[论文解读] Prediction of Brain States of Concentration and Relaxation in Real Time with Portable Electroencephalographs

Zhen Li, Jianjun Xu+1 more|arXiv (Cornell University)|Sep 25, 2015

EEG and Brain-Computer Interfaces参考文献 2被引用 9

一句话总结

本研究利用便携式Muse脑电图头带开发了一套实时脑状态预测系统，用于分类专注与放松状态。通过选择F7和F8的伽马波通道，并结合通用空间模式（CSP）与支持向量机（SVM）模型，再利用前馈神经网络进行预测，系统实现了8.83/10的用户满意度评分，同时降低延迟，实现了对虚拟飞机的实时响应控制。

ABSTRACT

In our research, we attempt to help people recognize their brain state of concentration or relaxation more conveniently and in real time. Considering the inconvenience of wearing traditional multiple electrode electroencephalographs, we choose Muse to collect data which is a portable headband launched lately with a number of useful functions and channels and it is much easier for the public to use. Besides, traditional online analysis did not focus on the synchronism between users and computers and the time delay problem did exist. To solve the problem, by building the Analytic Hierarchy Model, we choose the two gamma wave channels of F7 and F8 as the data source instead of using both beta and alpha channels traditionally.Using the Common Space Pattern algorithm and the Support Vector Machine model, the channels we choose have a higher recognition accuracy rate and smaller amount of data to be dealt with by the computer than the traditional ones. Furthermore, we make use of the Feedforward Neural Network Model to predict subjects'brain states in half a second. Finally, we design a plane program in Python where a plane can be controlled to go up or down when users concentrate or relax. The SVM model and the Feedforward Neural Network model have both been tested by 12 subjects and they give an evaluation ranging from 1 to 10 points. The former gets 7.58 points while the latter gets 8.83, which proves that the time delay problem is improved once more.

研究动机与目标

• 通过便携式脑电图设备实现实时、用户友好的专注与放松等心理状态检测。
• 解决传统多电极脑电图系统存在的用户不适与高设置复杂度等问题。
• 通过优化信号处理与预测模型，减少脑机交互中的时间延迟。
• 通过基于心理状态的直观、响应迅速的虚拟环境控制，提升用户体验。
• 在实际交互任务中，通过真实用户验证系统的性能表现。

提出的方法

• 采用Muse头带这一便携式消费级脑电图设备（7个导联），实时采集脑电信号数据。
• 基于层次分析法选择F7与F8电极通道，优先聚焦于伽马波段活动以提升分类性能。
• 应用通用空间模式（CSP）算法，增强专注与放松状态之间的信号区分能力。
• 采用支持向量机（SVM）模型对脑状态进行初步分类。
• 实施前馈神经网络，实现对脑状态的提前0.5秒预测，有效降低系统延迟。
• 开发基于Python的飞机控制应用程序，其中向上/向下移动分别对应专注或放松的心理状态。

实验结果

研究问题

• RQ1 便携式脑电图设备能否准确分类实时的专注与放松脑状态？
• RQ2 与传统多波段方法相比，选择特定伽马波段通道（F7、F8）是否能提升分类准确率并降低计算负载？
• RQ3 神经网络模型能否在极低延迟下有效预测未来脑状态，适用于实时脑机接口应用？
• RQ4 与基于SVM的预测系统相比，基于神经网络的系统在用户体验与感知响应性方面表现如何？
• RQ5 仅依靠便携式脑电图信号与优化的信号处理方法，能否可靠实现对虚拟环境的实时控制？

主要发现

• 前馈神经网络模型获得8.83/10的用户评分，显著优于SVM模型的7.58分。
• 系统成功实现了对虚拟飞机的实时控制，飞行方向与用户专注或放松的心理状态一一对应。
• F7与F8的伽马波通道在识别准确率方面表现更优，同时显著降低了数据处理负载，相较于同时使用β波与α波带的方法。
• 采用预测性神经网络模型有效缓解了传统在线脑电信号分析中常见的延迟问题。
• 整体系统在实时人机交互场景中展现出良好的实用性与响应能力。
• 结果证实，当与优化的信号处理和预测模型结合时，便携式脑电图设备可支持高效、低延迟的脑机接口应用。