博彩包赢,幸运水果机免费下载,博e百娱乐城取款额度(中国)·官方网站

一種通過scout ESI和CNN解碼EEG運動想象四分類任務(wù)的新方法

導(dǎo)讀東北電力大學和長春理工大學研究團隊開發(fā)并實現(xiàn)一種結(jié)合腦電圖源成像(ESI)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的新方法，以對運動想象(MI)任務(wù)進行分類。ESI技術(shù)采用邊界元法(BEM)和加權(quán)最小范數(shù)估計(WMNE)分別解決EEG的正向和逆向問題。然后在運動皮層中創(chuàng)建十個scout來選擇感興趣的區(qū)域(ROI)。研究者使用Morlet小波方法從scout的時間序列中提取特征。最后，使用CNN對MI任務(wù)進行分類。實驗結(jié)果:在Physionet數(shù)據(jù)庫上的整體平均準確率達到94.5%，分別對左拳頭、右拳頭、雙拳和雙腳的單個準確率達到95.3%、93.3%、93.6%、96%，采用十倍交叉驗證進行驗證。研究人員表示，他們的研究成果與最先進的MI分類方法的結(jié)果相比，總體分類增加了14.4%。研究者為驗證方法的有效性，加入了4個新的受試者進行驗證，發(fā)現(xiàn)總體平均準確率為92.5%。此外，全局分類器適應(yīng)單一對象，整體平均準確率提高到94.54%。研究者表示，他們提出的結(jié)合scout ESI和CNN的方法，提高了腦電解碼四類MI任務(wù)的BCI性能。系統(tǒng)框架圖1 系統(tǒng)框架圖系統(tǒng)框架如圖1所示。原始數(shù)據(jù)來自國際10-10系統(tǒng)的64個電極(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10電極)，并以每秒160個樣本的速度采集。根據(jù)國際10-10系統(tǒng)從64個通道采集原始腦電圖，并使用BCI2000系統(tǒng)進行記錄。記錄的數(shù)據(jù)被分為四個獨立MI任務(wù)包括左拳MI,右拳MI,雙拳MI和雙腳MI。首先，由于ERD在執(zhí)行運動想象時在alpha和beta中不同，因此使用FIR濾波器對EEG進行了8 Hz至30 Hz的帶通濾波。然后，通過計算包含正問題和逆問題的源，將傳感器空間的活動轉(zhuǎn)化為源空間的活動。接下來，創(chuàng)建scout并提取特征。研究者在運動皮層中創(chuàng)建了10個scout，因為我們只關(guān)心與運動相關(guān)的活動。十個scout中的每一個都代表了可用源空間中的一個感興趣的區(qū)域(ROI)，并且是定義在皮層表面或頭部體積上的偶極子的子集。左腦的scout稱為L1、L2、L3、L4、L5，右腦的scout稱為R1、R2、R3、R4、R5。利用JTFA從10個scout的源時間序列中提取特征。最后，利用CNN對時頻圖進行分離并進行分類。實驗在實驗中，研究人員僅使用了隨機選擇的十個受試者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。這里用于分析的數(shù)據(jù)集包含每個受試者84次試驗，每一類包含21次試驗。在記錄64通道腦電圖時，受試者執(zhí)行了不同的運動想象任務(wù)。每個受試者針對以下四個任務(wù)中的每一個執(zhí)行了3輪21試驗：當目標出現(xiàn)在屏幕左側(cè)時，受試者想象打開和合上相應(yīng)的拳頭，直到目標消失。然后受試者放松。當目標出現(xiàn)在屏幕的右側(cè)時，受試者想象打開和合上相應(yīng)的拳頭，直到目標消失。然后受試者放松。當目標出現(xiàn)在屏幕頂部時，受試者想象打開和合上雙手的拳頭，直到目標消失。然后受試者放松。當目標出現(xiàn)在屏幕底部時，目標會想象雙腳張開和合攏，直到目標消失。然后受試者放松。為了統(tǒng)一數(shù)據(jù)維數(shù)，研究者選擇了4s的數(shù)據(jù)，因為每次想象任務(wù)的執(zhí)行時間都在4s左右。此外，腦電圖任務(wù)是分開的，研究人員在實驗中將左拳，右拳，雙拳和雙腳MI任務(wù)分別稱為T1，T2，T3和T4。圖2 scout命名左右運動想象的scout分別命名為L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如圖2所示。10個scout每一個都被擴展到40個頂點，每個頂點只有一個源。L1區(qū)域?qū)?yīng)40個信號，其他scout也一樣。在計算了來源后，研究者在運動皮層中創(chuàng)建了十個scout，如圖3所示。圖3 創(chuàng)建10個scout使用ESI計算十個受試者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次試驗的四個任務(wù)(T1、T2、T3、T4)的源。對于這四項任務(wù)中的每一項，每個受試者每次都要進行7次測試(#1，#2，#3，#4，#5，#6，#7)。展示了第一個步的10個被試的10個scout的4項任務(wù)的來源。