文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.181383
中文引用格式: 趙東東,宋洪軍,,許玉虎,,等. 基于LM算法的腦電信號(hào)分類研究[J].電子技術(shù)應(yīng)用,2018,44(12):20-24.
英文引用格式: Zhao Dongdong,,Song Hongjun,,Xu Yuhu,et al. Research on the classification of EEG signals based on LM algorithm[J]. Application of Electronic Technique,,2018,,44(12):20-24.
0 引言
腦機(jī)接口(Brain Computer Interface,BCI)是一種不依賴于外部神經(jīng)和肌肉,,直接將腦電信號(hào)(Electroencephalogram,,EEG)轉(zhuǎn)化為控制指令控制外部設(shè)備運(yùn)行的通信系統(tǒng)。世界上由于各種事故導(dǎo)致身體失去運(yùn)動(dòng)能力的人很多,,大多數(shù)殘疾人活動(dòng)空間有限,,通常只能在病床和輪椅上活動(dòng),BCI的誕生為他們實(shí)現(xiàn)與外部的交流提供了可替代手段,。此外,,BCI在軍事、娛樂(lè)等領(lǐng)域應(yīng)用廣泛,,取得了較大的成就[1],。2014年召開(kāi)的騰訊WE大會(huì)上眾多著名專家學(xué)者提出了BCI與人工智能等將成為未來(lái)最具前沿性的科研項(xiàng)目,當(dāng)前已成為研究的熱點(diǎn),,具有廣闊的市場(chǎng)范圍和極大的社會(huì)價(jià)值,。
目前國(guó)內(nèi)外腦機(jī)接口主流研究方向有穩(wěn)態(tài)視覺(jué)誘發(fā)電位、P300電位,、慢皮層電位,、運(yùn)動(dòng)想象等方式,,其中前三種是通過(guò)外界刺激產(chǎn)生腦電信號(hào)。諸如視覺(jué)刺激,、體感刺激等誘發(fā)電腦產(chǎn)生一定規(guī)律的信號(hào),,然后對(duì)誘發(fā)信號(hào)進(jìn)行處理和分類。運(yùn)動(dòng)想象則是人體自發(fā)產(chǎn)生有關(guān)動(dòng)作意向的信號(hào),,具有實(shí)際意義,。
BCI由信號(hào)采集、信號(hào)預(yù)處理,、特征值提取,、信號(hào)分類、控制應(yīng)用五部分構(gòu)成,。其中的核心關(guān)鍵在于信號(hào)分類,。目前腦電信號(hào)分類方法主要有線性判別分析、隱馬爾可夫模型,、卡爾曼濾波器等[2],,線性判別分析使用簡(jiǎn)單,容易實(shí)現(xiàn),。但腦電信號(hào)比較復(fù)雜,,具有非線性特性,采集的信號(hào)線性可分性較弱且識(shí)別效率比較低,??柭鼮V波器對(duì)于先驗(yàn)知識(shí)依賴性較大,由于當(dāng)前腦科學(xué)認(rèn)知有限,,很難從信號(hào)中獲取先驗(yàn)知識(shí),,在信號(hào)分類中效果較差。而BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力,,在解決非線性問(wèn)題中取得了不錯(cuò)的效果,,在腦電信號(hào)分類識(shí)別方面效果較好。
雖然標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)路具有很強(qiáng)的非線性,、并行性等特點(diǎn),,但其也存在收斂速度慢、易陷入局部最優(yōu)等局限性[3],。針對(duì)此不足,,本文提出使用其優(yōu)化算法中的LM算法設(shè)計(jì)分類器對(duì)信號(hào)進(jìn)行分類識(shí)別,。利用主成分分析提取信號(hào)特征值,,運(yùn)用MATLAB 2014B軟件對(duì)其進(jìn)行仿真試驗(yàn),結(jié)果證明LM算法對(duì)比BP神經(jīng)網(wǎng)絡(luò)減少了訓(xùn)練時(shí)間,,降低了誤差,,提高了分類精度,,具有良好的識(shí)別效果。
