CN104035563B - 基于w‑pca和无监督ghsom的脑电信号识别方法 - Google Patents

Abstract

本发明涉及基于W‑PCA和无监督GHSOM的脑电信号识别方法。所述方法包括：脑电信号采集，脑电信号预处理，基于小波变换结合主元分析对脑电信号进行特征提取，利用无监督GHSOM神经网络对特征向量进行分类。GHSOM神经网络在训练中能自组织学习，无需标记训练数据，根据数据的相似性进行分类，克服了现实中许多数据无标签的困难；同时，GHSOM神经网络根据数据结构自适应地确定分类所需要的神经元个数，减少了被抑制神经元的浪费现象，进而加快训练速度，缩短训练所有时间，更有利于在线分析；此外，在对数据训练的过程中，能够提供多层次、可视化的拓扑结构图，有利于对数据进行解释。

Description

基于W-PCA和无监督GHSOM的脑电信号识别方法

技术领域

本发明涉及脑-机接口(brain-computer interface,BCI)系统想象运动脑电信号特征的模式识别方法，特别涉及基于小波变换(Wavelet Transform,WT)和主元分析(Principal Component Analysis,PCA)相结合的多尺度主元分析(记为W-PCA)特征提取方法和基于生长、分层的自组织映射(Growing Hierarchical Self-Organizing Map,GHSOM)神经网络的无监督分类方法。

背景技术

脑-机接口是一种随着计算机技术发展起来的新兴研究系统，它可以在人或者动物大脑与计算机或其他外部设备之间建立直接的信息交互和控制通道。BCI系统工作原理为：大脑在受到某种特定刺激或进行某种特定思考时，脑神经元细胞会产生相应的放电现象，通过介质(导电膏或电极)从大脑皮层提取出后表现为脑电波，使用脑电采集设备将其放大及模数(A/D)转换处理后，经特征提取和模式分类算法分析得到特定的脑电信号，最后将其转换为控制外部设备的信号来完成相应的任务，如图1所示。

想象运动脑电属于内源性诱发响应，是通过受试者真正的主观意识诱发的脑电成份。同时，与想象运动紧密联系的是事件相关去同步/事件相关同步(ERD/ERS)现象，即当想象单侧肢体运动时，大脑运动感觉区的mu节律和beta节律震荡的幅度减小或阻滞，对应的特定频段信号幅度降低、频带能量减少/特定频段信号幅度升高、频带能量增加。Pfurtscheller等人有些研究表明，肢体的真实运动或想象运动都会引起大脑运动感觉区相关节律的ERD/ERS现象，想象不同的肢体运动所引起的ERD的空间分布特性符合大脑运动感觉区肢体的对应分布。所以，想象运动无需依赖任何刺激，仅靠想象便可以产生具有区分性的脑电信号，即可以作为BCI系统的输入信号。

BCI系统的核心算法集中在对脑电信号的模式识别。如何实现对本征特征的准确提取和有效识别，就涉及到特征提取和分类方法的选择。现有脑电信号模式识别的方法，如利用快速傅里叶变换法、离散小波变换法或主成分分析等方法提取脑电信号特征，再结合BP神经网络或支持向量机(SVM)等分类方法完成脑电信号的模式识别。但是，基于上述方法提取的脑电特征之间存在一定的线性相关性；另外，分类算法大多属于监督学习算法，其学习的大致过程为：对有标记样本进行学习建立分类器模型，再根据已建立模型对未标记样本进行分类测试，这不仅要求实验者花费很多时间进行大量实验来获取有标记的训练样本，而且导致分类器模型自学习能力和泛化能力受限。从而影响了识别方法的自适应性。

发明内容

为了克服现有技术中存在的不足，本发明提供一种基于小波变换结合主元分析和无监督学习的GHSOM神经网络相结合的方法，实现对想象左、右手运动脑电信号的模式识别，以提高分类准确率及分类器的自适应性。

