ЖУРНАЛ ВЫСШЕЙ НЕРВНОЙ ДЕЯТЕЛЬНОСТИ, 2012, том 62, № 1, с. 89-99
= МЕТОДИКА
УДК 612.821
БАЙЕСОВСКИЙ ПОДХОД К РЕАЛИЗАЦИИ ИНТЕРФЕЙСА МОЗГ-КОМПЬЮТЕР, ОСНОВАННОГО НА ПРЕДСТАВЛЕНИИ ДВИЖЕНИЙ
© 2012 г. П. Д. Бобров1, 3, А. В. Коршаков2, В. Ю. Рощин1, А. А. Фролов1
1 Учреждение Российской академии наук Институт высшей нервной деятельности
и нейрофизиологии РАН, 2 Федеральное государственное учреждение Российский научный центр "Курчатовский Институт", Москва, Россия, 3 ФЭИ Технического университета Остравы, Острава, Чешская республика,
e-mail: aafrolov@mail.ru Поступила в редакцию 10.03.2011 г.
Принята в печать 13.04.2011 г.
В статье рассматривается использование байесовского подхода к созданию классификатора для интерфейса мозг-компьютер, основанного на распознавании паттернов ЭЭГ при воображении фиксированного набора движений различными конечностями. Показано, что простейший байесовский классификатор, основанный непосредственно на анализе ковариационных матриц исходного сигнала многоканальных записей ЭЭГ, не уступает по эффективности классификатору, основанному на методе MCSP (Multiclass Common Spatial Patterns), обеспечивающему, по данным литературы, наилучшее распознавание паттернов ЭЭГ в интерфейсах мозг-компьютер. Исследовано влияние артефактов, связанных с движением глаз и морганием, на качество классификации паттернов ЭЭГ и показано, что их наличие не влияет на качество распознавания.
Ключевые слова: интерфейс мозг-компьютер, воображение движений, мю-ритм, байесовская классификация, удаление глазодвигательных артефактов.
Bayesian Classifier for Brain-Computer Interface Based on Mental Representation of Movements
P. D. Bobrov, A. V. Korshakov, V. Yu. Roschin, A. A. Frolov
Institute of Higher Nervous Activity and Neurophysiology, Russian Academy of Sciences, National Research Center "Kurchatov Institute", Moscow, Russia, FEI, Technical University of Ostrava, Ostrava, Czech Republic, e-mail: aafrolov@mail.ru
This paper proposes Bayesian approach to classification of EEG patterns on the basis of imaginary movements of extremities based on analysis of covariance matrices of native EEG recordings. An efficacy of a Brain-Computer Interface (BCI) based on the proposed classifier is evaluated. Bayesian classifier is shown to be competitive with the MCSP (Multiclass Common Spatial Patterns) classifier known from the literature as one of the efficient variant for BCI implementation. The influence of eye movement and blinking artifacts on the BCI performance is investigated. It is shown that the presence of such artifacts does not affect the classification accuracy.
Keywords: brain-computer interface, imaginary movements, mu-rhythm, Bayesian classification, eye movement artifact suppression.
Интерфейс мозг-компьютер (ИМК) — это устройство прямого сопряжения мозга человека или животного с внешним техническим устройством. Для разработки и широкого внедрения ИМК имеются научные, технологические и социальные предпосылки. Лабораторные и клинические исследования обеспечили детальные знания о природе сигналов мозга, используемых для взаимодействия с устройством через ИМК. Это касается как ЭЭГ (основные ритмы и вызванные потенциалы на различные стимулы) [29], так и множественной импульсной активности нейронов [16]. Многочисленные исследования показали наличие корреляции между определенными паттернами активности мозга и совершением различных движений [22, 25] или типом выполняемой ментальной задачи [2, 3]. Это позволило выделить набор сигналов мозга, наиболее пригодных для управления внешними устройствами с помощью ИМК [7, 26]. Технологической предпосылкой явились создание дешевых и мощных компьютеров и разработка математического программного обеспечения, что позволило обрабатывать многоканальные записи сигналов мозга в реальном времени и соответственно использовать результаты обработки для управления техническими устройствами. Другой технологической предпосылкой стало создание систем для многоканальной регистрации активности мозга. Социальной предпосылкой явилось осознание потребности в реабилитации больных с различными двигательными
нарушениями. Для больных, у которых нарушена возможность управления мышцами, ИМК может оказаться единственным каналом общения с окружающим миром. Таким образом, технология ИМК, как указывается в работе [20], вышла из детского возраста, когда было необходимо доказывать ее состоятельность в лабораторных исследованиях, и вошла в фазу зрелости, когда необходимо разрабатывать способы ее приложения к различным практическим задачам, круг которых потенциально очень широк.
Общая схема ИМК показана на рис. 1. ИМК включает: электроды для отведения сигналов активности мозга, средства оцифровки сигналов и предварительной обработки данных (фильтрация, выделение значимых показателей активности), классификатор и средство сопряжения с внешним устройством. Как правило, важным элементом ИМК является возможность оператора наблюдать функционирование управляемого объекта (наличие обратной связи).
