Дипломная работа



Pdf просмотр
страница3/3
Дата24.04.2017
Размер0.66 Mb.
Просмотров204
Скачиваний1
ТипДипломная работа
1   2   3
Запись ЭЭГ осуществлялась с частотой дискретизации 128 Гц (с внутренней ча- стотой дискретизации устройства 2048 Гц и последующей первичной обработкой) при помощи устройства Emotiv EPOC. При записи данных устройство находилось в двух
30
различных положениях: положении по умолчанию и инверсированном положении.
В положении по умолчанию были использованы данные 10 сенсоров (F3, FC5, T7, P7,
O1, O2, P8, T8, FC6, и F4), поскольку данное подмножество обеспечивает наилучшую нейтрализацию компонент, не отвечающих за волны P300, а также включает сенсоры
O1, O2, при помощи которых могут быть зафиксированы некоторые из компонент волн P300 [4]. В инверсированном положении были использованы данные 8 сенсоров
(FC6, F4, P8, AF4, AF3, F3, P7 и FC5), поскольку они покрывают центральную часть скальпа, которая считается областью, участвующей в генерации волн P300.
Положения указанных сенсоров на голове человека изображены на рис. 9.
а)
б)
Рис. 9. Положения сенсоров для положения устройства по умолчанию (а) и инвер- сированного положения (б).
5.2
Схема эксперимента
Наиболее распространённая схема эксперимента в исследованиях нейрокомпью- терных интерфейсов, основанных на выявлении волн P300, предполагает, что ответ на целевой стимул не зависит от конкретного стимула, в связи с этим классификация является эффективным методом распознавания целевых и нецелевых стимулов. Тем не менее, некоторые исследования, в частности [4], описывают применение отдельных классификаторов и демонстрируют, что таким образом производительность системы
31
может быть повышена. В связи с этим было решено применить оба подхода и сравнить полученные результаты.
Схема эксперимента для каждого испытуемого состояла из двух частей: пре- добучения и тестирования в режиме реального времени. В процессе предобучения пользователю необходимо произвести предписанную последовательность действий,
описанную ниже, позволяющую собрать некоторое количество данных, используе- мых для обучения классификатора. В процессе тестирования в режиме реального времени пользователю необходимо производить похожую процедуру, однако полу- ченные данные для каждого из стимулов обрабатываются и классифицируются при помощи предобученного классификатора в тот же момент времени, а также принимается решение о наличии или отсутствии выолны P300 и, соответственно,
необходимости перемещения курсора в соответствующем направлении.
Для функционирования обоих подходов необходимо проведение процедуры пре- добучения отдельно для каждого испытуемого (в силу физиологических различий,
ненадёжной фиксации устройства на голове человека, изменения потенциала тела человека с течением времени и т. п.). Предобучение проводится по следующей схеме:
• Раунд представляет из себя следующую последовательность действий. В тече- ние раунда каждый из четырех визуальных стимулов, отвечающих возможным направлениям движения курсора, выделяется в течение 250 мс, затем следует период ожидания продолжительностью 2250 мс.
• Испытуемый концентрирует внимание на фиксированном визуальном стимуле в течение N раундов. Было проведено несколько серий экспериментов для различных значений N , в частности, N = 10, 15, 20, 30.
• После N раундов процесс останавливается на 10 секунд для восстановления расслабленного состояния и подготовки к следующей серии раундов, а затем проводятся раунды для следующего визуального стимула до тех пор, пока не состоялись раунды для всех видов стимулов.
• Таким образом, обучающая сессия состоит из 4N раундов записи ЭЭГ, содер- жащих 4N эпох целевых данных и 12N эпох нецелевых данных, где эпохой мы будем называть промежуток времени, содержащий выделение одного из
32
визуальных стимулов и последующий период ожидания вплоть до выделения последующего визуального стимула.
• Кроме того, также проводится N эпох для записи данных, отвечающих спокойному состоянию испытуемого, т.е. испытуемый расслаблен, а визуальные стимулы не выделяются.
• Таким образом, количество нецелевых эпох составляет 13N . 75% имеющихся данных используются для обучения классификатора для разделения целевых и нецелевых данных. Остальные 25% данных используются для настройки параметров классификатора в процессе обучения.
Для схемы с использованием отдельных классификаторов используется анало- гичный сценарий, однако число раундов для каждого направления удваивается.
33

