基于相关性和稀疏表示的运动想象脑电通道选择方法

孟明; 董芝超; 高云园; 孔万增

doi:10.11999/JEIT210778

基于相关性和稀疏表示的运动想象脑电通道选择方法

doi: 10.11999/JEIT210778

孟明^1, ,,
董芝超¹,
高云园^{1, 2},
孔万增²

1.
杭州电子科技大学自动化学院杭州 310018
2.
浙江省脑机协同智能重点实验室杭州 310018

基金项目: 国家自然科学基金(61871427, 61971168, U20B2074)

详细信息

作者简介:
孟明：男，1975年生，副教授，硕士生导师，研究方向为脑机接口、机器人智能控制

董芝超：男，1997年生，硕士生，研究方向为模式识别与脑机接口

高云园：女，1980年生，副教授，硕士生导师，研究方向为生物信号处理、脑机接口

孔万增：男，1980年生，教授，博士生导师，研究方向为人工智能与模式识别、脑机交互与认知计算

通讯作者:
孟明 mnming@hdu.edu.cn

中图分类号: TN911.7; TP391
计量
- 文章访问数: 903
- HTML全文浏览量: 551
- PDF下载量: 135
- 被引次数: 28
出版历程
- 收稿日期: 2021-08-04
- 修回日期: 2021-12-09
- 录用日期: 2021-12-13
- 网络出版日期: 2021-12-25
- 刊出日期: 2022-02-25

Correlation and Sparse Representation Based Channel Selection of Motor Imagery Electroencephalogram

1.
School of Automation, Hangzhou Dianzi University, Hangzhou 310018, China
2.
Key Laboratory of Brain Machine Collaborative Intelligence of Zhejiang Province, Hangzhou 310018, China

Funds: The National Natural Science Foundation of China (61871427, 61971168, U20B2074)

摘要

摘要: 在基于运动想象(MI)的脑机接口(BCI)中，通常采用较多通道的脑电信号(EEG)来提高分类精度，但其中会有包含与MI任务无关或冗余信息的通道，从而影响BCI的性能提升。该文针对运动想象脑电分类中的通道选择问题，提出一种采用相关性和稀疏表示对通道进行选择的方法(CSR-CS)。首先计算训练样本每个通道的皮尔逊相关系数来选择显著通道，然后提取显著通道所在区域的滤波器组共空间模式特征拼接成字典，利用由字典所得到的非零稀疏系数的个数表征每个区域的分类能力，选出显著区域所包含的显著通道作为最优通道，最后采用共空间模式和支持向量机分别进行特征提取与分类。在对BCI第3次竞赛数据集IVa和BCI第4次竞赛数据集I两个二分类MI任务的分类实验中，平均分类精度达到了88.61%和83.9%，表明所提通道选择方法的有效性和鲁棒性。
- 脑机接口 /
- 运动想象 /
- 共空间模式 /
- 支持向量机 /
- 通道选择
Abstract: In Motor Imagery (MI) based Brain Computer Interface (BCI), more channels of ElectroEncephaloGram (EEG) signal are usually adopted to improve the classification accuracy. But there will be channels containing irrelevant or redundant information about MI tasks, which degenerate the performance improvement of BCI. A Channel Selection method based on Correlation and Sparse Representation (CSR-CS) is proposed for EEG classification. Firstly, the Pearson correlation coefficient of each channel of the training sample is calculated to select the significant channels. Then the filter bank common spatial pattern features of the region where the significant channels are located are extracted and spliced into a dictionary. The number of non-zero sparse coefficients obtained from the dictionary is used to characterize the classification ability of each region, and the significant channels contained in the significant regions are selected as the optimal channels. Finally, the common spatial pattern and support vector machine are employed for feature extraction and classification respectively. In the classification experiments of two categories of MI task with BCI competition III dataset IVa and BCI competition IV dataset I, the average classification accuracy reaches 88.61% and 83.9%, which indicates the effectiveness and robustness of the proposed channel selection method.
- Brain Computer Interface (BCI) /
- Motor Imagery (MI) /
- Common spatial pattern /
- Support Vector Machine (SVM) /
- Channel selection

HTML全文

1. 引言

电磁频谱监测^[1]是实现无线电管理的技术手段之一。随着通信技术发展和应用普及，无线电频谱管理工作越来越复杂，为更加高效管理无线电资源，避免未知信号源对现有电磁环境干扰，根据频谱监测数据及时对信号进行定位和跟踪一直是电磁频谱研究热点之一。

对信号源定位技术主要有以下几种实现方法，例如信号到达时间差(TDOA)^[2—6]、信号到达角度(AOA)^[5,6]、信号到达频率差(FDOA)^[7,8]以及接收信号强度指示(RSSI)^[9—11]等。其中TDOA, AOA, FDOA及其联合定位的定位精度较高，但需要监测设备拥有额外的硬件^[10]。综合考虑，在频谱监测系统中频谱数据所包含的信号相关参数较少，且地面监测站接收机并没有都配备昂贵的测向设备等特点，因而RSSI定位技术是目前频谱监测中一种比较有效的方法。

