脑电信号识别与脑-计算机接口

脑电信号识别与脑-计算机接口

基于脑能量的脑计算机化接口（bci）是近年来的一个热点研究领域。通过脑-计算机接口,人们可能直接用脑电来操纵设备或表达想法,而不需要通过语言或肢体的动作。BCI给人们提供了一个新的可供选择的对外交流的方式。如今,BCI的最直接的目标是为那些可能完全瘫痪或者“闭锁”的用户提供基本的通信手段,使他们能够对看护者表达他们的要求甚至操作文字处理程序。脑电(EEG)是脑神经细胞群电生理活动在大脑皮层或头皮表面的总体反映。在脑-计算机接口系统中,受试者将要表达的信息编码为脑电的不同活动,因此BCI系统并不是通过对脑电的分析来读懂人的思想,而仅仅将从中枢神经系统反映出来的信号转化为信息和命令,换句话说,通过计算机来识别/区分脑电状态,从而把提取出来的电生理信号特征转化为能够反映使用者意图的设备命令。学习矢量量化(learningvectorquantisation,LVQ)在模式识别和模式分类上有非常强大的能力,比之其他神经网络有训练速度快、需要存储空间小等优点。本文针对2003年世界BCI大赛提供的实验数据,利用LVQ算法从脑电信号中识别受试者左手或者右手手指运动。1基于权值矢量的获胜者LVQ是一种Kohonen网络方法的有监督学习的扩展形式,它允许对输入将被分到哪一类进行指定。一般的,每个类别将分得几个输出神经元。对于一给定输出单元的权值矢量,它代表在输出端的响应最大的输入矢量的样本。在LVQ的方法中,这样的权值矢量有时被看作是一参考或码书矢量。当一种输入模式x输入到网络时,有最近(欧氏范数)的权值矢量的神经元被选定为获胜者。训练过程利用类似于较早期的Kohonen学习的一种规则,只有获胜的神经元被修改。以下公式表明其训练为:W新ij=W旧ij+η(xi−W旧ij)分类正确时W新ij=W旧ij−η(xi−W旧ij)分类不正确时(1)Wij新=Wij旧+η(xi-Wij旧)分类正确时Wij新=Wij旧-η(xi-Wij旧)分类不正确时(1)很明显,这一训练方法可获得一获胜神经元。如果它属于正确的类别,那么它将朝着输入矢量的方向移动;反之,如果获胜神经元不属于正确的类别,它将被迫向远离输入矢量的方向移动。令x(p)代表第p个训练模式矢量,T(p)代表x(p)所属的类别,令Cj为第j个输出神经元代表的类别。LVQ算法可用下面的步骤来表达。(1)初始化初始化权值矢量。权值矢量可随机地初始化,当然还有一些其他的选择。同时初始化学习率。(2)x变量p用于培训组中的每个向量i[xppi[x(p)]=k其中‚∥Wk−x(p)∥<∥Wj−x(p)∥j=1,2,⋯,n(2)i[x(p)]=k其中‚∥Wk-x(p)∥<∥Wj-x(p)∥j=1,2,⋯,n(2)预测金属酶[xp[xp[xp-wk旧W新k={W旧k+η[x(p)−W旧k]如果T=CjW旧k−η[x(p)−W旧k]如果T≠Cj(3)Wk新={Wk旧+η[x(p)-Wk旧]如果Τ=CjWk旧-η[x(p)-Wk旧]如果Τ≠Cj(3)(3)调整学习率学习率作为一迭代函数减小。(4)检查中断条件如果满足终止条件就退出,否则返到步骤(2)。2实验2.1实验1:无反馈实验本文采用的数据来自德国组织的2003年世界BCI大赛。这次大赛的目的是验证BCI中信号处理和模式识别方法的有效性。大赛给出5组性质完全不同的数据。本文应用了该次比赛的第5组数据。数据由Fraunhofer-FIRST,IntelligentDataAnalysisGroup(Klaus-RobertMüller),andFreieUniversit⁉tBerlin,DepartmentofNeurology,NeurophysicsGroup(GabrielCurio)提供。该组数据记录了一个健康人在一次无反馈实验中的脑电活动。被试验者坐在一把普通的椅子上,两手臂轻松地放在桌上,手指放在电脑键盘通常的打字位。他要做的工作是随意、随时地用随便哪只手敲击键盘。实验每次6min,一共做了3次。实验在一天内完成,每次试验之间间隔几分钟。敲击键盘的平均速度是一秒一下。标示的数据包括316小段,每小段记录了从敲击键盘前130ms开始的长500ms的数据。竞赛目标是利用给出的脑电信号区分出被实验者是用左手还是右手敲击键盘。2.2增强噪声信号进行特征提取之前很重要的一点是提高信号的信噪比。