© 2014年。出版社：Elsevier B.V.由美国应用科学研究所负责选择和/或同行评审可在www.sciencedirect.com在线获取ScienceDirectAASRI Procedia 9（2014）64 - 712014年AASRI电路与信号处理会议（CSP 2014）鲁棒脑电单次分析的最优通道选择Kusuma Mohanchandraa， *，Snehanshu Sahaba计算机科学工程和MIRC，DSCE，班加罗尔-560078，印度bComputer Science Engineering and CBIMMC，PESIT South，Bangalore - 560100，India* 联系电话：+0-9886520551，kusuma-cs@dayanandasagar.edu摘要脑电信号具有良好的时间分辨率和易用性，是脑-机接口的有力工具。多通道脑电记录所捕获的信号贡献了巨大的数据，并且通常导致计算机的高计算负担。可以使用捕获与目的相关的大脑信号的最佳数量的电极，排除冗余和无贡献的电极。在这项研究中，我们提出了一种优化技术的共同空间模式的信道选择。优化的实现是作为一个快速收敛的序列二次规划问题。大量的实验表明，所提出的方法诱导两个任务之间的脑行动有关的默读语音大的差异。© 2014作者。出版社：Elsevier B. V.这是CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/3.0/）。美国应用科学研究所科学委员会负责同行评议关键词：脑电; CSP;特征值;特征向量;对角化;1. 介绍脑机接口（Brain-Computer Interface，BCI）是一个动态科学研究领域，旨在将人类的意图从思维中立即传达给外部世界，从而增强认知能力。脑机接口的巨大潜力在医疗和非医疗的各个领域都有广泛的应用。BCI由人群使用（Birbaumer等人，1999年，被剥夺了通过言语表达的权利。事实证明，它有助于帮助瘫痪或2212-6716 © 2014作者出版社：Elsevier B.诉 这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/3.0/）。美国应用科学研究所科学委员会负责的同行评审doi：10.1016/j.aasri.2014.09.012Kusuma Mohanchandra和Snehanshu Saha / AASRI Procedia 9（2014）6465由于脑电图（EEG）是非侵入性的，便携式的，并具有良好的时间分辨率（Wester，2006），它是最首选的技术BCI。脑电图是记录大脑沿头皮的电活动。这些电压是大脑中神经元之间电化学信号的结果。测量的电压以微伏为单位，通常在多个位置同时记录。EEG使用电极帽记录，电极帽具有32、64、128或256个电极，通常持续20-30分钟。必须考虑来自多个电极的EEG信号以实现良好的性能。大量的多维时间序列数据需要大量的计算能力来处理信息。因此，需要对数据进行降维，以减少存储和计算复杂度是至关重要的。相关的大脑信号从放置在头皮上的最佳数量的电极获得。省去冗余和无贡献的电极大大减少了电极的数量。但是，由于脑电信号通过颅骨、头皮和大脑的其他层的体积传导，脑电信号的空间分辨率很差。可以使用诸如公共空间模式（CSP）的空间滤波器来关注这个问题。空间滤波器的一个重要属性是使头皮上的通道数量最小化（Bashashati等人，2007年），并同时保存分类所需的所有信息。在这项研究中，选择脑电通道，得到两个不同的词在默读过程中的脑电的空间和时间的形式计算CSP。神经科学研究表明，心理排练激活额叶皮层以及布罗卡和韦尼克的（布兰克等人，2002年）。使用CSP的方法，我们得到的最佳选择的EEG通道和功能，适合区分两个认知（心理排练的话）任务。最初使用64个电极进行两个亚发音单词的分类，随后选择最佳数量的电极。在（Blankertz等人，2008）将EEG通道选择方法公式化为CSP的优化问题。令En <$Rchxt表示来自单次试验的预处理的EEG信号的矩阵。ch和t分别表示通道数和每个通道的样本数。אሮۛ�ۛ� ሱא（一）一组特征向量可以表示为矩阵，中国（2）CSP算法将En投影到空间滤波器S，使得，第1003章：你是我的女人（3）以二次形式表示的CSP投影矩阵W是二次优化的候选。使用特征值和特征向量的适当权重的选择可以如下面所第1044章：你是我的女人（4）其中，I是单位矩阵，I和I是从等式（5）获得的归一化协方差矩阵。T表示转置算子，trace（A）计算矩阵A的对角元素之和。每个类别的平均归一化协方差矩阵通过分别对每个类别的所有试验进行平均来计算。66Kusuma Mohanchandra和Snehanshu Saha / AASRI Procedia 9（2014）64ࢳሺሻࢳሺሻ（五）ȯȯ复合协方差矩阵是两个结果协方差矩阵的总和这导致ࢳ日本语简体中文繁体中文한국어U是标准正交特征向量的矩阵，使得UUT= I，并且D是特征值的对角矩阵。