基于回溯搜索算法的导联选择脑机接口研究.docVIP

基于回溯搜索算法的导联选择脑机接口研究 基于回溯搜索算法的导联选择脑机接口研究 脑机接口是一种直接利用脑信号连接和控制外界设备，不依靠人体神经和肌肉的通信系统[1]。通过BCI系统，将人脑的想法、思维转化为控制外部设备的指令，可以帮助那些患有肌肉萎缩性侧索硬化、脑干中风等疾病的人实现与外界交流[2]。 　　当人想象某个精神任务或者执行某个肢体运动时，大脑皮层的某个区域中脑电信号会发生变化，这类现象伴随着脑电信号能量的减小或增加。Pfurtscheller将脑电信号能量的减小称为事件相关去同步，而能量的增加称为事件相关同步[3?4]。在EEG节律信号中mu节律和beta节律信号是ERD/ERS现象有关的两种固有频率信号，mu节律信号的频率范围一般为8～1Hz，beta节律信号[5]为18～2Hz。 　　传统的共空域模式，在ERD/ERS相关的特征提取上是很有效的算法。由于ERD/ERS信号发生在特定的脑区域，而采集信号的导联分布于整个大脑区域，所以导联通道中存在许多无关的通道。因此，CSP的性能会受到限制[6]。 　　本文采用回溯搜索优本文由论文联盟http://收集整理化算法与CSP算法相结合的方法。在使用CSP算法之前尽可能地挑出有用的脑电信号的导联子集。实验中采用第三届国际脑机接口竞赛数据集[7]和第四届国际脑机接口竞赛数据集[8]进行分类实验。实验结果表明该方法比单纯使用CSP算法的分类识别率更高。 1 方 法 　　在脑电信号处理的实验中，采用切比雪夫I型8～30 Hz的带宽IIR带通滤波器[9]对多通道EEG信号进行滤波，然后用BSA算法选择最优导联，对选出的导联使用CSP算法进行特征提取，最后线性判别分析分类器[10]对特征信号进行分类。并用105倍交叉验证之后的分类错误率作为BSA的目标函数评判选出的导联数集的优劣。BSA与CSP结合的导联选择算法流程如图1所示。 　　 共空域模式算法 　　CSP算法基于两个实对称矩阵的联合对角化，并进行空间?时间源建模[11?12]。把原始的EEG信号分解为空域模式，通过空域模式使两类信号的差别达到最大化，从而提取与任务相关的信号分量。具体分为如下三个步骤： 　　BSA算法通过mixrate控制新种群个体中元素的个数，同时利用和进行实验突变和突变结束。当时，为多个具有随机位置的向量；反之，为仅有为0的向量。在交叉过程之后产生的种群中，超出被允许的搜索空间范围的部分个体是突变策略的结果。按照式产生新的种群。 　　 最后种群输出 　　通过贪婪选择机制，相比对应初始种群中有选择适应度值较好的种群个体，种群进行更新。当种群中的个体比全局最小值有更好的适应值时，记录和输出当前最优种群的个体元素，同时更新初始种群，完成一次迭代。重复上述过程，直至到最大迭代次数，最后输出全局最小值。 　　1.基于BSA的导联选择方法 　　原始EEG信号通过8～30 Hz带宽带通滤波器进行滤波，然后使用CSP算法对信号进行特征提取。由于CSP的性能与导联关系密切，导联的选择是一个关键步骤。在BSA算法中设置两个参数为：下限上限。这是一个维的电极优化选择向量，向量每一个分量代表一个导联。设其中的一个分量为，那么。另设一串二进制编码为满足。其中表示在0～1均匀分布，“[ ]”为取高斯整。同时设置种群大小问题维数按中的编码抽取导联，数字编号为1的导联挑出，数字编号为0的导联舍弃。BSA算法在进化中不断地产生随机数组合，挑选出不同的导联子集。整个过程以分类错误率作为评判准则，当迭代次数达到设定的迭代次数时，BSA算法就会停止，并且输出全局最小值，即分类错误率最小，同时输出对应的最优导联子集。 　　实验结果及数据分析 　　 实验数据的预处理 　　本文采用的数据是第三届国际竞赛脑机接口数据集和第四届国际竞赛脑机接口数据集。 　　第三届国际竞赛脑机接口数据集是由5个受试者进行BCI运动想像实验所得到的数据集。在实验中受试者分别执行想象右手和脚运动两种想象任务。EEG信号由118个电极记录，电极分布如图2所示。每个受试者进行280次实验，两种想象任务实验的次数相同，各为140次。采集的实验数据经过放大后再用～200 Hz的带通滤波器滤波，且数据采样率为1 kHz。在本实验中，对原始记录的EEG数据进行下采样，下采样率为100 Hz。在时域滤波之前，对原始连续的实验数据截断成单次实验数据。 　　第四届国际竞赛脑机接口数据集是由9个受试者进行BCI运动想象实验所得到的数据集。在实验中受试者分别执行想象左手、右手、脚和舌头四种想象任务。EEG信号由22个电极记录，电极的分布如图2所示。 　　该数据集包含两组数据，由两个不同的时间段完成。每组实验分为6个时间段进行，每个时间段受试者进行了