文摘

运动图像脑电图(EEG)已成功地应用于运动康复计划。虽然noise-assisted多元经验模态分解(NA-MEMD)算法用于提取特定于任务的所有频道在同一频带范围的固有模式函数(货币),识别和提取包含重要信息的特定货币仍然困难。在这篇文章中,已研制出的一种新方法来识别地组件在一个低维子空间没有先验知识。我们的方法训练高斯混合模型(GMM)的综合数据,这是由imf的原始信号和噪声,采用内核谱回归减少复合数据的维数。然后信息首先被歧视使用GMM聚类算法,常见的空间格局(CSP)的方法是利用从重构信号,提取任务相关的功能和支持向量机(SVM)是应用于提取特征识别脑电图信号的类在不同运动图像的任务。了该方法的有效性验证了计算机模拟和运动图像EEG数据集。

1。介绍

许多人在世界各地生活在各种各样的临床条件,包括中风、脊柱创伤、脑瘫和多发性硬化症。不幸的是,这些条件经常与电动机出现赤字,这大大降低了患者的生活质量。精神实践与运动图像(MI)是目前被认为是一种很有前途的额外治疗改善运动功能(1)重复认知训练,在此期间,病人想象执行任务或肢体动作没有实际的身体活动,可以调节大脑灌注,在特定大脑区域的神经活动2]。有趣的是,有人建议,结合符合培训设备和人脑控制的肢体辅助技术可以帮助诱导神经可塑性,导致运动功能改善(3]。尽管是非侵入性记录和在同一时间尺度的感觉运动控制大脑,MI演习中使用的高维脑电图数据面临着许多挑战[4]。更具体地说,这些信号通常是收集来自多个电极(或渠道),不可避免地受到噪声从生物、环境和工具的起源。

降维的数据分析在许多领域中扮演着重要角色(5]。使用这种方法,数据从高维空间可以表示为向量在减少,低维空间为了简化问题没有降解性能。最受欢迎的降维方法是主成分分析(PCA) (6),这是理论上保证发现子空间的维数和产生紧凑的表示如果数据嵌入在一个线性空间。在许多现实世界的问题,然而,没有证据表明实际采样数据从一个线性子空间7,8]。这促使研究人员考虑manifold-based降维的方法。不同的流形学习技术,包括ISOMAP,局部线性嵌入(米歇尔)和拉普拉斯算eigenmaps提出减少固定的训练集的维数的方式,最大限度地保留某些interpoint关系(9- - - - - -11]。不幸的是,这些方法一般不提供一个功能高和低维空间之间的映射,是有效的训练数据(7]。最近,谱方法也成为强大的工具为降维。谱回归(SR),基于回归和谱图分析,可以有效地利用标记和未标记点发现内在判别结构的数据(7,8]。结果,老被应用于监督,semisupervised,无人监督的情况下不同模式识别任务(12,13和传统的降维方法已经显示出它的优越性。

经验模态分解(EMD)是一个完全数据驱动和自适应分析方法,被广泛应用在生物医学信号处理领域(14- - - - - -16]。它将原始信号分解成一组固有模式函数(货币),代表着自然振荡模式包含在原始数据中。EMD确实有一些限制在处理多通道数据,因为imf的分解从不同的数据通道难以匹配的数量和/或频率(17,18]。为了解决这个问题,一个noise-assisted多元EMD (NA-MEMD) [19)最近提出的方法。这种方法适用于多元EMD的二元滤波器组属性(20.]白噪声,从而能够减少mode-mixing显著问题,实现良好的性能在MI EEG信号的分类21]。尽管EMD和它的扩展版本已经被广泛研究和应用,很少有研究相关的国际货币基金组织(IMF)的选择水平(尺度),提高的问题如何选择地国际货币基金组织(IMF)组件在一个有效的方法。传统方法利用先验知识在任务相关领域:有关货币选择通过计算平均功率谱的最初的几个货币基金和比较它们的频率分布μ(8 - 12 Hz)β节奏(Hz)年龄在18岁至25岁之间21]。同样,在神经beta-related振荡活动,所选择的信息首先是通过检查意味着β频带的频率(22]。在[23),相关的模式选择部分重建的手段和措施的概率密度函数之间的相似性计算每个模式的输入信号,提取通过EMD,尽管这仍然不足以分析多变量数据。最近,一种新的统计方法提出了识别地货币基金在每个规模(24]。这种方法使用相似措施比较imf的数据和噪音,产生令人印象深刻的成果,应用于多通道局部场电位记录皮层的猴子在广义flash压制(GFS)任务。

