英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

在脑电脑接口中使用改进的二进制引力搜索算法来分类左手或右手运动的EEG信号中的自动信道选择

摘要

本文提出了一种在脑机接口(BCI)中找到最佳通道的自动方法。检测BCI系统中的有效信道是降低这些系统的复杂性的重要问题。在这项研究中，使用改进的二进制重力搜索算法（IBGSA）自动检测左手还是右手运动分类中的有效脑电图（EEG）通道。为此，首先使用带通滤波器对数据进行滤波，以便减少各种类型的噪声。然后，基于盲源分离（BSS）算法来校正眼电图（EOG）和肌电图（EMG）伪影。根据左侧或右侧运动成像来对数据进行划分，并且使用事件相关同步（ERS）分析来隔离中央beta;频带。通过分析时间和小波域中的EEG信号来进行特征提取。在时域中计算每个通道的对数功率，并且在小波域中计算平均值，模式，中值，方差和标准差。使用IBGSA检测最佳通道以实现更好的分类结果。支持向量机（SVM）作为分类器。该算法在BCI竞争第四数据集中的8个受试者上进行测试，获得80％的最大精度和76.24％的平均精度。本研究的结果证实，自动检测有效信道的方法可以增强BCI系统的实际性能并降低复杂度。

介绍

人类神经系统是一个由超过1000亿个神经元组成的网络。这些细胞在系统中相互连接，并且产生神经回路，因此，正是这些神经回路让我们能看到这个世界，思考，学习，记忆和控制我们的行为[1]。由其神经活动引起的人脑的电信号中含有重要的信息。根据这个假设，研究人员在过去几十年对人类EEG信号进行了大量的实验。这些实验涉及到各种分类技术和数字信号处理方法。EEG信号处理的主要目标之一是开发一种用于构建人与外部设备之间的非生理交流的系统。这种装置可以是机器臂，拼写装置或轮椅[2,3]。脑机接口（BCI）是一种使人能够通过脑的神经活动来控制外部设备的系统。构建这种系统的主要目的是帮助残疾人并使他们的日常生活能够自理 [4] 。图1是BCI系统的框图。图中显示，在信号采集之后，采用诸如滤波或盲源分离算法的预处理方法来减少各种人为噪声和各种EEG噪声。

（图1.BCI系统框图）

在预处理步骤中，EEG信号的SNR增加。 下一步，便可以提取相关特征以训练分类器。EEG信号的SNR被增强得越多，所提取的特征越可靠，分类效果越好。当分类过程完成时，便能产生相关命令以控制设备或完成某项任务。事件相关同步（ERS）和事件相关去同步（ERD）是两种常见的神经学现象，经常在BCI系统中被用于翻译EEG信号。这两种现象被称为EEG信号功率的暂时改变。功率增强为ERS，功率衰减为ERD [5,6]。ERS和ERD分别在beta;和mu;节律中可检测到，它们不是相位锁定的，但它们是时间锁定的[5,6]。这两种现象都发生在一个人在进行想象或进行运动时。 ERS和ERD可使用公式 （1）[3]表示。这里，P（f，n）是在特定时间和频率中的平均信号功率，Pref（f）是在一些参考时间和频率f期间的平均功率。

（公式1）

了解不同的EEG频带可以方便研究，分析和检测不同的神经系统现象，如ERS和ERD。 EEG频带频率从低到高主要按以下顺序分类：delta;（0.5-4Hz），theta;（4-8Hz），alpha;（8-13Hz），beta;（13-30Hz），gamma;（指大于30Hz的波）[3]。

BCI脑机接口的应用和相关文献综述

BCI具有从控制视频游戏到人工四肢和机械臂等各种应用。BCI的许多应用可以在[7]中找到。这些应用可以分为以下领域：a）环境控制，b）运动，c）娱乐，和d）多媒体[8]。

作者在[8-10]比较了不同的分类器和统计分析方法在BCI系统的运动影像任务中的表现。由不同脑层的体积传导引起的空间涂抹是EEG信号中的重要难题。目前为止，已经产生了很多方法，用于减少这个问题造成的负面影响。这些方法中的大多数都是基于对数据的空间过滤。例如，[10]中的作者使用空间滤波和独立分量分析（ICA）来分离四类运动图像任务。这些图像任务包括舌头，脚和左手或右手运动。他们比较了不同的ICA和公共空间滤波算法。 在ICA分析中的infomax算法和常见空间模式（CSP）预处理中的拉普拉斯推导模式中获得了最佳结果。因为，EEG源的检测，分离和定位是非常困难的。 在[11]， Bell和Sejnowski两人的ICA算法完全用于EEG信号源的定位以及EEG信号的识别。

