運(yùn)動(dòng)想象腦電的塊選擇共空間模式特征提取

孟 明,尹 旭,高云園,佘青山,羅志增

(杭州電子科技大學(xué)自動(dòng)化學(xué)院,浙江杭州 310018)

1 引言

作為人類(lèi)與計(jì)算機(jī)通信的橋梁,腦機(jī)接口(braincomputer interface,BCI)可以通過(guò)對(duì)腦部神經(jīng)活動(dòng)信號(hào)的識(shí)別產(chǎn)生控制命令,幫助有運(yùn)動(dòng)障礙的患者對(duì)輪椅,外骨骼等外部設(shè)備進(jìn)行控制,從而改善日常生活質(zhì)量[1-2].腦電信號(hào)(electroencephalogram,EEG)因具有高時(shí)間分辨率,低成本和高便捷等優(yōu)點(diǎn)而被廣泛應(yīng)用,在當(dāng)前BCI控制系統(tǒng)中廣泛使用的EEG范式包括事件相關(guān)電位(event related potential,ERP)[3],穩(wěn)態(tài)視覺(jué)誘發(fā)電位(steady-state visually evoked potential,SSVEP)[4]和運(yùn)動(dòng)想象(motor imagery,MI)[5-6].與其他范式相比,MI因無(wú)需外界的刺激信號(hào),更貼近自然,更具實(shí)用性等優(yōu)點(diǎn)得到關(guān)注[7].它通過(guò)對(duì)四肢或身體不同部位的運(yùn)動(dòng)想象引起大腦皮層相關(guān)區(qū)域活動(dòng)的變化.例如,當(dāng)想象左手或右手運(yùn)動(dòng)時(shí),大腦對(duì)側(cè)的運(yùn)動(dòng)感知區(qū)域代謝和血流變強(qiáng),出現(xiàn)Alpha和Beta頻段信號(hào)的振幅降低的情況,即出現(xiàn)事件相關(guān)去同步(event related desynchronization,ERD)現(xiàn)象;大腦同側(cè)的運(yùn)動(dòng)感知區(qū)域呈靜息或惰性狀態(tài),出現(xiàn)Alpha和Beta頻段信號(hào)的振幅增加的情況,即出現(xiàn)事件相關(guān)同步(event related synchronization,ERS)現(xiàn)象[8-9].根據(jù)這一規(guī)律,可以通過(guò)對(duì)想象不同的肢體運(yùn)動(dòng)所得到的EEG信號(hào)進(jìn)行分類(lèi)從而產(chǎn)生不同的控制命令.

由于EEG是一種非平穩(wěn)、低幅值、低信噪比的生物電信號(hào),并且運(yùn)動(dòng)想象系統(tǒng)的穩(wěn)定性較差,易受干擾,特征不明顯,給正確識(shí)別運(yùn)動(dòng)想象意圖帶來(lái)很大挑戰(zhàn),因此采用恰當(dāng)?shù)姆椒▉?lái)提取有效的特征在EEG的識(shí)別中顯得尤為關(guān)鍵[10].共空間模式(common space pattern,CSP)[11]作為一種空間濾波方法,在基于MI的BCI系統(tǒng)研究中被廣泛使用,但因?yàn)槠渚哂袑?duì)噪聲高度敏感和泛化能力低的缺點(diǎn),研究者提出了許多改進(jìn)的CSP方法.為了去除通道之間的冗余信息和噪聲干擾,提出了基于通道選擇的CSP改進(jìn)方法,比如通過(guò)時(shí)域特征和相關(guān)系數(shù)進(jìn)行通道選擇的濾波器組共空間模式方法(channel selection for filter-bank-CSP,SFBCSP)[12],基于多頻帶的濾波器排序進(jìn)行通道選擇的共空間模式方法(CSP-rank channel selection for multifrequency band,CSP-R-MF)[13]和基于皮爾遜相關(guān)系數(shù)進(jìn)行通道選擇的正則化共空間模式方法(correlation based channel selection for regularized CSP,CCS-RCSP)[14].這些方法在通道選擇后的濾波中對(duì)所選擇的通道進(jìn)行了相同的頻帶劃分與選擇,未針對(duì)不同個(gè)體的不同通道選擇最佳頻帶.但是不同的個(gè)體進(jìn)行運(yùn)動(dòng)想象時(shí),ERD/ERS現(xiàn)象較為明顯的最佳頻帶往往是不盡相同的,即使同一個(gè)體,不同通道的最佳頻帶也未必相同.文獻(xiàn)[15]提出了一種利用巴氏距離分別選擇每個(gè)通道最佳頻帶的共空間模式方法(Bhattacharyya distance-based frequency selection for CSP,B-CSP).但是這個(gè)方法的頻帶選擇是對(duì)所有通道進(jìn)行的,未針對(duì)不同的個(gè)體進(jìn)行通道選擇,仍然存在通道間的冗余信息和噪聲影響分類(lèi)性能.