由于被监测信号无法控制且没有任何先验知识，只能通过对信号的被动监测，即接收与处理信号来估计信号源位置的情况，无法直接利用RSSI测距定位。本文提出了一种新的定位算法，即将监测站间的接收信号强度指示差值(RSSID)转换成信号源到两监测站的距离之比进行定位。此外，在已知信号源到监测站距离的情况下，距离之比定位(Localization with Ratio-Distance, LRD)比三边测量法(Trilateration)具有更加优越的定位性能^[12]。结合LRD思想，本文提出了一种适用于频谱监测系统对信号源进行有效定位的方法，即RSSID定位算法。

2. 定位原理

2.1 RSSI值求取距离之比

在研究信号源位置估算方法之前，有必要选择一种适合当前环境的无线电波传播的数学模型。本文采用适合解决市区无线电信号源位置估计的Egli电波传播模型^[13]，其经验公式如式(1)所示。

$L = 78 + 20\lg f + 40\lg d - 20{h_t} - 20{h_r}$

(1)

式中， $L$ 为路径衰减，单位dB； $f$ 为信号频率，单位MHz； $d$ 为信号源到监测站的距离，单位km； ${h_t}$ 为信号源发射天线高度，单位m； ${h_r}$ 监测站接收天线的高度，单位m。

发射功率与接收功率之间的关系为

${\rm{RSSI}} = {P_t} - L$

(2)

式中，RSSI为监测站接收功率，单位dB； ${P_t}$ 为信号源发射功率，单位dB。

为了消除信号源的相关参数，通过式(3)消去信号源发射天线高度 ${h_t}$ 以及信号源发射功率 ${P_t}$ 。

${\rm{RSS}}{{\rm{I}}_0} - {\rm{RSS}}{{\rm{I}}_i} = {L_i} - {L_0} = 40\lg \frac{{{d_i}}}{{{d_0}}} + 20\lg \frac{{{h_{{\rm{r}}0}}}}{{{h_{{\rm{ri}}}}}}$

(3)

式中， ${\rm{RSS}}{{\rm{I}}_0}$ 为主监测站接收功率， ${\rm{RSS}}{{\rm{I}}_i}$ 为第 $i$ 个次监测站接收功率，因此信号源到各次监测站距离与到主监测站的距离之比 ${k_{{\rm{i}}0}}$ 为

${k_{{\rm{i}}0}} = \frac{{{d_i}}}{{{d_0}}} = {10^{\frac{{{\rm{RSS}}{{\rm{I}}_0} - {\rm{RSS}}{{\rm{I}}_i} - 20\lg \frac{{{h_{{\rm{r}}0}}}}{{{h_{{\rm{ri}}}}}}}}{{40}}}}$

(4)

2.2 根据距离之比定位

由解析几何可知，信号源到两个监测站的距离之比(比值不等于1)为常数时，其轨迹是一个圆，此圆的圆心位于两监测站位置的连线上并且靠近接收信号大的监测站一侧。假设有3个监测站同时接收到同一信号电平，就可以得到2个距离比圆，得到2个可能的信号源位置解，再根据信号源辐射范围即可确定信号源位置。

设主监测站位置为 ${B_0}\left( {{x_0},{y_0}} \right)$ ，接收天线的高度为 ${h_0}$ ，次监测站位置为 ${B_1}\left( {{x_1},{y_1}} \right)$ , ${B_2}\left( {{x_2},{y_2}} \right)$ ，接收天线高度分别为 ${h_1}$ , ${h_2}$ ，信号源的实际位置为 $S\left( {{x_s},{y_s}} \right)$ ，两个距离比圆的圆心为 ${C_1}\left( {{x_{{\rm{c}}1}},{y_{{\rm{c}}1}}} \right)$ , ${C_2}$ $\left( {{x_{{\rm{c}}2}},{y_{{\rm{c}}2}}} \right)$ ，所以根据距离之比和已知监测站位置，可得到

$\begin{aligned} {k_{{\rm{i}}0}} & = 1{0^{\frac{{{\rm{RSS}}{{\rm{I}}_0} - {\rm{RSS}}{{\rm{I}}_i} - 20\lg \frac{{{h_{{\rm{r}}0}}}}{{{h_{{\rm{ri}}}}}}}}{{40}}}} = \frac{{{d_i}}}{{{d_0}}}\\ & = \frac{{\sqrt {{{\left( {x - {x_i}} \right)}^2} + {{\left( {y - {y_i}} \right)}^2}} }}{{\sqrt {{{\left( {x - {x_0}} \right)}^2} + {{\left( {y - {y_i}} \right)}^2}} }} = \sqrt {{\lambda _i}} \;,\;\; {i = 1,2} \end{aligned}$

