طراحی هم‌زمان فیلترهای طیفی و فضایی برای واسط‌های مغز-کامپیوتر، بر‌اساس اطلاعات متقابل و بهینه‌سازی ازدحام ذرات

نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی پزشکی، گروه مهندسی پزشکی، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهران

2 استادیار گروه مهندسی پزشکی، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهران

3 دانشیار گروه مهندسی پزشکی، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهران

10.22041/ijbme.2017.72918.1271

چکیده

استخراج ویژگی‌های تفکیک‌پذیر، بخشی مهم در سیستم‌های واسط مغز-کامپیوتر (BCI) است، که می‌تواند بر کارایی طبقه‌بندی، تاثیر‌گذار باشد. برای رسیدن به این هدف، الگوهای فضایی مشترک (CSP)، روشی متداول است که در سیستم‌های BCI مبتنی‌بر تصورات حرکتی، استفاده می‌شود. CSP سعی می‌کند تا مناسب‌ترین الگوهای فضایی در سیگنال الکتروانسفالوگرام (EEG) را برای تفکیک گروه های مختلف تصور حرکتی، استخراج کند. به‌طور معمول پیش از اعمال CSP، سیگنال‌های EEG در باند فرکانسی 30-8 هرتز، فیلتر می‌شوند تا ریتم‌های مربوط به ناهمگامی وابسته به رویداد (ERD)، که میو و بتا نام دارند، استخراج شوند. با این حال، این باند فرکانسی ممکن است در افراد مختلف، یکسان نباشد؛ به همین دلیل، بهینه سازی فیلترهای طیفی در کنار فیلترهای فضایی، می‌تواند تأثیر بسزایی در بهبود صحت طبقه‌بندی داشته  باشد. در این مقاله، با استفاده از الگوریتم تکاملی بهینه سازی ازدحام ذرات (PSO)، روش یادگیری نوینی را برای به دست آوردن هم‌زمان فیلترهای طیفی و فضایی ارائه می‌دهیم. همچنین، از معیار اطلاعات متقابل بین ویژگی‌های استخراج‌شده و برچسب گروه‌ها، به‌عنوان تابع هزینه استفاده می‌شود. شبیه‌سازی‌های انجام‌شده روی مجموعه دادة یک از رقابت BCI، نشان می‌دهد که صحت طبقه‌بندی روش پیشنهادی، به‌طور معناداری بیشتر از روش‌های CSP و بانک فیلتر CSP (FBCSP)، با دو نوع بانک فیلتر متفاوت، است.

کلیدواژه‌ها


عنوان مقاله [English]

Designing Spectral and Spatial Filters Simultaneously for Brain-Computer Interface Based on Mutual Information and Particle Swarm Optimization

نویسندگان [English]

  • Reza Foodeh 1
  • Vahid Shalchyan 2
  • Mohammad Reza Daliri 3
1 Ph.D Student, Biomedical Engineering Department, Electrical Engineering Faculty, Iran university of Science and Technology, Tehran, Iran
2 Assistant Professor, Biomedical Engineering Department, Electrical Engineering Faculty, Iran university of Science and Technology, Tehran, Iran
3 Associate Professor, Biomedical Engineering Department, Electrical Engineering Faculty, Iran university of Science and Technology
چکیده [English]

Extracting discriminative features is a crucial step in brain-computer interfaces (BCIs) that could affect directly on the classification performance. Common spatial patterns (CSP) is a commonly used algorithm for such propose in motor imagery based BCI systems. CPS tries to extract the most appropriate spatial patterns in the electroencephalogram (EEG) signals to discriminate different motor imagery classes. Before applying CSP, Usually EEG signals are filtered out in 8-30 Hz to capture event related desynchronization (ERD) specific frequency rhythms called mu and beta bands. However, this frequency band could be highly subject specific. Therefore, optimizing spectral and spatial filters jointly could improve the classification accuracy. In this paper, we proposed a novel learning algorithm to derive spatial and spectral filters simultaneously using an evolutionary learning algorithm called particle swarm optimization (PSO). Furthermore, we utilized mutual information between extracted features and class labels as a cost function in the learning algorithm. Our simulations on BCI competition IV, dataset 1 reveals that the proposed method significantly outperforms the conventional CSP and filter bank CSP (FBCSP) with two different filter bank architectures.

