Chernof f加权分类器框架在运动想象脑-机接口中的应用

谭平; 刘利枚; 郭璠; 周开军

doi:10.11999/JEIT181132

Chernof f加权分类器框架在运动想象脑-机接口中的应用

doi: 10.11999/JEIT181132

谭平¹,
刘利枚¹,
郭璠^2, ,,
周开军¹

1.
湖南工商大学新零售虚拟现实技术湖南省重点实验室长沙 410205
2.
中南大学自动化学院长沙 410083

基金项目: 国家自然科学基金(61502537)，国家社科基金(19BGL111)，湖南省教育厅科学研究优秀青年项目(18B338)，湖南省重点实验室开放研究基金项目(2017TP1026)，教育部人文社科基金(14YJCZH099)

详细信息

作者简介:
谭平：男，1981年生，讲师，主要研究方向为脑电信号处理、计算智能、模式识别

刘利枚：女，1975年生，教授，主要研究方向为人工智能、机器人

郭璠：女，1982年生，副教授，主要研究方向为图像增强、机器视觉、模式识别

周开军：男，1978年生，副教授，主要研究方向为机器视觉、模式识别

通讯作者:
郭璠　guofancsu@163.com

中图分类号: R741.044; TP391
计量
- 文章访问数: 2554
- HTML全文浏览量: 823
- PDF下载量: 78
- 被引次数: 7
出版历程
- 收稿日期: 2018-12-07
- 修回日期: 2019-07-20
- 网络出版日期: 2019-09-11
- 刊出日期: 2020-02-19

Applying Chernoff Weighted Classification Frame Method to MotorImagery Brain Computer Interface

1.
Key Laboratory of Hunan Province for New Retail Virtual Reality Technology, Hunan University ofTechnology and Business, Changsha 410205, China
2.
School of Automation, Central South University, Changsha 410083, China

Funds: The National Natural Science Foundation of China (61502537), The National Social Science Foundation of China (19BGL111), The Scientific Research Project of the Education Department of Hunan Province (18B338), The Open Fund of Key Laboratory of Hunan Province (2017TP1026), The Foundation of Ministry of Education Humanities and Social Sciences (14YJCZH099)

摘要

摘要:
针对现有脑机接口(BCI)分类器与大脑认知过程结合不够紧密的问题，该文提出一种基于Chernoff加权的分类器集成框架方法，并用于同步运动想象脑机接口中。通过对训练数据进行统计分析，获得各时刻脑电信号(EEG)的统计特性，并建立基于大脑认知过程的高斯概率模型。然后利用Chernoff边界特性得到该概率模型的最小误差，并以此确定该时刻分类器的权重，通过对各时刻分类器的加权，实现同步脑机接口的信号分类。以脑机接口竞赛数据作为测试，并与线性判决分析、支持向量机和极限学习方法分别结合构成新的集成方法。由实验结果可知，加权集成框架方法的分类性能比原独立分类方法有显著提高。
- 脑机接口 /
- 运动想象 /
- 概率模型 /
- Chernoff误差边界 /
- 模式分类
Abstract:
For the problem that the classifier is less considered to be combined with the brain's cognitive process in the Brain-Computer Interface (BCI) system, a Chernoff-weighted based classifier integrated frame method is proposed and used in synchronous motor imagery BCI. In the method, the statistic characteristics of ElectroEncephaloGraphy (EEG) are obtained by analyzing in each time point of synchronous BCI, and then the probability model is established to compute the Chernoff error bound, which is adopted as the weight of common classifier to take the discriminant process. The test experiments are based on the datasets from BCI competitions, and the proposed frame method is employed to compose with LDA, SVM, ELM respectively. The experimental results demonstrate that the proposed frame method shows competitive performance compared with other methods.
- Brain Computer Interface (BCI) /
- Motor imagery /
- Probabilistic model /
- Chernoff error bound /
- Pattern classification

HTML全文

1. 引言

2019年9月，芬兰奥卢大学6G旗舰研究计划组发布了全球首个6G白皮书，该白皮书认为6G的大多数性能指标相比5G将提升10～100倍。其中通信时延可低至0.1 ms，将是5G的1/10，并且具有超高可靠性^[1]。这些需求对移动通信中的信道编解码的延迟特性和译码性能提出了更高的要求。极化码是第1种被证明在二进制离散无记忆信道下能够达到信道容量的纠错码^[2]，具有较高的可靠度和实用价值，已经成为5G控制信道的编码方案，并有望成为6G通信中主要的信道编码方案。在极化码的译码算法方面，串行抵消(Successive Cancellation, SC)算法^[3,4]和串行抵消列表(Successive Cancellation List, SCL)^[5]作为极化码的低复杂度译码方案，具有较高的可靠性，但在译码时均需遍历译码二叉树的每个节点，导致译码延迟较高。与SC, SCL算法不同，置信度传播算法(Belief Propagation, BP)是一种并行迭代的译码算法，可获得较低的译码延迟。然而，大量的迭代次数仍造成BP较高的计算复杂度。由于大部分BP译码器在到达最大迭代次数之前已经收敛于原始码字，因此需要引入迭代早期迭代停止准则提前判断。为了减少迭代冗余，Yuan等人^[6]提出了G矩阵(G-matrix)和最小对数似然比 (minimum Log Likelihood Ratio, minLLR)两个准则。其中，G-Matrix包含 $N\log N$ 次二进制操作，而minLLR需要进行大量的比较运算。Yan等人^[7]提出一种基于局部固定比特的早期停止准则，将固定位作为提前停止的准则。为降低资源消耗，文献[8]提出一种有效节省资源消耗的提前迭代终止准则，与基于阈值的算法相比，该准则可降低资源消耗且不会造成译码性能损失。Ren等人^[9]提出了LLR辅助(LLR-Magnitude Aided, LMA)和循环冗余校验辅助(CRC Aided, CA)两种早期停止准则，当信噪比为4 dB、最大迭代次数为30时，LMA和CA分别能减少72.6%和84.5%的迭代次数。此外，Simsek等人^[10]提出一种基于最坏信息位(Worst of Information Bits, WIB)的早期停止准则，它只需检测一部分LLR的符号位，可使译码复杂度有所降低，但译码性能低于G-Matrix。Simsek等人^[11]通过去除冗余加法器阵列对WIB进行了优化。另外，Albayrak等人^[12]提出了一种基于Luby变换的提前停止准则，通过观察译码器中LLR信息的符号位变化，确定译码输出是否收敛到原始序列。文献[13]于2017年提出了一种检测冻结位误码率(Frozen Bit Error Rates, FBER)的早期停止准则，该准则只检测在最可靠的冻结子信道中传输的冻结位。受到早期停止准则的启发，Giard等人^[14]提出了基于极化码BP译码算法的盲检测法。上述准则都取决于 $\hat u$ 或与 $\hat u$ 对应的对数似然比(Log Likelihood Ratio, LLR)。

本文研究了信息序列估值( $\hat u$ )与码字估值( $\hat x$ )之间的关系，当 $\hat u$ 和 $\hat x$ 满足编码算法施加的约束时，可获得有效的码字估值。当 $\hat x$ 收敛到有效估值时， $\hat u$ 亦收敛到有效估值。基于这一思想，本文提出了一种新的早期停止准则，该方案只监测 $\hat x$ 的收敛性。同时，借助高斯近似(Gaussian Approximation, GA)^[15]分析了 $\hat x$ 中每位比特的出错概率，发现一些出错概率较低的 $\hat x$ 需要较少的迭代次数。因此，该准则构造了一个由 $\hat x$ 中出错概率较低的部分构成的比较空间。由于只检测 $\hat x$ 中一部分比特的收敛性，所提出的准则进一步节省了硬件资源消耗。另外，由于译码器的最终输出是 $\hat u$ ，如果早期停止准则取决于 $\hat u$ ，那么它只能在获得 $\hat u$ 后开始执行，将导致额外的计算复杂性和延迟。所提出的方案只取决于 $\hat x$ ，可避免这种情况。仿真结果表明，所提算法在不损失译码性能的情况下，可有效降低计算复杂度并减少译码的平均迭代次数。

2. 基本理论

2.1 极化码

极化码可定义为{N, K, A, A^C}，其中N=2ⁿ, K, A, A^C分别表示码长、信息位个数、信息位集合和冻结位集合。信息 ${{u}}$ 由K个信息位和(N-K)个冻结位组成，与生成矩阵G相乘获得码字 ${{x}}$ 。其中 ${{G}} = {{B}} \cdot {{{F}}^{ \otimes n}}$ , $B$ 是位置换矩阵， ${{{F}} ^{ \otimes n}}$ 表示 ${{F}} = \left[ {\begin{array}{*{20}{c}} 1&0 \\ 1&1 \end{array}} \right]$ 的n次克罗内克积。

2.2 BP译码算法

一个 (N, K)极化码可用一个 $n$ 阶因子图来表示，它在每阶都有N/2个处理单元(Processing Element, PE)，整个因子图包含 (n+1)N个节点。图1为(8, 4)极化码的因子图。BP算法的每次迭代过程由一个右向信息更新和一个左向信息更新组成。令 $L_{i,j}^t$ 和 $R_{i,j}^t$ 分别表示节点(i, j)在第t次迭代中自右向左和自左向右传播的信息，其中i是位索引，j是阶数索引。BP译码器中的节点更新如式(1)所示

图 1 (8, 4)极化码的因子图

下载: 全尺寸图片幻灯片

$\left. \begin{aligned} & L_{i,j}^t = \left\{ {{{f}} \left( {R_{i + N/2,j}^t + L_{2i,j + 1}^t,L_{2i - 1,j + 1}^t} \right)} \right\} \\ & L_{i + N/2,j}^t = \left\{ {{{f}} \left( {R_{i + N/2,j}^t + L_{2i,j + 1}^t} \right) + L_{2i,j + 1}^t} \right\} \\ & R_{2i - 1,j + 1}^t = \left\{ {{{f}} \left( {L_{2i,j + 1}^{t - 1} + R_{i + N/2,j}^t,R_{i,j}^t} \right)} \right\} \\ & R_{2i,j + 1}^t = \left\{ {{{f}} \left( {L_{2i - 1,j + 1}^{t - 1},R_{i,j}^t} \right) + R_{i + N/2,j}^t} \right\} \end{aligned} \right\}$

(1)

其中

${{f}} ({{x}},{{y}}) \approx \alpha *{\rm{sign}} ({{x}}){\rm{sign}} ({{y}})\min {\kern 1pt} (|{{x}}|,|{{y}}|)$

(2)

式(2)中α是伸缩因子。在右向更新信息期间，按照 $j = 2,3, ··· ,n + 1$ , $R_{i,j}^t$ 进行串行更新。在 $n + 1$ 列的 $R_{i,j + 1}^t$ 更新之后进行左向更新， $L_{i,j}^t$ 按照 $j = n,n - 1, ··· ,1$ 进行串行更新。当BP译码器达到最大迭代次数 ${I_{\max }}$ 时，第 $i$ 个信息位的估值可通过式(3)得到

${\hat u_i} = {\rm{sign}} (L_{i,1}^{{I_{\max }}}),i \in A$

(3)

3. 提出的早期迭代停止准则

3.1 X-tolerance早期迭代停止准则

BP算法的迭代过程可用极化码的因子图来表示。因子图中的每一个节点都与编码过程中的节点相对应，由于因子图节点中包含相应节点的LLR，则对因子图节点中的LLR进行硬判决即可得到相应的编码过程的中间估计值。对最左侧列节点中的LLR进行硬判决可得 ${u_i}$ 的估值 ${\hat u_i}$ ，类似地对最右侧即因子图中第n+1列节点中的LLR进行判决可得到 ${x_i}$ 的估值 ${\hat x_i}$ 。设 $R_{i,n + 1}^t = \ln ({P} ({\hat x_i} = 0)/{P} ({\hat x_i} = 1)$ , ${\hat x_i}$ 代表码字估值中的第i位。因此， ${\hat x_i}$ 定义为

${\hat x_i} = {s_{i,n + 1}} = {\rm{sign}} (R_{i,n + 1}^t)$

(4)

$\hat x = \left\{ {{{\hat x}_1},{{\hat x}_2},···,{{\hat x}_N}} \right\} = ({s_{1,n + 1}},{s_{2,n + 1}}, ··· ,{s_{N,n + 1}})\!\!\!\!\!$

(5)

对于任何极化码， ${{x}} = {{u}} \cdot {{G}}$ ，如果 $\hat x$ 和 $\hat u$ 是有效的估值，则必须满足式(6)

$\hat {{x}} = \hat {{u}} \cdot {{G}}$

(6)

基于该推论， ${{ \hat x}} = {{\hat u }}\cdot {{G}}$ 可被用于在迭代过程中检测 ${{\hat x}}$ 与 ${{\hat u}}$ 是否为有效的估值。G-Matrix早期停止准则根据极化码编码中信息序列 $u$ 和码字 $x$ 之间的关系，在译码迭代中通过判断是否满足式(6)来决定是否提前停止译码迭代，因此每一次判断都相当于进行一次极化码编码。本文对G-Matrix做了进一步分析，依据式(6)，发现译码中信息序列估值 ${{\hat u}}$ 和码字估值 ${{\hat x}}$ 存在下列3种类型：类型1， ${{\hat x}}$ 和 ${{\hat u}}$ 满足式(6), ${{\hat x}}$ 和 ${{\hat u}}$ 均为有效估值；类型2， ${{\hat x}}$ 和 ${{\hat u}}$ 满足式(6), ${{\hat x}}$ 和 ${{\hat u}}$ 均为有效估值，但 ${{\hat u}}$ 并不是发送端所传输的信息序列；类型3：迭代次数达到最大迭代次数时依旧不满足式(6)。

对于类型2, ${{\hat x}}$ 和 ${{\hat u}}$ 在迭代过程中满足这种约束，即 ${{\hat x}}$ 的确是 ${{\hat u}}$ 经过极化编码后的码字，但 $\hat u_1^N \ne u_1^N$ ，即该信息序列并不是发送端所发送的信息。该类型情况在译码过程中极少发生，可忽略。类型3属于提前终止准则无法处理的情况，该类型会在迭代次数到达预设的最大迭代次数后停止。由以上分析可知，有效处理类型1是本文研究的重点。

对于类型1，为了满足式(6), ${{\hat x}}$ 和 ${{\hat u}}$ 需要同时为有效的估值。令 ${T_u}$ 表示 ${{\hat u}}$ 收敛所需的最小迭代次数， ${T_x}$ 表示 ${{\hat x}}$ 收敛所需的最小迭代次数，则类型1中迭代终止所需迭代次数由 ${T_u}$ 和 ${T_x}$ 中的较大值决定。

令 ${T_d}$ 表示译码成功所需的最小迭代次数。通过仿真得到 ${T_d}$ , ${T_u}$ 和 ${T_x}$ 之间的大小关系。图2展示了 ${T_u} - {T_d} > 0$ 和 ${T_x} - {T_u} > 0$ 的比例，灰色部分为 ${T_u} - {T_d} = 0$ 的比例。从图2中可看到 ${T_x}$ 是 ${T_u}$ 和 ${T_x}$ 之间较大的那个。因此，对于类型1，迭代终止准则可简化为判断 $\hat x$ 是否收敛。如图3所示，当E_b/N₀= $2.5\;{\rm{dB}}$ 时，随着迭代次数的增加， ${{\hat x}}$ 中的符号改变个数和 ${{\hat u}}$ 中的错误估值位数均迅速下降。当 ${{\hat u}}$ 中的错误估值位数下降到0，得到一个有效估值。

