1腦機接口研究背景

腦機接口（sBrainomputeBIiteBfrce,snI)是指從大腦獲取生物電信號,經(jīng)過分析、處理后,將它們轉(zhuǎn)換成具體指令用于控制外圍設備。早期腦機接口的研究是為了輔助肌肉神經(jīng)受損的人恢復其動作功能,如肌萎縮側(cè)索硬化癥、腦癱、脊髓損傷等。腦機接口現(xiàn)已超越了醫(yī)療范疇,向更為寬廣的領域拓展,在機器人工程和人工智能領域得到了廣泛應用。

一般來說,腦機接口有兩種:非侵入式和侵入式。其中,非侵入式腦機接口是一種無需侵入大腦程序就能工作的接口,主要根據(jù)連接到病人頭皮上的多個電極提取腦電信號實現(xiàn)工作。腦電信號是大腦特定部位神經(jīng)細胞群在生理過程中自發(fā)或誘發(fā)的電活動在頭皮表面的電位信號,是腦機接口一個重要的信號來源。snI是建立在腦電信號與計算機或其他電子設備之間的交流和控制通道,人可以通過這種通道直接通過腦電引起的波動來表達想法或者操作設備,而不需要通過語言或者肢體動作。非侵入式腦機接口研究門檻較低,不同專業(yè)背景的人都可以從事非侵入式腦機接口方向的分析研究。人工耳蝸是一種典型的非侵入式腦機接口應用,可以為聽力神經(jīng)受損、喪失聽覺的人提供幫助。

如今腦電信號可以不依賴于外部肌肉和神經(jīng)就可以實現(xiàn)人機交互,改善肢體障礙患者的生活質(zhì)量,幫助特殊環(huán)境的作業(yè)人員控制機器,還可以提供游戲控制、虛擬環(huán)境導航等娛樂方面的體驗,還有可能為一些有交流溝通障礙的人群提供新的交流溝通渠道與治療方法。本研究旨在通過基于腦電信號特征提取的機器學習分類識別方法,正確識別出對應某種運動狀態(tài)的大腦運動信號,并提升其識別精度。腦機接口信號識別過程如圖1所示。

2腦電信號的特征提取

腦機接口系統(tǒng)中,對腦電信號分類是最為關鍵的技術,決定了思維意識和機械活動間能否建立相互對應關系,從而準確完成既定動作。然而,實際腦電信號十分微弱,且有著很強的時變性及非線性,僅僅從時域和頻域獲取腦電特征信息并不理想。本文結(jié)合時頻分析方式,將基于AR模型參數(shù)的特征提取與基于小波變換系數(shù)的特征提取進行了比較,以識別正確率為指標,初步檢驗了所提出方法的有效性。針對網(wǎng)絡開放標準數(shù)據(jù)集BCI2005DatasetIIIb,提出ARBurg模型參數(shù)化方法特征提取方法,將實際的腦電信號樣本集x(n）作為特征提取系統(tǒng)的輸入開始建模,具體來說,AR譜估計過程分為三個步驟:

第一步,根據(jù)給定的數(shù)據(jù)x(n）,0≤n≤N-l建模,可以表示為:

式中,ak為AR系數(shù):w(n）為方差為a2的高斯白噪聲。

第二步,基于模型的參數(shù)計算PsD估計值,進行AR譜估計。PsD計算公式為:

第三步,ARBurg模型利用了前向預測誤差(Forwardpredictionerrors）f,p(n）和后向預測誤差(Backwardpredictionerrors）b,p(n）的最小化和反射系數(shù)p的估計。

預測誤差滿足以下遞歸順序表達式:

據(jù)劃分為訓練集和測試集并選取最佳的參數(shù)實現(xiàn)準確分類,參數(shù)的搜索區(qū)間由經(jīng)驗設定。

3#BC分類識別過程

人工神經(jīng)網(wǎng)絡(Artificia1Neutra1Network,ANN）是由大量人工神經(jīng)元廣泛互聯(lián)組成的計算系統(tǒng),它可以抽象模擬生物神經(jīng)系統(tǒng)的結(jié)構(gòu)和操作,將原始EEG信號模型和特征參數(shù)模型作為輸入,根據(jù)腦電圖的波形特征及分布范圍,利用人工神經(jīng)網(wǎng)絡進行自發(fā)的腦電分析,可以有效檢測EEG特征信號,因而ANN技術非常適用于對癲癇腦電信號進行分類識別。

依靠上面基于ARBurg模型參數(shù)化方法提取的腦電信號特征,利用多層反向傳播網(wǎng)絡和LMs算法訓練的分類器需要確定隱含層的個數(shù)、每個隱含層的節(jié)點個數(shù)、神經(jīng)網(wǎng)絡選擇權(quán)值、訓練迭代周期的個數(shù)、激活函數(shù)的選擇、運算時間學習率和動量系數(shù)的選擇以及其他與解的收斂性有關的參數(shù)及問題。誤差反向傳播算法BP(ErrorBackPropagation）神經(jīng)網(wǎng)絡解決了多層感知器的學習問題:BP神經(jīng)網(wǎng)絡存在兩條信號線,工作信號正向傳播,誤差信號反向傳播。反向傳播過程中,逐層修改連接權(quán)值,BP算法可以看作LMs算法的改進版。

近年來,已有許多特征提取方法與不同類型的分類器相結(jié)合,所得分類器的性能取決于被分類數(shù)據(jù)的特性。目前并不存在一種分類器適用于所有分類問題,當然也就沒有適用于所有數(shù)據(jù)分類結(jié)果的評價機制。為了獲得對分類器逼近目標質(zhì)量的可靠評價,通常根據(jù)應用領域的不同,使用不同的性能度量,并且評估分類方法性能的度量是分類器設計的一個關鍵部分。其中,模型的泛化屬性、訓練性能及其在整個域上的預期性能至關重要。本文根據(jù)生物醫(yī)學信號分析中使用的標準來測量分類器的性能,包括混淆矩陣、分類準確性、敏感性(TPR）、特異性、誤報率(FAR）、F-measure和接收操作特性曲線(RoC）,這些方法用于評估分類器對提取的數(shù)據(jù)特征分類結(jié)果的好壞。

4結(jié)語

本文基于ARBurg模型參數(shù)化算法對運動腦電信號特征進行提取,并將其作為ANN分類器的輸入數(shù)據(jù),因特征參數(shù)充分包含所隱含的時頻信息,使其在區(qū)分樣本類別上有良好的表現(xiàn),分類精度有較大提高,具有更好的泛化能力。