在这项工作中,我们提出一个新颖的方法来识别地组件从脑电图数据在低维空间中,独立于先验知识。该方法首先对输入信号执行NA-MEMD获得不同尺度的货币。其次,无人监督的内核谱回归分解首先用来映射到低维子空间,避免eigendecomposition稠密矩阵,使灵活的整合各种regularizers到回归框架(7,8]。第三,高斯混合模型(GMM)生成,根据imf的原始信号和噪音,和最优数量的集群和相应的模型参数估计的GMM聚类方法。最后,地首先从输入信号在每个规模歧视。GMM聚类算法本质上是类似传统的聚类算法(例如, ,则执行硬数据点分配给集群),除了它允许集群参数准确地估计即使大幅重叠集群(25]。现有的方法来识别信息货币基金相比,新方法有几个值得注意的方面:(1)内核谱回归是用来减少的维度分解首先通过构造一个最近邻图模型的内在结构。(2)复合货币基金的概率密度函数建模的混合高斯分布和集群的数量最适合复合货币基金估计和用于识别地组件。(3)该方法不依赖于先验知识,可以区分每个信号通道的信息首先在每个规模。

剩下的纸是组织如下:部分2提出了材料和信号识别方法,包括noise-assisted多元经验模态分解的多通道脑电图信号谱回归降维相结合的复合数据由imf的信号和噪声通道和GMM集群。然后简要介绍了常见的基于模式空间的重构信号特征提取识别地货币基金和支持向量机(SVM)分类器。部分3然后演示实验结果,包括仿真结果和应用程序真正的MI脑电图数据集。最后,我们提供了一些结论和建议对未来工作的部分4。

2。材料和方法

2.1。主题和数据记录

为了评估算法,从九个学科获得了EEG数据从两个公开的数据集。这些数据集包含脑电图信号记录在受试者想象肢体运动,左/右的手或脚等动作。他们简要描述如下:(1)BCI竞争第四集我26)是由柏林BCI集团提供。脑电图信号记录使用59电极从四个健康的参与者( , , , )两类MI执行任务。更准确地说,主题 和 执行左手和脚MI虽然科目 和 左手和右手MI。总共有200次试验可用于每一个主题,包括为每个类100次试验。(2)BCI竞争第三集IVa [27)是由柏林BCI集团提供。使用118个电极EEG信号记录从五个健康受试者( , , , , )执行正确的手和脚MI。训练集和测试集对每个主题是可行的,尽管他们的大小为每个主体不同。总共有280次试验为每个主题,其中168年,224年,84年,56岁和28试验由各自的训练集的主题 , , , , ,剩下的试验属于他们的测试集。

死因特异性以来感觉运动节律运动图像主要是与大脑的中心区域(28,29日),11脑电图通道使用的实验数据(一个FC3,文件FC4, Cz, C3, C4、C5、C6, T7, T8, CCP3, CCP4,推荐在21])。这些通道的位置如图所示1。


图1
选择电极的位置在扩展国际10 - 20系统。
2.2。信号识别低维子空间

我们的目标是识别显著地首先在每个多路数据的规模。为每个组多元NA-MEMD获得的货币,它是关键,认识到合适的货币轴承与MI脑电图活动相关重要信息。在本节中,我们介绍一个新四级的方法识别信息货币基金。首先,NA-MEMD算法对原始数据进行获取一组多元货币基金,相结合的复合数据是由imf的从每个信号通道与噪声通道在每个规模。其次,综合数据映射到低维子空间提取特征向量使用无监督内核谱回归(7,8]。第三,通知利用高斯混合模型的内在判别结构概率分布产生的低维特征向量。然后,每组的特征向量在每个规模,最大似然分类后执行区分成类最优数量的集群和相应的模型参数估计的GMM聚类方法(25]。最后,每个信号通道的信息首先在每个规模根据聚类结果确定。在下面几节中,提供更多的细节为每个阶段的建议的方法。