图 2

${T_d}$ ,

${T_u}$ 和

${T_x}$ 的大小关系

下载: 全尺寸图片幻灯片

图 3

$\hat x$ 中符号变化和

$\hat u$ 中错误位数

下载: 全尺寸图片幻灯片

在BP译码过程中，如果 ${{\hat x}}$ 连续几次迭代保持不变，则认定 ${{\hat x}}$ 已经收敛。因此，本文提出了一种新的停止准则，称之为X-tolerance。当 ${{\hat x}}$ 在连续X次迭代中保持不变时停止迭代。X-tolerance检测规则如式(7)所示。该准则不同于G-Matrix，它只依赖码字估计值 ${{\hat x}}$ ，无须每次迭代均对 ${{\hat u}}$ 进行重新编码，因此减少了计算复杂度

$\sum\limits_{t - X + 1}^t {\sum\limits_{i = 1}^N {\hat x_i^t} } \oplus \hat x_i^{t - 1} = 0$

(7)

3.2 比较空间的构造

在式(7)中，X-tolerance在一次迭代中需要N个异或(XOR)操作，为了进一步减小计算复杂度，本文定义了一个集合 $S \subseteq \left\{ {1,2, ··· ,N} \right\}$ ，称为比较空间，是由 $\hat x$ 中部分比特的索引构成的集合。设 $P({\hat x_i} \ne {x_i})$ 是当 $t = {I_{\max }}$ 时的 ${\hat x_i}$ 的出错概率。对于BP译码器，具有较低 $P({\hat x_i} \ne {x_i})$ 的 $\hat x_1^N$ 需要较少的译码迭代。利用这一思想，根据 $P({\hat x_i} \ne {x_i})$ 构造了比较空间。

对于n=3，极化码的Tanner图如图4所示。圆圈表示变量节点，方块表示校验节点。变量节点中的信息用LLR表示。设 ${a_{i,j}}$ 表示节点 $v(i,j)$ 的LLR的概率密度函数(Probability Density Function, PDF)。假设传输全零码字，基于密度进化理论^[11]，采用式(8)和式(9)递归地计算 ${a_{i,j}}$

图 4 (8, 4)极化码的Tanner图

下载: 全尺寸图片幻灯片

$\begin{split} \qquad\quad\ & {a_{2i - 1,j}} = {a_{i,j + 1}} \odot {a_{i + {2^{j + 1}},j + 1}},\\ & {a_{2i,j}} = {a_{i,j + 1}} \otimes {a_{i + {2^{j + 1}},j + 1}} \end{split}$

(8)

$\quad {a_{i,n + 1}} = {a_w}$

(9)

其中， $\odot$ 和 $\otimes$ 分别是变量节点和校验节点的卷积操作。 ${a_w}$ 是信道W接收到的LLR的概率密度函数。对于BP译码，设 $r_{i,j}^t$ 和 $l_{i,j}^t$ 表示 $v(i,j)$ 中 $R_{i,j}^t$ 和 $L_{i,j}^t$ 的概率密度函数。根据式(1)和密度进化理论， $r_{i,j}^t$ 和 $l_{i,j}^t$ 可通过式(10)计算

$\left. \begin{aligned} & r_{i,{{j}} + 1}^t = \left\{ {r_{2i - 1,{{j}}}^t \odot (r_{2i,{{j}}}^t \otimes l_{i + {2^{j + 1}},{{j}} + 1}^{t - 1})} \right\} \\ & r_{i + {2^{j + 1}},{{j}} + 1}^t = \left\{ {(r_{2i - 1,{{j}}}^t \otimes l_{i,{{j}} + 1}^{t - 1}) \odot r_{2i,{{j}}}^t} \right\} \\ & l_{2i - 1,{{j}}}^t = \left\{ {l_{i,{{j}} + 1}^t \odot (l_{i + {2^{j + 1}},{{j}} + 1}^t \otimes r_{2i,{{j}}}^t)} \right\} \\ & l_{2i,{{j}}}^t = \left\{ {(l_{i,{{j}} + 1}^t \otimes r_{2i - 1,{{j}}}^t) \odot l_{i + {2^{j + 1}},{{j}} + 1}^t} \right\} \end{aligned}\right\}$

(10)

根据BP算法的初始化可得， $r_{i,1}^t$ 满足

$\int\limits_{ - \infty }^0 {r_{i,1}^t} {\rm{d}}z = \left\{ \begin{aligned} & {0.5,i \in A} \\ & {0,\ \ i \notin A} \end{aligned} \right.,\;l_{i,n + 1}^t = {a_w}$

(11)

可用GA简化计算， $r_{i,j}^t$ 和 $l_{i,j}^t$ 分别表示为 ${\cal{N}}(m_{i,j}^{r,t},2m_{i,j}^{r,t})$ 和 ${\cal{N}}(m_{i,j}^{l,t},2m_{i,j}^{l,t})$ ^[13]。因此，式(10)和式(11)可近似为

