基于特征提取模式的脑电信号分析方式

1脑机接口研究背景

脑机接口（sBrainomputeBIiteBfrce,snI)是指从大脑获取生物电信号,经过分析、处理后,将它们转换成具体指令用于控制外围设备。早期脑机接口的研究是为了辅助肌肉神经受损的人恢复其动作功能,如肌萎缩侧索硬化症、脑瘫、脊髓损伤等。脑机接口现已超越了医疗范畴,向更为宽广的领域拓展,在机器人工程和人工智能领域得到了广泛应用。

一般来说,脑机接口有两种:非侵入式和侵入式。其中,非侵入式脑机接口是一种无需侵入大脑程序就能工作的接口,主要根据连接到病人头皮上的多个电极提取脑电信号实现工作。脑电信号是大脑特定部位神经细胞群在生理过程中自发或诱发的电活动在头皮表面的电位信号,是脑机接口一个重要的信号来源。snI是建立在脑电信号与计算机或其他电子设备之间的交流和控制通道,人可以通过这种通道直接通过脑电引起的波动来表达想法或者操作设备,而不需要通过语言或者肢体动作。非侵入式脑机接口研究门槛较低,不同专业背景的人都可以从事非侵入式脑机接口方向的分析研究。人工耳蜗是一种典型的非侵入式脑机接口应用,可以为听力神经受损、丧失听觉的人提供帮助。

如今脑电信号可以不依赖于外部肌肉和神经就可以实现人机交互,改善肢体障碍患者的生活质量,帮助特殊环境的作业人员控制机器,还可以提供游戏控制、虚拟环境导航等娱乐方面的体验,还有可能为一些有交流沟通障碍的人群提供新的交流沟通渠道与治疗方法。本研究旨在通过基于脑电信号特征提取的机器学习分类识别方法,正确识别出对应某种运动状态的大脑运动信号,并提升其识别精度。脑机接口信号识别过程如图1所示。

2脑电信号的特征提取

脑机接口系统中,对脑电信号分类是最为关键的技术,决定了思维意识和机械活动间能否建立相互对应关系,从而准确完成既定动作。然而,实际脑电信号十分微弱,且有着很强的时变性及非线性,仅仅从时域和频域获取脑电特征信息并不理想。本文结合时频分析方式,将基于AR模型参数的特征提取与基于小波变换系数的特征提取进行了比较,以识别正确率为指标,初步检验了所提出方法的有效性。针对网络开放标准数据集BCI2005DatasetIIIb,提出ARBurg模型参数化方法特征提取方法,将实际的脑电信号样本集x(n）作为特征提取系统的输入开始建模,具体来说,AR谱估计过程分为三个步骤:

第一步,根据给定的数据x(n）,0≤n≤N-l建模,可以表示为:

式中,ak为AR系数:w(n）为方差为a2的高斯白噪声。

第二步,基于模型的参数计算PsD估计值,进行AR谱估计。PsD计算公式为:

第三步,ARBurg模型利用了前向预测误差(Forwardpredictionerrors）f,p(n）和后向预测误差(Backwardpredictionerrors）b,p(n）的最小化和反射系数p的估计。

预测误差满足以下递归顺序表达式:

据划分为训练集和测试集并选取最佳的参数实现准确分类,参数的搜索区间由经验设定。

3#BC分类识别过程

人工神经网络(Artificia1Neutra1Network,ANN）是由大量人工神经元广泛互联组成的计算系统,它可以抽象模拟生物神经系统的结构和操作,将原始EEG信号模型和特征参数模型作为输入,根据脑电图的波形特征及分布范围,利用人工神经网络进行自发的脑电分析,可以有效检测EEG特征信号,因而ANN技术非常适用于对癫痫脑电信号进行分类识别。

依靠上面基于ARBurg模型参数化方法提取的脑电信号特征,利用多层反向传播网络和LMs算法训练的分类器需要确定隐含层的个数、每个隐含层的节点个数、神经网络选择权值、训练迭代周期的个数、激活函数的选择、运算时间学习率和动量系数的选择以及其他与解的收敛性有关的参数及问题。误差反向传播算法BP(ErrorBackPropagation）神经网络解决了多层感知器的学习问题:BP神经网络存在两条信号线,工作信号正向传播,误差信号反向传播。反向传播过程中,逐层修改连接权值,BP算法可以看作LMs算法的改进版。

近年来,已有许多特征提取方法与不同类型的分类器相结合,所得分类器的性能取决于被分类数据的特性。目前并不存在一种分类器适用于所有分类问题,当然也就没有适用于所有数据分类结果的评价机制。为了获得对分类器逼近目标质量的可靠评价,通常根据应用领域的不同,使用不同的性能度量,并且评估分类方法性能的度量是分类器设计的一个关键部分。其中,模型的泛化属性、训练性能及其在整个域上的预期性能至关重要。本文根据生物医学信号分析中使用的标准来测量分类器的性能,包括混淆矩阵、分类准确性、敏感性(TPR）、特异性、误报率(FAR）、F-measure和接收操作特性曲线(RoC）,这些方法用于评估分类器对提取的数据特征分类结果的好坏。

4结语

本文基于ARBurg模型参数化算法对运动脑电信号特征进行提取,并将其作为ANN分类器的输入数据,因特征参数充分包含所隐含的时频信息,使其在区分样本类别上有良好的表现,分类精度有较大提高,具有更好的泛化能力。