阅读笔记7:多类运动想象脑电信号识别及其在BCI中的应用研究

文章目录

  • 论文信息
  • 笔记
    • 1.摘要
    • 2.绪论
      • 2.1 EEG信号处理方法国内外研究进展
      • 2.2存在的问题
    • 3.脑电信号采集及预处理方法
      • 3.1 共平均参考(CAR)
      • 3.2Butterworth 带通滤波器
    • 4.运动想象EEG信号特征提取
      • 4.1 基于 AF-CSP 方法的特征提取研究
        • 4.1.1 经验模态分解
        • 4.1.2共空间模式
        • 4.1.3基于 AF-CSP 的 EEG 信号特征提取
      • 4.2基于 SJ-GDA 方法的特征提取研究
        • 4.2.1 黎曼流形
        • 4.2.2半监督联合互信息
        • 4.2.3广义判别分析
        • 4.2.4基于 SJ-GDA 的 EEG 信号特征提取
    • 5.运动想象分类器研究
      • 5.1 基于 NSGA-Ⅱ和 TWSVM 的分类方法研究
        • 5.1.1 孪生支持向量机
        • 5.1.2基于 NSGA-Ⅱ的 TWSVM 参数优化
        • 5.1.3基于 AF-CSP 和 TWSVM 的分类结果
      • 5.2基于决策树框架的分类方法研究
        • 5.2.1决策树框架(DT)
        • 5.2.1基于 DT 和 FGMDRM 的分类方法
        • 5.2.2基于 DT-KNN 的分类方法

论文信息

  • 题目:多类运动想象脑电信号识别及其在BCI中的应用研究
  • 作者:赵凯
  • 单位:东北电力大学机械工程学院机械制造及其自动化
  • 发表时间:2019.05

笔记

有一说一 初学者很难看懂

1.摘要

针对右肩关节前屈、后伸和外展三类运动想象,提出了基于 AF-CSP 和孪生支持向量机的脑电信号识别方法。

为扩大运动想象的控制范围,克服脑电信号的维度灾难,提出了基于黎曼流形的适用于不同肢体多类运动及单关节的 SJ-GDA 降维方法及决策树分类框架。

脑电信号特征提取方法研究。①针对肩关节三类运动想象,提出基于 AF-CSP的肩部三类运动想象特征提取方法,②针对脑电信号维度灾难问题,提出基于黎曼流形的数据降维方法 SJ-GDA

运动想象分类研究。①提出基于第二代非支配排序进化算法的孪生支持向量机解决肩关节三分类问题,②提出可与多种分类器结合的决策树分类框架解决多分类问题

2.绪论

2.1 EEG信号处理方法国内外研究进展

(1)信号预处理
目的在于去除EEG信号中混杂的眼电伪迹、工频噪声以及被试者心理活动带来的干扰,并提取出符合后续分析需要的EEG信号。主要包括时频域滤波和空间滤波等方法。在 EEG 信号的时频域滤波方面,一般采用带通滤波器以及陷波滤波器去除工频干扰,获取运动想象相关频段来提高脑电信号的信噪比。在空域滤波方面,主要采用共同平均参考(Common average reference,CAR)、独立成分分析(Independent component analysis,ICA)、拉普拉斯参考(Laplacian reference,LR)及主成分分析(Principle component analysis,PCA)

(2)特征提取

  • 时域

    • 基于相关性的时间窗选择(Correlation-based time window selection,CTWS)算法
    • 李洁等提出基于正则化张量以及非负张量分解两种算法从 EEG 信号幅值角度提取特征,有效减少 BCI 系统的导联数。
  • 频域

    • 快速傅里叶变换(Fast fourier transform,FFT)
    • 功率谱(Power spectral density,PSD)
    • 自回归模型(Auto regressive,AR)
  • 时频

    • 小波包变换(Wavelet package transform,WPT)
    • 总体经验模态分解(Ensemble empirical mode decomposition,EEMD)
    • 希尔伯特-黄变换(Hilbert-huang transform,HHT)
  • 空域

    • 共空间模式(Commonspatial pattern,CSP)

(3)分类方法

  • 有线性判别分析(Linear discriminant analysis,LDA)
  • K 最近邻(K nearest neighbor,KNN)分类算法
  • 深度学习
  • 支持向量机

2.2存在的问题

  • 维度灾难问题
  • 分类识别数目少
  • 需要对被试个体进行参数优化,识别算法泛化能力差

3.脑电信号采集及预处理方法

阅读笔记7:多类运动想象脑电信号识别及其在BCI中的应用研究_第1张图片

3.1 共平均参考(CAR)

CAR 的计算方法是从所选通道中减去所有电极的平均值
公式为:
阅读笔记7:多类运动想象脑电信号识别及其在BCI中的应用研究_第2张图片

3.2Butterworth 带通滤波器

阅读笔记7:多类运动想象脑电信号识别及其在BCI中的应用研究_第3张图片

4.运动想象EEG信号特征提取

利用经验模态分解后 IMF 中幅频(Amplitude-frequency,AF)域信息结合 CSP 提出 AF-CSP 构建肩关节三类运动想象 EEG 信号特征向量。黎曼流形是近年来新兴的另一种 EEG 信号分析方式,本文针对黎曼流形中切向量维度灾难的问题,结合半监督联合互信息(Semi-supervised joint mutual information,Semi-JMI)和广义判别分析(Generalized discriminate analysis,GDA)提出 SJ-GDA 算法对高维向量进行降维。