为了实现上述目的，本发明采用如下技术方案：

实验者戴上电极帽放松安静地坐在计算机前，按照屏幕上提示的向左、向右的命令执行2N次左、右手想象运动试验，分别包含想象左手动作和想象右手动作各N次试验。数据通过差分电极从国际标准的10～20导联系统的C3、C4电极获得。脑电记录仪会将此脑电变化的过程完整记录并存储下来。最后利用计算机实现W-PCA和GHSOM神经网络相结合的方法对脑电信号进行模式识别。

基于W-PCA和无监督GHSOM的脑电信号识别方法，主要包括以下步骤：

步骤一，脑电信号预处理。

电生理学研究表明，想象运动导致事件相关去同步化ERD或事件相关同步化ERS产生的μ节律和β节律的频率分别为8-12H_Z和13-28H_Z，这些生理学上的节律信号可用于判别想象左右手运动的脑电信号，所以利用FIR(Finite Impulse Response)滤波器对采集的脑电信号进行8-30H_Z带通滤波，以获取较为明显的ERD生理特征数据段。

步骤二，基于小波变换结合主元分析对脑电信号在多尺度上进行特征提取。

基于小波变换的主元分析，将小波变换提取变量局部特征和降低变量自相关性的能力和主成分分析去除变量间的线性相关性的能力相结合。

小波变换中的小波分解算法如式(1)所示：

式中，h(k)和g(k)成为共轭镜像滤波器组，分别对应低通和高通滤波器的单位脉冲。将信号从尺度j到尺度j+1逐步分解，j为分解层数，小波分解后的小波系数为 是分解得到的低频信号，即原信号的逼近信号，D_if是分解得到的高频信号，即细节信号。

小波逆变换，对信号重构的算法如式(2)所示：

(1)提取C3通道采集到的想象左、右手运动脑电信号特征

选择Daubechies类db5小波函数对C3通道想象左、右手运动脑电信号数据集LC3、RC3的所有采样点由式(1)分解5层，得到每一尺度上相应的小波分解系数，如图2所示；然后，对小波系数进行主成分分析，选取贡献度高的主元作为区分C3通道采集的想象左、右手脑电信号的特征向量，如图3所示，并将其标记为Feature_A、Feature_B，其中，Feature_A表示想象左手运动特征向量集，Feature_B表示想象右手运动特征向量集。

(2)提取C4通道采集到的想象左、右手运动脑电信号特征

选择Daubechies类db5小波函数对C4通道想象左、右手运动脑电信号数据集LC4、RC4的所有采样点由式(1)分解5层，得到每一尺度上相应的小波分解系数，如图4所示；然后，对小波系数进行主成分分析，选取贡献度高的主元作为区分C3通道采集的想象左、右手脑电信号的特征向量，如图5所示，并将其标记为Feature_C、Feature_D，其中，Feature_C表示想象左手运动特征向量集，Feature_D表示想象右手运动特征向量集。

(3)将C3、C4两个通道的特征进行串联作为区分想象左、右手运动的特征向量XL＝[Feature_A，Feature_C]，XR＝[Feature_B，Feature_D]，其中，XL表示想象左手运动特征向量集，XR表示想象右手运动特征向量集。

步骤三，利用无监督GHSOM神经网络对特征向量进行分类。

GHSOM(Growing Hierarchical Self-Organising Map)神经网络是一种进化的SOM(Self Organising Map)神经网络，一种基于无监督竞争学习的生长、分层的自组织特征映射网络。根据给定的训练数据的内部结构不仅能够自适应地进行分层扩展，实现细化处理，而且还能自适应地完成生长，即调整每层SOM映射网络的神经元个数。

GHSOM网络性能的优劣使用量化误差(Quantization Error)来表征，即反映SOM映射网络与输入向量数据的拟合程度，其实质为：输入向量X与获胜神经元及其邻域神经元的权值向量W之间的欧氏距离。

