RESUMO:

Um problema que impede o progresso na pesquisa de Interface CrebroComputador (BCI) a dificuldade em reproduzir os resultados em diferentes
trabalhos. Comparando diferentes algoritmos atualmente muito difcil.
Algumas melhorias foram feitas atravs da utilizao de conjuntos de dados
padro para avaliar diferentes algoritmos. No entanto, a falta de uma estrutura
de comparao ainda existe. Neste trabalho, ns construmos um novo quadro
comparao geral para comparar algoritmos diferente em vrios conjuntos de
dados padro. Todos estes conjuntos de dados correspondem BCIs motoras
sensoriais, e so obtidos a partir de 21 indivduos durante o seu funcionamento
de BCIs sncronos e 8 indivduos usando BCIs de prprio ritmo. Outros
pesquisadores podem usar nossa estrutura para comparar os seus prprios
algoritmos em seus prprios conjuntos de dados. Ns comparamos o
desempenho de diferentes algoritmos de classificao populares ao longo
destes 29 indivduos e realizou testes estatsticos para validar os nossos
resultados. Os nossos resultados sugerem que, para um dado sujeito, a
escolha do classificador para um sistema de BCI depende do mtodo de
extrao de caractersticas utilizada nesse sistema de BCI. Isto ao contrrio
da maioria das publicaes no campo que usaram Anlise Discriminante Linear
(LDA), como o classificador de escolha para os sistemas de BCI.
INTRODUO:
Um crebro Computer Interface um sistema que descobre padres
especficos na atividade cerebral de uma pessoa que se relacionam com o
seu / sua inteno de controlar um dispositivo [1]. Se tais padres so
detectados no EEG, ento as questes BCI sinais especficos para pr em
prtica a ao pretendida. Tradicionalmente, a aplicao mais popular de BCIs
tem sido ajudar as pessoas com deficincia [2], no entanto, novas aplicaes,
tais como jogar jogos de computador tm surgido recentemente [3].
Entre os vrios meios para medir a atividade cerebral, os sistemas baseados
BCI-EEG tm vrias vantagens [4]. Podem medir as alteraes na atividade do
crebro ao longo de perodos de tempo curtos (milissegundos), eles so
baratas, no-invasiva e verstil. No entanto, eles tambm tm vrios
inconvenientes. A relao sinal-rudo do sinal de EEG baixa, isto , os sinais
tm amplitude muito baixa (isto , cerca de 10 a 100 microvolts) em
comparao com o rudo de fundo. Portanto, detectar as intenes de uma
pessoa de seus sinais cerebrais medidos uma tarefa desafiadora e tem
estado na vanguarda da investigao. Alm disso, a resoluo dos sinais do
crebro denominada a resoluo espacial baixa e dependente do nmero de
eltrodos que pode ser colocado sobre a cabea do sujeito.
BCIs atuais usam diversas atividades eletrofisiolgicos diferentes para operar.
Entre os vrios mtodos diferentes para operar um BCI, aqueles que contam
com o motor sensorial tm sido de especial interesse [4] [5]. Este tipo de BCIs
no precisa de estmulos de fora do BCI para controlar o sistema eo assunto
pode aprender a gerar o padro cerebral apropriada para controlar um