針對(duì)以上問(wèn)題,本文提出一種塊選擇共空間模式(block-selection for CSP,BS-CSP)特征提取方法.首先對(duì)所有EEG通道劃分頻帶,形成眾多塊,并結(jié)合時(shí)頻特征提取與統(tǒng)計(jì)量計(jì)算來(lái)表征每個(gè)塊的二分類(lèi)能力并作為塊選擇的依據(jù);然后采用交叉驗(yàn)證的方法,根據(jù)驗(yàn)證集平均分類(lèi)精度確定最優(yōu)閾值和支持向量機(jī)(support vector machine,SVM)的懲罰參數(shù)C,從而進(jìn)行塊的選擇,CSP特征的提取與SVM模型的訓(xùn)練;最后,求得模型在測(cè)試集上的分類(lèi)結(jié)果.利用BCI Competition III Dataset IVa[16]和BCI Competition IV Dataset I[17]數(shù)據(jù)集對(duì)提出的方法進(jìn)行評(píng)估,并與基于通道選擇或頻帶選擇的改進(jìn)CSP方法進(jìn)行比較,取得了優(yōu)異的結(jié)果,為運(yùn)動(dòng)想象腦電信號(hào)分類(lèi)提供了一種新方法.

2 方法

大多數(shù)改進(jìn)CSP方法的基本思想都是通過(guò)EEG的頻域信息來(lái)選擇最佳頻帶,形成新的輸入矩陣后用共空間模式進(jìn)行特征提取.由于EEG本質(zhì)上是一個(gè)高度非平穩(wěn)的時(shí)間序列信號(hào),僅結(jié)合頻域信息的共空間模型仍存在不能充分利用時(shí)間信息的不足,本文通過(guò)構(gòu)造同時(shí)考慮時(shí)域和頻域信息的選擇指標(biāo),來(lái)改善后續(xù)共空間模式特征在表征運(yùn)動(dòng)想象任務(wù)中的準(zhǔn)確性和可靠性.

假設(shè)實(shí)驗(yàn)采集的EEG數(shù)據(jù)具有K個(gè)通道,把每個(gè)通道EEG進(jìn)行頻段劃分得到的數(shù)據(jù)稱(chēng)為塊.每個(gè)通道都分成S個(gè)等帶寬頻帶,則生成K×S個(gè)塊.記第k個(gè)通道的第s個(gè)頻帶所對(duì)應(yīng)塊的數(shù)據(jù)為x(ks)(n),k=1,2,···,K,s=1,2,···,S,n=1,2,···,N,其中N為每個(gè)塊的采樣點(diǎn)個(gè)數(shù).假設(shè)受試者共進(jìn)行I次實(shí)驗(yàn),則第i次實(shí)驗(yàn)的第ks個(gè)塊為

其中i=1,2,···,I.在本文中,暫且考慮二分類(lèi)運(yùn)動(dòng)想象(I1,I2),即I1∪I2=1,2,···,I.圖1是本文提出的BS-CSP方法框圖.首先對(duì)EEG按通道和頻帶進(jìn)行塊的劃分;然后在塊的相關(guān)性計(jì)算中計(jì)算每個(gè)塊的功率(power)和功率譜密度(power spectral density,PSD),進(jìn)而得出每個(gè)塊的Fisher比來(lái)表征區(qū)分運(yùn)動(dòng)想象任務(wù)的能力;接著在塊的選擇中設(shè)置合理的閾值選出M個(gè)塊,從而構(gòu)造新的M ×N矩陣作為CSP模型的輸入;再接著對(duì)每個(gè)塊分別進(jìn)行空間濾波,并提取了CSP特征,最后采用SVM[18]進(jìn)行分類(lèi).