6
Предлагаемый подход
6.1
Предобработка
Перед обучением классификатора данные были подвергнуты предобработке.
Последовательность действий, применённых к данным, описана ниже.
Центрирование данных.
В первую очередь все данные, полученные с каждого электрода, были центрированы с целью нейтрализации постоянного амплитудного смещения. Затем среднее значение сигналов, полученных с электродов сравнения,
было использовано для референциального монтажа данных. В положении устройства по умолчанию в качестве электродов сравнения были использованы позиции AF3 и
AF4, в инверсированном — O1 и O2.
Выделение отдельных проб.
После этого из полученных данных были вы- делены отдельные пробы продолжительностью 1500 мс. Начало пробы совпадало с началом выделения визуального стимула на экране компьютера, конец пробы приходился на момент через 1500 мс после начала выделения стимула (250 мс выде- ления визуального стимула и 1250 мс ожидания). Таким образом, для дальнейшей обработки и определения наличия волн P300 имеются данные, представленные в виде потенциалов, зарегистрированных для 192 моментов времени для каждого из сенсоров после выделения каждого из визуальных стимулов.
Фильтрация.
Отметим, что используемый электроэнцефалограф подвергает ре- гистрируемые данные внутренней фильтрации с полосой пропускания 0.16–43 Гц.
Были проведены эксперименты с использованием различных типов низкочастот- ных цифровых фильтров для обработки полученных сигналов, в частности, фильтра
Чебышева 4-го порядка 1-го рода, фильтра Баттерворта и эллиптического фильтра с частотой среза 30 Гц.
Мeтод независимых компонент.
К данным ЭЭГ, подвергнутым фильтрации,
был применен метод независимых компонент для извлечения независимых источ- ников. Была использована реализация алгоритма FastICA для MATLAB. Описание
34
алгоритма было представлено в предыдущих разделах. Более подробно алгоритм описан в [5].
6.2
Отбор признаков
В исследовании [6] был применен метод с использованием нечетких регуля- торов (англ. fuzzy control method) для отбора признаков, наиболее похожих на волны P300, для дальнейшей классификации. Другие исследования используют неавтоматический метод отбора признаков. Поскольку в данной работе используется коммерческое BCI-устройство с высоким уровнем шума в получаемых данных,
нет возможности ожидать, что среди полученных независимых компонент будет присутствовать близкая к волне P300 наподобие полученных в исследовании [6].
Кроме того, данный метод существенно увеличивает время обработки данных. В
исследовании [7] показано, что результирующие компоненты ICA, отличные от волн
P300, практически неотличимы для целевых и нецелевых проб, поскольку они явля- ются компонентами одних и тех же источников артефактов в одинаковых условиях.
Для первого подхода к компонентам, полученным при помощи метода независимых компонент, применяется дискретное вейвлет-преобразование 3-го порядка, поскольку коэффициенты аппроксимации позволяют некоторым образом описать форму волны зарегистрированного сигнала. Для второго подхода преобразование применяется непосредственно к данным ЭЭГ. Для обоих подходов был использован вейвлет
Добеши, поскольку он широко распространён в литературе для подобных целей.
Результирующие коэффициенты аппроксимации были использованы в качестве признаков и были конкатенированы в единые вектора. Результирующая размерность признакового представления объектов равнялась N
e
× N
f
, где N
e
— количество сенсоров, N
f
— количество вычисленных признаков для сигнала, регистрируемого при помощи одного сенсора. Помимо аппроксимирующих коэффициентов, были также использованы описанные в предыдущих разделах морфологические признаки.
С учётом выбора одного из указанных подмножеств электродов имеем N
e
= 8 или
N
e
= 10.
Далее отобранные признаки были центрированы и декоррелированы, т.е. подверг- нуты преобразованию, обеспечивающему нулевое среднее значение каждого признака
35
и единичную матрицу ковариаций. Нормировочные константы вычислялись для каждого сенсора с учётом всех имеющихся в обучающей выборке данных, а затем также применялись к отложенной выборке. Отметим, что осуществление данной процедуры для отдельных проб без учёта остальной информации может уничтожить важную информацию об амплитуде имеющихся волн P300, в связи с этим необходимо учитывать данные всех зарегистрированных проб.
6.3
Классификация
После предобработки и отбора признаков, наиболее вероятно характеризующих наличие либо отсутствие волны P300, проводились обучение и настройка парамет- ров классификатора. Как было упомянуто выше, данные центрированы и имеют единичную матрицу ковариаций. В качестве классификаторов были использованы нейронная сеть и линейный классификатор.
Применялась нейронная сеть прямого распространения с одним скрытым слоем.
Структура подобного классификатора изображена на рис. 10. Отметим, что распре- деление данных, получаемых каждым из нейронов входного слоя сети, осуществ- лялось между всеми нейронами скрытого слоя. В качестве функций активации для нейронов скрытого и выходного слоев была использована функция гиперболического тангенса в соответствии с рекомендациями [13]. Поскольку метки классов соответ- ствовали наличию и отсутствию волн P300, полученное итоговое значение являлось оценкой наличия волн данного типа. В соответствии с рекомендациями [18] счита- лось, что итоговое значение, превышающее 0.76, свидетельствовало о наличии волн
P300, иное значение — об их отсутствии. Для обучения нейронной сети применялся метод обратного распространения ошибки.
В качестве алгоритма обучения линейного классификатора применялся SVM.
Была использована реализация машины опорных векторов библиотеки LibSVM. Для алгоритма с общим для всех типов стимулов классификатором было использовано квадратичное ядро, в то время как для алгоритма с отдельными классификаторами была использована линейная версия SVM. Значение гиперпараметра C настраива- лось при помощи отложенной выборки.
36