dispositivo voluntariamente. O foco deste artigo sobre os sistemas BCI

sensrio-motoras.
Quando uma pessoa realiza uma atividade motora, tais como os movimentos
dos membros, alteraes que so especficos frequncia resultaria na atividade
EEG. Geralmente essas mudanas podem resultar em diminuio ou aumento
do poder de certas bandas de frequncia nos sinais de EEG [6]. Isto pode ser
considerado devido a uma diminuio ou um aumento da sincronia de
populaes neuronais subjacentes. A diminuio na sincronia chamada
Evento dessincronizao relacionadas (ERD), e o aumento referido como
evento de sincronizao relacionados (ERS). Tem sido demonstrado que a
ativao cortical que est relacionada com a preparao e execuo
movimento dessincronizado o alfa superior e os ritmos inferiores beta [6].
Tambm tem sido demonstrado que uma atividade de imagens do motor (isto ,
um movimento imaginado) gera padres no EEG que so semelhantes aos
gerados pelos movimentos reais [7]. BCIs que so imagticas motora baseada
so especialmente adequados para pessoas com deficincia que no tm
controle sobre seus membros.
Sensoriamento motor (e outros) sistemas BCI podem ser categorizados por
dois paradigmas diferentes, nomeadamente sistemas sncronos e
individualizados [8] [9]. A maioria da pesquisa na BCIs tm-se concentrado em
sistemas sncronos. Em BCIs sncronos, os indivduos apenas podem controlar
a sada BCI durante os perodos definidos pelo sistema e, portanto, eles no
podem controlar a sada em outros tempos. Por outro lado, em BCIs prprio
ritmo, os usurios tm a opo de controlar o sistema sempre que pretendam
faz-lo. Os perodos durante os quais o usurio no tem controle do sistema
so chamados os estados No-Controlado (NC). O sistema no emitir
qualquer sinal de controle durante os estados NC. Apesar das melhorias
significativas na BCIs seu prprio ritmo, em comparao com sistemas BCI
sncronos, projetando BCIs prprio ritmo permanece extremamente desafiador.
Apesar de muito interesse e progressos foram feitos durante as duas ltimas
dcadas em pesquisa BCI, este campo ainda est em sua infncia. Muitas
melhorias ainda so necessrias, a fim de incentivar a sua adopo
generalizada. Sistemas BCI atuais no so suficientemente precisos e esto
longe de ser perfeito para operar em ambientes on-line. Particularmente para
BCIs no invasivos, que so de longe os BCIs mais utilizados para medir a
atividade cerebral, algumas caractersticas do sinal gravado (por exemplo, o
sinal de baixa-rudo, a susceptibilidade a artefatos, etc.) tornam-se um desafio
para extrair as intenes das pessoas de suas ondas cerebrais. Portanto, a
preciso dos sistemas BCI ainda no atingiu necessrio alto nvel para permitirlhes em aplicaes da vida humana do dia-a-dia, isso especialmente
verdadeiro para BCIs de ritmo prprio, que so em ltima anlise, o caminho
mais natural para operar BCIs [10] .
Em relao aos aspectos de processamento de sinal de pesquisa BCI,
extrao de caractersticas e classificao tm sido estudados separadamente.

No entanto, um quadro de aprendizagem mais ideal para um problema BCI

deve ter como objetivo estudar a extrao de caractersticas e classificao em
conjunto, considerando o fato de que o desempenho do classificador depende
da escolha do mtodo de extrao de caractersticas. Em outras palavras,
devemos personalizar o classificador e caracterstica exaustor com base em
cada outro. Por exemplo, a seleo de um mtodo particular de extrao
caracterstica pode fazer com que as amostras de dados de diferentes estados
do crebro a ser linearmente separveis no espao de caractersticas. Como
resultado, a seleo de um classificador linear seria uma escolha melhor para
discriminar entre os estados cerebrais.
A maioria dos sistemas de BCI utilizar o classificador Anlise Discriminante
Linear (LDA) para fins de classificao [5] [11]. O classificador LDA tem uma
forte suposio de que as densidades de probabilidade condicionais das duas
classes tm uma distribuio de Gauss com a mesma funo de covarincia.
Como resultado, a funo discriminante linear e pode no ser adequado para
os espaos de funcionalidades no-linearmente separveis. Alm disso, este
classificador muito sensvel a discrepncia. Por outro lado, os principais
desafios na classificao dos dados de EEG em BCIs que os dados noestacionrio, barulhento, contm valores extremos, normalmente de altas
dimenses e o conjunto de treinamento para aprender os padres de dados ,
infelizmente, pequena [12] [13]. Como resultado, as estratgias de classificao
em sistemas de BCI deve ser capaz de lidar com estes problemas de forma
adequada.
Devido s variaes nas tecnologias BCI e a falta de um quadro geral de
comparao no BCIs, quase invivel para comparar tecnologias BCI
existentes e, consequentemente, o progresso no campo lento. Isto devido
ao facto de a maioria dos artigos cientficos no tenham descrito os
pormenores experimentais que so importantes para a replicao dos
resultados. Alm disso, os dados utilizados em vrios trabalhos no so
compartilhadas. Existem alguns sistemas de software de uso geral [14] [15] que
facilitam a pesquisa em BCIs. No entanto, estes sistemas so principalmente
adequados para a aquisio de dados e de processamento em tempo real dos
sinais do crebro. O objetivo das competies BCI era encorajar os cientistas a
aplicar seus algoritmos sobre os mesmos dados. Alm de compartilhar os
dados, tambm essencial para compartilhar o cdigo fonte de forma a
permitir que os resultados sejam reproduzidos e mover o campo para a frente
em um ritmo mais rpido. A ideia de partilha de reprodutibilidade e de dados
tem sido praticada em outros campos e rendeu profundas melhorias em fazer
progresso significativo [16].
Neste estudo, ns construmos um quadro de comparao unificada para
avaliar o desempenho de diferentes classificadores em vrios conjuntos de
dados BCI sensrio-motoras. Os dados utilizados so os de competies BCI
[17] [18] [19] [20], bem como um dos nossos prprios conjuntos de dados [21].
Houve alguns esforos para comparar o desempenho de diferentes
classificadores em sistemas BCI [22] [23] [24] [25] [26]. No entanto, estas

