基于特征提取模式的腦電信號(hào)分析方式

1腦機(jī)接口研究背景

腦機(jī)接口（sBrainomputeBIiteBfrce,snI)是指從大腦獲取生物電信號(hào),經(jīng)過(guò)分析、處理后,將它們轉(zhuǎn)換成具體指令用于控制外圍設(shè)備。早期腦機(jī)接口的研究是為了輔助肌肉神經(jīng)受損的人恢復(fù)其動(dòng)作功能,如肌萎縮側(cè)索硬化癥、腦癱、脊髓損傷等。腦機(jī)接口現(xiàn)已超越了醫(yī)療范疇,向更為寬廣的領(lǐng)域拓展,在機(jī)器人工程和人工智能領(lǐng)域得到了廣泛應(yīng)用。

一般來(lái)說(shuō),腦機(jī)接口有兩種:非侵入式和侵入式。其中,非侵入式腦機(jī)接口是一種無(wú)需侵入大腦程序就能工作的接口,主要根據(jù)連接到病人頭皮上的多個(gè)電極提取腦電信號(hào)實(shí)現(xiàn)工作。腦電信號(hào)是大腦特定部位神經(jīng)細(xì)胞群在生理過(guò)程中自發(fā)或誘發(fā)的電活動(dòng)在頭皮表面的電位信號(hào),是腦機(jī)接口一個(gè)重要的信號(hào)來(lái)源。snI是建立在腦電信號(hào)與計(jì)算機(jī)或其他電子設(shè)備之間的交流和控制通道,人可以通過(guò)這種通道直接通過(guò)腦電引起的波動(dòng)來(lái)表達(dá)想法或者操作設(shè)備,而不需要通過(guò)語(yǔ)言或者肢體動(dòng)作。非侵入式腦機(jī)接口研究門檻較低,不同專業(yè)背景的人都可以從事非侵入式腦機(jī)接口方向的分析研究。人工耳蝸是一種典型的非侵入式腦機(jī)接口應(yīng)用,可以為聽(tīng)力神經(jīng)受損、喪失聽(tīng)覺(jué)的人提供幫助。

如今腦電信號(hào)可以不依賴于外部肌肉和神經(jīng)就可以實(shí)現(xiàn)人機(jī)交互,改善肢體障礙患者的生活質(zhì)量,幫助特殊環(huán)境的作業(yè)人員控制機(jī)器,還可以提供游戲控制、虛擬環(huán)境導(dǎo)航等娛樂(lè)方面的體驗(yàn),還有可能為一些有交流溝通障礙的人群提供新的交流溝通渠道與治療方法。本研究旨在通過(guò)基于腦電信號(hào)特征提取的機(jī)器學(xué)習(xí)分類識(shí)別方法,正確識(shí)別出對(duì)應(yīng)某種運(yùn)動(dòng)狀態(tài)的大腦運(yùn)動(dòng)信號(hào),并提升其識(shí)別精度。腦機(jī)接口信號(hào)識(shí)別過(guò)程如圖1所示。

2腦電信號(hào)的特征提取

腦機(jī)接口系統(tǒng)中,對(duì)腦電信號(hào)分類是最為關(guān)鍵的技術(shù),決定了思維意識(shí)和機(jī)械活動(dòng)間能否建立相互對(duì)應(yīng)關(guān)系,從而準(zhǔn)確完成既定動(dòng)作。然而,實(shí)際腦電信號(hào)十分微弱,且有著很強(qiáng)的時(shí)變性及非線性,僅僅從時(shí)域和頻域獲取腦電特征信息并不理想。本文結(jié)合時(shí)頻分析方式,將基于AR模型參數(shù)的特征提取與基于小波變換系數(shù)的特征提取進(jìn)行了比較,以識(shí)別正確率為指標(biāo),初步檢驗(yàn)了所提出方法的有效性。針對(duì)網(wǎng)絡(luò)開(kāi)放標(biāo)準(zhǔn)數(shù)據(jù)集BCI2005DatasetIIIb,提出ARBurg模型參數(shù)化方法特征提取方法,將實(shí)際的腦電信號(hào)樣本集x(n）作為特征提取系統(tǒng)的輸入開(kāi)始建模,具體來(lái)說(shuō),AR譜估計(jì)過(guò)程分為三個(gè)步驟:

第一步,根據(jù)給定的數(shù)據(jù)x(n）,0≤n≤N-l建模,可以表示為:

