Авторы: Раэд Ханун, Осама Миан

Введение

Системы интерфейса мозг-компьютер (BCI) использовались в подмножестве приложений обработки сигналов, которые направлены на лечение пациентов с нейроповеденческими нарушениями, включая церебральный паралич, черепно-мозговые травмы, инсульт, латеральный склероз и травмы спинного мозга. Основное внимание в системе нервной стимуляции уделяется выработке команд, на которые влияет активность мозга, стимулируемая такими действиями, как общение, воображение руками и другими мыслительно-интуитивными процессами. Заменяя и восстанавливая часто используемые функции организма, можно внедрить реабилитационный подход, чтобы направлять пациентов с помощью индивидуальных технологических инструментов, таких как роботизированные руки, инвалидные кресла, протезы и другие применимые устройства. Используя систематический цикл, состоящий из сбора данных/сигналов, методов предварительной обработки, выделения признаков, классификации и пользовательского интерфейса, можно создать нейробиоуправление для восстановления основных двигательных функций путем стимуляции мозговой активности человека. В этом проекте мы проанализируем набор обучающих и тестовых данных, чтобы скомпилировать алгоритм линейной комбинации в качестве метода уменьшения признаков, чтобы определить, соответствует ли серия тестовых данных левостороннему или правостороннему воображению. Такие методы обнаружения применимы к пациентам, которые потеряли свои нормальные двигательные функции и нуждаются в специализированном устройстве, таком как кресло-коляска, для выполнения основных действий. Эта многообещающая нейронная технология позволит пациентам с ограниченными возможностями улучшить мышечный контроль, восстанавливая их чувство независимости для выполнения желаемых задач в течение дня.

Схема предлагаемой системы BCI

Методы извлечения признаков

В этом алгоритме выделения признаков используется фильтр Баттерворта, который представляет собой метод обработки сигналов, применяемый для получения максимально плоской частотной характеристики относительно полосы пропускания. Фильтр можно модифицировать, чтобы он соответствовал другим полосовым, низкочастотным/высокочастотным и режекторным приложениям. В нашем случае мы модифицировали алгоритм для обработки через полосовой фильтр с коэффициентом передаточной функции 2n + 1; вывод амплитудной характеристики, максимально плоской в ​​полосе пропускания и в монотонном диапазоне частот. Вычисление извлечения признаков ERD состоит из трех основных шагов: 1) запуск полосового фильтра для всех испытаний 2) вызов переменной матрицы (tmp) путем возведения в квадрат выборочных данных для каждого испытания для сбора выборок мощности; затем усреднение выборок мощности по всем испытаниям. 3) Извлечение результатов признаков путем усреднения матрицы переменных по временным образцам для улучшения сбора данных и уменьшения изменчивости. Этот метод извлечения предназначен для выделения информации из 2 классов записей сигналов (C3 и C4). Используя функцию мощности логарифмической полосы, воображение левой и правой руки можно классифицировать, применяя логарифмическую дисперсию полосового фильтра к нейронным записям (сигналам ЭЭГ) для каждого желаемого интересующего канала (C3 и C4).

Результаты извлечения признаков из обучающих данных

Из наших тестов мы обнаружили, что следующие значения A и B приводят к наилучшей линейной комбинации A * C3 — B * C4, которая разделяет левые и правые данные обучения.

A = 0.7328; B = 0.4487

Разделимость этого преобразования составила 28,6105, а пороговое значение для выбора того, исходил ли сигнал от левой или правой руки с помощью этого преобразования, составляет 0,0121.

Из рисунка 1 мы видим, что одно из левых испытаний фактически пересекло порог и было переключено с правыми данными. В целом, однако, разница в C3 и C4 обычно намного больше при движениях левой руки по сравнению с движениями правой руки, где C4 обычно больше, чем C3. Это было верно почти для всех линейных комбинаций, которые мы использовали, предполагая, что признак C3 больше, чем C4, является универсальной чертой левостороннего движения, в то время как противоположное является универсальной чертой правостороннего движения.

Результаты извлечения признаков из тестовых данных

После оптимизации упомянутой выше линейной комбинации мы применили ее к нашим тестовым данным и получили результат ниже. Используя эти значения и рассчитанный порог, мы определили порядок испытаний следующим образом:

Исходя из этого, мы определили следующий порядок испытаний: RLLRRRRLLR.