2.2.1。Noise-Assisted多元经验模态分解

对于多元信号,MEMD方法(20.)是利用生成多维信封,信号预测沿着不同的方向,最后平均这些预测来获得当地的意思。虽然是有效处理多变量的非平稳信号,MEMD仍然继承了mode-mixing程度。这导致NA-MEMD方法的最新发展19),这是由在原始信号中添加白噪声作为额外的通道。NA-MEMD然后享受的福利quasi-dyadic滤波器组结构MEMD白噪声和白噪声的额外的实现,保证货币的可分性对应于原始信号和噪音。给定一个 变量输入神经元的信号 与 每个试验样品,MEMD产生 多元货币基金: 在哪里 表示 届国际货币基金组织的 和 代表了 变量残留。

在实践中,国际货币基金组织多元的筛选过程时可以停止所有的投影信号实现停止准则。MEMD筛选,采用EMD停止条件的组合作为介绍(30.,31日]。停止标准在标准EMD要求数量的极值和零交叉最多的一个不同 连续的迭代筛选算法(30.]。通过引入信封振幅 和定义一个评估函数 ,在那里 表示在MEMD分解方向向量的总数, 代表的包络曲线 th ( )的方向角度 , 是当地的信号,另一个停止准则提出了(31日]。筛选过程一直持续到的价值 小于或等于一些预定义的阈值吗 。类似于(给定值20.), 和 本文选择。

2.2.2。降维谱回归

谱回归是一种有效的方法来减少图形嵌入维数的观点(7,8]。具体地说,一个亲和图首先构建学习反应标记或标记数据,然后应用普通回归学习嵌入函数。从本质上说,老图的谱分析后进行回归。

假设我们有 数据点 ,降维的目标是找到一个低维表示 , 。给定一个 最近的邻居图 与 顶点, 顶点对应一个数据点 ,让 是一个对称的 矩阵 在加入顶点的边的权值 和 。 和 可以定义描述某些统计或数据集的几何性质。

让 从图地图实线, 代表一个换位。图中嵌入的方法(7),通过引入一个线性函数, ,我们发现 ,在那里 和 。最优嵌入, ,然后由最大特征值对应的特征向量的广义eigenproblem 的特征值 ,在那里 是一个对角矩阵的条目的列金额吗 , 。这种优化可以通过回归采用正则化技术来解决(7),然后由它的解决方案 在哪里 是 的元素 ,负的正则化参数 用于控制的收缩量和一些系数将会缩减到精确零如果非负参数 足够大的是因为的性质 点球。当特征的数量比样品的数量大,样本向量通常是线性无关;因此优化问题的解决方案(3)是eigenproblem的特征向量(2), 和 减少到零(7,8]。最大的 特征向量的 根据预期的降低维数得到子空间在真实的应用程序中。通过这种方式,一个样本的低维表示矩阵 获得的是 。

类似于线性回归,通过定义一个非线性嵌入在再生核希尔伯特空间再生核希尔伯特空间理论()函数,也就是说, ,在那里 美世再生核希尔伯特空间理论的内核和吗 ,线性谱回归方法可以推广到内核谱回归(KSR) [8]。

2.2.3。高斯混合模型对数据聚类

高斯混合模型(GMM)被广泛用作概率建模方法来解决无监督学习问题。基于采用(EM)算法(32Rissanen)和烧结的集群策略使用的最小描述长度(MDL)准则,GMM-based聚类的方法是开发(25]。过程始于一个初始集群的集群和一组迭代参数,结合集群,直到只剩下一个。

让 是一组 维样本属于不同的子类或集群和让 每个样本的子类, 表示该高斯分布的样本 属于, 是高斯组件的数量。然后GMM集群算法的详细步骤如下。

初始化参数包括集群的初始数量 和高斯模型参数 ,在那里 是均值向量, 的协方差矩阵是吗 th高斯分布 表示数据的先验概率点产生的 th组件, 。初始簇的数量在这种情况下,应该选择合适的数据类型的数量歧视。

应用迭代直到MDL准则的变化(EM算法 )小于一个阈值 ,在那里 : 在哪里 高斯概率密度函数的样本吗 考虑到 , 表示对数变换, 是不断的实数的数量需要指定模型参数 , 。

