高级搜索

Chernof f加权分类器框架在运动想象脑-机接口中的应用

谭平 刘利枚 郭璠 周开军

引用本文: 谭平, 刘利枚, 郭璠, 周开军. Chernof f加权分类器框架在运动想象脑-机接口中的应用[J]. 电子与信息学报, doi: 10.11999/JEIT181132 shu
Citation:  Ping TAN, Limei LIU, Fan GUO, Kaijun ZHOU. Applying Chernoff Weighted Classification Frame Method to MotorImagery Brain Computer Interface[J]. Journal of Electronics and Information Technology, doi: 10.11999/JEIT181132 shu

Chernof f加权分类器框架在运动想象脑-机接口中的应用

    作者简介: 谭平: 男,1981年生,讲师,主要研究方向为脑电信号处理、计算智能、模式识别;
    刘利枚: 女,1975年生,教授,主要研究方向为人工智能、机器人;
    郭璠: 女,1982年生,副教授,主要研究方向为图像增强、机器视觉、模式识别;
    周开军: 男,1978年生,副教授,主要研究方向为机器视觉、模式识别
    通讯作者: 郭璠,guofancsu@163.com
  • 基金项目: 国家自科基金项目(61502537),国家社科基金项目(19BGL111),湖南省教育厅科学研究优秀青年项目(18B338),湖南省重点实验室开放研究基金项目(2017TP1026),教育部人文社科基金(14YJCZH099)

摘要: 针对现有脑机接口(BCI)分类器与大脑认知过程结合不够紧密的问题,该文提出一种基于Chernoff加权的分类器集成框架方法,并用于同步运动想象脑机接口中。通过对训练数据进行统计分析,获得各时刻脑电信号(EEG)的统计特性,并建立基于大脑认知过程的高斯概率模型。然后利用Chernoff边界特性得到该概率模型的最小误差,并以此确定该时刻分类器的权重,通过对各时刻分类器的加权,实现同步脑机接口的信号分类。以脑机接口竞赛数据作为测试,并与线性判决分析、支持向量机和极限学习方法分别结合构成新的集成方法。由实验结果可知,加权集成框架方法的分类性能比原独立分类方法有显著提高。

English

    1. [1]

      TIWARI N, EDLA D R, DODIA S, et al. Brain computer interface: A comprehensive survey[J]. Biologically Inspired Cognitive Architectures, 2018, 26: 118–129. doi: 10.1016/j.bica.2018.10.005

    2. [2]

      杨帮华, 李博. 基于脑机接口的康复训练系统[J]. 系统仿真学报, 2019, 31(2): 174–180. doi: 10.16182/j.issn1004731x.joss.18-0791
      YANG Banghua and LI Bo. Rehabilitation training system based on brain computer interface[J]. Journal of System Simulation, 2019, 31(2): 174–180. doi: 10.16182/j.issn1004731x.joss.18-0791

    3. [3]

      ALAZRAI R, ALWANNI H, BASLAN Y, et al. EEG-based brain-computer interface for decoding motor imagery tasks within the same hand using Choi-Williams time-frequency distribution[J]. Sensors, 2017, 17(9): 1937. doi: 10.3390/s17091937

    4. [4]

      LEEB R, LEE F, KEINRATH C, et al. Brain-computer communication: Motivation, aim, and impact of exploring a virtual apartment[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2007, 15(4): 473–482. doi: 10.1109/TNSRE.2007.906956

    5. [5]

      GUY V, SORIANI M H, BRUNO M, et al. Brain computer interface with the P300 speller: Usability for disabled people with amyotrophic lateral sclerosis[J]. Annals of Physical and Rehabilitation Medicine, 2018, 61(1): 5–11. doi: 10.1016/j.rehab.2017.09.004

    6. [6]

      HASAN M R, IBRAHIMY M I, MOTAKABBER S M A, et al. Classification of multichannel EEG signal by linear discriminant analysis[C]. The Twenty-Third International Conference on Systems Engineering, 2015: 279–282. doi: 10.1007/978-3-319-08422-0_42.

