基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法研究.pdf
《基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法研究.pdf》由会员分享,可在线阅读,更多相关《基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法研究.pdf(13页珍藏版)》请在咨信网上搜索。
1、文章编号:1003-0530(2023)08-1465-13第 39 卷 第 8 期2023 年8 月信号处理Journal of Signal ProcessingVol.39 No.8Aug.2023基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法研究李梦凡1,2,3 宋智勇1,2,3 郭苗苗1,2,3 邓豪东1,2,3 张鹏飞1,2,3 徐桂芝1,2,3(1.河北工业大学生命科学与健康工程学院省部共建电工装备可靠性与智能化国家重点实验室,天津 300132;2.河北工业大学生命科学与健康工程学院河北省生物电磁与神经工程重点实验室,天津 300132;3.河北工业大学生命科学与
2、健康工程学院天津市生物电工与智能健康重点实验室,天津 300132)摘 要:脑机接口是脑与外界不通过神经或肌肉建立的交流通路,脑电解码通过归类脑电特征解读输出大脑意图,是影响性能的关键之一。由于脑电信号存在非平稳特性,即使在同一实验过程中脑电信号的特征也会随时间发生变化,导致事先训练好的解码模型精度常常会随时间逐渐降低,不利于脑机接口的长期稳定运行。本研究提出基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法,根据脑电特征变化前后T分布的K-L散度评估脑电的非平稳性并构建基于平稳性差值的目标函数,并以此目标函数调整EEGNet网络参数通过改变非线性映射的方式缩小平稳性差值,从而动态调
3、整融合深度网络与聚类的EEGNet-T分布模型,实现对非平稳脑电的自适应解码。10名被试参与了视觉-听觉的脑机接口实验,并进行较长时间的脑电解码预测。与传统算法相比,本算法在连续128个试次组的任务中获得最高的平均准确率87.85%(p0.05),并且在前半段实验和后半段实验对比中表现出最强的稳定性,表明该算法能够通过深度网络调整数据特征分布更好地适应脑电信号特征变化,具有更强的解码稳定性,能够保证脑机接口长时间工作的解码精度,为脑机接口实用化提供基础。关键词:脑机接口;脑电非平稳性;自适应算法;深度聚类;EEGNet;T分布中图分类号:R318.04 文献标识码:A DOI:10.16798
4、/j.issn.1003-0530.2023.08.012引用格式:李梦凡,宋智勇,郭苗苗,等.基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法研究 J.信号处理,2023,39(8):1465-1477.DOI:10.16798/j.issn.1003-0530.2023.08.012.Reference format:LI Mengfan,SONG Zhiyong,GUO Miaomiao,et al.An adaptive EEGNet-T distribution decoding algorithm based on K-L divergence and deep clu
5、stering J.Journal of Signal Processing,2023,39(8):1465-1477.DOI:10.16798/j.issn.1003-0530.2023.08.012.An Adaptive EEGNet-T Distribution Decoding Algorithm Based on K-L Divergence and Deep ClusteringLI Mengfan1,2,3 SONG Zhiyong1,2,3 GUO Miaomiao1,2,3 DENG Haodong1,2,3 ZHANG Pengfei1,2,3 XU Guizhi1,2,
6、3(1.State Key Laboratory of Reliability and Intelligence of Electrical Equipment,School of Health Sciences and Biomedical Engineering,Hebei University of Technology,Tianjin 300132,China;2.Hebei Key Laboratory of Bioelectromagnetics and Neuroengineering,School of Health Sciences and Biomedical Engine
7、ering,Hebei University of Technology,Tianjin 300132,China;3.Tianjin Key Laboratory of Bioelectromagnetic Technology and Intelligent Health,School of Health Sciences and Biomedical Engineering,Hebei University of Technology,Tianjin 300132,China)收稿日期:2023-02-17;修回日期:2023-04-07基金项目:河北省自然科学基金(F202120200
8、3);国家自然科学基金(51977060);河北工业大学科技新星(JBKYXX2007);省部共建电工装备可靠性与智能化国家重点实验室优秀青年创新基金(EERI_OY2020004)信号处理第 39 卷Abstract:Brain-computer interface(BCI)is a pathway between the brain and the outside world that are not established through nerves or muscles.Electroencephalogram(EEG)decoding is one of the keys to a