白化变换矩阵定义为：日本语中文（简体）其变换平均协方差矩阵以快速收敛。白化变换被应用于两个类别的原始协方差矩阵，如等式（8）所示通过同时对角化 ，对角第108章：你是我的女人（8）任何标准正交矩阵V都服从以下条件，第1009章：一夜情（9）只要π1+π2= I。 最后，（10）验证将在我们的工作中稍后显示V是一组特征向量，并且V和V是按降序排列的特征值的对角矩阵。最后，如等式（11）所示计算投影矩阵W，其中投影矩阵W的行是空间滤波器，W的列是CSP。中国（11）在等式（3）中示出了利用投影矩阵变换成不相关的线性独立分量的原始EEG信号。2. 相关工作文献中提出的各种相关的信道选择方法进行了综述。在（Lei等人，2009），通过划分记录通道构造CSP滤波器组，并采用公共空间模式集成（CSPE）分类器提高分类器性能。在（Lan et al.，2005），对EEG通道进行排序，使得所选传感器和类别标签之间的MI最大化。在（Ramoser等人，2000），对每个受试者加权EEG试验，其中非常低的权重指示那些试验为伪影或伪影。Kusuma Mohanchandra和Snehanshu Saha / AASRI Procedia 9（2014）6467异常值为了实现准确的分类，需要找到与BCI任务相关的大脑信号的频率分布，因此在（Higashi etal.，2013）具有有限脉冲响应滤波器和相关联的空间权重的鉴别滤波器组CSP（DFBCSP）用于提取鉴别特征。提供了稀疏公共空间模式（SCSP）算法（Arvaneh等人，2011）用于EEG通道选择。SCSP算法被制定为一个优化问题，诱导稀疏在共同的空间滤波器选择最少数量的通道内的分类精度的约束。尽管有各种研究，但在BCI应用中找到EEG电极的最佳数量和位置是一个严格的问题。每个人的大脑活动对于完成的同一任务是不同的，因此需要大量的数据来对完成的任务进行分类。通过在数据采集期间对受试者进行适当的训练，可以产生更相似的信号模式，从而减少通道的数量。在本文中，我们专注于选择最佳的电极数处理过程中记录的两个字的默读脑电信号。CSP用于通道选择，支持向量机用于所执行任务的分类。3. 我们的工作3.1. 作为广义特征值问题的在脑机接口中，公共空间模式被用作空间滤波器。CSP滤波器擅长检测感觉运动节律的范围和辨别心理状态。空间滤波器被设计为最大化一类信号的方差，同时减小另一类信号的方差。其主要思想是利用线性变换将多通道脑电数据投影到低维空间子空间。投影矩阵的每一行由通道的权重组成。CSP是基于两个类的协方差矩阵的同时对角化对角化过程导致至1+1= 1。等式（7）中所示的白化变换矩阵用于均衡特征空间过程如下所示ିି Τ֜ିି Τ֜ሺ ିିΤሻ֜ିି Τ中国（12）Thereforore，在那里，你可以看到一个巨大的，ିିΤିିΤିିΤିି Τିି Τ ሺሺሻሻିିΤିିΤ ሺሻିିΤିିΤᇣᇧᇤ ᇧΤᇥΤିିΤכ* UDT是可互换的，因为DT是对角的，U是正交的，因此它们可交换。因为，U是标准正交UT U = I。ᇣ ᇧିିᇧΤᇤᇧ ᇧΤᇥถᇣᇧΤᇧᇤᇧିିᇧΤᇥ 因此，我们认为，日本语简体中文繁体中文한국어S的合成特征向量被优化用于区分两类输入信号。3.2. 最优化问题CSP算法是制定为一个优化问题，使用序列二次规划。局部最小值是从海森矩阵的理论推导出来的，海森矩阵是由协方差矩阵形成的。正则化项被添加到优化问题中，以诱导CSP中的稀疏性一个稀疏的最优化问题的稀疏范数被用来诱导稀疏68Kusuma Mohanchandra和Snehanshu Saha / AASRI Procedia 9（2014）64୧ଶ୫ ଶ୫ሺ ͳ ሻȭȭȽȁȁ୧ȁȁଵݓ୧ଵ୧୧ିୀଵ୧ଶ୧ᇣᇧ୧ᇧିୀᇧଵᇧȁȁᇧ୧ᇤȁȁଵᇧ ᇧȁȁᇧ୧ȁᇥȁ୮ିୣି୳ୟ୰୧୧୧୭୧୭୭ି୳୫Subject to o：一个人的世界ሼ ͳǡʹǡǥǥʹሽ ͲǤͷሺࢳࢳሻǡǡሼǡǡǥ ǥሽǡ 中国（14）ǡȁȁ ȁȁିୀ 日本语中文（简体）1和2是class1和class2的协方差矩阵。使用等式（14）中给出的约束条件来计算权重Wi，使得Wi代表CSP投影矩阵的第一行和最后m行，表示m个最大特征值和m个最大特征值。最佳的最优解是从凸优化问题的局部/全局最小值中找到的。4. 实验4.1. 数据采集本文利用三名正常人在默读“食物”（1类）和“水”（2类）两个词时的脑电数据使用按照国际10-20系统放置的64个通道记录数据。在录音过程中，受试者被指示用视觉线索在他们的脑海中重复两个单词中的一个，而不移动他们的下巴或任何语音发音器官。单词/食物/和/水/是特别选择的，因为它们在真实的语音产生过程中不同的肌肉激活。每个受试者的EEG数据由每个任务的50个单次试验组成。