【运动想象脑电信号识别算法研究的文献综述4000字】

PAGE4运动想象脑电信号识别算法研究的文献综述虽然传统脑电识别算法在过去的几十年取得了巨大的进步，但如何使系统具有更强的自动分类能力是脑机系统面临的重大挑战[13]。本节分别调研了传统运动想象脑电信号识别算法的研究现状以及基于深度学习的运动想象脑电识别算法的研究现状。（1）传统运动想象脑电信号识别算法传统的脑电算法将脑电信号处理分为预处理、特征提取和分类判别三大模块。预处理的目的是为了减少伪影对脑电主信号的影响，提高信号质量。脑电伪影有两种来源，一是外部环境噪声源，主要包括交流电源、电子设备、照明等。二是生理噪声源，主要包括眼电（EOG），心电（ECG）和肌电（EMG）和呼吸等[14]。目前，简单的高、低和带通滤波器是抑制伪影的主要方法[15]。如：陷波滤波消除50Hz或60Hz的电源噪声；高通滤波消除基线漂移；带通滤波选择所需频带等。此外，如：自适应滤波、维纳滤波、贝叶斯滤波[15]、表面拉普拉斯算子变化[16]、共平均参考（CAR）[17]、盲源分离（BBS）[18]和小波变化(WT)[19]等也是较常用的人工去除伪影方法。在预处理阶段之后，通过不同的特征提取技术选择脑电信号中最具鉴别性的特征是脑机接口系统的重点和难点。因为有效的脑电信号隐藏在高噪音环境中，在时间和空间上和多个信号源重叠，简单的处理方法往往是不够的。时域、频域、时频域和空域是脑机接口技术最常用的特征提取方法。时频分析方法克服了时域或频域单一域的缺点，利用时域、频域两个域解决问题，在脑机接口系统中具有更广泛的应用。最典型的时域特征提取方法是自回归模型（AR）。自回归模型具有分辨率高、光谱平滑、适用于短数据等特点。Jiang等[20]提出了一种多元自适应自回归模型（MVAAR），结果表明此模型是一种有效的特征提取方法，尤其是对在线脑机系统。频域分析方法使用最广泛的是基于快速傅里叶变换(FFT)的功率谱密度(PSD)以及基于韦尔奇方法的功率谱密度[21]。韦尔奇方法与快速傅里叶变换相比，减少了功率谱密度中的伪影，但频率分辨率较低[22]。Nurhan等[23]提出了一种基于生物启发的频率特征提取方法，该方法从脑电信号的功率谱密度中提取最具鉴别性的谱特征，提高了单通道脑电在运动想象任务中的分类性能。最典型的时频分析特征提取方法是短时傅里叶变换（STFT）[24]和小波变换（WT）[25]。小波变换可以将信号分解为多分辨率、多尺度，可以更好的推导出动态特征，对于非平稳、非线性、非高斯且具有节律性的运动想象脑电信号分析具有重大意义[26]。共空间模式(CSP)是一种最常用的空间滤波方法[27，28]，其原理是将脑电数据转换到一个新的空间，使其中一类方差最大，另一类方差最小。Reddy等[29]提出了一种空间光谱模式（CSSP），结合了非递归型滤波器和共空间模式算法，比纯共空间模式具有更高的性能。Dornhege等[30]提出稀疏共时空滤波共空间谱模式(CSSSP)，允许同时优化空间滤波器和频谱滤波器，以增强多通道脑电分类性能。基于运动想象脑电的传统机器学习分类算法可以分为五类：线性分类器、神经网络（NN）、非线性贝叶斯分类器、最近邻分类器和组合分类器[31]。第一类：线性分类器，主要包括线性判别分析(LDA)、正则线性判别分析和支持向量机（SVM）。线性判别分析其原理是利用超平面投影使投影后类内方差最小，类间方差最大[32]，该方法计算量小，使用简单。支持向量机的原理是寻找最大间隔超平面使特征空间上的间隔最大[33]，该方法对高维特征向量具有鲁棒性，即不需要大型训练集便可获得较好分类结果[34]。第二类：传统的神经网络，最常见的是多元层感知(MLP)，通常只使用一到两个隐蔽层。神经网络是一种由大脑启发的系统，旨在模仿人类的学习方式，可以用来近似任何非线性决策边界，具有提取和识别模式。最著名的神经网络之一是Rumelhart等[35]提出的一种灵活的分类器：多层感知器，可以对任意数量的类进行分类，并适应不同的问题集。第三类：非线性贝叶斯分类器，主要包括二次分类器和隐马尔可夫模型（HMMs）。隐马尔可夫模型的原理是由隐藏的马尔科夫链随机生成不可观测的状态随机序列，再由各状态生成可观测的随机序列过程，适合时间序列分类[36]。因此也适用于脑机接口时序序列的特征分类[37]。第四类：最邻近分类器，最常用的是k邻近算法(KNN)。k邻近算法的原理是不同类对应的特征在特征空间中形成单独的聚类，相邻的特征属于同一个类[38]，因该算法对特征向量的维度非常敏感，所以k邻近算法在脑机接口系统中应用并不广泛，但适用于低纬特征向量的脑机接口系统[39]。第五类：组合分类器，是多个分类器算法的组合，通过组合最大化输出。总而言之，与线性判别分析、k邻近算法、朴素贝叶斯分类算法相比，支持向量机具有更优的分类性能[40]。