方误差的总和的线性回归系数的绝对值小于一个给定的常数。相对应的功能将自动被丢弃系数0。套索最小化的功能: 在哪里 是样品的样品,y我是样品的反应吗我,x我是n维输入向量样本我, 是一个负的正则化参数, 和 回归参数( 是一个标量; 是一个n维向量)。作为 增加,非零组件的数量 降低了。提到的参数的值被设置为默认值在MATLAB R2015b内置套索功能。

2.4。分类方案

我们使用n倍交叉验证的性能验证。所有样品被分成n为每个折交叉验证模块。九块作为训练数据,剩下的一个街区被用来作为测试数据。最后,平均分类精度n倍交叉验证被选为评估标准。对于数据集1,每个参与者都需要对每个类进行140次试验;我们选择20无重复140次试验的试验测试数据,其余为每个交叉验证试验作为训练数据。所以,7倍交叉验证最终被选为绩效评估。然而,每个主题需要为每个类执行100次试验数据集2;我们选择10道无重复100次试验的测试数据,其余为每个交叉验证试验作为训练数据。所以,10倍交叉验证最终被选为绩效评估方法。LDA被选为分类器。它分类样本之间的距离最大化类和组合方差最小化,通常是用于研究运动想象BCI系统(5]。

2.5。滤波器组常见的空间模式

滤波器组常见的空间模式(FBCSP)提出的Kai et al。29日)进行自主选择关键时间空间的区别的脑电图特征。FBCSP包括四个渐进阶段的脑电图测量处理:频率过滤(本文选择了巴特沃斯5倍),空间滤波本文选择(CSP),特征选择(本文选择套索),和分类本文选择(LDA)。在第一阶段,多波段信号分解滤波器应用于EEG信号。在第二阶段,CSP是用于提取每个频带的EEG信号的特性。此外,所有功能提取各频带被连接成一个特征向量。在第三阶段,特征向量的区别的部分是自动选择套索。在第四阶段,选择LDA对CSP的区别的部分功能进行分类。

3所示。结果

总体精度行为中所有受试者平均每个数据集如图3。可能观察到CSP-R-MF达到更好的性能分类精度。一开始,分类精度日益增加对应于选中通道的数量。分类精度不会进一步增加或减少一点,当越来越多的频道。的峰值点是30 118渠道的数据集和峰值点24的59渠道数据集2。所以我们选择,分别为24的59渠道数据集1和30 118个频道的数据集2后脑电图分析在每个频带。集团级统计并不像我们没有足够的参与者的报道。

(一)
(一)
(b)
(b)
图3
总体精度曲线显示精度与不同数量的渠道行为数据集1 (a)和数据集2 (b),通道的数量是CSP-rank算法的停止标准。总体精度曲线平均在每个数据集在所有科目。红色和蓝色线表示的平均精度验证曲线两个方法,分别。

图4显示了这两种方法ROC曲线。红色的线条代表的准确性通过CSP-R-MF方法提出了本文,蓝线代表CSP-rank精度实现的方法。显然,与蓝线,红线一般往往是在左上角的图。这意味着该模型通过本文提出的方法比CSP-rank得到的模型具有更好的性能。


图4
ROC曲线的两种方法对数据集数据集1和2。

图5显示了分类精度的两种方法实现。横轴表示这个话题,纵轴表示分类精度。红酒吧代表CSP-R-MF结果,蓝色栏代表CSP-rank结果。CSP-rank相比,CSP-R-MF的分类精度提高了7.05% (75.43% VS 82.48%)为数据集1和2 7% (70.75% VS 77.75%)数据集。 值表示显著性水平。越小 价值,重要性越高。在数据集1中,CSP-rank相比,受试者aa的分类精度,艾尔,av,啊,,啊,,分别提高15.36%,0.62%,6.07%,8.57%,和4.64% CSP-R-MF。CSP-rank相比在数据集2,科目的分类准确性S1, S2、S3、S4是,分别提高5%,5.5%,14.5%,和3% CSP-R-MF。

(一)
(一)
(b)
(b)
图5
该算法的性能比较与CSP-rank CSP-R-MF数据集1 (a)和数据集2 (b)。

我们还比较了CSP-R-MF和FBCSP的性能。比较结果如表所示1。FBCSP相比,CSP-R-MF的分类精度提高了2.91%,数据集1为7%,数据集2。表2展示了电极之间的通信和数字。