式中,ak為AR系數(shù):w(n）為方差為a2的高斯白噪聲。

第二步,基于模型的參數(shù)計(jì)算PsD估計(jì)值,進(jìn)行AR譜估計(jì)。PsD計(jì)算公式為:

第三步,ARBurg模型利用了前向預(yù)測(cè)誤差(Forwardpredictionerrors）f,p(n）和后向預(yù)測(cè)誤差(Backwardpredictionerrors）b,p(n）的最小化和反射系數(shù)p的估計(jì)。

預(yù)測(cè)誤差滿足以下遞歸順序表達(dá)式:

據(jù)劃分為訓(xùn)練集和測(cè)試集并選取最佳的參數(shù)實(shí)現(xiàn)準(zhǔn)確分類,參數(shù)的搜索區(qū)間由經(jīng)驗(yàn)設(shè)定。

3#BC分類識(shí)別過(guò)程

人工神經(jīng)網(wǎng)絡(luò)(Artificia1Neutra1Network,ANN）是由大量人工神經(jīng)元廣泛互聯(lián)組成的計(jì)算系統(tǒng),它可以抽象模擬生物神經(jīng)系統(tǒng)的結(jié)構(gòu)和操作,將原始EEG信號(hào)模型和特征參數(shù)模型作為輸入,根據(jù)腦電圖的波形特征及分布范圍,利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行自發(fā)的腦電分析,可以有效檢測(cè)EEG特征信號(hào),因而ANN技術(shù)非常適用于對(duì)癲癇腦電信號(hào)進(jìn)行分類識(shí)別。

依靠上面基于ARBurg模型參數(shù)化方法提取的腦電信號(hào)特征,利用多層反向傳播網(wǎng)絡(luò)和LMs算法訓(xùn)練的分類器需要確定隱含層的個(gè)數(shù)、每個(gè)隱含層的節(jié)點(diǎn)個(gè)數(shù)、神經(jīng)網(wǎng)絡(luò)選擇權(quán)值、訓(xùn)練迭代周期的個(gè)數(shù)、激活函數(shù)的選擇、運(yùn)算時(shí)間學(xué)習(xí)率和動(dòng)量系數(shù)的選擇以及其他與解的收斂性有關(guān)的參數(shù)及問(wèn)題。誤差反向傳播算法BP(ErrorBackPropagation）神經(jīng)網(wǎng)絡(luò)解決了多層感知器的學(xué)習(xí)問(wèn)題:BP神經(jīng)網(wǎng)絡(luò)存在兩條信號(hào)線,工作信號(hào)正向傳播,誤差信號(hào)反向傳播。反向傳播過(guò)程中,逐層修改連接權(quán)值,BP算法可以看作LMs算法的改進(jìn)版。

近年來(lái),已有許多特征提取方法與不同類型的分類器相結(jié)合,所得分類器的性能取決于被分類數(shù)據(jù)的特性。目前并不存在一種分類器適用于所有分類問(wèn)題,當(dāng)然也就沒(méi)有適用于所有數(shù)據(jù)分類結(jié)果的評(píng)價(jià)機(jī)制。為了獲得對(duì)分類器逼近目標(biāo)質(zhì)量的可靠評(píng)價(jià),通常根據(jù)應(yīng)用領(lǐng)域的不同,使用不同的性能度量,并且評(píng)估分類方法性能的度量是分類器設(shè)計(jì)的一個(gè)關(guān)鍵部分。其中,模型的泛化屬性、訓(xùn)練性能及其在整個(gè)域上的預(yù)期性能至關(guān)重要。本文根據(jù)生物醫(yī)學(xué)信號(hào)分析中使用的標(biāo)準(zhǔn)來(lái)測(cè)量分類器的性能,包括混淆矩陣、分類準(zhǔn)確性、敏感性(TPR）、特異性、誤報(bào)率(FAR）、F-measure和接收操作特性曲線(RoC）,這些方法用于評(píng)估分類器對(duì)提取的數(shù)據(jù)特征分類結(jié)果的好壞。

4結(jié)語(yǔ)

本文基于ARBurg模型參數(shù)化算法對(duì)運(yùn)動(dòng)腦電信號(hào)特征進(jìn)行提取,并將其作為ANN分類器的輸入數(shù)據(jù),因特征參數(shù)充分包含所隱含的時(shí)頻信息,使其在區(qū)分樣本類別上有良好的表現(xiàn),分類精度有較大提高,具有更好的泛化能力。