CC BY
30
Visnyk N'l'UU KP1 Seriia Radiolekhnika tiadioaparatobuduummia, "2017, Iss. 71, pp. 36—39
УДК 621.317.757:612.821.2
Використання оптимально! просторово1 фшьтраци методом сшльно1 просторово1 модел! для класифжаци сигнал!в ЕЕГ вщповщно до виду М03К0В01 активное^
К-ицун П. Г.1'2
хТОВ "Самсунг Електрошкс Украша Компаш" 2Нацшнальний техшчний ушверситет Украши "Кшвський пол!техшчний ¡еститут ¡мен! Ггоря С!корського"
E-mail: kyl.eun.pcl.ro&gmaiL com
Шд час реестрацп ЕЕГ впастдок об'емпо! пров!дпост сигнал в!д кожного окремого джерела потрапляе одночаспо до багатьох в!дведепь. Тому зареестроваппй багатокапалышй сигнал ЕЕГ падае доспть розмиту картину мозково! активпост! людипи. що суттево ускладшое задачу штерпретацп такого сигналу. Одним з ефективпих метод!в отримаш1я шформатпвпого сигналу з багатокапалыюго запису ЕЕГ е використання оптимально! просторово! фгльтрацп, коли у виндпому сигнал! досягаеться макси-малышй вм1ст сигналу само з Tie! дгляпки мозку. яка в!дпов1дае певиому виду мозково! активность В робот! запропоповапо алгоритм класифшацГ! сигпал1в ЕЕГ 1з застосуваипям оптимально! просторово! фгльтрацп методом сшлыю! просторово! модел! для 1дептиф1кацп двох клаов мозково! активпост уявпих pyxiB л!вою та правою рукою. Для оцшки якост! алгоритму використовувався запис ЕЕГ. в!до-мий як BCI Competition IV dat.aset. 2Ь. Для визпачеппя ефективпост! алгоритму результат його роботи пор1вшовався з результатом роботи алгоритму без використання оптимально! просторово! фгльтрацп. Завдяки використашпо просторово! фгльтрацп методом сшлыю! просторово! модел! вдалося шдвищити середпю точшсть класифшацГ! запис!в ЕЕГ з 0,74 до 0,79, що св!дчить про ефектившсть цього методу.
Клюноог слова: ЕЕГ: класиф!кац1я ЕЕГ: пейро-комп'ютерпий штерфейс
Вступ
Нейро-комп'ютерний штерфейс (англ. brain computer interface. BCI) це система, що надае лю-диш можлив1сть безпосередньо взаемод1яти з еле-ктрошшм пристроем шляхом перетворешш naMipy людини, який отримуеться з анал1зу бюпотенща-jriB головного мозку. у Kepyioni сигнали [1]. Цей штерфейс ефективно використовуються для лжу-вання та реабЫтащ! пащентав. яш частково чи noBiiicTio втратили можлившть рухатися. Так. для вщновлення моторно! активност шсля шсульту ва-жливе значения мае активне використання хворим дшянок мозку. яш вщповщають за рухи (мотор-на кора). Завдяки нейро-комп'ютерному штерфей-су xBopi отримують шформащю про те. наскшьки ycninnio 1м вдасться активувати моторну кору без-посередньо шд час реабЫтащйних вправ. тобто з'являеться позитивний зворотшй зв'язок (бюлоп-чний зворотшй зв'язок) [2]. Ьгодо у хворих 3 високим piBiieM порушення моторно! функщ1 використання нейро-комп'ютерного штерфейсу залишасться чи не единим можливим засобом. який дозволяс впливати на навколишнш сви. а значить i взаемод1яти з ним.
1ншим напрямком застосування нейро-комп'ютерного штерфейсу. до якого останшм часом вщм1чаеться стабшьне зростання штересу. с його використання здоровими людьми поза межами лшувалыго-профшактичних заклад1в для дослщже-иня свого когштивного стану та отримання доевщу евщомого впливу на нього. для 1гор. розваг тогцо [3].