(5)

整理式(5)得

$\begin{aligned} & {\left( {x - \frac{{{x_i} - {\lambda _i}{x_0}}}{{1 - {\lambda _i}}}} \right)^2} + {\left( {y - \frac{{{y_i} - {\lambda _i}{y_0}}}{{1 - {\lambda _i}}}} \right)^2} \\ & = \frac{{{\lambda _i}}}{{{{\left( {1 - {\lambda _i}} \right)}^2}}}\left[ {{{\left( {{x_0} - {x_i}} \right)}^2} + {{\left( {{y_0} - {y_i}} \right)}^2}} \right] \\ & = \frac{{{\lambda _i}}}{{{{\left( {1 - {\lambda _i}} \right)}^2}}}d_{{\rm{i}}0}^2 \end{aligned}$

(6)

式(6)中， ${d_{{\rm{i}}0}}$ 为次监测站到主监测站的距离，可以得到距离比圆的信息。圆心坐标为

${x_{{\rm{ci}}}} = \frac{{{x_i} - {\lambda _i}{x_0}}}{{1 - {\lambda _i}}},\;\;{y_{{\rm{ci}}}} = \frac{{{y_i} - {\lambda _i}{y_0}}}{{1 - {\lambda _i}}}$

(7)

距离比圆半径：

${R_i} = \left| {\frac{{{k_{{\rm{i}}0}}}}{{1 - {\lambda _i}}}} \right|{d_{{\rm{i}}0}}$

(8)

因此，至少使用3个监测站才可得到2个距离比圆，两圆在监测站共同覆盖范围的交点即为目标位置。实际情况中，多个监测站进行监测时，可以得到多个距离比圆，由于误差的存在，多个距离比圆相交将产生多个可能的目标解，式(9)对应的目标序号 $j$ 即为所要求的目标解：

$\min \!\left[ {\sum\limits_{i = 0}^n {\sqrt {{{\left( {{x_i} - {x_j}} \right)}^2} \!+\! {{\left( {{y_i}\! -\! {y_j}} \right)}^2}} } } \right],\;\;j \in \!\left[ {0,n \!-\! 1} \right] \hspace{10pt}$

(9)

本文算法的定位原理如图1所示。

图 1 RSSID定位原理图

下载: 全尺寸图片幻灯片

3. 算法步骤

3.1 数据预处理

从式(4)可以看出，信号源到次监测站与主监测站的距离之比与RSSI信号密切相关。但是，在信号的实际传播过程中RSSI信号容易受到电波传播环境影响，例如障碍物尺寸、天气的好坏以及接收节点所在位置的高度等，因此，需要对RSSI信号进行预处理得到平稳变化的RSSI信号。

卡尔曼滤波是基于线性最小均方误差预测和线性递归更新的优化算法^[14]，根据前一时刻的预测值和当前时刻的测量值更新当前时刻的预测值，可以有效解决干扰噪声服从正态分布的滤波问题，适用于RSSI信号的滤波处理^[15—18]。在这项工作中，RSSI信号噪声被假定为高斯噪声，虽然这个假设并不完全准确，但实际测量中RSSI值的误差波动比较集中，此时卡尔曼滤波器可以在一定程度上解决信号漂移和冲击问题^[18]。其次，卡尔曼滤波在求解时不需要储存大量的观测数据，并且当得到新的观测数据时，可随时算得新的参数滤波值，便于实时地处理观测数据。

对RSSI信号进行“测量-预测-更新”，消除系统随机噪声，平滑RSSI信号。主要包括两个阶段：预测和更新。预测阶段为^[16]

$k$ 时刻状态预测：

$x\left( {k\left| {k - 1} \right.} \right) = x\left( {k - 1\left| {k - 1} \right.} \right)$

(10)

协方差预测：

$P\left( {k\left| {k - 1} \right.} \right) = P\left( {k - 1\left| {k - 1} \right.} \right) + Q$

(11)

式中， $x\left( {k - 1\left| {k - 1} \right.} \right)$ 为 $k - 1$ 时刻RSSI信号的状态值， $x\left( {k\left| k \right.} \right)$ 为 $k$ 时刻RSSI信号的状态值， $x\left( {k\left| {k - 1} \right.} \right)$ 为 $k$ 时刻RSSI信号的预测值， $P\left( {k - 1\left| {k - 1} \right.} \right)$ 是对应 $x\left( {k - 1\left| {k - 1} \right.} \right)$ 的系统误差协方差， $P\left( {k\left| {k - 1} \right.} \right)$ 对应 $x\left( {k\left| {k - 1} \right.} \right)$ 的系统误差协方差， $Q$ 状态噪声协方差。递归估计更新阶段^[16]：

