基于脑电信号的脑机接口系统

基于脑电信号的脑机接口系统内容摘要：

基于脑电信号的脑机接口 第 7 页 共 29 页 区分。 先 通过 surfaceLaplacian 对原始信号进行特征提取，再由分类器进行分类 ，对于不同的用户系统的分类精度范围是 75%~95%[8]。 在 Ramaswamy Palaniappan 等人在实验中 ，用脑电信号的功率谱密度（ PSD）作为信号的特征，使用 fuzzy ARTMAP 神经网络来分类不同的心理作业 [9]。 何庆华 等人在 基于视觉诱发电位脑机接口研究中 ，通过小波变换来提取视觉诱发电位。 实验结果表明，用小波时频滤波器结合少量（ 9~20）次累加平均 ,可提高信噪比 ,提取出视觉诱发电位信号，视觉诱发电位的正确识别率在 70 %～ 100 %之间 ,当屏幕上目标个数为 12 时 ,通讯率可达 30bit/ min[10]。 我们的试验中准备使用小波变换作为特征提取的方法。 EEG 信号的 分类 EEG 特征提取之后， 通过分类器 根据信号的特征进行分类。 分类器总体上可以分成线性分类器和非线性分类器两 大 类。 常用的线性分类器有 ： 线性判别分析器（ LDA），逻辑分类器（ Logistic regression）等；常用的非线性分类器有，支持向量机（ Support Vector Machine SVM），神经网络（ NN）等。 通常情况下，如果性能相近，应尽量选择简单的分类器。 在数据较少，对数据的知识不多时，线性分类器应作为首选；在数据足够充分的情况下，应选用非线性分类器来挖掘数据的潜在结构。 而且应该将神经生理学的先验知识结合到分类器中，并且应该 尽量使用规则化（ regularization）的和健壮容错性强（ robust）的分类器。 在 Eleanor Curran 等人实验中使用 AR 的方法进行特征提取，并采用逻辑 小 回归的方法进行分类 [11]。 有时 输入的脑信号并不能 唯 一的确定一个输出，因为此时用户也没有决定唯一的输出是什么，如果严格的制定一种输入，将导致错误的控制，此时最合理的方法就是以概率的方式赋予每一个备选的输出一个可能的概率。 在 Torsten Felzer 和 Bernd Freisleben设计的系统中，通过使用 PeGNC（ probability estimating guarded neural classifier）分类器将输入信号为每一个独立的输入类别赋予一个可能的概率，这样如果在概率相差不多的情况下，输出将不做出判断。 他们通过两个试验对该分类器进行评估：第一个试验是，通过分析脑电信号中  节律信号，来判断用户是睁眼还是闭眼，分类结果为：正确分类率 87%， 12%为不可做出分类结果，仅仅 1%分类错误。 第二个试验是在第一个试验的基础上，通过仿真数据将分类范围扩大到四类，结果显示于传统方法相比， PeGNC 网络在处理有重叠分类的任务时，有很大的优势 [12]。 在 Jos233。 del R. Mill225。 n 和 Josep Mouri241。 o 的系统中，对用户的三种心理作业进行区分，当分类器无法明确区分用户当前的状态时，用不知道来回答，从而不做任何操作，直到明确的判断出用户的意图为止，在他们的 ABI 系统中，系统的正确率为 70%以上，错误率低于 5%，其他的就都属于不知道的范围 [13]。 有于每个用户的反应能力，记忆能力，以及操作能力不同，甚至一个用户由于心理状态等因素的改变在进行同样的心理作业的时候，产生的脑行为也会有所改变，而 且人脑本身也是一个高度自适应的控制器，因此脑 — 计算机接口应具有一定的适应能力。 而其中最关键的是将脑信号转换为逻辑信号的转换算法具有适应能力，这样才能提高脑 — 计算机接口的精度。 在 P. Sykacek 等人的实验中，利用概率的方法通过一个大的联合概率分布模型，设计了一个自适应的信号处理和转换算法。 实验结果证明，自适应的系统仅需要适当的训练便能比同等程度的静态系统表现出色，这种自适应的转换算法适用于用户训练过程中脑信号出现动 基于脑电信号的脑机接口 第 8 页 共 29 页 态改变的情况，并且离线试验分析揭示，这种方法可以产生更高的通信率 [14]。 