文摘
解释大脑命令现在更容易使用脑-机接口(BCI)技术。运动图像(MI)信号检测是BCI的应用程序之一,手和脚的动作可以通过大脑识别命令,可以进一步用来处理紧急情况。设计的BCI技术遇到的挑战BCI文盲,可怜的信号噪声比,主体多样性、复杂性和性能。自动化模型用于紧急应该较小的复杂性和更高的性能。处理相关的复杂性的挑战性能权衡,利用大脑信号的频率特性研究。从大脑的力量创建特征矩阵频率,使用和新提出的相对力量特性。分析α和β副环带的相对权力,γ,θ副环带已经完成。这些提议相对特性评估的帮助下不同的分类器。对于运动图像分类,建议的方法导致了93.51%的最大精度比其他现有的方法。检查的意义新添加的功能,功能排名方法,即互信息,使用卡方检验,相关性,。 The ranking of features shows that the relative power features are significant for MI task classification. The chi-square provides the best tradeoff between accuracy and feature space. We found that the addition of relative power features improves the overall performance. The proposed models could also provide quick response having reduced complexity.
1。介绍和背景
激活大脑感觉运动节律等虚拟汽车运动的手或脚;然而,实际的电机运动的身体部位并不是最重要的。大脑的激活特性相关的活动与运动运动,有助于在不同的紧急情况下提供快速反应系统中(1,2]。肌萎缩性脊髓侧索硬化(ALS)是一种严重的脑部疾病,病人失去他们的控制身体,只有思想是积极的。脑-机接口(BCI)技术用于汽车图像任务可以帮助病人沟通(3]。BCI技术使汽车行为的大脑命令翻译阅读大脑信号,因此被认为是有效的方法提供更快更准确的反应(4,5]。BCI的准确性对内部和外部噪声非常敏感,主体可变性,非平稳和非线性的大脑信号。当BCI模型被认为是,算法的性能是有限的简单性。
大脑的结构由四叶、额叶、顶叶、枕叶和颞叶。每个叶负责一个特定的任务。额叶是积极情绪,解决问题,演讲,和运动执行相关任务;和顶叶负责感觉,品味,演讲,阅读等等。枕叶负责视觉,视觉刺激,和解释。颞叶与听力,理解的语言,和信息检索。运动相关的行为是由运动皮层位于额叶的一部分几乎在大脑的中心。因此,从运动皮层接收信号从额叶和顶叶有助于理解和运动图像分类的行为(6]。
大量研究报告在文献中识别和解释大脑的信号。运动图像命令解码使用傅里叶变换,短时傅里叶变换,常见的空间模式及其变种,地方平均分解,小波包分解,和功率谱密度5,7- - - - - -11]。小波用于各种应用,如去噪、特征提取,可分类(12,13]。频带能量也是广泛使用的一个特性。Brodu et al。14)提出了一个比较研究对电动机和频带能量提取图像(MI)的任务周期图,自回归,巴特沃斯滤波器,谱图,计算Morlet小波和小波建议获得令人满意的结果。王等人。15评估时间频率表示合成空间过滤器。秦和他(16)开发的小波和MI任务与事件相关的desynchronization-based方法分类,进一步的比较是基于加权能量差的电极对MI的任务。金等。17]提出了一种基于最优信道特征提取通过不同加权功率谱密度对MI任务分类。单一会话和session-to-session精度为该模型的可靠性进行了评估。Tidare et al。18)研究一个肢体的手打开和关闭运动通过能力的措施。线性回归和卷积神经网络(CNN)是用来评估性能和CNN被发现超过。然而,它仍然会受到更少的准确性,使用数据集的近60%。这表明改进的机会通过较高的深度学习各种各样的数据集。μβ节律被证明是有效的;然而,提高培训反馈,SSVEP的基于混合BCI提出了(19]。进一步的研究也报道了从电动机和躯体感觉皮层脑电图的组合在一起提高BCI的性能(20.]。区别的功能学习,滑动窗口常见的空间格局是最近的一些方法用于MI任务分类(21,22]。EEG-Net与临时约束稀疏集团套索也证明其效率在MI任务分类(23]。Akbulut et al。24]提出了MI任务分类α和β频率功率频率表示为最负责任的电机频率的任务。绩效评估是基于最近邻,支持向量机,逻辑回归,朴素贝叶斯和决策树分类器。从这些研究中,决策树和随机森林的报道已经作为最广泛使用的分类器分类和MI任务,因此,在当前的研究中,我们考虑了它们。深学习是现在被广泛接受的区域,但计算成本,模型的复杂性,仍然缺乏足够的数据创建实现挑战。
