3.MI脑电分类模型Shanwavf+ResNet

论文名称 MI-EEG classification using Shannon complex wavelet and convolutional neural networks
期刊 Applied Soft Computing 8.263/Q1
方法 本研究将香农复小波与卷积神经网络相结合，设计了一种新的MI-EEG分类方法，以提高分类精度。首先，选取C3和C4时域脑电信号作为处理数据，利用EEGLAB对原始MI-EEG进行信道选择和带通滤波预处理;其次，采用Shannon复小波作为时频变换策略，计算时频矩阵;最后，利用改进的Resnet对时频矩阵进行分类，完成MI-EEG识别。
结论 该方法的分类准确率和kappa值分别为0.852和0.704，在众多分类方法中是最高的
评价 对小波选择的研究可以对往后的研究带来参考帮助

主要工作

Img

本研究将香农复小波与卷积神经网络相结合，设计了一种新的MI-EEG分类方法，以提高分类精度。

  • 首先，选取C3和C4时域脑电信号作为处理数据，利用EEGLAB对原始MI-EEG进行信道选择和带通滤波预处理;

  • 其次，采用Shannon复小波作为时频变换策略，计算时频矩阵;

  • 最后，利用改进的Resnet对时频矩阵进行分类，完成MI-EEG识别。

实验与数据集

| 名称 | 描述 | | – | – | | BCI竞赛IV-2b数据集 | … |

:::: col 数据集描述 ::: tip 脑电极选择 数据集采集自C3、Cz和C4电极上的9名受试者，采样频率为250 Hz。 ::: 每名受试者参加5次实验，最后2次作为实验数据。 ::: tip 具体实验过程

  • 当实验开始时，屏幕上会出现一个灰色的标签。
  • 2秒时，实验装置发出短的哔哔声，提醒受试者准备开始实验。
  • 从3秒到7.5秒，受试者开始根据提示想象灰色面孔的移动方向(向左或向右)。
    • 如果灰色的脸与提示的方向相同，屏幕上就会出现一张绿色的笑脸
    • 否则，就会出现一张悲伤的红脸。
  • 在7.5秒时，提示消失，屏幕变成空白，然后在1到2秒的随机间隔后开始下一次测试。每次试验的拦截时间为2.5 ~ 7 s，每次试验的数据点为1125。 ::: 每个阶段有80个不同类型的试验，本研究使用了320个试验。 Img ::::

预处理

预处理步骤可以实现如下:

  • (a)信道选择
  • (b)频率滤波
  • (c)截取信号。

::: warning 关于通道选择？ 从原始信号中剔除不相关的通道，保留C3和C4通道;C3和C4电极可以代表大脑的左右感觉运动区域。

我们将所有通道的分类结果与C3和C4通道的分类结果进行了比较，所有通道的分类准确率并不高于C3和C4通道。在本研究中，我们使用C3和C4信号对左右运动想象进行分类。 ::: ::: warning 为什么选择时频图？

我们发现时频图在EEG-MI分类中比时域图更有效，因此我们在本研究中使用时频图作为卷积神经网络的输入。 ::: ::: warning 关于频段选择？

1-30 Hz频率对于MI-EEG分类很重要，我们使用1-30 Hz带通滤波器来消除噪声和伪影。 :::

连续小波变换

\(W T_x(c, d)=\frac{1}{\sqrt{|c|}} \int_{-\infty}^{+\infty} x(t) \psi^*\left(\frac{t-d}{c}\right) d t\) ψ(t)是基本小波，ψc,d(t)是由基本小波的平移或展开式产生的函数族，其中c为尺度因子，d为时移。连续小波的时间中心和时间跨度可计算如下: \(t^*=\frac{\int_{-\infty}^{+\infty} t\left|\psi_{c, d}(t)\right|^2 d t}{\int_{-\infty}^{+\infty}\left|\psi_{c, d}(t)\right|^2 d t}\)

\(\Delta t=\left[\frac{\int_{-\infty}^{+\infty}\left(t-t^*\right)^2\left|\psi_{c, d}(t)\right|^2 d t}{\int_{-\infty}^{+\infty}\left|\psi_{c, d}(t)\right|^2 d t}\right]^{\frac{1}{2}}\) 连续小波的中心频率和带宽可计算为: \(\omega^*=\frac{\int_{-\infty}^{+\infty} \omega\left|\hat{\psi}_{c, d}(\omega)\right|^2 d \omega}{\int_{-\infty}^{+\infty}\left|\hat{\psi}_{c, d}(\omega)\right|^2 d \omega}\) \(\Delta \omega=\left[\frac{\int_{-\infty}^{+\infty}\left(\omega-\omega^*\right)^2\left|\hat{\psi}_{c, d}(\omega)\right|^2 d \omega}{\int_{-\infty}^{+\infty}\left|\hat{\psi}_{c, d}(\omega)\right|^2 d \omega}\right]^{\frac{1}{2}}\) 连续小波的不同定义可以产生不同的小波变换。在本研究中，我们比较了三种不同的小波，并采用Shannon复小波提取了MI-EEG的局部和全局时频特征。 ::: tip Morlet小波 Morlet小波是高斯包络下的单频复正弦函数。可以用公式计算 \(W_{\text {morl }}(t)=e^{-\left(t^2 / 2\right)} \cos (5 t)\) ::: ::: tip morlet复小波 morlet复小波是一种不含尺度函数的非正交小波。在时间和频率上都能体现很好的局部特征， \(W_{\text {cmor }}(t)=\frac{1}{\sqrt{\pi B}} e^{2 i \pi C t} e^{-\left(t^2 / B\right)}\) ::: ::: tip Shannon小波 Shannon小波是一种真实的小波，它可以被描述为 \(W(t)=\frac{\sin (\pi(t-1 / 2))-\sin (2 \pi(t-1 / 2))}{\pi(t-1 / 2)}\) ::: ::: tip Shannon复小波 Shannon复小波是一种非正交小波，其中B是带宽，C是中心频率。 \(W_{\text {shan }}(t)=\sqrt{B} \frac{\sin (\pi B t)}{\pi B t} e^{2 i \pi C t}\) ::: ::: warning Kappa值 Kappa值可以衡量分类精度，消除随机分类的影响 \(kappa =\frac{p_0-p_e}{1-p_e}\) :::

分类模型

在本研究中，我们改进了标准Resnet作为MI-EEG分类模型。 Img ::: tip 关于数据量大小的计算 脑电图时间信号为C3和C4，截取时间为2.5 ~ 7 s。采样数据为1125，从1 ~ 30 Hz线性划分为50个部分。输入数据大小为 \(50 × 1125 × 2\) :::

模型细节

  • 有4个conv_block和12个identity_block单元。

    参数设置

     
第一卷积层的卷积核大小 3 × 3  
平均池化层的池化核大小 2 × 2  
"conv_block"的第二层的步长 1 × 1  
"conv_block"的第三层的步长 2 × 2  
"conv_block"的第四层的步长 2 × 2  
损失函数 分类交叉熵(CCS)  
优化策略 随机梯度下降(SGD) 。
交叉验证 采用10-fold交叉验证,10%的训练试验用作验证集  
学习率参数设置 初始学习率为0.01，缩放因子为0.2，最小学习率为1e-7，耐心为5  
batch大小 16  
epoch 50  

结果

Img Img Img Img Img