文摘
获得一个快速和可靠的决策在脑-机接口(BCI)是一个重要的问题,尤其是在实际的轮椅或neuroprosthetic控制等实时应用程序。在这项研究中,首先分析EEG信号功率投影基础方法。然后我们应用一个决策模型,序贯概率比检验(SPRT),电机实验分类的图像运动事件。这个分类方法提出的独特的力量在于它的累积过程,这就增加了辨别力随着越来越多的证据是观察到随着时间的推移。方法的属性说明在13个受试者的录音从三个数据集。结果表明,我们建议的力量投射法优于两个基准方法对于每一个主题。此外,使用顺序分类器,在受试者精度明显高于非顺序的。平均最大SPRT方法的准确性为84.1%,与82.3%的准确率序贯贝叶斯(某人)方法。拟议的SPRT方法提供了一个明确的停车时间之间的关系,阈值和错误,这对平衡time-accuracy平衡很重要。这些结果表明SPRT有用在加快决策权衡BCI中的错误。
1。介绍
非侵入式脑机接口(BCI)基于脑电图(EEG)提供了一个新的通信手段闭锁或瘫痪病人(1,2和控制假肢3,4)不依赖通常的神经肌肉通路。BCI技术分类的关键挑战大脑信号准确、快速和心理任务。然而,从头皮脑电图记录低强度的特点,低信噪比信号噪声比,和脑电图的区别在不同的心理任务并不重要。因此,各种模式识别算法被用于BCI系统提取和分类脑电图特征。
与事件相关去同步/同步(ERD / ERS)模式,因为它使得基于脑电图的运动图像有效特征BCI系统。实验表明,ERD / ERS不同个体的现象。因此,模式识别算法应该用于促进解码”运动的意图,“既能找到科目的脑电图特征最大化之间的分离模式生成的执行精神任务和训练分类器的分类错误率最小化这些特定的模式。目前,特征提取的歧视左边和右边运动图像脑电图通常是基于脑电图乐队(BP)。例如,自回归(AR)模型(5),离散傅里叶变换(DFT) [6),和小波变换(WT) [7)被用来提取脑电特征分类。小波方法是最有效的算法之一。然而,小波应用的成功很大程度上取决于与参数的正确选择。实际上,小波变换可以被视为EEG投影到小波基础和乐队投影系数的模值。小波方法的启发,我们介绍一种新的特征提取方法基于权力射影基地对脑电图没有限制的小波形式进行分类。
此外,根据瞬态刺激做出快速决策的能力是一个独特的方面,我们的大脑处理信息的能力。一般来说,信号检测理论(SDT)和序列分析(SA)是两个分支的数学模型提供一个理论框架来理解决策(8]。项将一个观察转换成一个分类的选择。根据不同的决策规则,对这个问题有不同的测试方法(9]。例如,贝叶斯决策理论推导出通过最小化后预期损失,而Neyman-Pearson (NP)则试图找到最好的错误概率(α)级别测试。像大多数统计分类方法,例如,线性判别分析(LDA)和支持向量机(SVM)分类错误是唯一的特征项决策策略。必要数量的观察样本由标准可能是非常大的,尤其为BCI应用不切实际。控制brain-actuated设备,如机器人和neuroprostheses,快速决策和控制信号稳定最小错误率是重要的(10,11]。因此,最近一直在注意变长序贯抽样模型。
系统最优停止理论出现的工作由瓦尔德的最优序贯概率比检验(SPRT) [12]。SPRT达到所需的错误率最小的样本数量,平均。因此,在这篇文章中,我们介绍一种新的特征提取方法基于力量投射基础分类的脑电图结合序贯概率比检验(SPRT)方法来获得一个持续的动态的大脑状态的估计精度和决策速度的平衡。
2。方法
2.1。数据描述
EEG数据用于这项工作得到来自13个主题BCI比赛II, III和IV。执行的任务是根据左边和右边电动机的想象力。
2.1.1。数据集三世从BCI II的竞争
这个数据集包含脑电图数据从一个主题(S1) [13]。数据记录从三个频道(Cz C3, C4)和采样在128赫兹。数据由140标签和140无标号的试验与同等数量的左边和右边试验。9 s每个试验都有一个时间,提出了一种视觉线索(箭头所指)指向左边或右边3准备时期,后跟一个6年代后运动图像(MI)的任务。
