基于皮尔逊最优电极选择的ADHD患者脑电特征提取及分类研究

发布时间：2021-01-01 18:00

　　事件相关电位（ERP）可用于注意缺陷多动障碍儿童（ADHD）和正常儿童的脑电特征提取与分类。首先,采用赌博任务范式,采集2类儿童的脑电信号;其次,基于皮尔逊相关系数算法选择最优电极,并预处理最优电极脑电信号;然后,提取预处理脑电信号的时域特征（均值、方差、峰值）和频域特征（Theta波段功率、Alpha波段功率）;最后,利用传统分类方法支持向量机（SVM）、自适应增强（AdaBoost）、自举汇聚法（Bagging）、线性判别式分析（LDA）、反向传播（BP）和组合分类器的分类方法（LDA-SVM,BP-SVM）完成对2种脑电信号的分类。研究结果表明,传统方法 BP分类器的分类准确率可达80.52%,组合分类器BP-SVM的分类准确率可达88.88%。组合分类方法能提高ADHD儿童的分类准确率,为基于脑机接口技术的ADHD神经反馈康复治疗提供技术支持。 

【文章来源】：图学学报. 2020年03期 北大核心

【文章页数】：7 页

【部分图文】：

实验范式

其中，X和Y分别对应了通过某一电极所采集的时间序列，即离散变量；N为单个离散变量的总长度；ρx,y为所求的相关系数。此外，实验过程中，为了避免外在因素干扰而导致的脑电不相关性错误，同时为了确保能够找出确定的最佳电极，在电极选择方法中考虑增加一个邻近电极相互比较的过程，即：处在同一脑区内的所有电极，及各自对应的相邻电极，其ERP具有相似性。同时，实验根据皮尔逊相关系数值对应的ERP相似性程度来进行划分，使用打分的方式来判断和选择电极。具体的划分情况见表1。

然后，将时域和频域的特征进行组合，利用新型组合分类器的方法(LDA-SVM、BP-SVM)对时频组合特征进行分类，分类结果见表3。从表中可以看出BP-SVM分类器的准确率为83.33%，而LDA-SVM分类器的准确率最高，达到88.88%。也说明分类组合方法用于多特征分类时具有明显优势，其分类正确率高于单特征的传统分类方法。最后，比较各个分类器的平均准确率和执行效率，见表4。采用频域特征的传统分类器算法性能要低于采用时域特征的算法性能(机器配置：i3-4170 3.7 Hz,Windows7 64,4 G内存，显卡：HD graphics 4400)，传统分类器算法耗时较高，但同类特征间的算法耗时具有不确定性，组合分类器算法的性能比较适中。实验表明：分类器SVM、LDA、BP、Adaboost、Bagging需要手动选择脑电特征，并且其特征较为单一。而改进后的组合分类器可用于多特征的选择分类，特征选择无需人工干预，能自动学习特征，且准确率比单特征分类准确率更高。组合分类器中LDA-SVM分类准确率达到了88.88%，执行效率较BP-SVM耗时更少，更适用于本实验。

【参考文献】：
期刊论文
[1]CNN实现的运动想象脑电分类及人-机器人交互[J]. 程时伟,周桃春,唐智川,范菁,孙凌云,朱安杰.  软件学报. 2019(10)
[2]基于同步EEG-fMRI采集的情绪认知重评数据特征融合分析研究[J]. 邹凌,严永,杨彪,李文杰,潘昌杰,周仁来.  自动化学报. 2016(05)



本文编号：2951741