$\begin{split} & m_{i,j + 1}^{r,t} = \left\{ {\varphi ^{ - 1}}(1 - [1 - \varphi (m_{2i - 1,j}^{r,t})]\right.\\ & \qquad\quad\ \ \left.\cdot [1 - \varphi (m_{2i,j}^{r,t} + m_{i + {2^{j + 1}},j + 1}^{l,t - 1})]) \right\}, \\ & m_{i + {2^{j + 1}},j + 1}^{r,t} = \left\{ {\varphi ^{ - 1}}(1 - [1 - \varphi (m_{2i - 1,j}^{r,t})]\right.\\ & \qquad\qquad\qquad \left.\cdot [1 - \varphi (m_{i,j + 1}^{l,t - 1})]) + m_{2i,j}^{r,t} \right\}, \\ & m_{2i - 1,j}^{l,t} = \left\{ {\varphi ^{ - 1}}(1 - [1 - \varphi (m_{i,j + 1}^{l,t})]\right.\\ & \qquad\quad\ \ \ \left.\cdot [1 - \varphi (m_{2i,j}^{l,t} + m_{i + {2^{j + 1}},j + 1}^{r,t})]) \right\}, \\ & m_{2i,j}^{l,t} = \left\{ {\varphi ^{ - 1}}(1 - [1 - \varphi (m_{2i - 1,j}^{l,t})] \right.\\ & \qquad\quad\ \left. \cdot [1 - \varphi (m_{i,j + 1}^{l,t})]) + m_{i + {2^{j + 1}},j + 1}^{l,t} \right\} \!\!\!\!\! \end{split}$

(12)

$m_{i,1}^{r,t} = \left\{ \begin{aligned} & {0,\quad\ i \in A} \\ & { + \infty ,i \notin A} \end{aligned} \right.$

(13)

$m_{i,n + 1}^{l,t} = 2/{\sigma ^2}$

(14)

在得到 $m_{i,n + 1}^{l,{I_{\max }}}$ 后， ${\hat x_i}$ 的错误概率通过式(15)计算

$\begin{split} P({\hat x_i} \ne {x_i}) =\,& \int\limits_{ - \infty }^0 {\frac{1}{{2\sqrt {\pi a_{i,n + 1}^t} }}} \\ & \cdot \exp \left( {\frac{{ - {{(x - m_{i,n + 1}^{l,{I_{\max }}})}^2}}}{{4m_{i,n + 1}^{l,{{{I}} _{\max }}}}}} \right){\rm{d}}x \end{split}$

(15)

式(15)可简化为^[16]

$\begin{split} & P({\hat x_i} \ne {x_i}) \\ & = \left[ {{\rm{1}} - {{\left( {1 - \exp \left( { - \left( {m_{i,n + 1}^{l,{I_{\max }}}/2} \right)/1.6058} \right)} \right)}^{1/2}}} \right]\Bigr/2 \end{split}$

(16)

对于X-tolerance，当采用比较空间缩小检测范围时，错误率会增加。然而，当增加X来弥补性能损失时，又增加了平均迭代次数。因此，为尽可能降低平均迭代次数，S由 $\{ P({\hat x_i} \ne {x_i})\left| {i = 1,2, ··· ,{{N}}} \right.\}$ 中Q个最小值的索引构成。当式(17)满足时，X-tolerance停止迭代译码，在算法1中给出了具体的BP译码过程

算法1　(N, K) X-tolerance BP译码器
(1) 输入：
(2) 信道输出： ${\rm{ LLR}}\left( { {r_i} } \right)$
(3) 冻结位集合： $A^C$
(4) 比较空间：S
(5) 初始化：
(6) 设定 ${I_{\max }}$ 和X
(7) For 每个节点的传播信息 $L_{i,j}^t$ 和 $R_{i,j}^t$
(8)　　if $(j = = 1)$ & $\left( {i \in {A^C}} \right)$ $R_{i,1}^t = \infty$ 对于t=0, 1,···, I_max
(9)　　else if $(j = = 1 + n)$ $L_{i,n + 1}^t = {\rm{LLR}}\left( { {r_i} } \right)$ 对于t=0, 1,···, 　　　　 I_{max x}
(10)　　else $L_{i,j}^0 = R_{i,j}^0 = 0$
(11) 迭代过程：
(12) While $t < {I_{\max }}$ do
(13) 根据(1)更新每个节点的 $L_{i,j}^t$ and $R_{i,j}^t$
(14) 更新 $\hat x_1^N$
(15)　　if $R_{i,n + 1}^t > 0$ then ${{\hat x}_i} = 0$
(16)　　else ${{\hat x}_i} = 1$
(17) end while
(18) 提前停止准则：
(19)　　if (17) 成立 then
(20) 迭代终止
(21)　　else $t=t+1$
(22) 输出： $\hat u_1^N = \left( {{{\hat u}_1},{{\hat u}_2}, ··· ,{{\hat u}_N}} \right)$

下载: 导出CSV

| 显示表格

$\sum\limits_{t - X + 1}^t {\sum\limits_{i \in S} {\hat x_i^t} } \oplus \hat x{}_i^{t - 1} = 0$

(17)

4. 性能分析

采用二进制相移键控(Binary Phase Shift Keying, BPSK)调制，在二进制加性高斯白噪声(Binary-Input Additive White Gaussian Noise, BI-AWGN)信道下，对(1024, 512)极化码进行BP算法仿真，其中 $\alpha = 0.9375$ ，最大迭代次数设置为40次。

4.1 译码性能分析

如图5所示，当Q=128, X=2时，所提出的准则在误帧率和误码率上与40次固定迭代(fixed 40), WIB和FBER译码性能相似。如果Q降低到64，则需将X至少增加到3，以弥补性能损失。每当X增加1时，它将至少导致平均迭代次数上升一次。同样可观察到Q值越大，译码性能越好。然而，较高的Q值增加了计算复杂度。因此，可通过仿真选择合适的(X,Q)来权衡硬件复杂度和平均迭代次数。

