[论文解读] Color-based classification of EEG Signals for people with the severe locomotive disorder

Ankit Shrestha, Bikram Adhikari|arXiv (Cornell University)|Apr 12, 2023

EEG and Brain-Computer InterfacesNeuroscience被引用 3

一句话总结

本研究提出一种基于注意力机制的LSTM深度学习模型，用于对严重运动功能障碍患者使用单通道NeuroSky Mindwave头戴式设备采集的原始EEG信号进行分类。通过使用红、蓝、黑、黄四种颜色刺激诱发不同的脑电波模式，该模型在二分类任务中达到93.5%的准确率，在四分类任务中达到65.75%的准确率，展示了其在非侵入性脑机接口（BCI）控制辅助设备（如轮椅）方面的潜力。

ABSTRACT

The neurons in the brain produces electric signals and a collective firing of these electric signals gives rise to brainwaves. These brainwave signals are captured using EEG (Electroencephalogram) devices as micro voltages. These sequence of signals captured by EEG sensors have embedded features in them that can be used for classification. The signals can be used as an alternative input for people suffering from severe locomotive disorder.Classification of different colors can be mapped for many functions like directional movement. In this paper, raw EEG signals from NeuroSky Mindwave headset (a single electrode EEG sensor) have been classified with an attention based Deep Learning Network. Attention based LSTM Networks have been implemented for classification of two different colors and four different colors. An accuracy of 93.5\% was obtained for classification of two colors and an accuracy of 65.75\% was obtained for classifcation of four signals using the mentioned attention based LSTM network.

研究动机与目标

• 开发一种低成本、非侵入性的脑机接口（BCI），利用单通道EEG为严重运动功能障碍患者服务。
• 研究基于颜色的视觉刺激是否能够诱发可区分的EEG模式以实现分类的可行性。
• 评估基于注意力机制的LSTM网络在分类消费级EEG头戴设备原始EEG信号方面的性能。
• 实现实际的BCI应用，如智能轮椅的方向控制或为运动功能受限患者设计的通信系统。

提出的方法

• 在受控的低噪声环境下，使用NeuroSky Mindwave单电极EEG头戴设备以512 Hz的采样率采集原始EEG信号。
• 将四种颜色刺激（红、蓝、黑、黄）映射到方向指令（左、右、上、下），用于BCI控制。
• 通过过滤异常信号和离群值对数据进行预处理，以降低噪声并提高信号质量。
• 采用基于注意力机制的长短期记忆（LSTM）神经网络，将EEG序列分类为两类或四类。
• 在100个周期内训练模型，基于验证损失和准确率采用早停策略，训练与验证集按50%划分。
• 集成注意力机制，以增强模型对EEG信号序列中相关时间特征的关注能力。

实验结果

研究问题

• RQ1 像NeuroSky Mindwave这样的单通道EEG设备能否可靠地捕捉到对不同颜色刺激产生可区分的脑电波模式？
• RQ2 基于注意力机制的LSTM网络在二类和四类色彩辨别任务中对原始EEG信号分类的效率如何？
• RQ3 在低成本BCI设置中，类别不平衡和信号复杂性对分类准确率有何影响？
• RQ4 所提出的模型能否实现基于思维的颜色选择，从而实现对智能轮椅等辅助设备的实际、实时控制？

主要发现

• 基于注意力机制的LSTM模型在二类色彩任务（如红色对黄色）中实现了93.5%的分类准确率，显著优于二分类任务的50%基线准确率。
• 在四类色彩分类中，模型达到65.75%的准确率，超过随机四分类的25%基线准确率。
• 四类分类任务中，模型约需50–65个训练周期收敛，最佳性能出现在红色对黄色和蓝色对黄色的配对中。
• 四类分类器对黑色的准确率较低（54%），且误判率较高，表明某些颜色组合在神经生理学上更难区分。
• 模型在未见数据上表现出强鲁棒性，未见的红色与黄色试验中准确率达96%，表明在二类场景下具有出色的泛化能力。
• 系统已成功与蓝牙智能轮椅原型集成，仅在检测到高注意力水平时才触发移动，从而有效降低了误报率。