记录模型参数 和的值 ,在那里 表示最后的迭代更新过程的每个值 。

如果集群的数量大于1,应用定义距离函数(25)减少集群的数量,设置 ,重复步骤 。

选择的值 和模型参数 最小化MDL准则的价值。

基于最优参数 和 从步骤 ,样本向量是有区别的 使用最大似然分类类。

2.2.4。识别算法地分辨货币基金

在本节中,我们介绍我们的算法识别信息和noninformative货币基金之间。我们的方法的详细步骤(KSR-GMM)描述如下。

生成 声道输出多变量组成的信号输入 路信号和一个 声道输出的不相关的高斯白噪声时间序列长度相同的作为输入,然后执行MEMD分解(20.)多元信号,获取 变量首先用 矩阵, 分解尺度和数量吗 样品的长度是每通道。

在 th ( )从一步生成的多元货币基金的规模 ,结合 声道输出货币对应的噪声一个频道首先从原始信号,给予 组的 变量组合给出的数据 矩阵。

在一个给定的( th),无监督执行KSR算法,分别 th 集团综合数据获得的步骤 收益率, 组的低维表示向量用 矩阵的子空间,减少 是减少的数量的维度。

在给定的范围内,每组表示向量的提取步骤 最优数量的集群 由GMM估计聚类方法,基于价值的 和相应的模型参数,然后分为表示向量 使用最大似然分类类。

在给定的规模,地首先根据聚类结果确定步骤 :如果国际货币基金组织从任何个人与IMF的从噪声信号通道是集群通道,然后noninformative IMF被拒绝。所有剩余的货币被认为是显著地。

在这部作品中,初始数量的集群中选择两个GMM集群,只因为我们区分两种类型的数据:信息和noninformative货币基金。另外,需要注意的是,过量的噪音水平可以妥协NA-MEMD的数据驱动的能力,虽然没有技术限制噪声通道的数量,可以补充道。作为一个经验法则,噪声的方差需要在2 - 10%的输入信号产生可靠的结果的方差(20.]。

2.3。常见的空间模式进行特征提取

脑电图信号处理中,常见的空间模式(CSP)方法旨在发现线性空间滤波器,EEG信号的方差最大化一个类同时最小化他们的方差从别人33]。在数学上,空间过滤器的静止点如下优化问题: 在哪里 代表一个空间滤波器, 代表了 数据矩阵的类 在哪里 的渠道和数量吗 每个通道的样本数量, 空间协方差矩阵估计是类人吗 。使用拉格朗日乘子方法,解决方案可以获得特征向量的广义特征值分解: ,在那里 表示的特征值 。空间滤波器的特征向量 ,对应于最大和最小特征值。

的投影矩阵 ,空间过滤信号的试验 给药 。的两个类之间的歧视MI任务,提取的特征向量空间过滤信号的对数: 在哪里 表示 第一个和最后一个行 和象征 表示方差。

2.4。支持向量机分类的MI脑电图

支持向量机(SVM)算法(34被认为是一个最先进的分类方法由于其鲁棒性异常值和良好的泛化能力。支持向量机的核心思想是单独的数据通过超平面产生最大可能的边缘,这是最近的数据点之间的距离不同的类。

脑电图描记器处理的详细步骤描述如下:(1)预处理的 声道输出的脑电图数据使用一个5阶巴特沃斯滤波器,获得与乐队8-30赫兹频率过滤数据。(2)执行该识别方法相结合所获得的额外的复合信号 声道输出的高斯白噪声 声道输出的脑电图数据获得的步骤 ,确定地首先在每个规模。(3)为 声道输出的脑电图数据,信息首先区分开来的一步 被添加在一起,构造带通滤波的信号。(4)流程重构信号的步骤 CSP算法提取特征向量的不同的运动图像的任务。(5)采用支持向量机分类器识别脑电图在不同的类MI任务基于提取的特征向量在步骤 。

3所示。实验结果和讨论

在本节中,几个实验模拟数据和真实世界的脑电图数据进行显示我们提出的方法的有效性。新算法构造的基于谱回归代码(http://www.cad.zju.edu.cn/home/dengcai/Data/data.html)和GMM聚类的代码中发现的软件包(https://engineering.purdue.edu/ bouman /软件/集群)。我们使用了LIBSVM工具箱(35)来实现EEG数据的支持向量机分类。对于所有方法使用内核应用程序,选择了高斯核函数由于其有效性和稳定性实验中,也就是说, ,参数 是高斯核宽度。所有的方法都是在MATLAB中实现2013 PC上的环境2.5 GHz处理器和4.0 GB RAM。

