脑机接口的深度学习算法

脑机接口的深度学习算法

脑电图控制是一种利用脑信号去控制电子设备和电路的非侵入式技术。目前,脑机接口系统提供了两种信号类型——原始信号和逻辑状态信号(用于开关设备)。本文对脑机接口系统的性能进行了探讨,并对如何扩展和提高脑机接口系统的可靠性和准确性进行了研究。本文从数据采集、特征提取、分类算法等方面对近年来国内外学者的研究成果进行了综述。基于脑电的脑机接口系统的一些分类算法是自适应分类器、张量分类器、迁移学习方法和深度学习,以及一些其它技术。根据我们的评估,我们一般认为,通过自适应分类器,获得的结果比静态分类技术更准确。与其他算法相比,深度学习技术的开发是为了实现预期的目标和实时实现。

1. 介绍

1.1 背景

脑机接口(brain-computer interface,简称BCI)基本上是在人脑和计算机设备之间建立连接,通过大脑信号来控制或执行某些活动。这种大脑信号被翻译成一个设备的动作。因此,这种接口在大脑和目标之间提供了一对一的通信通路。

这种技术已经从机械设备和触摸系统发展起来,现在,世界正在接近使用神经波作为输入。虽然目前应用还不广泛,但前景广阔。特别是对于那些身体受损的人,他们在进行身体活动时遇到困难,失去了运动肌肉的大脑信号,这是唯一的方法。

脑机接口系统包括一个带有电极的装置(充当传感器并测量大脑信号),一个放大器(提高微弱的神经信号),以及一个计算机(将信号解码为控制信号来操作设备)。BCI设备主要是一种耳机,可携带,可穿戴。

BCI设备有两个功能。首先,它记录电极上的数据,其次,它解释或解码神经信号。

神经系统类似于电子系统,它将神经脉冲作为信息传递。——意味着神经元(脑细胞)通过发射和接收非常小的电波来进行交流,这种电波仅在微伏的范围内。现在,为了感知和记录这些信号,我们需要精确和先进的传感器。

电极直接安装在头皮上或嵌入大脑,这需要外科手术。非手术电极放置方法虽然不会损伤大脑,但会产生质量较差的大脑信号。直接从头皮记录的效果更好,但存在手术可能导致大脑损伤的风险。损伤脑组织的风险超过了手术方法获得的质量。因此BCI是一种对瘫痪病人更好的神经康复途径。除此之外,其他技术包括功能性磁共振成像(fMRI)和脑磁图(MEG)。功能性核磁共振成像是通过核磁共振扫描仪来绘制大脑活动,而脑磁图则是一种识别大脑活动的脑成像过程。通过大脑的电流产生磁场,高灵敏度的磁力计能感应到这些磁场。功能磁共振成像和脑磁图技术都使用大型而昂贵的机器。另外一种非侵入式方法是近红外光谱(NIRs)。在这个过程中,通过近红外光穿过头部来记录神经信号。但脑机接口的脑活动测量质量不够

对于健康人来说,大脑将中枢神经系统(CNS)的信号传递给肌肉,因此,它们可以移动身体的肌肉。然而,对于患有中风或神经肌肉疾病的人来说,大脑和身体其他肌肉之间的信号传输是扭曲的。患者身体瘫痪或失去控制肌肉运动的能力,如脑瘫。据观察,病人的肌肉可能无法移动,但大脑可以传递神经信号。这意味着神经信号由中枢神经系统传递,而不是被目标肌肉接收。BCI可以被设计成利用这些命令来控制设备或计算机程序。

如图所示,身体的每个部位都是由大脑的一个特定部位控制的。使用脑机接口技术,可以观察大脑的哪个部分是活跃的并在传输信号。粗略地说,BCI系统可以根据大脑活动预测肌肉运动。

脑机接口系统可以是先进的,并且可以开发多种新的应用程序,利用的依据是各种其他的大脑活动也可以被识别。例如,当一个人进行数字计算时,大脑额叶被激活,当一个人理解一种语言时,韦尼克区被激活。

目前,许多团体正在为BCIs的发展做出贡献,以开发针对每一类消费者的众多应用程序。每天,科学家和工程师都在改进算法、BCI传感器设备和数据质量获取技术,提高系统的准确性。

