CN103092971B - 一种用于脑机接口中的分类方法 - Google Patents

Abstract

本发明公开了一种用于脑机接口中的分类方法，包括步骤：根据训练集中若干类样本集的特征，分别计算每类样本集特征的权重和，所述权重和近似服从正态分布，估计出若干个正态分布的均值和标准差；对新样本进行分类时，计算出新样本特征的权重和，根据得到的若干个正态分布的均值和标准差对计算出的新样本特征的权重和进行标准化，得到若干个标准化后的值；对若干个标准化后的值的绝对值进行排序，将其中最小值对应的样本集类别作为新样本的类别。本发明方法利用标准分数对新样本特征的权重和进行标准化，进而根据标准化后的权重和确定分类边界线，克服了传统线性判别分析方法在样本特征分布不相同情况下分类识别率下降的缺点。

Description

一种用于脑机接口中的分类方法

技术领域

本发明属于生物医学信息技术领域，具体涉及一种脑-机接口领域中对脑电特征进行分类识别的方法。

背景技术

脑机接口（Brain-ComputerInterface，BCI）是近年发展起来的不依赖于大脑的正常输出通路（即外围神经和肌肉组织），就可以实现人脑与外界（计算机或其它外部装置）直接通信的技术。脑机接口技术可以将脑电信号转化成控制信号从而实现对外部设备的控制，基于脑机接口可以发展多种增强型控制和通信系统，提高患有某些疾病人群的生活质量，如脑卒中、帕金森、运动神经元损伤等。

通常基于脑电信号的脑机接口系统由4个模块组成：脑电信号采集放大模块，特征提取模块，分类识别模块，反馈及控制模块，如图1所示。脑电信号采集放大模块主要由脑电放大器组成，用于放大微弱的脑电信号并将之送入特征提取模块进行处理；特征提取模块对包含噪声和众多冗余信息的脑电数据进行处理，将有用的特征提取出来送入分类识别模块；分类识别模块采用模式识别的方法对特征进行分类，并将分类结果作为控制指令输出到反馈及控制模块中；反馈及控制模块主要用于同步被试行动、为被试提供相应的反馈信息及转化控制指令。

采用性能更好的脑电信号放大器可以有效提升采集到的脑电数据的信噪比，将创新的实验范式应用在反馈及控制模块中可以获得质量更高的脑电特征，而在脑电信号放大器和实验范式固定的情况下，脑机接口的性能则由特征提取方法和分类识别方法决定。

基于脑电信号的脑机接口系统可用的脑电特征包括运动想象节律信号、P300诱发电位、稳态视觉/听觉诱发电位、瞬态视觉诱发电位等。在采集到的脑电信号中，自发脑电占有非常大的比例，而上述可用的特征被淹没在大量的自发脑电中，国内外的研究者们提出了许多种特征提取算法，如拉普拉斯滤波，自回归功率谱分析法，共空间模式，典型相关分析，双谱分析等。

作为一个输入-输出系统，以转化使用者意图为目的，分类识别模块最终决定脑机接口系统是否可以正确的将使用者的意图转化为控制命令。与传统的模式识别问题相比，脑机接口系统对分类识别模块有着特殊的要求，如小样本训练集，脑电信号非平稳性等，因此，需要将更先进的分类方法应用到脑机接口系统中，以提高脑机接口系统的性能。

目前，线性判别分析（LinearDiscriminantAnalysis,LDA）基于其易用性好，计算效率高，稳定性强的优点，成为脑机接口领域中最流行的分类方法之一。线性判别分析已经在运动想象脑机接口、P300打字机和稳态视觉诱发电位脑机接口中取得了较好的应用效果，也有一些基于线性判别分析的改进算法，如正则化线性判别分析（RLDA）、贝叶斯线性判别分析（BLDA）、自适应线性判别分析等。线性判别分析假设两类数据具有相同的协方差矩阵，通过寻找最大化两类数据均值同时最小化类内方差的投影得到分类边界线，分类边界线只由投影后的两类数据的均值决定，而投影后的两类数据的方差信息则被忽略，造成了分类的不准确。

发明内容

本发明的目的在于针对现有分类识别方法的存在的上述问题，提出了一种用于脑机接口中的分类方法。

本发明的技术方案为：一种用于脑机接口中的分类方法，具体包括如下步骤：

S1.根据训练集中若干类样本集的特征，分别计算每类样本集特征的权重和，所述权重和近似服从正态分布，估计出若干个正态分布的均值和标准差；

S2.对新样本进行分类时，计算出新样本特征的权重和，并根据步骤S1得到的若干个正态分布的均值和标准差对计算出的新样本特征的权重和进行标准化，得到若干个标准化后的值；