3.1。仿真结果

我们的方法是首先进行模拟数据来验证其有效性。除非另有规定,15-channel噪音数据生成使用一个不相关的高斯白噪声时间序列的长度相同的输入信号。此外,噪声的方差将6%的方差的输入根据建议(20.]。此外,最近的邻居的数量( )和正则化参数( 为 处罚和 为 这个模拟点球)选择交叉验证。

在这个实验中,模拟数据生成一样在24]。一个三路合成信号 的长度 和采样率 赫兹是 在哪里 , , , , , 代表高斯白噪声。

(I)研究集群性能的方法。一组三路输入信号信噪比= 20 dB生成和额外15-channel白噪声和信噪比= 6.1 dB添加到输入信号来创建复合信号。我们的方法进行复合信号和地首先在每个规模被确定。图2显示了一个散点图和类标签的16个样本在前七尺度二维特征向量,包括一个样本对应一个信号通道和15个样本噪声通道。这里,数据点对应于信号通道是由“ ”而显示相应的噪声通道的“o”的蓝色。

(一)规模1
(一)规模1
2 (b)规模
2 (b)规模
(c) 3
(c) 3
(d) 4
(d) 4
规模(e) 5
规模(e) 5
规模(f) 6
规模(f) 6
规模(g) 7
规模(g) 7
图2
聚类结果使用该方法在前七的尺度上。

从图可以看出2复合数据点在4日,5日,6日尺度 集团所有集群分成两类,同样适用于4日和6日尺度 组和第四和第五的尺度 组,每个频道的其余尺度上复合数据属于一个类。根据该方法,这些货币基金有两个集群被认为是信息和识别结果符合imf NA-MEMD包含真正的频率成分分解的算法,如图3。第一个七首先被指示为 和残差表示为 ,这是货币基金的资金剩余的尺度。可以看出,底层的频率成分发生在IMF 4-6th组件,用红色显示。


图3
使用NA-MEMD分解模拟结果数据的算法。

(II)测试噪声具有不同信噪比的影响在我们的方法中,这是必要的,以验证性能测量数据以来,经常遭受噪音污染在真实的应用程序中。我们的方法与几种方法对于识别地组件:(i)胡锦涛的方法(24),它使用瓦瑟斯坦距离评估参考货币之间的相似性从噪声通道和imf的信号通道,随后建立了置信区间(如95%)的距离采用蒙特卡罗技术,作为WD-CI表示;和(2)三种算法降维与GMM集群:PCA、内核主成分分析(KPCA) (36),而 规范PCA(左1PCA) (6]。为了方便性能比较,两种类型的错误进行评估。这些被定义为 错误,未能识别真正的国际货币基金组织(IMF)组件轴承相关信息 II型错误,不当的识别信息免费国际货币基金组织(IMF)组件。

首先,不同的信噪比不同的通过系统地改变白噪声的方差在输入信号叠加,结合独立15-channel白噪声(信噪比6.1 dB)作为参考通道。总的来说,十六个信噪比水平进行了100次试验在每个级别执行。在每个试验中,白噪声叠加在输入信号的信噪比第一次改变,有关货币被确定不同的算法,计算和相应的出错率。这个测试的结果在图所示4。低利率的I型和II型错误被发现在所有方法的信噪比水平较高。总的来说,除了I型错误率在PCA-based方法中,信噪比的增加导致减少错误率。与其他识别方法相比,PCA-GMM KPCA-GMM, L1PCA-GMM显示错误利率下降但II型错误率较高,而WD-CI了II型错误率最低。该方法显示出一种改进的I型错误率与II型出错率略高于WD-CI算法,虽然整体II型错误率的新方法和WD-CI算法仍然非常小,即使在低信噪比。这些结果表明,我们的方法可以有效地识别地组件在低信噪比和高度耐白噪声。