2.1.2。数据集希望从BCI III的竞争
第二个数据集包含记录脑电图数据通道C3和C4从三个科目(S2、S3、S4)和一些修正14]。数据采样在125赫兹。训练集和测试集是用于每个主题。除了主题O3才刚刚为每组320次试验,受试者S4和X11包含540标签和540无标号的试验。每个试验都有7 s时间由3 s准备段和1可视线索表示,紧随其后的是另一个3 s想象力的任务。
2.1.3。数据集从BCI IIb竞争第四
这个数据集包含脑电图数据从九个科目(S5-S13) [15]。从三个双通道数据记录(Cz C3, C4)和3此次渠道。采样频率为250赫兹。训练和测试集是用于每个主题。每个主题参与两个筛选会话没有反馈和三个在线反馈会话与笑脸反馈。7 s的试验没有反馈时间,并提出了一种视觉提示1.25年代紧随其后的另一个4 s想象力的任务。反馈的试验持续时间7.5秒,并提出了一种视觉提示4.5秒到电动机的想象力。
2.2。基于能量的特征提取方法射影基地
运动图像可以被视为精神彩排的运动行为没有任何明显的运动输出。最近的研究表明,当执行电机的想象力,μ8—13赫兹()β(18 - 30 Hz)节奏发现揭示事件相关去同步化和同步(ERD / ERS)在感觉运动皮层就像当一个执行机动任务。由于在大脑信号经常被观察到非平稳的影响,我们提出了一个投影基础分类特征的提取方法从C3和C4渠道。这种方法提高了分类精度通过最大化平均投影之间的区别两种信号。具体来说,射影基地的解决方案可以通过广义特征值分解为每个主题。
让 从一个频道,训练数据集 表示左或右运动图像的任务,表示采样点,和试验的数量。此外,让 是投影和基础 。的投射力量的信号 , 在投影基础上是 均值投射能力可以计算为 在哪里 是自相关矩阵通常是积极的。
制定的目标函数的比值两舱平均投射力量, 通过最大化或最小化是或 ,相应的特征向量或是需要解决的最优投影基础。的优化(3)可以得到解决,通过广义特征值分解方法。首先,我们可以得到下面的分解 在哪里 广义特征向量矩阵和吗广义特征值。因此,意味着投射力量的比率转向 在哪里 。自 的最大价值 和最小值 。很明显,相应的向量可以获得的 然后,我们有 这意味着和是第一列和最后一列的 ,分别。选择或作为投影基础取决于之间的更大和 。投射力量的信号通道C3和C4到自己的射影基地然后被堆放在一起成一个二维的特征向量 。
2.3。SPRT分类方法
序列分析是一种统计决策模型假定决策是由连续采样信息,直到响应标准是满足。一旦已经达到一个边界,决策过程得出结论,引起响应。观测所需的数量决定不是事先确定的实验,但是在测试期间获得的观测。SPRT应美联储的数据顺序的算法,我们将每个试验分为部分重叠和每一个都有相同的长度的射影基地用于特征提取。
考虑到非平稳的脑电图采样信息,我们假设的概率分布th段功能为类是 , ,然后的概率比th段是 和证据积累转向 在哪里是积累的数量段。假设计算方便的部分是独立的(12),我们有 在哪里 , 加入概率分布维向量 。这种假设在实践中违反了我们的数据。
两个阈值的决策规则和是 有两个阈值,我们可以选择增加或减少这将增加的概率做出一个正确的决定(通过等待积累更多的数据或证据),但减少的概率做出错误的决定(通过推迟的决定)。错误概率被定义为 如果 满意,我们定义的相应空间向量 是 。(11),我们有 方程(14)然后集成屈服 也就是说, 类似的理由 收益率 因此,这两个检测阈值和有关错误概率
两类错误概率可以降低通过增加或减少 。然而,由于数量有限的部分,优柔寡断的比例将会增加错误概率或却降低了。因此,我们可能无法获得最优结果通过简单地增加或减少 。合适的和可以通过以下优化标准。
假设遵循一个高斯分布的特性,我们可以两边取对数(10)获取日志概率比(日志公关),导致一个序贯概率比检验(SPRT) 在哪里 Mahalanobis距离和吗的日志公关吗段。
