英语原文共 6 页
基于卷积神经网络处理的稳态视觉诱发电位的干电极脑电图信号的分类
Nik Khadijah Nik Aznan12, Stephen Bonner1, Jason D. Connolly3
Noura Al Moubayed1 and Toby P. Breckon12
英国杜伦大学，计算机科学1、工程2与心理系3
摘要——脑电图（EEG）是一种常见的用于脑-机接口（BCI）研究的信号采集方法。但是，大多数EEG采集设备依赖于导电凝胶的繁琐应用（所谓的湿电极-EEG）来确保获得高质量的信号。然而，这个过程对于实验参与者来说是不愉快的，因此限制了BCI的实际应用。在这项工作中，我们探讨使用市售的干电极-EEG头戴设备获取视觉皮层合奏信号。同时由于缺乏凝胶导管，导致干电极-EEG信号质量下降，提高EEG在脑机接口中的可用性使得对这些信号的分类更具挑战性。
这篇论文中，我们提出了一种新颖的卷积神经网络（CNN）方法来对没有经过数据预处理的原始干电极-EEG信号进行分类。为了解释这种方法的有效性，我们使用稳态视觉诱发电位（SSVEP）范例作为用例。由于SSVEP仅需要被试对象注视感兴趣的感官刺激，因此可用于需要BCI应用辅助的具有严重身体残疾的人，例如闭锁综合征和肌萎缩侧索硬化患者。在这里，通过干电极-EEG头戴设备，我们记录10到30HZ之间的SSVEP闪烁频率作为主要皮层波形。我们提出的端到端CNN能够自动精准地对从干电极EEG波形获取的SSVEP刺激进行分类。我们的CNN架构使用通用的SSEVP卷积单元（SCU），包括一维卷积层，批归一化和最大池。我们进一步将几种深度学习神经网络变体和传统机器学习分类方法与我们的主体CNN架构进行比较。实验评估显示我们的CNN架构明显优于竞争方法，除了获得高达96%的分类准确度以外同时还展示出了卓越的跨主体的表现，甚至能够应对完全没有受过训练的未知主体。
引言
由于其不易修改，易于使用以及较高的时间分辨率[1][2]，脑电图（EEG）是脑机接口（BCI）中最突出的数据采集方法。传统上，为了降低皮肤和电极之间的阻抗，用于EEG采集的电极放置在头皮上时需要借助导电凝胶的使用[3]。EEG信号中的阻抗值衡量电极和皮肤之间的导电率，阻抗值越低，代表电极和皮肤接触得越好，那么总体的EEG信号质量就更好[4][5]。
湿电极-EEG的主要缺点是由于银电极或者氯化银电极需要凝胶，导致相对较多的准备时间和头皮不适以及实验流程之后需要花时间去除掉凝胶[5]。此外，凝胶每隔一段时间就会干，因此无论如何会限制实验数据的采集间隔[4]。并且，典型的湿电极-EEG需要一些特定的实验条件，例如需要一个法拉第笼（导电材料制成的物理屏蔽）来减少外部电磁干扰造成的信号噪声[3]。这限制了使用需要严格实验环境的湿电极-EEG的BCI的应用。相比之下，干电极-EEG头戴设备在皮肤准备、稳定连接和舒适度方面的限制更少，只需要为不同尺寸的头部做适配[6][7]。但是，相比湿电极-EEG，较高的阻抗值是它的主要缺点[8]，使得减少EEG噪声信号和不必要的伪影有一定难度。这就导致了十分有难度的信号解码和分类任务。
在这个研究中，我们使用了市售的Cognionics公司（美国，圣地亚哥）生产的Quick-20干电极-EEG头戴设备，它有20个干电极EEG传感器（10-20个传感器分布一致）。整套系统的使用不需要皮肤准备，并且它还是无线便携的[6][7][8][9]。这个头戴设备配有独立的局部活动防护罩，所以不需要僵化死板的实验环境[6][10]。在我们的实验中，我们采集了SSVEP的干电极-EEG信号作为神经生理反应。SSVEP具有频率标记的特征，即使受试者没有全身心关注，也能够测量其对于闪烁刺激的神经活动[11]。由于能通过最少的受试者训练来获得高信息传输率的神经信号，SSVEP被认为最适合作为高吞吐BCI的刺激类型[12]。
