CN103413050A

CN103413050A - 基于极速学习机的运动想象脑电信号投票策略分类方法

Info

Publication number: CN103413050A
Application number: CN2013103643592A
Authority: CN
Inventors: 段立娟; 钟宏燕; 杨震; 马伟; 苗军
Original assignee: Beijing University of Technology
Current assignee: Beijing University of Technology
Priority date: 2013-08-20
Filing date: 2013-08-20
Publication date: 2013-11-27
Anticipated expiration: 2033-08-20
Also published as: CN103413050B

Abstract

本发明属于模式识别和脑-机接口领域，公开了一种基于极速学习机的运动想象脑电信号投票策略分类方法。包括：将原始运动想象脑电信号分为S段子信号；对每一段子信号通过主成分分析方法进行降维；将降维后的特征向量通过线性判别分析方法进行二次降维；对于S段子信号进行同样处理，最终得到S个K-1维的特征向量，将S个K-1维的特征向量进行组合，得到最终为S*(K-1)维的特征；将S*(K-1)维特征送入多个ELM分类器，利用投票分类策略得到最终分类结果。本发明提出了一种基于ELM的投票分类策略，与传统的多次ELM平均正确率方案相比，在不影响其训练分类低耗时的情况下提高了其分类正确率。

Description

基于极速学习机的运动想象脑电信号投票策略分类方法

技术领域

本发明属于模式识别和脑-机接口（Brain-Computer Interface,BCI）领域，涉及一种对脑-机接口系统装置中运动想象脑电信号进行分类的方法，具体讲就是将提取到的特征向量用基于极速学习机的投票策略进行分类的方法。

背景技术

目前有多种疾病影响大脑与外部环境的交流，如瘫痪等。这些疾病会使得患者丧失部分或全部的自主神经控制，给家庭和社会带来十分沉重的负担。随着计算机科学的发展和科学家们对脑功能研究的不断深入，人们开始尝试建立一种全新的方式在脑和外部环境之间传递信息和命令，并且不依赖于肌肉神经活动的交流和控制通路。这就是所谓的脑-机接口。

BCI结构示意图如图1所示，脑电采集装置从大脑皮层采集到人的脑电信号，经过信号预处理部分进行滤波和去眼电干扰，再经过脑电信号的特征提取和分类识别，从而转化为控制信号实现对外部设备的控制。

特征提取就是通过信号处理将能够更好的表征想象任务信号的一些相关信息显现出来，去掉冗余信息。分类就是将提取到的脑电信号特征送入分类器，通过训练分类器模型，从而达到识别不同类别特征的目的。在EEG信号的分析中，寻求有效的特征提取方法和分类器是提高识别准确率的关键技术之一。

在BCI应用领域，尤其是实时系统，由于需要将采集到的脑电信号经过一系列处理后再反馈给机器设备进而达到控制机器的目的。因此对训练耗时要求十分苛刻，在分类器的选择上要遵循以下原则：脑电信号的高识别率与低耗时性。然而常用的分类器总是难于在这两者之间达到平衡。

近年来，Huang提出的基于单隐层前馈神经网络(Single-hidden Layer Feed forward NeuralNetwork，SLFN)的极速学习机(Extreme Learning Machine,ELM)，其训练速度与BP神经网络以及支持向量机(SVM)相比有明显提升。由于ELM内部参数是随机产生，单个样本的预测类别也有很强的随机性，常用方法是多次平均分类结果，但并没有降低样本预测类别的随机性。

发明内容

本发明的目的在于提出一种基于ELM的投票分类策略，与传统的多次ELM平均正确率方案相比，在不影响其训练分类低耗时的情况下提高了其分类正确率。

一种基于极速学习机的运动想象脑电信号投票策略分类方法，其特征在于包括以下步骤：

步骤一，采用固定的滑动时间窗将原始运动想象脑电信号分为S段子信号。S的取值取决于滑动时间窗的长度与原始脑电信号的长度。

步骤二，对步骤一所得到的每一段子信号通过主成分分析（Principal Component Analysis,PCA）方法进行降维，降低信号中冗余信息，得到降维后的特征向量。