我们可以推导出平均水平为每一个类:
对于任何给定的阈值对和 ,累积的数量段做出一个正确的决定,也就是说,停止时间,上课 ,是满足 在哪里是最小的元素组吗 。一般来说, 和 可能是不同的。因为停车时间序列分析是一个关键的点,我们用统一约束两个阈值两个类是平等的,也就是说, 。然后给出了阈值
对于任何给定的停止时间 ,有一个相应的阈值对和 。两个阈值的决策规则和是 从这个决定政策,我们可以看到,除了分配两类之一和 ,决定功能可能仍然犹豫不决,继续测试下一个观察。“犹豫不决”的反应一直错误的数量(假阳性或假阴性)低,这有助于避免过度的错误加速决策,例如,一个BCI控制轮椅遇到一个障碍(16]。此外,当它仍然犹豫不决,当达到停止时间 ,我们指定,当 ,决策规则
直到现在,与上面的决策规则,随之而来的结果,如准确性、互信息(MI) [17],MI的陡度[18),平均决定时间,只会依赖于停止时间和数据分析。取决于实际的具体需求,我们可以设置的准确性,心肌梗死,心肌梗死的陡峭程度,和平均决策时间作为优化目标,分别确定最优停止时间 。与此同时,两个阈值确定。
3所示。结果
3.1。特征提取
评估我们的方法的性能,我们测试使用BCI竞争数据集II和III数据集从BCI希望竞争。他们从四个科目,获得S1-S4表示。执行的任务是基于左、右马达的想象力。
投影基础的尺寸,长度的滑动窗口,设置为1。时域波形的最优投影基础主题S1两个渠道的数据所示1(一)和1 (b)。相应的频率谱图所示1 (c)和1 (d)。平均投射力量时间课程在右边(虚线)和左(实线)为C3和C4想象运动中显示数据1 (e)和1 (f)。从这个图中,我们可以看到射影基地类似于调制正弦信号和相似的光谱具有带通特性的小波基。对于这个主题,投射力量占主导地位μ节奏。在第3.5(0.5年代后提示),投射能力曲线在两个条件下接近;3.5秒后,不同的投射力量可以被观察到的差异,提供了一个良好的分类特性。科目S2和S3的射影基地是类似于S1。
(一)
(b)
(c)
(d)
(e)
(f)
的力量投射基础S4如图2。与主题S1,相反的反应模式的投影基础这门课有很大的不同。的波形振荡速度投影基地。显然,投射力量的频率高于S1。见数据2 (c)和2 (d)显示一个高峰,射影基地节奏。此外,平均投射力量时间课程的结果证明ERD / ERS主题S4的模式有很大的不同。这意味着这个射影幂法subject-adaptive以及提前避免参数设置。
(一)
(b)
(c)
(d)
(e)
(f)
3.2。分类结果
两种实验进行评估的性能提出了机器学习方法。一是评估投射力量特征提取方法,另一种是评价SPRT分类性能。在第一个基准测试的目的,我们比较了分类精度(ACC),互信息(MI)和两个基准特征提取算法,基于序贯贝叶斯分类器和DFT和WT (17,18]。这些方法也适用于受试者S1-S4的数据。分类精度(ACC)和互信息(MI)三种方法考虑到表中列出1,平均表示平均指标在所有四个科目。WT的结果源于Lemm的方法赢得了BCI比赛在2003年和2005年的运动图像数据集。从表1,我们可以看到,该投影法优于两个基准方法对于每一个主题。与小波方法相比,我们的方法的平均ACC从84.5%上升到87.6%,MI增加到0.468位。此外,配对以及分析比较三种方法的分类精度。的配对以及结果证实与投影基础方法ACC和MI主题明显高于与WT ( , )和DFT ( , )。
然后我们比较了ACC和MI几个先进的不连续的分类器之间用于BCI社区和它们的顺序与投影的基础功能。这些方法是LDA、支持向量机和贝叶斯,和相应的序贯方法表示SLDA, SSVM,和某人十倍交叉验证进行了脑电图分类测试的数据在这个研究;即,每个主题的数据集被分成十个子集,下列程序是重复十次。之一,每次十子集作为测试集和其他九个被用作训练集。平均识别率为评估在所有十倍。这些方法被应用于三BCI竞争部分中描述的数据集2。1从十三S1-S13主题。
