انتخاب فعال داده برای دسته بندی الکترانسفالوگرافی تصویرسازی حرکتی
چکیده
رد یا انتخاب داده ها از آزمون های چندگانه ضبط الکترانسفالوگرافی (نوار مغزی، (EEG)) بسیار مهم است. ما یک روش با پراکندگی معلوم برای انتخاب داده از یک مجموعه از داده های ثبت شده در الکترانسفالوگرافی در حین تصویرسازی حرکتی با هدف استفاده در رابط مغز و ماشین پیشنهاد می دهیم. به جای میانگین گیری تجربی روی ماتریس های کواریانس نمونه برای آزمون های چندگانه شامل داده های کم کیفیت که منجر به عملکرد ضعیف در دسته بندی رابط مغز و ماشین می شود، ما یک میانگین گیری وزنی با ضرایب وزنی که می توانند این داده های کم کیفیت را مردود اعلام کنند معرفی می کنیم. ضرایب وزنی با استفاده از مسأله کمینه سازی تعیین می شوند که منتهی به اوزان پراکنده ای می شوند که دارای مقادیر تقریبا صفر برای آزمونهای کم کیفیت هستند. روش پیشنهادی با موفقیت برای برآورد ماتریس های کواریانس برای روش به اصطلاح الگوی فضایی مشترک (CSP) به کار برده می شوند، که به صورت گسترده جهت استخراج ویژگی از الکترانسفالوگرافی در دسته بندی دو کلاسی استفاده می شوند. دسته بندی سیگنالهای الکترانسفالوگرافی در حین تصویرسازی حرکتی برای تأیید روش پیشنهادی بررسی شد. باید توجه داشت که روش انتخاب داده های پیشنهادی برای انواع مختلفی از روش الگوی فضایی مشترک اصلی قابل استفاده است.
1- مقدمه
رابط مغز و ماشین (BMI) یک کاربرد چالش برانگیز در پردازش سیگنال، یادگیری ماشین و علم اعصاب است [1]. این گونه رابط ها، فعالیت های مغز را به همراه وظایف فکری و محرک های خارجی دریافت می کنند و یک ارتباط غیرعضلانی و کانال کنترل جهت انتقال پیام ها و دستورات با دنیای خارج را برقرار می کنند [5]-[1]. یک رابط ذهن و ماشین غیرتهاجمی از فعالیت های ضبط شده مغزی نظیر نوار مغزی یا الکترانسفالوگرافی (EEG)، مگنتوآنسفالوگرام (MEG) و تصویربرداری پاسخ مغناطیسی کارکردی (fMRI) استفاده می کند. به دلیل سادگی استفاده از دستگاه و تفکیک زمانی بالا، استفاده از موج نگار مغزی در کاربردهای مهندسی بیشتر قابل استفاده است [6] و [7]. یک تکنیک مهم برای رابط های مغز و ماشین مرتبط با تصویرسازی حرکتی (MI-BMI) [8]، [9] رمزگشایی مؤثر در اطراف قشر حرکتی است که منتهی به کاربردهای زیست پزشکی در توان بخشی و نوروپروستتیکس می شود [13]-[10]. به عنوان نمونه، حرکت های موهومی و حقیقی دست ها و پاها یک تغییر در به اصطلاح ریتم مو در مناطق مختلف مغز ایجاد می کند [2]، [3]. بنابراین با دریافت دقیق این تغییرات از EEG در حضور نویز اندازه گیری و مؤلفه های خودبخودی مرتبط با دیگر فعالیتهای مغزی، می توانیم سیگنال EEG مرتبط با تصور اعمال حرکتی مختلف نظیر حرکت دست، بازو یا پا را دسته بندی کنیم. یک روش شناخته شده برای استخراج فعالیت مغز برای MIB-MI الگوی فضایی مشترک (CSP) است [1، 14، 15]. CSP یک مجموعه از ضرایب وزنی فضایی متناظر با هر الکترود در EEG چندکاناله است. این ضرایب از داده های EEG اندازه گیری شده تعیین می شوند با روشی که واریانس های سیگنال های گرفته شده با وزن های فضایی برای دو کار (مثلا تصویر سازی حرکت دست راست یا چپ) به میزان زیادی تفاوت دارند. هم چنین، این وزن ها می توانند به عنوان یک فیلتر فضایی که سیگنال های مشاهده شده EEG را به فضای بهینه تصویر می کند در نظر گرفته شوند و برای دسته بندی داده های مشاهده شده به یک رده متناظر با وضعیت سوژه مغزی استفاده شوند. انواع مختلفی از CSP پیشنهاد شده اند نظیر الگوی فضای-طیفی مشترک (CSSP) [16]، الگوی فضایی طیفی پراکنده مشترک (CSSSP) [17] CSP وزنی طیفی (SPEC-CSP) [18، 19]، یادگیری الگوهای فضایی طیفی تکراری (ISSPL) [20]، CSP بانک فیلتر (FBCSP) [21]، بانک فیلتر متمایز کننده (DFBCSP) [22]، الگوهای فرکانسی-زمانی-فضایی مشترک (CSTFP) [23]، روش واگرایی محور [24] و CSP پیچیده تکمیل شده [25].