步骤三，将步骤二中得到的特征向量通过线性判别分析（Liner Discriminate Analysis,LDA）方法进行二次降维，对于K个类别的脑电数据，得到K-1维的特征向量。对于二分类问题，得到的是一个一维的特征向量。

步骤四，对每个子信号均按步骤二和步骤三进行处理，对于S段子信号，所以最终会得到S个K-1维的特征向量，将S个K-1维的特征向量进行组合，得到最终为S*(K-1)维的特征。

步骤五，将步骤四所得到的S*(K-1)维特征送入多个ELM分类器，利用投票分类策略得到最终分类结果。

与现有技术相比，本发明的方法具有以下优点：

传统的ELM计算分类正确率采用平均正确率，没有考虑降低单个样本预测类别的随机性；本发明采取的投票策略对单个样本进行类别预测，在很大程度上降低了样本类别预测的随机性，从而提高了分类正确率，并且保持了ELM低耗时的优势。

附图说明

图1是本发明所涉及的脑-机接口结构示意图；

图2是本发明所涉及方法的主流程图；

图3是本发明所涉及的基于投票优化策略的ELM分类方法流程图。

具体实施方式

下面结合具体实施方式对本发明做进一步的说明。

假设有训练数据集TrainData和一组测试数据集TestData，TrainData的样本量为N，维度为D；TestData的样本量为M，维度同样为D。其中TrainData与TestData中样本属于K个类别。

基于极速学习机的运动想象脑电信号投票策略分类方法，流程图如图2所示。

步骤一，通过固定时间窗划分的方式把TrainData和TestData均分成S段脑电子信号。TrainData_i代表训练数据集中第i段子信号，每段子信号的维度为D_i（i=1,2,…,S）。TestData_i代表测试数据集中第i段子信号，每段子信号的维度为D_i（i=1,2,…,S）。因为采用固定时间窗，窗口大小是固定的，所以D₁=D₂=…=D_i=W。

固定的滑动时间窗分为两种：一种是无叠加时间窗，每一段子信号之间没有重叠部分，即S*W=D；另一种是有叠加的时间窗，每两段相邻的子信号之间是有部分重叠的，即S*W>D步骤二，对步骤一所得到的每一段子信号TrainData_i和TestData_i通过主成分分析方法进行降维。将特征值从大到小进行排序后，再根据累计贡献率，只保留前m个最大特征值对应的特征向量组合M_PCA＝[Φ₁,Φ₂,...,Φ_m]作为投影空间向量。将TrainData_i和TestData_i同时投影到M_PCA上，可得到PCA降维后的训练数据Train_i和测试数据Test_i：

Train_i=TrainData_i·M_PCA

Test_i=TestData_i·M_PCA

步骤三，将步骤二中得到的特征向量通过LDA方法进行二次降维，具体方法如下：

（1）根据LDA准则，利用Train_i中不同类别样本的类间离散度矩阵以及同一类别样本的类内离散度矩阵计算出LDA的投影空间向量w^*。

（2）把Train_i与Test_i投影到w^*上，得到第i段脑电子信号的特征：

Trainfeature_i=Train_i·w^*

Testfeature_i=Test_i·w^*

步骤四，计算出所有的Trainfeature_i与Testfeature_i，并进行组合，得到最终的特征TrainFeature与TestFeature：

TrainFeature={TrainFeature₁，TrainFeature₂，…，Trainfeature_x}

TestFeature={TestFeature₁，TestFeature₂，…，TestFeature_x}

步骤五，将步骤四所得到的特征TrainFeature训练ELM分类器模型，将TestFeature送入训练好的模型进行分类。试验重复进行，采用投票优化策略得出最终分类结果。流程图如图3所示，具体方法如下：