2.1 塊的相關(guān)性計(jì)算

Fisher比是一種將高維參數(shù)投影成一維來(lái)測(cè)量類(lèi)判別屬性的統(tǒng)計(jì)量參數(shù)[18],定義如下：

其中：X?和X+為兩個(gè)不同類(lèi)別的參數(shù)集合,var(·)為方差,mean(·)為均值.

本文首先通過(guò)計(jì)算塊的時(shí)域Power特征和頻域PSD特征構(gòu)建二維參數(shù),然后通過(guò)Fisher比投影成一維參數(shù)來(lái)表征每個(gè)塊運(yùn)動(dòng)想象分類(lèi)能力,且以此作為后續(xù)閾值設(shè)置的根據(jù).定義塊的功率功率譜密度

圖1 BS-CSP算法框圖Fig.1 BS-CSP algorithm block diagram

根據(jù)式(1)對(duì)Fisher比的定義,通過(guò)計(jì)算上述功率T和功率譜密度P這兩個(gè)特征的類(lèi)間歐式距離與類(lèi)內(nèi)方差的比值,定義表征每個(gè)塊二分類(lèi)能力的值為F(ks)[20],具體如式(4)所示：

2.2 塊的選擇

根據(jù)塊的Fisher比進(jìn)行選擇,由大于閾值的塊組成新的數(shù)據(jù),作為后續(xù)CSP空間濾波的輸入矩陣.閾值設(shè)置的是否合理將對(duì)CSP性能產(chǎn)生顯著影響,若閾值設(shè)置過(guò)大,會(huì)導(dǎo)致選擇塊的個(gè)數(shù)偏少,從而導(dǎo)致模型欠擬合;若閾值設(shè)置過(guò)小,會(huì)導(dǎo)致選擇塊的個(gè)數(shù)偏多,從而導(dǎo)致模型過(guò)擬合.本文采用交叉驗(yàn)證方法,通過(guò)驗(yàn)證集的分類(lèi)精度來(lái)確定最優(yōu)閾值,塊的選擇步驟如下：

2.3 特征提取與模式識(shí)別

通過(guò)CSP尋求空間濾波器W以最大化兩個(gè)類(lèi)別之間的差異,后求得每次實(shí)驗(yàn)信號(hào)X對(duì)應(yīng)的空間濾波信號(hào)Z[21],并用log-variances方法提取每次實(shí)驗(yàn)的CSP特征向量f：

其中：Zj為空間濾波信號(hào)Z的第j行信號(hào),m為CSP空間濾波器對(duì)數(shù),log(·)為對(duì)數(shù)運(yùn)算符.

作為一種著名的分類(lèi)器算法,SVM旨在找到使兩類(lèi)支持向量間隔最大的最優(yōu)超平面,目前,CSP及其變體與SVM的結(jié)合已經(jīng)成為了一種MI-EEG分類(lèi)的先進(jìn)技術(shù).因此采用上述提取的CSP特征訓(xùn)練SVM模型,假設(shè)訓(xùn)練樣本中對(duì)于第i次實(shí)驗(yàn)的特征向量為fi∈?D(D為特征維數(shù)),與之對(duì)應(yīng)的標(biāo)簽為yi ∈{+1,?1}.SVM優(yōu)化器旨在解決以下優(yōu)化問(wèn)題：

其中u∈?D和b ∈?分別是超平面的權(quán)向量和偏置,C是軟間隔的正則化參數(shù),并且ξi是松弛變量[22].本文選用徑向基函數(shù)(radial basis function,RBF)作為SVM的核：

其中γ為核系數(shù).綜合考慮模型性能和運(yùn)算速度,將γ設(shè)置為默認(rèn)值,即,而懲罰參數(shù)C通過(guò)E折交叉驗(yàn)證確定.

