基于共空间模式和神经元网络的脑_机接口信号的识别
- 格式：pdf
- 大小：479.20 KB
- 文档页数：4
C = EET t race ( E E T) ・ ( 1)
1, 0,
有且仅有 r ∈ k ; 如果 r ∈ k ・
( 5)
训练 L VQ 网络 , 首先需要对权值进行设定 , 对竞争层神经元权值向量 W 1 取较小的随机值 ・ 根据训练样本中各类别数据占总数据的百分比来 确定 W 2 , W 2 一旦定义好就不再改变 , 最后确定 初始学习速率和训练次数・ 对于输入样本向量 X , 计算各行向量的欧氏 距离 , 根据式 ( 6) 寻找获胜神经元 j 3 ・
14
东北大学学报 ( 自然科学版) 第 31 卷
W 1 j 3 ( k + 1) = W 1 j 3 ( k ) + η( k ) × [ X - W1 j 3 ( k) ] ・ ( 7)
P =
T
13
( 2)
λc- 1 U cT ・
P Cc P 对应的特征值为 1 , 对 Cl 和 C r 做如
下变换 , S l = P Cl P T , S r = P C r P T , 则 S l 和 S r 具 λr B T 时 , S r = 有 共 同 的 特 征 向 量 , 当 Sl = B λ B 其中 I 是单位向量矩阵・ 因为 l B ,λ l +λ r = I・ 对应的两个特征值之和总是 1 , 所以当特征向量 B 对于 S l 有最大的特征值时 , 对于 S r 有最小的 特征值 , 得到投影矩阵 : ( 3) W = ( B T P) T ・ 对每一次实验数据 E 按式 ( 4 ) 进行分解 , 提 取到 EEG 信号的特征 , ( 4) Z = WE ・ 的列向量为共空间模式 , 并可以被看做时不 变脑电信号源的分布向量 [ 3 - 4 ] ・
脑 - 机接口 ( brain2computer interface , BCI) 是一种新的 、 不依赖于正常的由外周神经和肌肉 组成的输出通道的通信系统 , 它实现脑与计算机 以及外部设备之间的直接通信 , 人们可以直接通 过大脑来表达想法或操纵设备 , 而不需要通过语 言或肢体的动作・ 它涉及神经科学 、 信号检测 、 信
W2 k r =
1 脑电特征提取
在 BCI 中 , 将共空间模式 ( CSP) 运用到分类 问题中・ CSP 算法的目标是设计空间滤波器 ,目的 是在高维空间中给出两个分类 , 找到一个最大化 的第一类方差 ,同时最小化第二类方差・ 用来设计 这种空间滤波器的方法是基于两个协方差矩阵的 同时对角线化 [ 2 ] ・ 原始的 EEG 数据可表示为 N × T 的矩阵 E , 其中 N 是通道数 , T 是每一个通道的采样点数・ EEG 数据的规则化空间协方差如式 ( 1) 所示 :
叶 柠 , 孙宇舸 , 王 旭
( 东北大学 信息科学与工程学院 , 辽宁 沈阳 110004)
摘 要 : 提出了一种基于共空间模式和 LVQ 神经元网络对不同意识的脑电信号进行分类的方法 ・ 脑电 信号是通过电极在头皮表面采集的脑 - 机接口的控制信号 ,提取脑电信号特征并对其进行分类 ,组成不依赖 于正常的由外围神经和肌肉组成的输出通路的通讯系统 ・ 首先利用小波包分解对原始脑电信号进行预处理 , 对分解后特定小波包子带的脑电信号进行共空间模式分解 ,提取最优的特征 ; 然后利用 LVQ 网络对不同意 识任务特征进行分类 ,实验结果表明 ,该方法取得了 9217 %的平均分类识别率 ,已经达到脑 - 机接口实际应 用的标准・ 关 键 词 : 脑 - 机接口 ; 小波包子带 ; 脑电信号 ; 共空间模式 ; 学习矢量量化 中图分类号 : TP 391 文献标志码 : A 文章编号 : 100523026 ( 2010) 0120012204
号处理 、 模式识别等多学科 [ 1 ] ・ BCI 通过电极从头 皮表面或颅内大脑皮层获得脑电信号 , 对脑电信 号提取出反映使用者意图的特征 , 再对这些特征 进行分类并转化为控制设备的命令・ 目前从事 BCI 研究的包括美国 、 德国 、 奥地 利、 日本的数十个 BCI 研究小组 , 以及国内的清
收稿日期 : 2008209201 基金项目 : 国家自然科学基金资助项目 (50477015) ・ 作者简介 : 叶 柠 (1979 - ) ,男 ,辽宁义县人 ,东北大学助教 ,博士研究生 ; 王旭 (1956 - ) ,男 ,辽宁沈阳人 ,东北大学教授 ,博士生导 师・
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
j = 1 , 2 , …, M ・
( 6)
根据分类是否正确 , 按照不同规则调整获胜 神经元的权值・ 当网络分类结果与教师信号一致 时 , 向输入样本方向调整权值 :
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
X - W1 j 3 = min X - W 1 j ,
j
t race (
) 表示矩阵的对角元素的和 ・ 为了将两类
方差分开 , 通过对两类实验数据进行平均 , 分别得 到各自的平均协方差 Cl 和 C r , 进而得到混合的 空间 协 方 差 Cc = Cl + C r , 将 Cc 分 解 为 Cc = U cλ c U c 形式 , 其中 U c 是矩阵的特征向量 ,λ c 是 特征值构成的对角阵・ 将特征值进行降序排列 , 按 ( ) 式 2 进行白化变换・
