文摘
为了提高大脑信号处理的准确性和加快速度同时,我们提出一个最优和智能方法对大型数据集分类应用。优化极端学习机(OELM)介绍了皮层脑电图(ECoG)功能分类电动机imaginary-based脑机接口(BCI)系统,对常见的空间模式(CSP)提取特征。当比较它与其他传统的分类方法,如支持向量机和榆树,我们利用几个指标来客观地评估所有采用方法的性能。大约92.31%的准确性提出了BCI系统方法当分类ECoG时代到左小指或舌运动,而其他方法获得的精度最高不超过81%,这科OELM比支持向量机更有效,榆树,等。此外,仿真结果也证明OELM将显著地提高性能价值远远小于0.001。因此,提出在解决ECoG OELM令人满意的信号。
1。介绍
脑-机接口(BCI)的发展经历了广泛的增长在最近几年,目的是提供一个有效的人机交互方法没有神经肌肉传递(1]。BCI研究的最终目标是建立直接的通信系统,将人类的意图,由特定的大脑信号,反映到一个控制命令输出设备(2]。
根据用户的方法得出他们的神经信号,BCI可分为侵入式的,入侵,入侵的部分。皮层脑电图(ECoG),这是通过将电电极直接皮层,吸引了大量和增加兴趣和一直占主导地位的信号用于入侵bci由于其高空间和时间分辨率3]。2004年,鲁塔德等人的第一个在线ECoG BCI研究提供了初步证据表明,ECoG信号包含的信息手部运动的方向,这是最早的示威表明,运动机能的具体细节可以准确推断出从单个神经元没有测量4]。这些属性ECoG的可能性提供一个新的nonmuscular沟通和控制通道,一个实际的BCI系统。ECoG转换成机器指令,控制外围设备,BCI使用户能够与外界进行交互与自己的思想。
如今,存在一个相当大的群体不能手动控制机器的一部分。此外,研究人类的大脑在军事应用和生活娱乐有更多的命令。因此,研究和开发一个有效的方法是很有前途的。到目前为止,科学家们从众多的学科在该领域取得了良好的效果。例如,美国中心设计了一个基于P300电位multiclassification BCI,因此瘫痪闭锁患者可以输入36个字符,数字,和空间信号对应于特定的大脑活动,而不是用自己的手指(5]。此外,BCI科技大学的研究小组从奥地利也设计一个算法对不同运动图像信号分类,以便患者瘫痪喝酒的手臂可以实现一个简单的动作。清华大学在中国,BCI研究团队设计了一个自动拨号系统,控制电话,这是连接到一个计算机实时拨通过解释大脑思考相应的数字(5]。
近年来,许多创新的方法通常用于处理运动图像的二进制类ECoG信号(6,7]。例如,支持向量机(SVM)是一种监督学习模型,用于模式识别、分类和回归分析。然而,当处理大尺寸的训练样本,很难实现,不能产生满意的结果无论是在精度和速度。因此,新不同分类方法命名为极端学习机(ELM)是由学者提出Guang-Bin黄从南洋理工大学8]。榆树具有更好的泛化性能和快速执行时间比支持向量机。我们采用新开发的方法叫做优化极端学习机(OELM)来区分左小指和舌头之间想象运动的基础上榆树。作为分类算法,将两种不同的ECoG信号迅速但准确。我们希望获得的结果OELM方面表现出优越的性能在分类精度和速度。特别是在大尺寸处理信号时,它应该节省大量时间。
本文的组织结构如下:部分2描述了数据采集和描述,包括如何获得和分布式数据进行训练和测试。节3我们专注于基本的BCI算法研究和实现,我们现在OELM作为分类器。在此之前,我们使用CSP提取特征。详细描述了实现这些算法的原则和程序。部分4进行实验结果分析榆树和OELM,分别。最后,本文在最后一部分总结。
2。数据采集和描述