3 實(shí)驗(yàn)

3.1 數(shù)據(jù)描述

數(shù)據(jù)集1：第1個(gè)數(shù)據(jù)集來(lái)自BCI Competition III Dataset IVa.此數(shù)據(jù)集記錄了5名健康受試者(aa,al,av,aw,ay)的118通道EEG數(shù)據(jù),每個(gè)受試者被要求完成右手、雙腳兩類(lèi)運(yùn)動(dòng)想象各140次實(shí)驗(yàn),每次實(shí)驗(yàn)的前3.5 s在電腦屏幕中央持續(xù)顯示帶有方向的箭頭(向左：左手運(yùn)動(dòng);向右：右手運(yùn)動(dòng);向下：雙腳運(yùn)動(dòng))作為提示,在此期間受試者根據(jù)提示來(lái)執(zhí)行相應(yīng)的運(yùn)動(dòng)想象任務(wù),然后放松1.75 s至2.25 s,具體時(shí)間軸如圖2(a)所示.

圖2 單次實(shí)驗(yàn)時(shí)間軸Fig.2 Time axis of single experiment

數(shù)據(jù)集2：第2個(gè)數(shù)據(jù)集來(lái)自BCI Competition IV Dataset I.此數(shù)據(jù)集記錄了4名健康受試者(a,b,f,g)的59通道EEG數(shù)據(jù),每個(gè)受試者被要求完成左右手或左手,雙腳的兩類(lèi)運(yùn)動(dòng)想象各100次實(shí)驗(yàn),每次實(shí)驗(yàn)的前6 s首先會(huì)在電腦屏幕中央顯示固定的十字,且2 s～6 s會(huì)疊加帶有方向的箭頭(向左：左手運(yùn)動(dòng);向右：右手運(yùn)動(dòng);向下：雙腳運(yùn)動(dòng))作為提示,在此期間受試者根據(jù)提示來(lái)執(zhí)行相應(yīng)的運(yùn)動(dòng)想象任務(wù),然后6 s～8 s內(nèi)屏幕出現(xiàn)黑屏,具體時(shí)間軸如圖2(b)所示.

3.2 數(shù)據(jù)預(yù)處理

1) 頻帶處理.

由于腦電信號(hào)中通常會(huì)出現(xiàn)不同形式的干擾和噪聲,有些可以在EEG數(shù)據(jù)采集時(shí)盡量避免甚至消除掉,而有些只能在后續(xù)的預(yù)處理中去除,如工頻干擾等.而運(yùn)動(dòng)想象實(shí)驗(yàn)中的ERD/ERS現(xiàn)象又主要出現(xiàn)在Alpha頻段(8 Hz～13 Hz)和Beta頻段(14 Hz～30 Hz),因此采用有限長(zhǎng)單位沖激響應(yīng)濾波器(finite impulse response,FIR)對(duì)EEG信號(hào)進(jìn)行(8～32)Hz帶通濾波,并且劃分為12個(gè)帶寬為2 Hz的頻帶((8～10)Hz,(10～12) Hz,(12～13) Hz,(14～16) Hz,(16～18) Hz,(18～20) Hz,(20～22) Hz,(22～24) Hz,(24～26) Hz,(26～28)Hz,(28～30)Hz,(30～32)Hz)用于塊的構(gòu)建.

圖3 單個(gè)通道的ERSP時(shí)頻分布圖Fig.3 ERSP time-frequency distribution of single channel

2) 時(shí)間窗處理.