卡尔曼增益：

${\rm{Kg}}\left( k \right) = \frac{{P\left( {k\left| {k - 1} \right.} \right)}}{{P\left( {k\left| {k - 1} \right.} \right) + R}}$

(12)

$k$ 时刻状态更新：

$x\left( {k\left| k \right.} \right) \!=\! x\left( {k\left| {k \!-\! 1} \right.} \right) \!+\! {\rm{Kg}}\left( k \right)\left[ {y\left( k \right) \!-\! x\left( {k\left| {k - 1} \right.} \right)} \right] \hspace{15pt}$

(13)

协方差更新：

$P\left( {k\left| {k - 1} \right.} \right) = \left( {1 - {\rm{Kg}}\left( k \right)P\left( {k\left| {k - 1} \right.} \right)} \right)$

(14)

式中， $R$ 是测量噪声协方差， ${\rm{Kg}}\left( k \right)$ 是 $k$ 时刻的卡尔曼增益， $y\left( k \right)$ 是 $k$ 时刻RSSI信号的测量值。当对象模型足够准确且系统状态和参数不发生突变时，卡尔曼滤波性能较好。

3.2 定位算法

实际使用中发现，监测站距离信号源较近时，由于受到传播路径的影响较小， ${\rm{RSSI}}$ 测量值相对较准确^[19]，因此选取 ${\rm{RSSI}}$ 值最大的监测站作为主监测站。根据式(5)可以求得信号源到其余各监测站与主监测站的距离之比。

另外由信号源 $S\left( {{x_s},{y_s}} \right)$ 到达监测站 ${B_i}\left( {{x_i},{y_i}} \right)$ , $i = 1,2, ·\!·\!· ,N + 1$ 的欧式距离公式可得

$k_{{\rm{i}}0}^2 \!=\! \frac{{d_i^2}}{{d_0^2}} \!=\! \frac{{{{\left\| {S - {B_i}} \right\|}^2}}}{{{{\left\| {S - {B_0}} \right\|}^2}}} = \frac{{{{\left( {{x_s} - {x_i}} \right)}^2} \!+\! {{\left( {{y_s} - {y_i}} \right)}^2}}}{{{{\left( {{x_s} \!-\! {x_0}} \right)}^2} + {{\left( {{y_s} - {y_0}} \right)}^2}}}$

(15)

将式(15)整理展开可以得到

$\begin{aligned} & \left( {1 \!-\! k_{{\rm{i}}0}^2} \right)\!\!\left( {{x_s}\!\!^2 \!+\! {y_s}\!\!^2} \right) \!+\! 2\left( {k_{{\rm{i}}0}^2{x_{\rm{0}}} \!-\! {x_i}} \right){x_s} \!+\! 2\left( {k_{{\rm{i}}0}^2{y_{\rm{0}}} \!-\! {y_i}} \right){y_s} \\ & \quad\quad\quad\ = k_{{\rm{i}}0}\!\!^2\left( {{x_{\rm{0}}}\!\!^2 + {y_{\rm{0}}}\!\!^2} \right) - {x_i}\!\!^2 - {y_i}\!\!^2 \end{aligned}$

(16)

设 ${{S}}' = \left[ {{x_s},{y_s},{x_s}\!\!^2 + {y_s}\!\!^2} \right]$ 为未知矢量建立方程， $N$ 个上述方程构成定位矩阵：

${{GS}}' = {{b}}$

(17)

式中，

${{G}} =\!\! \left[\! \begin{array}{l} \begin{array}{*{20}{c}} \!\!{2\left( {k_{10}^2{x_0} - {x_1}} \right)} & {2\left( {k_{10}^2{y_0} - {y_1}} \right)} & {1 - k_{10}^2}\!\!\!\!\\ \!\!{2\left( {k_{20}^2{x_0} - {x_2}} \right)} & {2\left( {k_{20}^2{y_0} - {y_2}} \right)} & {1 - k_{20}^2}\!\!\!\!\\ \!\! \vdots & \vdots & \vdots \!\!\!\! \end{array}\\ \begin{array}{*{20}{c}} \!\!{2\left( {k_{N0}^2{x_0} - {x_N}} \right)} & {2\left( {k_{N0}^2{y_0} - {y_N}} \right)} & {1 - k_{10}^2}\!\!\!\! \end{array} \end{array} \!\right]\!,\;\;\\ {{b}} = \left[ {\begin{array}{*{20}{c}} {k_{10}^2\left( {x_0^2 + y_0^2} \right) - x_1^2 - y_1^2}\\ {k_{20}^2\left( {x_0^2 + y_0^2} \right) - x_2^2 - y_2^2}\\ \vdots \\ {k_{N0}^2\left( {x_0^2 + y_0^2} \right) - x_N^2 - y_N^2} \end{array}} \right]$

(18)