但线性判别分析和支持向量机都可能存在过拟合的问题，可以通过在线性判别分析中加入正则化，在支持向量机中选择不同的训练方法来缓解这些问题[41]。（2）深度学习在运动想象脑电算法的研究现状虽然传统脑电系统在过去的几十年取得了巨大的进步，但如何使系统具有更强的自动分类能力是脑机系统面临的重大挑战[42]。挑战不仅包括脑电信号存在各种伪影、低信噪比，还包括依赖手工的方法提取有意义特征、耗时且会丢失信息。近年来，随着可用脑电数据集的增多，人们开始采用深度学习(DL)技术来分析大规模脑电数据[43]。深度学习技术是机器学习领域的一个分支，旨在通过建立复杂的互相连接的神经网络来检测具有处理不同数据类型的通用模型。该技术弥补传统脑电算法的缺点，该技术是一种端到端的方法，可不需要任何预处理，不依赖手工的方法提取特征[44]；几乎覆盖训练集中的所有信息；具有大量的、数千万的可学习参数，能更有效的信息挖掘；具有通用性，稳健性和可扩展性[45]。目前，在运动想象脑机接口系统中使用最广泛的框架是卷积神经网络（CNN）[46]，此外还有递归神经网络（RNN）、堆叠自编码器（SAE）和深度信念网络（DBN）。目前，已有大量的研究证明深度学习比传统的脑电分析方法更优越。Xu等人[47]利用短时傅里叶变换将运动想象脑电信号转换为二维时频图像，用基于VGG-16的卷积神经网络进行分类，结果表明卷积神经网络优于支持向量机和人工神经网络（ANN），如图1.2。图1.2基于VGG-16的CNN框架Zhang等[48]提出一种基于运动想象脑电信号的混合深度神经网络框架，如图1.3：利用一对多滤波器组件共空间模式（OVR-FBCSP）使特征更加突出，利用卷积神经网络提取空间特征，利用长短期记忆网络（LSTM）进行分类。该框架的性能比支持向量机更好。Amin等[49]使用卷积神经网络提取运动想象脑电数据的时间和空间特征，使用自动编码器进行特征融合，结果编码该框架的性能优于过滤器组件共空间模式特征提取和三种分类器组成的框架。图1.3提出的CNN模型（3）数据增强与迁移学习脑电算法研究现状但深度学习在脑机领域的进一步发展也面临诸多挑战，脑电数据匮乏和用户个体差异大是深度学习处理脑电信号的重大挑战。由于收集脑电数据相对昂贵，多数实验数据集未公开以及公开脑电数据集较少等，脑电领域的数据集远小于深度学习成功应用的其他领域数据量级，如计算机视觉（CV）和自然语言处理（NLP）。另一方面，脑电信号的非平稳性、高可变性，使在有限的用户数据中训练的分类器很难成功应用于其他用户不同时间的数据分类中，因为个体间的生理差异会严重影响模型的表现。为解决上述问题，可以采用基于深度学习的数据增强和迁移学习的方法。采用数据增强的方法生成更多的人工数据缓解数据匮乏的难题，采用迁移学习降低用户间的个体差异。虽然数据增强在脑机领域已经被证实是有效的，但其相关的研究较少。Wang等人[50]提出了一种简单的数据增强方法：增加高斯白噪音，以解决情绪识别脑电信号数据匮乏，结果表明，该方法能有效提高基于深度学习的情感识别脑机性能。Zhang等人[51]提出对脑电频域变换后的数据进行幅值扰动，结果表明提出的数据增强技术能有效提高脑电信号识别准确率。Lotte[52]提出了三种方法来生成人工脑电数据：1)在时域使用信号分割和重组，2)在时频域使用信号分割和重组，3)使用类比法。在时频域使用信号分割和重组是将试验在时频域分割和随机重组，而不是直接在时域进行，即首先对每个信道进行短时傅里叶变换得到时频域，再将来自同一类的不同试验的时频域重组在一起，如图1.4所示。图1.4时频域人工脑电数据生成原理图Zanini等人[53]提出一种基于黎曼最小距离的迁移学习框架：对每个会话或主体间的协方差矩阵进行仿射变换，使来自不同会话和受试者的数据具有可比性。Zhang等人[54]提出了一种跨被试的心理工作负荷（MWL）算法框架。即首先利用基于模糊信息的小波包变换(FMI-WPT)技术提取出MWL的显著生理特征，然后结合核谱回归(KSR)和可转移判别降维(TDDR)方法对特征向量进行降维，实现分类器模型的跨被试迁移，最后实测数据分析。结果表明，该方法提高了多类MWL识别的性能。Jiang等人[55]提出了一种新的多类脑电信号的空间归纳迁移学习模型，如图1.5所示。该模型将γ-LSR与迁移学习相结合，将源域转移到目标域，在不使用核技巧的情况下提高了目标域的分类性能。与其他迁移学习方法相比，该方法更简单，更易于解释。