文摘

脑机接口(BCI)许可人与障碍与现实世界不使用神经肌肉通路。bci是基于人工智能驾驶系统。他们收集大脑活动模式与心理过程,将它们转化为致动器的命令。BCI系统的潜在应用在康复中心。在这种背景下,一种新颖的方法设计了运动图像的自动识别(MI)的任务。贡献是一种有效的杂交的多尺度主元分析(MSPCA),小波包分解(WPD),从部分波段统计特征提取,基于整体学习分类器的分类MI的任务。预期的脑电图(EEG)信号分段和去噪。Daubechies的实现去噪算法小波变换(WT)纳入MSPCA。WT与5的分解。开始,小波包分解(WPD), 4级的分解,用于次能带的形成。 The statistical features are selected from each subband, namely, mean absolute value, average power, standard deviation, skewness, and kurtosis. Also, ratios of absolute mean values of adjacent subbands are computed and concatenated with other extracted features. Finally, the ensemble machine learning approach is used for the classification of MI tasks. The usefulness is evaluated by using the BCI competition III, MI dataset IVa. Results revealed that the suggested ensemble learning approach yields the highest classification accuracies of 98.69% and 94.83%, respectively, for the cases of subject-dependent and subject-independent problems.

1。介绍

脑机接口(BCI)允许个人使用脑电图(EEG)信号操作虚拟世界等外部设备,机器人,或拼写机器。BCI的基本目标是使用大脑信号控制外围设备创建所需的命令。最重要的应用是绕过身体的受伤的部位或器官刺激部分瘫痪。BCI设备被视为减轻问题的最佳解决方案等人与各种神经肌肉损伤脊髓损伤,肌萎缩性脊髓侧索硬化症、脑瘫、中风(1]。

BCI系统可以分为两类基于EEG信号采集方法:非侵入式和侵入性。由于易于使用,目前的研究主要集中在非侵入式bci。与事件相关电位、稳态视觉诱发电位和缓慢的皮层电位是三个主要的BCI方法(2]。非侵入性的方法,不同的脑电图信号可以用于BCI。脑电图α和β内大脑信号的频率区域,BCI系统通常采用运动图像的方法来产生与事件相关的行动。这种形式的BCI主要是用于电脑屏幕上光标控制和轮椅导航或在虚拟环境中。几个运动图像(MI)技术是常用的,包括舌运动、左/右手运动,脚运动,心理统计(3]。BCI技术的目标是协助大脑疾病包括脑瘫患者,肌萎缩性脊髓侧索硬化症,运动神经元疾病。脑电图是BCI系统常用工具(4,5]。基于现象与事件相关同步(ERS)和事件相关去同步化(ERD),科学家可以解释和识别MI-related大脑信号。翻译涉及人队和ERD的想象力来行动。ERD和人都提出的EEG信号的振荡行为的变化,可以通过时频分析调查来确定MI的任务(6]。MI的特点是作为一个人类大脑的能力后电动机经验且没有明显的运动。这样的心理图像可能有意识地出现和被创建和控制故意通过一个主题让MI,这是一个灵活的和可用的方法研究人类认知和运动活动的过程。各种研究表明,MI使用几乎相同的神经框架作为执行电机,使电机活动受到了MI培训。MI-based BCI使用皮质感觉运动节奏的变化鼻中隔黏膜下切除术后(),一般ERD不同感觉运动相关事件,包括心肌梗死(7]。此外,BCI可能作为技术桥梁的管理活动和辅助生活(AAL)系统在智能环境和智能家居的感觉。与其他传统AAL设备接口一样,消费者需要尽可能简单和正常视图BCI-enabled控制为了鼓励BCI验收和有效性(8]。