（1）给定隐层节点个数L和激励函数g(x)。随机产生输入权值a_i和偏置值b_i。x_i代表输入的第i个训练样本。因为送入分类器是已经提取好的特征，故在本发明中，x_i实际上代表TestFeature_i。

（2）计算隐含层的输出矩阵G：

G = {[\begin{matrix} G (a_{1}, b_{1}, x_{1}) & \cdot \cdot \cdot & G (a_{L}, b_{L}, x_{1}) \\ \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot \\ G (a_{1}, b_{1}, x_{N}) & \cdot \cdot \cdot & G (a_{L}, b_{L}, x_{N}) \end{matrix}]}_{N \times L}

式中，G(a_i,b_i,x)＝g(x·a_i+b_i)。

（3）求出网络最佳权值

给定隐层神经元与输出神经元的连接权值β，求神经网络的输出O=Gβ；

如果G列满秩，通过最小二乘法得到最佳权值，其解为：

\overset{&OverBar;}{β} = G^{+} O

式中，G⁺是G的广义逆矩阵；

如果G非列满秩，通过奇异值分解求G的广义逆矩阵G⁺来计算最佳权值

（4）通过训练分类器模型，将TestFeature送入进行分类。对于M个样本，得到一组M维的预测标签y。

重复步骤（1）～（4）Z次(Z一般不小于50)，针对第i个样本得到Z个类别标签。

y_ij代表测试数据集中第i个样本在第j次实验结果中得到的类别标签，对于二分类问题（多分类问题也适应），y_ij∈{0,1}。将所有样本在所有试验中得到的预测类别标签记为Ψ，其表达式为：

Ψ = {[\begin{matrix} y_{11} & \cdot \cdot \cdot & y_{1 Z} \\ \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot \\ y_{M 1} & \cdot \cdot \cdot & y_{MZ} \end{matrix}]}_{M \times Z}

（5）求第i个样本Z个预测类别标签中类别为0的标签总数h⁰，和预测标签为1的标签总数h¹，h⁰+h¹=Z。

（6）用投票策略表示第i个测试数据最终的预测类别标签y_i：

V (y_{i}) = \{\begin{matrix} 0, & if & h^{0} > h^{1} \\ 1, & if & h^{0} < h^{1} \end{matrix}

当Z为偶数时，会出现某个样本的预测类别标签为0的总个数和类别标签为1的总个数相等的特殊情况，即h⁰＝h¹。为了解决这个问题，再训练一个ELM分类器，并将该分类器对此样本的预测标签作为最终的预测标签。

（7）将得到最终的M个预测标签与真实标签进行比较求出分类正确率。

本实施例选择BCI2003Ia标准数据集，该数据集是两类运动想象脑电数据，分类结果的正确率是93.52%。本发明实施例的正确率比研究该数据的其他学者采用的方法的正确率都要高。并且同样特征的情况下，分类效果优于SVM的92.15%和ELM平均结果89%。且耗时0.33s，与ELM多次平均分类的总耗时0.31s相当，优于SVM的耗时2.83s。该发明同样适用于多分类问题，可将多分类问题转换为多个二分类问题，继续使用本发明的投票机制进行分类。

Claims

1.一种基于极速学习机的运动想象脑电信号投票策略分类方法，其特征在于对单个样本进行类别预测，降低了样本类别预测的随机性，提高了分类正确率，并且保持了ELM低耗时的优势；包括以下步骤：

步骤一，通过固定时间窗划分方式把训练数据集TrainData和测试数据集TestData均分成S段脑电子信号，其中，TrainData的样本量为N，维度为D；TestData的样本量为M，维度同样为D；TrainData与TestData中的样本属于K个类别；

假设TrainData_i代表训练数据集中第i段子信号，每段子信号的维度为D_i（i=1,2,…,S）；TestData_i代表测试数据集中第i段子信号，每段子信号的维度为D_i（i=1,2,…,S）；因采用固定时间窗，所以D₁=D₂=…=D_i=W；