于是得到了 ${{S}}'$ 的最小二乘估计值：

${{S}}' = {\left( {{{{G}}^{\rm{T}}}{{G}}} \right)^{ - 1}}{{{G}}^{\rm{T}}}{{b}}$

(19)

则信号源位置 ${{S}} = {{S}}'[1:3]$ 。

4. 计算机仿真

本文使用Java编程实现RSSI和RSSID定位算法的仿真实验，并利用Python语言对实验结果进行了分析和处理。本文算法已使用Java编程成功应用于国内某频谱大数据监测平台。

为分析本文算法的定位性能，在相同的仿真环境下进行以下仿真分析实验。仿真环境设置为4个监测站，分别位于20 km×20 km的正方形区域的4个顶点上，其坐标为(0, 0), (0, 20), (20, 0)和(20, 20)。另外，为对比本文算法与RSSI测距定位算法的定位性能，以下实验中已知信号源的相关参数，如频率、发射天线高度及发射功率等。

4.1 影响因素分析

分别验证接收信噪比SNR以及监测站间距对定位精度的影响，采用定位结果与真实值之间的均方根误差衡量定位精度，

${\rm{RMSE}}\left( u \right) =\frac{{ \displaystyle\sum\limits_{i = 0}^N {\left\| {{u_{{\rm{obj}},i}} - {u_{{\rm{mea}},i}}} \right\|} }}{N}$

(20)

其中， $N$ 是信号源个数， ${u_{{\rm{obj}},i}}$ 表示第 $i$ 个信号源的真实位置， ${u_{{\rm{mea}},i}}$ 表示 $i$ 个信号源的定位结果。参与比较的算法包括：传统RSSI定位算法，本文所提的RSSID定位算法。

4.1.1 接收信噪比SNR对定位精度的影响

为验证接收信噪比SNR对定位精度的影响，在相同的监测站位置配置下比较不同定位算法的定位性能，设置区域内随机点数 $N = 400$ ，接收信噪比SNR∈[–16, 20] dB。

定位精度随信噪比不同的变化情况如图2所示，对比传统RSSI定位算法，当SNR∈[0, 20] dB时本文算法性能明显提升，这是因为即使估计的距离与真实距离相差较大，距离的比例也没有太大的影响。当SNR≤–4 dB时，噪声在接收信号中起决定性作用，本文算法与RSSI定位算法误差均较大，无法正确估计信号源位置；当SNR≥–4 dB时，本文算法定位性能优于RSSI定位算法。

图 2 随信噪比变化的定位性能

下载: 全尺寸图片幻灯片

4.1.2 监测站间距对定位精度的影响

为验证监测站间距对定位精度的影响，设置信噪比SNR=16 dB，监测区域内信号源个数 $N = 1000$ ，监测站间距 $d \in [1,20]$ km。

定位精度随监测站间距不同的变化情况如图3所示，对比传统RSSI定位算法，随着监测站间距的增大，本文算法定位误差明显较小，性能明显提升。

图 3 随监测站间距变化的定位性能

下载: 全尺寸图片幻灯片

4.2 RSSI定位与RSSID定位误差分析

在此分析监测站接收信号信噪比为SNR=16 dB时，RSSID定位与RSSI定位的定位性能，以及卡尔曼滤波算法对RSSID定位的优化能力。

4.2.1 数据预处理

RSSID定位与RSSI定位的定位精度均受到信号接收强度的影响，因此有必要对RSSI信号进行预处理。本文采用卡尔曼滤波处理RSSI信号，如图4(a)与图4(b)所示，卡尔曼滤波可以实现对RSSI信号的平滑处理，减少RSSI信号的测量误差。

图 4 卡尔曼滤波效果图

下载: 全尺寸图片幻灯片

4.2.2 单目标定位

为对比RSSID定位算法与RSSI定位算法对单个目标的定位性能，对区域内随机一个目标进行200次定位。两种不同算法的定位误差如图5(a)与图5(b)所示，可以看出滤波前后，RSSID定位算法与RSSI定位算法都可以对信号源进行有效定位，RSSID定位算法均比RSSI定位算法定位误差较小。

图 5 单目标定位误差对比

下载: 全尺寸图片幻灯片

为了避免仿真实验的随机性，对1个随机生成的信号源进行10000次定位，分析其误差，如表1所示。

表 1 单目标定位10000次误差统计分析(km)

是否预处理	定位方法	最大误差	最小误差	平均误差
否	RSSI定位	5.0802	0.0239	1.3993
否	RSSID定位	4.6224	0.0076	0.8527
是	RSSI定位	1.4537	0.2273	0.6249
是	RSSID定位	0.8801	0.0068	0.2683

下载: 导出CSV

| 显示表格

4.2.3 多目标定位

为对比RSSID定位算法与RSSI定位算法对多个目标同时定位的定位性能，对区域内随机生成的25个信号源进行200次定位。两种不同算法的定位误差如图6(a)与图6(b)所示，可以看出滤波前后，本文RSSID算法定位性能均明显优于RSSI定位算法。