4.1 基于 AF-CSP 方法的特征提取研究

4.1.1 经验模态分解

EMD 可对 EEG 信号进行平稳化处理,得到一系列的 IMF。经验模态分解一方面可以消除信号中的骑波,另一方面则可以对信号进行平滑处理,避免振幅不均匀的现象。

本征模态函数需要具备以下条件:
(1)IMF 在所选取的信号时间范围内,局部极值点的个数与过零点的个数相等或者相差最多不超过一个。
(2)在任意的时刻点,信号每个局部极值点所形成的上包络线与下包络线的均值为 0,通过该种方式所获得的 IMF 关于时间轴局部对称。
与其他方法不同,经验模态分解基于数据分解,具备直观性和自适应性。

4.1.2共空间模式

CSP 算法本质上是在两类 EEG 信号矩阵中寻找一个空间滤波器,使两类信号通过滤波器后获得较为明显的特征向量。将 IMF 中的 AF 信息输入 CSP 形成 AF-CSP。

包括 CSP 在内的多种特征提取以及分类方法均是面向二类任务。为解决多类任务,目前主要有以下两种方法:
一对多法(One versus rest,OVR),该方法首先提出并应用于 SVM 中解决二分类问题。其主要思想是将一类与其余类别划分开,对于k 类分类问题,则需要构建 k 个分类器。
一对一法(One versus one,OVO),该方法通过构建 k(k -1) / 2 个分类器解决 k 分类问题

4.1.3基于 AF-CSP 的 EEG 信号特征提取

4.2基于 SJ-GDA 方法的特征提取研究

4.2.1 黎曼流形

在 BCI 领域,由于脑电信号维度高,维度灾难一直是不可避免的问题。共空间模式算法可将高维脑电信号投影至低维空间,但缺点是依赖大量电极通道采集数据。近几年,采用黎曼几何将高维脑电信号矩阵映射至切平面中向量化的方法正获得越来越多的关注,但由此带来的问题是维度灾难

定义一个空间以及在该空间中的度量,使得在无穷小的范围内与欧式空间相同,即在每一个无限小的区域内,欧式空间的几何关系成立。这空间就可以被看作黎曼空间,空间中的几何叫做黎曼几何。因此,可以说黎曼空间是在无限小范围内的欧式空间

4.2.2半监督联合互信息

4.2.3广义判别分析

为解决 EEG 信号处理中维度灾难问题,降维方法被广泛应用于削减冗余特征以及减少向量长度。经典的降维技术主要有主成分分析和线性判别分析以及独立分量分析等。GDA是一种基于核技术的非线性降维方法.

4.2.4基于 SJ-GDA 的 EEG 信号特征提取

5.运动想象分类器研究

本章节介绍基于孪生支持向量机和决策树分类框架的分类方法及相应识别结果,其中 AF-CSP 方法提取的 EEG 特征输入孪生支持向量机,而 SJ-GDA 方法提取的 EEG特征则对应于决策树分类框架。

5.1 基于 NSGA-Ⅱ和 TWSVM 的分类方法研究

5.1.1 孪生支持向量机

对于一个标准的支持向量分类问题,其基本思想就是在正负两类样本之间寻求一个最优超平面。在支持向量机中,通过求解一个二次规划问题可获得两个平行的超平面,而 SVM 的最优超平面可以通过最大化两个平行超平面之间的距离获得,SVM 的分类示意图如图 4-1 所示。阅读笔记7:多类运动想象脑电信号识别及其在BCI中的应用研究_第4张图片
孪生支持向量机(Twin support vector machines,TWSVM)是在传统支持向量机基础上发展起来的一种新的机器学习方法[97]。TWSVM 与 SVM 根本区别在于 TWSVM 通过解决两组小型二次规划(Quadratic programming,QP)解决二分类问题,而 SVM 则通过求解一组大型 QP 解决所有的分类问题,因此 TWSVM 的工作速度比标准 SVM 快 4 倍。

5.1.2基于 NSGA-Ⅱ的 TWSVM 参数优化

5.1.3基于 AF-CSP 和 TWSVM 的分类结果

5.2基于决策树框架的分类方法研究

5.2.1决策树框架(DT)

决策树(Decision tree,DT)是一种常用的机器学习方法。在决策树的建立过程中,其划分选择方式有基尼系数、熵和错误率,在训练过程中,决策树容易出现过拟合,即分类器在训练集识别率高而在测试集识别率低的现象,应对过拟合的常用方法是剪枝策略。

5.2.1基于 DT 和 FGMDRM 的分类方法

5.2.2基于 DT-KNN 的分类方法

K 最近邻分类算法应用广泛,当目标变量自然且连续时,KNN 也可用于回归任务。在所有的机器学习算法中,KNN 是一种简单却有效的机器学习算法。KNN 算法包含三种要素,分别是 k 值,距离计算和决策机制。KNN 中最佳参数 k 可通过交叉验证实现,决策机制可采用投票法实现。KNN 中普遍应用的样本点距离计算方法有欧氏距离、闵可夫斯基距离和马氏距离等。

你可能感兴趣的:(脑机接口(BCI),分类算法,支持向量机,机器学习)