英语原文共 10 页
摘要
模式分类算法是开发脑机接口（BCI）应用程序的关键步骤。本文提出了一种分层支持向量机（HSVM）算法来解决基于脑电图的四级运动图像分类任务。小波包变换用于分解原始EEG信号。此后，对具有有效频率子带的EEG信号进行分组和重构。从重建的EEG信号中提取EEG特征向量，其中一个与其余的公共空间模式（OVR-CSP）和一个对一个公共空间模式（OVO-CSP）。然后，设计两层HSVM算法用于分类这些EEG特征向量，其中“OVO”分类器用于第一层，“OVR”用于第二层。公共数据集（BCI竞争IV-II-a）用于验证所提出的方法。五重交叉验证结果表明，第一层和第二层的平均分类准确度分别为67.5 17.7％和60.3 14.7％。分类的平均准确度为64.4 16.7％。这些结果表明，该方法对四级运动图像分类有效。
关键词：脑电图（EEG）；运动想象；常见空间模式；分层支持向量机（HSVM）
Abstract
Pattern classifcation algorithm is the crucial step in developing brain–computer interface (BCI) applications. In this paper, a hierarchical support vector machine (HSVM) algorithm is proposed to address an EEG-based four-class motor imagery classifcation task. Wavelet packet transform is employed to decompose raw EEG signals. Thereafter, EEG signals with effective frequency subbands are grouped and reconstructed. EEG feature vectors are extracted from the reconstructed EEG signals with one versus the rest common spatial patterns (OVR-CSP) and one versus one common spatial patterns (OVO-CSP). Then, a two-layer HSVM algorithm is designed for the classifcation of these EEG feature vectors, where “OVO” classifers
are used in the frst layer and “OVR” in the second layer. A public dataset (BCI Competition IV-II-a)is employed to validate the proposed method. Fivefold cross- validation results demonstrate that the average accuracy of classifcation in the frst layer and the second layer is 67.5 plusmn; 17.7% and 60.3 plusmn; 14.7%, respectively. The average accuracy of the classifcation is 64.4 plusmn; 16.7% overall. These results show that the proposed method is effective for four-class motor imagery classifcation.
Keywords Electroencephalography (EEG) · Motor imagery · Common spatial pattern · Hierarchical support vector machine (HSVM)
目录
1.引言 1
2.方法 3
2.1脑电数据集 3
2.2预处理 3
2.3.OVO和OVR策略的常见空间模式 4
2.4分层支持向量机 6
3.实验结果 10
4.讨论和结论 12
参考文献 13
1.引言
一些患有神经系统疾病的人患有行走，说话和写作的麻烦，因为他们失去了精细的运动控制。患有这些疾病的人，如肌萎缩侧索硬化症（ALS），锁定综合征，Lou Gehrig病和高脊髓损伤，缺乏对其随意肌肉的控制。因此，他们自己无法完成简单的任务。因此，他们无法与环境沟通，有时他们被排除在社会之外，因为他们被认为是沉重的负担[22,24,25]。脑 - 计算机接口（BCI）技术可以整合到这些患者的医疗中，并提高他们的生活质量。残疾人的心灵意图可以通过仅通过分析他/她的大脑信号来执行实际或想象的运动时被检测到[9,24]并转换成用于发送消息或控制家庭设备的命令，这为残疾用户和他的家庭提供了更高的生活质量。由于相关技术的安全问题 ，非侵入性基于EEG的BCI被广泛用于这些辅助目的，例如前向单词拼写[16,19]，轮椅控制[7]和视频游戏[21]。此外，非侵袭性BCI可用于评估严重瘫痪患者的大脑活动，以预测侵入性脑机界面的功效[6]。BCI研究已经研究了具有几种生理机制的脑电信号，例如运动想象（MI）[2,18]，稳态视觉诱发电位（SSVEP）[14,26]和P300 [13]。和基于SSVEP或P300的BCI方法相比，MI方法可能具有更高的潜力，因为它们独立于外部刺激，这允许实现异步控制和通信。