问题是哪种方法是最优的,以分析这些复杂的时变神经反应,并将它们相应地映射到所需的输出响应。这些信号仅在微伏范围内。所以,这些电信号要经过几个过程来去除噪音,收集有用的信号。然后,对得到的数据应用算法和分类技术。

1.2 Preliminaries

为了更好地理解脑机接口系统及其内部经历的过程,对术语和上述过程的解释如下。

1.2.1 脑电波

脑电波是振幅从微伏到几毫伏的振荡电压。如表1所示,有5种已知的不同频率范围的脑电波显示出大脑的状态。

脑机接口的深度学习算法

1.2.2 BCI脑活动记录方法

大脑的神经活动可以通过使用的记录方法来分析和理解。BCI的记录方法有以下几种:

(1)侵入式记录技术

侵入性记录方法是使用外科方法将电极插入大脑深处,产生的信号质量比非侵入性记录方法更好。然而,长期稳定会产生问题,需要采取保护措施防止它们造成感染。其中一个例子就是皮质电造影术(ECoG)从神经皮层测量大脑活动。

(2)非侵入式

非侵入性技术不需要任何外科治疗,因此不会引起任何类型的感染;尽管其信号质量较低,但仍然是一种常用的大脑信号采集手段。

此技术包括脑电图(EEG)和脑磁图(MEG),前者记录来自大脑头皮的电活动,后者记录由于氧合和脱氧血红蛋白的不同而表现出的磁特性。

在我们的项目中,我们将选择基于脑电图的信号记录技术。

1.3 EEG

1929年由汉斯·伯杰(Hans Berger)提出的脑电图(EEG)是一种测量电压水平的方法,它强调了大脑对事件或刺激的反应活动。EEG方法包括用临时胶水将电极放置在如图1所示的不同位置的大脑头皮上。电信号是由于大脑中存在的Na+、Ca++、K+和Cl-离子含量而产生的;这些离子的运输引起脑电图中使用的电势。

图2所示,由于脑电帽与信号源之间的组织层不同,导致脑电信号质量较差。产生的电位在几十微伏的范围内,这些电极需要有强大的放大器来获取有意义的信号。

1.4 BCI的必要

基于脑机接口的技术是一个正在发展的领域,其创新和简化日常生活任务已经成为许多行业关注的焦点。脑海中出现的一个问题是为什么我们需要脑机接口系统?BCI系统是一项复杂的技术,但毫无疑问,它使生活变得更加简单。

以下是我们需要关注这项技术的主要原因:

(1)仅仅通过我们的思想就可以很容易地控制设备。

(2)做决定然后执行一项任务需要时间,而用思想或技术上使我们的脑电波操作设备则更容易。

(3)重建从大脑到假肢的通讯通路,协助脑部相关疾病患者。

1.4.1 个人需要一个脑机接口去重建马达控制和通信

广泛的神经运动神经元疾病和脊髓损伤等疾病可能会导致严重的瘫痪肌肉的运动,限制病人通过只有少数的肌肉,从而控制人工设备称为“闭锁”,而完全失去了运动控制的人称为“完全闭锁”。

显然,从大脑到肢体的正常通信通道已经失去,BCI被用来通过另一条途径重新建立通信。

即使适用于健康人,BCI系统也可以使用用户的大量任务,使用大脑产生的信号来控制应用程序,如下所示:

(1)在沃兹沃思中心研究非侵入性脑机接口技术

在沃兹沃思中心进行的研究是研究BCI控制电脑屏幕光标的不同方法,以分析它们的优缺点;一种方法是基于感觉的节律控制,在频域的特征选择是基于运动想象产生的电位,并采用线性回归,以便它们可以转换为控制信号来移动光标。