在这项研究中，我们研究了深度神经网络尤其是CNN在干电极-EEG数据的SSVEP频率分类中的使用表现。CNN是神经网络的子集，通过多个卷积转换层提取独特的特征，CNN能够学会区分不同类别的数据[13]。卷积层中，输入通过内核（过滤器）进行卷积以获得特征映射[14]。这个过程不需要手工进行特征提取，也不需要常见的信号预处理步骤，原始数据样本可以直接作为模型的输入[14][15]。由于传统的基于方法的预处理过程有着损失显著EEG信号或者特征的可能性，此属性具有十分显著的优势。
我们从一个受试者身上采集了对于四类问题的刺激的干电极-EEG的SSVEP信号，并且评估了我们提出的CNN架构在对它们进行分类时的表现。与支撑向量机（SVM），线性判别分析（LDA），最小距离分类（MDM）和循环神经网络（RNN）等方法进行比较之后得出，我们的方法具有很大的优势。我们也探索了当有多个受试者时，此CNN架构对于不同受试者和单个受试者的信号的分类表现[16]。最终，为了得出CNN对于不同的未知受试者的刺激信号的泛化能力，我们测试了样本数据未经过训练的受试者并探索其表现。
总之，本研究的主要贡献是：
- 一个不需要手工预处理或者特征提取的对干电极-EEG的SSVEP原始信号进行分类的端到端的深度学习CNN架构（第一项研究这样做并且获得了96%的准确率）。
- 相较于此领域较早的EEG-BCI研究工作，我们通过训练获得了一个可验证的跨主体的生成模型（准确率：78%）。
- 一种能够适用未知的数据未经过训练的受试者的方法。此方法提高了个体独立的BCI应用的潜力。
相关工作
在[7]中，对受试者们进行了步行实验。用32频道的干电极-EEG测量受试者对11HZ和12HZ的SSVEP刺激的反应。他们比较了运动时干电极-EEG和湿电极-EEG皮层信号的质量和表现。从实验中，我们可以得出，湿电极-EEG在站立和不同速度的步行时精度上分别好4%和10%。
在[9]中，使用了和我们相同的20频道干电极-EEG头戴设备进行想象足部运动以触发更低的外骨骼的研究。这篇论文的目的是使用干电极-EEG头戴设备为异步运动想象BCI做快速设置系统。
深度学习方法已被用于许多不同的BCI应用，类似于运动想象[15]和SSVEP信号的分类。在[12]中，作者们把五个不同频率的LED灯作可视的刺激生成器来为动态或者静态的实验控制五种不同的行为方式以此控制外骨骼。他们使用八个湿电极-EEG电极来测量SSVEP信号，并且使用典型相关分析（CCA）、多变量同步指数和典型相关分析的K最邻近算法（CCA-KNN）比较提出的三种神经网络方法，分别是：CNN-1（三层网络）、CNN-2（四层网络）和一个全连接神经网路。对于从刺激获得的经过预处理后的EEG数据，使用CNN-1方法获得的精度是最高。
使用传统的机器学习方法和深度学习方法对一种五类的SSVEP信号进行分类[17]。作者分析了来自Physionet的使用传统湿电极-EEG的五类闪烁频率刺激的数据集[18]。作者们提出了CNN和长短期记忆（LSTM）RNN作为深度学习方法以及一些传统分类方法例如K最邻近算法（k-NN），多层感知机（MLP），决策树和SVM。所有的这些方法中，CNN的表现最优，具有69.03%的平均精度。传统分类方法中，SVM总体精度最好。
在[16]中。作者介绍了EEGNet，一种跨范式的湿电极-EEG的CNN模型。论文包括了四种不同范式的数据集（P300事件相关电位，错误相关负极，移动相关脑皮层电位和感觉运动节律）。所有数据集都来自不同数据量的数据源。预处理之后，作者们使用不用的方法训练四种范式的数据集，包括单主体和跨主体的浅CNN和深CNN。结论表明，不同范式使用不同方法的表现都不同。
相较于这些早期的工作，我们对于未预处理的干电极-EEG的SSVEP信号的单主体、跨主体和未知主体的分类明确地提出了一种端到端的方法。
方法论
在这部分，为了使得干电极-EEG数据的分类精度更高，我们探索发明了一种机器学习方法，特别是深层CNN。为了比较分类精度的表现，我们囊括了几种基准线研究。我们还详细介绍了采用的采集实验SSVEP数据的方法。
实验建立
这项工作中，我们使用SSVEP作为神经生理学响应，并用干电极-EEG测量。受试者们戴着干电极-EEG头戴设备坐在一个60HZ的LCD监控前。我们用呈现SSVEP的PsychoPy工具[19]记录一定频率范围内的SSVEP刺激：10、12、15和30HZ[11]。将对应不同频率的闪烁刺激呈现在第一台电脑上。为了协助实时处理和分析传输，脑皮层信号通过数据采集软件传输到第二台电脑随后被传回第一台电脑。图1展示了不用硬件组件之间的交流。
