听觉感知下基于神经基础的车辆脑电特征提取

听觉感知下基于神经基础的车辆脑电特征提取

发挥作用的脑电运动目前，国内外脑机工作效率bci在康复领域的主要应用是设备开关和智能车轮的辅助控制。在整个bci系统中，信号采集是一个非常重要的一步，也是获得良好结果的前提。获取非侵入式脑电的方法主要有3种类型:一是在思维作业期间,不进行任何刺激情况下,通过头皮电极记录脑电;二是利用单次视觉诱发获得脑电;三是在感觉运动皮层区,利用μ节律的同步化和去同步化获得脑电。单纯的自发想象或在视觉信息提示下进行想象运动已经研究了一段时间,也取得了一定的成果,而在听觉感知信息提示下进行想象运动的实验研究还比较少。资料表明:人类获取外界信息的方式主要来自于视觉和听觉,当视觉感知出现一定程度的缺失,听觉感知作为一个重要的获取外界信息的方式就会起到辅助甚至主导作用。对于使用脑电设备的群体来说,结合真实的生活环境,研究在听觉感知下,进行想象运动的脑电特征同样具有广泛的实用价值和应用前景。有研究表明:诱发脑电刺激源的选择对脑电的识别率有较大影响。传统刺激源的选择如箭头指示、图片提示等基于视觉感知获取信息的环境比较单一,不能全面的反映出大脑在真实环境下的复杂脑电信息。本研究主要针对脑电获取的方式,从听觉感知入手,结合无人驾驶的遥控汽车或残疾人专用的轮椅进行辅助控制,设计了一种基于模拟驾驶行为的左右手想象运动试验,在模拟现实的交通环境下,采用汽车鸣笛、刹车音作为刺激源,利用想象运动,对车辆进行启动和制动控制,探索在听觉信息的感知下,进行想象运动实现驾驶行为的脑电特征,为残疾人车辆驾驶提供实验依据。1试验的对象和方法1.1实验主要参数设计受试者的选取:利用辅助测试实验,从13名年龄23～26周岁听力正常、熟悉交通信息、具有初级驾驶经验的受试者中,选取对听觉信息表现良好的对象。测试方法:利用NeuroScan脑电采集系统配合数字输入小键盘,设定A、B两种声音任务,随机出现40次,任务A出现输入数字键1,任务B出现输入数字键2,选择测试通过率大于90%且听觉系统无明显疲劳感的5名受试者作为主实验的测试对象。主实验设计:从听觉感知入手,采用MAYA技术,建立了虚拟的交通环境,为了便于分析,实验规定任务1:受试者听到汽车刹车音,进行右手想象运动,代表制动车辆操作;任务2:听到鸣笛音,进行左手想象运动,代表启动车辆操作,具体设计如图1。1.2脑电数据处理目前脑电信号的特征提取方法很多,包括小波变换、独立分量分析(independcomponentanalysis,ICA)、频率频谱分析和自适应回归模型(analysisandadaptiveregressionmodels,AAR)、公共空间模式(commonspatialpatterns,CSP)算法等。采用改进CSP算法与支持向量机(supportvectormachine,SVM)算法相结合对想象运动的脑电分类,平均识别率高达99%,图2是对本实验采集的脑电数据处理的流程图,首先对采集的原始脑电数据经过预处理,利用CSP算法进行空间滤波,提取了特征向量。为了提高运算速度,利用PCA进行降维处理,最后用线性回归算法对数据进行了二分类,取得了较高的分类精度。1.2.1公共空间模式实验中采集得到的想象运动脑电信号,首先预处理去除眼电、肌电等其他信号的干扰,然后通过公共空间模式的方法进行滤波,由预处理后的脑电信号分别得到两类想象运动信号的平均协方差矩阵C+和C-:式中,Di+(i=1,…,N+)和Di-(i=1,…,N-)分别表示两类脑电信号的样本矩阵,N-和N+为每一类样本的个数。1.2.2白色矩阵经过对方差矩阵进行特征值分解ue788为R3×3特征对角阵,FC为对应的特征向量矩阵,可求得白化矩阵1.2.3公共空间滤波器式(5)和式(6)中λ和(I-λ)为特征值对角阵,U为对应的特征向量矩阵,u+∈D3×1和u-∈R3×1分别为特征值对角阵λ和I-λ中最大特征值对应的特征向量,构造矩阵U=[u+,u-],则公共空间滤波器W为:用此滤波器对脑电信号E进行滤波,得到滤波后的信号为:1.2.4类别估计最大diy线性回归一般是通过最小二乘计算出来的,下面给出了线性回归用在多类问题分类中的一般使用方法。