积分商城

最新搜索： 矿机 电气元件库 verilog HT1382 freertos lwip altium 18.1.
您现在的位置是：首页 > 技术资料 > 一种基于时–空–频联合选择与相关向量机的运动想象脑电信号分析算法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

一种基于时–空–频联合选择与相关向量机的运动想象脑电信号分析算法

更新时间：2019-12-25 06:06:04 大小：2M 上传用户：zhiyao6查看TA发布的资源 标签：向量机 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

研究表明:不同受试者由于个体差异,会引起在执行相同运动想象任务时,产生与受试者关联的特定脑电信号特征,这是设计脑机接口系统面临的一个实际问题.为解决这个问题,本文提出了一种基于时–空–频联合特征的提取方法.首先,对原始118导联的EEG进行空间特征分析,从中提取出与运动想象相关脑区对应的55导联EEG信号.进一步,在训练集上,通过7–折交叉验证,训练出与受试者匹配的时间窗和频带.其次,利用8个共空域滤波器进行特征提取.最后,将获得基于样本的运动想象特征,采用相关向量机进行分类.仿真结果表明:该算法在第3届脑机接口竞赛数据集Data IVa分类上获得5位受试者平均分类精度为94.49％,结果优于当年第1名94.17％.此外,与其他3种常用的方法比较亦具有明显优势.本文提出的基于样本的时–空–频特征提取方法和相关向量机的结合,该算法整体性能优越,为基于运动想象的脑机接口在线系统设计提供了一种新方法.