Peter Sykacek等人的试验中，系统是基于变参数的 Kalman 滤波器，用自适应的算法来设计分类器，根据用户进行不同的认知作业对用户的认知状态进行分类。 该系统与同等程度静态系统相比，系统的泛化精度和通信速率都提高了 8%，很大程度上提高了系统的性能 [15]。 本试验中 主要 使用 SVM 以及 Treble M SVM 分类器，因而这儿详细介绍一下此分类器。 SVM介绍 支持向量机 （ Support Vector Machine） 是一种基于结构风险最小化原则 (Structure Risk Minimization)的通用学习算法， 它的基本思想是在样本输入空间或特征空间构造出一个最优超平面，使得超平面到两类样本集之间的距离达到最大，从而取得最好的泛化能力。 不同于神经网络，支持向量机的解是全局最优的，而且支持向量机不需要人工设计网络结构。 设给定问题的训练样本集为 {(x1。 y1)。 (x2。 y2) …… (xl。 yl)}， 其中 xi∈ Rn； yi∈（ 1， 1）， i = 1…… l。 假设该训练集的正反两类样本可以被一个超平面划分，即存在一个超平面 ω x + b = 0 满足： ω xi + b 0 ， 对于任何 yi = +1 ω xi + b 0 ， 对于任何 yi = 1 对于 某 一个问题，可能存在很多个满足式 上式 的超平面 ， 但 仅 有一个称为最优超平面。 所谓最优超平面是指距离超平面最近的点跟超平面的距离达到最大。 如图 3 所示， h*就是最优超平面。 支持向量机就是要寻找这个最优超平面，而那些跟最优超平面距离最近的点就是支持向量。 图 3 SVM 原理 多类问题转化为二类问题 SVM 算法通常 只能 解决 2 类问题， 并且如果样本规模过大或者不平衡，将会严重影响其训练和分类效果。 如果 要解决问题的是一个 4 类问题 或者时更多类的问题 ，我们首先要先把这个 4 类问题 化归到 2 类问题。 将 4 类问题通过以下方法就可以转化为 6 个 2 类问题，见 基于脑电信号的脑机接口 第 9 页 共 29 页 图 4。 图 4 多类问题转化为二类问题 上图 中 将四类问题 0， 1， 2， 3 分解为 M01， M02， M03， M12， M13， M23六个二类问题， M01 表示解决 0 大类与 1 大类所组成两类问题的模块。 若是输入样本属于 0 大类，则 M01应输出 0；若是输入样本属于 1 大类，则 M01 应输出 1；若是输入样本属于其它大类，则对M01 的输出结果不作要求。 其它的 M 模块以此类推。 粗 线箭头表示传递原值的非：若是尾端值 为 0，则首端传递的值为 1；反之，则传递 0。 黑线箭头表示传递原值。 椭圆形表示与非操作，它的含义与通常我们所说的与非门一致：当且仅当输入全为 0 时，与非模块输出 1。 Out0 是输出：若 Out0 为 1，则表示输入样本输入 0 大类。 其它三个输出 Out1， Out2， Out3可以此类推，分别表示输入样本是否属于 1 大类、 2 大类、 3 大类。 对于某一个输入样本，若 4 个输出只有一个取值为 1，则该系统的结论自然是输入样本归属于该输出相对应的大类；若是 4 个输出有多于一个取得 1 值，或者 4 个输出取值全为 0，则该系统的结论是“无法判断”。 该分解 证明很简单，若某个输入输入分类 0，则 M01， M02， M03 中任意一个或若干个或全部为 0，则与非之后 Out0 为 1。 其他类似。 Treble M方法简介 通过上面的变换，我们得到了 6 个两类问题，但若是直接 解决这些 2 类问题，我们 可能会遇到一些困难。 首先，这些 2 类问题的训练样本集规模 可能 非常庞大。 其次，这些 2 类问题 也许 是不平衡问题，即训练样本集中两类样本的数目相差巨大， 这有可能影响后续分类器学习效率，并且 利用支持向量机学习大规模的 二类 问题 还 是相当困难的。 为了充分利用分布式并行计算机系统，解决大规模模式分类问题， 吕宝粮教授在 [16]提出了一种并行支持向量M01 M02 M03 M12 M13 M23 样本输入 与非 与非 与非 与非 Out0 Out1 Out2 Out3 基于脑电信号的脑机接口 第 10 页 共 29 页 机，称为最小最大模块支持向量机 （ MinMax Modular SVM）。 