(一)错误
(一)错误
(b) II型错误
(b) II型错误
图4
统计结果用不同的方法在不同信噪比的系统变化通过改变白噪声的方差信号的叠加。

接下来,考虑到噪声中包含噪声的信号通道不匹配的参考通道,红噪音的影响 噪音)与不同的信噪比进行了测试方法。图5显示了识别错误率在不同噪声信噪比水平。结果表明,新方法和WD-CI算法工作得很好,即使是一个不匹配中包含的噪声数据和参考通道的噪声。这进一步证明了我们的方法的鲁棒性,当识别信息组件在嘈杂的数据在低信噪比。

(一)错误
(一)错误
(b) II型错误
(b) II型错误
图5
统计结果通过不同的方法在不同的信噪比。信噪比是系统的变化通过改变红噪声叠加在信号的方差。
3.2。MI脑电图分类结果

这一部分评估我们的方法的性能MI脑电图数据集。它已经表明,电动机的最大结果图像的调制SMRs [27]。微分调节在SMRs分解使用NA-MEMD方法与局部正交和窄带国际货币基金组织的基地。基于确定地货币基金,有关货币相同的频道进行重构信号,基于csp的特征提取和基于svm分类进行。

为每个审判BCI竞争第四集,我们选择的脑电图数据0 - 4 s MI启动后,作为执行(21]。相比之下,窗口从0.5 - -2.5年代后开始被用于BCI竞争第三集IVa,如(37]。11-channel脑电图数据被认为是输入信号,结合额外15-channel噪声(信噪比20 dB)。几个参数选择交叉验证识别算法 , , 。对脑电图数据集,最好的模型参数测定5倍交叉验证 在支持向量机模型。根据上述步骤,实验结果如下。

(I)展示信息的识别能力国际货币基金组织(IMF)组件在脑电图数据使用该方法:有人指出,对于脑电图数据,模拟不同的是,我们不知道地面真理已确定的货币。所有200个试验中每个主题的BCI竞争第四集,确定地分辨货币基金的平均功率谱计算,相比获得使用现有的方法(NA-MEMD-PK) [21]。

图6显示了平均功率谱的对数为每个主题使用新的方法。可以看出β和μ节奏,是包含在2日 )和第三货币基金( ),分别是明显分开。此外,频率带宽1日货币基金( )通常是广泛的,包含15 - 30赫兹频段的某些部分。因此,有一个平衡的选择 ;忽略它会牺牲一些有用的信息,而保护可能会引入噪声。要解决这个问题,第一规模的作用是决定根据最优分类结果结合基于csp的特征提取。所有四个主题,搭配 以及显示这两种方法之间没有显著差异在所有200的功率谱试验前三个货币但发现在第四届国际货币基金组织的显著差异,如表所示1。这演示了该方法的有效性识别地首先从真正的脑电图数据。

表1
值比较,前四个货币的功率谱识别的两种方法。
(一)主题
(一)主题
(b)主题
(b)主题
(c)主题
(c)主题
(d)主题
(d)主题
图6
的平均功率谱 所有四个科目的BCI竞争第四集。请注意,我们的方法计算的平均功率谱确定地首先在第一个四个量表对所有200试验的每一个主题。

(2)评估方法的分类性能使用5倍交叉验证研究两个MI数据集:这里的分类过程重复了100次使用新方法,NA-MEMD-PK算法(21),和基于non-EMD原始数据直接由基于csp的特征提取和基于svm分类处理不同数量的空间过滤器( )。平均为每个方法的准确性和标准偏差,用于直接比较。

考虑数据总量的大小为每个主题在BCI竞争第四集,脑电图块的数量是140每个训练集和60为每个测试集,如(21]。为了确保有效的不同方法之间的比较,相同的数据分区被用于交叉验证。图7显示了所有四个科目的分类性能的BCI竞争第四集。结果表明,NA-MEMD-PK方法取得了最好的平均的结果,平均分类精度为81.01%所有四个受试者一张0.24%改善CSP算法和新方法提高了1.81%。CSP方法产生了三种方法在两个主题之间的最佳性能( 和 ),而NA-MEMD-PK产生最好的是剩下的两个科目的准确性( 和 ),而我们的方法略高于CSP算法时执行的 。然而,一个配对 以及显示我们的方法和NA-MEMD-PK算法之间没有显著差异( 0.096, 、职责),我们的方法和CSP方法之间无显著差异( 当 我们的方法),一个重要的区别和CSP方法( 为 )。这些结果表明,NA-MEMD-PK算法相比,我们的方法可以达到类似的结果没有先验知识的使用。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图7
分类精度(平均值和标准偏差)获得的四个主题BCI竞争第四集我当 ,分别。

