[论文解读] Classification of Upper Arm Movements from EEG signals using Machine Learning with ICA Analysis

Pranali Kokate, Sidharth Pancholi+1 more|arXiv (Cornell University)|Jul 18, 2021

EEG and Brain-Computer Interfaces参考文献 42被引用 16

一句话总结

该论文提出了一种结合独立成分分析（ICA）用于伪影去除，以及结合手工设计的时间域与频域特征的多层感知机神经网络（MLP-NN）的机器学习框架，用于从脑电信号（EEG）中分类左右上臂运动。该方法在所有受试者中实现了96.02%的准确率，在受试者内分类中达到94.72%的准确率，相较于深度学习基线模型在训练效率和分类性能方面表现更优。

ABSTRACT

The Brain-Computer Interface system is a profoundly developing area of experimentation for Motor activities which plays vital role in decoding cognitive activities. Classification of Cognitive-Motor Imagery activities from EEG signals is a critical task. Hence proposed a unique algorithm for classifying left/right-hand movements by utilizing Multi-layer Perceptron Neural Network. Handcrafted statistical Time domain and Power spectral density frequency domain features were extracted and obtained a combined accuracy of 96.02%. Results were compared with the deep learning framework. In addition to accuracy, Precision, F1-Score, and recall was considered as the performance metrics. The intervention of unwanted signals contaminates the EEG signals which influence the performance of the algorithm. Therefore, a novel approach was approached to remove the artifacts using Independent Components Analysis which boosted the performance. Following the selection of appropriate feature vectors that provided acceptable accuracy. The same method was used on all nine subjects. As a result, intra-subject accuracy was obtained for 9 subjects 94.72%. The results show that the proposed approach would be useful to classify the upper limb movements accurately.

研究动机与目标

• 开发一种鲁棒的基于脑电信号（EEG）的脑机接口（BCI），用于分类左右上臂运动想象活动。
• 解决生理性和环境性伪影污染脑电信号导致分类性能下降的挑战。
• 通过将手工设计的时间域与频域特征与机器学习分类器结合，提升分类准确率。
• 在准确率、训练时间与模型效率方面，对比所提方法与深度学习架构的性能表现。
• 采用受试者内交叉验证策略对九名受试者进行模型验证，以确保良好的泛化能力。

提出的方法

• 应用独立成分分析（ICA）对原始脑电信号进行分解并去除伪影，提升特征提取前的信号质量。
• 从预处理后的脑电信号中提取手工设计的统计特征，包括均值、方差、偏度、峰度、曲线下方面积以及功率谱密度（PSD）。
• 将时间域与频域特征整合为单一特征向量，以利用互补信息提升分类性能。
• 在组合后的特征向量上训练多层感知机神经网络（MLP-NN），用于运动想象任务的二分类与多分类。
• 采用90-10的训练-验证集划分，批量大小为128，应用数据归一化，并采用模型检查点机制保存最佳性能模型。
• 将所提方法与一个深度学习架构（CNN-LSTM）在相同数据集上进行对比，评估其在准确率、精确率、召回率与F1分数方面的表现。

实验结果

研究问题

• RQ1 ICA能否有效降低脑电信号中的伪影，从而提升运动想象分类的性能？
• RQ2 结合时间域与频域特征是否能提升上肢运动任务的分类准确率？
• RQ3 所提MLP-NN方法在准确率与训练效率方面与深度学习模型相比表现如何？
• RQ4 在多个受试者中应用该方法时，受试者内分类准确率是多少？
• RQ5 在基于EEG的BCI系统中，手工特征与轻量级MLP-NN能否优于复杂的深度学习模型？

主要发现

• 所提方法在结合时间域与频域特征后，对左右手运动想象活动的分类综合准确率达到96.02%。
• 在全部九名受试者中，受试者内分类准确率达到94.72%，表明该方法在个体受试者中表现优异且具备良好泛化能力。
• 基于ICA的伪影去除步骤显著提升了信号质量，并对整体性能提升起到了关键作用，证实其在预处理阶段的重要意义。
• MLP-NN模型优于深度学习基线模型（CNN-LSTM），准确率达到95.41%（对比所提方法的96.02%），同时训练速度更快，计算时间更短。
• 各类别的精确率、召回率与F1分数均保持较高水平，F1分数范围在0.80至0.89之间，表明分类性能稳定且均衡。
• 研究证实，时间域与频域特征均不可或缺，因为联合使用两者相比单独使用任一域均能获得更优结果。