Одним из подходов к созданию ИМК является использование для управления внешними устройствами пространственно-временных паттернов ЭЭГ, соответствующих выполнению различных ментальных задач [19]. По соглашению с испытуемым каждая из задач ассоциируется с какой-либо командой, передаваемой внешнему устройству. Тогда для подачи определенной команды испытуемый произвольно выполняет ассоцииро-
Дискретизация Классификация Формирование
и фильтрация полученных данных команды
Обратная связь
Рис. 1. Общая схема ИМК, основанного на распознавании паттернов ЭЭГ Сигналы активности мозга отводятся электродами, расположенными на поверхности головы, и оцифровываются. Предварительная обработка данных позволяет выделить значимые показатели активности, которые далее классифицируются для формирования команды управления (подробнее — см. текст статьи). Fig. 1. General scheme of EEG based BCI. EEG is acquired by ADC from electrodes placed on the subject's scalp. Computer processing extracts the features which are the most suitable for identifying of subject's intentions. After classification of intention the certain command is sent to the external device.
ванную с ней ментальную задачу. Состояние активности мозга, соответствующее ее выполнению, распознается классификатором ИМК, и в зависимости от того, какое состояние было распознано, формируется определенная команда. В ИМК, предназначенных для управления движением внешнего устройства, оператору психологически удобно использовать ментальные задачи, связанные с воображением собственных движений. Кроме того, состояния активности мозга, связанные с такими ментальными задачами, хорошо классифицируются по ЭЭГ, поскольку и воображение движений, и их реальное выполнение сопровождаются подавлением ритма ЭЭГ в диапазоне 8—13 Гц (Event Related Desynchronization) в областях сенсомоторной коры, связанных с той частью тела, движение которой воображается, и часто его усилением в областях сенсомоторной коры другого полушария [21, 22, 25], хотя выраженность и особенности проявления этого эффекта сильно варьируют в зависимости от испытуемого [13]. Поскольку представительства конечностей в сенсомоторной коре пространственно разнесены [1], то воображение движения определенной конечностью порождает специфическое пространственное распределение активности мозга. Именно это в большой степени обеспечило успех создания и применения таких ИМК, как Грацевский (Graz BCI [26]) и Берлинский (Berlin BCI [7]). ИМК, рассматриваемый в настоящем исследовании, также основан на воображении движений.
Основным элементом ИМК является классификатор паттернов ЭЭГ. Имеется множество подходов к его созданию (см., например, обзоры [4, 18]). Как один из наиболее эффективных используется метод CSP (Common Spatial Patterns [27]), успешно примененный в Берлинском и Грацевском ИМК. Первоначально этот метод был разработан для распознавания двух ментальных задач (и соответственно для генерации двух команд управления внешним устройством). Впоследствии он был обобщен на распознавание большего числа ментальных задач (метод MCSP — Multi-class CSP) и также показал высокую эффективность [12, 30]. Однако классификация с использованием метода MCSP предполагает выделение в паттернах ЭЭГ наиболее значимых для классификации признаков и применение для их анализа мощных методов распознавания образов, например SVM (Support Vector Machine [9, 10]), требую-
щих значительных вычислительных ресурсов. Основной целью настоящего исследования является сравнение эффективности метода МС8Р и простейшего байесовского классификатора, примененного непосредственно к многоканальным записям ЭЭГ, минуя этап выделения в них наиболее значимых для классификации признаков. Этот классификатор имеет относительно малую вычислительную сложность и допускает возможность адаптации в реальном времени.
Также в настоящей работе анализируется влияние глазодвигательных артефактов, связанных с движениями глаз и морганиями, на эффективность работы рассматриваемого ИМК.
МЕТОДИКА
В исследовании участвовали шесть испытуемых-добровольцев мужского пола от 23 до 30 лет, праворуких, без явных неврологических отклонений. Они были заранее ознакомлены с экспериментальным протоколом и дали письменное согласие на участие в эксперименте. Протокол был одобрен этической комиссией Института высшей нервной деятельности и нейрофизиологии РАН.
Отведение ЭЭГ осуществлялось энцефалографическим шлемом АсйСар ("ВгатРгоё-иСз", Германия). Регистрация ЭЭГ проводилась 24 электродами, расположенными над центральными и затылочными областями мозга, что в соответствии с результатами проведенных нами экспериментальных исследований обеспечивает наилучшую классификацию паттернов ЭЭГ, связанных с воображением движений. В качестве референтного использовался центральный лобный электрод А!^. Электроокулографические (ЭОГ) электроды располагались симметрично с левой и правой стороны глаз и сверху и снизу каждого глаза, на позициях Е1—Е6, соответствующих схеме, предложенной в работе [8]. Сигналы с электродов оци
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.