基于现有的研究,有大量理论和实证证据表明ECoG可以支持一个临床和功能可靠BCI与高水平的性能。因此,它是合理的设想,一个ECoG-based植入可以大幅提高残疾病人的功能通过使他们调整他们的环境的能力,沟通,或控制假肢(9]。为了评估该分类算法,采用第三集我BCI的竞争在这个研究。它是由德国图宾根大学的德国,部门的计算机工程(罗森斯蒂尔教授)和医学心理学和行为神经生物学研究所(尼尔斯·Birbaumer),等等。10]。从头皮获得的信号相比,如脑电图(EEG)、和intraparenchymal单一神经元的录音,ECoG录音显示特征,使其特别适合于基础神经科学研究。这些特征包括空间分辨率和信号保真度高、抗噪声,和大量的健壮性长记录时间。因此,我们认为ECoG数据最合适的数据集验证OELM。
所有ECoG数据收集在两个想象运动的左小指或舌头。录音进行采样率为1000 Hz从64年铂电极,其大小大约是 (10]。电极放置在数组涵盖皮层的特定区域。考虑到大脑潜力是软弱,容易干扰,我们应该描述传入electrosensory信号。电子传感器是把电极和内部都装有串联限流电阻测量传入信号强度,保证高保真(11]。
总共有378个试验。每一个试验是一个想象的舌头或手指运动和记录持续时间为3秒。为了避免视觉诱发电位被数据反映,记录间隔0.5秒后开始视觉提示已经结束。潜力被放大和过滤后,记录被存储为微伏值(10]。我们测量分钟每个试验电压神经元之间的差异。
总378次试验,278标记试验是用来训练分类器,而其他100标记测试试验可用于测量训练分类器的泛化性能。有关情况的训练数据和测试数据从相同的主题是相同的任务,但在不同的日期相隔一个星期,我们的分类器的设计仍然是一种挑战。可以找到更详细的描述(10]。在这项研究的任务是正确分类的测试数据集(100),所有这些样本属于消极或积极的类。我们的目标是把那些微小的电压测量变成两个意象机器人运动的左小指或舌头。
在图1的网格 ECoG铂电极放置在侧(右)运动皮层。信号从大脑获得通过主electrosensory传入。我们ECoG信号传输到计算机进行后续数据处理。外围设备可以由生成的电动机控制命令(13]。
3所示。基础BCI算法研究和实现
在本节中,我们首先采用CSP ECoG的提取特征信号,然后再转移到功能分类模块,使用相应榆树训练和测试数据。然后一个名为优化的改进分类算法极端学习机(OELM)提出并付诸实践的基础上榆树。这里介绍了这三种算法的基本原理。同时,提出了详细的过程和程序。
3.1。常见的空间模式的算法原理
常见的空间模式(CSP)是一种有效的特征提取方法在识别两种类型的数据。近年来,CSP提取ECoG变得大大流行特征。它是一种信号处理方法基于两个或两个以上不同的大脑潜力,它过滤信号在空间14]。基本想法是,过滤后,两种信号的空间能量最大的差异。也找到一个歧视的投影方向两类ECoG数据,通过最大化一个类的方差同时最小化的方差。基本原则如下。
假设 ,分别代表了两种不同类型的ECoG信号,都是和他们的维度 ,在哪里N和T代表的频道数量和测量样品对应一个频道,分别。两种协方差矩阵和计算如下: 在哪里表示矩阵的转置 ,而跟踪(X)给的对角线元素之和 。为了得到实验数据与更高的精度和更低的出错率,进行了多个实验。最后,把 的平均值 ,协方差矩阵是通过使用主成分分析如以下公式所示: 在哪里U是矩阵由混合协方差矩阵的特征向量 ,而是一个对角矩阵由相应的特征值。
美白的变换矩阵P由以下公式表示:
然后,矩阵和分别进行美白转换。结果得到如下公式所示: 在哪里和有共同的特征向量。它可以证明,如果总结两个对角矩阵,结果是一个单位矩阵。也就是说,
从公式(6),不难发现一个类导致的最大方差的最小方差。因此,这两个空间滤波器设计是根据这样的财产。在降序排序特征值,然后拿出最大米价值 。第一个空间滤波器构造使用米特征向量。同样的,最大的米特征值在了,和相应的特征向量用于构造第二空间过滤器(15]。