部分文件列表

文件名 大小
一种基于时–空–频联合选择与相关向量机的运动想象脑电信号分析算法.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
控 制 理 论 与 应 用  
Control Theory & Applications  
第 34 卷第 10 期  
2017 年 10 月  
Vol. 34 No. 10  
Oct. 2017  
DOI: 10.7641/CTA.2017.70169  
一种基于时–空–频联合选择与相关向量机的  
运动想象脑电信号分析算法  
王洪涛1,2†, 李 霆1, 黄 辉1, 贺跃帮1, 刘旭程1  
(1. 五邑大学 信息工程学院, 广东 江门 529020;  
2. 新加坡国立大学 生命科学中心, 新加坡 117456)  
摘要: 研究表明: 不同受试者由于个体差异, 会引起在执行相同运动想象任务时, 产生与受试者关联的特定脑电信号  
特征, 这是设计脑机接口系统面临的一个实际问题. 为解决这个问题, 本文提出了一种基于时–空–频联合特征的提取方  
法. 首先, 对原始118导联的EEG进行空间特征分析, 从中提取出与运动想象相关脑区对应的55导联EEG信号. 进一步,  
在训练集上, 通过7–折交叉验证, 训练出与受试者匹配的时间窗和频带. 其次, 利用8个共空域滤波器进行特征提取. 最  
后, 将获得基于样本的运动想象特征, 采用相关向量机进行分类. 仿真结果表明: 该算法在第3届脑机接口竞赛数据  
集Data IVa分类上获得5位受试者平均分类精度为94.49%, 结果优于当年第1名94.17%. 此外, 与其他3种常用的方法比  
较亦具有明显优势. 本文提出的基于样本的时–空–频特征提取方法和相关向量机的结合, 该算法整体性能优越, 为基于  
运动想象的脑机接口在线系统设计提供了一种新方法.  
关键词: 脑机接口; 运动想象; 共空域滤波; 相关向量机  
中图分类号: TP399; R318  
文献标识码: A  
A motor imagery analysis algorithm based on  
spatio-temporal-frequency joint selection and relevance vector machine  
WANG Hong-tao1,2†, LI Ting1, HUANG Hui1, HE Yue-bang1, LIU Xu-cheng1  
(1. School of Information Engineering, Wuyi University, Jiangmen Guangdong 529020, China;  
2. Center for Life Sciences, National University of Singapore, 117456, Singapore)  
Abstract: Convergent studies have reported inter-subject variability in EEG representation when subjects performed  
same cognitive tasks, yielding a signiベcant drawback for developing a practical BCI system. In order to address this  
problem, we have introduced a subject-dependent specio-temporal-frequecy joint feature selection method. Speciベcally,  
we ベrst selected 55-channel EEG signals among the original 118-channel recordings according to the close relevance of  
the signals in motor-related areas. A 7-fold cross validation approach was applied to select the optimal time-window and  
frequency bands, which match individual subject based upon the training data set. Then motor imagery related features were  
determined via the common spatial pattern method. The obtained subject-dependent features were feeded to a relevance  
vector machine for motor imagery classiベcation. The experiment results show that our framework demonstrated superior  
performance as showing in the higher classiベcation accuracy (94.49% in comparison with the highest classiベcation accuracy  
94.17%) in the competition III. Compared with the other three existing methods, our method also has obvious advantages.  
In summary, we provided feasible framework to account for inter-subject variability, which would be a new method for the  
designing of the online motor imagery brain computer interface system.  
Key words: brain-computer interface; motor imagery; common spatial patten; relevance vector machine  
收稿日期: 2017−03−19; 录用日期: 2017−08−03.  
†通信作者. E-mail: .  
本文责任编委: 张丽清.  
广东省科技发展专项资金(2017A010101034), 广东高校特色创新类项目(2016KTSCX141), 五邑大学博士启动项目, 江门市基础理论与科学研究  
类科技计划项目(江科[2016]189号), 五邑大学青年基金项目(2013zk08), 国家留学基金项目([2016]5113)资助.  