表2显示了所有方法的分类精度测试数据,在竞争“Avg。”表示所有受试者的平均结果。通过应用获得的有效特征的投影方法非连续性方法,分类精度为76.0%,71.6%,和75%是通过LDA,支持向量机和贝叶斯分别。相应的顺序分类器精度通过所有大于非连续性。的配对t以及结果证实,与学科之间顺序分类精度明显高于用不连续的( , )。总的来说,分类精度较高时,采用序贯方案。
此外,同样重要的是要考虑快速BCI的停止时间应用在不牺牲准确性。因此,我们进一步分析了分类精度,SPRT MI,停车时间和比较了time-accuracy SPRT与某人之间的权衡的分类结果SPRT提供了表3。通过应用获得的有效特征的投影SPRT方法,平均分类精度达到84.1%。拟议的SPRT分类器与投影基础特性优于某人分类器相同的特征提取方法的分类精度在所有受试者除了主题S2。在平均精度方面,SPRT优于某人分类器。总体结果分析,可以得出结论,与射影SPRT基地特征提取方法优于标准数据集的最先进的方法。
产生的时间累计的课程分类信息,所谓的累积的证据,我们的SPRT法和某人法如图所示3。图3(一个)表明某人分类方法获得信息从4 s (3 s准备周期和1窗口长度)。累计贝叶斯后验概率达到极值在5.5秒左右,表明峰值决定的信心。然而,累计信息落下最后的审判。结果表明,有效控制发生在中间试验。更多的证据不能进一步提高分类性能。
(一)
(b)
与某人的方法相比,SPRT的累积过程单调性(如图3),可以提高精度与更多的证据。SPRT分类过程中,一旦累积证据超过一个阈值,将立即决定。此外,阈值可以调整改变的决定。也就是说,有两个广泛的阈值选择,可能需要更多的观察来提高精度,反之亦然。这可以从图3 (b),鉴于预期的停止时间 ,的阈值 , 。当预期的停车时间设置 ,阈值的变化 , 。显然,它将与更多的决策时间达到更高的精度。这描绘了内在之间的权衡决定时间(成本)和准确性(福利)的SPRT方法。
由此产生的时间课程分类准确性,MI和重度(MI(计算t)/ ( 年代) 为主题S1呈现在图4。重度量化的响应时间。在第一次4 s,分类执行速度不比机会。之后急剧上升的分类精度可以观察到,与此同时反映出提高MI。MI的增加表明增加左边和右边运动图像之间的分离能力。最大的分类精度和最大MI实现6.4和7.1年代,分别。非单调的观测精度和时间的关系是由于有限的数据导致了最后的决定。考虑时间,获得的最大陡度MI在4.6秒左右。
(一)
(b)
(c)
当前方法的一般顺序框架是可定制,以适应不同的任务目标,如提高准确性,MI,或MI的陡度。然而,一个特定目标的优化将会以牺牲别人。
4所示。结论
在本文中,我们提出一个SPRT方法结合力量投射基础方法认识到心理状态。力量投射方法首先确定功能通过最大化平均投影两种类型的信号的能量差。累积证据曲线,提出SPRT设置two-constrained阈值基于预期的预期停止时间。SPRT方法增加了一个可定制的的利益之间的权衡精度和决策速度。具体来说,在此方法中,阈值确定没有预定义的错误概率。使用标准化的数据集,提高表演展示。
尽管这项研究表明SPRT将有用的平衡不同BCI应用程序的速度和准确性,我们意识到工作需要进一步调查。未来的工作将尝试验证该方法更大的数据集,实现它在我们BCI-actuated机器人系统。此外,我们将调查多路SPRT多级BCI系统理论及其应用。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作是支持部分由中国自然科学基金会的拨款(国家自然科学基金委)(61005088和61005088),国家重点的开放研究基金会Lab.华中科技大学数字制造设备和技术(DMETKF2015007),基础研究基金为中央大学刘博士,和NSFC-Shenzhen机器人研究中心项目(U1613219)博士。