得到两种过滤器后,原来的多通道ECoG信号分为两类,可以制定如下:
最后,构造两种信号的特点:
在公式(8),为了让这两种类型的特性更接近正态分布,对数的基础操作设置为2。
3.2。优化的极端的学习机器
速度快、精度高、优化极端学习机(OELM)更有效地识别两类ECoG数据比传统算法。作为OELM的基础,极端学习机(ELM)更加关注了近年来世界各地的研究人员。这是一个神经网络本质上是由输入层、隐藏层和输出层(16]。不同于其他传统的学习算法的神经类型SLFNs,榆树旨在达到不仅训练误差最小的,而且输出的最小准则权重(17]。
假设一个单隐层前馈神经网络(SLFN),和N隐层节点。不同于之前的算法,所有参数需要调整前馈神经网络,榆树能够准确地学习N不同的观测值之间的权重没有需要调整隐层神经元的输入和初始偏差在实际应用18]。事实上,许多仿真结果还表明,榆树不仅是在分类速度快,而且可以产生很高的识别精度的通用逼近能力(19]。榆树提出如下的步骤。
首先,随机给定N样本对 ,在哪里和 ,分别表示输入和输出, 和 。鉴于网络隐层节点的数量 ,那么相应的SLFN表示如下: 在哪里 之间的重量吗我隐藏神经元和米th输出神经元和 隐藏层的输出向量的输入x。值得注意的是,(x实际上)将数据从输入空间映射到隐层空间,因此,(x)的确是一个特性映射。的输出是什么j神经元。添加剂节点的激活函数 , 定义如下: 在哪里 权向量连接吗我隐藏的神经元和神经元的输入的偏见我隐藏的神经元。激活函数的选择不是唯一的。
所有上述方程可以写简洁如下: 在哪里 是向量之间的隐层输出的重量吗N节点和节点的输出。H是隐层输出矩阵:
假定的标准输出权重越小,更好的泛化性能的网络往往。榆树是最小化训练误差以及输出的标准重量。建立数学模型如下:
最小化: 在哪里是预期的输出。最小的规范使用最小平方法如下: 在哪里的逆矩阵是什么H(19]。
榆树以来不需要迭代,比传统的分类算法学习速度要快得多。通过不断调整隐层节点的数量,学习能力和分类精度都能达到一个最优值。根据上面的榆树算法中,一种普遍的激活函数可以用在榆树,榆树近似目标连续函数吗 。通过这个万能逼近特性,偏差在支持向量机的优化约束可以删除(20.),这就解释了更好的泛化性能和较低的计算复杂度的榆树。
尽管榆树优于SVM分类的速度和准确性,是非常不稳定的在处理高维但小样本,随机分配的结果输入权重。因此,我们提出了一个改进算法基于榆树,叫做优化极端学习机(OELM),介绍了信号的投影特性。榆树OELM改善现有的一些缺点:榆树需要更多隐藏的比BP神经元;榆树的泛化性能取决于常数参数的正确选择,尤其是对少量的训练样本。根据文献[21),奇异值分解),线性降维,旨在将原始数据映射到低维空间使用投影矩阵。减少我们的网络的复杂性,我们将计算的结果分配给输入层。OELM步骤的基础上提出了如下榆树。
首先,输入信号的特点是由矩阵表示 ,在哪里和米分别代表样本的数量和属性的信号。
其次,计算输入矩阵。圣言会广泛应用于图像处理、信号分类、模式识别等等。在这个实验中,圣言表示如下: 在哪里和左和右奇异矩阵的输入矩阵 。奇异值矩阵由奇异值按降序排列。选择d奇异向量元素对应于最大的奇异值,用于近似输入矩阵 。最后,优化排名得到如下:
接下来,在低维空间中由 ,高维数据表示如下: 在哪里被称为投影向量。
然后,为了克服表现不佳的缺陷在处理高维小样本,我们设置的输入层权值投影向量,而不是随机值。也就是说, 。这项改进简化了网络的复杂性。隐层的输出之后可以通过下列公式确定输入层权值: 在哪里是一个单隐层神经网络的传递函数。
最后,计算输出层权值可以通过一个线性表达式如下:
