基于神经网络的光标上下移动EEG信号分类方法

摘 要:脑电信号(EEG)是研究脑活动的一种重要的信息来源,基于脑电信号的人与计算机的通信已成为一种新的人机接口方式。在此主要通过时域回归方法对BCI Ⅱ竞赛数据进行EEG信号去噪预处理,运用6阶AR参数提取脑电特征作为神经网络的输入,最后用Matlab 7.0进行仿真,得到分类正确率为90%。实验表明,该方法可以达到很好的分类效果。

关键词: EEG信号; AR参数; 特征提取; BP算法

中图分类号:TP183 文献标识码:A

文章编号:1004-373X(2010)10-0027-03

EEG Signal Classification Methods of Cursor Up-and-Down Based on Neural Network

JIA Hua-ping

(Department of Computer Science, Shaanxi Weinan Teachers University, Weinan 714000, China)

Abstract: Electroencephalogram(EEG)signal is an important information source of investigating the brain action. The communication based on EEG between human brain and computer becomes a new modality of human-computer interaction. Through time-domain regression method for EEG denoising pretreatment of BCI Ⅱ match data, AR model coefficient is extracted as feature vector, and the mental tasks based on BP network is classified. The simulation was performed by means of Matlab 7.0. And the classification correctness of 90% was achieved. The experiments show that this method can get a good result of classification.

Keywords:EEG signal; AR parameter; feature extraction; BP algorithm

0 引 言

随着科学技术的不断进步、人们对大脑功能认识的不断深入以及高性能PC的问世,近20年以来一个新的研究领域即“脑-机接口(BCI)”正在蓬勃发展。脑机接口是基于脑电信号,不依赖于脑的正常输出通路(即外周神经和肌肉)的,通过对大脑思维过程EEG信号的监控与分析,理解人的意图,直接将大脑信息传达到外部世界,可以实现多种形式的应用。理论上只要大脑能够正常思维的人,都可以通过脑机接口技术与外界交流,所以对那些高位截瘫或脑干损伤的完全闭锁患者,有非常广阔的应用前景[1-3]。

分析EEG信号,理解人的思维机理,已成为脑-机接口(BCI)、生物反馈治疗和神经障碍康复等领域的重要研究手段[4]。目前EEG信号使用的分类方法主要有线性分类法[5]、卡尔曼滤波[6]、人工神经网络法[7]等。线性分类器简单、容易实现、需要的计算量和存储量小,但由于EEG的非线性,得到的特征向量很难具有线性可分性,必然会导致识别率低。卡尔曼滤波是一种基于概率意义上的分类方法,需要获得先验知识,但脑电是┮恢址浅8丛拥纳理信号,一般很难得到准确的先验知识。人工神经网络是一种比较好的机器学习方法,它的一个重要特点是能够较有效地解决很多非线性问题,而且在很多工程应用中取得了成功。

1 数据来源

该实验的数据来自2002年国际BCI 竞赛,由图宾根大学提供。实验任务是一位健康的受试者根据电脑屏幕的指示将光标进行上下移动,从而得到其皮层慢电位的视觉反馈。皮层阳性导致光标在屏幕中向下移动。皮层阴性导致光标向上移动。每组实验持续6 s。视觉反馈从2~5.5 s呈现。3.5 s的时间间隔是每个实验提供的训练和测试时间。采样频率为256 Hz,数据记录长度3.5 s。每通道每导联采样点数为896。

这组数据包含有3个文件,Traindata0.txt(135×5 377)和Traindata1.txt(133×5 377),分别为┑0类的135组实验和第1类的133组实验,其中第一列为类别0或1,其他的5 376列为6通道的采样点;Testdata.txt(293×5 376)为测试数据,测试数据的矩阵结构几乎和训练数据一样,只是测试数据没有标记类别,每行包括6~896个采样点。表1是6个通道的位置。

图1、图2分别是采用Matlab 7.0绘制的光标上、下移波形图(CH1~CH6)。

表1 6个通道的位置 (10/20系统)

通道位置

Channel1A1-Cz

Channel2A2-Cz

Channel32 cm frontal of C3

Channel42 cm parietal of C3

Channel52 cm frontal of C4

Channel62 cm parietal of C4

图1 光标上移波形图

2 预处理及频域特征提取

带通滤波:选用2.5~25 Hz的带通滤波器进行滤波。消除肌动和眼动所带来的噪声影响。提取合适的信号特征是提高脑电分类准确率的关键。特征既可取自频域也可取自时域,目前存在有多种方法,如利用特定频带的功率谱、小波变换、双谱估计等提取EEG信号特征。本文采用AR模型系数作为脑电信号的特征样本。

基于AR模型的功率谱估计是现代谱估计中最常用的一种方法。在对于AR模型的阶数进行选择时,了解到AR模型的阶数一般不是先知道的,需要事先选择一个较大的值,在递推的过程中确定。在使用Levinson算法时,模型的最小误差功率是递减的,因此根据公式FPE(K)=ρKN+(K+1)N-(K-1)计算FPE(K)的值,当FPE达到最小值时,就得到合适的阶次。本文中采用Burg算法对原始脑电信号进行AR模型谱估计。经过试验,发现选取阶次为6时能使得预测误差功率FPE最小,得到的分类效果较为理想。本文2组训练数据每通道提取6个AR模型参数,6个通道提取36个参数作为数据样本,所以,本文训练样本共有135+133=268个,训练样本为268×36个数据,测试样本和训练样本的参数提取方法一样,只是测试样本数据的个数为293×36。