Supported by Technology Development Project of Guangdong Province (2017A010101034), Guangdong University Innovation Projects for Sci-  
ence (2016KTSCX141), Wuyi University Funding-PH.D Start Up Grant, Jiangmen Research and Development Program ([2016]189), Science Foun-  
dation for Young Teachers of Wuyi University (2013zk08) and China Scholarship Council ([2016]5113).  
1404  
控 制 理 论 与 应 用  
第 34 卷  
1 引言(Introduction)  
动想象任务; 一个Trail的数据为: 系统启动数据采集  
程序后, 屏幕为全白, 1.75～2.25 s期间屏幕会随机出  
现一个“十”字, 提示受试者准备执行相应的运动想象  
任务. 2.25～5.75 s, 受试者需要指示执行相应的运动  
想象任务, 执行时间为3.5 s. 竞赛仅为参赛者提供了  
五位右手和右脚两类运动想象脑电数据, 该数据集具  
有典型的小样本训练集属性. 每位受试者训练样本与  
测试样本总共均为280个, 具体为: aa (train: 168, test:  
112), al (train: 224, test: 56), av (train: 84, test: 196),  
aw (train: 56, test: 224), ay (train: 28, test: 252).  
脑机接口(brain-computer interface, BCI)是一种新  
型人机交互方式实现了大脑与外界直接进行信息交  
换的通道[1–3]. 基于运动想象(motor imagery, MI)的  
BCI是较为广泛的一类, 根据受试者运动想象相关去  
同步的共性特点, 其特征在 Mu (8～13 Hz) 和 Beta  
(14～30 Hz)节律段表现显著[4]. 因此目前有关运动想  
象分析算法[5]对不同受试者往往采用相同频带, 在时  
间窗设置上根据经验设置一个固定的宽度. 文献[6]指  
出Mu和Beta节律均与大脑皮层的运动区域有关联,  
准备运动或实际运动的产生, 会导致大脑对侧的Mu  
和 Beta 节律的下降, 该现象称为事件关联去同步  
(event-related desynchronization, ERD). 而 随 着 运 动  
任务的完成, Mu和Beta节律又会上升, 该现象称为事  
件关联同步(event-related synchronization, ERS). 然而  
由于受试者个性差异, 产生的脑电信号亦不尽相同,  
这对脑机接口的性能有明显的影响, 主要表现在对时  
间窗长度, 频带宽度及通道选择. 对于不同受试者尽  
管各功能脑区的大致位置基本相同, 在对其进行运动  
想象脑电信号分析时, 可以采用固定的时间窗和频带,  
而实际上对每一位受试者由于个体差异的存在, 理论  
上还是会存在与其匹配的最佳参数[7], 胡剑锋等比较  
了不同脑电特征与分类器对驾驶疲劳的影响, 发现对  
于每一位受试者, 均存在一个面向该受试者的导  
联、特征与分类器的最优组合[8].  
图 1 数据采集过程示意图  
Fig. 1 The diagram of data acquisition process  
2.2 数据预处理(Data preprocessing)  
本文首先对原始脑电信号进行共同平均参考滤  
波(common average reference, CAR)[10]. 采用 CAR 滤  
波可以增大任务间的信号判别差别, 减少伪迹影响,  
可用下式表示:  
本文提出一种时–空–频运动想象脑电信号分析方  
法, 首先利用训练集, 采用7–折交叉验证, 以分类准确  
率为主要指标, 训练出与受试者匹配的时间窗与频带,  
进一步釆用共空域模式(common spatial patten, CSP)  
算法进行特征提取, 最后利用相关向量机(relevance  
vector machine, RVM)分类, 有效解决了小样本数据  
集下的运动想象脑电信号的时–空–频特征提取与分  
类识别, 取得了优异的分类效果, 为运动想象脑电信  
号分析提供了一种新方法.  
N
∑
1
x′k(t) = xk(t) −  
xi(t),  
(1)  
N
i=1  
其中: xk(t)表示第k通道信号, xk′ (t)表示经CAR滤波  
后的第k通道信号, N为通道数.  
然后对脑电信号进行带通(7～30 Hz)滤波, 通带衰  
减为0.5 dB, 阻带衰减为50 dB, 以保留Mu和Beta节率  
频带, 去除与运动想象任务无关的信息.  
2.3 时间窗与频带优化 (Time window and frequ-  
ency band optimization)  
2 方法与实验(Method and experiment)  
2.1 数据采集(Data collection)  
利用训练集通过7–折交叉验证, 对时间窗与频带  
优化, 具体为: 按规则左、右滑动及左、右拓展时间  
窗、频带的方法, 筛选出与受试者准确率最匹配的时  
间窗与频带. 实验预先根据经验设置初始时间窗长度  
[135～280], 对 应 于1.35～2.8 s. 初 始 频 带 宽 度 [7～  
30] Hz, 实验过程根据规则变换时间窗长度和频带宽  
度. 假设需要获取的脑电信号频带宽度为在 [fmin,  
fmax] 和时间窗长度为 [tmin, tmax], 设∆f为频率分  
本文数据来源为第3届脑机接口竞赛数据集 Data  
IVa (motor imagery, small training sets)[9], 该数据集由  
5位健康受试者(aa, al, av, aw, ay)参与运动想象任务的  
脑电数据, 脑电采集设备为 BrainAmp放大器, 0.05～  
200 Hz带通滤波预处理, 采样率设置为1000 Hz, ETI  
电极帽Ag/AgCl电极. 电极帽电极采用国际标准的10/  
20位置图放置, 通道数为118.  
单次数据采集过程示如图1所示: 受试者头戴电极  
帽坐在椅子上, 手臂平放于椅子扶手, 根据界面提示  
进行左手、右手及右脚3类运动想象任务. 上箭头指示  
受试者进行右脚运动想象任务; 右箭头指示受试者进  
行右手运动想象任务; 左箭头指示受试者进行左手运  
度, 按以下规则波动:  
{
f ∈[fmin ± ∆f, fmax ± ∆f],  
f ∈[fmin, fmax ± ∆f], f ∈ [fmin ± ∆f, fmax].  
(2)  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号