英语原文共 7 页
一个基于SSVEP的错误感知脑机接口系统
摘要
近些年来，人们开始用错误相关电位（ErrPS）来改进一些现有的脑机接口（BCI）应用程序。在我们的研究中，我们调查了基于BCI的ErrPS在稳态视觉诱发电位（SSVEP）的作用，并做了一个广泛性的研究去探究现有方案的局限性。通过共空间模式和随机树，我们想要展示结合了ErrPS的SSVEP系统的结果。最后，我们提供了一种新的方法（逆正确响应时间），它可以通过在时间效率方面结合ErrP来测量BCI系统的增益。
关键词： BCI；误差相关电位；信息传递率；SSVEP
1导言
犯错误是人性的一部分，识别和纠正错误行为的能力对人类至关重要，有大量的神经科学研究都是关于人类大脑识别错误的能力，在感知错误期间由人类大脑产生的不同神经元反应被称为错误相关电位（ErrPs）。在过去几年，BCI技术快速发展，同时结合了ErrP，通过促进错误感知来更快地交互来增强BCI系统。 BCI通常用于为患有神经肌肉疾病（例如肌萎缩侧索硬化和脊髓损伤）的人提供替代性通信解决方案。在这种情况下，稳态视觉诱发电位（SSVEP）是一种非常宝贵的工具，特别是对于有锁定综合征的患者[3]。SSVEP是响应于视觉刺激的脑信号。
当视网膜被一定频率的闪光刺激时，大脑会产生与主要记录在枕骨区域的相同（或多次）频率的电活动[4]。通过使多个方框以不同的频率闪烁，每个方框代表不同的接口选项，用户可以使用SSVEP选择所需的方框，并以这种方式与界面交互。虽然SSVEP作为广泛使用的基于大脑的交互范例之一，已成功地在检测用户意图方面实现了显着的可靠性，但它主要在具有理想设置的受控环境中进行测试（例如，具有最佳条件的良好隔音房间等）。然而，这在因素在现实环境中是不可预期的，这样的最佳条件对于用户的日常生活是不实际的。此外，SSVEP的表现高度依赖于受试者（例如，对于不同受试者，基于SSVEP的BCI的准确度可在30％至100％的范围内[5]）。总的来说，在现实世界环境中，检测脑命令仍然是一个容易出错的过程，使用户无意中发生交互错误。那么问题就出现了，我们是否可以利用ErrP信号来创建一个能够增强用户体验的更快响应的界面。
2相关工作
早在1990年，Falkenstein等人将称为错误相关的负性（为方便起见称为Ne）的电生理活动，与具有人类监测和检测某些任务中的错误行为的能力相互关联[6] . Ne是一种脑电波信号，它在头皮前部和中部都有分布和峰值，约50 - 100毫秒后得到错误的反应[7]。关于这一事件定位的最显著的发现表明，前扣带皮层(ACC)主要在错误的过程中被激活[8]，[9]。除了Ne以外的第二个成分，即错误相关积极性(Pe)也与错误行为的意识有关，并由一个巨大的峰值组成。该组分在Ne之后，并且在中心-顶叶脑区域中最明显。这种特殊类型的事件相关电位(ERP)在被试感知到错误时发生的一些变化已经在不同的任务中被检验过了[10]。为了自动检测ErrPs，在BCI应用中，我们最感兴趣的是单试验分析，因为在神经科学中广泛使用的试验只是确认神经发现和提取统计信息的一种方法。直到最近，由于事件相关电位（ERPs）的强信噪比（SNR），大多数分类方法都是基于简单的领域知识而不是复杂和先进的模式识别技术[11]。用于检测ErrP的最简单的算法是设置阈值并将EEG值与该阈值进行比较。在[12]中首次引入阈值分类技术用于ErrP检测。在他们的场景中，主体试图使用mu和beta;波段调制将光标移动到目标词，即“是”和“否”。用户将从系统获得关于他们是否将光标移动到“是”或“否”字的反馈，这将在不是预期移动的情况下引出ErrP。在该研究期间，通过在Cz电极中使用上述简单的ErrP检测技术，BCI的整体性能得到改善。此外，该研究证实，眼部伪影似乎不会影响ErrPs，因为在无眨眼试验和清洁试验中都发现了Ne成分。
在[13]中提出了单次试验ErrP分析中使用更复杂的机器学习技术的第一项努力，其中作者将他们的研究重点放在避免误报上（将正确的反应分类为错误的）。实验是在“d2注意力测试”之后进行的，在这个测试中，参与者被给予一页满是字母的纸，并且必须在任何字母“d”上或下按任何顺序标记两个字母。作者使用的特征依赖于原始时间序列的子采样（从100Hz到20Hz）并且通过高斯分布建模。因此，他们使用的分类器是Fisher#39;s Discriminant和Neyman-Pearson Lemma的结合。