图 6 多目标定位平均误差对比

下载: 全尺寸图片幻灯片

为避免因为数据量较少出现偶然误差，对200个信号源进行10000次定位，分析每次对200个信号源定位的平均误差，统计结果如表2所示。

表 2 多目标定位10000次平均误差统计分析(km)

是否预处理	定位方法	最大误差	最小误差	平均误差
否	RSSI定位	1.8602	1.3599	1.5911
否	RSSID定位	1.1015	0.7620	0.9170
是	RSSI定位	1.5312	0.9470	1.1530
是	RSSID定位	0.8284	0.1948	0.2930

下载: 导出CSV

| 显示表格

5. 结束语

本文提出了一种运用于频谱监测系统对监测信号有效定位的方法。在频谱监测系统中，被监测信号无法控制并且没有任何先验知识，只能通过对信号的被动监测、接收与处理来估计信号源的位置，此时不适用传统RSSI定位法，而本文RSSID算法是根据监测站地理位置以及各监测站接收信号强度对信号源定位的，不需要任何先验知识。因此，本文算法适用性更广，可用于频谱监测系统对监测到的未知信号进行实时定位。

仿真分析表明，在信号相关参数已知的情况下，本文RSSID算法比传统RSSI定位法受到信噪比的影响较小，定位性能更加优越。另外引入卡尔曼滤波对RSSI值进行预处理可以极大的提高本文算法的定位性能。

图 1 CSR-CS方法框图

下载: 全尺寸图片幻灯片

图 2 稀疏表示方法

下载: 全尺寸图片幻灯片

图 3 单次实验时间轴

下载: 全尺寸图片幻灯片

图 4 通道区域划分

下载: 全尺寸图片幻灯片

图 5 数据集Ⅱ电极分布

下载: 全尺寸图片幻灯片

图 6 选择通道区域个数对分类精度的影响

下载: 全尺寸图片幻灯片

图 7 受试者aa在CSR-CS和AC-CSP方法上获得的最显著的两个特征的分布

下载: 全尺寸图片幻灯片

图 8 选择显著通道或区域与否对分类精度的影响

下载: 全尺寸图片幻灯片

表 1 数据集Ⅰ、数据集Ⅱ分类精度比较

受试者	方法
受试者	CCS-RCSP	CSP-R-MF	FCCR	CSR-CS
aa	82.50	81.43	78.57	86.31
al	96.80	92.41	98.21	97.74
av	71.10	70.00	72.45	72.83
aw	92.90	83.57	87.05	90.48
ay	93.90	85.00	93.25	95.71
均值	87.44	82.48	85.91	88.61
a	85.50	81.50	83.50	92.00
b	67.00	63.00	72.50	62.50
f	79.50	79.00	81.00	86.30
g	94.50	87.50	83.50	94.70
均值	81.60	77.80	80.10	83.90
p-value	0.21	<0.01	0.16	–

下载: 导出CSV

表 2 通道选择与否对分类准确率的影响

方法	数据集Ⅰ						数据集Ⅱ
方法	aa	al	av	aw	ay	均值	a	b	f	g	均值	p-value
AC-CSP	76.19	95.12	66.02	83.69	94.88	83.18	82.50	52.50	85.10	92.30	78.10	<0.01
CSR-CS	86.31	97.74	72.83	90.48	95.71	88.61	92.00	62.50	86.30	94.70	83.90	–

下载: 导出CSV

参考文献(22)