1.1。动力和目标
运动图像分类的任务是一个开放的挑战提出了各种方法的任务。常见的空间模式(CSP)和它的变体显示改善了MI任务分类的准确性,但这些对声音非常敏感;和被忽视的光谱和时间特征信号。此外,变异容易通道特定数据。是基于减轻这些限制,频率分布要素现在越来越受欢迎。记住频率特性的流行,目前的研究目标(1)提高电机的性能。基于图像分类任务使用频率分布要素(2)分析频率的相对权力的运动图像分类任务(3)保持最小的空间精度和特性之间的权衡模型的复杂性
剩下的纸是组织如下。部分2呈现过程中采用的方法提高电动机的性能图像分类任务。部分3提供的细节从不同的分类结果。部分4提供详细的讨论结果和部分5总结了论文在该地区未来的方面。
2。方法
在本节中,方法合并的细节描述运动图像信号进行分类。首先,目前的工作中使用的数据集。其次,从大脑信号的特性和特征提取方法用于心肌梗死的任务进行了讨论。此外,功能排名算法是用来评估新添加的性能特性。图1代表参与MI任务分类处理的整个流程。
在图1的处理工作完成基于脑电图MI任务数据集。数据集的描述中提供了部分2.1。脑电图信号预处理使用巴特沃斯滤波器和各种特征提取的小波不同权力乐队α,β,γ,θ。最重要的特性和评估功能的排名方法的适用性,排名方法三种不同的特性,即互信息,卡方检验和相关性,执行。分类在所有功能集和排名特性集使用分类列出技术已经完成。结果评估基于精度、精度召回,F1-score。结果也与现有的技术相比,在相同的数据集。更多细节图的每一块1进一步提出了部分。
2.1。数据集描述
目前的研究使用了一个开源的数据集对MI任务分类,可用已从BNCI地平线2020访问网站。在这个数据集,提示放牧的录音10受试者在单个会话的8分,每个20道,是可用的。受试者被要求执行的手和脚的动作按照提示。参与者的任务执行持续(5秒)动觉运动图像(MI)的脚的右手,每个所指示的线索。反馈在白颜色的条形图的形式。条形图的长度反映正确分类的数量在过去。脑电图测量biosignal放大器和有源Ag / AgCl电极在采样率为512 Hz。电极位置的目的是获取三个拉普拉斯算子的派生。记录EEG信号,湿电极固定在中央叶,也就是说,C3, C4、Cz [25,26]。在这个实验中,我们使用5倍交叉验证整个工作。虽然有不同的数据集用于MI任务分类,这个数据集选择,因为它提供了大量的数据样本和不同的主题可以记录与主体间变异性降低的问题。
2.2。信号预处理
获得的信号从源电极包含的构件(如不受欢迎的频率由预处理数据删除使用5阶巴特沃斯带通滤波器在0.5赫兹的频率通带和阻带频率100赫兹。给出了滤波器传递函数(1)[27]。最大平坦响应和统一的通带特性使滤波器更适合大脑信号的预处理。
2.3。特征提取
特征提取是一个重要的步骤来减少信号的维数,同时提取重要信息。脑电图记录由大振荡的不同频率和不同研究脑振荡频率反映了与事件相关同步和去同步化α,β和γ节奏(28]。这些频率的功率谱密度(PSD)有助于分析信号的影响在执行MI的任务。因为从不同的研究结果表明,只有平均功率的这些特性是不够的歧视的手和脚运动,提出了PSD的相对权力和方差在当前的研究中进行分析。
获得不同频率的振荡EEG信号,离散小波变换(DWT)的5级分解和使用“dB4小波。技术定位信号频率随时间的变化,因此时间信息和频率信息都是考虑与CSP特性降低计算复杂度。在小波变换中,信号是downsampled被2和5的水平,而且,使用将采样,得到1 5细节系数和近似系数。第五级别DWT选择因为其分解提供了分布式类似于脑振荡频率的频率范围。“dB4”是选择的基础上,有效的从不同的研究结果17,18,29日]。系数的频率范围如下:D1: 50 - 100赫兹(称为噪音和拒绝),D2: 25 - 50赫兹(γ),D3: 12.5 -25赫兹(β),D4: 6.25 - -12.5赫兹(α),D5: 3.125 - -6.25赫兹(θ),和A5: 0 - 3.125赫兹(δ,没有我们的兴趣)。