9、ffecting the performance of BCI by classifying EEG features to interpret the output brain intention.Due to the non-stationary characteristics of EEG signal,the characteristics of EEG signal will change with time even in the same experiment process,resulting in the precision of the pre-trained decodi
10、ng precision model often gradually decreases with time.This study proposes an adaptive EEGNet-T distribution decoding algorithm based on K-L divergence and deep clustering(KL-Deep Clu).The KL-Deep Clu evaluates the non-stationarity of the EEG using the K-L divergence of T distribution before and aft
11、er the change of EEG characteristics and an objective function based on the change of the stationarity.And adjust the EEGNet network parameters by using this objective function to reduce the stationarity difference by changing the nonlinear mapping.Then EEGNet-T distribution is adaptively modulated
12、according to this function to realize the adaptive decoding of EEG.Ten subjects participated in the visual-auditory BCI experiment,and conducted long-term EEG decoding prediction.Compared to the traditional algorithms,the KL-Deep Clu obtains the highest average accuracy of 87.85%(p Rt8.根据公式(9)去掉置信度低
13、的样本。9.计算z在P(z,)和P(z;zt,t)分布中概率值q和q的K-L散度lossKL。10.yt和 q计算损失lossCL。11.由lossKL和lossCL反向传播调整模型。1470第 8 期李梦凡 等:基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法研究Xt总样本数。(2)受试者工作特征曲线受试者工作特征曲线(receiver operating characteristic curve,ROC)经常被用来评估算法的解码性能32,因其不受数据集不同而带来的干扰,所以可以更加客观地衡量模型本身的性能。ROC曲线以假阳性率(False positive rate,FPR)为
14、横轴,真阳性率(True positive rate,TPR)为纵轴,曲线越靠近左上,解码准确率越高。TPR为解码结果目标刺激中正确的样本量与解码结果非目标刺激的样本量的比值;FPR为解码结果目标刺激中错误的样本量与解码结果非目标刺激样本量的比值。首先根据解码模型的输出结果将输出对应的样本进行从小到大的排序,然后按分类阈值从0到1分别计算TPR和FPR,从而得到完整的ROC曲线。(3)T检验本文的统计学分析方法为T检验,T检验是用于小样本的两均值差异程度的检验方法,利用T分布理论来推断差异发生的概率,从而判定KL-Deep Clu算法较其他算法有更高的准确率和稳定性。本文采用配对样本T检验对K
15、L-Deep Clu与各对比算法间分别进行检验,其中显著性水平=0.05。3结果为了研究KL-Deep Clu模型在非平稳EEG数据下的解码精度及稳定性,本研究将 10 名被试按S1S10编号,采用时间序列的交叉验证33,将测试集按实验顺序依次测试模型34,并从准确率变化、ROC曲线以及为平稳性等方面分析KL-Deep Clu模型的解码精度及其稳定性。3.1ERP波形变化本文将被试的数据按照实验顺序分为5组叠加平均得到Pz和Oz通道的波形图,如图3所示的。前两排分别为被试S1和S2的叠加平均波形,第三排为 10名被试总的平均波形。首先,所有被试均在200和 300 ms处诱发出 N200和 P
16、300具有一致性。其次,单个被试和所有被试均表现出非平稳性,S1被试在250400 ms之间的峰值在前两组样本中可以达到 1213 v,而到第 5 组样本时峰值降低到10 v,S2被试也出现了峰值下降的现象。S1被试的最大峰值的潜伏期在前两组样本中是300 ms,而到第5组样本时潜伏期增加到350 ms。全部被试叠加后的结果可以看出峰值随实验进行而下降,潜伏期则会增加的现象。最后被试之间的波形各不相同,其中S1被试的幅值特征最明显,最高可以达到13 v,而S2被试的幅值最大值只有5 v,被试之间差异较为明显。ERP的幅值和潜伏期特征都随着时间发生了变化,这种变化会导致传统分类器稳定性下降,所以
17、自适应算法要针对这些变化提高长时间使用时BCI系统的解码稳定性。3.2精度分析为证明 KL-Deep Clu 算法具有高精度,本文比较 了 SVM、BLR、GMM-BLR、Deep Clu 和 KL-Deep Clu的平均准确率。图4为由10个试次组为窗口滑动叠加得到的准确率随组变化曲线。KL-Deep Clu的准确率总是高于其他算法:KL-Deep Clu 初始准确 率 是 89.02%,经 过 61 个 试 次 组 达 到 极 大 值90.90%,110个试次组后仍可以达到85%以上。尤其是从第33试次组开始KL-Deep Clu的准确率明显高于 Deep Clu(p0.05)、BLR-G