“20个单次试验”数据用于训练分类器，剩余的“30个单次ΣKusuma Mohanchandra和Snehanshu Saha / AASRI Procedia 9（2014）6469图1：受试者1（a）任务/食物/，（b）任务/水/的平均25个时期/任务的频率分量4.2. 数据处理从64个通道提取的EEG数据的每次试验是1.5秒长，以250 Hz采样。使用等波纹带通滤波器在0.5Hz和40 Hz之间对信号进行带通滤波。等波纹带通滤波器在最小化通带和阻带中的最大波纹方面优于其他滤波器。来自训练集的预处理的EEG信号用于最佳通道选择。最佳信道由等式（14）计算。使用m= {1，2，3}，从第一和最后一组稀疏空间滤波器中选择最佳信道。因此，使用SVM分类器上的测试数据来评估分类精度。SVM分类器使用训练数据集的特征向量进行训练，然后使用测试数据集进行评估。5. 结果为了可视化时间序列中的事件相关模式，使用在所有受试者的个体任务的所有试验上平均的EEG信号。言语相关电位主要分布在额叶和前额叶皮层。国际10-20电极系统中的电极FP 1、FPz、FP 2、AF3和AF 4在言语发声时具有更大的活性。观察到α（8- 15 Hz）和β（16- 31 Hz）频率分量对活动的贡献最大。图（2）中的头皮图显示了应用空间滤波器之前和之后的空间模式。空间滤波器被设计为最大化两个类之间的方差。CSP最大化属于类1的信号的方差，同时最小化类2的信号的方差。图2（b）显示了两类任务之间模式的强烈区别。70Kusuma Mohanchandra和Snehanshu Saha / AASRI Procedia 9（2014）64图2：头皮图显示了应用空间滤波器之前（b）两个类别的空间模式。Kusuma Mohanchandra和Snehanshu Saha / AASRI Procedia 9（2014）64716. 结论脑电信号的非平稳性、低信噪比和噪声源的多样性是其研究的最大挑战。多通道脑电的高维数要求计算能力和鲁棒算法才能给出准确的结果。在这项工作中，我们研究了一个快速收敛的通道减少方法的基础上共同的空间模式。通道减少是作为一个优化问题，使用序列二次规划。从所提出的算法获得的空间滤波器的可视化显示了两个类之间的大的方差。具有大的方差的EEG通道被认为是与低方差的通道被丢弃，并使用最佳数量的通道的两个任务的分类。引用[1] Birbaumer，N.，Ghanayim，N.，Hinterberger，T.，艾弗森岛Kotchoubey，B.，Kübler，A.，...&Flor，H.（1999年）。一种供瘫痪者使用的拼写工具。Nature，398（6725），297-298.[2] 韦斯特，M.潜台词-基于脑电的语音识别。硕士[3] Bashashati，A.，Fatourechi，M.，沃德河，巴西-地K.，&Birch，G. E.（2007年）。基于脑电信号的脑机接口信号处理算法综述。神经工程杂志，4（2），R32。[4] Blank，S. C.的方法，斯科特，S。K.，墨菲，K.，Warburton，E.，&怀斯河J.（2002年）。演讲制作：韦尼克，布罗卡和超越。Brain，125（8），1829-1838.[5] Blankertz，B.，富冈河Lemm，S.，Kawanabe，M.，&穆勒，K。R.（2008年）。优化空间滤波器，用于稳健的EEG单次试验分析。信号处理杂志，IEEE，25（1），41-56。[6] 雷，X.，Yang，P.，徐，P.，Liu，T. J.，&Yao，L. Z.（2009年）。通用空间模式集成分类器及其在脑机接口中的应用电子科学与技术，7（1），17-21.[7] 兰，T.，Erdogmus，D.，Adami，A.，Pavel，M.，&Mathan，S. (2006 1月）。基于互信息最大化的脑机接口中的显著脑电通道选择。在医学和生物学社会工程，2005年。2005年IEEE-EMBS。第27届国际会议（英语：27th Annual International Conference of the）7064-7067）。美国电气与电子工程师协会。[8] Ramoser，Herbert，Johannes Muller-Gerking，and Gert Pfurtscheller.“在想象的手部运动过程中，单次试验EEG的最佳空间滤波。康复工程，IEEE Transactions on 8.4（2000）：441-446。[9] Higashi，Hiroshi，和Toshihisa Tanaka.同时设计FIR滤波器组和空间模式用于EEG信号分类。生物医学工程，IEEE Transactions on 60.4（2013）：1100-1110。[10] Arvaneh，M.，Guan，C.，昂，K. K.，&奎克角（2011年）。优化脑电脑机接口通道选择和分类精度。生物医学工程，IEEE Transactions on，58（6），1865-1873。