(1)映射神经元的量化误差：输入向量x_j与映射神经元i的权值向量w_i的欧氏距离qe_i，如式(3)所示：

qe_i＝∑_j‖w_i-x_j‖ (3)

其中，i是第n层SOM映射网络中的第i个神经元，x_j是映射到映射单元i的输入向量数据。

(2)SOM映射网络的量化误差：所有输入向量X与其获胜神经元的权值向量间欧氏距离的平均值QE_n，如式(4)所示：

其中，m为第n层SOM映射网络中所包含的神经元数目。

GHSOM网络的自适应调整由如下两个准则函数控制：

①整个网络层数生长准则函数表示为：

qe_i<τ₁qe₀ (5)

其中，qe₀为第0层SOM映射网络的量化误差，取输入向量X的平均值。在0～1之间取值的参数τ₁控制GHSOM网络的层数，在GHSOM网络的训练过程中，经过训练的每个SOM网络，都需要计算其映射单元的量化误差qe_i，那些不满足式(5)的映射神经元将要建立一个2×2的子层SOM映射网络。

②每层SOM映射网络的神经元个数生长准则函数：

QE_n<τ₂qe_i (6)

其中，在0～1之间取值的参数τ₂控制GHSOM网络每层SOM网络的神经元个数，在无监督GHSOM网络训练中，每完成K次迭代训练，就需要计算一次SOM映射网络的量化误差QE_n，若这个SOM映射网络的量化误差QE_n不满足式(6)，那么将会插入一行或一列新的神经元。具有最大量化误差qe_i的映射神经元i被标记为误差单元，在误差单元和它的最远邻接单元将会插入新的神经元，具体分层、生长过程如图6所示。

与现有技术相比，本发明具有如下优点：

本发明采用基于多尺度主元分析和GHSOM神经网络相结合对想象运动脑电信号进行模式识别。利用小波变换具有多分辨率的特点，对脑电信号在不同尺度下进行带通滤波；而主元分析存在单尺度的局限性，因此，经过小波变换对其小波分解后得到的每个尺度小波系数进行主成分分析，能够实现在多尺度上对非平稳脑电信号的时频特征提取，这将有益于减少特征量间的线性相关性。另外，GHSOM神经网络是一种分层、生长的无监督竞争学习前馈网络，在训练中能自组织学习，根据数据的相似性进行分类，无需标记训练数据，避免标签数据测试实验给受试者带来的痛苦。而且，GHSOM神经网络根据数据结构自适应地确定分类所需要的神经元个数，减少了被抑制神经元的浪费现象，进而加快训练速度，有利于脑电信号的在线分析和处理；此外，在对数据训练的过程中，能够提供多层次、可视化的拓扑结构图，有利于对数据进行解释。

