基于协方差特征的EEG解码及其在运动想象脑机接口系统的应用研究

发布时间：2020-05-11 17:57

【摘要】：脑机接口系统能实现大脑与机器间的信息交互,并通过对大脑状态进行解码,直接控制外接机器完成指定任务。由于不依赖于人体肌肉组织及相关神经通道,脑机接口技术为探索大脑认知机制提供崭新的研究途径和方法,并且在相关的医疗和工程领域也有极大的应用前景。基于运动想象的脑机接口系统作为典型的自发性脑机接口系统,由于无需额外刺激装置,只需通过想象运动产生脑电信号,更加贴近“意识”控制,受到众多科研工作者的关注。然而脑电信号所包含的特性非常微弱,信噪比极低,导致脑电信号的解码非常困难。传统的解码方法都是假设脑电信号坐落在高维的欧式空间中,然后基于欧式距离直接对信号进行处理。但是,欧式距离并不能真正准确刻画高维脑电信号的内在联系,而传统方法又缺少对其他非欧几何特性的利用。因此,本文提出一种新的基于脑电信号协方差特征的解码方法,有效利用协方差特征的黎曼几何特性增强解码效率。该方法的理论基础是脑电信号的协方差特征具有对称正定矩阵形式,并坐落于高维的黎曼流形中。相比于传统的方法,本文所提解码方法是直接对脑电信号的协方差特征进行处理,将脑电信号的特征提取转化为协方差特征的降维。然后再借助黎曼几何中高效的分析工具来设计分类器,在低维子空间中进行有效地识别分类,达到解码目的。这是基于运动想象的脑机接口系统领域一种全新的设计思路。基于上述的设计思路,本文具体提出四种不同的解码方法,主要工作和研究成果有:1.原始的脑电信号协方差特征维数较高,在进行黎曼距离计算时,容易导致过高的计算量,而且也容易遭遇到过拟合的问题。因此,针对原始高维的协方差特征,我们首先提出一个基于黎曼距离的双线性等距降维算法(Bilinear Isometric Riemannian Embedding,BIRE)。该算法是无监督降维模型,旨在求解一个能够保持原始高维空间的黎曼距离结构的子空间。并且,该子空间同样具有对称正定矩阵形式,坐落于低维的黎曼流形中。然后借助黎曼流形的切平面,在子空间中设计嵌套判别分析(Embedding Discriminate Analysis,EDA)分类器,对子空间中的样本进行分类识别。最后在两个运动想象数据集上进行验证,由于避免了过拟合和高计算量问题,本解码方法取得不错的效果,明显优于其他竞争算法。2.工作1的降维方法并没有充分利用训练集的标签信息,而标签信息又携带大量的可分信息,有助于增强解码的性能。因此,我们又从有监督的角度去设计降维,提出一种基于等距映射的双线性子流形学习降维算法(Bilinear Sub-Manifold Learning,BSML)。该算法先根据标签计算各类协方差特征的黎曼均值,然后通过最小化类间距离差来求得双线性映射矩阵,达到降维目的。在求得低维子空间后,设计两个高效的分类算法,对子空间中的样本进行分类识别。其中,第一个分类算法是借助黎曼距离进行聚类分析,第二个分类算法是在子空间的切平面上采用传统分类器分类。通过在两个运动想象数据集上进行实验,证明了本解码方法的性能。另外,我们通过实验证明了本解码方法也适用于小样本的情况。3.不同于上述两种基于距离保持的全局降维方法,我们从样本局部邻域特性的角度,重新设计降维算法,提出一种双线性模糊特性及局部保存(Bilinear Fuzzy Discriminate Locality Preserving,BFDLP)降维算法。首先对协方差特征构造黎曼图模型,对局部邻域特性进行建模,并保持局部邻域设计双线性降维模型。然后,结合脑电信号易受干扰情况,在双线性降维模型中增加模糊技术,增强降维算法的性能。在求得低维子空间后,在低维子空间的切平面中,引入极限学习机(Extreme Learning Machine,ELM)分类器进行分类。两个数据集的实验结果表明本解码方法优于其他竞争算法,而且能够提高系统抗干扰能力。4.在实际运动想象任务中,并不是所有通道都具有相等的作用,比如在左右运动想象中,_3和_4通道会比其他通道作用更大。基于此考虑,我们最后提出一种双线性正则局部保持降维算法(Bilinear Regularized Locality Preserving,BRLP),在局部邻域特性保持的基础上,引入刻画通道权重的正则项,增强降维性能。并且在用BRLP算法求解出一个低维子空间之后,我们在子空间的切平面中采用ELM对子空间的样本进行分类。从两个数据集的实验结果来看,本解码方法效果显著,而且优于相关竞争算法。
【图文】：

左手,现象,相关区域,大脑皮层

象左手右手运动的ERD现象。当想象左手运动时，大脑皮层右侧(ERD 现象，相关区域能量减小；当想象右手运动时，大脑皮层左侧现ERD 现象，相关区域能量减小[21]。-1: The ERD phenomenon for left and right hand imagery movemtor cortex (C4 electrode area) appears the ERD phenomenon when t left hand imagery movements. The left motor cortex (C3 electrode are phenomenon when the subject performs right hand imagery moveme想象系统的生理基础是：当人在想象躯体不同部位的运动时，会不同功能区域，，从而产生具有不同特性的脑电信号[22, 23]。而所谓事件相关去同步化（Event-related desynchronization，ERD）和事vent-related synchronization，ERS）现象[21, 24]。当人在想象运动时

黎曼,邻域结构

用黎曼距离才能准确刻画协方差特征间的关系。因此，我们需要用一种新的构图方法来刻画协方差特征的关系。在本文中，我们构建了一个基于黎曼距离的图，称为黎曼图（Riemannian graph），如图4-1 所示。在构建黎曼图之后，很多传统的基于图的算法都可以应用于黎曼图上。图 4-1: 黎曼图及其一个邻域结构Figure 4-1: Riemannian graph and local structure.图的另一个特点是能够反映样本的局部特性，图的每条边权重反应相邻两个点的关系，而每个点的邻域都有一组边权重与之相对应。基于此思路，很多局部保持降维算法被提出，比如LLE[78]，locality preserving projection[99]，Laplacian eigenmaps[83]等。这些算法都是通过保持高维空间中邻域的相似性去求解一个低维的空间，但是邻域的相似性是通过欧式距离进行刻画
【学位授予单位】：华南理工大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TN911.7;R318

【相似文献】