Рис. 10. Структура используемой модели нейронной сети.
Для подхода с применением общего классификатора обучающая выборка состоя- ла из 4N целевых и 13N нецелевых эпох. В связи с высоким уровнем шума в данных было проведено усреднение по наборам из пяти эпох. Как было упомянуто выше,
случайно выбранные 75% полученных объектов были использованы для обучения классификатора, в то время как оставшиеся 25% были использованы для настройки параметров.
Для подхода, использующего отдельные классификаторы, были обучены четыре различных линейных классификатора, отвечающих различным визуальным стиму- лам. В данном случае для каждого из классификаторов были доступны N целевых и 4N нецелевых эпох, а усреднение проводилось по наборам из 3 эпох.
37

6.4
Тестирование
После обучения классификатора необходим запуск процесса тестирования в режиме реального времени вручную. В течение этого времени ведётся запись данных ЭЭГ, при этом стимулы выделяются в случайном порядке в течение 250
мс с последующей паузой в течение 1250 мс. Данные, полученные в течение этого времени, подвергаются описанной процедуре предобработки и выделения признаков и дальнейшей классификации при помощи обученного классификатора.
В случае принятия решения о наличии компоненты волн P300 курсор перемещается в соответствующем направлении, в случае противоположного решения — процесс продолжается без перемещения курсора.
38

7
Результаты
7.1
Результаты с положением устройства по умолчанию
Как было упомянуто выше, при расположении устройства в позиции по умолча- нию малое число электродов покрывают часть скальпа, отвечающую за генерацию волн P300. В таком положении наибольшее влияние данного эффекта может быть замечено только в данных, регистрируемых при помощи сенсоров O1 и O2. В связи с этим результаты экспериментов, отображённые в таблицах 3 и 4, демонстрируют неприемлемо низкие уровни точности классификации и чувствительности, а также недопустимо высокий уровень специфичности по сравнению с результатами, полу- ченными для инверсированного положения.
Количество раундов
N
Чувствительность
(TPR)
Специфичность
(FPR)
Битрейт
Точность
10 24.04%
42.63%
2.88 49.04%
15 25.96%
41.99%
3.11 50.02%
20 26.21%
41.67%
3.12 50.36%
30 26.92%
41.35%
3.24 50.84%
Таблица 3. Результаты применения подхода с общим классификатором для положе- ния устройства по умолчанию.
Количество раундов
N
Чувствительность
(TPR)
Специфичность
(FPR)
Битрейт
Точность
10 24.53%
46.53%
2.94 46.23%
15 26.42%
45.91%
3.17 47.17%
20 28.97%
44.03%
3.50 49.18%
30 32.08%
43.08%
3.85 50.70%
Таблица 4. Результаты применения подхода с отдельными классификаторами для положения устройства по умолчанию.
39