他们的报告令人激动，因为他们设法通过设计能够限制将正确的响应归类为错误的误报（FP）的分类器来平和地改善BCI性能。同样利用高斯分类器，[14]中的作者提出了用于控制机器人手臂的BCI。实际上，为了让用户操作更简单，他们要求用户使用键朝预定方向控制手臂。这里的诀窍是界面故意误解用户的行为以引出ErrP。在他们的研究中呈现的结果是错误试验的平均准确检测率为79.9％，正确试验为82.4％。我们必须在此声明，它们也是基于FCz和CPz电极，使用子采样技术进行特征提取。当在神经科学界建立ErrPs时，更多的研究者开始研究如何利用它们来改善现有的BCI，应用程序类型与ErrPs可以自动化校准BCI系统的过程有关，在这个方向上，自校准BCI系统已经出现[15]，表明从实验开始就可以实现可用的BCI控制而无需任何预先校准。同样，[16]的作者使用ErrPs在线调整分类器。通过在训练代码调制的视觉诱发电位（c-VEP）BCI期间检测ErrP的存在来解决丢失标签的问题，这是这种方法中的主要问题。
与此工作密切相关的第二类应用程序包括利用ErrP作为错误感知机制，可以促进创建响应更快的接口。在这种情况下，需要纠正的错误动作通常是由BCI系统本身而不是用户引起的。例如，[17]中的作者在机器人的基于思维的控制界面中使用了ErrP信号，指出哪些命令是错误的并且应该被舍弃。向对象提供视觉反馈，指示在实际执行给定命令之前分类器的输出（例如，向左转）。如果反馈引出ErrP，则忽略该命令，机器人继续执行上一个命令。报告的结果对于ErrPs在提高现有BCI系统的可靠性和准确性方面的应用是令人鼓舞的。在同一方向，[18]的作者利用具有错误意识的神经相关性，以便在基于P300的BCI中实现更高的ITR。这项工作中提出的方法属于这类应用，因为它利用ErrP信号作为BCI系统的错误感知机制。然而，与脑控制界面和P300拼写器相比，我们的BCI系统实现了一个网站界面，它依赖于SSVEP信号来区分网站提供的多种选择。据我们所知，这是第一个将ErrP与SSVEP相结合的工作，提供了一个错误感知的网站管理BCI。
3方法
本节主要概述了本研究中使用的工具，并在ErrPs的单一试验分析中使用。 ErrP检测的典型步骤包括过滤，提取时间特征（即子采样），在单个特征向量中连接多个通道的特征，最后使用支持向量机作为分类方案在正确和错误试验中对向量进行分类。在这项工作中，除了标准程序，我们还测试了许多其他不同的算法。更具体地说，为了消除不好的记录，我们测试异常值检测算法（第III-A节）。此外，我们研究通用空间模式（CSP），一种众所周知的脑电信号分析算法，是否可以帮助提取更好地分离两类的表示（第III-B节）。最后，为了可靠地分离错误信号和正确信号，除了典型的SVM（例如随机森林和AdaBoost）之外，还检查了几种学习技术（第III-C节）。
- 异常值检测：在多变量数据(如多通道脑电图)中检测异常值并不像在二维中那样简单。当维度超过2时，不能总是依赖于对数据的目测检查，因为多元异常值在较低维度设置上可能不可见。利用Rousseeuw[19]引入的最小协方差行列式(MCD)估计量来检测并去除异常值。MCD估计器搜索其协方差矩阵具有最小行列式的h个数据点的子集。然后使用Mahalanobis距离计算每次观测到数据中心的距离，同时考虑它们的形状。远距离观察（在我们的案例中试验）被删除[20]。
- 共同空间模式：CSP算法为原始的两类信号矩阵提供空间滤波器，使其方差最大化。考虑两个多变量信号，在我们的情况下，多变量是指多个信道，X1，X2分别为Ntimes;T1和Ntimes;T2，其中N是信道数和T1，T2是时间样本的数量（在我们的研究中T1 = T2），CSP算法提供最佳权重w，以便信号可以分成两个类别之间具有最大方差的附加子组件（在我们的例子中是错误和正确的试验）。这是通过在每个类Cˉ1和Cˉ2的所有试验中同时对角化平均协方差矩阵来实现的，这相当于广义特征值分解。对应于最大特征值的特征向量使第一个条件的方差最大化，对应于最小特征值的特征向量使另一个特征值的方差最大化[21]。
- 分类：在这项工作中，我们研究了三种不同的分类方案; SVM，随机森林和Adaboost。SVM是目前最流行的分类算法之一，其目标是通过最大化两个类之间的边界来寻找最优超平面，从而将正类和负类区分开来。随机森林和Adaboost属于集合学习类别，基于多个弱分类器可以比单个但更强大的分类器执行得更好的假设，基于相同的学习算法训练多个分类器（在我们的情况下为决策树）。随机森林使用它们的平均贡献来组合随机多个弱分类器的输出。另一方面，AdaBoost将每个弱分类器的输出组合成加权和。在训练阶段优化权重。