如图 1所示（蓝色突出）干电极-EEG头戴设备提供了19个频道和A2。
二十个频道的传感器(Cognionics公司)的蒙太奇[20]使用MNI柯林27大脑图谱（蒙特利尔神经研究所柯林27图谱）注册在一起。从十个人身上获取的电极位置通过3-D平均数字化（ELOPS，Zebris Medical GmbH）获得平均传感器位置。基于最邻近算法将电极标签分配映射到标准10/5蒙太奇。Nas,LPA和RPA表示鼻根和左右耳前基准[6]。
实验中，我们收集了四个受试者采样率为500HZ的顶叶和枕叶皮层(P7,P3,Pz,P4,P8,O1和O2)[7]，正面中心（Fz）和A2参考的数据。主体1的数据包括4类SSVEP的各100次试验。而对于另外三个主体，我们只试验了20次。每次试验都使LCD屏幕闪烁3秒。用于数据采集的软件提供整个实验期间实时的阻抗测量，以此来保证EEG信号的良好质量。
然而，与干电极-EEG信号分类相关的主要问题是，由于较高的阻抗值，信号相对于传统湿电极-EEG系统来说有较高的噪声比。图 2中可以看到我们研究的跨越四种SSVEP频率的七种不同干电极-EEG数据频道的噪声。
卷积神经网络模型设计
信号处理是BCI领域最重要的部份之一。它转换原始EEG皮质信号成特定符合意志的决定或者应用[3]。传统上来说，将数据转换为适合下游预测任务的格式需要人工预处理和特征提取阶段。相较于这种方式，我们在这项工作中提出了使用一种深度卷积神经网络来以端到端地方式[1]进行转换处理。我们探索在无须人工预处理和特征提取情况下，CNN对原始干电极-EEG数据SSVEP目标频率类别的分类表现如何[13]。在许多图像处理任务中，CNN对于二维图像数据的分类表现都是最好的[14]。但是越来越多的证据表明，CNN在处理经过时间维度滤波的时间序列数据时，表现得往往比专为此类时间数据任务设计的循环模型更好[21]。由于EEG数据是一种时间序列数据，我们使用1维CNN模型来进行干电极-EEG数据分类。
图 3展示了我们使用的CNN结构，其拥有含三个一维卷积层的SSVEP卷积单元（SCU），批归一化和最大池操作层。这项研究中，这些SCU构成了用于干电极-EEG信号解码的通用计算单元。我们的CNN结构中有一个巨大的初始滤波器来捕获我们在干电极-EEG数据分类中感兴趣的频率。我们还使用批归一化来抗衡噪声EEG数据。一旦数据通过卷积拦截器转化，EEG信号就可以通过一个归一化指数softmax函数（图 3黑色突出）在最终层进行实际分类。这softmax函数将CNNfCNN(y|x)生成的特征向量x作为输入,然后计算了生成标签y的条件概率，如下所示：
Y是数据集中所有标签的集合
训练期间，模型最小化的损失函数是分类交叉熵的计算结果。它衡量了ycirc;isin;fCNN和yisin;Y的输出分布，正如公式：
N是训练样本总数
模型使用了ADAM梯度下降算法[22]，每一百代使用尺寸为32个的小批次。我们还使用了L2权重衰减，通过减少过高权重的网络来帮助预防过拟合。我们优化过的最终模型是这样的：
W是网络权重，是一个用户可控的比例变量，这里设为10-4
基准线
为了验证我们提出的方法的有效性，我们比较了一些传统分类器和其他深度学习模型。使用传统分类器进行分类步骤之前需要进行预处理和特征提取。就其本身而言，原始信号将经过以下步骤进行处理：下采样到250HZ,参考前额中心传感器信号（Fz），50HZ陷波滤波器移除线性信号噪声以及9-100HZ的带通滤波器。结果，预处理被用来移除不需要的信号，例如电源线噪声以及用来专注于所需要的理想范围内的信号[3]。这些被过滤过的信号之后作为特征提取阶段的输入。基于最近对[23]的比较审查，我们选择黎曼方法进行特征提取[24]，其利用协方差矩阵和在R9
资料编号：[6017]
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。
