腦電信號識別與腦-計算機接口

腦電信號識別與腦-計算機接口

基于腦能量的腦計算機化接口（bci）是近年來的一個熱點研究領域。通過腦-計算機接口,人們可能直接用腦電來操縱設備或表達想法,而不需要通過語言或肢體的動作。BCI給人們提供了一個新的可供選擇的對外交流的方式。如今,BCI的最直接的目標是為那些可能完全癱瘓或者“閉鎖”的用戶提供基本的通信手段,使他們能夠?qū)醋o者表達他們的要求甚至操作文字處理程序。腦電(EEG)是腦神經(jīng)細胞群電生理活動在大腦皮層或頭皮表面的總體反映。在腦-計算機接口系統(tǒng)中,受試者將要表達的信息編碼為腦電的不同活動,因此BCI系統(tǒng)并不是通過對腦電的分析來讀懂人的思想,而僅僅將從中樞神經(jīng)系統(tǒng)反映出來的信號轉化為信息和命令,換句話說,通過計算機來識別/區(qū)分腦電狀態(tài),從而把提取出來的電生理信號特征轉化為能夠反映使用者意圖的設備命令。學習矢量量化(learningvectorquantisation,LVQ)在模式識別和模式分類上有非常強大的能力,比之其他神經(jīng)網(wǎng)絡有訓練速度快、需要存儲空間小等優(yōu)點。本文針對2003年世界BCI大賽提供的實驗數(shù)據(jù),利用LVQ算法從腦電信號中識別受試者左手或者右手手指運動。1基于權值矢量的獲勝者LVQ是一種Kohonen網(wǎng)絡方法的有監(jiān)督學習的擴展形式,它允許對輸入將被分到哪一類進行指定。一般的,每個類別將分得幾個輸出神經(jīng)元。對于一給定輸出單元的權值矢量,它代表在輸出端的響應最大的輸入矢量的樣本。在LVQ的方法中,這樣的權值矢量有時被看作是一參考或碼書矢量。當一種輸入模式x輸入到網(wǎng)絡時,有最近(歐氏范數(shù))的權值矢量的神經(jīng)元被選定為獲勝者。訓練過程利用類似于較早期的Kohonen學習的一種規(guī)則,只有獲勝的神經(jīng)元被修改。以下公式表明其訓練為:W新ij=W舊ij+η(xi?W舊ij)分類正確時W新ij=W舊ij?η(xi?W舊ij)分類不正確時(1)Wij新=Wij舊+η(xi-Wij舊)分類正確時Wij新=Wij舊-η(xi-Wij舊)分類不正確時(1)很明顯,這一訓練方法可獲得一獲勝神經(jīng)元。如果它屬于正確的類別,那么它將朝著輸入矢量的方向移動;反之,如果獲勝神經(jīng)元不屬于正確的類別,它將被迫向遠離輸入矢量的方向移動。令x(p)代表第p個訓練模式矢量,T(p)代表x(p)所屬的類別,令Cj為第j個輸出神經(jīng)元代表的類別。LVQ算法可用下面的步驟來表達。(1)初始化初始化權值矢量。權值矢量可隨機地初始化,當然還有一些其他的選擇。同時初始化學習率。(2)x變量p用于培訓組中的每個向量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)預測金屬酶[xp[xp[xp-wk舊W新k={W舊k+η[x(p)?W舊k]如果T=CjW舊k?η[x(p)?W舊k]如果T≠Cj(3)Wk新={Wk舊+η[x(p)-Wk舊]如果Τ=CjWk舊-η[x(p)-Wk舊]如果Τ≠Cj(3)(3)調(diào)整學習率學習率作為一迭代函數(shù)減小。(4)檢查中斷條件如果滿足終止條件就退出,否則返到步驟(2)。2實驗2.1實驗1:無反饋實驗本文采用的數(shù)據(jù)來自德國組織的2003年世界BCI大賽。這次大賽的目的是驗證BCI中信號處理和模式識別方法的有效性。大賽給出5組性質(zhì)完全不同的數(shù)據(jù)。本文應用了該次比賽的第5組數(shù)據(jù)。數(shù)據(jù)由Fraunhofer-FIRST,IntelligentDataAnalysisGroup(Klaus-RobertMüller),andFreieUniversit?tBerlin,DepartmentofNeurology,NeurophysicsGroup(GabrielCurio)提供。該組數(shù)據(jù)記錄了一個健康人在一次無反饋實驗中的腦電活動。被試驗者坐在一把普通的椅子上,兩手臂輕松地放在桌上,手指放在電腦鍵盤通常的打字位。他要做的工作是隨意、隨時地用隨便哪只手敲擊鍵盤。實驗每次6min,一共做了3次。實驗在一天內(nèi)完成,每次試驗之間間隔幾分鐘。敲擊鍵盤的平均速度是一秒一下。標示的數(shù)據(jù)包括316小段,每小段記錄了從敲擊鍵盤前130ms開始的長500ms的數(shù)據(jù)。競賽目標是利用給出的腦電信號區(qū)分出被實驗者是用左手還是右手敲擊鍵盤。2.2增強噪聲信號進行特征提取之前很重要的一點是提高信號的信噪比。通常噪聲有兩個來源:一個是非腦電因素(non-EEGartifacts),包括肌電、眼電等;另一個是非mu波腦電因素(non-muEEGcomponents)比如視覺阿爾發(fā)波(visualalpharhythm)。