1 試驗(yàn)材料及信號(hào)采集
1.1 儀器設(shè)備
本次實(shí)驗(yàn)信號(hào)采集設(shè)備使用的是Emotive Epoc+,,該設(shè)備是美國(guó)Emotive公司針對(duì)腦電信號(hào)設(shè)計(jì)的一款非侵入式信號(hào)采集設(shè)備,。Emotive Epoc+包含16個(gè)傳感器(含兩個(gè)參考電極),配置了藍(lán)牙模塊,,不需要連線即可將采集的信號(hào)傳輸?shù)絇C,,使用方便、便攜,,導(dǎo)聯(lián)如圖1所示,。
本文算法驗(yàn)證平臺(tái)所用硬件為基于Arduino的智能小車,核心為最新版本的開(kāi)發(fā)板Arduino UNO R3,。它包含藍(lán)牙模塊,、WiFi模塊、四驅(qū)PCB車盤(pán),、車輪,、電壓表、打印線等,。其資料開(kāi)源,,可用于二次開(kāi)發(fā)。
1.2 信號(hào)采集
本文重點(diǎn)是基于運(yùn)動(dòng)想象模式下的腦電信號(hào)分類,,信號(hào)采集模式采用2008年BCI競(jìng)賽的實(shí)驗(yàn)采集方式[4-5],。實(shí)驗(yàn)前,在一個(gè)相對(duì)安靜的條件下,,安排四位同學(xué)保持安靜放松的狀態(tài)下坐在椅子上,,按照電腦屏幕出現(xiàn)的箭頭方向做相應(yīng)的思維任務(wù)。每次實(shí)驗(yàn)時(shí)間為7 s,,在0~2 s內(nèi),,四位同學(xué)保持安靜放松狀態(tài);第2秒,,PC會(huì)發(fā)出響聲,,同時(shí)屏幕出現(xiàn)“+”,提示實(shí)驗(yàn)人員集中注意力,,信號(hào)采集任務(wù)即將開(kāi)始,;第3秒時(shí),PC屏幕會(huì)出現(xiàn)左右上下類型的箭頭,,同時(shí)實(shí)驗(yàn)人員根據(jù)箭頭方向想象左手,、右手、舌,、腳的運(yùn)動(dòng),,直到第7秒結(jié)束,,圖2所示為單次信號(hào)采集過(guò)程。因?yàn)楸菊n題最后是要將離線數(shù)據(jù)導(dǎo)入交互界面,,然后控制Arduino小車左右前后方向運(yùn)動(dòng)來(lái)做算法驗(yàn)證,,所以實(shí)驗(yàn)過(guò)程中根據(jù)箭頭左右上下想象動(dòng)作所采集的數(shù)據(jù)標(biāo)記為左右前后四個(gè)方向數(shù)據(jù),以便于后續(xù)信號(hào)分類,。根據(jù)大腦自發(fā)腦電的特點(diǎn)以及產(chǎn)生原理,,數(shù)據(jù)采集好后選擇O1、O2,、AF3,、F4、F7,、P7,、FC5、P8共8個(gè)通道的數(shù)據(jù)作為數(shù)據(jù)研究樣本,。本次實(shí)驗(yàn)采集500組數(shù)據(jù),,其中400組數(shù)據(jù)為訓(xùn)練樣本,100組數(shù)據(jù)作為測(cè)試樣本,。
2 信號(hào)預(yù)處理
因?yàn)槟X電信號(hào)中夾雜著眼電信號(hào),、肌電信號(hào)等干擾信號(hào),不便于下一步對(duì)信號(hào)的處理和分類,,需要對(duì)信號(hào)進(jìn)行濾波處理,,得到符合運(yùn)動(dòng)想象特點(diǎn)的腦電信號(hào)。通過(guò)分析腦電信號(hào)所對(duì)應(yīng)的功率譜可以得知,,8~25 Hz頻帶的腦電信號(hào)增幅明顯,,能夠鮮明反映出腦電活動(dòng),所以選擇8~25 Hz頻帶作為研究課題的最佳范圍頻帶對(duì)原始腦電數(shù)據(jù)進(jìn)行濾波處理,。
3 特征值提取
3.1 主成分分析基本原理