7.2
Результаты с инверсированным положением устройства
Было проведено несколько серий экспериментов с использованием различных парадигм. В таблицах 5 и 6 отображены наилучшие полученные результаты.
Количество раундов
N
Чувствительность
(TPR)
Специфичность
(FPR)
Битрейт
Точность
10 45.75%
37.36%
5.80 58.67%
15 48.41%
35.82%
5.96 60.13%
20 48.73%
33.94%
6.16 61.50%
30 49.36%
34.17%
6.08 61.51%
Таблица 5. Результаты применения подхода с общим классификатором для инверси- рованного положения устройства.
Количество раундов
N
Чувствительность
(TPR)
Специфичность
(FPR)
Битрейт
Точность
10 49.06%
35.07%
6.23 60.73%
15 49.67%
34.16%
6.31 61.56%
20 50.31%
32.58%
6.39 62.90%
30 52.83%
31.90%
6.71 64.06%
Таблица 6. Результаты применения подхода с отдельными классификаторами для инверсированного положения устройства.
7.3
Обсуждение и выводы
Полученные результаты для системы с инверсированным положением устройства демонстрируют, что точность классификации предложенного подхода сравнима с су- ществующими на данный момент исследованиями в данной области, использующими схожее оборудование и условия проведения экспериментов. В частности, в [8] была достигнута точность 60% выявления волн P300 при использовании устройства Emotiv
EPOC.
40

Для испытуемых значение чувствительности оказалось довольно низким. Таким образом, система распознавала приблизительную предполагаемую траекторию дви- жения курсора, однако для распознавания непосредственно команды необходимо было ожидание в течение нескольких проб, как следствие, наблюдалось падение производительности системы. Тем не менее, приемлемое значение точности может быть достигнуто при низком значении специфичности. Высокое же значение данной характеристики дезориентирует пользователя и может привести к невозможности дальнейшего управления курсором, поскольку траектория в таких случаях радикаль- но отличается от предполагаемой пользователем. Отметим, что полученные значения специфичности не уступают результатам, полученным в [9]. Предложенный в данной работе метод позволяет добиться лучших результатов по сравнению с подходом,
предложенным в исследовании [12], при использовании Emotiv EPOC.
Кроме того, в результате экспериментов было отмечено, что использование изображений стрелок в качестве визуальных стимулов ведёт к лучшим результатам,
нежели изображений надписей.
Наилучший результат был получен при применении подхода, использующего отдельные классификаторы для различных типов стимулов. Тем не менее, получен- ные результаты не свидетельствуют о том, что использование подхода отдельных классификаторов гарантирует лучший результат, нежели использование подхода с общим классификатором.
Более высокое качество функционирования разработанной системы может быть достигнуто путём решения следующих прооблем:
Неточное расположение сенсоров.
В инверсированном положении расположе- ние электродов являлось приблизительным и, поскольку устройство было разрабо- тано для эксплуатации в позиции по умолчанию, некоторые из сенсоров ненадёжно крепились к голове испытуемого, не обеспечивая должного качества регистрируемого сигнала. Кроме того, изменились также и положения опорных электродов, тем самым оказав влияние на внутреннюю обработку получаемых данных в устройстве.
41

Малое количество сенсоров в области интереса.
Как было упомянуто выше,
в положении устройства по умолчанию сенсоры практически не покрывают часть скальпа, отвечающую за генерацию волн P300. В инверсированном положении приблизительно не более шести электродов расположены в данной области, и, тем не менее, ни один из них не расположен в области, наиболее активно отвечающей за данный процесс.
Отношение сигнал-шум.
Поскольку устройство не было разработано для иссле- довательских целей, нет возможности гарантировать должное качество изготовления его деталей и, тем самым, качества снимаемого сигнала.
Задержка при фиксации сигналов.
Отсутствие возможности получения исход- ных данных ЭЭГ без использования разработанного для устройства программного обеспечения также ведёт к падению производительности системы. По информации производителя, передача данных производится с обеспечением задержки во времени,
не превышающей 15 мс, что является причиной потери части информации.
42

8
Заключение
В рамках настоящей дипломной работы были изучены существующие подходы к решению задач построения нейрокомпьютерных интерфейсов. Был предложен метод построения нейрокомпьютерного интерфейса для управления динамическим объектом, а также проведено сравнение с аналогичными исследованиями последних лет.
В ходе данной работы были получены следующие основные результаты:
• Предложен метод классификации сигналов головного мозга в задаче управ- ления курсором на экране компьютера с использованием общедоступного устройства Emotiv EPOC.
• Предложенный метод был протестирован при помощи программной реализации в системе MATLAB.
• Качество функционирования описанного подхода не уступает, а по некоторым параметрам превосходит существующие на сегодняшний день методы решения поставленной задачи с использованием схожего оборудования и условий прове- дения экспериментов.
• Разработанный алгоритм может быть также применен в задаче управления динамическим объектом реального мира.
43