计算机自动化MI提供连续的信号检测是至关重要的援助计划的病人。降维预处理,特征提取,分类都是部分以脑波图为基础自动化MI信号检测方法(9,10]。

特征提取与降维分类系统的最关键的方面因为它使得基于脑电图的MI信号因为他们大大影响分类器的效率和计算复杂度。如果从脑电图信号包括检索的特性无关的特点,分类器的性能将会受到影响。的特性决定了分类器的处理成本。结果,因为它使得基于脑电图提取相关特性的适量MI信号是至关重要的实现为分类器的分类性能和计算效率高9]。在这项研究中,数据集IVa BCI竞争是利用的实验(11]。AA,艾尔,AV, AW, AY编码的五个健康的参与者,导致这个数据集。两类活动,右手和右脚运动,称为类1和2班,分别。

1.1。贡献

这项工作的主要目的是提取EEG信号的相关特性,设计一个分类器,可以有效地识别目标MI的任务。

的主要贡献是提出的一种新型杂交多尺度主成分分析(MSPCA),小波包分解(WPD),选择部分波段的统计特性,并集成学习技术的自动分类MI的任务。功能的步骤如下:(我)多尺度主成分分析(MSPCA)用于去噪。(2)小波包分解用于生产部分波段。(3)从每个部分波段提取六种不同的统计特性。这些是指绝对值、电力、标准差、偏态、峰态,比相邻的部分波段的绝对平均值。(iv)提取的特征传递给提出总体上优于MI的自动识别分类器的任务。

1.2。组织

本文的其余部分组织如下。部分2给出了文献综述。节3,材料和方法,介绍了部分4讨论结果和结论提出了部分5。

2。文献综述

运动机能的丧失是最有关的神经系统损伤或疾病的影响。BCI辅助技术已经允许人工假体、轮椅、和电脑来控制大脑的电活动在这个十年。BCI系统精度的主要挑战和处理效率。当前系统计算复杂度高,需要先进的和机智处理系统实现实时响应。此外,他们的分类性能和鲁棒性需要改进。在这种背景下,提出了研究[12,13]。

Zarei et al。9)结合主成分分析(PCA)和cross-covariance (CCOV)方法为BCI的脑电图信号特征提取应用程序。多层感知器神经网络(MLP)和最小二乘支持向量机(二)用于分类。系统的性能测试通过使用BCI IVa比赛数据集。Kayikcioglu和Aydemir10)提取特征通过使用二维的脑电图信号特征挖掘的二阶多项式系数。然后,使用算法的功能分类再(事例)。他们取得了相当大的提高速度和准确性而进化的性能数据集Ia 2003 BCI的竞争。Leamy et al。12)进行了对比试验研究,从机器学习的角度来看,对MI-related中风科目的脑电图特征。他们试图探索如果这种特性可归纳的使用训练机器学习参数采用健康受试者和stroke-affected病人。如果BCI与适当的训练数据,它使中风患者相对好的结果;那么这样一个部署模型将BCI更现实的临床中风恢复。另一方面,如果stroke-affected脑电图是明显不同于健康脑电图或改变随着时间的推移,它可能需要更复杂的建筑从机器学习的角度对现实的BCI在这种环境下的实现。

李等人。13MI模式识别)提出了一种新的方法。它结合了一个共同的空间格局频段选择和特征选择的算法,和分类进行粒子群优化的双子支持向量机。他们使用数据集IIb BCI竞争IV测试该系统。对于一个分类任务,Kevric和Subasi14)采用MSPCA-based EEG信号的去噪。比较在三个特征提取技术,即经验模态分解(EMD),离散小波变换(DWT)和WPD进行。提取的特征集进行分类再用事例)算法。系统性能测试通过使用公开可用的BCI竞争IVa三世数据集。苗族et al。15建议一个脑电图信号通道选择方法。它使用线性判别标准自动选择的渠道,并有很强的区别的能力。此外,人工蜂群算法用于降维。性能测试使用的数据集IVa BCI III的竞争。在[16],称呼等人使用了一个相互依赖正交变换的特征提取。使用树型分类是由物流模式分类器。在[17),Chaudhary等人使用灵活的分析小波变换(FAWT)特征提取。总体上优于子空间的分类进行了再分类器(事例)。在[18),拉赫曼等人使用Renyi min-entropy-based特征提取方法。提取的特征用于分类4种不同类别的BCI利用随机森林(RF)算法。该方法的性能评估使用BCI竞争第四集。