另外一种方法是基于p300的光标控制,其中用户将注意力集中在所需的符号上,并提供6∗6矩阵来产生时变刺激,并利用线性回归来允许这些信号作为控制输入来移动光标。

研究表明BCI是一种面向应用程序的方法,完全依赖于用户培训;脑电图特征决定脑机接口系统的速度、准确性、比特率和有用性。

感觉运动节律(SMR)是一种对控制任务(如控制屏幕光标)效果更好的方法,而P300-BCI系统比SMR- BCI慢。

(2)柏林脑机接口:基于用户特定大脑状态的检测

柏林脑机接口的研究人员采用了运动感知节律,即思考移动左手或右手,并使用基于机器学习的检测用户特定的大脑状态。当测试他们的训练模型时,实现了信息传输速率每分钟35位(bpm)以上,和整体拼写种子每分钟4.5字母包括纠正错误,使用128通道脑电图和正确使用反馈控制对未经训练的用户,为了恰当地训练机器学习算法,从而减少在自愿控制方法中使用的训练用户时间。

1.5 BCI的结构

BCI系统的步骤如下:

(1)BCI大脑活动测量/记录方法

(2)预处理技术

(3)特征提取

(4)机器学习实现/分类

(5)转换为控制信号

1.5.1 预处理

在脑机接口中,预处理技术包括对大脑信号的数据采集,在不丢失重要信息的情况下检查信号质量;对记录的信号进行清洗并去除噪声,获取信号中编码的相关信息。如上所述,脑电图信号质量较差;即使是商业50赫兹的频率,由于附近的电器,会破坏脑电图信号,并建议使用者不要去想除了刺激物以外的任何事情。在预处理中,利用傅里叶变换或傅里叶级数将信号带入频域,并研究信号中存在什么频率含量。不受欢迎的60hz频率的信号和不需要的信号所产生的执行动作,而不是上述刺激,使用陷波滤波器过滤出,如图3所示。

1.5.2 特征提取

特征提取在脑机接口应用中发挥着重要的作用;原始的脑电图信号是非平稳信号,被噪声或由于记录它们的环境中存在的伪影所破坏,但仍然可以从它们中提取有意义的信息。数据维度也被降低,以便更好地处理它,并应用了机器学习模型。这个方法对于提高BCI系统的分类精度至关重要。

脑电图信号是时域非平稳信号,随后将信号能量等相关信息作为时间或频率的函数进行分析;采用相关的统计方法来正确地解释信号的特征。

一些常用的特征提取技术如下所示:

快速傅里叶变换是一种频域特征提取技术,将脑电图信号与窗函数w进行卷积,提取大脑的相关频率特征,并将其分解为不同频率范围的正弦信号。

数学上,它被表示为:

脑机接口的深度学习算法 (1)

其中x[k]为输入脑电图,w[n - k]为乘以窗函数提取频率特征,如图[4]所示。

连续和离散时间小波变换是一种基于时间频率的特征提取技术,具有较好的时间和空间分辨率。脑电图信号以不同频率范围的小波形式产生,如图4所示。

参考文献中的小波变换技术是一种连续应用高通滤波器和低通滤波器对信号的小波进行滤波,提取出信号的小波,这些小波加在一起构成原始信号,并向下采样2倍,如图5所示。

g和h是连续的高通和低通滤波器,产生脑电图信号的相关详细和近似系数。

1.5.3 神经网络

在开始解释什么是深度学习之前,首先解释深度学习的作用及其基本模块是有益的。

深度学习是一种用于各种日常应用的分类工具,它由语音识别和计算机视觉到BCI背景下的自然语言处理组成;根据用户当前所从事的活动,对不同的大脑频段的输入特征进行分类。

神经网络是一种类似于我们大脑中的神经元的模型,它有输入节点和输出节点;神经网络的数学模型如下式所示:

脑机接口的深度学习算法 (2)

v是输入和偏置项的加权和;b是一个偏置项,大多被设为1;w是随机分配的权重,乘以输入,以达到更接近期望输出。

神经网络如图6所示。

计算通常以矩阵的形式开头;输入项、权重项、输出项和偏置项如下:

脑机接口的深度学习算法 (3)

最后,输出节点被传递给激活函数并提供最终输出;激活函数计算节点的特征。激活函数的作用是将相应的输入映射到输出节点,正确输出y:

脑机接口的深度学习算法 (4)

神经网络在第一次尝试时不能得到正确的输出。它需要进行大量的训练,因此需要给神经网络分配一个训练规则来获得正确的输出。许多训练规则被改编,但其中最常用的是delta规则,该规则用以下公式表示:

脑机接口的深度学习算法 (5)

其中xj为输入个数,ei为输出节点产生的误差,α为(0 <α< 1)之间的学习规则。

训练规则总结如下:

(1)给权重最够的值。

(2)从训练数据中获取输入,输入到神经网络中,得到输出d;减去输出d,在输出节点获得正确的输出。

脑机接口的深度学习算法 (6)

(3)计算权重更新:

脑机接口的深度学习算法 (7)

(4)相应地调整权重,直到得到正确的输出或公差较小的输出:

脑机接口的深度学习算法 (8)  

对单层神经网络给出了上述解释;神经网络的体系结构变得更好随着更大内存的开销,但随着更高的分类精度,我们使用的深层神经网络同单层神经网络一样,但在输入和输出节点之间添加了隐藏层,如图7所示。

概念与单个神经网络的概念类似,但需要对添加的隐含层和不同的训练规则进行调整,因为delta规则的缺点是不能将输出传播到隐含层,因此权重没有调整。

为了解释深层神经网络的工作原理,将上述单个神经网络设为基。

在图8中,给定一个多层神经网络,在第一隐层得到的加权和为

脑机接口的深度学习算法

输出通过sigmoid激活函数计算:

脑机接口的深度学习算法

过程重复,得到的输出作为其他节点的输入,我们得到输出为:

脑机接口的深度学习算法

最后,加权和被插入到激活函数中,我们返回最终的输出:

脑机接口的深度学习算法

深度学习训练规则如下。

反向传播算法是深度神经网络常用的训练方法;程序概述如下:

(1)给权重赋足够的值。

(2)将训练数据的输入输入到神经网络中,神经网络会给出一个输出d。减去输出d,得到输出节点的正确输出和输出节点的delta δ:

脑机接口的深度学习算法

(3)将δ传递回隐藏节点,并确定各节点δ:

脑机接口的深度学习算法

(4)重复,直到它到达输入节点。

(5)根据规则修改权重:

脑机接口的深度学习算法

(6)重复上述步骤,直到神经网络完全训练完成,如图6所示。

脑机接口的深度学习算法

现在,提取出alpha-beta范围,计算出连续的能量。将特征输入深度学习神经网络,利用反向传播学习规则训练模型,准确率达到97.83%,如图9所示。

脑机接口的深度学习算法

2.批判性回顾相关文献

脑机接口涉及到各个阶段,每个阶段的发展都会导致一个改进和高效的系统。本文对数据采集、特征提取、分类算法及应用等主要步骤进行了文献综述。

(1)脑电图信号采集的改进:前端技术的一个电子方面。计算智能和神经科学:土耳其NCO学院Ali Bulent Usakli发表的一篇研究论文,提出了一些有关获取高质量脑电图信号的适用问题,这被证明对用户和设计工程师有帮助。其中最重要的考虑是选择合适的电极和耳机。在基于eeg的脑机接口中,电极、信号处理元件(包括心理和环境条件)、噪声过滤、放大、信号转换和数据存储等都影响记录过程。数据采集是任何机器学习过程中的一个重要步骤。脑信号需要经过清理和预处理才能得到较好的结果。

(2)Emotiv Epoc+耳机P300波检测:矩阵大小、闪光持续时间和颜色的影响:Saleh Ibrahim Alzahrani利用Emotiv Epoc+耳机进行P300波检测研究,研究矩阵大小、闪光持续时间和颜色的影响。在本研究中,从5名情绪EPOC+的被试中提取了14个通道的P300信号。在本研究中,脑电图信号通过USB加密狗传输到软件OpenViBE。以每秒128个样本的速度每8秒采集一次样本。配置的采样率为四个频段提供了充足的样本,包含重要的ERP数据。在信号记录过程中,在计算机屏幕上显示矩阵6*6或3*3。他们被要求保持冷静,避免任何不必要的动作,并把所有的字母都拼在他们想要拼的字母上。据研究报道,使用Emotiv EPOC+耳机的优点之一是,与其他耳机需要十多分钟的准备时间相比,它只需要两到三分钟。通过Emotiv Xavier SDK验证传感器的质量,提供各传感器的反馈报告。为了降低接触阻抗,在传感器表面加入了生理盐水。主要目的是评估Emotiv EPOC+感知P300信号的潜力。找到擅长提供目标信号的电极有助于减少通道数量,使信号处理更加容易。本实验结果为Emotiv EPOC+能够从O1和O2两个通道检测P300信号提供了证据。