原始數(shù)據(jù)中包含了實(shí)驗(yàn)從開(kāi)始到結(jié)束所有的腦電數(shù)據(jù),需要根據(jù)實(shí)驗(yàn)要求選取合適的時(shí)間窗對(duì)原始數(shù)據(jù)進(jìn)行截取,以便后續(xù)處理.在一次運(yùn)動(dòng)想象中提示出現(xiàn)后的0 s～1 s內(nèi)被普遍稱(chēng)作想象的準(zhǔn)備階段,而3.5 s～4 s內(nèi)被稱(chēng)作后想象階段[21].本文通過(guò)分析與運(yùn)動(dòng)想象相關(guān)的大腦區(qū)域信號(hào)的事件相關(guān)譜擾動(dòng)(event-related spectral perturbation,ERSP)[23]來(lái)確定截取數(shù)據(jù)的時(shí)間窗.圖3是兩個(gè)數(shù)據(jù)集中受試者一個(gè)通道的ERSP時(shí)頻分布圖,可以看出在0時(shí)刻視覺(jué)提示出現(xiàn)后會(huì)有一小段長(zhǎng)短因人而異的運(yùn)動(dòng)想象反應(yīng)時(shí)間,所以為考慮數(shù)據(jù)質(zhì)量,將時(shí)間窗設(shè)置為視覺(jué)提示后的0.5 s～2.5 s.

3.3 整體框架

實(shí)驗(yàn)中,采用4×5折交叉驗(yàn)證方法,即將原始EEG數(shù)據(jù)集按4:1劃分訓(xùn)練集和測(cè)試集,并重復(fù)4次實(shí)驗(yàn),減少因偶然性對(duì)模型評(píng)估造成不良影響.其中,訓(xùn)練集用于塊的相關(guān)性計(jì)算與選擇,CSP模型的訓(xùn)練和SVM模型的訓(xùn)練,另外為避免過(guò)擬合,采用10折交叉驗(yàn)證方法,根據(jù)驗(yàn)證集平均分類(lèi)精度確定最優(yōu)閾值和SVM模型的懲罰參數(shù)C,即取E=10.測(cè)試集則用選擇的塊,訓(xùn)練的共空間模型和支持向量機(jī)模型得到分類(lèi)結(jié)果,用于評(píng)價(jià)模型的分類(lèi)性能,整體框架如圖4所示.

圖4 整體框架圖Fig.4 Overall frame

4 結(jié)果與討論

4.1 不同受試者的塊選擇比較

以數(shù)據(jù)集1中的aa,av受試者為例,對(duì)劃分的12×118個(gè)塊進(jìn)行運(yùn)動(dòng)想象相關(guān)性計(jì)算,并用色差表示塊的Fisher比.由于該數(shù)據(jù)集原始通道個(gè)數(shù)過(guò)多,為便于顯示挑選包含最優(yōu)塊所屬通道的20個(gè)運(yùn)動(dòng)感知區(qū)通道,如圖5所示.

圖5 不同受試者的塊選擇比較Fig.5 Comparison of block selection among different subjects

可知,對(duì)于aa受試者第3個(gè)頻段(12 Hz～14 Hz)和第9個(gè)頻段(24 Hz～26 Hz)的塊具有較高的Fisher比,即具有較好的運(yùn)動(dòng)想象二分類(lèi)能力,而對(duì)于av受試者第2個(gè)頻段(10 Hz～12 Hz)和第7個(gè)頻段(20 Hz～22 Hz)具有較高的Fisher比,即具有較好的運(yùn)動(dòng)想象二分類(lèi)能力.由此說(shuō)明通過(guò)提出的此方法可以很好地減少個(gè)體間和通道間的差異性對(duì)分類(lèi)性能的不利影響.

4.2 閾值設(shè)置

根據(jù)第2.2節(jié)所述的具體流程,找出使驗(yàn)證集分類(lèi)精度最高的閾值進(jìn)行設(shè)置,從而選出最優(yōu)的塊及這些塊所屬的通道.以數(shù)據(jù)集1中的av受試者為例,得到驗(yàn)證集分類(lèi)精度隨所選通道個(gè)數(shù)的變化趨勢(shì)圖,如圖6所示.

圖6 驗(yàn)證集分類(lèi)精度隨通道個(gè)數(shù)的變化趨勢(shì)圖Fig.6 Change trend of classification accuracy of validation set with number of channels

隨著閾值設(shè)置逐漸變小,所選的塊個(gè)數(shù)增多,即相應(yīng)的通道選擇個(gè)數(shù)也增多,驗(yàn)證集分類(lèi)精度隨之增大,但當(dāng)閾值設(shè)置超過(guò)一定大小后,系統(tǒng)出現(xiàn)了過(guò)擬合,驗(yàn)證集分類(lèi)精度開(kāi)始降低.所以由此可設(shè)置使驗(yàn)證集分類(lèi)精度達(dá)到最大值的閾值,選出此時(shí)大于閾值的所有塊,即得到這些塊所屬的通道,用于后期的測(cè)試集,最終得到分類(lèi)精度,對(duì)系統(tǒng)進(jìn)行性能評(píng)估.

4.3 塊所屬通道的分布

根據(jù)ERD/ERS現(xiàn)象,當(dāng)在做右手運(yùn)動(dòng)想象時(shí),大腦左側(cè)運(yùn)動(dòng)皮層區(qū)域出現(xiàn)明顯的ERD現(xiàn)象;相反當(dāng)在做左手運(yùn)動(dòng)想象時(shí),大腦右側(cè)運(yùn)動(dòng)皮層區(qū)域出現(xiàn)明顯的ERD現(xiàn)象;當(dāng)在做雙腳運(yùn)動(dòng)想象時(shí),大腦中央運(yùn)動(dòng)皮層區(qū)域出現(xiàn)明顯的ERD現(xiàn)象.為驗(yàn)證該方法選擇最優(yōu)塊的合理性,對(duì)最優(yōu)塊所屬的通道進(jìn)行標(biāo)記顯示,圖7是兩個(gè)受試者對(duì)應(yīng)的最優(yōu)塊所屬通道的標(biāo)記圖.

可知,對(duì)于做右手和雙腳運(yùn)動(dòng)想象的aa受試者,對(duì)應(yīng)的最優(yōu)塊所屬通道分布在左側(cè)和中央運(yùn)動(dòng)皮層區(qū)域;而對(duì)于做左手和雙腳運(yùn)動(dòng)想象的f受試者,對(duì)應(yīng)的最優(yōu)塊所屬通道大都分布在右側(cè)和中央運(yùn)動(dòng)皮層區(qū)域.這一定程度上驗(yàn)證了該方法的合理性.

圖7 塊所屬通道的標(biāo)記圖Fig.7 Marking diagram of the channel to which the block belongs

4.4 分類(lèi)性能比較

用提出的方法對(duì)第3.1節(jié)中兩個(gè)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),并且與引言中所述的SFBCSP,CSP-R-MF和CCS-RCSP這3種方法進(jìn)行比較,4×5折交叉驗(yàn)證的測(cè)試集平均分類(lèi)精度和方差如表1-2所示.

表1 數(shù)據(jù)集1分類(lèi)精確度比較Table 1 Comparison of classification accuracy of Dataset 1

表2 數(shù)據(jù)集2分類(lèi)精確度比較Table 2 Comparison of classification accuracy of Dataset 2

針對(duì)上述兩個(gè)公共數(shù)據(jù)集,改進(jìn)的共空間模型算法(BS-CSP)在測(cè)試集上表現(xiàn)出了最佳的分類(lèi)性能.來(lái)自數(shù)據(jù)集1的5位受試者：BS-CSP方法在aa,av,aw和ay4位受試者上獲得了最高的分類(lèi)精度,而SFBCSP方法在al受試者上獲得了最高的分類(lèi)精度.

來(lái)自數(shù)據(jù)集2的4位受試者：BS-CSP方法在a,b,g受試者上獲得了最高的分類(lèi)精度,而SFBCSP方法在f受試者上獲得了最高的分類(lèi)精度.SFBCSP作為一種通過(guò)時(shí)域特征及Fisher比來(lái)選擇通道并用FBCSP作特征提取的方法在個(gè)別受試者上表現(xiàn)出了一定的優(yōu)越性,但通過(guò)此方法選出來(lái)的通道并不像BS-CSP方法選出來(lái)的通道那樣帶有權(quán)重,即在不同的通道獲得不同數(shù)量的塊.而CSP-R-MF方法缺少對(duì)通道的選擇,CCS-RCSP方法缺少對(duì)頻帶的選擇,這都導(dǎo)致部分分類(lèi)精度的損失.綜上所述,本文提出的BS-CSP方法具有一定的可行性和優(yōu)越性.