[1]	BIRBAUMER N. Brain–computer-interface research: Coming of age[J]. Clinical Neurophysiology, 2006, 117(3): 479–483. doi: 10.1016/j.clinph.2005.11.002
[2]	BLANKERTZ B, DORNHEGE G, KRAULEDAT M, et al. The non-invasive Berlin Brain–Computer Interface: Fast acquisition of effective performance in untrained subjects[J]. NeuroImage, 2007, 37(2): 539–550. doi: 10.1016/j.neuroimage.2007.01.051
[3]	ALLISON B Z, KÜBLER A, and JIN Jing. 30+years of P300 brain-computer interfaces[J]. Psychophysiology, 2020, 57(7): e13569. doi: 10.1111/psyp.13569
[4]	HSU C C, YEH C L, LEE W K, et al. Extraction of high-frequency SSVEP for BCI control using iterative filtering based empirical mode decomposition[J]. Biomedical Signal Processing and Control, 2020, 61: 102022. doi: 10.1016/j.bspc.2020.102022
[5]	ANG K K and GUAN Cuntai. EEG-based strategies to detect motor imagery for control and rehabilitation[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2017, 25(4): 392–401. doi: 10.1109/TNSRE.2016.2646763
[6]	RONG Yuying, WU Xiaojun, and ZHANG Yumei. Classification of motor imagery electroencephalography signals using continuous small convolutional neural network[J]. International Journal of Imaging Systems and Technology, 2020, 30(3): 653–659. doi: 10.1002/ima.22405
[7]	PARK Y and CHUNG W. A novel EEG correlation coefficient feature extraction approach based on demixing EEG channel pairs for cognitive task classification[J]. IEEE Access, 2020, 8: 87422–87433. doi: 10.1109/access.2020.2993318
[8]	BLANKERTZ B, LOSCH F, KRAULEDAT M, et al. The Berlin brain-computer interface: Accurate performance from first-session in BCI-naive subjects[J]. IEEE Transactions on Biomedical Engineering, 2008, 55(10): 2452–2462. doi: 10.1109/TBME.2008.923152
[9]	LIU Ye, ZHANG Hao, CHEN Min, et al. A boosting-based spatial-spectral model for stroke patients’ EEG analysis in rehabilitation training[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2016, 24(1): 169–179. doi: 10.1109/TNSRE.2015.2466079
[10]	ASENSIO-CUBERO J, GAN J Q, and PALANIAPPAN R. Multiresolution analysis over simple graphs for brain computer interfaces[J]. Journal of Neural Engineering, 2013, 10(4): 046014. doi: 10.1088/1741-2560/10/4/046014
[11]	FENG Jiankui, JIN Jing, DALY I, et al. An optimized channel selection method based on multifrequency CSP-Rank for motor imagery-based BCI system[J]. Computational Intelligence and Neuroscience, 2019, 2019: 8068357. doi: 10.1155/2019/8068357
[12]	JIN Jing, MIAO Yangyang, DALY I, et al. Correlation-based channel selection and regularized feature optimization for MI-based BCI[J]. Neural Networks, 2019, 118: 262–270. doi: 10.1016/j.neunet.2019.07.008
[13]	VARSEHI H and FIROOZABADI S M P. An EEG channel selection method for motor imagery based brain–computer interface and neurofeedback using Granger causality[J]. Neural Networks, 2021, 133: 193–206. doi: 10.1016/j.neunet.2020.11.002
[14]	HAN Jiuqi, ZHAO Yuwei, SUN Hongji, et al. A fast, open EEG classification framework based on feature compression and channel ranking[J]. Frontiers in Neuroscience, 2018, 12: 217. doi: 10.3389/fnins.2018.00217
[15]	CONA F, ZAVAGLIA M, ASTOLFI L, et al. Changes in EEG power spectral density and cortical connectivity in healthy and tetraplegic patients during a motor imagery task[J]. Computational Intelligence and Neuroscience, 2009, 2009: 279515. doi: 10.1155/2009/279515
[16]	HAMEDI M, SALLEH S, and NOOR A M. Electroencephalographic motor imagery brain connectivity analysis for BCI: A review[J]. Neural Computation, 2016, 28(6): 999–1041. doi: 10.1162/NECO_a_00838
[17]	ANG K K, CHIN Z Y, ZHANG Haihong, et al. Filter bank common spatial pattern (FBCSP) in brain-computer interface[C]. 2008 IEEE International Joint Conference on Neural Networks (IEEE World Congress on Computational Intelligence), Hong Kong, China, 2008: 2390–2397.
[18]	SHIN Y, LEE S, AHN M, et al. Noise robustness analysis of sparse representation based classification method for non-stationary EEG signal classification[J]. Biomedical Signal Processing and Control, 2015, 21: 8–18. doi: 10.1016/j.bspc.2015.05.007
[19]	LI Yuanqing, NAMBURI P, YU Zhuliang, et al. Voxel selection in fMRI data analysis based on sparse representation[J]. IEEE Transactions on Biomedical Engineering, 2009, 56(10): 2439–2451. doi: 10.1109/TBME.2009.2025866
[20]	XU Chunyao, SUN Chao, JIANG Guoqian, et al. Two-Level multi-domain feature extraction on sparse representation for motor imagery classification[J]. Biomedical Signal Processing and Control, 2020, 62: 102160. doi: 10.1016/j.bspc.2020.102160
[21]	SREEJA S R, HIMANSHU, and SAMANTA D. Distance-based weighted sparse representation to classify motor imagery EEG signals for BCI applications[J]. Multimedia Tools and Applications, 2020, 79(19): 13775–13793. doi: 10.1007/s11042-019-08602-0
[22]	JIAO Yong, ZHANG Yu, CHEN Xun, et al. Sparse group representation model for motor imagery EEG classification[J]. IEEE Journal of Biomedical and Health Informatics, 2019, 23(2): 631–641. doi: 10.1109/JBHI.2018.2832538

施引文献

期刊类型引用(12)