Доступшсть та компактшеть пристрою для ре-естращ! електроенцефалограми (ЕЕГ). нешвазив-шеть та простота 11 рсестращ!. висока роздшьна зда-тшеть сигналу ЕЕГ у чаей стали причиною того, що використання ЕЕГ у системах нейро-комп'ютерного штерфейсу с одним з найбшын розповсюджених шдход1в. Ключовою задачею при цьому с задача класиф1кащ1 сигнал1в ЕЕГ вщповщно до обраних клаав мозково! активность 1снус велика кшьшеть дослщжень на що тему, але задача класифшащ! сигнал1в ЕЕГ залишаеться актуальною, так як универсального методу, який би демонстрував високу точшеть та над1йшсть. нараз1 не кнуе. Анал1з ль тератури показус значний штерес до проблеми по-кращення якоста штерпретування заресстрованих б1опотенщал1в мозку для потреб технолоп1 нейро-комп'ютерного 1нтерфейсу. тому дослщження в щй
Використаиия оптимально!' просторожи фшьтраци мотолом сшльшн просторожи модели для класифжаци спшалш ЕЕГ шдпошдпо ло виду mi
галуз1 с иерспективним напрямком роботи для нау-ковщв низки сухйжних дисциилш.
Метою роботи е. розробка та иерев1рка ефектив-iiocTi алгоритму класифжаци сигнатв ЕЕГ з за-стосуваииям методу епшышх просторових моделей (англ. common spatial patterns. CSP) для ¡донтифь кацп двох клаейв мозково! активносп уявиих pyxiB „швою та правою рукою.
1 Визначення проблеми класифжаци сигнал1в ЕЕГ в1дпо-в1дно до виду мозково'1 акТИВ-
HOCTi
При розроблонш нейро-комп'ютерного штерфей-су важливим етапом е визначення системи керую-чих команд у виглядо певних видов мозково! активность яш легко виконуються людиною. та яш мо-жливо щентифшувати. анатзуючи сигнал ЕЕГ. Як керукга команди можуть використовуватися таш види мозково'1' активность як в1зуатзацш зображо-ння. pinieiiira математичних прикладов у розумь уявне иромовляння тексту тогцо. Один з пошире-них шдходов полягае у використанш для керування уявних pyxiB [4].
1дснтиф1кащя мозково! активность пов'язанси з уявними рухами людини. можлива завдяки наяв-iiocTi у сигнал! ЕЕГ сенсомоторних ритм1в (англ. sensorimotor rhythms. SMR). Вони спосториаються у вщведеннях. яш розташоваш над дшянками кори головного мозку. гцо ввдиовщають за чутлившть та рухи. CeiicoMOTopiii ритми мають велику амшпту-ду у CTani спокою (синхрошзащя ритму) та малу при актнвацп ввдповвдннх дшянок головного мозку (досинхрошзащя ритму) [5].
Зазвичай задача класифжаци ЕЕГ вирпнуеться у два етапи. На першому еташ ввдбувасться видшоння з сигналу ЕЕГ характерных ознак (англ. features). Для цього широко застосовуються таш методи цифровси обробки сигнатв як фшьтращя. дискретно поретвороння Фур'е, вейвлот поретвороння. видшоння головних компонент, видшоння незаложннх компонент тогцо. Правилышй Bii6ip ха-ракторних ознак мае вирпналышй вплив на яшеть подалынсм класифжаци.
На другому OTani застосовуеться класифшатор. який за цими ознаками встановлюс наложшеть сигналу до певного класу. Застосовуються лиийний дискримшант <Мшсра (англ. Fisher's linear discriminant). метод опорних вектор1в (англ. support vector machine), вииадковий лш (англ. random forest) та iii-Hii класиф1катори. Кожний класифшатор потребуй налаштування у вигляд1 навчання. шд час якого йому надаються характерш ознаки сигнал1в ЕЕГ. для яких наложшеть до повного класу в1дома.