کلیدواژه‌ها [English]

  • Brain-Computer Interfaces
  • common spatial patterns
  • Spatio-spectral features
  • Particle Swarm Optimization
  • mutual information

[1]     J. Meng, L. Yao, X. Sheng, D. Zhang, and X. Zhu, “Simultaneously optimizing spatial spectral features based on mutual information for EEG classification,” IEEE Transactions on Biomedical Engineering, vol. 62, no. 1, pp. 227-240, 2015.

[2]     J. R. Wolpaw, N. Birbaumer, D. J. McFarland, G. Pfurtscheller, and T. M. Vaughan, “Brain–computer interfaces for communication and control,” Clinical neurophysiology, vol. 113, no. 6, pp. 767-791, 2002.

[3]     J. Wolpaw, and E. W. Wolpaw, Brain-computer interfaces: principles and practice: Oxford University Press, 2012.

[4]     H. Zhang, Z. Y. Chin, K. K. Ang, C. Guan, and C. Wang, “Optimum spatio-spectral filtering network for brain–computer interface,” IEEE Transactions on Neural Networks, vol. 22, no. 1, pp. 52-63, 2011.

[5]     S. Lemm, B. Blankertz, G. Curio, and K.-R. Muller, “Spatio-spectral filters for improving the classification of single trial EEG,” IEEE Transactions on Biomedical Engineering, vol. 52, no. 9, pp. 1541-1548, 2005.

[6]     G. Dornhege, B. Blankertz, M. Krauledat, F. Losch, G. Curio, and K.-R. Muller, “Combined optimization of spatial and temporal filters for improving brain-computer interfacing,” IEEE transactions on biomedical engineering, vol. 53, no. 11, pp. 2274-2281, 2006.

[7]     K. K. Ang, Z. Y. Chin, H. Zhang, and C. Guan, "Filter bank common spatial pattern (FBCSP) in brain-computer interface." pp. 2390-2397.

[8]     R. Tomioka, G. Dornhege, G. Nolte, B. Blankertz, K. Aihara, and K.-R. Müller, “Spectrally weighted common spatial pattern algorithm for single trial EEG classification,” Dept. Math. Eng., Univ. Tokyo, Tokyo, Japan, Tech. Rep, vol. 40, 2006.

[9]     B. Blankertz, G. Dornhege, M. Krauledat, K.-R. Müller, and G. Curio, “The non-invasive Berlin brain–computer interface: fast acquisition of effective performance in untrained subjects,” NeuroImage, vol. 37, no. 2, pp. 539-550, 2007.

[10] G. H. Klem, H. O. Lüders, H. Jasper, and C. Elger, “The ten-twenty electrode system of the International Federation,” Electroencephalogr Clin Neurophysiol, vol. 52, no. suppl., pp. 3, 1999.

[11] H. Ramoser, J. Muller-Gerking, and G. Pfurtscheller, “Optimal spatial filtering of single trial EEG during imagined hand movement,” Rehabilitation Engineering, IEEE Transactions on, vol. 8, no. 4, pp. 441-446, 2000.

[12] G. Strang, G. Strang, G. Strang, and G. Strang, Introduction to linear algebra: Wellesley-Cambridge Press Wellesley, MA, 1993.

[13] K. K. Ang, Z. Y. Chin, C. Wang, C. Guan, and H. Zhang, “Filter bank common spatial pattern algorithm on BCI competition IV datasets 2a and 2b,” Frontiers in neuroscience, vol. 6, 2012.

[14] J. Kennedy, "Particle swarm optimization," Encyclopedia of machine learning, pp. 760-766: Springer, 2011.

[15] G. Pfurtscheller, and C. Neuper, “Motor imagery and direct brain-computer communication,” Proceedings of the IEEE, vol. 89, no. 7, pp. 1123-1134, 2001.

[16] R. O. Duda, P. E. Hart, and D. G. Stork, Pattern classification: John Wiley & Sons, 2012.