兩種類型的噪聲都可以從大腦皮層的位置或者從頻率來把它們和有用信號區(qū)分開。比如本文要使用的mu波主要從運動區(qū)獲得,而且主要有用的頻率范圍是8～12Hz。而肌電噪音并不是集中在頭皮的運動區(qū),且其有很寬的頻率范圍(但最活躍的頻率超過30Hz)。眼動信號也有很寬的頻率范圍,但活躍是在小于5Hz的頻段。且其最集中的地方是在前額區(qū)域。而像視覺阿爾法波,雖然其作用范圍可能延伸到頭頂區(qū)域,但它最活躍的區(qū)域卻是枕部?？梢岳每臻g濾波來加強有用信號,減弱噪聲信號,以此來提高信噪比。CAR是一種比較常用的空間濾波方法。該空間濾波是用某一個電極的數(shù)據(jù)減去所有電極信號的平均值。如果測量電極是完全均勻地覆蓋在整個腦部,而且腦部是點狀源發(fā)出信號的話,CAR濾波后空間分布信號的平均值將是0。由此可見,CAR算法實際上是減小了多數(shù)電極上共有信號部分的影響,突出了某一電極上的信號。VCARi=VERi?1/n∑j=1nVERj(4)ViCAR=ViER-1/n∑j=1nVjER(4)2.3頻率濾波后的數(shù)據(jù)在此實驗中,大腦活動由27個Ag/AgCl電極在頭皮上測得,其中有21個電極放置在運動和感覺區(qū)域,5個放置在前額和枕部,鼻根點的測量數(shù)據(jù)作為基準電壓。大腦對不同的工作興奮區(qū)域不同,所以從27個電極上得到的數(shù)據(jù)對特定的研究并不是都有用處。因此,首先對采用的電極進行選擇。因為C3和C4兩個電極所在的位置正是大腦運動區(qū)的中心,所以決定選擇C3和C4兩導腦電作為分類的數(shù)據(jù)來源。而以前的研究表明,腦電中8～12Hz的信號最能反映人的運動情況,因此本文選取的頻段也大致在這個區(qū)域。這個頻率的腦電被稱為mu波。人們感興趣的是數(shù)據(jù)8～12Hz的范圍,因此對空間濾波后的數(shù)據(jù)進行了頻域變換。方法是離散傅里葉變換。傅里葉變換后取8～12Hz的幾個幅度作為要用作LVQ訓練的特征參數(shù)。因為整個8～12Hz的信號都可反映出運動的情況,所以理論上如果變換后的頻域信號是連續(xù)的話,可取8～12Hz中的任何點作為訓練輸入。但是實際試驗中應考慮到幾個問題:一個是數(shù)據(jù)的離散問題,由于在實驗中,數(shù)據(jù)提取時時域上是離散的,因此對應的在頻域上也是離散的,于是8～12Hz中就只有有限的幾個值作為輸入;另一個問題是,對于LVQ來說,算法本身對輸入的維數(shù)沒有限制,但是在實際運用中,維數(shù)過多(如果并不是所有數(shù)據(jù)都對分類有很明顯作用)或者過少都會對分類結果產(chǎn)生不利的影響?；诒疚脑囼灥那闆r,本文選擇了8Hz,10Hz,12Hz三個點的幅度值作為訓練的輸入。2.4lvq訓練對分類的影響將以上得到的頻域幅度信號作為LVQ的訓練輸入,大賽給出的標示作為訓練監(jiān)督,對數(shù)據(jù)進行訓練。實驗具體網(wǎng)絡由400～1000個神經(jīng)元組成,利用最基本的LVQ1訓練算法,學習參數(shù)0.01,一般訓練1500～3000次。圖1是幾次訓練的結果的對比圖。通過實驗可得出以下幾個結論。第一,空間濾波可以大幅度提高分類效果。在LVQ訓練的參數(shù)都相同的時候,同樣的數(shù)據(jù)空間濾波后的分類效果比空間濾波前可以提高將近10%。第二,LVQ的訓練參數(shù)的選取對分類的結果有一定的影響。LVQ的訓練參數(shù)主要是指學習的步長,神經(jīng)元個數(shù)和訓練步數(shù)。學習的步長對訓練的收斂快慢和收斂后的擺動幅度有關,步長越長,收斂越快,擺動越大;反之步長越短,收斂越慢,擺動越小。在本實驗中選取0.01作為步長是一個經(jīng)驗的折衷的選擇。神經(jīng)元個數(shù)選擇也對分類結果有影響。神經(jīng)元個數(shù)太少會出現(xiàn)不能避免的重疊,導致分類結果變差,而神經(jīng)元個數(shù)太多會嚴重減慢訓練速度。實驗結果表明,1000個神經(jīng)元訓練的結果比400個神經(jīng)元訓練的結果稍好,但2000個神經(jīng)元訓練時,效果比1000個神經(jīng)元并沒有明顯提高。同時應該保證足夠長的步數(shù)使訓練收斂。3腦電的動態(tài)補償特征的選取對模式識別和分類起到了至關重要的作用。通常,特征提取可以從時域和頻域選取。選取的特征可以是直接從信號波形(時域或頻域)上得出,也可以通過變換間接得出。以前的BCI研究給特征選取提供了非常多的經(jīng)驗,許多研究認為腦電中8～12Hz的信號最能反映人的運動情況。一些科研工作者也研究出了自動尋找最佳特征的方法,比如DSLVQ(distinctionsensitivelearning