2 Застосування методу епшьнел просторово*! модел1
У робота для отримання характерних ознак сигналу ЕЕГ було застосовано метод епшьнем просторово! модат [6]. Цей метод с видом оптимально! просторово! фшьтрацп (англ. optimal spatial filtering) i дозволяе шдвшцити сшвввдношсння mdk in-формащйною складовою та шумом заросстрованого сигналу ЕЕГ шляхом знаходження такого л1н1йного поретвороння
XCSp = Wт * X
зареестрованого сигналу X, яке максим1зуе ввдио-шення дисперсш перетворених сигнал1в Xcsp для двох pi3iiiix клас1в сигнатв. Цо поретвороння можна знайтн. внр1шнвшн наступну опттпзацшну задачу
argmax {tr(WT(Si - S2)W)} w
WT (Ei + S2)W = I,
де E^a S2 - це ковар1ацшш матрищ сигналу X, гцо наложить до поршого та другого класу вщиоввд-но. Ця задача може бути представлена та Biipiineiia як узагалыюиа проблема власних зиачеиь матрищ (англ. generalized eigenvalue problem)
(Si - E2)Wi = Xi(Ei + E2 W,
де Wi - i-тий власний вектор матриць Si — S2 та Si + S2, який в1дпов1дае i-тому стовпчнку матрищ иеретворення W, a Xi i-те власне значения.
Алгоритм для класифжаци сигнал1в ЕЕГ скла-дасться з наступних етап1в:
фшьтращя багатоканального сигналу ЕЕГ смуговнмн фшьтрами Батторворта 3-го порядку для видшоння з сигналу складових в доапазош частот ввд 6 до 24 Гц (всього 42 складов! з частотними смугами 2. 4. 8 та 16 Гц):
застосування для кожнем складовсм поретвороння (матрнця для кожнем складовсм розрахову-сться методом епшыкя просторово! модат шд час навчання):
розрахунок диспсрсп кожнем отримансм ком-понентн та використання ïï як характерно! ознаки сигналу ЕЕГ:
застосування методу опорних вектор1в для класифшацп сигналу ЕЕГ за його характорнн-мн ознаками (класифшатор налаштовусться шд час навчання).
3 Опис експерименту
Для ощнки якосп алгоритму використовувався заиис ЕЕГ. ввдомий як BCI Competition IV dataset
38
Кицу и 11. Г.
15
10
ей £ S
и
-5
-10
7.5 -5.0-2.5-0.0--2.5--5.0--7.5 -
1 -
in и
-1 -
-5
0
СЗ, мкВ
-5.0 -2.5 0.0 СЗ, мкВ
2.5 5.0
-1
О
CSPO
(а)
(Ь)
(с)
Рис. 1. Взаемозалсжшсть миттевнх значень сигналу ЕЕГ з вщвсдснь СЗ та С4 для класу 1 (трикутники) та класу 2 (кола) у вхщному сигнал! (а), у сигнал! шеля застосування смугового фшьтру 9-13 Гц (Ь), та теля просторово! фшьтрацп методом сшлыго! просторово! модат (с).
2Ь [7]. Цсй запис мштить фрагменти ЕЕГ 3i спонтанною мозковою aKTiiBiiicTio 9-ти здорових oci6 шд час уявлення pyxiB, яш були зарсестроваш з трьох бшолярних вщвсдснь: СЗ. Cz, С4. 3 запиав були отримаш фрагменти триватстю 2.5 с. яш вщповщ-али одному з клаейв мозково! активносп уявний рух „швою рукою (клас 1) та уявний рух правою рукою (клас 2). Всього було отримано бшя 160 фрагментв для кожного з 9 дослщжснь. Половина з них була використана для навчання для роз-рахунку матриць лшшного перетворення методом сшлыю1 просторово! модсл1 та для налаштування класифшатора. 1нша половина була використана для визначення сфсктивносп алгоритму. Для цього результат, отриманий за допомогою алгоритму, по-р1вшовався з тим значениям класу активность яке мштилося у вхщних даних. Для nopiBiramra були розрахован1 дв1 метрики точшеть (вщношення числа фрагментв, для яких клас мозково!' активносп було визначено правильно, до числа вйх фрагмен-т1в) та каппа Косна
, Ро-Ре
1 - Ре '
дс ре теоретична в1роидшсть випадкового правильного прогнозування.