(3)基于小波域高频活动的SEEG(立体定位脑电图)癫痫自动检测。医学工程与物理学:在这篇研究论文中,研究者发现了利用小波域高频分析来检测癫痫发作的方法
这种方法在高频域的应用非常广泛。由于捕获器检测,该方法通常使用80 ~ 250赫兹范围内的高频。此外,它可以处理250至500赫兹范围内的快速波动。在癫痫检测中最大的优点是可以检测癫痫的偏移量。这个方法包括连续小波变换(Continuous Wavelet Transform, CWT), CWT是对进行特征提取的SEEG信号进行卷积计算得到的,它还包括小波基函数的复共轭(Ayoubian, 2013)。

(4)基于DWT(离散小波变换)的包络分析和神经网络集成的癫痫脑电信号分类:包络检测是一种非常有效的基于生物变化或诊断的信号检测影响的方法。在本文中,研究人员使用了对合成信号有良好影响的希尔伯特变换,从而使信号广泛使用DWH(数字库)技术,该技术在生物变化方面有独特的行为;研究人员用这种方法检测到了这些变化。

(5)基于萤火虫算法和学习自动机的运动想象脑电分类特征选择:在本研究中,研究者对运动想象信号进行了光谱线性判别分析。所采用的特征提取方法基本为常见的空间格局;使用这种特征提取方法的优点基本上是两类识别问题。这使得一个类的方差最大,另一个类的方差减小,这是优点,但缺点是由于该方法的多类重叠结构,它没有被用于多类预测。

(6)基于模糊c均值算法的无监督自适应脑电图信号处理。国际自适应控制与信号处理杂志:本研究报告介绍了脑图技术,重点介绍了多通道脑电和脑功能成像技术。在训练和测试过程中,受试者对目标物体的集中程度是影响其操作设备能力的因素之一。我们已经使用了不同的算法,如LDA(线性判别分析)和模糊c均值。模糊Cmeans是一种自适应分类器,它可能用于设备行为与分类模型不同步的地方。

(7)基于脑电的脑机接口分类算法综述:十年更新:本文是脑机接口分类技术的最新综述;本文从不同的论文中选取了一些算法进行讨论,并对它们的准确性、优化度、特征提取方法进行了比较,每种算法都有各自的优缺点。在本文中,他们使用了事件相关电位。他们使用的特征提取方法是基于空间滤波的,空间滤波是最优化的滤波器;通过标定,可以进一步优化。

(8)稀疏反馈序列非平稳动态分类:本文主要讨论了非平稳和非线性信号的分类技术。我们知道BCI信号在本质上是非平稳的,稀疏反馈可以用于大脑信号的稳定性,并使用径向基函数RBF分类器对信号进行分类。信号是以非线性的方式获取的,我们可以对其应用线性模型,但同样,不能进行多类预测。是因为所涉及的是稀疏反馈矩阵。

(9)运动想象和直接脑机交流:Gert Pfurtscheller和Neuper研究了通过左手、右手和脚运动的想象产生运动想象信号的技术。在神经反馈方法中,很难实现对大脑信号的实时预测。我们在神经反馈方法的输入处有非线性信号,因此我们可以使用隐马尔可夫方法(HMM)实时进行预测,但准确性是一种权衡。

(10)针对脑机接口的LDA无监督适配。萤火虫算法(FA)是一种选择最合适的特征子集的有效算法,有助于提高分类的准确性。摘要针对脑电信号在局部最优解中的陷阱问题,提出了将萤火虫算法与学习自动机相结合的方法,对运动想象脑电信号的特征选择进行优化。对于高维特征集的预期结果,采用了共同空间模式(CSP)和局部特征尺度分解(LCD)算法相结合的过程。利用谱回归判别分析光谱回归判别分析(SRDA)分类器对其进行进一步分类。