图 5 不同迭代终止准则的极化码译码性能比较

下载: 全尺寸图片幻灯片

4.2 对迭代次数的分析

在相同的误码率条件下，比较不同迭代终止算法的平均迭代次数。如图6所示，在BER=1.48×10^–5, E_b/N₀=3.5 dB时，与40次固定迭代(fixed 40)的算法相比，G-Matrix准则可以减少87.96%的迭代，本文所提准则在Q=128和X=2时可以减少83.03%的迭代；当 $Q = 1024, X = 1$ 时，与G-Matrix相比，平均迭代次数上升了29.98%；当 $Q = 128, X = 2$ 和 $Q = 64,X = 3$ 时分别与WIB(n_WIB=128, M=6)和FBER(N_F=64, M=6)相比平均迭代次数减少了39.44%和27.67%。当检测位数相等时，所提准则比WIB和FBER需要更少的迭代。

图 6 不同迭代终止准则的平均迭代次数比较

下载: 全尺寸图片幻灯片

4.3 硬件结构

X-tolerance的硬件结构如图7所示。通过硬判决得到 $R_{{S_i},n + 1}^t$ 的符号；异或(XOR)用于计算 $\hat x_{{S_i}}^t \oplus \hat x_{{S_i}}^{t - 1}$ 。在第t次迭代中， ${D_t}$ 是与门(OR)的结果；Comp检测 $\left\{ {{D_t},{D_{t - 1}}, ··· ,{D_{t - X + 1}}} \right\}$ 是否等于0；当 ${E_t}$ 为0时终止译码。

图 7 X-tolerance的硬件结构

下载: 全尺寸图片幻灯片

图8中给出了(8, 4)极化码的BP译码流程。虚线部分表示处理单元的阶段和停止准则之间的数据依赖关系。采用X-tolerance时，在第t次迭代的第3个时钟中，译码器输出 $R_{t,4}^t,i \in \left[ N \right]$ ，然后确定 ${\hat x^t}$ 。接下来， ${\hat x^t}$ 和 ${\hat x^{t - 1}}$ 被发送到相等检测器。第5个时钟，计算X比较器的结果。如果满足X-tolerance，译码器将计算 $L_{i,1}^t,i \in [N]$ ，终止译码，否则继续下一次迭代。对于大多数具有实际长度 $(n \le 10000)$ 的极化码，相等检测器和X比较器的关键路径延迟总是小于PE^[7]。因此，X-tolerance不会增加整个译码器的关键路径延迟。此外，G-Matrix, WIB和FBER只能在得到 ${{\hat u}}$ 后开始早期停止准则的判决，由于译码器和早期停止准则并行运行，在得到早期停止准则的结果前，译码无法终止，这会导致额外的延迟和复杂度。如图8所示，在第t次迭代的第6个时钟中译码器计算输出 $L_{i,4}^t,i \in \left[ N \right]$ ，之后的第7个时钟其他准则才会开始判断是否终止译码，相对于X-tolerance会多出部分时钟译码延迟。当 $n > 2$ 时，X-tolerance不会导致额外的延迟，因为X-tolerance的检测在获得 ${{\hat u}}$ 之前已完成。

图 8 采用X-tolerance的BP译码流程

下载: 全尺寸图片幻灯片

4.4 计算复杂度和资源消耗分析

表1列出了一次迭代停止准则的计算复杂度。对于 ${\hat x_i},i \in S$ , X-tolerance使用Q个XOR操作来计算 $\hat x_i^t \oplus \hat x{}_i^{t - 1}$ 。同时，X-tolerance需要X+Q个OR操作和1个比较操作来检测连续X次迭代是否有变化。虽然X-tolerance消耗更多或操作，但因为没有加法操作，其具有最低的计算复杂度。表2比较了多种早期迭代停止准则在Stratix V 5SGXEA7N2F45C2上的综合结果，统一采用8 bit量化LLR。与其他迭代终止准则相比，X-tolerance可有效降低硬件消耗。在ALM方面，它减少了90%以上的资源消耗。与G-Matrix, WIB和FBER相比，X-tolerance可节省37.6%～97.2%的寄存器。

表 1 早期停止准则的计算复杂度比较

停止准则	G-Matrix	WIB	FBER	X-tolerance
停止准则	G-Matrix	WIB	FBER	Q=N/8	Q=N/16
加法运算	2N	M+2N/8	M+N/16	–	–
比较运算	3N	–	–	–	1
异或(XOR)	NlogN	N/8	N/16	N/8	N/16
或(OR)		–	–	X+N/8	X+N/16

下载: 导出CSV

| 显示表格

表 2 不同早期停止准则的综合结果

停止准则	G-Matrix	WIB	FBER	X-tolerance
停止准则	G-Matrix	WIB	FBER	Q=128 X=2	Q=64 X=3
ALMs	30265	1820	1260	50	27
Registers	3073	330	210	131	68

下载: 导出CSV

| 显示表格

5. 结束语

为了降低极化码置信度传播算法的译码延迟，减少迭代次数，本文提出一种基于码字估值的早期迭代停止准则。通过构造比较空间，只需检测码字估值 ${{\hat x}}$ 中的部分位置，进一步降低计算复杂度，且不会引入额外的延迟。仿真表明，当最大迭代次数为40，信噪比为3.5 dB时，与G-Matrix相比，X-tolerance平均迭代次数上升了29.98%，与WIB, FBER相比，X-tolerance平均迭代次数分别降低39.44%和27.67%。综合结果表明，与G-Matrix, WIB和FBER相比，X-tolerance可节省90%以上的ALM资源。