第 3 1 卷第 1 期 2010 年 1 月
东 北 大 学 学 报 ( 自 然 科 学 版 ) Journal of Nort heastern University ( Nat ural Science)
Vol131 ,No. 1 J an. 2 0 1 0
基于共空间模式和神经元 网络的脑 - 机接口信号的识别
Abstract : Classifies t he EEG signals of different ideas based on t he common spatial patterns ( CSP) and L VQ2ANN. EEG is t he cont rol signals of brain2computer interface (BCI) , which are collected f rom one’ s scalp by elect rodes to ext ract and classify t he EEG feat ures so as to form a communication system t hat does not depend on t he brain’ s normal output channels of peripheral nerves and muscles. Wit h t he original EEG signals preprocessed by wavelet packet decomposition , t he CSP is int roduced to decompose f urt her t he EEG signals f rom t he specified subbands of wavelet packet so as to ext ract t he best feat ures and classify t he feat ures which are of different ideas by L VQ2ANN. Simulation result showed t hat t he met hod proposed can provide a recognizable accuracy up to 9217 % in classification , it has come up to t he standard for t he practical application of BCI. Key words : brain2computer interface ( BCI ) ; subband of wavelet packed ; EEG ( elect roencephalogram) ; common spatial patterns ( CSP) ; learning vector quantization (L VQ )
W
- 1 T
2 脑电特征分类
学习矢量量化 ( learning vector quantization , L VQ ) 网络是在有教师状态下对竞争层进行训练 的一种学习算法 , 一个 L VQ 网络由三层神经元 组成 ,即输入层 、 隐含层 ( 竞争层 ) 和输出层 ( 线性 层) ・ 它可以通过监督学习完成对输入向量的准确 分类 ,在模式识别和优化领域有着广泛的应用・ 与其他有教师学习方法一样 ,L VQ 网络训练 样本集的输入向量和目标向量是成对出现的・ 通 常将竞争层的每一个神经元指定给一个输出神经 元 ,从而得到输出层的权值矩阵 W 2 ・ W 2 的列表 示类 , 行表示子类 , 每一行只有一个元素为 1 , 该 元素所在的列表示这个子类所属的类 , 如公式 ( 5) 所示・
第 1 期 叶 柠等 : 基于共空间模式和神经元网络的脑 - 机接口信号的识别 华大学 、 上海交通大学 、 重庆大学等大学的科研小 组・ 作为新兴研究领域 , 大量复杂的问题有待解 决 ,尽管提出了多种特征提取和分类的算法 ,但由 于测量对象和测量环境的影响 , 被分析的数据本 身存在很大的差异 ,评价的标准也不尽相同 ,很难 比较这些算法的相对优势・ 为了对各种算法进行 统一客观的比较 ,2003 和 2005 年 , 世界著名的 4 个 BCI 研 究 中 心 联 合 举 办 了 被 称 为“BCI Competition” 的脑 - 机接口分析竞赛 ,客观评价算 法的有效性 ,同时方便和已有算法结果的比较・ 本 文实验数据来自 2005 年脑 - 机接口大赛・ EEG 的特征提取和分类是 BCI 技术的关键 , 特征提取方法主要有快速傅里叶变换 ( FF T) 、 自 回归 ( AR) 模型 、 小波包等・ 这些方法都是分别提 取各通道自身 EEG 的能量特征 ,没有考虑不同通 道间 EEG 的 相 关 信 息 ・ 本文利用共空间模式 ( common spatial patterns , CSP) 和小波包分解相 结合的特征提取方法 , 既可以用不同导联脑电间 相关性信息来反映不同的大脑意识状态 , 同时也 可以结合不同意识脑电信号的时频特征・ 由于脑 电信号是非线性的 , 当提取到的信号特征也是非 线性时 ,一般的线性分类方法会导致分类正确率 降低・ 本文采用 L VQ 神经网络对特征进行分类 , 它在模式识别和模式分类上有非常强大的能力 , 特别适合于两类 EEG 信号分类 ,比其他神经网络 有训练速度快 、 需要存储空间小等优点・