在当前的工作,平均功率和相对多样的权力从每个感兴趣的频段被用作新功能结合可有效区分MI的任务。在图2,可以看出平均方差的每个振荡频率可以发挥重要作用。而相对权力的概念被认为是在这里,因为这与事件相关同步和α之间的失调,β和γ节奏用于MI任务发生,这将添加额外的高效的MI任务分类特性。平均功率的频率和功率分布的方差获得了重建信号对应的小波系数α,β,γ。Pwelch MATLAB的函数用于计算功率谱密度,以及特征矩阵如下: ,在哪里表示平均的α、β、γ和θ乐队,分别表示相对权力的α,β,γ和θ乐队,分别表示不同的α,β,γ,分别和θ的乐队。在当前的研究中使用的算法是算法1。
|
||||||||||||||||||||||||||||||||||||
获得的特征矩阵的维数 为每个数据集的试验。的总体特征矩阵的大小 是获得。评估的意义功能,功能使用排名方法并进行了比较分析。在下一节中,功能的排名方法的详细描述。
2.4。功能的排名
特性的排名方法帮助在评估的重要性提出功能用于工作。这些方法基于不同的方法将提供的功能。互信息、卡方(χ2),和相关性排名方法是使用最广泛的特性。在这项研究中,这三种技术是用来找到最以及最重要的特性。下面讨论的方法的细节。
2.4.1。互信息
互信息提供功能之间的依赖关系,可以获得的 A和B是两个不同的功能,分别; 是联合概率;和是单独的概率和 表示两个特性之间的互信息。互信息是越高,依赖性越高;因此,功能比其他人有更高的互信息将排名更高(30.,31日]。
2.4.2。卡方检验方法
卡方检验的方法特征选择排名基于特性的依赖的特性相应的类。我们感兴趣的特性是高度依赖的类,该方法给出了更高等级的功能比其他人更依赖类。这些特征频率计算每个样本。零假设的测试制定的功能是高度依赖与另一种假设是独立的特性。的价值χ2是通过使用下列公式计算(30.,32]: 在哪里是依赖特性和观察到的频率是预期的频率依赖的特性。α(置信区间)选为0.05。
2.4.3。相关法
相关措施提供了一个方法来识别高度相关的特征数据。更高的相关性表明小模型的普遍性。因此,这些特性需要被移除,以降低维度,提高选择的分类器的普遍性。相关性是使用以下公式计算30.,33]: 在哪里一个和B两个特征集的特性和表示特性之间的相关系数。超过两个特性之间的相关性可以可视化热图。在这张地图上,高度相关特性是深色,而功能有较小的相关性显示更少的颜色强度。从热点图,一个人可以排名高度积极的还是消极的相关特性(30.,33]。
2.5。分类和比较分析
使用该方法获得的特征矩阵送入不同性能的评价分类器的特性。五个著名的分类器,即决策树(DT),好再(资讯),加权资讯(WKNN),二次支持向量机(QSVM)和随机森林,用于分类。从分类结果和讨论部分所示3。分类后的结果分析了基于分类器的分类精度,精度,召回,F1-score [34]。当前研究的比较分析不同的现有方法也在下一小节中介绍。
3所示。结果与讨论
实验进行一个系统的配置英特尔核心我5处理器和8 GB RAM。开源运动图像的数据集分类的任务是评估该方法并与不同的现有方法。从目前的研究结果提出了在这一节中。
3.1。不同分类器的结果没有排名
在这项研究中,五分类用于MI任务分类和获得的结果如表所示1。五个最广泛使用的分类器选择的研究中,决策树,好资讯,加权资讯,二次SVM,和随机森林。
决策树需要分裂的决定基于经验数据,它就像一个人类大脑。然而,基于近似标准;距离越低,越高机会躺在该类的数据。支持向量机创建一个超平面分类的对象。随机森林是由多个小决策树在一个随机的数据子集,每棵树将作为一个专家的决定分裂(34]。
的结果,很明显,除了支持向量机,所有分类器提供有竞争力的准确性。从加权资讯分类器获得最高的精度是93.51%。
精度、召回和F1-score措施也很重要标准,评估分类器的性能。精度越高,较低的假阳性的数量犯下的错误分类器。分类器有大量召回是不是很少有正面例子。F-measure代表一个调和平均数之间的回忆和精度。高价值的F-measure确保精度和回忆都是相当高的(34]。精度、召回和F1-scores不同的分类器如图3。