图 1 Chernoff加权框架方法的结构框图

下载: 全尺寸图片幻灯片

图 2 每次试验的时序示意图

下载: 全尺寸图片幻灯片

图 3 各个时刻的特征统计概率分布图

下载: 全尺寸图片幻灯片

图 4 数据集1的互信息图

下载: 全尺寸图片幻灯片

图 5 数据集2的互信息图

下载: 全尺寸图片幻灯片

图 6 数据集3的互信息图

下载: 全尺寸图片幻灯片

图 7 数据集4的互信息图

下载: 全尺寸图片幻灯片

图 8 各算法分类精度结果图

下载: 全尺寸图片幻灯片

图 9 d_out的统计均值和方差变化图

下载: 全尺寸图片幻灯片

表 1 算法1 Chernoff框架方法的训练过程

　输入：EEG训练数据

　输出：独立分类器模型参数和概率权重w

　步骤 1　对EEG数据进行预处理，提取特征向量；

　步骤 2　利用独立分类器训练得到模型参数；

　步骤 3　利用式(1)得到特征向量的均值和方差；

　步骤 4：利用式(8)得到权重w。

下载: 导出CSV

表 2 算法2 Chernoff框架方法的测试过程

　输入：t 时刻的测试 EEG 数据,独立分类器参数和权重w

　输出：分类结果和判定值d_ou_t(t)

　步骤 1　对EEG数据进行预处理，提取特征向量；

　步骤 2　通过独立分类器的训练模型得到y_c(t)；

　步骤 3　利用式(11)和式(12)将y_c转化到p(t)∈[0, 1]；

　步骤 4　利用式(9)计算p_out(t)；

　步骤 5　利用式(10)将p_out(t) 变换到d_out(t)∈[–1, 1]；

　步骤 6　通过d_out(t)的符号获得分类结果。

下载: 导出CSV

表 3 实验中的数据集

序号	数据集来源	训练集个数(试验次数)	测试集个数(试验次数)	类别
1	BCI II (III)	1 (140)	1 (140)	2
2	BCI III (IIIb)	1 (320)	1 (320)	2
3	BCI IV (IIb)	3 (400)	2 (320)	2
4	BCI IV (IIb)	3 (400)	2 (320)	2

下载: 导出CSV

表 4 数据集1的最大互信息(bit)

分类方法	最大互信息
ELM	0.524/0.051
LDA	0.414
SVM	0.471
LSTM	0.511
ELM-CF	0.680/0.020
LDA-CF	0.631
SVM-CF	0.662
第II届BCI竞赛的第1名	0.61

下载: 导出CSV

参考文献(16)

TIWARI N, EDLA D R, DODIA S, et al. Brain computer interface: A comprehensive survey[J]. Biologically Inspired Cognitive Architectures, 2018, 26: 118–129. doi: 10.1016/j.bica.2018.10.005

杨帮华, 李博. 基于脑机接口的康复训练系统[J]. 系统仿真学报, 2019, 31(2): 174–180. doi: 10.16182/j.issn1004731x.joss.18-0791

YANG Banghua and LI Bo. Rehabilitation training system based on brain computer interface[J]. Journal of System Simulation, 2019, 31(2): 174–180. doi: 10.16182/j.issn1004731x.joss.18-0791

ALAZRAI R, ALWANNI H, BASLAN Y, et al. EEG-based brain-computer interface for decoding motor imagery tasks within the same hand using Choi-Williams time-frequency distribution[J]. Sensors, 2017, 17(9): 1937. doi: 10.3390/s17091937

LEEB R, LEE F, KEINRATH C, et al. Brain-computer communication: Motivation, aim, and impact of exploring a virtual apartment[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2007, 15(4): 473–482. doi: 10.1109/TNSRE.2007.906956

GUY V, SORIANI M H, BRUNO M, et al. Brain computer interface with the P300 speller: Usability for disabled people with amyotrophic lateral sclerosis[J]. Annals of Physical and Rehabilitation Medicine, 2018, 61(1): 5–11. doi: 10.1016/j.rehab.2017.09.004

HASAN M R, IBRAHIMY M I, MOTAKABBER S M A, et al. Classification of multichannel EEG signal by linear discriminant analysis[C]. The 23rd International Conference on Systems Engineering, 2015: 279–282. doi: 10.1007/978-3-319-08422-0_42.

SELIM S, TANTAWI M M, SHEDEED H A, et al. A CSP\AM-BA-SVM approach for motor imagery BCI system[J]. IEEE Access, 2018, 6: 49192–49208. doi: 10.1109/access.2018.2868178

BHADURI S, KHASNOBISH A, BOSE R, et al. Classification of lower limb motor imagery using K nearest neighbor and naïve-bayesian classifier[C]. The 3rd IEEE International Conference on Recent Advances in Information Technology (RAIT), Dhanbad, India, 2016: 1–6. doi: 10.1109/RAIT.2016.7507952.