На рис. 1а зображено взаемозалежшеть миттс-вих значень сигналу ЕЕГ з вщвсдснь СЗ та С4 для двох випадкових фрагметтв, яш належать до двох pi3iinx клаав. Диспсрсп' миттевих зиачень з вщведення СЗ для цих фрагметтв склали 16.4 та 9.1 мкВ2, a i'x сшввщношсння 1.8. Шсля застосува-ння смугового фшьтру 9-13 Гц значения диспсрйй стали 5.4 та 0.85 мкВ2 вщповщно, a i'x сшввщношс-ння шдвищилося до 6.3 (рис. lb). Шсля просторово! фшьтращ! методом сшльно! просторово! модат диспсрсп' миттсвих значень компоненти CSP0 цих фрагметтв склали 0.6 та 0.05. a i'x сшввщношсння 12.0 (рис. 1с). Отжс, застосування просторово! фшь-трацп шдвшцило сшввщношсння м1ж диспсретями
миттевих зиачень сигналш, як1 належать до ргашх клайв, i тому i'x використання у якосп характерних ознак сигналу ЕЕГ с бшын сфсктивним.
Ефсктившсть запропонованого алгоритму nopiB-шовалася з сфсктившстю алгоритму класифшацп сигнал1в ЕЕГ. в якому не використовувався метод епшыю! просторово! модель а характерними ознаками слугували диспсрсп складових сигналу, отриманих теля фшьтрацп.
Результати та висновки
Рсзультати дослщжсння наведено у табл. 1. Ана-„шзуючи рсзультати. можна зробити висновок, що запропонований алгоритм з використанням методу епшыго! просторово! модат для отримання характерних ознак покрашуе ефсктившсть алгоритму класифшацп ЕЕГ вщповщно до виду мозково! активность Наступним стапом плануеться викори-стати метод епшыго! просторово! модат для класи-фшацп сигнал1в ЕЕГ вщповщно до смощйного стану людини.
Табл. 1
Номер запису з CSP без CSP
Ро к Ро к
1 0.73 0.48 0,72 0,45
2 0,60 0.22 0,53 0,11
3 0.62 0.26 0,49 0,00
4 0.99 0.97 0,97 0,95
5 0.84 0.67 0,74 0,47
6 0.82 0,63 0,80 0,60
7 0.90 0.79 0,85 0,70
8 0.84 0.68 0,77 0,54
9 0.80 0,60 0,80 0,60
Середне 0,79 0,59 0,74 0,49
The use of optimal spatial filtering by the method of common spatial pattern for the classification of EEC! signals according to the typo of brain activit
References
[1] Nicolas-Alonso L. F. and Gomez-Gil .1. ("2012) Brain computer interfaces, a review. Sensors (Basel, Switzerland), vol. 12. no. 2. pp. 1211 79. DUl:10.3390/sl20201211.
[2] Boninger M. L.. Wechsler L. R., and Stein .1. (2014) Robotics, stem cells, and brain-computer interfaces in rehabilitation and recovery from stroke: updates and advances. American journal of physical medicine в rehabilitation, vol. 93. no. 11 Suppl 3. pp. S145 54. DOl: 10.1097/PHM.0000000000000128.
[3] Blankertz В.. Tangermann M., V'idaurro C.. Fazli S., Sannelli C.. Haufe S., Maeder C.. Ramsey L.. Sturm 1.. Curio С!.. and Miiller K.-R. (2010) The Berlin Brain-Computer Interface: Non-Medical Uses of BC1 Technology. Frontiers in neuroscience, vol. 4. p. 198. DOl: 10.3389/fnins.2010.00198.