1, 0,
有且仅有 r ∈ k ; 如果 r ∈ k ・
( 5)
训练 L VQ 网络 , 首先需要对权值进行设定 , 对竞争层神经元权值向量 W 1 取较小的随机值 ・ 根据训练样本中各类别数据占总数据的百分比来 确定 W 2 , W 2 一旦定义好就不再改变 , 最后确定 初始学习速率和训练次数・ 对于输入样本向量 X , 计算各行向量的欧氏 距离 , 根据式 ( 6) 寻找获胜神经元 j 3 ・
14
东北大学学报 ( 自然科学版) 第 31 卷
W 1 j 3 ( k + 1) = W 1 j 3 ( k ) + η( k ) × [ X - W1 j 3 ( k) ] ・ ( 7)
P =
T
13
( 2)
λc- 1 U cT ・
P Cc P 对应的特征值为 1 , 对 Cl 和 C r 做如
下变换 , S l = P Cl P T , S r = P C r P T , 则 S l 和 S r 具 λr B T 时 , S r = 有 共 同 的 特 征 向 量 , 当 Sl = B λ B 其中 I 是单位向量矩阵・ 因为 l B ,λ l +λ r = I・ 对应的两个特征值之和总是 1 , 所以当特征向量 B 对于 S l 有最大的特征值时 , 对于 S r 有最小的 特征值 , 得到投影矩阵 : ( 3) W = ( B T P) T ・ 对每一次实验数据 E 按式 ( 4 ) 进行分解 , 提 取到 EEG 信号的特征 , ( 4) Z = WE ・ 的列向量为共空间模式 , 并可以被看做时不 变脑电信号源的分布向量 [ 3 - 4 ] ・
脑 - 机接口 ( brain2computer interface , BCI) 是一种新的 、 不依赖于正常的由外周神经和肌肉 组成的输出通道的通信系统 , 它实现脑与计算机 以及外部设备之间的直接通信 , 人们可以直接通 过大脑来表达想法或操纵设备 , 而不需要通过语 言或肢体的动作・ 它涉及神经科学 、 信号检测 、 信
W2 k r =
1 脑电特征提取
在 BCI 中 , 将共空间模式 ( CSP) 运用到分类 问题中・ CSP 算法的目标是设计空间滤波器 ,目的 是在高维空间中给出两个分类 , 找到一个最大化 的第一类方差 ,同时最小化第二类方差・ 用来设计 这种空间滤波器的方法是基于两个协方差矩阵的 同时对角线化 [ 2 ] ・ 原始的 EEG 数据可表示为 N × T 的矩阵 E , 其中 N 是通道数 , T 是每一个通道的采样点数・ EEG 数据的规则化空间协方差如式 ( 1) 所示 :
叶 柠 , 孙宇舸 , 王 旭
( 东北大学 信息科学与工程学院 , 辽宁 沈阳 110004)
摘 要 : 提出了一种基于共空间模式和 LVQ 神经元网络对不同意识的脑电信号进行分类的方法 ・ 脑电 信号是通过电极在头皮表面采集的脑 - 机接口的控制信号 ,提取脑电信号特征并对其进行分类 ,组成不依赖 于正常的由外围神经和肌肉组成的输出通路的通讯系统 ・ 首先利用小波包分解对原始脑电信号进行预处理 , 对分解后特定小波包子带的脑电信号进行共空间模式分解 ,提取最优的特征 ; 然后利用 LVQ 网络对不同意 识任务特征进行分类 ,实验结果表明 ,该方法取得了 9217 %的平均分类识别率 ,已经达到脑 - 机接口实际应 用的标准・ 关 键 词 : 脑 - 机接口 ; 小波包子带 ; 脑电信号 ; 共空间模式 ; 学习矢量量化 中图分类号 : TP 391 文献标志码 : A 文章编号 : 100523026 ( 2010) 0120012204
号处理 、 模式识别等多学科 [ 1 ] ・ BCI 通过电极从头 皮表面或颅内大脑皮层获得脑电信号 , 对脑电信 号提取出反映使用者意图的特征 , 再对这些特征 进行分类并转化为控制设备的命令・ 目前从事 BCI 研究的包括美国 、 德国 、 奥地 利、 日本的数十个 BCI 研究小组 , 以及国内的清
收稿日期 : 2008209201 基金项目 : 国家自然科学基金资助项目 (50477015) ・ 作者简介 : 叶 柠 (1979 - ) ,男 ,辽宁义县人 ,东北大学助教 ,博士研究生 ; 王旭 (1956 - ) ,男 ,辽宁沈阳人 ,东北大学教授 ,博士生导 师・
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
j = 1 , 2 , …, M ・
( 6)
根据分类是否正确 , 按照不同规则调整获胜 神经元的权值・ 当网络分类结果与教师信号一致 时 , 向输入样本方向调整权值 :
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
X - W1 j 3 = min X - W 1 j ,
j
t race (
) 表示矩阵的对角元素的和 ・ 为了将两类
方差分开 , 通过对两类实验数据进行平均 , 分别得 到各自的平均协方差 Cl 和 C r , 进而得到混合的 空间 协 方 差 Cc = Cl + C r , 将 Cc 分 解 为 Cc = U cλ c U c 形式 , 其中 U c 是矩阵的特征向量 ,λ c 是 特征值构成的对角阵・ 将特征值进行降序排列 , 按 ( ) 式 2 进行白化变换・