comparaes foram efetuadas para um pequeno nmero de indivduos no

pequeno nmero de mtodos de classificao. Em [27], os autores
pesquisados o desempenho de diferentes classificadores em BCIs, no entanto,
a melhor maneira de comparar os classificadores avaliar o seu desempenho
no mesmo contexto, ou seja, com o mesmo conjunto de indivduos, utilizando o
mesmo conjunto de recursos com o mesmo conjunto de parmetros.
Este estudo fornece um quadro de comparao de cdigo aberto para sistemas
BCI e nico em trs aspectos. Em primeiro lugar, o nmero de indivduos
considerados neste trabalho so 21 indivduos usando BCIs sncronos e 8
indivduos usando BCIs prprio ritmo (isto , um total de 29 sujeitos). Outros
estudos tm sido realizados sobre tamanhos de amostras menores (menos do
que 5 sujeitos) e, como resultado, os resultados no podem ser generalizados
em uma associao sujeito maior. Em segundo lugar, temos utilizado os testes
estatsticos para comparar o desempenho de diferentes algoritmos. Isto ir
permitir-nos examinar se h ou no diferenas significativas entre o
desempenho de diferentes classificadores. Outros estudos no tm empregado
testes estatsticos para comparaes, principalmente devido aos seus
tamanhos de amostras menores e ter apenas contou com o desempenho
mdio dos classificadores (que no uma medida robusta), como um
substituto para o desempenho geral de um classificador especfico. Em terceiro
lugar, para aumentar a transparncia, o cdigo-fonte dos nossos experimentos
est abertamente disponvel para que outros pesquisadores possam aplic-lo
em seus prprios dados e de benchmark seus algoritmos com mtodos padro.
Nas sees seguintes, primeiro explicar a estrutura geral do quadro de
comparao, em seguida, vamos explicar os conjuntos de dados utilizados e,
finalmente, os resultados dos diferentes algoritmos so comparados.
MTODOS:
A estrutura geral do nosso quadro de comparao mostrado na Figura 1. Este
quadro tem trs principais componentes de processamento sequencial,
filtragem, extrao de caractersticas e classificao. Todos os dados dos
canais de EEG disponveis so alimentados como entrada, o componente de
filtragem realiza a filtragem de frequncia espacial e filtragem, e o componente
de extrao de caractersticas extrai as caractersticas dos dados filtrados.
Finalmente, no ltimo passo, as caractersticas extradas so combinados para
construir um conjunto de dados que ento transmitido para o componente de
classificao. Nas subseces seguintes, os detalhes de cada um dos
componentes acima mencionados so explicados.