哈雷和巴贾杰19)使用MI的极端的基于机器学习的分类任务。渠道选择是实现通过使用multicluster无监督学习方法。信号分解是由使用一个灵活的变分模式分解(F-VMD)。相关的特征从不同的模式探讨,即hjorth,熵和四分位数。在[20.),作者使用了灵活的分析小波变换分解(FAWT)信号。时频属性计算部分波段。PCA,核主成分分析(KPCA),局部线性嵌入(米歇尔)和拉普拉斯算子Eigenmaps (LE)用于特征选择。线性判别分析(LDA)算法用于分类。性能测试是通过使用BCI希望竞争第三数据集。

女子et al。21]提出了深层神经网络(款)模型自动识别的MI任务利用EEG信号。功率谱密度(psd)作为特征提取的部分波段应用巴特沃斯滤波器银行。性能测试为BCI竞争III和V数据集MI的任务。Musallam et al。22)利用卷积神经网络(CNN)模型,该模型包含了许多不同的方法,包括颞卷积网络(tcn),分离卷积,卷积切除,层融合。预期的脑电图信号是由连续两个一维卷积处理阶段。第一个在时域,随后channelwise第二基于类似影像表征主要TCN的作为输入使用。性能测试是通过使用BCI竞争第四,花絮”数据集。

3所示。材料和方法

提出了系统的框架如图1。不同系统的描述和参数化模块给出了以下部分。

3.1。数据集

建议使用众所周知的BCI系统性能评估竞争三世,数据集IVa¹(11]。AA,艾尔,AV,亚历山大-伍尔兹,唉准则五个健康的参与者,这个数据集。他们完成两类MI活动涉及的右手和右脚运动,分别称为一班和二班。主题是坐在舒适的椅子扶手。EEG信号从118年获得电极,安装遵循10/20全球接受的标准。每个类别的每个考虑主题进行140次试验。被两个考虑类的任务,它导致了总共280次试验/主题。每个试验进行了3.5秒的时间。对于每一个类别,数据是由不同大小的训练集和测试集。

科目的训练集AA,艾尔,AV,亚历山大-伍尔兹,唉有168、224、84、56、28试验,分别。测试集由112年56岁,196年、224年和252年试验参与者AA,艾尔,AV,亚历山大-伍尔兹,唉,分别。

EEG信号最初记录的速度1 kHz。这些EEG信号带宽受限的50 Hz利用数字滤波和向前downsampled 100 Hz的速度(11]。这些downsampled版本在这项研究中使用的信号。EEG信号只有三个频道选择(Cz C3, C4)从118可用的频道。这是因为这些渠道包含最歧视的特性对汽车图像活动涉及的手和脚。对于每一个病人,280脑电图段3.5秒,3选择渠道,准备11]。这些来自两类:手和脚。总共1400个脑电图实例用于提到的5个科目。他们属于MI的两个考虑类任务。

3.2。去噪与多尺度主成分分析(MSPCA)

在多元统计分析中,主成分分析是最重要的模型之一。我们测量的数据集传感器存在,如 。每个传感器测量样本中包含单独的采样数据,组合成一个数据矩阵的大小 。这个过程是由

每一行的代表一个样本,每一列表示一个测量变量。每个样本开始的PCA模型标准化协方差矩阵的计算 。这个过程是由

特征值的大小是有序的从大到小的功能分解就完成了。分解的过程它的主要组件是由方程(3),包含第一特征向量的 。 是一个矩阵,每一列称为主要因素变量。是主成分的计数,它等于列数 。

