CN104573630B - 基于双支持向量机概率输出的多类脑电模式在线识别方法 - Google Patents
基于双支持向量机概率输出的多类脑电模式在线识别方法 Download PDFInfo
- Publication number
- CN104573630B CN104573630B CN201410738486.9A CN201410738486A CN104573630B CN 104573630 B CN104573630 B CN 104573630B CN 201410738486 A CN201410738486 A CN 201410738486A CN 104573630 B CN104573630 B CN 104573630B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msup
- mfrac
- mtd
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 22
- 230000036624 brainpower Effects 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013145 classification model Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000002939 conjugate gradient method Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000030214 innervation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
Abstract
本发明涉及一种基于双支持向量机概率输出的多类脑电模式在线识别方法。EEG信号具有高度非平稳性、时变性和个体差异性，容易随时间产生不同程度的波动，而现有的多数脑电信号分类方法自适应能力较差。本发明建立了双支持向量机概率输出模型，在此基础上引入增量学习方法，实现了多类脑电模式的在线识别。先建立双支持向量机初始分类模型，通过Sigmoid概率输出建模方法求得EEG信号属于各个类别的概率，并将该信号归为概率最大的类别，然后引用增量学习方法将满足一定条件的EEG信号加入到训练集中来更新分类模型，以最新的分类模型对信号进行识别。本发明方法不仅减少训练时间，提高分类速度，而且具有较好的自适应能力。
Description
技术领域
本发明属于脑-机接口领域，涉及一种基于双支持向量机概率输出的多类脑电模式在线识别方法。
背景技术
脑-机接口(BCI)技术近年来发展迅速，是目前人机交互领域研究的热点，它以脑电(EEG)信号为基础，通过预处理、特征提取、模式识别和控制命令生成，实现人的“意念控制”，涉及面已经从最初的康复医疗拓展到航天员训练、智能家居、游戏娱乐等领域。在各类EEG信号中，运动想象脑电信号由于只需通过想象产生，不依赖任何感觉刺激，实验设计简单，可以实现异步通讯，且用户无需训练或者少量训练便可产生，成为目前BCI领域研究的热点。
模式分类是BCI系统中的关键技术之一。支持向量机(SVM)由于在解决小样本及高维特征分类中具有特有的优势，目前已广泛应用于BCI系统中并表现出了良好的分类效果。随着不断深入的研究，SVM的一些扩展改进方法也相继被设计出并应用到生物电信号模式分类中，例如，基于通道加权的SVM(sw-SVM)应用于P300分类，基于模糊理论的SVM应用于运动感知节律(ERD/ERS)分类，以及双支持向量机(twin SVM，TWSVM)应用于表面肌电信号分类等。在设计BCI分类算法时，必须考虑两条基本思路：首先，在不影响分类效果的前提下尽可能减少分类耗时，以提高BCI系统的实用性；其次，EEG信号具有高度非平稳性、时变性和个体差异性，容易随时间产生不同程度的波动，因此要求所设计的分类器能随EEG信号的变化自动更新模型参数，从而使分类准确。但是，上述已有的分类器均无法同时有效的满足这两个要求。
发明内容
本发明的目的就是针对现有多类脑电模式识别速度较低、自适应的模型更新缺乏等问题，提供一种基于双支持向量机概率输出的多类脑电模式在线识别方法。
本发明思路如下：首先，采用TWSVM算法减少分类器的训练时间，并作为后续概率和增量扩展算法的基本模型；其次，采用概率输出，使EEG信号以一定概率或隶属度属于某一类，提高分类精度；最后，将增量学习引入到分类模型的构建中，从而使分类模型具有较好的自学习和修正性能，减小EEG信号的高度非平稳性、时变性和个体差异性带来的影响，提高分类器模型的自适应能力，达到准确分类的目的。
为了实现以上目的，本发明方法主要包括以下步骤：
步骤(1)建立TWSVM初始分类模型；
步骤(2)以TWSVM为基础，建立TWSVM的概率输出模型，求得EEG信号属于各个类别的概率，并将该新信号归为概率最大的类别；
步骤(3)引用增量学习方法,建立基于双支持向量机概率输出的在线分类模型，将满足一定条件的EEG信号样本加入到训练集中来更新分类模型，以最新的分类模型对EEG信号进行识别。
本发明与已有的多类脑电模式分类方法相比，具有如下特点：
1、减少训练时间，提高分类速度
传统SVM是解决一个规模较大的二次规划(QP)问题，QP问题解的复杂度与训练集样本个数成幂次方关系，而TWSVM是将其转换为两个规模较小的QP问题，从而降低了计算复杂度，提高了分类速度。
2、具有较好的自适应能力，提高分类准确率
EEG信号具有高度非平稳性、时变性和个体差异性，容易随时间产生不同程度的波动，对固定分类模型的分类结果产生很大影响。引入增量学习方法后，分类模型能随着EEG信号的变化而在线更新，提高分类准确率。
附图说明
图1为本发明的实施流程图。