4.讨论

分类算法可以分为4类。

4.1 自适应分类器

自适应分类器是指将参数逐步重新计算,并随着非平稳脑电图数据信号的获取而更新的分类器,能够跟踪特征分布的变化。

正如在[10]中提到的,提出了一种基于运动想象的自定步的BCI结构模型,用于操作机器人。他们使用了基本的同步脑机接口(BCI),这是早期设计的,用于在进行在线自定步调的程序之前记录数据,用于离线训练分类。他们提取对数频带功率作为特征,并从脑电图信号中提取特征。为了获得高质量的频带,特征选择采用手工方式。为了提取特征,选择的频带进行数字带通滤波、平方和平均滑动窗口1秒,并应用自然对数。利用特征和相关标签,训练了两个线性判别分析分类器,一个用于从右侧识别左侧图像,另一个用于从其他图像中分离右侧图像运动发展。

利用离线LDA算法对有关受试者控制脑信号的相关特征进行提取,并不断进行分类。然后使用这些功能来控制机器人。他们使用LDA算法的参数来代替容纳阈值和驻留特征。受试者的控制意图和控制时机是在线训练适应性的基础。所提出的方法包括训练和适应所需的用户控制信息,这可能显示出提高准确性和性能的希望。这片论文采用卡尔曼滤波器对在线参数进行LDA分类。事件标签分配是通过一个较慢的学习过程[12]引入的。

实现自适应分类器的优点之一是它们可以同时使用监督和非监督。这表示即使没有接收到的数据的真实标签信息,也可以执行。从多个研究结果来看,无监督学习的效果优于静态分类器。

现在,BCI的大多数实际应用程序都不显示类标签,为此,无监督的自适应分类器需要更多的开发[7]。

4.2 矩阵和张量分类器

(基于黎曼几何的分类器将数据直接映射到具有适当度量的几何空间,而不是估计空间过滤器和/或选择特征,被映射的几何空间为流型空间、度量工具为外部距离(非欧几里得距离)。将机器学习的问题扩展到流型空间。黎曼几何特殊的性质使黎曼分类器具备很好的泛化能力,可用于研究BCI中的会话转移和受试者转移问题。张量为脑电图数据提供了一种自然的表示形式,正逐渐用于BCI中的特征提取、聚类和分类任务,基本的机器学习算法都可拓展到张量。其优点为分类精度高、泛化能力强。缺点复杂度高、计算能力要求高,不适用于在线BCI。)

与经典的机器学习算法相比,研究人员在本文中使用的方法拥有更少的分类阶段,也更简单。与其他标准分类器相比,rimanian分类器不需要任何参数调整技术,如交叉验证来适当地训练和验证生成的模型的准确性,这使得它更加健壮和准确,这都是由于它的对数趋势。同样,SPD(浪涌保护器)矩阵的先天黎曼分离对于矩阵的反演和信息的任何直接可逆变化都是不变的,例如,任何外部干扰添加到脑电源并不改变见证协方差矩阵之间的分离。这些特性部分阐明了为什么黎曼分类技术提供了良好的推测能力,它使分析师能够利用基本的主题对主题和会话对会话交换学习方法[9]建立无需调整的通用的ERP(有效辐射功率)-BCIs。

结果表明,与CSP(共空间模式) + LDA方法相比,该方法在运动想象脑电数据处理方面取得了更好的效果。最大的优势是质量性能。然而,这是在性能和更多权重之间的权衡,因为输入特征维数的扩大使得合适的正则化成为[12]步骤。

脑电数据可以用张量的形式表示,并作为脑电数据的分析工具。脑电数据分析工具包括脑机接口中的特征提取、数据聚类和数据分类。脑电数据在多个维度上进行表示;这包括时间,频率空间和轨迹,因此,这些都是张量阶表示的。脑电数据具有时频和空间特征,可以用三维张量来表示。张量经常被用于基于运动成像的分析,即使有大量包含不同类别的数据,这些数据可以用张量及其[10]阶表示。

4.3 迁移学习和深度学习

(迁移学习的目的是通过利用在学习某一特定任务时获得的知识来解决另一项不同但相关的任务。迁移学习的有效性取决于两个任务的相关性。迁移学习技术在运动想象脑机接口技术方面得到有效应用,提高了session-to-session和subject-to-subject的分类性能,可解决脑电信号分类结果因人而异的问题,其算法健壮、计算复杂度不是很高利于在线BCI。但迁移学习训练的分类器为通用分类器,非最优分类器,且学习时间较长。