    7. [7]

      SELIM S, TANTAWI M M, SHEDEED H A, et al. A CSP\AM-BA-SVM approach for motor imagery BCI system[J]. IEEE Access, 2018, 6: 49192–49208. doi: 10.1109/access.2018.2868178

    8. [8]

      BHADURI S, KHASNOBISH A, BOSE R, et al. Classification of lower limb motor imagery using K nearest neighbor and naïve-bayesian classifier[C]. The 3rd IEEE International Conference on Recent Advances in Information Technology (RAIT), Dhanbad, India, 2016: 1–6. doi: 10.1109/RAIT.2016.7507952.

    9. [9]

      ZHANG Yu, WANG Yu, JIN Jing, et al. Sparse Bayesian learning for obtaining sparsity of EEG frequency bands based feature vectors in motor imagery classification[J]. International Journal of Neural Systems, 2017, 27(2): 1650032. doi: 10.1142/S0129065716500325

    10. [10]

      HAZRATI M K and ERFANIAN A. An online EEG-based brain-computer interface for controlling hand grasp using an adaptive probabilistic neural network[J]. Medical Engineering & Physics, 2010, 32(7): 730–739. doi: 10.1016/j.medengphy.2010.04.016

    11. [11]

      程时伟, 周桃春, 唐智川, 等. 卷积神经网络实现的运动想象脑电分类及人-机器人交互应用[J]. 软件学报, 2019, 30(10): 1–14. doi: 10.13328/j.cnki.jos.005782
      CHENG Shiwei, ZHOU Taochun, TANG Zhichuan, et al. Motor imagery EEG classifcation based on convolutional neural network and its application in human-robot interaction[J]. Journal of Software, 2019, 30(10): 1–14. doi: 10.13328/j.cnki.jos.005782

    12. [12]

      LEMM S, SCHAFER C, and CURIO G. BCI competition 2003-data set Ⅲ: Probabilistic modeling of sensorimotorμ-rhythms for classification of imaginary hand movements[J]. IEEE Transactions on Biomedical Engineering, 2004, 51(6): 1077–1080. doi: 10.1109/TBME.2004.827076

    13. [13]

      TAN Ping, TAN Guanzheng, CAI Zixing, et al. Using ELM-based weighted probabilistic model in the classification of synchronous EEG BCI[J]. Medical & Biological Engineering & Computing, 2017, 55(1): 33–43. doi: 10.1007/s11517-016-1493-x

    14. [14]

      MATSUI H. Variable and boundary selection for functional data via multiclass logistic regression modeling[J]. Computational Statistics & Data Analysis, 2014, 78: 176–185. doi: 10.1016/j.csda.2014.04.015

    15. [15]

      SCHLOGL A, KEINRATH C, SCHERER R, et al. Information transfer of an EEG-based brain computer interface[C]. The 1st International IEEE EMBS Conference on Neural Engineering, Capri Island, Italy, 2003: 641–644. doi: 10.1109/CNE.2003.1196910.

    16. [16]

      FORSTMANN B U, RATCLIFF R, and WAGENMAKERS E J. Sequential sampling models in cognitive neuroscience: Advantages, applications, and extensions[J]. Annual Review of Psychology, 2016, 67: 641–666. doi: 10.1146/annurev-psych-122414-033645

    1. [1]

      陈万忠, 王晓旭, 张涛. 基于可调Q因子小波变换的识别左右手运动想象脑电模式研究. 电子与信息学报,

    2. [2]

      陶剑文, 王士同. 具有磁场效应的大间隔支持向量机. 电子与信息学报,

    3. [3]

      王凯, 陈欣华, 陈熹, 武泽慧. 网络地址变换对不同扫描攻击的防御优势分析. 电子与信息学报,

    4. [4]

      张云翼, 崔杰, 肖灵. 一种适用于混响环境的双传声器自适应指向性算法. 电子与信息学报,

    5. [5]

      郑建炜, 王万良, 蒋一波, 陈伟杰. 概率型稀疏核Logistic多元分类机. 电子与信息学报,

    6. [6]

      吕俊, 谢胜利, 章晋龙. 脑-机接口中基于ERS/ERD的自适应空间滤波算法. 电子与信息学报,

    7. [7]

      屠袁飞, 杨庚, 袁冯杰. 脑机接口技术中安全高效的属性基访问控制. 电子与信息学报,

    8. [8]

      胡金艳, 张太镒, 张春梅. 基于分数布朗运动和概率神经网络的自然纹理分类. 电子与信息学报,

    9. [9]

