事件相關(guān)電位（ERP）可用于注意缺陷多動障礙兒童（ADHD）和正常兒童的腦電特征提取與分類。首先,采用賭博任務(wù)范式,采集2類兒童的腦電信號;其次,基于皮爾遜相關(guān)系數(shù)算法選擇最優(yōu)電極,并預(yù)處理最優(yōu)電極腦電信號;然后,提取預(yù)處理腦電信號的時(shí)域特征（均值、方差、峰值）和頻域特征（Theta波段功率、Alpha波段功率）;最后,利用傳統(tǒng)分類方法支持向量機(jī)（SVM）、自適應(yīng)增強(qiáng)（AdaBoost）、自舉匯聚法（Bagging）、線性判別式分析（LDA）、反向傳播（BP）和組合分類器的分類方法（LDA-SVM,BP-SVM）完成對2種腦電信號的分類。研究結(jié)果表明,傳統(tǒng)方法 BP分類器的分類準(zhǔn)確率可達(dá)80.52%,組合分類器BP-SVM的分類準(zhǔn)確率可達(dá)88.88%。組合分類方法能提高ADHD兒童的分類準(zhǔn)確率,為基于腦機(jī)接口技術(shù)的ADHD神經(jīng)反饋康復(fù)治療提供技術(shù)支持。 

【文章來源】：圖學(xué)學(xué)報(bào). 2020年03期 北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

實(shí)驗(yàn)范式

其中，X和Y分別對應(yīng)了通過某一電極所采集的時(shí)間序列，即離散變量；N為單個(gè)離散變量的總長度；ρx,y為所求的相關(guān)系數(shù)。此外，實(shí)驗(yàn)過程中，為了避免外在因素干擾而導(dǎo)致的腦電不相關(guān)性錯(cuò)誤，同時(shí)為了確保能夠找出確定的最佳電極，在電極選擇方法中考慮增加一個(gè)鄰近電極相互比較的過程，即：處在同一腦區(qū)內(nèi)的所有電極，及各自對應(yīng)的相鄰電極，其ERP具有相似性。同時(shí)，實(shí)驗(yàn)根據(jù)皮爾遜相關(guān)系數(shù)值對應(yīng)的ERP相似性程度來進(jìn)行劃分，使用打分的方式來判斷和選擇電極。具體的劃分情況見表1。

然后，將時(shí)域和頻域的特征進(jìn)行組合，利用新型組合分類器的方法(LDA-SVM、BP-SVM)對時(shí)頻組合特征進(jìn)行分類，分類結(jié)果見表3。從表中可以看出BP-SVM分類器的準(zhǔn)確率為83.33%，而LDA-SVM分類器的準(zhǔn)確率最高，達(dá)到88.88%。也說明分類組合方法用于多特征分類時(shí)具有明顯優(yōu)勢，其分類正確率高于單特征的傳統(tǒng)分類方法。最后，比較各個(gè)分類器的平均準(zhǔn)確率和執(zhí)行效率，見表4。采用頻域特征的傳統(tǒng)分類器算法性能要低于采用時(shí)域特征的算法性能(機(jī)器配置：i3-4170 3.7 Hz,Windows7 64,4 G內(nèi)存，顯卡：HD graphics 4400)，傳統(tǒng)分類器算法耗時(shí)較高，但同類特征間的算法耗時(shí)具有不確定性，組合分類器算法的性能比較適中。實(shí)驗(yàn)表明：分類器SVM、LDA、BP、Adaboost、Bagging需要手動選擇腦電特征，并且其特征較為單一。而改進(jìn)后的組合分類器可用于多特征的選擇分類，特征選擇無需人工干預(yù)，能自動學(xué)習(xí)特征，且準(zhǔn)確率比單特征分類準(zhǔn)確率更高。組合分類器中LDA-SVM分類準(zhǔn)確率達(dá)到了88.88%，執(zhí)行效率較BP-SVM耗時(shí)更少，更適用于本實(shí)驗(yàn)。

【參考文獻(xiàn)】：
期刊論文
[1]CNN實(shí)現(xiàn)的運(yùn)動想象腦電分類及人-機(jī)器人交互[J]. 程時(shí)偉,周桃春,唐智川,范菁,孫凌云,朱安杰.  軟件學(xué)報(bào). 2019(10)
[2]基于同步EEG-fMRI采集的情緒認(rèn)知重評數(shù)據(jù)特征融合分析研究[J]. 鄒凌,嚴(yán)永,楊彪,李文杰,潘昌杰,周仁來.  自動化學(xué)報(bào). 2016(05)



本文編號：2951741