R представитель правостороннего воображения; Lпредставительпредставления левой руки.

Ярлыки для тестовых данных

Анализ

В этих экспериментах мы разработали алгоритм, который использует предварительно размеченные обучающие данные для оптимизации линейной комбинации, которая позволяет определить, связана ли функция ERD мозга с движениями правой или левой руки. Мы сделали это, случайно сгенерировав множество коэффициентов в линейных комбинациях и рассчитав разделимость этой комбинации применительно к нашим обучающим данным.

Однако мы иногда замечали расхождение в порядке каждый раз, когда запускали этот скрипт. Чтобы смягчить эту проблему, мы изменили скрипт, чтобы он запускал описанный выше процесс 100 раз, чтобы исключить любые ложные срабатывания в наших данных. Повторно запустив алгоритм и собрав достаточно большой набор левого/правого порядка, мы определили, что тестовые данные, скорее всего, будут следовать следующему левому/правому порядку:

Из этого мы можем видеть, что каждый пробный след сохранения № 6 был последовательно предсказан на протяжении всего эксперимента. Глядя на рисунок 2, мы видим, что проба 6 была ближе всего к пороговой линии. Интуитивно это означает, что сигнал ERD из испытания № 6 был наиболее неотличим от группы. Это могло произойти из-за того, что записываемый субъект не мог представить себе только движение правой или левой руки, или, возможно, в измерения во время записи был внесен некоторый шум.

Из экспериментов мы видим, что пробы 7 и 1 наиболее соответствовали сигналу правой руки, а пробы 8 и 3 наиболее соответствовали сигналу левой руки. С другой стороны, испытания 6 и 10 были ближе всего друг к другу, как видно на рисунке 2.

Разработка

Мы были удовлетворены нашим алгоритмом как введением в анализ сигналов мозга и BCI, однако мы признаем, что есть аспекты этого проекта, которые можно было бы улучшить. В частности, мы считаем, что используемый нами метод уменьшения размерности, линейная комбинация, был лишь рудиментарным способом анализа обучающих данных. В будущем мы могли бы использовать LDA или PCA, чтобы более четко различать движения левой и правой руки. Мы также могли бы анализировать более широкий набор сигналов и функций мозга, чтобы лучше различать движения левой и правой руки.

Мы также признаем, что наш сценарий плохо оптимизирован, частично из-за самого кода и частично из-за ограничений, введенных MATLAB. В будущем вместо того, чтобы случайным образом генерировать коэффициенты для линейной комбинации, мы могли бы методично увеличивать коэффициенты таким образом, чтобы лучше всего повышалась разделимость. Возможно, это можно реализовать с помощью градиентного спуска.

Выводы

BCI можно использовать для продвижения различных методов реабилитации, направленных на подавление неврологических расстройств, требующих восстановления основных двигательных функций, соответствующих отдельным частям тела. Из этого проекта мы узнали, что можем реализовать закодированный алгоритм для различения и анализа различных воображений рук путем сравнения и сопоставления экспортированных данных признаков с известными результатами серии обучающих данных. Это доказательство концепции позволяет нам извлекать функции, которые в дальнейшем можно использовать для выполнения методов классификации, которые вводятся в пользовательский интерфейс для вывода нейробиоуправления, а затем преобразуются в команды, которые управляют моторизованным устройством, таким как кресло-коляска или роботизированная рука. Мы продемонстрировали оптимизированный алгоритм линейной комбинации, который извлекает и классифицирует набор тестовых данных, связанных с воображением левой и правой руки. Использование таких методов в клинических приложениях может дать многообещающие функциональные результаты для пациентов, которые иммобилизованы из-за часто развивающихся неврологических расстройств.

Использованная литература:

[1] http://red.pe.org.pl/articles/2012/3a/10.pdf: Изучена информация об алгоритмах LDA и их использовании в системах BCI.

[2] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2862632/: основная вводная информация и приложения BCI.

[3] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3497935/: вводная информация

[4] https://www.ncbi.nlm.nih.gov/pubmed/18835541: вводная информация

[5] https://www.sciencedirect.com/science/article/pii/S0042698900002352?via%3Dihub: анализ методов извлечения признаков.

[6] https://journals.plos.org/plosone/article id=10.1371/journal.pone.0121896#sec005: содержит информацию, относящуюся к проекту в целом.