自动检测左手或右手的运动在BCI系统中非常有用。 作者在[4]中提出了一种自动分类左手或右手运动的方法首先分离相关的EEG通道。 然后，这些通道用0.5-90Hz范围内的带通滤波器滤波。过滤原始EEG信号是获得纯净的信号以及消除与EEG信号中夹杂的各种噪声的重要步骤。使用50Hz的陷波滤波器去除线性噪声。 然后，添加EEGLAB工具箱[12]，并在EOG和EMG的两个步骤中使用，以校正眼睛与肌肉对EEG信号的影响。通过使用盲源分离（BSS）算法进行人工干预。最后使用支持向量机（SVM）和人工神经网络（ANN）来进行分类 [4]。

尽管在分类问题中可以采用诸如贝叶斯线性判别分析（BLDA），费舍尔线性判别分析（FLDA），SVM，通用安德森任务线性分类器（GAT）等不同分类器。单在BCI分类中，SVM的精度很高，并且正广泛应用于该领域的研究。在文献[13]中比较了不同分类器的性能，SVM和BLDA分类器被认为是EEG信号分类的最佳分类器。

在一个肢体中分类不同类型的运动是非常有用的。举个例子来说，利用ERD 和ERS现象，不同类型的运动如抓住，打开手，摸到东西能够被BCI系统识别。在[15]中使用基于自适应概率神经网络的在线方法对手抓取进行分类，该实验是在时变环境下基于单个试验EEG信号进行的，并且获得75％至84.0％的分类精度。

表面肌电图（sEMG）是一种通过使用至少两个生物电位传感器从皮肤表面获取神经肌肉活性的非侵入性方法。sEMG传感器和肌肉激活策略的组合是一种强大的工具，用于识别基于BCI的系统中的不同手指运动[16,17]。文献[18]的作者使用基于源分离和icasso聚类方法来改善残疾人的独立手指运动的分类。在所述研究中，介绍了一种基于测量控制来检测不同种类手势的新算法。这种技术采用独立分量分析和icasso来确定表面肌电图需要的传感器的最小数量。通过利用较少数量的传感器，以使假体装置更加灵活性且更加简单。

EEG信号的另一个重要应用是了解不同的睡眠阶段。将信号处理的基本原理应用于人类EEG可以研究和检测睡眠问题，如失眠。它也可以用于减少疲劳驾驶引起的驾驶事故[19-22]。

在文献[22]中，为了自动检测睡意，在时间，频率和小波三个域中分析EEG信号。在特征提取中，这些特征在时域中计算得来。这些特征是EEG信号的最大值，最小值和标准差。在频谱分析中，计算了10个特征，这些特征是中心频率，峰值频率，比率H / L，（RH / L），第一和第三四分位数频率（Q1F和Q3F），频谱标准偏差，积分范围， 不对称系数和峰度系数。在小波域中，通过使用db2小波变换从EEG信号中提取IEEG和ZC的特征。 IEEG和ZC特征可用下式（2）和（3）计算[22]。

（公式2、3）

在上述等式中，di [k]表示每个EEG样本，N表示这些样本的总数。使用线性判别分析（LDA）算法来分析并提取的特征，以便选择最优特征，然后将所选特征应用于ANN分类器。警觉性检测可以达到87.4%的精度，困倦检测可以达到83.6%的精度。

文献[23]的作者提出了一种基于熵率结合最小化（ICA-ERBM）的独立分量分析来检测疲劳驾驶的新方法。在上述研究中，EEG信号的功率谱密度被用作特征提取器，然后借助于基于模糊群的人工神经网络完成分类过程。在文献[24]中，已经使用ICA-ERBM来分离相关的EEG信号源来对驾驶员进行疲劳探测。然后使用自回归建模来完成特征提取过程。在分类步骤中，贝叶斯神经网络已被用于鉴别疲劳驾驶。

因为对于新的BCI应用，相关的头皮区域可能变得不确定，指定电极位置是重要的任务。另一方面，忽略不必要的脑电信道能够更容易地建立非固定的BCI系统[25,26]。

文献[27]的作者提出了一种新的方法，以检测最佳的脑电信道; 这个方法是基于2个独特的阶段。在第一阶段，采用贪婪算法来限制相关搜索空间。通过提出适当的搜索范围来进行限制处理。然后在第二阶段中，将分布算法（EDA）的估计应用于指定区域，以便检测最优EEG信道。

在不同的EEG分类问题中使用优化算法和数据挖掘，可以提高BCI系统的准确性和复杂性。遗传算法是分类问题中最流行的优化方法之一。 在文献[28-30]中，该算法被用于为不同的分类目的选择最优的脑电图特征。

在另一项有趣的研究中，作者提出了一种使用EEG信号分类5种特征性词的新方法。所提及的单词是西班牙语词汇 “上”，“下”，“右”，“左”和“选择”。通过识别这些词，当用户想象相应的所提及的词时，可以控制计算机光标。在这项研究中，通过考虑与错误率和选择的EEG信道的数量相关联的优化算法，在两个层次上跟进EEG信道选择[31]。