采用机器学习算法从数据中提取特征和训练分类器。目前在BCI方面研究较多深度学习网络为卷积神经网络(CNN)和深度信念网络(DBN),同时也研究了CNN和DBN的组合用于BCI的分类。理论上深度学习可以实现EEG更有效的特征提取和精度更高的模式分类,但实际中与先进的BCI算法相对缺少说服力。深度学习方法在BCI方面的应用需加探索。)

迁移学习在会话到会话和主体到主体的解码性能方面是一个至关重要的工具。如果迁移学习得到足够的改善,脑机接口系统就可以在不需要校准的情况下运行,这将彻底改变脑机接口系统。

据观察,校正过程是艰苦的,使受试者精神疲惫。这说明,从他们的BCI系统最早的起点接受输入对受试者来说是有希望的。

深度学习被分类为ML算法,其中特征和分类器直接从脑电数据中集体学习。深度学习算法有多种。其中研究最多、使用最广泛的是深度神经网络(DNNs)。DNN还对不常用的慢皮层电位(SCP)和运动诱发视觉诱发电位(MVEP)进行在线检测。Cicotte等人对基于p300的脑机接口进行了首次研究并发表了论文。构造两个卷积层,然后是完全连通层。一个卷积层的目的是学习空间滤波器,另一个是学习时间滤波器。这个模型被证明优于P300实验,但SVM(支持向量机)模型具有更高的准确性[2]。

深度极限学习机用于慢皮层电位(SCP)分类。该技术由多个层组成,最后一个是kernel ELM(极限学习机)。但是在这个项目中,单元数、网络结构、超参数和输入特征都没有进行论证。这并没有证明比多人极限学习机或标准极限学习机[4]更好。

4.4 其它分类器

为了对两个以上的智力任务进行分类,有两种主要的方法可以得到一个多类分类函数。第一种方法包括使用多类技术直接估计类,如决策树,多层感知器,朴素贝叶斯分类器,或k近邻。第二种方法是把问题分解成几个二分类问题。

因此,多类和多标签方法的目标是识别两个以上的命令。因此,有必要仔细选择心理指令和相应标签之间的映射关系。但是,在分类过程中可能会出现错误。特别是,估计的标签集有时可能不对应于任何类,而且几个类之间的距离可能相等,从而导致类混淆[13]。

5.方法学

以下是过去几年在脑机接口系统研究论文中讨论的一些方法,如表3所示。

脑机接口的深度学习算法

6. 结论

在这个过程中,一个问题出现了,是否有可能创建一个负担得起的、高精度和最优化的脑机接口。所以,在查阅了不同的文献后,得出的结论是,如果我们需要一个精度高的优化模型来进行大脑信号的无创技术,那么人工神经网络具有较高的精度,是最优的。然而,模型与大脑信号的兼容性也存在一些权衡。经过10年的BCI回顾,我们得到了ANN具有较高的响应和精度;毕竟,它也优化了系统。然而,已经进行了进一步的研究,以使其更准确,因为这必须用于保健。

由于ANN允许的快速处理,可以在训练过程中提供一种引导形式,使用户能够提高分类器的性能,并让它更经常地反映自己的意图。-is指导对三个科目中的一个非常有用。

此外,还对它是否以预期的方式执行进行了统计检验。因此,离线分类后,准确率超过90%。

由开发的系统提供的控制已经足够得出结论,它提供了足够的控制,用户可以命令任意计算机化的设备。而且,它也很容易训练。

在未来,该模型可以提供多平台的支持。这可以通过开发应用程序来实现,这些应用程序可以帮助人类,使日常任务更容易。此外,该系统可以用智能手机控制,可以覆盖脑电图耳机的命令。如果BCI系统出现故障,这将作为故障保护装置。在此基础上,可以设计出效率更高、对离线分类依赖性较小的EEG。

上一篇:1019 数字黑洞 (20 分)--错误测试样例分析


下一篇:[论文阅读]Neural Machine Translation without Embeddings