最后,5个科目的分类性能的BCI竞争第三集IVa。对于每个主题,CSP过滤器和可用的训练集训练分类器模型。图8说明了分类精度(平均值和标准偏差)获得这些集。结果表明,所有5个科目的平均分类精度得到我们的方法是74.06%,收益率NA-MEMD-PK方法提高了0.94%。一个配对 以及显示我们的方法和NA-MEMD-PK算法之间没有显著差异( 0.027, 、职责),和一个重要的区别我们的方法和CSP方法( 值小于0.01)。当应用于第三BCI竞争数据,CSP方法产生了三种方法在两个主题之间的最佳性能( 和 ),而该算法表现最好的主题 当 。此外,我们的方法优于NA-MEMD-PK方法在两个科目( 和 ),而NA-MEMD-PK算法进行更好的在两个科目( 和 ),产生了类似的表现主题 所有四组的空间滤波器。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图8
分类精度(平均值和标准偏差)获得了五项主题BCI IVa当竞争第三数据集 ,分别。
3.3。讨论

在这些实验中,NA-MEMD算法表现出一个准确的定位特定于任务的频段与良好的可分性的特征提取和分类,在其应用程序MI脑电图数据。模拟的新方法进一步证明是健壮的白色和有色噪声具有不同的信噪比。相比与其他识别方法(WD-CI, PCA-GMM、KPCA-GMM和L1PCA-GMM),该方法获得的相对改善表现的I型和II型错误率。对于真正的脑电图数据,显然地货币被歧视九个科目在MI的任务。与NA-MEMD-PK方法相比,基于平均功率谱,选择货币,该方法取得了类似的分类性能虽然不需要先验知识来实现这种有利的结果。尽管良好的能力时,新算法区分包含任务相关的信息首先频带和分类MI EEG信号,它应该认识到,个体主体差异可能仍然有很大的影响算法的识别能力。

4所示。结论

在本文中,我们展示了如何区分地运动图像的组件(MI)脑电图独立于先验知识。的noise-assisted MEMD (NA-MEMD)算法对原始数据集进行第一名获得一组多元货币基金,与无监督的后续应用内核谱回归(KSR)产生低维特征向量分解首先映射到低维子空间。从每个信号通道的低维特征向量,高斯混合模型(GMM)聚类方法来估计最优数量的集群和相应的模型参数,然后确定地分辨货币基金。公共空间格局(CSP)的方法是利用训练空间滤波器提取任务相关特性通过添加信息的重构信号首先在一起。支持向量机(SVM)分类器应用于提取的特征和识别脑电图信号的类在不同任务。使用这些技术,我们已经表明,我们提出的方法是有效的识别地国际货币基金组织(IMF)组件在模拟数据和MI脑电图数据集和达到良好的分类性能。

总之,小说在一个低维子空间尺度信号识别方法提出了MI任务分类。虽然我们的方法是独立于先验知识,完全数据驱动的,不同类型的噪声和健壮,几个问题有待今后研究工作;光谱回归降维方法选择了最近邻图;然而这不是唯一自然的选择。最近一直有很大的兴趣探索不同的方式来构建一个图形的内在几何模型和判别结构内脑电图数据集(38]。此外,semisupervised聚类方法(39)也取得了有前景的结果相比与传统的无监督聚类方法。提高集群的性能,有必要利用底层数据的流形结构从无标号数据以及额外的知识。这样的进步,结合本文提出的算法,可以提高检测、分类和评估心肌梗死的信号。反过来,这可能导致因为它使得基于脑电图的改善康复技术,改善电动机复苏的预测和引出多种疾病在世界范围内(40]。

相互竞争的利益

作者宣称没有利益冲突有关的出版这篇文章。

确认

这项工作由国家自然科学基金支持下授予号。61201302,61372023,61671197,61601162和浙江省自然科学基金(LY15F010009)。作者要感谢BCI的供应商竞争第四集我和BCI竞争第三集Iva被用来测试算法提出了研究。