Abstract
Rejecting or selecting data from multiple trials of electroencephalography (EEG) recordings is crucial. We propose a sparsity-aware method to data selection from a set of multiple EEG recordings during motor-imagery tasks, aiming at brain machine interfaces (BMIs). Instead of empirical averaging over sample covariance matrices for multiple trials including lowquality data, which can lead to poor performance in BMI classification, we introduce weighted averaging with weight coefficients that can reject such trials. The weight coefficients are determined by the ℓ1-minimization problem that lead to sparse weights such that almost zero-values are allocated to low-quality trials. The proposed method was successfully applied for estimating covariance matrices for the so-called common spatial pattern (CSP) method, which is widely used for feature extraction from EEG in two-class classification. Classification of EEG signals during motor imagery was examined to support the proposed method. It should be noted that the proposed data selection method can be applied to a number of variants of the original CSP method.
I. INTRODUCTION
The brain machine interface (BMI) is a challenging application of signal processing, machine learning, and neuroscience [1]. Such interfaces capture brain activities associated with mental tasks and external stimuli and enable nonmuscular communication and a control channel for conveying messages and commands to the external world [1]–[5]. A noninvasive BMI uses recordings of brain activities such as electroencephalogram (EEG), magnetoencephalogram (MEG), and functional magnetic response imaging (fMRI). Because of its simplicity of device and high temporal resolution, using EEG is the most practical for engineering applications [6], [7]. A crucial technique for enabling BMIs associated with motor-imagery (MI-BMI) [8], [9] is efficient decoding around the motor-cortex, which leads to practical biomedical applications in rehabilitation and neuroprosthesis [10]–[13]. For instance, real and imaginary movements of hands and feet evoke a change in the so-called mu rhythm in different brain regions [2], [3]. Therefore, by accurately capturing these changes from EEG in the presence of measurement noise and spontaneous components related to other brain activities, we can classify the EEG signal associated with imagination of different motor actions such as hand, arm, or foot movement. A well known method to extract brain activity for MIBMI is the common spatial pattern (CSP) [1], [14], [15]. CSP is a set of spatial weight coefficients corresponding to each electrode in a multichannel EEG. These coefficients are determined from measured EEG data in such a way that the variances of the signal extracted by the spatial weights differ greatly between two tasks (e.g. left and right hand movement imageries). These weights can also be regarded as a spatial filter that projects observed EEG signals onto the optimal space used to classify the observed data to a class corresponding to a subject’s cerebral status. Several variants of the CSP have been proposed such as Common Spatio-Spectral Pattern (CSSP) [16], Common Sparse Spectral Spatial Pattern (CSSSP) [17], SPECtrally weighted CSP (SPEC-CSP) [18], [19], iterative spatio-spectral patterns learning (ISSPL) [20], Filter Bank CSP (FBCSP) [21], Discriminative Filter Bank CSP (DFBCSP) [22], Common Spatio-Time-Frequency Patterns (CSTFP) [23], divergence-based method [24], and augmented complex CSP [25].
چکیده
مقدمه
الگوی فضایی مشترک با توجه به قطری سازی مشترک
انتخاب آزمون با وزن های پراکنده برای ماتریس های کواریانس
پراکندگی ترقی تابع هزینه
کیفیت آزمون برآمده از قطری سازی مشترک تقریبی
روش بهینه سازی تسلسلی
نتایج تجربی
توصیف داده های EEG
تأیید پراکندگی در موقعیت مصنوعی
دسته بندی EEG دو کلاسه
بحث و نتیجه گیری
Abstract
INTRODUCTION
COMMON SPATIAL PATTERN (CSP) IN TERMS OF JOINT DIAGONALIZATION
TRIAL SELECTION WITH SPARSE WEIGHTS FOR COVARIANCE MATRICES
Cost Function Promoting Sparsity
Trial Quality Deduced from Approximate Joint Diagonalization
Iterative Optimization Method
EXPERIMENTAL RESULTS
EEG Data Description
Confirmation of Sparsity in Artificial Situation
Two-Class EEG Classification
DISCUSSION AND CONCLUSION
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه