基于脑机接口脑电图的人脑想象数字识别

发布时间：2020-04-28 04:47

【摘要】：脑电图,简称EEG,是通过电子仪器,从头皮上将脑部的自发性生物电位加以放大记录而获得的图形,是通过电极记录下来的脑细胞群的自发性、节律性电活动。将电极附着到头皮上,电极从人脑获取数据,可记录大脑皮层的电活动。目前常用的电极定位系统始于1929年,称为“10-20电极定位系统”包括19个记录电极和2个参考电极但在目前一些研究中,使用的电极超过20个。在标准的EEG实验室中,有256个电极连接到人的头部进行记录。为了佩戴EEG,除了基于10-20电极定位系统设置电极外,还应给每个电极提供电解质以降低阻抗水平。阻抗水平的降低对于降低脑电信号的噪声水平是必要的。尽管已经发明干电极不需要任何电解质凝胶,干电极类型的阻抗水平仍然很高。因此,在实际使用中,使用电解质凝胶的湿电极是优选。在本论文中,使用的是Emotiv EPOC+品牌EEG,具有14个电极。每个右半球和左半球的耳后有两个参考点。Emotiv EPOC+系统中的14个电极遵循10-20电极定位系统。基于10-20电极定位系统每个电极位置都被命名的规则,Emotiv EPOC+电极名称分别是 AF3,F7,F3,FC5,T7,P7,01,02,P8,T8,FC6,F4,F8,AF4。以上14个电极分布在整个小脑皮质上。为了佩戴这种EEG,在开始时需每个电极提供电解液。之后,EEG头盔佩戴在实验主体头上,两个参考点连接在主体耳后部。此外,靠近眼睛的两个电极,AF3和AF4应距离受试者的眉毛3指。然后,可以使用TestbenchTM软件进行校准过程。Emotiv EPOC+EEG是一种便携式脑电图品牌,已被用于许多脑计算机界面研究,因此该品牌在我们的研究中被选用。近年来,由于人工智能技术的兴起,,脑机接口相关研究也得到了蓬勃的发展。并且在未来将越来越受到研究者和产业界的重视。因此,选择脑机接口研究领域来推动科学前沿的极限以获得更好的未来是有趣的。但在其传统定义中,脑机接口的主要目标是使残疾人能够像其他正常人一样正常工作。人机交互的这个目标,脑机接口的别名,已被科学家考虑作为推动科学实践的主要动机。早期脑机接口技术已被用于开发基于BCI的轮椅。例如P300系统,其是脑机接口中将大脑信号转换为控制信号的典型示例之一。P300的工作方式是从A到Z的字母以及0到9的数字中挑选出一些在屏幕上不断变换显示,实验对象被要求通过EEG系统将视觉响应在毫秒级内实时转换为控制信号。要求受试者将他/她的注意力集中在某个字母或数字上。然后,系统可以识别受试者关注的字母或数字。系统的分析在几毫秒内完成。在300毫秒内,与其他毫秒级的时域相比,该系统的电势是最高的。研究发现它是由于来自某个字母或数字的屏幕闪烁的刺激响应而发生的。外,运动假象系统运动假象系统也是BCI技术应用的一个典型范例。与P300系统不同,其专注于帮助失去肢体的残疾人。对于运动假想系统,实际上电极不仅附着在头皮上,而且还附着在身体的其他部位上;特别是在失去的四肢附近。从两个著名的脑机接口系统的实际使用效果来看,其具有很大的改进提升空间。众所周知,计算机系统中使用的是二进制,通过0和1,可以对所有的文字、声音、图像等。因此,我们着重研究基于脑电信号的人脑想象数字分类识别问题。虽然类似的问题在过去得到了一些研究,但是准确率不足是其最大的问题。本文中,尝试基于机器学习和深度学习的新方法来突破脑机接口研究的局限性。旨在提高数字想象分类的百分比准确度,使得其在未来实际可用于控制信号和许多其他应用。本文着重于创建一个基于二进制数字想象分类的脑机接口系统。首先在纸上打印出标准的0和1的形状,让实验对象记忆,然后要求实验对象对以标准形式给出的数字在大脑中进行想象,通过计算机对电脑信号进行识别。论文实验分为两部分进行比较,采用传统的机器学习分类算法和深度学习算法进行比较。在传统的机器学习算法中,使用来自单个实验对象的数据,每个数字需要记录一百次。每次记录一个数字的时间为30秒,然后休息20秒再继续进行下一个数字的记录,依此类推。对数字0重复记录一百次;然后对数字1在记录一百次。最后对记录的信号进行处理及分类。一开始,每个数字的一百次试验被连接起来。然后,从每次试验的30秒记录时间中的10秒中间跨度中及时取出所挑选的数据。选定的中间跨度从起点10秒开始,直到20秒时结束。从理论上讲,基于小脑皮质记录的脑电波可分为几种波形:δ,θ,α,β和γ波形。基于所记录的受试者的刺激或活动,每种波形均具有某种特别的含义。已知具有最低频率范围(约04Hz)的δ波在受试者处于深度和无梦睡眠的情况下具有高振幅。当受试者处于深度放松和困倦的状态时,θ波,范围从4到8Hz,具有高振幅。对于某些情况,自主活动还可以触发该波型的高振幅。当受试者处于清醒状态且使用较少的注意力时,最佳已知具有8至12Hz的α波具有高振幅。当受试者处于放松状态时,α波也与病症相关。β波,范围从12到30Hz,在人类活动中起主要作用。每当受试者在进行需要高认知水平的特定任务时,该波型具有高振幅。例如当实验对象求解数字问题时,β波具有明显的波动。最后,对于γ波,其频率范围从30到70Hz,其特性仍不明确。目前的结论是当受试者处于完全清醒意识并进入冥想状态时,Y波可能具有高波动。在我们的研究中,主要使用α波与β波进行二元数字想象分类。主要的工作包括:1.对于传统的机器学习分类方法,选择合适频率范围内的脑电信号对于提高分类准确性至关重要。在之前文献的研究中,一般所选择的频率范围在8到30Hz之间。该频率范围包括α波和β波。因此,在传统机器学习分类的开始,频率应该在α和β频带内进行带通滤波。然后通过对带信号的分析,进一步将频率范围将缩小到能更好满足二进制数字想象分类实验的一定带宽内。带通滤波器后,我们使用了不同的特征提取方法提取信号特征。从而实现更高的分类结果。其中,电极的电极的选择也十分重要(即选择哪个电极的信号来进行分类),不同的电极信号的功率或点位不同,分类准确率不同。此外,选择正确的频率范围也可能影响分类准确性。本中文,对于传统机器学习分类方法,提取的第一种特征是通过事件相关电位分析(ERP)分析选择电极位置。对于二进制数字想象分类,按照上述的电极信号记录方式,对每个电极记录下来的信号中的10秒信号值进行平均。然后,将ERP数据绘制出来从而确定哪个电极位置ERP值的贡献更大。基于传统机器学习电脑信号分类的另一种特征提取方法是功率谱密度(PSD)分析。PSD分析可以对频率进行选择,从而得到更高的分类结果准确率。PSD分析也同时可以用于上述ERP方法对电极选择的正确性检验。频率范围可基于功率谱图进行选择。在该方法中,我们选择最高功率谱对应的频率范围。从而提高分类结果准确率。在PSD分析之后,使用公共空间模式算法(CSP)进行分析。众所周知,在BCI中,CSP可使用两类信号方差值差异最大化。通常被用于数据被分类之前。一般而言,对于每一类信号,CSP构造一个协方差矩阵,然后对协方差矩阵进行特征值分解。从而得到EEG源信号分布向量/空间模式。这些向量即可用于信号的二分类。基于传统的机器学方法,我们使用了不同的习分类器进行分类,包括:线性判别分析(LDA),支持向量机(SVM),Logistic回归和人工神经网络-多层感知器(ANN-MLP)。在没有适合ERP和PSD分析的情况下,最高分类准确率为60%。然而,结合CSP并对算法流程进行改进,我们实验结果的分类准确率提高66.88%。2.上述基于传统机器学习算法的结果并不令人满意,本文进一步引入深度学习架构。首先使用带通滤波器对α(8-13Hz)和β(13-30Hz)波频率范围内的数据进行预处理。根据滤波后的信号绘制ERP topo图并输入到卷积神经网络(CNN)进行特征提取和分类。CNN网络结构包括10层卷积和Maxpoo1ing两个完全连接层,一个drop out层,和一个回归层。我们使用些网络对来自15个不同实验对象的脑电数据进行训练和分类。最高分类结果达到99.65%,该结果表明该方法极大的优于传统方法的分类结果。
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R741.044;TN911.7

【相似文献】