训练模块结束后上面的五个基本步骤。事实上,我们不需要学习输入权重再次OELM,只输出权重需要由最小二乘法计算。输入层的确定性任务克服了榆树的缺陷,其分类精度变化动态的随机分配输入权重(22]。结果还表明,OELM的分类性能非常稳定和相对明确的与榆树的结果。
3.3。分类过程的描述
基于描述部分中给出3.1和3.2,大脑信号的特征可以提取CSP在每一个采样点。我们采用提取的特征来训练OELM分类器的训练数据集,然后训练分类器应用于分类特征提取在同一采样点的测试数据集。
OELM分类策略的详细过程描述的算法1。
|
通过上述算法,实验可以进行。图2说明了提出的详细框图ECoG处理方案。
首先,我们从大脑样本和收集信号。在这个实验中,我们增加隐层节点由一个学位10到60。采样点是简单地设置为1500,2000年和2500年,分别;然后应用CSP收购ECoG后提取特征信号从64个电极;最后,16个不同的激活函数选择OELM分类。所有实验都进行几组参数与278试验训练OELM,剩下的100测试训练OELM的性能。
4所示。实验结果和讨论
我们进行所有实验在相同的开发环境。实验是在同一台计算机上执行和2.4 GHZ的英特尔酷睿i3 2处理器和4 GB内存,通过MATLAB实现7.12 (2011 a, 64位)。部分4.1列出了几个参数,评估系统的性能,而部分4.2显示了CSP获得的信号的振幅分布。提到的方法的结果和讨论部分4.3。大胆的值在表中显示最好的结果中列出。
4.1。绩效评估
评估BCI的性能,有五个主要指标如下:(1)分类精度。它指的正确分类率。这是一个基本指标来判断是否BCI系统满足需求。通过比较每个试验的真正的标签与标签从测试阶段获得,我们得到的数量等于对除以总试验获得分类精度。(2)培训时间。时间(秒)用于训练分类器。(3)测试时间。时间(秒)用于预测所有的测试试验。培训和测试时间越短,系统性能越好。(4)隐层节点的数量。隐层节点越少,降低了网络的复杂性。(5) 价值。我们使用t以及比较歧视的分类精度对应榆树和OELM:
公式(20.)执行一个配对t的假设,以及两个匹配样本向量X和Y来自分布榆树和OELM以同样的手段和回归测试的结果H。H= 0表示假设(“平等的手段”)不能被拒绝在5%的显著性水平。H= 1表示假设可以被拒绝在5%的水平。
然而,分类精度高的BCI可能牺牲训练和测试时间,由于高复杂度的算法。反过来,快速分类速度一般为代价获得降低准确性(23]。因此,我们的目标是得到一个妥协的高分类精度和更少的时间消费来满足系统需求。
4.2。预处理阶段
与CSP提取特征后,我们可以计算所有信号的振幅从64个电极。以直观的方式表现出来,我们随机选择九个连续试验(试验6试验14)从278年开始训练试验然后情节试验9和10所示图3,这说明信号的相对贡献的振幅对应于这两个试验。
(一)
(b)
如图39日和10日,试验有相当不同的等高线分布,而红色的区域图3(一个)基本显示了图的蓝色3 (b)代表低电压的潜力。进一步突出差异,我们选择一个相对中间通道(30th)和情节的振幅这两个试验在每个采样点在图4。
在图4的平均振幅值试验10高于20,而试验的平均值9低于0。这强烈说明了CSP可以有效地提取特征。我们可以很容易地注意到,在图3感兴趣的区域(ROI)集中在感觉运动皮质区(24),位于22nd,29th到32nd,37th到40th通道。我们中亲自挑选那些更有识别力的渠道和挑选试验9和10的水平曲线最大的另一个之间的差异,和情节amplitude-sampling分曲线对应于那些9频道,如图5。
在图5,红色代表试验的电压9中的曲线,蓝色表示的曲线试验10从原始的训练数据。直线平行于横轴显示每个试验相对应的平均值。通道被认为是“好”如果他们明显可辨别的两个类之间的平均(25]。在整个278年培训试验,我们列出的确切意思是电压通道表1和最后一列礼物标签为每个审判。