该并行支持向量机采用“部分对部分” (partversuspart)任务分解方法， 此 方法把传统支持向量机所要解决的二类问题分解为一系列更小、更简单的二类子问题。 这些二类子问题的特点是在训练过程中完全相互独立，因此可以容易地在集群计算机和网格上实现超并行学习。 Treble MSVM 算法能够将 转化而得的 2 类问题作进一步分解。 一个大的 2 类问题经过分解可以转化成多个小的 2 类问题。 例如： 一个 2 类问 题， 0 类训练样本 共 有 1000 个， 1类训练样本有 200 个。 首先，这是一个不平衡问题，我们期望通过划分得到平衡的 2 类问题；其次，我们期望得到的 2 类问题规模不要太大，不妨 假 定为每个问题有 200 个训练样本。 于是我们 进行如下 操作过程：第一步，我们设定子类的规模是 100 个样本。 按照这个标准，将0 类训练样本集划分为 10 个子集，记为 A0， A1， …… ， A9；将 1 类样本划分为 2 个子集，记为 B0， B1。 第二步，我们将两个大类的子类两两组合，总共得到 10*2 ＝ 20 个小的 2类问题。 对每个小的 2 类问题，单独进行训练，进而得到每个小 的 2 类问题的解。 最后，我们可以使用下 面两个 方法根据这些答案推导出 原来 的 2 类问题的答案。 方法一： 图 5 统合方式一 用来连接各个模块的集成单元是： Min 单元和 Max 单元。 Min 单元的作用是从多个输入中找出最小值并输出，其传递函数为： Out = min(In1。 In2。 ……In n)， 其中 In1。 In2。 ……In n 是集成单元的输入， Out 是集成单元的输出，即所有输入中的最小值。 Max 单元的作用是从多个输入中找出最大值并输出，其传递函数为： Out = max(In1。 In2。 ……In n)， 其中 In1。 In2。 ……In n 是集成单元的输入， Out 是集成单元的输出，即所有输入中的最大值。 在图 5 中， 我们要解决 A、 B 这个大的二类问题，我们已经将 A 分解成 A0， A1， …… ，A0B1 …… A1B0 A1B1 A9B0 A9B1 max max max min Out 输 入 A0B0 基于脑电信号的脑机接口 第 11 页 共 29 页 A9 这十个子类， B 分解为 B0、 B1 两 个子类， 其中 A0B0 表示解决以 A0 子集作为 0 类样本，B0 子集作为 1 类样本，所组成的两类问题的解。 Out 是输出。 对于 上面的合成 ，我们有如下结论：  若 Out = 0，则 输入样本 属于 A 类；  若 Out = 1，则 输入样本不属于 A 类 证明 ： 若 Out＝ 1，由 于 Out 是 min 模块的输出结果，则必然它的输入，即所有的 max模块的输出是 1。 即对任意的 i（ i=0,1,2,3…… 9）， max(AiB0， AiB1)=1，所以 AiB0,AiB1 中至少有一个是 1，所以该输入样本不在 Ai 的控制范围内。 又由 i 的任意性可知：该输入样本不在 A 的任何一个子类的控制范围内，从而该输入样本不在 A 类训练样本的控制范围内，所以该样本不属于 A 类。 若 Out=0，则必有一个 max 模块的输出是 0。 不妨 假 设第 i 个 max 模块输出是 0，即 AiB0，AiB1 取值都为 0，这表示该样本在 Ai 的控制范围内；同时， 该样本不在 B 的子类的控制范围内，即不在 B 的控制范围内。 所以可以断定该样本属入 A 类。 方法二： 图 6 统合方式二 如图 6，对于 上面的合成 ，我们有 如下 结论：  若 Out = 0，则 输入样本不属于 B 类；  若 Out = 1，则 输入样本属于 B 类 证明：若 Out = 0，则两个 min 模块的输出都为 0，则存在 i1，使得 Ai1B0输出是 0，所以输入样本不在 B0的控制范围内；存在 i2，使得 Ai2B1 输出是 0，所以输入样本也不在 B1的控制范围内。 因此，该输入样本不在 B 的控制范围内，即该输入样本不属于。