表1
建议的方法的分类精度和FBCSP。
表2
电极之间的对应关系表和数字。

4所示。讨论

良好,电动机意象产生与事件相关的de \同步(ERD \ S)在感觉运动区域内μ节奏8—13赫兹()和β频带(13-30 Hz) [7]。因此,带通滤波器用于测量ERD / S 8至30 Hz (8,12]。这个频段可以进一步分为7部分波段(4 - 8赫兹,8 - 12赫兹,12到16赫兹,16 - 20 Hz, 20 - 24 Hz, 28 Hz, 28-32 Hz, 32-36赫兹,和36-40 Hz)的影响研究电动机想象BCI控制频带选择,提出在工作部分波段常见的空间模式(SBCSP) [30.)和FBCSP。发现MI-based BCI的性能与这些频段。然而,最好的频带是不完全相同的主题。在本文中,我们选择7乐队(8 - 12 Hz, 12到16赫兹,16 - 20 Hz, 20 - 24 Hz, 28 Hz, 28 - 30赫兹,和8-30 Hz)研究刺激大脑活动在运动图像在不同的频段。

特征提取是最重要的步骤之一,对电动机的分类图像脑电图(31日]。特别是,CSP,空间特征提取方法,已成为最常用的方法在MI-based BCI系统(12,32]。然而,CSP的性能容易受到干扰信号。通道选择算法选择与汽车相关的通道图像和消除了通道无显著影响电动机的分类图像的活动。这提高了EEG信号的信噪比。与运动有关的大脑区域在图像不一样在不同的频段17]。因此,渠道选择不会是一样的在不同的频段。

在这项研究中,提出CSP-R-MF算法认为是大脑区域参与运动图像的变化在不同的频段,并自动选择渠道通过CSP-rank每个频带的方法。图6显示了渠道选择的地形图CSP-R-MF在不同的频段。所选频道标有不同的颜色根据每个通道被选中的次数。


图6
选择两个渠道的地形图数据集在不同频段。渠道选择三倍以上的受试者明显。通道选择CSP-R-MF算法8-30赫兹频段被CSP-rank算法选择的相同。电极可以在表中找到2与地形的数字地图。

如图6,选择渠道的分布是不同的在不同的频段。然而,他们主要分布在大脑皮层的运动区。这反映了运动图像经常观察到的事实涉及到相关地区的运动皮层脑电图活动(31日,33]。渠道选择下几个频段没有主要分布在运动领域。例如,所选通道16 - 20赫兹和28 - 30 Hz乐队没有主要分布在汽车领域数据集1,然而,大多数选择频道的这两个乐队数据集2位于运动区。

中华民国曲线是一个工具来评估模型的泛化性能。我们比较两种模型的性能基于CSP-rank CSP-R-MF,分别。数据3和5显示模型的性能通过CSP-R-MF被CSP-rank比获得的模型。图3显示的准确性行为CSP-R-MF和CSP-rank不同数量的通道。分类精度会增加相应的选择通道数量的增加开始。分类精度会降低,当越来越多的频道。它证明了模型的准确性有全局最优全局区域而不是陷入局部最优,因为过度拟合。

5。结论

与汽车相关的大脑区域图像不一样在不同的频段17]。目前最先进的信道选择方法不考虑这个问题。在这项研究中,我们提出了一个新颖的方法基于常见的空间格局——(CSP)秩信道选择方法对多频乐队(CSP-R-MF)的选择。在我们的方法中,第五阶巴特沃斯滤波器被用于实现多波段信号分解过滤。之后,CSP-rank过滤脑电图和CSP被用来提取特征样本。判别特征选择套索。最后,分类算法用来计算分类精度。实验结果表明CSP-R-MF算法相比,可以提高性能的MI-based BCIs CSP-rank算法。更具体地说,平均分类精度提高了7.05%在数据集1 (BCI竞争第三集IVa)和7%的数据集2 (BCI竞争第四集1),当使用该方法使用CSP-rank相比。在这篇文章中,我们设置相同的停止标准基于CSP-rank所有搜索过程。 However, the stopping criterion may be not exactly the same for different frequency bands and subjects. In future work, to further improve the performance of the CSP-R-MF algorithm, we will consider setting different stopping criteria for different frequency bands and subjects.

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是国家重点支持的研究和发展项目(2017 yfb13003002)。这项工作也支持部分由中国国家自然科学基金批准号。61573142,61773164,91420302和学科的引进人才计划大学(111工程)在批准号B17017。