通常噪声有两个来源:一个是非脑电因素(non-EEGartifacts),包括肌电、眼电等;另一个是非mu波脑电因素(non-muEEGcomponents)比如视觉阿尔发波(visualalpharhythm)。两种类型的噪声都可以从大脑皮层的位置或者从频率来把它们和有用信号区分开。比如本文要使用的mu波主要从运动区获得,而且主要有用的频率范围是8～12Hz。而肌电噪音并不是集中在头皮的运动区,且其有很宽的频率范围(但最活跃的频率超过30Hz)。眼动信号也有很宽的频率范围,但活跃是在小于5Hz的频段。且其最集中的地方是在前额区域。而像视觉阿尔法波,虽然其作用范围可能延伸到头顶区域,但它最活跃的区域却是枕部。可以利用空间滤波来加强有用信号,减弱噪声信号,以此来提高信噪比。CAR是一种比较常用的空间滤波方法。该空间滤波是用某一个电极的数据减去所有电极信号的平均值。如果测量电极是完全均匀地覆盖在整个脑部,而且脑部是点状源发出信号的话,CAR滤波后空间分布信号的平均值将是0。由此可见,CAR算法实际上是减小了多数电极上共有信号部分的影响,突出了某一电极上的信号。VCARi=VERi−1/n∑j=1nVERj(4)ViCAR=ViER-1/n∑j=1nVjER(4)2.3频率滤波后的数据在此实验中,大脑活动由27个Ag/AgCl电极在头皮上测得,其中有21个电极放置在运动和感觉区域,5个放置在前额和枕部,鼻根点的测量数据作为基准电压。大脑对不同的工作兴奋区域不同,所以从27个电极上得到的数据对特定的研究并不是都有用处。因此,首先对采用的电极进行选择。因为C3和C4两个电极所在的位置正是大脑运动区的中心,所以决定选择C3和C4两导脑电作为分类的数据来源。而以前的研究表明,脑电中8～12Hz的信号最能反映人的运动情况,因此本文选取的频段也大致在这个区域。这个频率的脑电被称为mu波。人们感兴趣的是数据8～12Hz的范围,因此对空间滤波后的数据进行了频域变换。方法是离散傅里叶变换。傅里叶变换后取8～12Hz的几个幅度作为要用作LVQ训练的特征参数。因为整个8～12Hz的信号都可反映出运动的情况,所以理论上如果变换后的频域信号是连续的话,可取8～12Hz中的任何点作为训练输入。但是实际试验中应考虑到几个问题:一个是数据的离散问题,由于在实验中,数据提取时时域上是离散的,因此对应的在频域上也是离散的,于是8～12Hz中就只有有限的几个值作为输入;另一个问题是,对于LVQ来说,算法本身对输入的维数没有限制,但是在实际运用中,维数过多(如果并不是所有数据都对分类有很明显作用)或者过少都会对分类结果产生不利的影响。基于本文试验的情况,本文选择了8Hz,10Hz,12Hz三个点的幅度值作为训练的输入。2.4lvq训练对分类的影响将以上得到的频域幅度信号作为LVQ的训练输入,大赛给出的标示作为训练监督,对数据进行训练。实验具体网络由400～1000个神经元组成,利用最基本的LVQ1训练算法,学习参数0.01,一般训练1500～3000次。图1是几次训练的结果的对比图。通过实验可得出以下几个结论。第一,空间滤波可以大幅度提高分类效果。在LVQ训练的参数都相同的时候,同样的数据空间滤波后的分类效果比空间滤波前可以提高将近10%。第二,LVQ的训练参数的选取对分类的结果有一定的影响。LVQ的训练参数主要是指学习的步长,神经元个数和训练步数。学习的步长对训练的收敛快慢和收敛后的摆动幅度有关,步长越长,收敛越快,摆动越大;反之步长越短,收敛越慢,摆动越小。在本实验中选取0.01作为步长是一个经验的折衷的选择。神经元个数选择也对分类结果有影响。神经元个数太少会出现不能避免的重叠,导致分类结果变差,而神经元个数太多会严重减慢训练速度。实验结果表明,1000个神经元训练的结果比400个神经元训练的结果稍好,但2000个神经元训练时,效果比1000个神经元并没有明显提高。同时应该保证足够长的步数使训练收敛。3脑电的动态补偿特征的选取对模式识别和分类起到了至关重要的作用。通常,特征提取可以从时域和频域选取。选取的特征可以是直接从信号波形(时域或频域)上得出,也可以通过变换间接得出。以前的BCI研究给特征选取提供了非常多的经验,许多研究认为脑电中8～12Hz的信号最能反映人的运动情况。一些科研工作者也研究出了自动寻找最佳特征的方法,比如DSLVQ(distinctionsensitivelearning