然后提取10個scout的時間序列進行進一步分析。特征提取在計算源之后，研究人員在運動皮層中創(chuàng)建了包含40個源的10個scout，并提取了scout的時間序列。如圖4所示為提取R5 scout時間序列作為示例。圖的右邊顯示了R5 scout的時間序列。本文利用小波變換從scout時間序列中提取特征。圖4 提取R5 scout時間序列作為示例在這項研究中，研究者提出利用CNN來解決運動想象任務(wù)分類的問題。該模型基于Schirrmeister等提出的Deep ConvNet架構(gòu)，該網(wǎng)絡(luò)模型由一個六層卷積網(wǎng)絡(luò)組成，其中兩個最大池層和三個全連接層，如圖5所示。圖5對于Physionet數(shù)據(jù)庫，研究者首先采用Deep ConvNet架構(gòu)，包括四個卷積層、四個最大池層和一個全連接層。在實驗中，研究者依據(jù)經(jīng)驗使用兩個最大池化層。并嘗試了不同數(shù)量的卷積層和完全連接層。時頻圖利用Morlet小波方法得到了scout的特征。對于每個任務(wù)，R5 scout的時頻圖如圖6所示。包含時間和頻率互補的時頻分析方法提供了時域和頻域的聯(lián)合分布信息，清晰地描述了信號頻率與時間的關(guān)系。圖6 R5 scout的時頻圖顯然，只有部分時頻映射是紅色的，表明每個任務(wù)只對特定的頻率和時間敏感。由于圖的數(shù)量比較大，研究者使用CNN來選擇和學習這些圖中最基本的特征。研究人員隨機選擇了幾個樣本，并將一些特征圖可視化，作為MI任務(wù)的學習表示，如圖7所示。圖7為了獲得有效的結(jié)果，將數(shù)據(jù)集分為90％作為訓練集，其余10％作為測試集。首先，將十個受試者的數(shù)據(jù)集（總共19320個樣本）分為17388個樣本以訓練所提出的CNN模型，以及1932個樣本以驗證模型的有效性。在實驗中，研究者還選擇了另外四個受試者的數(shù)據(jù)集以增加數(shù)據(jù)集的規(guī)模(27048個樣本)，其中24343個樣本是訓練集，其他樣本是測試集。在選定的scout上對所提出的CNN架構(gòu)進行了十次訓練和測試，以驗證所提出模型的魯棒性。圖8(a)顯示了10個scout中每個的全局平均精度。圖8 統(tǒng)計結(jié)果R5的全局平均精度最高，達到94.5%，而L2的全局平均精度最低，為91.3%。對應(yīng)L1、L3、L4、L5、R1、R2、R3、R4的整體準確率分別為92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的總體精度均在91%以上，標準差均在0.20%以下。圖8(b)顯示了十個scout中每個scout四個MI任務(wù)的組級統(tǒng)計結(jié)果及其標準差。一般來說，R5表現(xiàn)的要比其他的好，而L2在迭代2000中表現(xiàn)最差。標準差較小，說明這些精度更接近平均值且穩(wěn)定。圖9 統(tǒng)計結(jié)果圖9(a)顯示了帶有標準差的混淆矩陣，說明了group level分類結(jié)果。T1、T2、T3和T4的全局平均精度峰值分別為95.3%、93.3%、93.6%和96.0%。R5 scout的四個MI任務(wù)中的每一個都如圖9(b)所示。通過改變訓練集和測試集順序的10次試驗，確定了scoutR5的性能，結(jié)果如圖10(a)和(b)所示。在10次試驗中，scout R5的T1、T2、T3、T4的平均準確率分別為93.3%、93.8%、94.2%、94.1%。換句話說，四個任務(wù)中每一個的平均準確率都超過了93%。全局平均準確率為93.7%。10次試驗結(jié)果表明，該方法對scout R5的分類效果較好。從以上結(jié)果可以清楚地看出，R5 scout在四種MI任務(wù)的分類中扮演著最重要的角色。因此，選擇R5對四個MI任務(wù)進行分類。圖 10圖11. (a)是不同模型的全局平均準確性的比較。可以發(fā)現(xiàn)，該研究提出的模型可以達到最大的精度。從圖11. (b)不同模型的ROC曲線可以看出提出的模型比其他模型表現(xiàn)更好。?不同模型T1上的精度比較。(d)不同模型T2的精度比較。(e)不同模型T3的精度比較。(f)不同型號T4的精度比較。圖11 不同模型的精度比較結(jié)論東北電力大學和長春理工大學研究團隊開發(fā)并實現(xiàn)一種結(jié)合腦電圖源成像(ESI)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的新方法。該方法可以對運動想象(MI)任務(wù)進行分類。實驗結(jié)果表明，他們的研究成果與最先進的MI分類方法的結(jié)果相比，總體分類增加了14.4%。研究者加入了4個新的受試者進行驗證來驗證方法的有效性。研究者表示，他們提出的結(jié)合scout ESI和CNN的方法，提高了腦電解碼四類MI任務(wù)的BCI性能。論文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

東北電力大學 2021-04-10

网上赌场真人发牌-澳门网上赌场空城