具体实施方式
下面结合附图详细描述本发明基于双支持向量机概率输出的多类脑电模式在线识别方法，图1为实施流程图。
如图1，本发明方法的实施主要包括3个步骤：(1)建立TWSVM初始分类模型；(2)以TWSVM为基础，建立TWSVM的概率输出模型；(3)引用增量学习方法,建立基于双支持向量机概率输出的在线分类模型。
下面逐一对各步骤进行详细说明。
步骤一：建立TWSVM初始分类模型；
设EEG信号样本集为(xi,yi)，xi∈Rn，y∈{+1,-1}是类别标号，有m1个+1类和m2个-1类，m1+m2＝m。矩阵表示+1类的训练样本，矩阵表示-1类的训练样本。
线性TWSVM的正负超平面为
上述超平面问题可转化为如下两个QP问题：
其中，c1＞0，c2＞0为惩罚参数，ξ1,ξ2分别表示两类之间的间隔松弛变量，e1,e2为两个适当维数的单位列向量。由牛顿法或共轭梯度法对式(2)和(3)中两个QP问题进行求解，最终可得到[wk T,bk]的最优解为[wk *T,b* k]，k＝1,2。
求解完上述问题后，得到的最优分类函数是：
式(4)表示样本离哪类所对应的超平面近则归为哪一类。
采用“一对一”分类策略将两类问题扩展到多类问题，具体是：对于N个类别的样本进行两两区分，共构造N(N-1)/2个TWSVM分类器，组合这些分类器并使用投票法对样本进行分类，最终得票最多的类为样本所属的类别。
步骤二：以TWSVM为基础，建立TWSVM的概率输出模型，求得EEG信号属于各个类别的概率，并将该新信号归为概率最大的类别；
通过式(4)判断得到的只是样本的标签，属于硬输出，还未求出样本属于各个类别的概率，还需要构建TWSVM的概率输出模型。
根据式(1)中参数的最优解可得线性TWSVM的最佳正负超平面为：
样本xi属于某一确定类的可能性由它相对于分离超平面的位置决定，分离超平面方程可以表示如下：
现定义如下距离参数d和D，
d＝min{D+,D_} (8)
D＝max{D+,D_} (9)
其中，D+、D_分别表示xi离分离超平面的距离，
这里，当d或d/(D-d)越大，xi属于某一类的概率越高，所以xi的概率输出可以表示为:
根据后验概率设计方法，采用Sigmoid函数作为连接函数把g(xi)映射到[0,1]得到概率值，求得EEG信号属于各个类别的概率，并将该新信号归为概率最大的类别。
步骤三：引用增量学习方法,建立基于双支持向量机概率输出的在线分类模型，将满足一定条件的EEG信号样本加入到训练集中来更新分类模型，以最新的分类模型对EEG信号进行识别。
此处的模型更新可以理解为QP问题的在线更新，主要指的是式(2)和式(3)中的训练样本集A、B会随着新增样本的不断加入而更新，然后以新的训练样本模型求解两式的QP问题，进而使两式中的w1,w2,b1,b2等参数在线更新优化。采用逐次超松弛迭代(SuccessiveOver Relaxation，SOR)算法进行上述参数的求解，该算法能快速处理大数据，且线性收敛。
设新增EEG信号样本为xi+1，类别标签为yi+1∈{-1,+1}，当加入xi+1时，给出判别式：
yi+1(|xi+1w1+b1|-|xi+1w2+b2|)≥-1 (13)
模型更新的流程如下：
1)将新样本xi+1送进分类器，建立初始分类模型，通过式(12)求出其概率输出函数，进而得到其属于每一类的后验概率，再根据后验概率的大小，判断类别标签yi+1；
2)检验xi+1是否满足判别条件(13)，若满足则进入下一步更新分类模型；否则分类模型不更新，接收下一个样本，返回上一步；
3)若yi+1＝1，则更新式(2)中的训练样本矩阵A为A*；若yi+1＝-1，则更新式(3)中的训练样本矩阵B为B*；
4)用SOR算法对更新过的式(2)和式(3)求解在线更新的QP问题，由于SOR线性收敛，最终可求得最优解为实现分类模型的更新。
Claims (1)
1.基于双支持向量机概率输出的多类脑电模式在线识别方法，其特征在于该方法包括如下步骤：
步骤一：建立双支持向量机初始分类模型；
设脑电信号样本集为(xi,yi)，xi∈Rn，y∈{+1,-1}是类别标号，有m1个+1类和m2个-1类，m1+m2＝m；矩阵表示+1类的训练样本，矩阵表示-1类的训练样本；
线性双支持向量机的正负超平面为
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>w</mi>
<mi>k</mi>
<mi>T</mi>
</msubsup>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
上述超平面问题可转化为如下两个二次规划问题：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<mi>min</mi>
<mrow>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&xi;</mi>
<mn>2</mn>
</msub>
</mrow>
</munder>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>Aw</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msubsup>
<mi>e</mi>
<mn>2</mn>
<mi>T</mi>
</msubsup>
<msub>
<mi>&xi;</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>Bw</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&xi;</mi>
<mn>2</mn>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&xi;</mi>