主成分分析是將原有變量重新組合成一組新的線性無(wú)關(guān)的幾個(gè)綜合指標(biāo),,然后根據(jù)實(shí)際需求選取較少的綜合指標(biāo)反映原有變量的信息。從數(shù)學(xué)方面看,,它是一種降維處理方法[6],。利用主成分研究復(fù)雜問(wèn)題過(guò)程中,在不損失太多原有變量信息的情況下可只考慮少數(shù)幾個(gè)主成分,,這樣可以抓住重點(diǎn)部分,,提高分析效率。實(shí)際應(yīng)用中,,主成分分析在數(shù)據(jù)分析,、人工智能、智慧農(nóng)業(yè)等領(lǐng)域得到極大的應(yīng)用。綜上所述,,主成分分析有以下幾個(gè)優(yōu)點(diǎn):
(1)消除原有變量之間的相關(guān)性。主成分分析將原有變量組合為新的線性無(wú)關(guān)的主成分,,消除了原有變量對(duì)分析問(wèn)題的復(fù)雜性,。實(shí)踐表明原有變量相關(guān)性越高,該方法分析效果越好,。
(2)減少選擇指標(biāo)的工作量,。往常情況下,很多變量之間具有一定相關(guān)性,,利用主成分分析可以消除原有變量之間的相關(guān)性,,所以在選擇研究指標(biāo)上相對(duì)簡(jiǎn)單容易。
(3)降低計(jì)算工作量,。該方法中各個(gè)主成分是根據(jù)方差大小來(lái)排列的,,在研究問(wèn)題時(shí),可以根據(jù)實(shí)際需要選擇方差較大的幾個(gè)主成分,,舍棄一些主成分,,從而降低分析問(wèn)題時(shí)的計(jì)算工作量。
計(jì)算步驟如下:
(1)原始數(shù)據(jù)標(biāo)準(zhǔn)化,,目的在于消除不同量綱以及正逆指標(biāo)的影響,。
將原始矩陣X:
(5)選取前k個(gè)累計(jì)貢獻(xiàn)率超過(guò)85%的主成分。
3.2 基于主城分分析特征值提取
將濾波之后的信號(hào)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后,,對(duì)其進(jìn)行主成分分析,。表1為經(jīng)分析后得出的各個(gè)主成分的特征值、方差貢獻(xiàn)率,、累計(jì)貢獻(xiàn),。
主成分原理中,貢獻(xiàn)率代表所提取主成分包含原始變量的信息量,,累計(jì)貢獻(xiàn)率代表相應(yīng)幾個(gè)主成分累積包含原始變量的信息量,。通過(guò)表1可知第一主成分包含原始變量53.5%的信息量,第二主成分包含原始變量37.8%的信息量,,第三主成分包含原始變量3.9%的信息量,,第四主成分包含原始變量2.1%的信息量。按照累積貢獻(xiàn)率超過(guò)85%為原則選取主成分,,為避免輸入變量過(guò)少引起分類準(zhǔn)確度降低,,選取前4個(gè)主成分作為新的研究變量。
4 LM算法信號(hào)識(shí)別仿真分析
4.1 BP神經(jīng)網(wǎng)絡(luò)
BP神經(jīng)網(wǎng)絡(luò)于1986年由以McCelland和Rumelhart為首的科研小組提出,,它是一種誤差反向傳播算法,,是實(shí)際應(yīng)用中最為廣泛的神經(jīng)網(wǎng)絡(luò)之一。其基本原理是通過(guò)輸出后誤差估計(jì)輸出層直接前導(dǎo)層誤差,,然后利用此誤差估計(jì)更前一層誤差,,以此模式反傳獲得所有層的誤差不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,,使網(wǎng)絡(luò)輸出值接近期望值。BP神經(jīng)網(wǎng)絡(luò)由輸入層,、隱含層,、輸出層構(gòu)成[7]。其中輸入層神經(jīng)元負(fù)責(zé)接收外部數(shù)據(jù)并傳遞給隱含層神經(jīng)元,。隱含層負(fù)責(zé)信息變換,,是神經(jīng)網(wǎng)絡(luò)的內(nèi)部信息處理層,其層次設(shè)計(jì)可以根據(jù)實(shí)際問(wèn)題需要設(shè)計(jì)為單隱含層或多隱含層結(jié)構(gòu),。輸出層負(fù)責(zé)網(wǎng)絡(luò)輸出,。在該網(wǎng)絡(luò)模型訓(xùn)練過(guò)程中,若實(shí)際輸出與期望相差較大,,訓(xùn)練將進(jìn)入誤差反向傳播階段,,誤差會(huì)通過(guò)輸出層逐一反傳到輸入層并不斷調(diào)整各層權(quán)值和閾值,直至輸出最佳實(shí)際值[8],。