1.	余修武，彭威，余员琴，刘永. 基于SSO的铀尾矿库无线传感器网络定位算法. 中国安全科学学报. 2023(04): 84-90 . 百度学术
2.	束仁义，朱家兵，沈晓波，蔡俊，夏泐. 基于KF-BA-LSSVR的无线传感器网络节点定位研究. 重庆科技学院学报(自然科学版). 2022(03): 57-61 . 百度学术
3.	吴红生，黄良永. 激光传输过程中的信号捕获与自动跟踪研究. 激光杂志. 2022(07): 139-143 . 百度学术
4.	路韬，黄友朋，党三磊，张捷. 基于改进ELM的计量终端定位算法仿真. 计算机仿真. 2022(09): 377-383 . 百度学术
5.	林逢春，谭文武. 人工智能技术的高速光纤通信链路智能选择研究. 激光杂志. 2022(12): 159-163 . 百度学术
6.	赵书红，董绍武，白杉杉，高喆. 一种优化的频率驾驭算法研究. 电子与信息学报. 2021(05): 1457-1464 . 本站查看
7.	张旭，姚善化. 未调制可见光室内定位. 湖南文理学院学报(自然科学版). 2021(03): 58-61+80 . 百度学术
8.	孙小君，周晗，沈海滨，闫广明. 加权融合鲁棒增量Kalman滤波器. 电子与信息学报. 2021(12): 3680-3686 . 本站查看
9.	郭永宁，李燕龙. 无人机无线电监测混合定位算法. 桂林电子科技大学学报. 2021(05): 362-367 . 百度学术
10.	梁拥军. 基于卡尔曼滤波的无线电台电磁干扰源定位方法研究. 电子设计工程. 2020(09): 112-116 . 百度学术
11.	孙小君，周晗，闫广明. 基于新息的自适应增量Kalman滤波器. 电子与信息学报. 2020(09): 2223-2230 . 本站查看
12.	康颜爽，苏胜君，施伟斌，乐燕芬，韩承毅. 一种基于核岭回归与卡尔曼滤波的定位算法. 软件导刊. 2020(09): 74-77 . 百度学术

其他类型引用(16)

资源附件(0)

访问统计

图(8) / 表(2)

计量

文章访问数: 903
HTML全文浏览量: 551
PDF下载量: 135
被引次数: 28

1. 引言
2. 定位原理
2.1 RSSI值求取距离之比
2.2 根据距离之比定位
3. 算法步骤
3.1 数据预处理
3.2 定位算法
4. 计算机仿真
4.1 影响因素分析
4.2 RSSI定位与RSSID定位误差分析
5. 结束语

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

基于相关性和稀疏表示的运动想象脑电通道选择方法

doi: 10.11999/JEIT210778

通讯作者:
孟明 mnming@hdu.edu.cn

计量

Correlation and Sparse Representation Based Channel Selection of Motor Imagery Electroencephalogram

1. 引言

2. 定位原理

2.1 RSSI值求取距离之比

2.2 根据距离之比定位

3. 算法步骤

3.1 数据预处理

3.2 定位算法

4. 计算机仿真

4.1 影响因素分析

4.1.1 接收信噪比SNR对定位精度的影响

4.1.2 监测站间距对定位精度的影响

4.2 RSSI定位与RSSID定位误差分析

4.2.1 数据预处理

4.2.2 单目标定位

4.2.3 多目标定位

5. 结束语

期刊类型引用(12)

其他类型引用(16)

计量

目录

1. 引言

2. 定位原理

2.1 RSSI值求取距离之比

2.2 根据距离之比定位

3. 算法步骤

3.1 数据预处理

3.2 定位算法

4. 计算机仿真

4.1 影响因素分析

4.2 RSSI定位与RSSID定位误差分析

5. 结束语

留言板

基于相关性和稀疏表示的运动想象脑电通道选择方法

doi: 10.11999/JEIT210778

通讯作者: 孟明 mnming@hdu.edu.cn

计量

出版历程

Correlation and Sparse Representation Based Channel Selection of Motor Imagery Electroencephalogram

1. 引言

2. 定位原理

2.1 RSSI值求取距离之比

2.2 根据距离之比定位

3. 算法步骤

3.1 数据预处理

3.2 定位算法

4. 计算机仿真

4.1 影响因素分析

4.1.1 接收信噪比SNR对定位精度的影响

4.1.2 监测站间距对定位精度的影响

4.2 RSSI定位与RSSID定位误差分析

4.2.1 数据预处理

4.2.2 单目标定位

4.2.3 多目标定位

5. 结束语

期刊类型引用(12)

其他类型引用(16)

计量

出版历程

目录

1. 引言

2. 定位原理

2.1 RSSI值求取距离之比

2.2 根据距离之比定位

3. 算法步骤

3.1 数据预处理

3.2 定位算法

4. 计算机仿真

4.1 影响因素分析

4.2 RSSI定位与RSSID定位误差分析

5. 结束语

通讯作者:
孟明 mnming@hdu.edu.cn