附图说明

图1为本发明所涉及方法的流程图；

图2为C3通道想象左、右手运动脑电信号经小波分解5层后各尺度上的信号；

图3为图2的信号经主成分分析后得到的信号：A5为逼近信号，D1-D5为细节信号；

图4为C4通道想象左、右手运动脑电信号经小波分解5层后各尺度上的信号；

图5为图4的信号经主成分分析后得到的信号：A5为逼近信号，D1-D5为细节信号；

图6为GHSOM神经网络分层、生长过程示意图；

图7为GHSOM神经网络训练、测试流程图；

图8为由GHSOM神经网络训练得到的分类器的拓扑结构：“o”代表想象左手运动脑电信号；“+”代表想象右手运动脑电信号。

图9为由GHSOM神经网络分类器得到的测试仿真结果。

具体实施方式

下面结合实施例对本发明作进一步详细说明。

本发明所涉及方法的流程图如图1所示，包括以下步骤：

步骤1，想象左、右手运动数据集。

本实施例用到的脑电数据来源于“BCI Competition2003”标准数据库，脑电信号数据来源于一名健康成年女性。实验共分7组，每组包括40次，其中想象左手、想象右手运动各20次。实验时间9s/次，起初2s为受试者听到提示音发出后的准备时间，3～9s为受试者根据显示器提供的向左或向右的箭头执行相应的左手或右手想象运动的时间。以上过程，采用Agcl电极，通过128H_Z采样频率记录C3、C_Z、C4三个电极的脑电信号作为实验数据集。所有实验数据(7×40)随机分成两组分别作为训练数据和测试数据。本实施中只对C3、C4两个电极采集的脑电信号进行分析，随机选取180个样本向量组成训练集，剩下的100个样本向量组成测试集。在MATLAB2010a仿真环境下编写基于多尺度主成分分析和GHSOM神经网络应用程序实现对左、右手想象运动脑电信号的模式识别。

步骤2，脑电信号预处理。

设计48阶、512采样点的FIR滤波器对原始脑电信号进行8-30Hz频段带通滤波，C3、C4两个通道采集的想象左、右手运动的脑电信号，经过滤波后分别被记为LC3、RC3、LC4和RC4。

步骤3，基于小波变换结合主元分析对脑电信号在多尺度上进行特征提取。

(1)提取C3通道采集到的想象左、右手运动脑电信号特征

选择Daubechies类db5小波函数对C3通道想象左、右手运动脑电信号数据集LC3、RC3的所有采样点进行小波变换，分解5层，得到每一尺度上相应的小波分解系数[L3a5、L3d5、L3d4、L3d3、L3d2、L3d1]和[R3a5、R3d5、R3d4、R3d3、R3d2、R3d1]，如图2所示；然后，对小波系数分别进行主成分分析，计算小波系数的协方差矩阵和主元得分值，并选取贡献度高的主元作为区分C3通道采集的想象左、右手脑电信号的特征向量[T_score_L3a5、T_score_L3d5、T_score_L3d4、T_score_L3d3、T_score_L3d2、T_score_L3d1]和[T_score_R3a5、T_score_R3d5、T_score_R3d4、T_score_R3d3、T_score_R3d2、T_score_R3d1]，如图3所示，并将其标记为Feature_A、Feature_B，其中，Feature_A表示想象左手运动特征向量集，Feature_B表示想象右手运动特征向量集。

(2)提取C4通道采集到的想象左、右手运动脑电信号特征

选择Daubechies类db5小波函数对C4通道想象左、右手运动脑电信号数据集LC4、RC4的所有采样点进行小波变换，分解5层，得到每一尺度上相应的小波分解系数[L4a5、L4d5、L4d4、L4d3、L4d2、L4d1]和[R4a5、R4d5、R4d4、R4d3、R4d2、R4d1]，如图4所示；然后，对小波系数进行主成分分析，计算小波系数的协方差矩阵和主元得分值，并选取贡献度高的主元作为区分C3通道采集的想象左、右手脑电信号的特征向量[T_score_L4a5、T_score_L4d5、T_score_L4d4、T_score_L4d3、T_score_L4d2、T_score_L4d1]和[T_score_R4a5、T_score_R4d5、T_score_R4d4、T_score_R4d3、T_score_R4d2、T_score_R4d1]，如图5所示，并标记为Feature_C、Feature_D，其中，Feature_C表示想象左手运动特征向量集，Feature_D表示想象右手运动特征向量集。

(3)将C3、C4两个通道的特征进行串联作为区分想象左、右手运动的特征向量XL＝[Feature_A，Feature_C]，XR＝[Feature_B，Feature_D]，其中，XL表示想象左手运动特征向量集，XR表示想象右手运动特征向量集。