雖然標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)有一定優(yōu)點(diǎn),,但在生活應(yīng)用中仍存在一些缺陷。首先,,網(wǎng)絡(luò)訓(xùn)練對(duì)樣本依賴性強(qiáng),,若樣本存在冗余、代表性差,、矛盾性強(qiáng),,則該網(wǎng)絡(luò)很難達(dá)到預(yù)期效果。其次,,權(quán)值和閾值敏感性強(qiáng),,需要多次調(diào)參,浪費(fèi)大量時(shí)間,。再者,,應(yīng)用中可能會(huì)陷入局部最優(yōu)。針對(duì)該神經(jīng)網(wǎng)絡(luò)的種種權(quán)限,,本文提出基于LM算法的BP神經(jīng)網(wǎng)絡(luò)創(chuàng)建分類器對(duì)腦電信號(hào)進(jìn)行分類,。
4.2 LM算法
基于BP神經(jīng)網(wǎng)絡(luò)的一些不足和缺陷,出現(xiàn)很多改進(jìn)的算法,。改進(jìn)方式主要包括采用更加有效的優(yōu)化算法和啟發(fā)式學(xué)習(xí)算法,。啟發(fā)式學(xué)習(xí)算法主要通過(guò)對(duì)表現(xiàn)函數(shù)進(jìn)行分析而改進(jìn)BP算法。目前該類型算法主要有自適應(yīng)lr的梯度法,、有動(dòng)量梯度下降法,、有動(dòng)量和自適應(yīng)lr的梯度下降法等。另一種優(yōu)化算法是基于數(shù)值最優(yōu)化理論的改進(jìn)方法,主要有共軛梯度法,、高斯-牛頓法等[9],。
LM算法是介于高斯-牛頓法與梯度下降法之間的一種非線性優(yōu)化方法,可以說(shuō)是兩者相結(jié)合的一種改進(jìn)方法,,既包含高斯-牛頓法的局部收斂性,,又包含梯度下降法的全局性特點(diǎn),能夠有效抑制神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)[10],。基于LM算法的BP神經(jīng)網(wǎng)絡(luò)原理如下,。
設(shè)wk為網(wǎng)絡(luò)訓(xùn)練中第k次迭代的權(quán)值和閾值所組成的向量,,w(k+1)表示為新的權(quán)值和閾值所組成的向量,按照下面公式可得[11]:
4.3 基于LM算法仿真識(shí)別
本次運(yùn)動(dòng)想象四類方向?yàn)锳rduino智能小車左右前后4種動(dòng)作方向,,訓(xùn)練樣本為400組,,測(cè)試樣本為100組。特征值分別定義為[1 0 0 0],、[0 1 0 0 ],、[0 0 1 0]、[0 0 0 1],。經(jīng)過(guò)多次訓(xùn)練,,當(dāng)輸入層、隱含層,、輸出層神經(jīng)元節(jié)點(diǎn)數(shù)目設(shè)置為4,、10、4,,各網(wǎng)絡(luò)層傳遞函數(shù)分別設(shè)置為tansig,、tansig、purelin,,學(xué)習(xí)步數(shù)epoch為1 000,,學(xué)習(xí)速率lr為0.2,誤差為0.000 01時(shí),,其訓(xùn)練效果最好,,圖3為其訓(xùn)練誤差圖示。最后利用標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練識(shí)別并進(jìn)行比較,,如圖4所示,。
由圖可知,LM算法訓(xùn)練誤差比標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)誤差小,。經(jīng)計(jì)算,前者平均誤差為5.630 6×10-7,,分類準(zhǔn)確率為86%,后者平均誤差為0.001 4,分類準(zhǔn)確率為56%,。實(shí)驗(yàn)證明LM算法分類效果切實(shí)可行,。
5 串口通信界面設(shè)計(jì)