方程(4)可以用来确定主成分的协方差 是第一个大的协方差矩阵的特征值 。

摘要小波变换结合主成分分析(PCA)创建MSPCA传入信号去噪的目的。小波变换的原理是描述的部分3.3。在这项研究中,第五层次的分解实现通过使用Daubechies小波分析算法(23]。使用MATLAB实现小波变换(24]。

标准的能力增强了PCA融合多尺度分析。总的来说,在多尺度主成分分析结果(MSPCA) [25]。在MSPCA, PCA提取变量之间的协方差的能力结合正交小波区分确定性特性和随机过程的能力并在观察大约decorrelate自相关。它识别线性相关的小波系数在多个水平部分波段,与小波变换得到。它允许代表每个考虑用更少的特性同时消除部分波段autocorrelated系数。它导致的简化表示考虑部分波段的每一层分解。使用Daubechies EEG波形分解小波分析算法,第五层次的分解。在下一步中,PCA的详细的系数,获得在每个层面上,利用选择主成分在每个规模。之后,通过使用小波合成信号重建。它减少了不必要的噪音从传入信号并生成一个简单的和无噪声的信号版本(25,26]。使用MATLAB实现MSPCA [24]。

3.3。与小波包分解特征提取(WPD)

小波是众所周知的功能,广泛用于多分辨率时频分析。小波可以通过方程(数学描述5)[23),扩张参数是由年代和翻译参数为代表u。同时生成的参数可以用不同的频率。

把一个信号分解的过程x(t),利用小波变换,可以给出的

一个离散的小波变换(DWT)是用于这项研究。小波分解层次的选择正确的数量, ,是第一个关键步骤在DWT分解。传入的信号同时通过通过高通和低通滤波器,和 。为规模水平,输出是由两个部分波段,即细节和近似 。这个过程是清晰的从方程(7)和(8),过滤器的顺序使用在不同分解阶段:

小波包分解被称为离散小波变换(DWT)的扩展。DWT主要集中在低频分量,称为近似系数。然而,WPD利用近似和详细的系数,高频组件(27]。因此,巧妙地使用时,WPD会导致信号分解与优越的频率分辨率与DWT (26]。在学习的情况下,去噪信号通过四级WPD进一步分析。从多分辨率子中提取相关的统计特性,得到WPD的4级。使用MATLAB实现WPD [24]。的原则,采用WPD 4级的分解图所示2,在那里和分别是详细和近似系数在不同分解阶段和 。

3.4。降维

自的维数提取的特征与WPD高,尺寸应该降低。因此,在这项研究中,提取特征的维度是减少使用的统计值WPD部分波段。使用频带的统计值,从16次能带创建相关的可分类的特性,如图2。从每个部分波段五个特征提取,即意味着绝对值,平均功率,标准差,偏态和峰态。它导致 特性。另外,相邻的部分波段的绝对平均值的比值计算,导致15更多的功能。以这种方式,在95年,为每个脑电图实例特征提取,导致维度的特性集 对所有实例。

3.5。分类方法

准备功能集分类利用再(事例),C4.5决策树,代表树,支持向量机(SVM),随机树(RT),射频,都是著名的健壮的分类算法。Weka用于评估被认为是分类器(28,29日]。避免任何偏见的结果数据集的有限体积,使用10倍交叉验证(10-CV)方法以及多个评价措施,即准确性、F-measure, ROC曲线下的面积(AUC)。在这里,中华民国代表接受者操作特征(29日]。

3.5.1。支持向量机(SVM)

超平面的支持向量机搜索一个n维空间分类的数据点。支持向量机可用于分类和回归。系统功能的关注决定行。理论上这是一个成熟的算法,只需要培训的实例,并影响维度的数量。此外,开发有效的方法快速火车这个分类器(30.]。在这项研究中,使用支持向量机与三次多项式内核和正则化参数为100。

