基于回溯搜索算法的導(dǎo)聯(lián)選擇腦機(jī)接口研究

1、基于回溯搜索算法的導(dǎo)聯(lián)選擇腦機(jī)接口研究基于回溯搜索算法的導(dǎo)聯(lián)選擇腦機(jī)接口研究腦機(jī)接口BrainputerInterfae，BI是一種直接利用腦信號連接和控制外界設(shè)備，不依靠人體神經(jīng)和肌肉的通信系統(tǒng)1。通過BI系統(tǒng)，將人腦的想法、思維轉(zhuǎn)化為控制外部設(shè)備的指令，可以幫助那些患有肌肉萎縮性側(cè)索硬化、腦干中風(fēng)等疾病的人實(shí)現(xiàn)與外界交流2。當(dāng)人想象某個(gè)精神任務(wù)或者執(zhí)行某個(gè)肢體運(yùn)動(dòng)時(shí)，大腦皮層的某個(gè)區(qū)域中腦電信號會發(fā)生變化，這類現(xiàn)象伴隨著腦電信號能量的減小或增加。Pfurtsheller將腦電信號能量的減小稱為事件相關(guān)去同步Event?relatedDesynhrnizatin，ERD，而能量的增加稱為事件

2、相關(guān)同步Event?relatedSynhrnizatin，ERS3?4。在EEG節(jié)律信號中u節(jié)律和beta節(jié)律信號是ERD/ERS現(xiàn)象有關(guān)的兩種固有頻率信號，u節(jié)律信號的頻率范圍一般為812Hz，beta節(jié)律信號5為1826Hz。傳統(tǒng)的共空域形式nSpatialPattern，SP，在ERD/ERS相關(guān)的特征提取上是很有效的算法。由于ERD/ERS信號發(fā)生在特定的腦區(qū)域，而采集信號的導(dǎo)聯(lián)分布于整個(gè)大腦區(qū)域，所以導(dǎo)聯(lián)通道中存在許多無關(guān)的通道。因此，SP的性能會受到限制6。本文采用回溯搜索優(yōu)本文由論文聯(lián)盟.Ll.搜集整理化算法BaktrakingSearhptiizatinAlgrith，BSA

3、與SP算法相結(jié)合的方法。在使用SP算法之前盡可能地挑出有用的腦電信號的導(dǎo)聯(lián)子集。實(shí)驗(yàn)中采用第三屆國際腦機(jī)接口競賽數(shù)據(jù)集BIpetitinIIIDatasetIva7和第四屆國際腦機(jī)接口競賽數(shù)據(jù)集BIpetitinIVDatasetIIa8進(jìn)展分類實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果說明該方法比單純使用SP算法的分類識別率更高。1方法在腦電信號處理的實(shí)驗(yàn)中，采用切比雪夫I型830Hz包含u節(jié)律和beta節(jié)律的帶寬IIR帶通濾波器9對多通道EEG信號進(jìn)展濾波，然后用BSA算法選擇最優(yōu)導(dǎo)聯(lián)，對選出的導(dǎo)聯(lián)使用SP算法進(jìn)展特征提取，最后線性判別分析LinearDisriinantAnalysis，LDA分類器10對特征信號進(jìn)

4、展分類。并用105倍穿插驗(yàn)證之后的分類錯(cuò)誤率作為BSA的目的函數(shù)評判選出的導(dǎo)聯(lián)數(shù)集的優(yōu)劣。BSA與SP結(jié)合的導(dǎo)聯(lián)選擇算法流程如圖1所示。1.1共空域形式算法SP算法基于兩個(gè)實(shí)對稱矩陣的結(jié)合對角化，并進(jìn)展空間?時(shí)間源建模11?12。把原始的EEG信號分解為空域形式，通過空域形式使兩類信號的差異到達(dá)最大化，從而提取與任務(wù)相關(guān)的信號分量。詳細(xì)分為如下三個(gè)步驟：BSA算法通過ixrate控制新種群個(gè)體中元素的個(gè)數(shù)，同時(shí)利用和進(jìn)展實(shí)驗(yàn)突變和突變完畢。當(dāng)時(shí)，為多個(gè)具有隨機(jī)位置的向量；反之，為僅有為0的向量。在穿插過程之后產(chǎn)生的種群中，超出被允許的搜索空間范圍的局部個(gè)體是突變策略的結(jié)果。按照式11產(chǎn)生新的種