圖形用戶界面(Graphical User Interface,GUI)是一種由菜單,、窗口,、光標(biāo)、對(duì)話框,、文本,、按鍵等圖形對(duì)象構(gòu)成的用戶界面。MATLAB GUI編程與M文件程序編寫(xiě)相對(duì)比,,不僅需要寫(xiě)內(nèi)部程序,,還需要編輯前臺(tái)界面[12]。MATLAB GUI前臺(tái)界面由眾多交互組件組成,,主要有文本標(biāo)簽,、按鈕、編輯文本框,、單選按鈕,、復(fù)選框、框架,、下拉菜單,、滑動(dòng)條和列表框等[13]。對(duì)組件屬性進(jìn)行設(shè)置,,并點(diǎn)擊或通過(guò)其他方式對(duì)其進(jìn)行激活后,,往往會(huì)發(fā)生一些變化。MATLAB GUI中包含鍵盤(pán)鍵按下時(shí)響應(yīng)函數(shù)KeyPressFcn,、關(guān)閉窗口時(shí)響應(yīng)函數(shù)CloseRequestFcn等,,GUI設(shè)計(jì)中,總體功能的實(shí)現(xiàn)關(guān)鍵在于回調(diào)函數(shù)的編寫(xiě),,所以設(shè)計(jì)中掌握回調(diào)函數(shù)至關(guān)重要,。
本文最終的目標(biāo)是實(shí)現(xiàn)腦電信號(hào)分類的控制應(yīng)用,總體思路為設(shè)計(jì)一個(gè)GUI界面,,界面應(yīng)實(shí)現(xiàn)數(shù)據(jù)的導(dǎo)入,、腦電信號(hào)顯示、主成分分析提取特征值,、LM算法信號(hào)分類,、文本框動(dòng)態(tài)顯示分類方向以及藍(lán)牙串口傳遞控制指令等,圖5所示為設(shè)計(jì)的GUI交互界面,。
操作順序如下:
(1)點(diǎn)擊“打開(kāi)訓(xùn)練數(shù)據(jù)”按鈕,,在計(jì)算機(jī)中選擇處理好的訓(xùn)練數(shù)據(jù)導(dǎo)入,。
(2)點(diǎn)擊“BP分類器”按鈕,開(kāi)始應(yīng)用LM算法對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行分類,,并將分類結(jié)果轉(zhuǎn)化為控制指令傳遞給Arduino智能車,,為清晰觀察算法驗(yàn)證效果,每一個(gè)分類結(jié)果間隔1 s顯示到可編輯文本框中,,并觀察Arduino小車動(dòng)作方向,。
(3)點(diǎn)擊“打開(kāi)測(cè)試數(shù)據(jù)”按鈕,在計(jì)算機(jī)中選擇處理好的測(cè)試數(shù)據(jù)并將其導(dǎo)入,。
(4)點(diǎn)擊“BP分類器”按鈕,,對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類并觀察其結(jié)果和Arduino小車動(dòng)作方向。
經(jīng)實(shí)驗(yàn),,當(dāng)導(dǎo)入訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)并對(duì)其進(jìn)行分類后,,Arduino小車動(dòng)作方向以及動(dòng)作時(shí)間與文本框中分類結(jié)果和出現(xiàn)時(shí)間一致,證明算法驗(yàn)證成功,。
6 結(jié)論
信號(hào)分類是腦機(jī)接口中的關(guān)鍵和核心[14],,本文針對(duì)其提出應(yīng)用LM算法創(chuàng)建分類器對(duì)腦電信號(hào)進(jìn)行分類識(shí)別,。利用主成分分析對(duì)預(yù)處理的信號(hào)進(jìn)行降維處理,,去除了不同導(dǎo)聯(lián)信號(hào)的相關(guān)性,避免了變量過(guò)多導(dǎo)致訓(xùn)練效率降低的情況,,然后分別將LM算法和BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練分類做對(duì)比,,實(shí)驗(yàn)證明前者在誤差、分類準(zhǔn)確度上優(yōu)于后者,,具有較好的分類效果,。
參考文獻(xiàn)
[1] 陳豐,吳裕斌,,曹丹華.基于STM32和USB虛擬串口的EEG信號(hào)采集儀設(shè)計(jì)[J].儀表技術(shù)與傳感器,,2016(12):65-68.