Список литературы
1. Farwell L.A., Donchin E. Talking off the top of your head: toward a mental prothesis utilizing event-related brain potentials. // Electroencephalography & Clinical
Neurophysiology, Vol. 70, Issue 6, pp. 510-523, 1988.
2. Sutton S., Braren M., Zubin J., John E.R. Evoked-potential correlates of stimulus uncertainty. // Science, Vol. 150, Issue 700, pp. 1187-1188, 1965.
3. Kachenoura A., Albera L., Senhadji L., Comon P. ICA: A Potential Tool for BCI
Systems. // Signal Processing Magazine, IEEE, Vol. 25, Issue 1, pp. 57-68, 2008.
4. Rakotomamonjy A., Guigue V. BCI Competition III: Dataset II- Ensemble of SVMs for BCI P300 Speller. // Biomedical Engineering, IEEE Transactions, Vol. 55, Issue 3,
pp. 1147-1154, 2005.
5. The
FastICA
algorithm package for
MATLAB.
[HTML]
(http://research.ics.aalto.fi/ica/fastica/).
6. Piccione F., Giorgi F., Tonin P., Priftis K., Giove S., Silvoni S., Palmas G.,
Beverina F. P300-based brain computer interface: reliability and performance in healthy and paralysed participants. // Clin Neurophysiol, Vol. 117, Issue 3, pp. 531-537,
2006.
7. Wang S., James C.J. Enhancing evoked responses for BCI through advanced
ICA techniques. // International Conference on Advances in Medical, Signal and
Information Processing, pp. 1–4, 2006.
8. Ram´ırez-Cortes
J.M.,
Alarcon-Aquino
V.,
Rosas-Cholula
G.,
Gomez-Gil
P.,
Escamilla-Ambrosio J. P-300 Rhythm Detection Using ANFIS Algorithm and Wavelet
Feature Extraction in EEG Signals. // Proceedings of the World Congress on
Engineering and Computer Science, Vol. 1, pp. 963-968, 2010.
9. Kanoh S., Miyamoto K., Yoshinobu T. A P300-based BCI System for Controlling
Computer Cursor Movement. // Conf Proc IEEE Eng Med Biol Soc., 2011.
44

10. Jasper H.H. The ten-twenty electrode system of the International Federation. //
Electroencephalogr Clin Neurophysiol, Vol. 10, pp. 371-375, 1958.
11. Воронцов
К.В.
Математические методы обучения по прецедентам
(теория обучения машин).
[HTML]
(http://www.machinelearning.ru/wiki/images/6/6d/Voron-ML-1.pdf).
12. Khemri N.A. P300 Wave Detection Using a Commercial Non-invasive Eeg Sensor:
Reliability and Performance in Control Applications. // Graduate College of the
Oklahoma State University, 2012.
13. LeCun Y., Bottou L., Genevieve B. Orr, M¨
uller K.-R. Efficient BackProp. / Lecture
Notes in Computer Science, Vol. 1524, pp. 9-50, 2002.
14. Amcalar A., Cetin M. Design, Implementation and Evaluation of a Real-Time
P300-based Brain-Computer Interface System. // IEEE International Conference on
Pattern Recognition, pp. 117-120, 2010.
15. Piccione F., Priftis K., Tonin P., Vidale D., Furlan R., Cavinato M., Merico A.,
Piron L. Task and Stimulation Paradigm Effects in a P300 Brain Computer Interface
Exploitable in a Virtual Environment: A Pilot Study. // PsychNology Journal, Vol. 6,
Issue 1, p. 99, 2008.
16. Hagen G.F., Gatherwright J.R., Lopez B.A., Polich J. P3a from visual stimuli: Task difficulty effects. // International Journal of Psychophysiology, Vol. 59, Issue 1, pp.
8–14, 2006.
17. Jones
K.A.,
Porjesz
B.,
Chorlian
D.,
Rangaswamy
M.,
Kamarajan
C.,
Padmanabhapillai A., Stimus A., Begleiter H. S-transform time-frequency analysis of P300 reveals deficits in individuals diagnosed with alcoholism. // Clinical
Neurophysiology, Vol. 117, Issue 10, pp. 2128–2143, 2006.
18. Hagan M.T., Demuth H.B., Beale M.H. Neural Network Design. // Thompson
Learning, USA, 1996.
45


Поделитесь с Вашими друзьями:
1   2   3


База данных защищена авторским правом ©nethash.ru 2017
обратиться к администрации

войти | регистрация
    Главная страница


загрузить материал