第 3 1 卷第 1 期 2010 年 1 月
东 北 大 学 学 报 ( 自 然 科 学 版 ) Journal of Nort heastern University ( Nat ural Science)
Vol131 ,No. 1 J an. 2 0 1 0
基于共空间模式和神经元 网络的脑 - 机接口信号的识别
Abstract : Classifies t he EEG signals of different ideas based on t he common spatial patterns ( CSP) and L VQ2ANN. EEG is t he cont rol signals of brain2computer interface (BCI) , which are collected f rom one’ s scalp by elect rodes to ext ract and classify t he EEG feat ures so as to form a communication system t hat does not depend on t he brain’ s normal output channels of peripheral nerves and muscles. Wit h t he original EEG signals preprocessed by wavelet packet decomposition , t he CSP is int roduced to decompose f urt her t he EEG signals f rom t he specified subbands of wavelet packet so as to ext ract t he best feat ures and classify t he feat ures which are of different ideas by L VQ2ANN. Simulation result showed t hat t he met hod proposed can provide a recognizable accuracy up to 9217 % in classification , it has come up to t he standard for t he practical application of BCI. Key words : brain2computer interface ( BCI ) ; subband of wavelet packed ; EEG ( elect roencephalogram) ; common spatial patterns ( CSP) ; learning vector quantization (L VQ )
W
- 1 T
2 脑电特征分类
学习矢量量化 ( learning vector quantization , L VQ ) 网络是在有教师状态下对竞争层进行训练 的一种学习算法 , 一个 L VQ 网络由三层神经元 组成 ,即输入层 、 隐含层 ( 竞争层 ) 和输出层 ( 线性 层) ・ 它可以通过监督学习完成对输入向量的准确 分类 ,在模式识别和优化领域有着广泛的应用・ 与其他有教师学习方法一样 ,L VQ 网络训练 样本集的输入向量和目标向量是成对出现的・ 通 常将竞争层的每一个神经元指定给一个输出神经 元 ,从而得到输出层的权值矩阵 W 2 ・ W 2 的列表 示类 , 行表示子类 , 每一行只有一个元素为 1 , 该 元素所在的列表示这个子类所属的类 , 如公式 ( 5) 所示・
第 1 期 叶 柠等 : 基于共空间模式和神经元网络的脑 - 机接口信号的识别 华大学 、 上海交通大学 、 重庆大学等大学的科研小 组・ 作为新兴研究领域 , 大量复杂的问题有待解 决 ,尽管提出了多种特征提取和分类的算法 ,但由 于测量对象和测量环境的影响 , 被分析的数据本 身存在很大的差异 ,评价的标准也不尽相同 ,很难 比较这些算法的相对优势・ 为了对各种算法进行 统一客观的比较 ,2003 和 2005 年 , 世界著名的 4 个 BCI 研 究 中 心 联 合 举 办 了 被 称 为“BCI Competition” 的脑 - 机接口分析竞赛 ,客观评价算 法的有效性 ,同时方便和已有算法结果的比较・ 本 文实验数据来自 2005 年脑 - 机接口大赛・ EEG 的特征提取和分类是 BCI 技术的关键 , 特征提取方法主要有快速傅里叶变换 ( FF T) 、 自 回归 ( AR) 模型 、 小波包等・ 这些方法都是分别提 取各通道自身 EEG 的能量特征 ,没有考虑不同通 道间 EEG 的 相 关 信 息 ・ 本文利用共空间模式 ( common spatial patterns , CSP) 和小波包分解相 结合的特征提取方法 , 既可以用不同导联脑电间 相关性信息来反映不同的大脑意识状态 , 同时也 可以结合不同意识脑电信号的时频特征・ 由于脑 电信号是非线性的 , 当提取到的信号特征也是非 线性时 ,一般的线性分类方法会导致分类正确率 降低・ 本文采用 L VQ 神经网络对特征进行分类 , 它在模式识别和模式分类上有非常强大的能力 , 特别适合于两类 EEG 信号分类 ,比其他神经网络 有训练速度快 、 需要存储空间小等优点・