<mn>2</mn>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<mi>min</mi>
<mrow>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&xi;</mi>
<mn>1</mn>
</msub>
</mrow>
</munder>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>Bw</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<msubsup>
<mi>e</mi>
<mn>1</mn>
<mi>T</mi>
</msubsup>
<msub>
<mi>&xi;</mi>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Aw</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&xi;</mi>
<mn>1</mn>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&xi;</mi>
<mn>1</mn>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，c1＞0，c2＞0为惩罚参数，ξ1,ξ2分别表示两类之间的间隔松弛变量，e1,e2为两个适当维数的单位列向量；由牛顿法或共轭梯度法对式(2)和(3)中两个二次规划问题进行求解，最终可得到[wk T,bk]的最优解为[wk *T,b* k]；
求解完上述问题后，得到的最优分类函数是：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
</mrow>
</munder>
<msub>
<mi>s</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
</mrow>
</munder>
<mfrac>
<mrow>
<mo>|</mo>
<msubsup>
<msup>
<mi>w</mi>
<mo>*</mo>
</msup>
<mi>k</mi>
<mi>T</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<msup>
<mi>b</mi>
<mo>*</mo>
</msup>
<mi>k</mi>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<msup>
<mi>w</mi>
<mo>*</mo>
</msup>
<mi>k</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式(4)表示样本离哪类所对应的超平面近则归为哪一类；
采用“一对一”分类策略将两类问题扩展到多类问题，具体是：对于N个类别的样本进行两两区分，共构造N(N-1)/2个双支持向量机分类器，组合这些分类器并使用投票法对样本进行分类，最终得票最多的类为样本所属的类别；
步骤二：以双支持向量机为基础，建立双支持向量机的概率输出模型，求得脑电信号属于各个类别的概率，并将该脑电信号归为概率最大的类别；
通过式(4)判断得到的只是样本的标签，属于硬输出，还未求出样本属于各个类别的概率，还需要构建双支持向量机的概率输出模型；
根据式(1)中参数的最优解可得线性双支持向量机的最佳正负超平面为：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<msub>
<mi>f</mi>
<mi>k</mi>
</msub>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>w</mi>
<mi>k</mi>
<mrow>
<mo>*</mo>
<mi>T</mi>
</mrow>
</msubsup>
<mi>x</mi>
<mo>+</mo>
<msup>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>*</mo>
</msup>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
样本xi属于某一确定类的可能性由它相对于分离超平面的位置决定，分离超平面方程可以表示如下：
<mrow>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msup>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>*</mo>
</msup>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<msup>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msup>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mo>*</mo>
</msup>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>=</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mn>4</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msup>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>*</mo>