步骤4，利用无监督GHSOM神经网络对特征向量进行分类。

(1)在XL、XR中分别随机选取90个样本向量组成训练特征向量作为GHSOM网络的输入向量数据集X，求其平均值作为GHSOM网络第0层映射单元U₀的权值向量，即GHSOM网络的第0层只含有一个由一个映射单元U₀构成的SOM映射网络。分别由式(3)和式(4)计算qe₀和QE₀，可知QE₀＝qe₀且不满足式(5)，必然需要建立一个2×2的子层作为GHSOM网络的第1层SOM映射网络，如图6所示，第0层只有一个神经元，从第0层拓展出1个2×2的SOM映射网络分层生成第1层，在第1层SOM网络训练过程中，神经元2拓展出2×2的SOM映射网络并增加了一行神经元，变成3×2的SOM映射网络；神经元4拓展出2×2的SOM映射网络并增加了一列神经元，变成2×3的SOM映射网络，e₁表示误差神经元，e₂表示误差神经元的最远邻接神经元，按照上述过程根据输入数据自身结构自适应地完成分层和生长。

(2)对GHSOM网络进行训练，即代表输入向量的神经元进行竞争，拥有权向量与输入向量之间的欧氏距离最小的神经元为获胜神经元。调整获胜神经元和邻域神经元的权值更加接近输入向量，以达到分类目标。对第一层SOM网络反复训练K次之后，根据上述的两个准则函数式(5)、式(6)对其进行判断，以自适应调整网络层数和每层SOM映射网络的大小。经过训练的所有SOM映射网络都满足上述的两个准则函数，则GHSOM网络结束训练，训练数据分类的拓扑结构可视化如图8所示，图中颜色从深到浅表示GHSOM网络根据训练数据结构自适应地从第一层拓展至第三层，最终完成训练数据的分类。从图中看出有效将两种信号分开。

(3)将XL、XR中分别剩下的50个样本向量作为测试数据集输入完成训练的分类器，利用固定的权向量集对其进行识别，以测试分类器的优劣。测试的基本思想为：测试数据集向量与完成训练的权向量通过Sigmoid函数计算得到节点的输出值，最大值对应神经元为其代表神经元，再与训练得到的代表两类信号的神经元进行对比，判断其是否被正确识别。GHSOM神经网络训练、测试具体步骤如图7所示。将测试数据集中被正确识别的样本数与测试样本总数的比值作为识别精度，识别精度的仿真结果如图9所示，想象左手运动信号识别为“0”，想象右手运动信号识别为“1”。图9中想象左、右手运动各包含50个样本，代表想象左手运动的样本2和样本19——“0”被错分到想象右手运动类；同时代表想象右手运动的样本16、样本33、样本42和样本49——“1”被错分到想象左手运动类。100个测试样本中错分6个样本，特别地，训练好的分类器对想象右手运动信号识别率较想象右手运动信号识别率低一些。

Claims (2)

1.基于W-PCA和无监督GHSOM的脑电信号识别方法，W-PCA中文简称多尺度主元分析，GHSOM中文简称为基于生长、分层的自组织映射，其特征在于，该方法包括以下步骤：

步骤1，获得脑电信号；

实验者戴上电极帽放松安静地坐在计算机前，按照屏幕上提示的向左、向右的命令执行左、右手想象运动，通过差分电极从国际标准的10～20导联系统的C3、C4电极获得数据；

步骤2，脑电信号预处理；

利用FIR滤波器对采集的脑电信号进行8-30H_Z带通滤波，以获取较为明显的相关去同步化ERD生理特征数据段；

步骤3，基于小波变换结合主元分析对脑电信号在多尺度上进行特征提取；

步骤4，利用无监督GHSOM神经网络对特征向量进行分类；

步骤3所述基于小波变换结合主元分析对脑电信号在多尺度上进行特征提取的方法包括以下步骤：

(1)提取C3通道采集到的想象左、右手运动脑电信号特征：

首先，选择Daubechies类db5小波函数对C3通道想象左、右手运动脑电信号数据集LC3、RC3的所有采样点分解5层，得到每一尺度上相应的小波分解系数，小波分解的表达式为：