图2 光标下移波形图

3 BP分类算法

BP(error back propagation network)神经网络是目前应用最为广泛和成功的神经网络之一,是1986年由Rumeihant和 McClelland提出的,是一种多层网络的逆推学习算法。其基本思想[8]是:学习过程由信号的正向传输与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传入,经隐层逐层处理后传向输出层。若输出层的实际输出与期望输出不符,则转向误差的反向传播阶段。误差的反向传播是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,该误差信号作为修正各单元权值的依据。

3.1 Matlab中的BP神经网络输入层、输出层、隐层单元数目的确定

1989年,Robert Hecht-Nielsen证明了对于任何闭区间内的一个连续函数都可以用一个隐层的BP网络来逼近。因为一个3层的BP网络可以完成任意的n~m维的连续映射[9]。根据BP网络的设计目标,选择单隐层的BP网络实现。由于输入向量有36个元素,故网络输入层的神经元有36个,光标上移或光标下移属于两类情况,所以,BP网络的输出层神经元有1个。输出为0表示第0类,输出为1表示第1类。根据Kolmogorov定理和单隐层的设计经验公式,以及考虑本例的实际情况,解决该问题的网络中间层(隐层)神经元个数应该在7～16之间。因此,设计一个隐含层神经元数目可变的BP网络,程序如下,通过误差对比,确定最佳的隐层神经元个数为8,并检验隐层神经元个数对网络性能的影响。

s=7:16;res=zeros(1,10);res2=zeros(1,10);

for i=1∶10

net=newff(minmax(p),[s(i),2],{′tansig′,′logsig′},′traingdx′);

net.trainParam.epochs=180;

net.trainParam.goal=0.001;

net=train(net,p,t);

y=sim(net,p);

error=y(1,:)-t(1,:); error2=y(2,:)-t(2,:);

res(i)=norm(error);

res2(i)=norm(error2);

i=i+1;

end

res;res2;

3.2 BP网络的训练仿真

网络经过训练后才能进行实际应用。采用init.m函数对网络进行初始化,以消除前面训练的影响。网络训练结束后,用仿真函数a=sim(net,p)对网络进行仿真。

4 网络训练与测试

网络训练是一个不断修正权值和阈值的过程,通过调整,使网络的输出误差达到最小,满足实际应用的要求。本文用Traindata0 和Traindata1对网络进行训练,训练好网络后用Testdata对网络进行测试。训练结果如图3所示。

图3 训练结果

TRAINLM, Epoch 0/1000, MSE 0.29004/0.001, Gradient 4.21438/1e-010

TRAINLM, Epoch 25/1000, MSE 0.0332573/0.001, Gra-dient 1/2471/1e-010

TRAINLM, Epoch 50/1000, MSE 0.00171587/0.001, Gradient 0.817066/1e-010

TRAINLM, Epoch 51/1000, MSE 0.000211044/0.001, Gradient 0.131351/1e-010

TRAINLM Performance goal met

图3中,经过51次训练,网络误差为0.000 211 044,达到要求,对训练好的网络进行测试,得到分类正确率为90%。与国际BCI Ⅱ竞赛数据参赛结果比较,比竞赛结果平均正确率比较提高了12.35%。由此可见,用本文方法对EEG数据分类,达到了很好的分类效果。

5 结 语

由于其他一些因素,如多导电极信息间的相关性,受试者之间的个体差异等影响,会在一定程度上影响分类精度。因此,在后续研究工作中,考虑到用神经网络集成方法进行EEG信号分类,来进一步提高分类精度。

参考文献

[1]MOORE M M, Real-world applications for brain-computer interface technology[J]. IEEE Transactions On Neural Systems Rehabilitation Engineering,2003,11(2):162~165

[2]SCHALK Gerwin, MCFARLAND Dennis J, HINTERBERGER Thilo. BCI2000: AGeneral-purpose brain-computer interface(BCI)system[J]. IEEE Trans. on Biomedical Engineering, 2004, 51(6): 1034-1043.

[3]LEEB Robert, PFURTSCHELLER Gert. Walking through a virtual city by thought[C]//Proceedings of the 26th Annual International Conference of the IEEE EMBS. San Francisco: IEEE, 2004(9):1-5.

[4]FUJITA S, HOSOKAWA N, SHIBUYA Y. Experimental investigation of high frequency voltage oscillations in transformer winding[J]. IEEE Trans. on Power Delivery, 1998, 13(4): 1201-1207.

[5]MATTHIAS K, PETER M, ULF G. BCI competition 2003-data set llb: Support vector machines for the P300 speller paradigm[J]. IEEE Trans. on Biomedical Engineering, 2004, 51(6): 696-701.

[6]MOHAMED D, AHMED A A. A new algorithm for EEG feature classification using mutual information[M]. [S.l.]: IEEE, 2001.

[7]THOMAS N I, MICHAEL S. THILO H. Support vectorchannel selection in BCI[J]. IEEE Trans. on Biomedi-cal Engineering, 2004, 51(6):696-701.

[8]朱大奇,史慧.人工神经网络原理及应用[M].北京:科学出版社,2006.

[9]张敏,周旭东,刘相华,等.基于人工神经网络的热轧带钢密度预测[J].钢铁研究学报,2004,16(3):75-78.