3.5.2。再(事例)

事例的指的是一个监督学习算法用于回归和分类问题。假设每个数据的算法功能下降接近彼此属于同一个类。这意味着该算法认为信息的分类是基于相似之处。技术是高度优先的喜爱,因为它很简单,(30.]。在这项研究中,基于事例 使用。在这里,邻居的数量,用于决定。

3.5.3。代表树

代表树创建一个决定或者回归树方差减少使用信息,然后使用折合误差修剪修剪它。它只优化速度数值属性的排序值一次。树最小每叶的实例数量,最大深度,最低分数的训练集方差分割,修剪和褶皱的数量是可调参数(31日]。在这项研究中,代表树是使用其默认配置,可以在Weka [28,29日]。

3.5.4。C4.5决策树

重新描述的C4.5可以创建分类规则集。C4.5首先发展一个初始树使用各个击破的方法。它的标签可能测试实例通过使用两个启发式标准。第一个是信息增益,试图最小化的总熵的子集。第二个是默认的增益比,它试图把获得的信息通过测试结果提供的信息(30.]。在这项研究中,使用C4.5默认配置,可以在Weka [28,29日]。

3.5.5。随机树(RT)分类器

RT是一个监督学习算法,易于使用和灵活。尽管缺乏hyperparameter调优算法产生的结果。结合决策树训练方法基于装袋。随机树的功能的主要概念是,学习模式相结合将会增加结果的质量获得了(31日]。在这项研究中,使用RT默认配置,可以在Weka [28,29日]。

3.5.6。随机森林(RF)

射频是指一个健壮的机器学习算法等各种任务分类和回归。算法通过使用装袋和随机性在创建每个树。它使一个不相关的森林的树木,他们的预测更准确比一棵树32]。在这项研究中,使用射频100棵树。

3.5.7。旋转森林(学院)

学院是一个特性采用分类器。我们做一个基本分类器的训练数据随机分区功能设置子组。主成分分析应用到每个子群,是一个参数的方法。保留数据的变化信息,所有基本组件。因此,旋转 - - - - - -轴产生额外的属性为基本分类器(33]。所有主要组件保存为了保存数据的变化信息。因此,新特性为基本分类器是由旋转 - - - - - -轴(33]。旋转的方法的目的是提高个人准确性同时提供组内变异。每个基分类器的特征提取有助于多样性。

3.5.8。随机子空间方法(RSM)

知名乐团技术是RSM [34]。训练数据也在RSM修改。然而,这种变化是在特征空间中完成的。的 - - - - - -维随机子空间的原始 - - - - - -维特征空间从而获得。因此,更新训练集 - - - - - -维训练对象。然后,在最后的决策规则,分类器可以构建随机子空间和结合使用简单多数投票[35]。

3.6。集成学习方法

集成学习方法可以提高分类的性能26]。在这个框架中,通信学院和RSM分类器采用单分类器。使用多个分类器的分类任务。分类器的结果与各种精度相结合通过ensemble-based方法(36]。原则是描绘在图的帮助3。

为高射速的情况下,通过随机分割的特性集子组,我们生成基分类器的训练数据。在那之后,主成分分析应用到每个子群。保持数据的变化信息,所有主要组件都考虑在内。这就是 - - - - - -轴旋转实现新功能为基本分类器做准备。旋转技术是为了提高个人准确性的同时培养系综中的变化。每个基分类器的多样性是由特征提取。在这个场景中,精度是衡量整个数据集训练每个基分类器(33]。

RSM而言的 - - - - - -维随机子空间的原始特征集。因此,训练集所包含的 - - - - - -维训练对象。在这种方法中,我们构建了随机子空间分类器,利用简单多数投票总他们的结果(35]。

