本文主要是介绍深度学习技术在运动想象脑电信号中分类中的学习实战,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
----(本文由思影科技学习参考后得出)
脑机接口(BCI)中运动想象脑电图(MI-EEG)是最常见的BCI范式之一,已经广泛应用于只能医疗,如中风后康复和移动辅助机器人。近年来,深度学习(DL)对基于MI-EEG的BCI产生了巨大影响。
争对基于DL的MI分类提出了三个主要问题:
(1)基于DL的技术是否需要预处理?
(2)哪些输入构建最适合基于DL的技术
(3)基于DL的技术的当前趋势是什么?
脑电图(EEG)传感器测量来自人脑的生物测量数据,这些数据可以被解码以理解潜在的身体和心理状态,然后用于进一步提高生活质量。与一般的只能医疗传感器不同,EEG脑信号被智能医疗系统以两种方式利用:
一是导入与医疗相关的信息,即感知。
二是与物理世界互动,即控制,使用智能设备如轮椅或外骨骼。
传统的机器学习方式已被广泛用于分类MI-EEG数据。
传统方法通常包括三个主要步骤来处理MI-EEG信号:预处理、特征提取和分类。
预处理包括多个操作:如通道选择(选择对MI任务最有价值的EEG通道)、信号过滤(选择对MI任务最优价值的频率范围、信号归一化(在时间轴上归一化每个EEG通道)和伪迹去除(从MI-EEG中去除噪声))
其中,伪迹去除最常用的方法是独立成分分析(ICA)。
特征提取,从高维EEG信号中提取与任务相关的MI特征。
MI特征分为三类,取决于数据处理的领域:时间特征、频谱特征和空间特征。
时间特征在不同时间点或不同时间段的时间域中提取,如均值、方差、Hjorth参数和偏度。
频谱特征包括频率域特征,如功率谱密度(PSD)和快速傅里叶变换(FFT)还有时频特征,如短时傅里叶变换(STFT)和小波变换(WT)
空间特征旨在识别头皮上特定电极位置,如共同空间模式(CSPs)。CSP是MI-EEG数据最常见的特征提取方法。
一些研究人员试图扩展和改进CSP方法。稀疏CSP使用正则化特征为CSP值增加稀疏性。静态CSP、发散CSP和概率CSP是一些尝试增强CSP功能的其他技术。滤波器组CSP(FBCSP)[23]是CSP方法的另一个扩展版本,它使用EEG通道中的空间信息以及MI-EEG信号中的频率数据。FBCSP(滤波器组公共空间模式)在MI分类中表现出了所有依赖手动特征提取的其他方法中最好的性能。在分类阶段,使用了多种分类器来将提取的MI特征分类为不同的MI任务,如朴素贝叶斯分类器、线性判别分析(LDA、支持向量机(SVM)和极限学习机(ELM)。
目前的面临的问题
EEG信号容易受到许多噪声源的影响,包括生物伪迹(例如,心跳、眨眼、舌头和肌肉运动、注意力水平、呼吸和疲劳)、电子设备(例如,无线设备、手机和电脑)以及环境噪声(例如,声音和照明)。
这些伪迹,加上通道相关性、受试者依赖性以及EEG信号的高维性,使得大脑信号的解释和分类成为一项困难的任务。因此,开发一个更稳定、更通用的MI-EEG BCI框架至关重要,它可以在各种场景中运行,并能从具有挑战性的MI-EEG数据中自动提取独特特征。
其次,EEG信号的信噪比(SNR)非常低,具有时间依赖的协变量,并且是非平稳的。
由于传统预处理和特征提取方法的时间复杂性,以及信息丢失的可能性,低SNR问题不容易通过传统的MI-EEG分类方法解决。
第三,特征提取强烈依赖于特定领域的人类经验。例如,基本的生物学知识对于通过EEG信号分析MI任务的状态至关重要。需要一种自动化的提取方法。
现状分析
在过去的五年中,深度学习(DL)方法已被用于解决分类MI-EEG信号。与传统的机器学习方法不同,DL可以使用深层架构从原始MI-EEG数据中自动学习高级和潜在的复杂特征,同时消除了预处理和耗时特征提取的需求。
这篇关于深度学习技术在运动想象脑电信号中分类中的学习实战的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!