5、群。5最后種群輸出通過貪心選擇機(jī)制，相比對應(yīng)初始種群中有選擇適應(yīng)度值目的值較好的種群個(gè)體，種群進(jìn)展更新。當(dāng)種群中的個(gè)體比全局最小值有更好的適應(yīng)值時(shí)，記錄和輸出當(dāng)前最優(yōu)種群的個(gè)體元素，同時(shí)更新初始種群，完成一次迭代。重復(fù)上述過程，直至到最大迭代次數(shù)，最后輸出全局最小值。1.3基于BSA的導(dǎo)聯(lián)選擇方法原始EEG信號通過830Hz帶寬帶通濾波器進(jìn)展濾波，然后使用SP算法對信號進(jìn)展特征提齲由于SP的性能與導(dǎo)聯(lián)關(guān)系親密，導(dǎo)聯(lián)的選擇是一個(gè)關(guān)鍵步驟。在BSA算法中設(shè)置兩個(gè)參數(shù)為：下限上限。這是一個(gè)維的電極優(yōu)化選擇向量，向量每一個(gè)分量代表一個(gè)導(dǎo)聯(lián)。設(shè)其中的一個(gè)分量為，那么。另設(shè)一串二進(jìn)制編碼為滿足。其中表示在

6、01均勻分布，為取高斯整。同時(shí)設(shè)置種群大小問題維數(shù)按中的編碼抽取導(dǎo)聯(lián)，數(shù)字編號為1的導(dǎo)聯(lián)挑出，數(shù)字編號為0的導(dǎo)聯(lián)舍棄。BSA算法在進(jìn)化中不斷地產(chǎn)生隨機(jī)數(shù)組合，挑選出不同的導(dǎo)聯(lián)子集。整個(gè)過程以分類錯(cuò)誤率作為評判準(zhǔn)那么，當(dāng)?shù)螖?shù)到達(dá)設(shè)定的迭代次數(shù)時(shí)，BSA算法就會停頓，并且輸出全局最小值，即分類錯(cuò)誤率最小，同時(shí)輸出對應(yīng)的最優(yōu)導(dǎo)聯(lián)子集。2實(shí)驗(yàn)結(jié)果及數(shù)據(jù)分析2.1實(shí)驗(yàn)數(shù)據(jù)的預(yù)處理本文采用的數(shù)據(jù)是第三屆國際競賽腦機(jī)接口數(shù)據(jù)集BIpetitinIIIdatasetIVa和第四屆國際競賽腦機(jī)接口數(shù)據(jù)集BIpetitinIVdatasetIIa。第三屆國際競賽腦機(jī)接口數(shù)據(jù)集是由5個(gè)受試者Aa，Al，Av，A

7、，Ay進(jìn)展BI運(yùn)動(dòng)想像實(shí)驗(yàn)所得到的數(shù)據(jù)集。在實(shí)驗(yàn)中受試者分別執(zhí)行想象右手和腳運(yùn)動(dòng)兩種想象任務(wù)。EEG信號由118個(gè)電極記錄，電極分布如圖2a所示。每個(gè)受試者進(jìn)展280次實(shí)驗(yàn)，兩種想象任務(wù)實(shí)驗(yàn)的次數(shù)一樣，各為140次。采集的實(shí)驗(yàn)數(shù)據(jù)經(jīng)過放大后再用0.05200Hz的帶通濾波器濾波，且數(shù)據(jù)采樣率為1kHz。在本實(shí)驗(yàn)中，對原始記錄的EEG數(shù)據(jù)進(jìn)展下采樣，下采樣率為100Hz。在時(shí)域?yàn)V波之前，對原始連續(xù)的實(shí)驗(yàn)數(shù)據(jù)截?cái)喑蓡未螌?shí)驗(yàn)數(shù)據(jù)。第四屆國際競賽腦機(jī)接口數(shù)據(jù)集是由9個(gè)受試者A1A9進(jìn)展BI運(yùn)動(dòng)想象實(shí)驗(yàn)所得到的數(shù)據(jù)集。在實(shí)驗(yàn)中受試者分別執(zhí)行想象左手、右手、腳和舌頭四種想象任務(wù)。EEG信號由22個(gè)電極記錄

8、，電極的分布如圖2b所示。該數(shù)據(jù)集包含兩組數(shù)據(jù)Tsessin，Esessin，由兩個(gè)不同的時(shí)間段完成。每組實(shí)驗(yàn)分為6個(gè)時(shí)間段進(jìn)展，每個(gè)時(shí)間段受試者進(jìn)展了48次運(yùn)動(dòng)想象實(shí)驗(yàn)，其中每類實(shí)驗(yàn)次數(shù)為12，一組實(shí)驗(yàn)共包括次單次運(yùn)動(dòng)想象實(shí)驗(yàn)。電極記錄的EEG信號都要經(jīng)過250Hz的采樣及0.5100Hz的低通濾波，經(jīng)過放大后保存。在實(shí)驗(yàn)過程中，除了記錄EEG信號的22個(gè)電極外，還有三個(gè)單極性的電極用來記錄眼電EG信號。與EEG信號一樣，EG信號也要經(jīng)過放大處理、采樣采樣率為250Hz和0.5100Hz的帶通濾波。在本實(shí)驗(yàn)中先將數(shù)據(jù)進(jìn)展830Hz的寬帶濾波，按時(shí)間段為2s2.54.5s，采樣率為250Hz截