式中，h(k)和g(k)- 为 共轭镜像滤波器组，分别对应低通和高通滤波器的单位脉冲；将信号从尺度j到尺度j+1逐步分解，j为分解层数，小波分解后的小波系数为 是分解得到的低频信号，即原信号的逼近信号，D_jf是分解得到的高频信号，即细节信号；

然后，对小波系数进行主成分分析，选取贡献度高的主元作为区分C3通道采集的想象左、右手脑电信号的特征向量，并将其标记为Feature_A、Feature_B，其中，Feature_A表示想象左手运动特征向量集，Feature_B表示想象右手运动特征向量集；

(2)提取C4通道采集到的想象左、右手运动脑电信号特征：

选择Daubechies类db5小波函数对C4通道想象左、右手运动脑电信号数据集LC4、RC4的所有采样点由式(1)分解5层，得到每一尺度上相应的小波分解系数；然后，对小波系数进行主成分分析，选取贡献度高的主元作为区分C4通道采集的想象左、右手脑电信号的特征向量，并将其标记为Feature_C、Feature_D，其中，Feature_C表示想象左手运动特征向量集，Feature_D表示想象右手运动特征向量集；

(3)将C3、C4两个通道的特征进行串联作为区分想象左、右手运动的特征向量XL＝[Feature_A，Feature_C]，XR＝[Feature_B，Feature_D]，其中，XL表示想象左手运动特征向量集，XR表示想象右手运动特征向量集。

2.根据权利要求1所述的基于W-PCA和无监督GHSOM的脑电信号识别方法，其特征在于，步骤4所述利用无监督GHSOM神经网络对特征向量进行分类的方法包括以下步骤：

(1)在XL、XR中分别随机选取样本向量组成训练特征向量作为GHSOM网络的输入向量数据集X，求其平均值作为GHSOM网络第0层映射单元U₀的权值向量，即GHSOM网络的第0层只含有一个由一个映射单元U₀构成的SOM映射网络；分别由式(2)和式(3)计算映射神经元的量化误差qe₀和SOM映射网络的量化误差QE₀：

qe_i＝∑_j||w_i-x_j|| (2)

其中，i是第n层SOM映射网络中的第i个神经元，x_j是映射到映射单元i的输入向量数据，m为第n层SOM映射网络中所包含的神经元数目；w_i为映射神经元i的权值向量，qe_i为w_i的欧氏距离；

QE₀＝qe₀，且不满足整个网络层数生长准则函数qe_i＜τ₁qe₀，其中，τ₁在0～1之间取值，用于控制GHSOM网络的层数，需建立一个2×2的子层作为GHSOM网络的第1层SOM映射网络，第0层只有一个神经元，从第0层拓展出1个2×2的SOM映射网络分层生成第1层，在第1层SOM网络训练过程中，神经元2拓展出2×2的SOM映射网络并增加了一行神经元，变成3×2的SOM映射网络；神经元4拓展出2×2的SOM映射网络并增加了一列神经元，变成2×3的SOM映射网络；

(2)对GHSOM网络进行训练，即代表输入向量的神经元进行竞争，拥有权向量与输入向量之间的欧氏距离最小的神经元为获胜神经元；调整获胜神经元和邻域神经元的权值更加接近输入向量，以达到分类目标；对第一层SOM网络反复训练K次之后，根据两个准则函数qe_i＜τ₁qe₀和QE_n＜τ₂qe_i对其进行判断，以自适应调整网络层数和每层SOM映射网络的大小，其中τ₂在0～1之间取值，用于控制GHSOM网络每层SOM网络的神经元个数；

(3)将XL、XR中剩下样本向量作为测试数据集输入完成训练的分类器，利用固定的权向量集对其进行识别，以测试分类器的优劣：测试数据集向量与完成训练的权向量通过Sigmoid函数计算得到节点的输出值，最大值对应神经元为其代表神经元，再与训练得到的代表两类信号的神经元进行对比，判断其是否被正确识别。