如表所示1标签的试验9 = 1,而标签的试验10−1,这解释了曲线的差异在九频道在图5。我们转移特性提取CSP SVM,榆树,OELM,结果计算如下。
4.3。结果在极端的学习机器
我们设置采样点到1500年,2000年和2500年左右。实验结果得到了在5个不同的激活函数,这是“sin(罪),“s形”(团体),“硬限制”(hardlim),“三角形的基础”(tribas),和“径向基”(radbas)。我们列出了最优结果对应于特定的隐层节点表2。
表2给5激活函数的性能基于榆树采样点增加从1500年到2500年。这里值得注意的是,最大的分类精度(80.77%)获得“正弦”(罪)和“乙状结肠”(sig)的功能。除此之外,我们还可以得到一个相对较短的时间,特别是当激活函数接受“团体”,平均培训时间和平均测试时间都是0.0006秒。与实验结果相比,在其他情况下,系统性能是最优的。
众所周知,培训和测试时间都相对较好;然而,分类精度还不够好。原因如下:一方面,为特征提取方法,CSP不考虑频域信息,这将产生代表性ECoG特性,并影响分类精度后(25];另一方面,我们应用榆树特性分类。由于输入的随机分配权重,很难得到全局最优的过程中找到最佳的重量(26]。这两点意义作为CSP结合榆树不能达到令人满意的结果。然后,OELM提出并付诸实践,见下一节。
4.4。结果优化极端的学习机器
OELM,激活函数的类型是16。同样的,我们设置采样点到1500年,2000年和2500年。48个实验完成,我们列出了每个参数设置在桌子底下最优结果3没有“径向基”(radbas),“三角基础”(tribas),“硬限制”(hardlim),“余弦”(cos),“CosineH”(cosh),和“arcCosineH”(作用),其分类精度低于70%。
表3表明在二元分类,一个固定的参数设置为每个激活函数选择适用在所有实验。与最优精度(80.77%)在表2,最好的表3是84.62%,赢得3.85%。这里值得注意的是,平均获得的培训和测试时间OELM非常稳定,这是略高于得到的榆树。当激活函数接受“罪”和“团体”,隐层节点数都设置为53岁,和采样点是1500,分类精度可以达到84.62%和83.33%,分别平均培训时间是0.0049秒和0.0052秒,而平均测试时间低于0.0001秒和0.0012秒,分别。
这里也需要强调,激活函数“罪”,(x)=罪(x),“团体”,(x)=年代(x)= 1 / (1 +e−x),用于榆树和OELM分类器更好的性能。自从奇异值分解)可以有效地降低数据维数,最好是把圣言与这两个激活功能。加之仔细看看结果表2指出,“罪”和“团体”为我们的二元决策任务比其他人更有价值。
我们仍然期望进一步提高分类精度,和适当的采样点的选择和隐层节点可能显著功能(27]。我们应该减少隐层节点的数量,这可以有效地减少网络的复杂性。图6比较性能在不同采样点设置。对于每个案例,我们计算隐层节点的最少二次轴和情节。
图6表明,当采样点设置为2150,结果是相对最优。分类精度可以提高92.31%采用OELM时作为分类器与“罪”或“团体”的激活函数,而隐层节点的数量都是33岁的价格相比还是相对较少的榆树,超过38的节点。图7描述了每个隐层节点数的分类精度。
(一)
(b)
对于每个激活函数,不同数量的隐层节点,从10到60,应用于榆树和OELM。此后,分类精度对应每组测试数据的计算参数。表4和5比较与OELM榆树的性能,具有激活功能的“团体”和“罪恶”。
在表中4和5、“性病”和“RMSE”是指标准差和均方根误差,分别。根据公式(20.),我们测试精度得到榆树参数设置X而OELMY在t以及功能。