9、取數(shù)，從四類數(shù)據(jù)中抽取左手和右手兩類數(shù)據(jù)進(jìn)展實(shí)驗(yàn)。2.2穿插驗(yàn)證分類結(jié)果為了可以合理的得到分類結(jié)果，在實(shí)驗(yàn)中采用105倍穿插驗(yàn)證。105倍穿插驗(yàn)證就是將一個(gè)受試者的數(shù)據(jù)集隨機(jī)排列10次，每一次隨機(jī)排列的數(shù)據(jù)被分為5個(gè)相等的局部；其中一個(gè)局部用于測試，而其余4個(gè)局部用于訓(xùn)練分類器。這個(gè)穿插驗(yàn)證步驟共有50次分類測試，求50個(gè)測試結(jié)果的平均值。在算法性能的評價(jià)上，采用兩種方法進(jìn)展實(shí)驗(yàn)，分類結(jié)果進(jìn)展比照，即：全導(dǎo)聯(lián)的SP算法提取特征，其流程如圖3所示；采用BSA導(dǎo)聯(lián)優(yōu)化與SP相結(jié)合的算法提取特征，其流程如圖1所示。BSA是一種基于種群的進(jìn)化遺傳算法。在實(shí)驗(yàn)中對種群進(jìn)化迭代次數(shù)的選擇做了進(jìn)一步實(shí)驗(yàn)。改

10、變不同的迭代次數(shù)并觀察實(shí)驗(yàn)結(jié)果的變化。設(shè)置迭代次數(shù)為2，5，10，20，30，40，50，60，70。5個(gè)受試者的分類正確率與迭代次數(shù)的關(guān)系如圖4所示。隨著迭代次數(shù)增加，分類正確率緩慢增長。當(dāng)?shù)螖?shù)為60時(shí)，分類效果最好，最終設(shè)置迭代次數(shù)為60。9個(gè)受試者的平均分類正確率與迭代次數(shù)的關(guān)系如圖4所示?？紤]到迭代次數(shù)越多，運(yùn)算時(shí)間越長，最終兩個(gè)時(shí)間段的數(shù)據(jù)選擇設(shè)置迭代次數(shù)為40，此時(shí)分類效果較好。平均分類正確率與迭代次數(shù)的關(guān)系表1表示在迭代次數(shù)為60時(shí)，5個(gè)受試者采用BSA最優(yōu)導(dǎo)聯(lián)及全部導(dǎo)聯(lián)的分類正確率及方差。比擬兩種方法的結(jié)果可以得出，5個(gè)受試者使用BSA進(jìn)展導(dǎo)聯(lián)選擇的平均分類正確率比使用全部

11、118導(dǎo)聯(lián)要高出5%，尤其受試者Aa提升了10%，效果非常明顯。而且，5個(gè)受試者的導(dǎo)聯(lián)數(shù)目也減少了一半左右，數(shù)目減少非常突出。表2表示在迭代次數(shù)為40時(shí)，9個(gè)受試者采用BSA最優(yōu)導(dǎo)聯(lián)及全部導(dǎo)聯(lián)的分類正確率及方差。比擬兩種方法的結(jié)果可以得出，9個(gè)受試者的平均分類正確率分別進(jìn)步了5%Tsessin和8%Esessin。同樣，9個(gè)受試者的導(dǎo)聯(lián)數(shù)總體上都減少了，甚至局部受試者的導(dǎo)聯(lián)數(shù)減少了一半。表1和表2中的數(shù)據(jù)說明，BSA算法對導(dǎo)聯(lián)的選擇和優(yōu)化非常有效，對基于運(yùn)動(dòng)想象的兩分類BI系統(tǒng)有一個(gè)顯著的提升，具有重要意義。3結(jié)語在BI研究中，傳統(tǒng)的SP算法對兩種不同的運(yùn)動(dòng)想象任務(wù)的判別，得到了比擬好的結(jié)果，但是在實(shí)驗(yàn)中不同的受試者，其最正確的導(dǎo)聯(lián)分布，濾波頻帶和數(shù)據(jù)時(shí)間段也不一樣。而基于傳統(tǒng)SP算法的BI系統(tǒng)中采用固定的導(dǎo)聯(lián)、頻帶和時(shí)間段，所以傳統(tǒng)SP算法存在局限性。本文中，在應(yīng)用SP對多通道EEG信號提取特征之前，先使用BSA算法自動(dòng)地選擇恰當(dāng)?shù)膶?dǎo)聯(lián)，然后進(jìn)展穿插驗(yàn)證實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果說明，這個(gè)方法是非常有效的。設(shè)計(jì)一個(gè)實(shí)際應(yīng)