</msup>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msup>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mo>*</mo>
</msup>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
<mo>=</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
现定义如下距离参数d和D，
d＝min{D+,D_} (8)
D＝max{D+,D_} (9)
其中，D+、D_分别表示xi离分离超平面的距离，
<mrow>
<msub>
<mi>D</mi>
<mo>+</mo>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mo>+</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mrow>
<mo>(</mo>
<msubsup>
<mi>w</mi>
<mn>1</mn>
<mrow>
<mo>*</mo>
<mi>T</mi>
</mrow>
</msubsup>
<msup>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msup>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>*</mo>
</msup>
<mo>|</mo>
<mo>|</mo>
<mo>|</mo>
<mo>|</mo>
<msup>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mo>*</mo>
</msup>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
</msqrt>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>D</mi>
<mo>-</mo>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>f</mi>
<mn>4</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mo>-</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mrow>
<mo>(</mo>
<msubsup>
<mi>w</mi>
<mn>1</mn>
<mrow>
<mo>*</mo>
<mi>T</mi>
</mrow>
</msubsup>
<msup>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msup>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>*</mo>
</msup>
<mo>|</mo>
<mo>|</mo>
<mo>|</mo>
<mo>|</mo>
<msup>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mo>*</mo>
</msup>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
</msqrt>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
这里，当d或d/(D-d)越大，xi属于某一类的概率越高，所以xi的概率输出表示为:
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>d</mi>
<mrow>
<mi>D</mi>
<mo>-</mo>
<mi>d</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo><</mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>d</mi>
<mrow>
<mi>D</mi>
<mo>-</mo>
<mi>d</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>></mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
根据后验概率设计方法，采用Sigmoid函数作为连接函数把g(xi)映射到[0,1]得到概率值，求得脑电信号属于各个类别的概率，并将该脑电信号归为概率最大的类别；
步骤三：引用增量学习方法,建立基于双支持向量机概率输出的在线分类模型，将满足一定条件的脑电信号样本加入到训练集中来更新分类模型，以最新的分类模型对脑电信号进行识别；
此处的模型更新可以理解为二次规划问题的在线更新，主要指的是式(2)和式(3)中的训练样本集A、B会随着新增样本的不断加入而更新，然后以新的训练样本模型求解两式的二次规划问题，进而使两式中的w1,w2,b1,b2等参数在线更新优化；采用逐次超松弛迭代算法进行上述参数的求解；
设新增脑电信号样本为xi+1，类别标签为yi+1∈{-1,+1}，当加入xi+1时，给出判别式：
yi+1(|xi+1w1+b1|-|xi+1w2+b2|)≥-1 (13)
模型更新的流程如下：
1)将新样本xi+1送进分类器，建立初始分类模型，通过式(12)求出其概率输出函数，进而得到其属于每一类的后验概率，再根据后验概率的大小，判断类别标签yi+1；