4实验装置
4.1实验方案
实验协议依赖于基于ssvep的MAMEM站点上下文中5个框的选择。要求参与者选择以不同频率闪烁的5个洋红色方框中的一个。这些方框会闪烁5秒钟，然后它们会停止，系统选择的方框的预览会通过将所选方框的洋红色变为绿色而向参与者显示2秒钟（图1）。如果预览的框与参与者被要求观察的框不同，我们期望在预览后几毫秒（200-800）内在记录的EEG信号中创建ErrP。为了保持每个参与者的正确和错误试验的类似比例，我们选择了随机分类器来选择框（正确率为70％，错误率为30％）。参与者不知道随机分类器，以便对意外的错误试验做出自然反应。
4.2数据集
用EBN帽捕获信号（64个电极，128Hz采样率）。 5名受试者参加了该研究，全部都是男性，右手且年龄在26-37岁之间。每位参与者共进行了100次试验（每箱20次试验），其中70次是正确的，30次是错误的。在开始选择预览（持续2秒）之后，记录EEG信号持续2秒以获得电位，然后系统将重定向到所选选项，以便参与者可以移动到下一个
试验。
图1:基于ssvpn的界面选择预览
4.3实施细节
对于这个实验，我们做出了以下选择。首先对信号进行零相位滤波（1-20Hz）。对于ErrP，使用选择预览后0.2-0.8秒之间的EEG信号。对于异常值检测，Matlab中的函数robustcov应用了默认参数。对于CSP，我们使用了6个电极（AF3，AF4，F7，F8，FCz，CPz）并保留了两个最重要的组件。最后，使用10倍交叉验证来提取检测ErrPs的准确度，精确度和召回率。
5实验结果
5.1视觉检查
图2显示了一个受试者和6个使用电极的所有试验的平均信号。红线对应于错误试验的平均信号，蓝线对应正确的试验，绿线对应于它们的差异。我们所做的重新参照程序证明了极性上的矛盾。通过目视检查，我们可以在350和450毫秒的时间内轻松找到两个峰值。将我们的结果与文献进行比较，我们观察到这两个成分的时间延迟约为100毫秒，这可以通过之前的情况来证明，在此期间大脑执行完全不同的任务并习惯了[22]。
5.2最大化ErrP检测率
为了提出ErrP检测的最佳设置，在我们的研究中已经研究了几种设置。在本节中，我们提供最突出的信息。为了评估不同的变化，确定了基线配置。滤波和子采样信号用作具有3次多项式核的SVM的输入（该核基于一组初步实验选择）。为了评估去除异常值的好处，我们将基线配置的性能与第III-A节中介绍的异常值去除技术增强的性能进行了比较。表I和表II中的结果分别显示了我们研究中离群值去除的影响。值得注意的是，此过程中最显着的增益来自精度度量，这在ErrP检测的情况下非常重要。因此，对于以下实验，应用异常值检测。为了评估在ErrP检测的情况下使用CSP方法的好处，我们将先前的配置与添加基于CSP的过滤的增强版本进行比较。在表III中，我们提供了基于CSP的配置的结果。将表III与表II进行比较，我们可以看到CSP算法在准确性和召回率方面提供了显著的改进，而不会影响精度。因此，从现在开始，CSP过滤将应用于下一次实验的试验。最后，我们调查各种分类方案;更具体地说，具有3次多项式核，随机森林和Adaboost的SVM（使用决策树作为基线分类器）。对于每种算法，结果分别在表III，IV，V中给出。我们可以看到SVM和RF的表现明显优于Adaboost，而在这三个指标方面，它们之间并没有明显的优势。但是，我们可以看到RF提供了更高的召回率，在精度方面略有妥协。为此，我们为我们的错误感知BCI系统选择了这个分类器。
图2:正确和错误试验的平均响应及其差异 时间(x轴)与预览开始时间相关
表一:基线配置 表二:离群值去除 SVMs
表三:离群值剔除 CSP SVMs 表四:离群值剔除 CSP 随机森林
表五:离群值去除 CSP Adaboost
5.3衡量系统的效率
本节的目的是展示在BCI网站中使用错误检测系统的好处（即在网站上执行动作所需的时间）。因此，我们通过考虑SSVEP系统的准确度以及ErrP检测系统的精确度和召回值，计算出个人完成正确SSVEP试验所需的平均时间的倒数。该数量（称为逆正确响应时间）与系统的ITR单调相关（即每单位时间的信息传输）
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