ZHANG Yu, WANG Yu, JIN Jing, et al. Sparse Bayesian learning for obtaining sparsity of EEG frequency bands based feature vectors in motor imagery classification[J]. International Journal of Neural Systems, 2017, 27(2): 1650032. doi: 10.1142/S0129065716500325

HAZRATI M K and ERFANIAN A. An online EEG-based brain-computer interface for controlling hand grasp using an adaptive probabilistic neural network[J]. Medical Engineering & Physics, 2010, 32(7): 730–739. doi: 10.1016/j.medengphy.2010.04.016

程时伟, 周桃春, 唐智川, 等. 卷积神经网络实现的运动想象脑电分类及人-机器人交互应用[J]. 软件学报, 2019, 30(10): 1–14. doi: 10.13328/j.cnki.jos.005782

CHENG Shiwei, ZHOU Taochun, TANG Zhichuan, et al. Motor imagery EEG classifcation based on convolutional neural network and its application in human-robot interaction[J]. Journal of Software, 2019, 30(10): 1–14. doi: 10.13328/j.cnki.jos.005782

LEMM S, SCHAFER C, and CURIO G. BCI competition 2003-data set Ⅲ: Probabilistic modeling of sensorimotorμ-rhythms for classification of imaginary hand movements[J]. IEEE Transactions on Biomedical Engineering, 2004, 51(6): 1077–1080. doi: 10.1109/TBME.2004.827076

TAN Ping, TAN Guanzheng, CAI Zixing, et al. Using ELM-based weighted probabilistic model in the classification of synchronous EEG BCI[J]. Medical & Biological Engineering & Computing, 2017, 55(1): 33–43. doi: 10.1007/s11517-016-1493-x

MATSUI H. Variable and boundary selection for functional data via multiclass logistic regression modeling[J]. Computational Statistics & Data Analysis, 2014, 78: 176–185. doi: 10.1016/j.csda.2014.04.015

SCHLOGL A, KEINRATH C, SCHERER R, et al. Information transfer of an EEG-based brain computer interface[C]. The 1st International IEEE EMBS Conference on Neural Engineering, Capri Island, Italy, 2003: 641–644. doi: 10.1109/CNE.2003.1196910.

FORSTMANN B U, RATCLIFF R, and WAGENMAKERS E J. Sequential sampling models in cognitive neuroscience: Advantages, applications, and extensions[J]. Annual Review of Psychology, 2016, 67: 641–666. doi: 10.1146/annurev-psych-122414-033645

施引文献

期刊类型引用(3)

1.	高珍，张国伟. 改进区块链的移动网络敏感数据防篡改仿真. 计算机仿真. 2023(03): 409-412+430 . 百度学术
2.	文豪，曹阳，党宇超. 无线光通信下极化码DNN-NOMS译码方法研究. 红外与激光工程. 2022(05): 262-272 . 百度学术
3.	袁建国，张瑞，张丰果，李志伟，黄胜. CRC辅助PC-polar码的新颖编码算法. 重庆邮电大学学报(自然科学版). 2022(06): 929-934 . 百度学术

其他类型引用(4)

资源附件(0)

访问统计

图(9) / 表(4)

计量

文章访问数: 2554
HTML全文浏览量: 823
PDF下载量: 78
被引次数: 7

1. 引言
2. 基本理论
2.1 极化码
2.2 BP译码算法
3. 提出的早期迭代停止准则
3.1 X-tolerance早期迭代停止准则
3.2 比较空间的构造
4. 性能分析
4.1 译码性能分析
4.2 对迭代次数的分析
4.3 硬件结构
4.4 计算复杂度和资源消耗分析
5. 结束语

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

Chernof f加权分类器框架在运动想象脑-机接口中的应用

doi: 10.11999/JEIT181132

通讯作者:
郭璠　guofancsu@163.com

计量

Applying Chernoff Weighted Classification Frame Method to MotorImagery Brain Computer Interface

1. 引言

2. 基本理论

2.1 极化码

2.2 BP译码算法

3. 提出的早期迭代停止准则

3.1 X-tolerance早期迭代停止准则

3.2 比较空间的构造

4. 性能分析

4.1 译码性能分析

4.2 对迭代次数的分析

4.3 硬件结构

4.4 计算复杂度和资源消耗分析

5. 结束语

期刊类型引用(3)

其他类型引用(4)

计量

目录

1. 引言

2. 基本理论

2.1 极化码

2.2 BP译码算法

3. 提出的早期迭代停止准则

3.1 X-tolerance早期迭代停止准则

3.2 比较空间的构造

4. 性能分析

4.1 译码性能分析

4.2 对迭代次数的分析

4.3 硬件结构

4.4 计算复杂度和资源消耗分析

5. 结束语

留言板

Chernof f加权分类器框架在运动想象脑-机接口中的应用

doi: 10.11999/JEIT181132

通讯作者: 郭璠 guofancsu@163.com

计量

出版历程

Applying Chernoff Weighted Classification Frame Method to MotorImagery Brain Computer Interface

1. 引言

2. 基本理论

2.1 极化码

2.2 BP译码算法

3. 提出的早期迭代停止准则

3.1 X-tolerance早期迭代停止准则

3.2 比较空间的构造

4. 性能分析

4.1 译码性能分析

4.2 对迭代次数的分析

4.3 硬件结构

4.4 计算复杂度和资源消耗分析

5. 结束语

期刊类型引用(3)

其他类型引用(4)

计量

出版历程

目录

1. 引言

2. 基本理论

2.1 极化码

2.2 BP译码算法

3. 提出的早期迭代停止准则

3.1 X-tolerance早期迭代停止准则

3.2 比较空间的构造

4. 性能分析

4.1 译码性能分析

4.2 对迭代次数的分析

4.3 硬件结构

4.4 计算复杂度和资源消耗分析

5. 结束语

通讯作者:
郭璠　guofancsu@163.com