S3.对若干个标准化后的值的绝对值进行排序，将其中最小值对应的样本集类别作为新样本的类别。

本发明的有益效果：本发明的方法利用标准分数对新样本特征的权重和进行标准化，进而根据标准化后的权重和确定分类边界线，克服了传统线性判别分析方法在样本集特征分布不相同情况下分类识别率下降的缺点，有效提升了脑机接口系统在复杂情况下分类表现的稳定性。

附图说明

图1为脑机接口系统的组成的示意图。

图2为本发明的用于脑机接口中的分类方法示意图。

图3为示意了本发明方法和传统线性判别分析方法分类边界线位置的差异示意图。

图4为本发明方法与现有的线性判别分析方法的分类效果比较示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的说明。

在实际应用中，待分类的多类数据往往不满足同协方差矩阵的假设，因此，将投影后的两类数据的方差信息加入分类边界线的决定过程中是具有重要意义的。

本发明的具体方案流程图如图1所示，包括如下步骤：

S1.根据训练集中若干类样本集的特征，分别计算每类样本集特征的权重和，所述权重和近似服从正态分布，估计出若干个正态分布的均值和标准差；

S2.对新样本进行分类时，计算出新样本特征的权重和，并根据步骤S1得到的若干个正态分布的均值和标准差对计算出的新样本特征的权重和进行标准化，得到若干个标准化后的值；

S3.对若干个标准化后的值的绝对值进行排序，将其中最小值对应的样本集类别作为新样本的类别。

本发明理论依据是：以训练集中包含两类样本集（第一类样本集和第二类样本集）为例说明，假设训练集中的两类样本集特征经过线性判别分析方法计算得到的权重和分别近似服从正态分布，估计出这两个正态分布的均值和标准差并保存在训练模型中。在对新样本进行分类时，首先用线性判别分析方法计算出其特征的权重和，然后用训练模型中保存的两类正态分布的均值和标准差分别对其标准化，得到z₁和z₂，则|z₁|和|z₂|分别反映了待分类样本特征的权重和与训练模型中保存的两类正态分布的均值的相对标准距离，若|z₁|<|z₂|,则新样本与第一类样本集的正态分布的均值的相对标准距离更小，被分作第一类，反之则被分作第二类。

不同于现有线性判别分析方法，此方法对两类样本特征的权重和分别做正态分布假设，其分类边界线由两个正态分布曲线的交点决定。

仍以两类样本集C₁、C₂为例进行说明，假设X₁=(x₁₁，x₁₂,...,x_1m)^T,和X₂=(x₂₁,x₂₂,...,x_2n)^T,是两类样本集的特征向量，其中，x₁₁,x₁₂,...,x_1m∈C₁，x₂₁,x₂₂,...,x_2n∈C₂，m、n分别为特征向量X₁和X₂中样本的个数。

令 $X=\left(\begin{array}{c}{X}_1\\ X_2\end{array}\right),$ 首先寻找一个特征向量的线性方程使得：

Y(X)=XW+w₀(1)

其中，W是权重向量，w₀是偏移量，如果将c₁作为样本集C₁的标签，c₂作为样本集C₂的标签，则传统线性判别分析方法的分类边界线可定义为d=(c₁+c₂)/2。

为了计算方便，可以用向量记法将等式（1）转换为

$Y\left(\tilde{X}\right)=\tilde{X}\tilde{W}---\left(2\right)$

其中， $\tilde{W}=\left(\begin{array}{c}W\\ w_0\end{array}\right),$ 而相应的为带一个虚拟输入x₀=1的扩大化的特征向量等式（2）的最小二乘解为：

$\tilde{W}={\left({\tilde{X}}^T\tilde{X}\right)}^{-1}{\tilde{X}}^{T}Y---\left(3\right)$

如果c₁<c₂，传统的线性判别分析方法在进行分类识别时，用式子（2）计算出样本特征对应的权重和y的值，若y<d，则样本被分作第一类，反之则被分作第二类。

本发明方法对线性判别分析方法的改进主要体现在以下几个方面：将等式（3）得到的代入等式（2）中计算出每一个训练样本的权重和y值，再分别计算出两类样本训练集的特征权重和的均值μ₁、μ₂和标准差σ₁、σ₂。

${\mathrm{\&mu;}}_1=\frac{1}{n}{\mathrm{\&Sigma;}}_{x\&Element;C_1}y\left(x\right)$

${\mathrm{\&mu;}}_2=\frac{1}{n}{\mathrm{\&Sigma;}}_{x\&Element;C_2}y\left(x\right)$

(4)

${\mathrm{\&sigma;}}_1=\sqrt{\frac{1}{n}{\mathrm{\&Sigma;}}_{x\&Element;C_1}{(y\left(x\right)-{\mathrm{\&mu;}}_1)}^2}$