      田宏伟, 敬忠良, 胡士强, 李建勋. 基于多速率运动模型的多帧概率数据关联算法. 电子与信息学报,

    10. [10]

      孙康, 金钢, 王超宇, 马超伟, 钱卫平, 高梅国. 扫描模式下海杂波的多分形布朗运动模型. 电子与信息学报,

    11. [11]

      高文, 胡铭曾, 斋藤正男. Voronoi域模式分类器. 电子与信息学报,

    12. [12]

      刘宝林, 王行言, 马信山. 运动薄板的平均边界条件. 电子与信息学报,

    13. [13]

      杨凌云, 董育宁, 王再见, 汤萍萍. 基于M值概率分布的网络视频流分类. 电子与信息学报,

    14. [14]

      郭平, 卢汉清, 杜为民. 对拉曼光谱信号分类的模式识别. 电子与信息学报,

    15. [15]

      王立宏, 逯昭义, 许曰滨. 光纤分布式数据接口的排队模型. 电子与信息学报,

    16. [16]

      唐贤伦, 李伟, 马伟昌, 孔德松, 马艺玮. 基于条件经验模式分解和串并行CNN的脑电信号识别. 电子与信息学报,

    17. [17]

      闵超波, 张俊举, 常本康, 孙斌, 李英杰, 刘磊. 利用边界运动显著性的红外运动目标分割方法. 电子与信息学报,

    18. [18]

      胡学先, 刘文芬, 李世取. 双侧停走生成器的概率模型. 电子与信息学报,

    19. [19]

      邓赵红, 陈俊勇, 刘解放, 王士同. 面向癫痫脑电图信号识别的径向基最小最大概率分类树. 电子与信息学报,

    20. [20]

      张战成, 王士同, 邓赵红, ChungFu-lai. 支持向量机的一种快速分类算法. 电子与信息学报,

  • 图 1  Chernoff加权框架方法的结构框图

    图 2  每次试验的时序示意图

    图 3  各个时刻的特征统计概率分布图

    图 4  数据集1的互信息图

    图 7  数据集4的互信息图

    图 5  数据集2的互信息图

    图 6  数据集3的互信息图

    图 8  各算法分类精度结果图

    图 9  dout的统计均值和方差变化图

    表 1  算法1 Chernoff框架方法的训练过程

     输入:EEG训练数据
     输出:独立分类器模型参数和概率权重w
     步骤 1 对EEG数据进行预处理,提取特征向量;
     步骤 2 利用独立分类器训练得到模型参数;
     步骤 3 利用式(1)得到特征向量的均值和方差;
     步骤 4:利用式(8)得到权重w
    下载: 导出CSV

    表 2  算法2 Chernoff框架方法的测试过程

     输入:t 时刻的测试 EEG 数据,独立分类器参数和权重w
     输出:分类结果和判定值dout(t)
     步骤 1 对EEG数据进行预处理,提取特征向量;
     步骤 2 通过独立分类器的训练模型得到yc(t);
     步骤 3 利用式(11)和式(12)将yc转化到p(t)∈[0, 1];
     步骤 4 利用式(9)计算pout(t);
     步骤 5 利用式(10)将pout(t) 变换到dout(t)∈[–1, 1];
     步骤 6 通过dout(t)的符号获得分类结果。
    下载: 导出CSV

    表 3  实验中的数据集

    序号数据集来源训练集个数(试验次数)测试集个数(试验次数)类别
    1BCI II (III)1 (140)1 (140)2
    2BCI III (IIIb)1 (320)1 (320)2
    3BCI IV (IIb)3 (400)2 (320)2
    4BCI IV (IIb)3 (400)2 (320)2
    下载: 导出CSV

    表 4  数据集1的最大互信息(bit)

    分类方法最大互信息
    ELM0.524/0.051
    LDA0.414
    SVM0.471
    LSTM0.511
    ELM-CF0.680/0.020
    LDA-CF0.631
    SVM-CF0.662
    第II届BCI竞赛的第1名0.61
    下载: 导出CSV
  • 加载中
图(9)表(4)
计量
  • PDF下载量:  16
  • 文章访问数:  340
  • HTML全文浏览量:  324
文章相关
  • 通讯作者:  郭璠, guofancsu@163.com
  • 收稿日期:  2018-12-07
  • 录用日期:  2019-07-20
  • 网络出版日期:  2019-09-11
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章