同时结果表明,H等于1,这意味着两个样品测试精度是截然不同。值远小于0.0001,这表明两个样品的平均值相等的概率低于0.01%。这证实OELM获得显著改善分类精度与榆树相比。
结果显示在表中4,提出OELM收益率最高的准确性为92.31%,与最优结果相比增加16.67%(75.64%)的榆树下相同的参数。同样,在表5以12.82%,该OELM优于榆树。平均分类精度的增加通过OELM 21.97%和23.80%相比,榆树在同等条件下。观察从表4和5一般来说,榆树和OELM获得类似的性能分类速度。然而,榆树所需的隐藏节点的数量大于OELM所需的,这意味着OELM的复杂性远低于榆树(28]。
图8显示了最大值、平均值、标准偏差,和均方根误差的测试精度得到榆树和OELM。
图8显示,是否“罪”或“团体”功能,最大值和平均值的分类精度得到OELM相当高于通过榆树。
4.5。与其他分类方法进行比较
为了评估我们整个BCI系统的性能,我们比较我们的方法与建议29日)表6共享相同的数据集。表6列出了一些实验结果,他们的特征提取方法和分类器。最后一列显示了对应于每个系统的分类精度。
表6表明我们的方法获得92.31%的准确性,高于1.31%庆国的方法,最好的人。它可以得出结论,我们的BCI系统优于列与CSP提取特征和OELM之后对它们进行分类。该算法的性能也与其他分类方法相比在[上市29日)表7所有共享相同的数据集,采用CSP的特征提取算法。
表7显示,我们的方法获得92.31%的准确性,6.31%高于刘洋的方法,最好的人。结果证明OELM显示分类精度高于SVM和LDA的情况下相同的特征提取方法(CSP)。我们也评估我们的方法在计算时间方面,包括培训和测试时间。
最优分类精度、训练时间和测试时间进行相应的实验,我们如表所示8。
从表8,CSP结合OELM达到最高的精度,这是比普通的榆树高出11.54%。总的来说,OELM优于SVM在精度和速度。相比精度得到SVM和榆树,OELM的准确性是更具竞争力。缺陷的应用支持向量机可以成功克服OELM精度高和速度快。与OELM BCI系统可以产生更好的结果比与其他先进的方法在分析和处理ECoG信号(30.]。从表8,榆树可比OELM速度;然而,OELM跑得快比SVM数千倍,无论是在训练或测试模块。此外,OELM可以达到33节点最大测试率92.31%,明显高于所有到目前为止的结果列在BCI的排名第三的竞争,利用支持向量机等一些流行的算法(31日]。因此可以得出的结果显示在这些数据和表,OELM更适合运动图像的二进制类信号的和竞争。
5。结论
在这篇文章中,一个新智能和高效的优化学习算法称为极端学习机(OELM)提出和应用于汽车图像信号与CSP提取分类特征。该方法优于传统的流行极快的学习算法学习速度和良好的泛化性能,这是证明了BCI竞争第三集。不同的采样点和激活函数是用于不同的实验来分析OELM的财产。结果表明,OELM需要更少的计算时间,获得更好的准确性比SVM和榆树。总之,OELM是一种新颖、高效的生物识别应用程序的标识符。尽管只有二进制类分类策略是在我们的研究中,讨论OELM multiclassification也适用于解决问题。我们相信这种方法实时BCI系统的设计潜力巨大。
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。
确认
这项工作得到了国家自然科学基金(没有。61673316)和项目委托四川中航工业燃气轮机研究所、广东省重大科技项目(没有。2015 b010104002),湖南省教育科学研究项目(没有。17 a148),常德城市的科技计划项目(没有。2019 s019)。