在图3可以看出,值的精度,还记得,和F1-score分类器从0.75到0.95,在决策树,然而,和随机森林,我们得到了异常值;然而,加权资讯和QSVM没有离群值。在加权资讯,最大值是第一个四分位数以上范围和重要的分数超过0.85可称为良好的精度,召回,F1-scores MI任务分类。好资讯还显示了更好的价值,但精度比加权资讯。因此加权资讯用于进一步的研究。
特性的排名方法评估进行分析,以了解权力的作用特性。详细的结果在随后的部分提供的排名方法。
3.2。排名结果不同分类器的特性的方法
分析功能是至关重要的和关键的一步获得的主要特性和降低维数。排名功能可以提供相关的功能,它还可以帮助减少过度拟合,提高分类模型的普遍性。本节讨论不同方法的结果特性详细排名。
3.2.1之上。特性与互信息排名的结果
互信息是一个非常著名的排名方法的特性。详细的方法讨论了一节2.4。1。获得排名的结果特性,该方法评估10次,每次迭代后获得的排名。互信息显示功能对类的依赖。互信息越高,越高的意义功能。
前6特性选择10个迭代得到的11对所有十个科目。图4代表的排名功能用互信息的方法获得的。从图4,很明显,功能{5、7、8、10、11}是最有价值的功能,其中5和7是相对功率特性和其他人不同功率特性。可以看出,互信息的特征选择方法选择的各种特性包含α,θ,和伽玛乐队。
3.2.2。结果排名与卡方检验方法的特性
卡方检验进行排名的功能。特性的高依赖的类优先排名。卡方检验排名11特性如图5。
卡方检验方法是另一个流行的特征选择方法。这种方法着重于两个值f值和命名值。高f值和低价值观是最重要的特性。在当前工作,遵循相同的步骤和五大功能卡方提供的11个等级选择的方法。特征选择是10迭代执行和结果呈现在图5。选择五大功能是基于发生在多个迭代的特性。特性集{6,8,9,10,11}被选中作为进一步分析的最重要的特性。
3.2.3。排名结果的特征与相关措施
相关方法是排名的另一种测量特性,它提供的信息相互关联功能。特性的热图的十个主题图所示6。
热图,深点的颜色显示了更高的相关性,而更浅的颜色有关联的功能。相关对10次迭代后得到相关特征选择模块所示7。
图7显示了对相关功能。相关性越高,低功能的重要性;因此,功能{3、7、8、9、10、11}可以丢弃和准确性可以计算在其余的特性进行进一步分析。由此,也可以看出之间没有相关性相对权利的特点,也就是说,{5、6}。这代表的意义相对权力特性对它们之间的相关性。
3.2.4。整体排名方法精度的分析功能
在本节中,相对多样的整体影响的分析能力对MI任务分类精度。已经被考虑计算精度最好的功能获得功能排序法。结果如表所示2。
当考虑所有功能时,获得的平均准确率93.51%,这是一个重要的结果。我们分析的重要性相对权力特性计算精度不考虑它们。结果表明,六分主题,精度降低,剩下的科目,精度有了细微的变化,近±0.2至0.6%,这是非常小的。进一步分析,选择最优的特征从不同的排名算法基于秩和其余的特性是辍学了。结果辍学的这些特性没有更多的对分类精度的影响。在随后的部分中,比较分析不同的排名方法提出了现有模型和特性。
3.3。比较分析
比较该方法与现有的模型,比较分析了在这一节中。比较的结果是基于研究论文使用相同的数据集(25,26]。该方法相比是最广泛使用的特性,也就是说,CSP MI任务分类。比较结果如图8。从图中,很明显,平均和不同功率特性与射频分类器比CSP功能的主题。图中还代表的CSP方法的性能是不同的主题,但我们建议的方法没有这个问题。这将确保该方法减轻了挑战的性能相关主体间的变化。
除了结果提出了数据集,其他一些研究报道性能几个科目。Sahu等人报道60.5%的平均表现3受试者使用主成分分析(35]。在另一项研究中,m . Sahu和美国Shukla特征选择方法用于改善MI信号的分类。在这项研究中,平均精度为58.25% 4主题报告(36]。Kumar和Sahu提出基于PSO的分析MI任务分类,这导致所获得的最高精确度(68.75%37]。分析功能的性能排名方法,我们进一步评估的平均损失为不同的功能特性和精度斜方法。
图9代表不同的损失或减少精度的方法。如果我们选择五大功能特性集和计算的准确性,特定主题的准确性与现有的准确性的变化称为损失精度。损失越高,较低的方法的重要性。相关法显示精度最高的损失对准确性的所有特性。互信息方法显示了重大损失精度,而卡方检验方法提供了精度损失小。所以,卡方检验方法可以用来维护如果更高的复杂性问题的权衡。