${\mathrm{\&sigma;}}_2=\sqrt{\frac{1}{n}{\mathrm{\&Sigma;}}_{x\&Element;C_2}{(y\left(x\right)-{\mathrm{\&mu;}}_2)}^2}$

其中，y(x)为每类样本集中每个训练样本的特征对应的权重和。

在对新样本进行分类时，首先用等式（2）计算出相应的权重和y^*值，然后对其标准化

$z_1=\frac{y^{*}-{\mathrm{\&mu;}}_1}{{\mathrm{\&sigma;}}_1}$

(5)

$z_2=\frac{y^{*}-{\mathrm{\&mu;}}_2}{{\mathrm{\&sigma;}}_2}$

分别计算出z₁和z₂，本质上，z₁和z₂是z分数，|z₁|和|z₂|反映了新样本权重和与训练集两类样本集权重和分布的均值的相对标准距离，若|z₁|<|z₂|,则该样本被分作第一类，反之则被分作第二类。

下面以一组仿真数据集为例说明本方法的特性。

（1）仿真数据集描述

该数据集由两个二维样本集组成，样本集中的每一维数据都服从正态分布，第一类样本数据服从均值（-1，-0.6），标准差（0.3，0.3）的正态分布，第二类样本数据服从均值（1，0.6），标准差（0.3，0.3）的正态分布。为了验证本方法在处理分布不同的两类样本时的优越性，保持第一类样本数据分布不变，固定第二类样本数据的均值，而增大其标准差，进而比较此时传统线性判别分析方法和本方法的分类识别能力。训练集由200个样本组成，每一类各100个样本，测试集也由200个样本组成，每一类各100个样本。

（2）仿真数据结果分析

首先分别用传统线性判别分析方法和本发明方法对训练集数据进行学习得到分类器模型，然后用该模型对测试集数据进行分类，该过程重复100次以消除随机效应。表1给出了在第二类样本数据标准差增大情况下的两种方法分类正确率的均值和标准差。当两类仿真数据的标准差相同时，传统线性判别分析方法和本发明方法的平均分类正确率相同，而当一类数据的标准差保持不变，另一类数据的标准差增大时，本发明方法可以取得比传统线性判别分析方法更高的分类正确率。配对t检验结果显示当两类样本数据的标准差相同时，分类正确率无显著性差异，而当一类样本数据的标准差增大到0.4时，本发明方法获得的分类正确率显著高于传统线性判别分析方法获得的分类正确率（p<0.05），当这一类样本数据的标准差继续增大时，本发明方法可以获得更加显著高于传统线性判别分析方法的分类正确率（p<10^-5）。

表1

选取一个仿真数据说明本发明方法与传统线性判别分析方法相比分类边界线的变化，以第一类数据标准差0.3，第二类数据标准差1.0为例，其测试集样本分布散点图如图3所示，圆圈代表标准差为0.3的第一类样本，星星代表标准差为1.0的第二类样本。图3中，圆圈代表第一类样本的特征权重和分布，串联圆圈的实线代表其服从的正态分布曲线；星星代表第二类样本的特征权重和分布，串联星星的实线代表其服从的正态分布曲线；竖直虚线表示传统线性判别分析方法的分类边界线，竖直实线代表本发明方法的分类边界线。可以看出，按照本发明方法确定的分类边界线可以显著减少被错误分到第一类中的第二类样本的数目，提高分类准确率。

更直观的改进效果可以从图4中看到，在图4中，虚线代表传统线性判别分析方法的分类边界线，实线代表本发明所述方法的分类边界线。在此例中，相较于传统线性判别分析方法，本发明方法将9个星星样本正确的分到了第二类样本中，但同时也将2个圆圈样本错误的分到了第二类样本中，综合来看本发明方法正确分类的样本数目比传统线性判别分析方法多7个，由于测试集样本总数目为200，因此本发明方法的分类正确率比传统线性判别分析方法提高了3.5%。

其次，在一组真实的脑电数据上验证本发明方法的分类性能。

（1）真实数据集描述

该数据集包含了6名被试的EEG数据，被试做左手或者右手运动想象，15导覆盖感觉运动区的电极用来记录EEG信号，每名被试的数据包含4个run，每个run包含50个trials，左右手运动想象各25个trials，每两个run之间被试休息大约3分钟左右。被试坐在舒服的椅子上，面对电脑屏幕，按照屏幕提示进行运动想象，运动想象持续5秒钟，休息5秒钟，再进行下一次运动想象。

（2）脑电数据预处理及特征提取

选用被试做运动想象期间的所有EEG数据做后续处理，根据r²（r²值反映了两类任务下EEG信号差异性的大小）选出每名被试最优的频率段，并用此频率段对EEG数据进行带通滤波，滤波后的数据用CSP方法估计出空间投影矩阵W，此矩阵将EEG信号从原始的电极空间投影到虚拟导联空间，W的每一个行向量都是一个空间滤波器，其最大化一类任务的方差同时最小化另一类任务的方差；接着选择最优的3对空间滤波器对EEG数据进行空间滤波；最后计算空间滤波后生成的虚拟导联EEG数据的方差，并取对数，生成特征。