[2] 許童羽,馬藝銘,,曹英麗,,等.基于主成分分析和遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的光伏輸出功率短期預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制,2016,,44(22):90-95.
[3] LI C,,DAI Y,ZHAO J,,et al.Remote sensing monitoring of volcanic ash clouds based on PCA method[J].ACTA Geophysica,,2015,63(2):1-19.
[4] SHIN J W,,KWON S B,,BAK Y,,et al.BCI induces apoptosis via generation of reactive oxygen species and activation of intrinsic mitochondrial pathway in H1299 lung cancer cells[J].Science China Life Sciences,2018:1-11.
[5] He Gaiyun,,Huang Can,,Guo Longzhen,et al.Identification and adjustment of guide rail geometric errors based on BP neural network[J].Measurement Science Review,,2017,,17(3):135-144.
[6] 陳悅,張少白.LM算法在神經(jīng)網(wǎng)絡(luò)腦電信號(hào)分類中的研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,,2013(2):119-122.
[7] 馮思維,,魏慶國(guó).一種基于穩(wěn)態(tài)視覺(jué)誘發(fā)電位的腦-機(jī)接口閱讀系統(tǒng)[J].科學(xué)技術(shù)與工程,2015,,15(35):204-207.
[8] 徐竹濤.基于MATLAB GUI的溫室滴灌系統(tǒng)優(yōu)化設(shè)計(jì)方法研究[D].楊凌:西北農(nóng)林科技大學(xué),,2016.
[9] 徐佳琳,左國(guó)坤.基于互信息與主成分分析的運(yùn)動(dòng)想象腦電特征選擇算法[J].生物醫(yī)學(xué)工程學(xué)雜志,,2016(2):201-207.
[10] 鄭國(guó)正,,陳李勝.共同空間模型及其在EEG分類中的應(yīng)用[J].上饒師范學(xué)院學(xué)報(bào),2015(6):10-13.
[11] 葉德文,,郁蕓,,李修寒.基于Visual Studio與Matlab集成的腦電數(shù)據(jù)庫(kù)管理和分析系統(tǒng)[J].生物醫(yī)學(xué)工程研究,2015,,34(4):238-242.
[12] 孫會(huì)文,,伏云發(fā),熊馨,,等.基于HHT運(yùn)動(dòng)想象腦電模式識(shí)別研究[J].自動(dòng)化學(xué)報(bào),,2015,41(9):1686-1692.
[13] 梁致漢.基于EEG的腦機(jī)接口技術(shù)研究與實(shí)現(xiàn)[D].天津:天津理工大學(xué),,2015.
[14] XUE F,,YANG Y L,DONG F T.Real-time temperature monitoring system design based on MATLAB GUI[J].Journal of Computer Applications,,2014,,889-890(1):737-740.
作者信息:
趙東東1,宋洪軍2,,許玉虎1,,崔東云1,王 帥1,,丁筱玲1
(1.山東農(nóng)業(yè)大學(xué) 機(jī)械與電子工程學(xué)院,,山東 泰安271018;2.國(guó)投創(chuàng)新投資管理有限公司,,北京100000)