[MI-BCI论文札记]基于Morse电码的多类运动想象BCI系统设

本文主要的贡献是将传统MI-BCI仅有二类运动想象识别(左手、右手)增加到了六类,用来控制六种运动想象的结果,但是实际上人的想象只有传统的三种,文中的办法是采用莫斯电码,用运动想象序列进行编码,可以得到更多的运动想象结果。      

长度为N的二类运动想象(左手、右手)可以看出是0和1,按照式1可以计算CN个结果,通过CN个结果进行编码就可以得到多类运动想象的分类结果。

反过来,若需要M个类别的多类分类问题,则可以计算出需要的莫斯电码长度。


文中的实验是产生六种运动想象结果来控制机器手臂抓取目标。所以根据式(2)(3)可以计算出需要长度为2的运动想象序列即可。下图就是编码情况。下表给出了每个类别需要机器手臂的作用情况



实验情况:

1、实验人员:4个正常25岁左右年轻人,2个有BCI控制经验,2个没有。

2、EEG信号处理:处理C3和C4电极的数据,电极帽的点击应保证阻抗低于10k欧姆

3、EEG信号处理过程:提取长度为2000ms的EEG信号进行一次分类,每次分类之间保证100ms的间隔时间,按以下流程进行:

1 )对C3 C4电极记录的信号采用大型拉普拉斯滤波器进行滤波

2 )使用带通滤波器将频率集中在(1-50Hz)的信号滤波出来

3 )使用固定参数为16的Yule-Walker自回归模型从上述滤波结果中提取PSD(功率谱密度)

4 )从PSD中提取8-30Hz的节律信号,(由于mu节律在8-14Hz, beta节律在18-25Hz),并将提取到的节律信号按1Hz的单位进行切分,切分后组成特征向量。

5 )采用MDA(最小距离分析)分类器,马氏距离,进行分类,得到分类的左手、右手和空闲状态结果。

6 )对MDA的分类结果采用dwell time(给定一段时间进行持续的运动想象结果,只有在一定年时间内能够被稳定检测出分类结果,该结果才是有效结果,否则视为空闲状态)将空闲状态剔除保留下有意义的结果,优化性能。 

4、实验过程:实验过程训练和首先屏幕给出开始,经过6秒的准备时间,当线索在屏幕上给出时,进行相应的运动想象,分为两个epoch(时间阶段),第一阶段进行第一个长度的运动想象,进行2000ms,中间停顿1000ms作为休息和准备第二个长度的运动想象时间,第二阶段进行第二个长度的运动想象,在3000ms内作为第二阶段。每个实验者在一天内做56组实验。

测试采用相同的流程,流程如下图


首先进行6秒的准备时间,然后在6s-12ms之间作为两个长度的运动想象测试,在epoch1和epoch2之间随机出现屏幕上的六种运动详细结果。

5、控制机器手臂:控制机器手臂进行小球的抓取,每个测试者进行两组实验,一组使用MI-BCI进行,另一组用键盘进行,结果作为对比,控制机器臂抓取如下


实验结果

1、采用经典的Kappa系数和bpm作为性能的衡量标准。



下图给出六种MI的C3和C4电极的变化,C3和C4的电极变化(黄红色为高,ERS,蓝色为低,ERD)


下图给出随着时间的推移,左右手的MI识别率,正坐标为右手,负坐标为左手。


文中还给出了用MI-BCI和键盘分别控制机器手抓取物体的实验结果比较,如下表所示


总结

1、首创使用MI-BCI控制多自由度的实际运动,之前都是控制虚拟屏幕上的箭头

2、使用MI的序列,并用莫斯编码,将EEG信号由二维提升到三维,为分类提供了更充分的信息

3、嵌入了反馈机制到机器臂中,可以直接反馈是否正确,而不需要通过屏幕

展望

1、增加了MI的序列,使得将MI识别成运动命令过程,时间消耗更多

2、BCI系统需要大量信息和时间的反馈,不是完全的异步系统,需要一些反馈的是同步过程。

你可能感兴趣的:(脑机接口)