固定的滑动时间窗分为两种：一种是无叠加时间窗，每一段子信号之间没有重叠部分，即S*W=D；另一种是有叠加的时间窗，每两段相邻的子信号之间是有部分重叠的，即S*W>D；

步骤二，对步骤一所得到的每一段子信号TrainData_i和TestData_i通过主成分分析方法进行降维；将特征值从大到小进行排序后，再根据累计贡献率，只保留前m个最大特征值对应的特征向量组合M_PCA＝[Φ₁,Φ₂,...,Φ_m]作为投影空间向量；将TrainData_i和TestData_i同时投影到M_PCA上，得到PCA降维后的训练数据Train_i和测试数据Test_i：

Train_i=TrainData_i·M_PCA

Test_i=TestData_i·M_PCA

（1）根据LDA准则，利用Train_i中不同类别样本的类间离散度矩阵以及同一类别样本的类内离散度矩阵计算LDA的投影空间向量w^*；

Trainfeature_i=Train_i·w^*

Testfeature_i=Test_i·w^*

步骤四，计算所有的Trainfeature_i与Testfeature_i，并进行组合，得到最终的特征TrainFeature与TestFeature：

TrainFeature={TrainFeature₁，TrainFeature₂，…，Trainfeature_x}

TestFeature={TestFeature₁，TestFeature₂，…，TestFeature_x}

步骤五，将步骤四所得到的特征TrainFeature训练ELM分类器模型，将TestFeature送入训练好的模型进行分类；试验重复进行，采用投票优化策略得出最终分类结果。

2.根据权利要求1所述的一种基于极速学习机的运动想象脑电信号投票策略分类方法，其特征在于，步骤五进行ELM分类的方法包括以下步骤：

（1）给定隐层节点个数L和激励函数g(x)；随机产生输入权值a_i和偏置值b_i；x_i代表输入的第i个训练样本，即TestFeature_i；

（2）计算隐含层的输出矩阵G：

G = {[\begin{matrix} G (a_{1}, b_{1}, x_{1}) & \cdot \cdot \cdot & G (a_{L}, b_{L}, x_{1}) \\ \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot \\ G (a_{1}, b_{1}, x_{N}) & \cdot \cdot \cdot & G (a_{L}, b_{L}, x_{N}) \end{matrix}]}_{N \times L}

式中，G(a_i,b_i,x)＝g(x·a_i+b_i)；

（3）求网络最佳权值

如果G列满秩，通过最小二乘法得到最佳权值，其解为：

\overset{&OverBar;}{β} = G^{+} O

式中，G⁺是G的广义逆矩阵；

（4）通过训练分类器模型，将TestFeature送入进行分类；对于M个样本，得到一组M维的预测标签y；

重复步骤（1）～（4）Z≥50次，针对第i个样本得到Z个类别标签；

y_ij代表测试数据集中第i个样本在第j次实验结果中得到的类别标签，对于二分类问题，y_ij∈{0,1}；将所有样本在所有试验中得到的预测类别标签记为Ψ，其表达式为：

Ψ = {[\begin{matrix} y_{11} & \cdot \cdot \cdot & y_{1 Z} \\ \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot \\ y_{M 1} & \cdot \cdot \cdot & y_{MZ} \end{matrix}]}_{M \times Z}

（5）求第i个样本Z个预测类别标签中类别为0的标签总数h⁰，和预测标签为1的标签总数h¹，h⁰+h¹=Z；

V (y_{i}) = \{\begin{matrix} 0, & if & h^{0} > h^{1} \\ 1, & if & h^{0} < h^{1} \end{matrix}

当Z为偶数时，会出现某个样本的预测类别标签为0的总个数和类别标签为1的总个数相等的特殊情况，即h⁰＝h¹；为了解决这个问题，再训练一个ELM分类器，并将该分类器对此样本的预测标签作为最终的预测标签；