3.7。绩效评估措施

为了避免任何偏见的分类性能评价、多个评价措施,即准确性、F-measure, AUC,利用29日]。方程(定义的精度9)。真阳性,真阴性、假阳性和假阴性表示为tp、tn、fp和fn分别。F-measure由方程(10)。图形化的AUC提出了分类性能。这是图的曲线下的面积,通过跟踪真阳性率(TPR)的假阳性率(玻璃钢)。TPR和玻璃钢分别由方程(11)和(12)。

4所示。结果

系统性能测试通过使用BCI竞争三世,数据集IVa [11]。输入EEG信号的一个例子及其去噪的版本,与MSPCA获得,如图4。

去噪信号开始分解在16个部分波段利用WPD的4级。获得部分波段图所示的一个例子5。

研究了总体系统性能的分类精度。发现表中列出1。这些结果也提出了图形。在图6,准确性分数,得到不同的分类器,显示。数据7和8分别显示了F-Measure和AUC值,获得不同的分类器。

很明显从表1基于事例的合奏和通信学院获上级分类性能在大多数的情况下,相比其他分类器进行了研究。获得的百分比精度获得科目AA,艾尔,AV,亚历山大-伍尔兹,唉分别是96.67%,94.05%,89.64%,96.43%,90.71%。然而,结果是不同的主题唉。为唉分类精度最高的98.69%获得RSM射频和98.45%与C4.5 RSM获得的。学院信息与C4.5是第三个的准确性达97.14%。RSM和RT是第四个97.02%的准确性。RSM和事例第八的准确性达92.38%。

同时考虑每个主题的情况下,精度最高的98.69%是通过RSM射频。然而,对于所有五个主题,分类精度最高的94.83%是通过事例的学院。它表明,在一般情况下,使用装配MSPCA, WPD,统计特征选择使用高射速与事例为研究数据集结果最好的分类性能。

5。讨论

在上面的部分中,列出的结果,表明,大多数情况下,MSPCA拟议的框架,WPD,统计特征选择、基于事例和学院领导对分类精度很高。然而,最好的结果唉获得了MSPCA、WPD,统计特征选择用RSM射频。它发生由于EEG信号的变化大小和响应时间的主题在执行MI的任务。它有一个对EEG信号的形状的影响以及postsegmentation的性能、去噪、特征提取和分类算法。因此,不同的学科有不同的分类精度的结果。

BCI是好地开发领域,并使性能比较与国家的艺术是一项乏味的工作。这主要是因为各种各样的数据集,预处理,特征提取,降维,分类技术在先前的研究中使用。然而,建议框架的性能比较使用类似的数据集是由最先进的解决方案。表2这些研究提供了一个审查。它表明,提出的方法可以确保可比或性能优越比以前提出的方法。降维,它表明,设计了去噪和系综分类方法有一个实质性影响整个系统的精度和性能。self-configurability的系综分类器,利用训练数据集的函数,是他们的主要优势之一。使用事件驱动的工具可以帮助提高计算效率的建议方法45- - - - - -48]。在未来,这方面可以调查。开发的系统有可能被集成到未来一代的脑机接口系统。解决方案为目的数据集表现良好。未来的工作是测试其他潜在的运动图像数据集的适用性。深度学习工具的公司是另一个轴来探索。

6。结论

本文提出了一种新颖的自动化汽车图像任务分类方法。EEG信号处理区分两类大脑的活动。这种方法是一个智能的组合整体学习,小波包分解、多尺度主成分分析,提取部分波段统计特性。结果显示其有效性在预定的运动图像分类任务。使用一种智能的随机子空间和随机森林分类器,实现subject-dependent精度最高的98.69%。旋转森林分类器的建议合奏事例subject-independent最高达到了94.83%的准确性。

数据可用性

本文使用的数据集是公开通过以下链接:http://www.bbci.de/competition/iii/desc_IVa.html。

的利益冲突

作者宣称没有利益冲突有关这项研究的出版物。

确认

这个项目是由Effat没有大学的决定。加州大学# 2月2018/10.2-44i 7/28。