在不同BCI分类中找到最佳EEG通道是一个具有挑战性的问题。当大脑的受刺激区域是未知的时，这个问题更加显着。在这种情况下，找到相关的EEG信号通道可能变得十分头疼。这项研究的目的是通过使用IBGSA寻找优化的EEG信道来解决分类问题。在第2节中，给出了使用的数据集的详细讲解，然后在本节的其余部分描述预处理方法，特征提取和分类过程。获得的结果在第3节中公布和讨论。第4节讨论目标和成就，以得出结论。

材料与方法

在本节中，介绍了自动信道选择的建议算法。图2是该方法的框图。在该框图中，首先在预处理步骤中，通过实施不同的噪声和伪影处理方法来增加EEG信号的信噪比。本节其余部分详细介绍了用于噪声和伪像处理的方法。

在预处理之后，提取相关特征，并且IBGSA向分类器推荐不同的信道，并且获得相关的准确度作为用于所推荐的信道的适合度值。最佳频道是具有最高适应度值的频道。

该过程在几次迭代中重复。IBGSA的运算过程是从牛顿运动定律和加速度定律中受到启发的。[32,33]。接下来描述数据集和每个子系统的细节。

参与者和数据集

本研究中使用的数据集来自于2008年由奥地利GRAZ技术大学举办的第四届脑机接口竞赛。在该研究中，使用所提及竞赛的数据集2a进行进一步分析。这个数据集在文献[34]中。数据集包括九个健康受试者的EEG数据。受试者是健康和正常的个体，他们不熟悉BCI系统，在BCI训练中也没有经验[10,35]。他们被要求坐在一个舒适的扶手椅上，并在脑海中想象液晶显示器上显示的动作。受试者想象了四种不同类型的运动，完成了所有任务。这些任务包括左手或右手脚或舌头运动的想象。基于图3所示的BCI范例以及在LCD屏幕上显示的箭头形提示来进行想象任务。实验过程如下，首先，发出一阵嘟嘟声。然后，在LCD监视器上显示出一个固定的叉号，持续两秒。随后叉号换成了一个箭头，指向上下左右中的一个方向。根据箭头的方向，受试者分别想象舌，脚和左手或右手的运动之一。表演者将所选的肢体运动想象保持大约三秒，直到固定十字消失并且LCD变为完全黑色。然后，进行约两秒的短暂中断，并且再次开始下一个任务。这个过程完成72次，每个受试者总共产生288个运动想象案例[36]。图3描述了其中一个范例。

Preprocessing预处理

在本文中，采取了几个步骤来为数据的进行进一步分析和分类做准备。这些步骤主要是用来减少EEG数据的噪声和人为干扰，以便找到最佳的信道。这些步骤的详细讲解在下文中。

Channel setting通道集

本文献的EEG数据集由25个EEG信号通道组成。由于其中的三个通道是EOG通道，他们不被用于进行分类。他们仅仅被用来检查人工因素去除技术的工作是否正常所以这三个信道从数据集中删除了，剩下的22个信道用于接下来的处理，图4显示了这些信道在头部的位置。

（图2）

（图3）

（图4）

滤波

因为EEG信号的信噪比很低而且信号容易被各种肌肉活动干扰，所以使用多种技术来增强信噪比是十分重要的。这里，信噪比是通过EEG信号和相关的EOG波的频谱分析来计算的，因为EEG和EOG波包含不同频率的信号，因此SNR值可以用以下简单而又通用等式定义：SNR =功率（EEG）/功率 EOG）。为了增强信噪比，可以采用许多方法，例如基于ICA算法或带通滤波的空间滤波[37,38]。

在本文中，一开始使用0.5-90HZ的带通滤波器来对EEG信号进行滤波（出了第四种待测项目使用了0.5–60 Hz的带通滤波器，因为他们看起来噪声含量更高）带通滤波器的过滤去除了大量不必要的信息并重新产生了干净的数据。然后，为了去除50HZ的电气噪声，又使用陷波滤波器对所有信号进行过滤。

人为因素排除

在带通滤波器过滤完这些数据后，应该减少EEG信号中的人为干扰因素。有很多方法能够降低或者去除EEG信号中的人为干扰因素。这些人为因素通常由眼睛或者肌肉的运动造成。去除人为因素的方法之一是通过使用基于ICA的空间滤波来分离统计上独立的信号。在这种方法中，从线性结合的不同的独立源中寻找未混合信号[39]。

BSS算法绿如ICA在EEG的人为因素处理中是很有名的方法。这些方法被广泛应用于EEG信号的分类问题。BSS算法的目标是找到一个未耦合的n乘n矩阵W。然后，用这个为耦合的矩阵W乘以原始的EEG信号便可以得出人为因素校正后的信号的时间序列Y（t）。这里，EEG信号包含n个信道，X(t)是原始的EEG信号，WT是W的转置。

在本研究中，一个能够自动校正人为因素的工具箱MATLAB被加入到了EEGLAB中。然后通过基于BSS算法的EOG和EMG两个步骤，人为因素便能被校正了。首先，眼部运动造成的人为干扰被EOG校正，然后其他人为干扰被EMG校正。图5

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[138092]，资料为PDF文档或Word文档，PDF文档可免费转换为Word