图1.5提出的TLSR框架图参考文献Nicolas-AlonsoLF,Gomez-GilJ.BrainComputerInterfaces,aReview[J].Sensors,2012,12(2):1211-1279.Kaori,Suefusa,Toshihisa,etal.Acomparisonstudyofvisuallystimulatedbrain–computerandeye-trackinginterfaces[J].JournalofNeuralEngineering,2017.MorashV,BaiO,FurlaniS,etal.ClassifyingEEGsignalsprecedingrighthand,lefthand,tongue,andrightfootmovementsandmotorimageries[J].ClinicalNeurophysiology,2008,119(11):2570-2578.PfurtschellerG,SilvaFHLD.Event-relatedEEG/MEGsynchronizationanddesynchronization[J].ClinicalNeurophysiology,1999,110(11):1842-1857.MorashV,BaiO,FurlaniS,etal.ClassifyingEEGsignalsprecedingrighthand,lefthand,tongue,andrightfootmovementsandmotorimageries[J].ClinicalNeurophysiology,2008,119(11):2570-2578.BaigMZ,AslamN,ShumHPH,etal.DifferentialEvolutionAlgorithmasaToolforOptimalFeatureSubsetSelectioninMotorImageryEEG[J].ExpertSystemswithApplications,2017,90.ChengD,LiuY,ZhangL.ExploringMotorImageryEegPatternsforStrokePatientswithDeepNeuralNetworks[C]//ICASSP2018-2018IEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing(ICASSP).IEEE,2018.ShamloNB,MullenT,KotheC,etal.ThePREPPipeline:Standardizedpreprocessingforlarge-scaleEEGanalysis[J].FrontiersinNeuroinformatics,2015,9(16):16.HaoX,ZhangG,MaS.DeepLearning[J].InternationalJournalofSemanticComputing,2016,10(03):417-439.GramfortA,StrohmeierD,HaueisenJ,etal.Time-FrequencyMixed-NormEstimates:SparseM/EEGimagingwithnon-stationarysourceactivations[J].NeuroImage,2013,70(2):410-422.MichielsenME,SellesRW,GeestJNVD,etal.MotorRecoveryandCorticalReorganizationAfterMirrorTherapyinChronicStrokePatients:APhaseIIRandomizedControlledTrial[J].Neurorehabilitationandneuralrepair,2010,25(3):223-233.TeresaS,DanielH,RachelG,etal.3Dvisualizationofmovementscanamplifymotorcortexactivationduringsubsequentmotorimagery[J].FrontiersinHumanNeuroscience,2015,9.Alexander,Craik,Yongtian,etal.Deeplearningforelectroencephalogram(EEG)classificationtasks:areview.[J].JournalofNeuralEngineering,2019.SomersB,FrancartT,BertrandA.AgenericEEGartifactremovalalgorithmbasedonthemulti-channelWienerfilter[J].JournalofNeuralEngineering,2018,15(3):036007.1-036007.13.SweeneyKT,WardTE,MclooneSF.ArtifactRemovalinPhysiologicalSignals—PracticesandPossibilities[J].IEEETransactionsonInfor