输入:1.类别模型Xi∈Rq×pi,i=1,2,…,N(N表示类的数目,pi表示第i类的训练样本个数,q表示单个样本的维数)^βi∈Rpi×1是针对每个类模型的系数向量,^yi通过每个^βi计算出来,计算输入y和预测^yi的距离度量,最小的di(y)对应的类别i就是y的类别估计。2结果2.1左、四轴机床上下料模型利用通过Scan软件进行离线处理,利用平均叠加的方法得到了与左右手想象运动相关的电极C3、C4的EEG信号,图3中,a、b分别是在基于听觉感知的交通信息提示下,进行左右手想象运动得到的C3、C4的脑电信号。从图中可以看出,基于听觉和视觉环境下进行的左右手想象运动脑电在反应时间和电压的幅值上存在着明显的不同。特别是在右手(pos)和左手(neg)两种想象任务下,在C3、C4电极,基于听觉感知的脑电均显示出右手任务的脑电幅值高于左手,而在视觉感知的想象任务下,通常表现出则在C3电极上右手任务引起的脑电幅值低于左手任务,与在C4电极左手任务低于右手任务的情况不同。2.2实验数据处理对脑电信号的处理从时域进行分析,主要研究与交通相关的音频信息提示下,进行左右手想象运动的脑电信号在反应时间和幅值变化上的特点,根据试验结果,对信号特征比较明显的一段选择了40个采样点数据进行CSP特征提取并进行降维处理,然后对每个电极的幅值作为特征进行二分类,取类的数目N=2,q是降维后的列向量的维数,分出的p1,p2就是是左右手想象运动的样本数,线性回归算法达到了将两类样本分开的目的。实验对预处理的脑电数据从时域进行了基于改进算法的CSP特征提取,处理结果如图4,实验数据可以说明,(1)两种想象任务下在C3、C4电极上右手任务引起的电压幅值均高于左手任务,并且在250ms处两种任务幅值之差可达120μV;(2)在听觉信息出现160ms后,与左右手想象运动相关的脑电反应出现,持续时间大于1s。识别率是衡量脑电信号处理的重要标识之一,对经过特征处理的脑电数据进行了基于线性回归算法的分类处理,最高识别率达100%,平均识别率达96.67%,表1是5名受试者在听觉信息的提示下进行想象任务的平均识别率,其中一名女生实验效果较低,可能受到了环境或心理因素的影响,其余受试者处理后的脑电数据效果比较理想。表2给出了3种方法所得到的驾驶实验脑电识别的识别率的结果比较,本方法的识别率明显高于频谱频率分析和改进CSP+SVM算法两种方法,证明了实验数据及算法的有效性。3实验数据分析目前,利用左右手想象运动进行辅助控制的设备中,主要是对电器开关或智能轮椅进行控制,作为这些设备的控制信号,从脑电信号的特征来说,反应时间和幅值的大小是信号提取的关键因素。实验结果表明:在听觉感知信息的提示下,进行想象任务的脑电信号在时间和幅值上与视觉感知下的同种任务存在着明显的差别:1)在听觉感知下,两种想象任务在相应电极C3、C4的幅值之差可达120μV,表明两种想象任务反映出的脑电在幅值上差别较大,从时域上分析,根据电压的幅值特性,利用阈值比较控制开关进行脑电驾驶上存在着明显的优势。2)实验数据显示:在听觉感知信息提示下的左右手想象任务中,在相关电极C3、C4上,均存在着右手任务引起的脑电电压幅值大于左手任务的情况,从理论上分析,脑电数据的采集可以改变传统的双电极采集方式,实现电极C3或C4的独立采集,优化了脑电控制设备,给使用者提供了方便。3)同时参考有关材料发现,脑电试验中女性受试者的脑电识别率偏低的机率较大,这与本实验研究结果相似。总的来说,在基于听觉感知的模拟环境下,利用想象运动进行辅助驾驶,控制车辆运行的试验中,对采集的脑电进行基于CSP和线性回归算法的特征提取和分类,处理后的脑电在幅值和单电极采集方面具有视觉感知任务不可替代的优势,实验研究的结果可以为脑电的辅助驾驶提供一种新的参考模式。测试结果表明不是所