（3）真实数据结果分析

该数据集包含4个run，用前两个run做训练，估计出空间滤波器系数，得到现有的线性判别分析方法和本发明方法的模型，然后把后两个run的数据做测试，得到的分类正确率如表2所示，表中，LSY等表示被测试者姓名缩写，可以看出，在6名被测试者的脑电数据上使用本发明方法作为分类器均可以获得比传统线性判别分析方法更高的分类正确率。

表2

*表示经过配对t检验p<0.05。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (1)

1.一种用于脑机接口中的分类方法，具体包括如下步骤：

S1.根据训练集中若干类样本集的特征，分别计算每类样本集特征的权重和，所述权重和近似服从正态分布，估计出若干个正态分布的均值和标准差；

所述的若干类样本集具体为两类样本集：第一类样本集C₁和第二类样本集C₂；

假设X₁＝(x₁₁,x₁₂,...,x_1m)^T,和X₂＝(x₂₁,x₂₂,...,x_2n)^T,是两类样本集的特征向量，其中，x₁₁,x₁₂,...,x_1m∈C₁，x₂₁,x₂₂,...,x_2n∈C₂，m、n分别为特征向量X₁和X₂中样本的个数；

令 $X=\left(\begin{array}{c}{X}_1\\ X_2\end{array}\right),$ 首先寻找一个特征向量的线性方程使得：

Y(X)＝XW+w₀(1)

其中，W是权重向量，w₀是偏移量，如果将c₁作为样本集C₁的标签，c₂作为样本集C₂的标签，则传统线性判别分析方法的分类边界线可定义为d＝(c₁+c₂)/2；

用向量记法将等式(1)转换为

$Y\left(\tilde{X}\right)=\tilde{X}\tilde{W}---\left(2\right)$

其中， $\tilde{W}=\left(\begin{array}{c}W\\ w_0\end{array}\right),$ 而相应的为带一个虚拟输入x₀＝1的扩大化的特征向量等式(2)的最小二乘解为：

$\tilde{W}={\left({\tilde{X}}^T\tilde{X}\right)}^{-1}{\tilde{X}}^{T}Y---\left(3\right)$

将等式(3)得到的代入等式(2)中计算出每一个训练样本的权重和y值，再分别计算出两类样本训练集的特征权重和的均值μ₁、μ₂和标准差σ₁、σ₂：

$\begin{array}{c}{\mathrm{\&mu;}}_1=\frac{1}{m}{\mathrm{\&Sigma;}}_{x\&Element;C_1}y\left(x\right)\\ {\mathrm{\&mu;}}_2=\frac{1}{n}{\mathrm{\&Sigma;}}_{x\&Element;C_2}y\left(x\right)\\ {\mathrm{\&sigma;}}_1=\sqrt{\frac{1}{m}{\mathrm{\&Sigma;}}_{x\&Element;C_1}{\left(y\right(x)-{\mathrm{\&mu;}}_1)}^2}\\ {\mathrm{\&sigma;}}_2=\sqrt{\frac{1}{m}{\mathrm{\&Sigma;}}_{x\&Element;C_2}{\left(y\right(x)-{\mathrm{\&mu;}}_2)}^2}\end{array}---\left(4\right)$

其中，y(x)为每类样本集中每个训练样本的特征对应的权重和；

S2.对新样本进行分类时，计算出新样本特征的权重和，并根据步骤S1得到的若干个正态分布的均值和标准差对计算出的新样本特征的权重和进行标准化，得到若干个标准化后的值；

所述的标准化后的值具体为：

$z_1=\frac{y^{*}-{\mathrm{\&mu;}}_1}{{\mathrm{\&sigma;}}_1}$

$z_2=\frac{y^{*}-{\mathrm{\&mu;}}_2}{{\mathrm{\&sigma;}}_2}$

其中，z₁为利用第一类样本集计算得到的标准化后的值，z₂为利用第二类样本集计算得到标准化后的值，y^*为新样本特征的权重和，μ₁、μ₂分别为第一类样本集和第二类样本集的均值，σ₁、σ₂分别为第一类样本集和第二类样本集的标准差；z₁和z₂是z分数，|z₁|和|z₂|反映了新样本权重和与训练集两类样本集权重和分布的均值的相对标准距离；

S3.对若干个标准化后的值的绝对值进行排序，将其中最小值对应的样本集类别作为新样本的类别；即若|z₁|<|z₂|,则该样本被分作第一类，反之则被分作第二类。