一分钟了解LSTM算法在BCI中的应用

现象：在该案例研究中，由于EEG 信号的不断变化，区分 EO 和 EC 状态的任务变得很复杂。与EC 状态相比，EO 状态下 alpha 波段功率的大部分峰值较低。

问题：在EC 状态下，某些功率值可能与 EO 状态下的功率值相似。因此，这个问题使得分类器需要额外的信息来区分两种状态，因为功率的离散值没有足够的信息来正确区分状态。

解决方案：使用取决于在每个状态中检测到的峰值功率的较大值的阈值。当检测到EEG 信号的几个连续功率峰值并在预定时间内超过此阈值时，则认为它处于 EC 状态，如果不是，则处于 EO 状态。这种方法涉及做出几个假设，如，假设功率的行为、确定功率峰值出现的频率、定义阈值等。而LSTM 神经网络可以简单且快速地对每个用户的脑电图进行上述数据的详细研究。

经典算法：LSTM 算法（将 LSTM 算法与常见分类算法进行比较）

·支持向量机 (SVM)

SVM算法在n维空间中搜索一个超平面，其中n为类的个数，类之间的间隔尽可能宽，间隔为平行于超平面的区域的宽度。在该算法中，可以应用将输入数据映射到更高维空间的多个内核。通过应用这些内核，可以减少计算量和时间，并且该算法能够处理非线性问题。

·判别分析（DA）

假设不同类具有基于不同高斯分布的数据的分类方法。基于此假设，通过计算新元素属于每个训练类别的概率来完成分类。

·k 较近邻 (KNN)

在测试新数据时进行分类的惰性学习方法。该算法根据较近的已知标签、较近的邻居来定义新元素的标签。这需要一个距离函数，这意味着使用了多个距离函数作为内核。

·决策树学习器 (DTL)

该算法基于树结构。该算法定义根节点并根据训练参数创建叉或分支，直到它到达定义较终标签的叶节点。从根开始，可以定义新元素的标签，因为在每个点都计算其值，定义要遵循的分支，直到到达叶节点。

·递归神经网络 (RNN)

循环神经网络类似于前馈网络，但循环连接具有关联的抽头延迟。这允许网络对时间序列输入数据具有无限的动态响应。

方法：

脑电信号预处理、特征提取和分类流程图▾

数据采集及分析软件：

Emotiv EPOC +

该项研究选择了一种低成本的无线 EEG 设备，即 Emotiv EPOC +。•低成本，无线，且易于安装，有助于它在 BCI 应用中的使用•在行动不便的人希望进行交互的情况下通过计算机与他们的环境交互在这项研究中，该项研究讨论了将 LSTM 网络应用于低成本无线脑电图设备记录的脑电图的可能性，以及选择合适的时间窗口以提高准确性的必要性。

Emotiv EPOC +耳机电极的位置，其中CMS和DRL分别是P3和P4的参考电极▾

实验方案：每个试验包括20秒的睁眼注视期和屏幕上的十字、10秒的黑屏休息期和20秒的闭眼期。哔哔声标志着何时闭上或睁开眼睛。全程记录脑电图数据▾

数据预处理：预处理包括三个步骤：眨眼去噪、带通滤波器和自动伪影抑制。眨眼的去噪示例▾

一段闭眼状态的阈值示例应用程序。左边的地形图对应于应用阈值之前的功率，右边的对应于应用阈值之后的功率▾

电源和数据集生成：LSTM网络的数据集生成，显示了LSTM算法使用的位置O1（黑色迹线）和O2（灰色迹线）处记录的时变alpha波段功率记录示例。功率轨迹被分段（序列1、2、...、x）以供LSTM使用，方法是获取时间窗口中获取的功率，从相关点向后开始▾

本工作中使用的神经网络架构。LSTM 层具有单元格，其结构如分解图所示。其中 xt是输入，ht 是输出，ct是状态▾

睁眼或闭眼时位置 O1 和 O2 的 alpha 波段功率随时间变化的示例▾

对一个用户使用不同算法得到的分类结果。在 O1 和 O2 位置睁眼和闭眼时记录的 alpha 波段功率。闭眼 20 秒。B具有产生较佳训练精度的配置的 DTL、SVM、KNN和 RNN 算法的分类结果（表的（表格1）1个) 和一个时间窗为7秒的 LSTM 分类器▾

LSTM 的分类结果，时间窗为 2、4 和 7 秒，闭眼时间为 7、15 和 20 秒▾

使用具有不同数量的 LSTM 层（每层定义 8 个神经元）的各种神经网络获得的不同精度（y 轴）的表示。已应用 1 到 10 秒之间的窗口（x 轴）▾