对于MI脑电信号处理，传统的共同空间模式（CSP）方法可以在数学和生理学中进行解释，被认为是一种有效的特征提取方法。然而，传统的CSP方法更适合于两类MI EEG数据分类。此外，它对噪声敏感，不适合小型训练集[8]。为了处理四类分类，传统的CSP方法通过计算每个类的共同空间模式来扩展[5]。此外，还提出了几种改进CSP方法的方法，以解决为CSP算法选择最佳时频段的问题。例如，正则化项被添加为正则化CSP（R-CSP）方法[11,15]中的先验知识。通过添加CSP的概率对应物，概率CSP（P-CSP）通过两个共享基矩阵的线性高斯生成模型推断出空间模式[10]。针对基于MI EEG的BCI [1]，提出了将宽频带切割成小的非重叠滤波器的滤波器组共空间模式（FBCSP）方法。然而，FBCSP方法对于计算特定主题的频带是复杂的。
本文提出了一个数学范式为传统的CSP提供“一对一”（OVO）和“一对一”（OVR）策略，用于四级运动图像分类。计算了十种常见的空间模式，并提取了它们的特征向量。HSVM算法旨在与特征向量协调。该算法应用于九个人体的真实脑电数据，以区分四个运动图像任务。感觉运动皮层是参与自愿运动的计划，控制和执行的大脑皮层区域。这个皮层负责运动图像任务;因此，它是向肌肉发送命令和从肌肉接收反馈的关键组成部分。图1显示了在放置电极时本研究中考虑的感觉运动皮质的不同区域。
本文的其余部分安排如下。在Sect.2中描述了实验测试，并详细描述了所提出的算法的所有步骤。在Sect.3中提供运动图像分类的结果。在Sect.4中讨论了所提出的算法在不同场景中的优缺点。
图1.感觉运动皮质的不同区域。图中以粉红色突出显示的大脑区域控制不同的身体部位。海军蓝色圆圈（头顶）限制了控制脚和腿的区域。淡蓝色圆圈（头部中心）限制控制手的区域。面部和舌头由皮质底部附近的小橙色圆圈区域（位于耳朵上方）控制（颜色图在线）
2.方法
2.1脑电数据集
本研究中使用的数据集来自BCI竞赛IV-II-a [3]。它包括四个运动图像任务：左手，右手，双脚的想象力和九个科目的舌头运动。如图2a所示，从22 Ag / AgCl电极和3个单极眼电图（EOG）通道（左乳突作为参考）记录EEG信号，采样频率为250 Hz，带通滤波在0.5和100 Hz之间。电源线干扰通过额外的50 Hz陷波滤波器进行滤波。范例的时序方案如图2b所示。有关EEG实验的更多详细信息可以在[3]中找到。
（a）
（b）
图2.实验范例 a.电极位置;b BCI范式的时序方案
EEG数据由在不同日期记录的两个会话组成，以考虑EEG数据的非静态性质。每个会话有6个短暂休息分开的运行。每次运行有48个试验（每个可能类别12个）。因此，每个会议总共包括288个试验。对于数据分析，每个试验按其运动图像任务类别分离和提取。然后，完成了每项任务的72次有效试验。然后，实现了每项任务的72个可用试验。应用五倍交叉验证来抵消过度拟合。在五重交叉验证中，原始样本（72个试验）被随机分为五个子样本。在五个子样本中，四个子样本用作训练数据;保留剩余的单个子样本（14个试验）作为测试模型的验证数据。对于四个想象的任务，56个试验包括在测试数据集中。交叉验证然后将过程重复五次，每次五次子样本只使用一次作为验证数据。
2.2预处理
运动图像可能导致与事件相关的不同步（ERD）[5]与同侧半球事件有关对侧半球的同步（ERS）（见图1）。因此，mu;节奏（8-12 Hz）和beta;相关皮质中EEG信号的节律（14-30 Hz）cal会增加或减少它们的振幅频谱功率。另外，还有高频成分在脑电信号中通常是模糊的，所以原始脑电图信号通过带通滤波器（3-34Hz）过滤nals。五电平小波包分解应用于分析滤波后的EEG信号（3-34 Hz）。第五级分解向量对应于特定的频带：
例如，当仅在[3,34] Hz的频带中考虑滤波的EEG信号时，考虑以下频带：
其中f在为32 Hz。如图3所示，[25,34] Hz频带内平均重建EEG信号的幅度非常低，在运动图像中几乎没有记录到变化。因此，仅选择落在[3,24] Hz中的频带并用于特征选择。
图3重建的EEG信号的幅度（mu;V）
重建脑电信号的子带（Hz）
2.3.OVO和OVR策略的常见空间模式
提出了共同空间模式（CSP）[12]，用于基于EEG的BCI的两类分类。对于本研究中考虑的四类分类问题，OVO应用OVR策略来调整CSP以进行特征选择。
首先，我们标记了左手的想象力，对手，双脚和舌头分为1,2,3和4类，分别为如图4a所示，OVO策略选择任意两个类来形成一对以应用传统的CSP方法。通过这种方式，四类分类问题被转化为六个二类分类问题。令具有iisin;{1,2}的Xi表示类i的重建的EEG信号。在每个试验中，Xi的维数是TN，其中N和T分别表示每个通道的通道数和时间序列中的样本数。注意，对于不同的主题，样本的数量可以是可变的。一级试验的协方差是
times;
其中XiT表示X的转置而迹线是定义为矩阵主对角线上元素的总和。应通过对每组的所有试验进行平均来计算空间协方差Ci。复合空间协方差C是：
然后，C可以被考虑为
其中U0是由特征向量组成的矩阵，and;是特征值的对角矩阵。and;定义为使特征值按降序排序，白化变换：
然后，将C1和C2白化为：
S1和S2分享共同的特征向量，然后，S1和S2可以理解为：
那么，and;1 和and;2 之和将是单位矩阵：
这意味着S1中的最大特征值对应于S2中的最小特征值，因为它们的总和保持不变1.B中的特征向量将用于两类的分类。将给出最佳特征向量以区分两个群体白化EEG信号投射到第一个和最后一个特征向量时的脑电图。投影矩阵是：
试验的投影（映射）给出为：
W12的行可以被认为是EEG源分布向量而W12的列是常见的空间模式。通过分解白化的EEG信号根据Eq。（11），可以实现分类的特征。通过这种方式，为每一类想象移动时，分类器训练只需要一小组信号的方差。
在OVR策略中（图4b），一个类被定义为目标类，另外三个类被组合为相
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。