Filtragem espacial e Frequncia

O primeiro passo da nossa estrutura composta de filtragem de frequncia e
filtragem espacial. filtragem de frequncia feito atravs de um banco de
filtros. Um banco de filtros uma matriz de filtros passa banda e contm n
blocos. Cada bloco corresponde a filtragem do sinal original, em uma subbanda especfica. Para a filtragem de frequncia, temos usado o filtro
Butterworth de quinta ordem. Este filtro tem uma resposta de frequncia plana
na faixa de passagem. O resultado da aplicao de cada bloco de filtro de
banco alimentada para o bloco seguinte no qual a filtragem espacial
realizada no sinal.
Padres espaciais comuns (CSP) [28] [29] usado para filtragem espacial.
CSP tem sido amplamente utilizada em sistemas de BCI e produziu melhorias
considerveis na relao sinal-rudo do sinal de EEG. CSP projeta vrios
canais de dados de EEG para um espao de sensor substituto aplicando uma
transformao linear sobre os dados de EEG. Esta tcnica um mtodo de
superviso da combinao de mltiplos canais e foi desenvolvido para
classificao binria. Este mtodo maximiza a varincia dos sinais para uma
classe, minimizando a varincia dos sinais para o outro. medida que os sinais
so padronizados antes de aplicar CSP, a varincia dos sinais seria equivalente
ao seu poder de banda. Assim, se usarmos o poder banda como o recurso
extrado no espao de aluguel, a discriminao das classes (por exemplo,
imagens do movimento esquerdo e direito da mo) seriam maximizados.
Suponha que as matrizes de covarincia normalizados de ambas as classes
para cada ensaio so dadas por c, onde c {+, -}. As matrizes covarincia so
N T, onde N o nmero de canais e T o nmero de amostras. O algoritmo
de CSP maximiza a seguinte equao:

em que W a matriz de projeo. Esta equao pode ser resolvida atravs da

aplicao simultnea de diagonalizacao as matrizes de covarincia de ambas
as classes. Multiplicando a matriz de projeo pelo sinal EEG original,
podemos obter os sinais do crebro no correlacionadas.
O benefcio da aplicao CSP que podemos selecionar um subconjunto de
filtros que preserva o mximo de informao possvel e discrimina as duas
classes muito bem. No entanto, escolhendo o nmero de filtros (isto , padres
espaciais) difcil, e geralmente determinada por abordagens heursticas.
CSP inerentemente projetado para 2 de classe tarefas BCI. Para usar o CSP
para problemas multi-classe, usamos um esquema de um contra-outros.

Extrao de Caractersticas
Na etapa de extrao de caractersticas, diferentes tipos de caractersticas
pode ser extrada a partir do sinal filtrado. As caractersticas extradas deve
representar adequadamente as informaes ocultas no sinal EEG cru. Ns
usamos dois dos mtodos de extrao de caractersticas mais comuns e bem
sucedidas utilizadas em sistemas BCI baseado motor de imagens. Ambas as
abordagens calcular a banda de energia (BP) do sinal [30] [31] [32].
Na primeira abordagem, a banda de energia de um sinal extrado por
aplicao direta de um sinal, um filtro que permite apenas as frequncias
dentro de cada banda de filtro que passar. Assumindo um filtro de bloqueio
perfeito, que pode, em seguida, estimar a potncia do sinal filtrado pela soma
dos quadrados da magnitude do sinal filtrado. Desde o logaritmo de recursos
de banda de energia tambm tem sido utilizado na literatura [30], ns inclumos
tanto o band-poder e seu logaritmo no nosso conjunto de recursos. Neste
estudo, foram extradas as caractersticas elctricas da banda para o [8-12
Hz] e [16-24 Hz] bandas dos sinais cerebrais de frequncia. Referimo-nos a
esses recursos band-energia como apresenta a BP no restante do texto.
Na segunda abordagem de extrao de caractersticas, foi utilizado o wavelet
Morlet para extrair os recursos de banda de energia. Este mtodo um dos
mais bem sucedidos mtodos de extrao de caracterstica utilizados em
sistemas de BCI motora sensoriais [30]. Neste mtodo, o sinal decomposto
utilizando a wavelet Morlet me e a energia em cada banda de frequncia
calculado. Usamos a configurao exata como em [31] para extrair esses
recursos; isto , para cada canal, todas as bandas de frequncia so
escolhidos para estar na gama de 4-30 Hz. Isto resulta em 26 caractersticas
para cada canal. Esta configurao para extrair recursos da BP ir resultar em
espaos altos-dimensional de recursos, especialmente para conjuntos de
dados com muitos canais de EEG.
Depois de extrair caractersticas de cada bloco do banco de filtros, as
caractersticas extradas so combinados para construir um vector
caracterstico, que alimentado para o componente de classificao da nossa
estrutura.