18、MM(p0.05)、BLR图35组ERP波形变化Fig.35 sets of ERP waveform changes1471信号处理第 39 卷(p0.05)和SVM(p0.05),Deep Clu从初始准确率84.13%到第105试次组降到最低点80.12%,BLR-GMM从初始准确率89.56%到第58试次组降到最低点 82.98%,BLR 从初始准确率 88.56%到第 110试次组降到最低点 78.08%,SVM 的初始准确率89.85%在第110试次组降到最低点75.60%。KL-Deep Clu 的平均准确率比 Deep Clu 高 4.89%,KL-Deep Clu与其他算法的
19、准确率随试次组增加逐渐产生差距。KL-Deep Clu 不仅有较高的准确率,并且随时间推移准确率的下降幅度是最小的。比较准确率的最高点与最低点可知,经过长时间实验KL-Deep Clu的准确率下降幅度(4.92%)小于Deep Clu的准确率下降幅度(6.25%,p0.05)、BLR-GMM(6.58%,p0.05)、BLR(10.48%,p0.05)和 SVM(14.25%,p0.05),由此可见,长时间的实验中传统算法因为EEG 信号的非平稳性导致解码精度下降,而 KL-Deep Clu具有良好的自适应性能够适应 EEG信号的非平稳性,因此 KL-Deep Clu的稳定性明显优于传统算法。
20、图5为10名被试在5种算法下的准确率,其中横轴为被试编号并用不同颜色的点表示各算法的准确率,KL-Deep Clu的10名被试平均准确率最高(87.85%4.97%),比 Deep Clu 的平均准确率高4.89%,比 BLR-GMM 的平均准确率高 2.25%,比BLR的平均准确率高6.79%,比SVM的平均准确率高9.08%。绝大多数被试在KL-Deep Clu算法下的准确率最高,大部分情况BLR-GMM的表现仅次于KL-Deep Clu,而传统算法 BLR 和 SVM 总是表现得较差于 KL-Deep Clu和 BLR-GMM。KL-Deep Clu不仅比Deep Clu准确率高,并且更
21、加稳定,这可以说明K-L散度对EEG非平稳性的评估使KL-Deep Clu更具有普适性,更适合BCI系统的应用。3.3基于ROC曲线的分类器稳定性分析本文利用ROC曲线证明分类器性能稳定性如图6所示,并用方差分析法进行统计学分析。左侧柱状图为前64个试次组与后64个试次组ROC曲线下面积的平均差值,右侧分别为4种算法在前64个试次组和后64个试次组的ROC曲线。FPR越低代表误判率越低,TPR越高代表灵敏度越高,曲线越靠近左上角说明分类器稳定性越高35。在前64个试次组中 KL-Deep Clu 的曲线下面积为 0.93,与BLR-GMM和BLR相似,比SVM的曲线更接近左上角,说明KL-De
22、ep Clu与BLR-GMM和BLR一样在前半段实验拥有高解码性能。在后 64 个试次组中KL-Deep Clu比其他3种算法更接近左上角,曲线下面积为 0.87比 BLR-GMM 高 0.02、比 BLR 高 0.09、比SVM高0.27,在后半段实验KL-Deep Clu的解码性能高于其他3种算法,说明KL-Deep Clu更适合在多试次组的情况下应用。计算前后 64 个试次组4种算法ROC曲线下面积平均差值,可见KL-Deep Clu的曲线下面积只有0.05的变化,比BLR-GMM下降幅度小 0.05(p0.05),比 BLR 和 SVM 小 0.12(p0.01)。由此说明 KL-De
23、ep Clu 在多试次组跨度下能保持高解码性能具有更强的数据适应性,在非平稳的条件下具有优于其他三种算法的稳定性。3.4非平稳性分析本研究用数据分布的变化来描述EEG的非平稳性,数据分布的变化具体表现为如图7所示的两图5每个被试的平均准确率Fig.5Average accuracy per subject图4准确率随试次组变化Fig.4Accuracy varies with the number of trials1472第 8 期李梦凡 等:基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法研究种情况36,其中三角与方块分别表示两个类别的数据,直线为当前解码模型的决策边界,而蓝色
24、表示当前数据Xt,红色代表新数据Xt+1,(a)为边缘分布变化,(b)为条件分布变化。边缘分布变化由于新数据的加入导致P(Xt)P(Xt+1),当前数据与新数据分布上有明显边界,这说明 EEG 特征发生了明显变化。条件分布变化即P(yt|Xt)P(yt+1|Xt),新数据的决策边界与当前解码模型有明显差异,这说明当前解码模型不适用于新数据。这两种变化都会影响模型解码性能32,因此有必要针对以上两种变化对模型调整。本研究采用 K-L散度适应 EEG的非平稳特征具有描述特征分布变化的作用,同时作为目标函数能够及时调整模型保证模型解码性能稳定。图 8 为 3 名被试(S2,S4,S5)的 KL-De
25、ep Clu 和SVM解码准确率与K-L散度之间的关系:图中散点表示1个试次组,曲线表示散点拟合出的趋势,横坐标表示该试次组数据与训练数据的K-L散度,纵坐标表示该试次组数据解码模型得到的准确率。这3名被试的KL-Deep Clu都表现出准确率随K-L散度变化比较平稳,而SVM表现出准确率随K-L散度变化而产生较大波动的现象,KL-Deep Clu拟合曲线的变化范围在3%8%左右,而SVM拟合曲图6ROC曲线变化Fig.6ROC curve variation图7数据分布变化Fig.7Data distribution change1473信号处理第 39 卷线的变化范围在13%20%左右,这
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 自适应 EEGNet 分布 解码 算法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。