[4] Yong X. and Menon C. (2015) EEC! classification of different imaginary movements within the same limb. PloS one, vol. 10. no. 4. p. e0121896. DOl: 10.1371/journal. pone.0121896.
[5] Yuan H. and He B. (2014) Brain-computer interfaces using sensorimotor rhythms: current state and future perspectives. IEEE transactions on bio-medical engineering, vol. 61. no. 5. pp. 1425 35. DOl: 10.1109/TBME.2014.2312397.
[6] Blankertz В.. Tomioka R.. Lemm S.. Kawanabe M.. and Muller K.-r. (2008) Optimizing Spatial filters for Robust EEC! Single-Trial Analysis. IEEE Signal Processing Magazine, vol. 25. no. 1. pp. 41 56. DOl: 10.1109/MSP.2008.4408441.
[7] Tangermann M.. Muller K.-R.. Aertsen A.. Birbaumer N.. Braun C.. Brunner C.. Leeb R.. Mehring C.. Miller K. .1.. Miiller-Putz G. R.. Nolte С!.. Pfurtscheller С!.. Prei-ssl H.. Schalk С!.. Schlogl A.. V'idaurro C., Waldert S.. and Blankertz B. (2012) Review of the BC1 Competition IV. Frontiers in neuroscience, vol. 6. p. 55. DOl: 10.3389/fnins.2012.00055.
Использование оптимальной пространственной фильтрации методом
Г* *s и
общей пространственной модели для классификации сигналов ЭЭГ в соответствии с видом мозговой активности
Кицун П. Г.
При регистрации ЭЭГ вследствие объемной проводимости сигнал от каждого отдельного источника попадает одновременно в большое число отведений. Поэтому зарегистрированный сигнал ЭЭГ даёт очень размытую картину мозговой активности человека, что делает задачу интерпретации такого сигнала достаточно сложной. Один из эффективных методов получения информативного сигнала из записи ЭЭГ состоит в использовании оптимальной пространственной фильтрации, когда
в выходном сигнале достигается максимальное содержание сигнала именно с того участка мозга, который отвечает определенному виду мозговой активности. В работе предложен алгоритм классификации сигналов ЭЭГ с использованием оптимальной пространственной фильтрации методом общей пространственной модели для идентификации двух классов мозговой активности воображаемых движений левой и правой рукой. Для оценки качества алгоритма использовалась запись ЭЭГ, известная как BCI Competition IV dat.aset. 2b. Для определения эффективности алгоритма результат его работы сравнивался с результатом работы алгоритма без использования оптимальной пространственной фильтрации. Использование пространственной фильтрации позволило повысить точность классификации с 0,74 до 0,79, что говорит про эффективность этого метода.
Ключевые слова: ЭЭГ: классификация: пейро-компыотерпый интерфейс
The use of optimal spatial filtering by the method of common spatial pattern for the classification of EEG signals according to the type of brain activity
Kytsun P. H.
During EEG due to the volume conduction the signal from each individual source appears simultaneously in a number of channels registered from different leads. Therefore, the recorded EEG signal gives a blurred picture of human brain activity, which makes the task of classifying such signals rather complicated. One of the effective methods to obtain an informative signal from the EEG record is to use the optimal spatial filtering (some kind of deblurring), when the maximum content of the signal from the particular region of the brain (which corresponds to a certain type of brain activity) is acliived in the output signal. An algorithm for classifying EEG signals using optimal spatial filtering by the method of common spatial pattern is proposed to identify two classes of brain activity imaginary left and right hand movements. To evaluate the quality of the algorithm, an EEG record, known as BCI Competition IV dat.aset. 2b, was used. To determine the efficacy of the algorithm, the result, of its operation was compared with the result, of the algorithm without, using optimal spatial filtering. The use of optimal spatial filtering improved the accuracy of classification from 0.74 to 0.79, which has shown its efficacy.
Key words: EEG: classification: CSP: BCI