4.5 通道選擇的比較

根據(jù)第4.3節(jié)所述,得到每個(gè)受試者對(duì)應(yīng)的最優(yōu)塊所屬通道,并對(duì)最優(yōu)塊所屬通道的完整頻帶數(shù)據(jù)進(jìn)行特征提取與分類(lèi).與其他只進(jìn)行通道選擇的方法進(jìn)行比較,如基于C3,Cz,C4這3個(gè)通道的共空間模式方法(3C-CSP),基于空間濾波器排序進(jìn)行選擇通道的共空間模式方法(CSP-Rank)[24]和基于遺傳算法的Rayleigh系數(shù)最大化來(lái)選擇通道的方法(Rayleigh-coefficient based genetic algorithm,RC-GA)[25].以數(shù)據(jù)集1的5名受試者為例,具體比較結(jié)果如表3所示.

表3 不同方法的分類(lèi)精度和通道選擇數(shù)量比較Table 3 Comparison of classification accuracy and channel selection quantity of different methods

從表中可以看出,提出的BS-CSP方法除了在ay受試者的分類(lèi)精度上低于CSP-Rank方法外,其余受試者的分類(lèi)精度和平均分類(lèi)精度都優(yōu)于其他3種方法.比起CSP-Rank和RC-GA方法,BS-CSP方法雖然多使用了10個(gè)左右通道,但分類(lèi)精度提高了5個(gè)左右的百分點(diǎn),提升了BCI系統(tǒng)的分類(lèi)性能,表明該方法能夠更有效地去除冗余,選擇出最佳的通道組合.另外,結(jié)合圖5所示,并對(duì)比表1經(jīng)塊選擇得到的aa和av受試者分類(lèi)精度可以發(fā)現(xiàn),aa受試者選擇的最佳塊基本集中在12 Hz～14 Hz和24 Hz～26 Hz兩個(gè)頻段,從而導(dǎo)致了當(dāng)選擇整個(gè)頻帶進(jìn)行分類(lèi)時(shí)冗余信息較多,精度下降了10%左右;而av受試者選擇的最佳塊分布的頻帶較廣,這就避免了當(dāng)選擇整個(gè)頻帶進(jìn)行分類(lèi)時(shí),精度損失過(guò)多,這也充分說(shuō)明了基于不同個(gè)體,不同通道進(jìn)行頻帶選擇的必要性.

5 結(jié)論

本文提出了一種塊選擇共空間模型特征提取方法(BS-CSP),用于基于運(yùn)動(dòng)想象的BCI系統(tǒng)的任務(wù)分類(lèi).通過(guò)對(duì)每個(gè)通道劃分頻帶來(lái)構(gòu)建數(shù)據(jù)塊,利用每個(gè)塊的時(shí)頻特征計(jì)算得到的Fisher比選出最優(yōu)塊,實(shí)現(xiàn)了對(duì)通道和頻帶的同時(shí)選擇,減少了通道間和頻帶間的冗余信息,然后分別用CSP和SVM對(duì)最優(yōu)塊組成的數(shù)據(jù)進(jìn)行特征提取與分類(lèi).對(duì)BCI競(jìng)賽數(shù)據(jù)集的分類(lèi)實(shí)驗(yàn)結(jié)果表明BS-CSP方法選出來(lái)的塊能有效地避免不同個(gè)體以及不同通道間的差異性,且塊所屬的通道分布合理,數(shù)量適中,該方法一定程度上提高了BCI系統(tǒng)的分類(lèi)性能.另外,與其他先通道選擇后分頻帶的改進(jìn)CSP方法想比,該方法選出來(lái)的通道均帶有不同的權(quán)重,即每個(gè)通道所包含的塊的個(gè)數(shù)不同,這也為后續(xù)通道選擇方法的改進(jìn)提供了思路.