深度线性判别分析用于两级脑控字符拼写解码

发布时间：2021-01-12 07:28

　　为了充分利用视听觉感知通道,实现高效的脑控字符拼写,提出一种基于区域的两级拼写范式。该范式的第一级基于运动视觉诱发电位进行目标区域选择,并引入码分多址方法进行区域编码,以提高其选择速率;第二级基于混合运动视觉诱发电位和听觉P300对目标字符进行编码,充分利用视听觉混合效应,改善目标字符选择的准确率。为了对采集的脑电信号进行有效的目标字符解码,提出一种结合深度线性判别分析的脑电信号分类识别算法。实验结果表明,深度线性判别分析算法在两级脑电信号的分类识别中平均分类准确率分别为61.7%和74%,明显高于传统方法和两种卷积神经网络方法的准确率。因此,该算法可有效地改善视听混合诱发两级脑机接口的指令解码性能。 

【文章来源】：西安电子科技大学学报. 2020,47(04)北大核心

【文章页数】：8 页

【部分图文】：

刺激范式

在文中提出的两级拼写范式中，第一级基于mVEP进行目标区域选择，并引入CDMA的方法对各区域进行编码。一个典型的mVEP特征波形具有P1、N2、P2成分，其中N2为mVEP最主要的特异性成分，主要与顶叶、颞叶和枕叶这些脑区的神经活动有关[13]，这也是文中选取10个重要电极的依据。图2(a）为所有被试者关注的目标区域为A-E时3个连续试次在PO6电极的脑电时域波形的叠加平均结果。理论上，按照图1(c）的规则，该区域对应的编码为1-0-1，即第一个和第三个试次中有明显的mVEP特征波形。实际上，图2(a）表明，第一个试次和第三个试次均有明显的P1-N2-P2成分，但文中所有的事件相关电位（Event Related Potential,ERP）成分出现的时间均比其他文献中晚大约100ms，这是由于实验中所有刺激在发送触发信号后100ms才开始。第二级基于混合mVEP和P300进行目标字符选择。图2(b）为所有被试第二级目标和非目标刺激诱发脑电信号在Pz电极的时域波形的叠加平均。图2(b）表明，目标刺激诱发脑电信号中有明显的P1-N2-P3成分，与非目标刺激诱发的脑电信号具有较好的可区分性。因此，文中提出的两级拼写范式合理可行。

2.2.2 网络参数在DeepLDA中采用卷积神经网络结构，该部分结构来源于文献[5]，如图3所示。采用10个电极，0～500ms的脑电数据（采样频率为100Hz），即输入为10×50。为了避免时域和空域信息的混杂，采用一维卷积核，图中括号内为卷积核的大小。先通过L1对脑电信号进行空域特征提取，再通过L2进行时域特征提取。网络的具体参数如图3所示，其中，L0为输入层，L1、L2为卷积层，L3为全连接层，L4为SVM输出层。“5@1×50”表示5个特征图，每个特征图的大小为1×50。文中算法的运行环境基于keras框架，并将theano作为后端。

【参考文献】：
期刊论文
[1]基于3D卷积神经网络的IR-BCI脑电视频解码研究[J]. 官金安,汪鹭汐,赵瑞娟,李东阁,吴欢.  中南民族大学学报(自然科学版). 2019(04)
[2]一种红外热图像目标区域分割的深度学习算法[J]. 朱莉,赵俊,傅应锴,张晶,沈惠,张守峰.  西安电子科技大学学报. 2019(04)
[3]一种改进的卷积神经网络SAR目标识别算法[J]. 许强,李伟,占荣辉,邹鲲.  西安电子科技大学学报. 2018(05)

博士论文
[1]视听觉脑机接口及其临床应用研究[D]. 王斐.华南理工大学 2017

硕士论文
[1]基于mVEP的脑—机接口关键技术研究[D]. 陈瑞.电子科技大学 2015



本文编号：2972426