此外,在这项研究中,了解辍学的特性对精度的影响,图10突出的变化精度。
从图10,很明显,最高精度通过考虑所有11特性。在互信息,选择六大功能和精度达到93%,而在卡方检验方法中,选择五大功能和准确性为93.5%。在相关方法中,五大特性选择但精度大大降低到91.5%。因此,可以得出结论,在互信息法和卡方法,特征空间和准确性之间的权衡。
4所示。讨论
在最近的研究中,权力的相对实力和方差的影响考虑MI的分类任务。信号从大脑的电极使用运动皮层;因此,这项研究是基于运动皮层的频率和功率的信号,也就是说,C3, C4、Cz和附近的电极。分析的影响,采用不同的策略。十个学科被认为是对该方法的评价MI任务分类。结果表明,该方法优于基于CSP的分类方法;这背后的原因是它允许基于本质的频率分布要素持有显著特征为每个任务效率。研究中获得的总体平均准确率为93.51%,这对所有科目是一致的,不像其他方法有更高的精度几个科目。排名方法的分析特性,互信息方法提供了93.05%的平均分类精度特性集{5、7、8、10、11}。在这种方法中,相对功率特性和不同的功率特性显示与轻微损失精度的重要性。 In the chi-square method, the analysis provides accuracy of 93.4% on the feature set {6, 8, 9, 10, 11}. In this method, the dominance of varied power feature is indicated, but it also shows the contribution of relative power feature of alpha to gamma ratio (6th feature). In correlation-based method, again the feature {5, 6} shows the least correlation. Hence, these proposed features are significant not only in the aspect of accuracy enhancement but also in different scenarios considered having mutual information and correlation of features as major concerns. The analysis also shows that the combination of features exhibits the tradeoff between accuracy and complexity of feature space when complexity is a major concern.
5。结论
基于运动图像的改善BCI在其复杂的模型和分析是很重要的。在最近的研究中,MI信号分类的力量α,β和γ频率随相对权力。采用五种不同的分类器选择更好的结果从各种各样的分类器。分类结果表明,所有的分类都有竞争的结果,但基于准确性,加权资讯优于其他分类器。该方法也优于基于csp的特征提取方法对给定的数据集。该方法不仅解决了问题保持权衡和复杂性也减轻了主体间变异性问题。添加新特性的重要性判断,功能排序法。基于互信息、卡方检验和相关性特征排序的方法,计算并比较结果。功能排序法的结果表明,当特征空间和时间复杂度的问题,卡方检验方法为业绩优胜者其他特征排序方法与特征空间减少了45%。然而,当方法关心BCI的准确性,增加相对权力特性可以提高系统的整体性能。 Future era will be based on BCI, which flourishes the scope of further research to meet the challenges of electrode placements and selection, signal to noise ratio improvement, and device dependency reduction.
数据可用性
公开的数据集用于这项研究,可以通过访问http://bnci地平线- 2020. - eu/database/data -集。
的利益冲突
作者宣称没有利益冲突。