2)检验xi+1是否满足判别条件(13)，若满足则进入下一步更新分类模型；否则分类模型不更新，接收下一个样本，返回上一步；
3)若yi+1＝1，则更新式(2)中的训练样本矩阵A为A*；若yi+1＝-1，则更新式(3)中的训练样本矩阵B为B*；
4)用逐次超松弛迭代算法对更新过的式(2)和式(3)求解在线更新的二次规划问题，由于逐次超松弛迭代线性收敛，最终可求得最优解为实现分类模型的更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410738486.9A CN104573630B (zh) | 2014-12-05 | 2014-12-05 | 基于双支持向量机概率输出的多类脑电模式在线识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410738486.9A CN104573630B (zh) | 2014-12-05 | 2014-12-05 | 基于双支持向量机概率输出的多类脑电模式在线识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104573630A CN104573630A (zh) | 2015-04-29 |
| CN104573630B true CN104573630B (zh) | 2017-09-19 |
Family
ID=53089653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410738486.9A Active CN104573630B (zh) | 2014-12-05 | 2014-12-05 | 基于双支持向量机概率输出的多类脑电模式在线识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104573630B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105868712A (zh) * | 2016-03-28 | 2016-08-17 | 中国人民解放军信息工程大学 | 基于后验概率模型的脑电与机器视觉目标图像检索方法 |
| CN106388813A (zh) * | 2016-09-21 | 2017-02-15 | 广州视源电子科技股份有限公司 | 基于脑电信号的睡眠状态识别模型训练方法和系统 |
| CN106333680A (zh) * | 2016-09-21 | 2017-01-18 | 广州视源电子科技股份有限公司 | 基于多分类器融合的睡眠状态检测方法和系统 |
| CN106377251B (zh) * | 2016-09-21 | 2020-06-16 | 广州视源电子科技股份有限公司 | 基于脑电信号的睡眠状态识别模型训练方法和系统 |
| CN106333681A (zh) * | 2016-09-21 | 2017-01-18 | 广州视源电子科技股份有限公司 | 基于自学习的睡眠状态监测方法和系统 |
| CN106388780A (zh) * | 2016-09-21 | 2017-02-15 | 广州视源电子科技股份有限公司 | 基于二分类器与检测器融合的睡眠状态检测方法和系统 |
| CN106713787A (zh) * | 2016-11-02 | 2017-05-24 | 天津大学 | 基于eeg对不同速度滚动字幕引起观看舒适度的评价方法 |
| CN107174262B (zh) * | 2017-05-27 | 2021-02-02 | 西南交通大学 | 注意力评测方法和系统 |
| CN108537290A (zh) * | 2018-04-25 | 2018-09-14 | 攀枝花学院 | 基于数据分布特征及模糊隶属度函数的恒星光谱分类方法 |
| CN109636212B (zh) * | 2018-12-19 | 2023-06-16 | 中国科学技术大学 | 作业实际运行时间的预测方法 |
| CN110610213A (zh) * | 2019-09-20 | 2019-12-24 | 苏州大学 | 一种邮件分类方法、装置、设备及计算机可读存储介质 |
| CN111967500B (zh) * | 2020-07-21 | 2023-10-13 | 广东工业大学 | 一种结合非平行性双支持向量机和样本特权信息的分类方法 |
| CN113558643A (zh) * | 2021-07-08 | 2021-10-29 | 吉林大学 | 基于vmd和nltwsvm的多特征癫痫信号分类方法 |
| CN114129169B (zh) * | 2021-11-22 | 2022-11-01 | 中节能风力发电股份有限公司 | 一种生物电信号数据识别方法、系统、介质和设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101833671A (zh) * | 2010-03-30 | 2010-09-15 | 西安理工大学 | 一种基于支持向量机的表面肌电信号多类别模式识别方法 |
| CN101859377A (zh) * | 2010-06-08 | 2010-10-13 | 杭州电子科技大学 | 基于多核支持向量机的肌电信号分类方法 |
| CN102722728A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于通道加权支持向量的运动想象脑电分类方法 |
| CN102968641A (zh) * | 2012-10-31 | 2013-03-13 | 杭州电子科技大学 | 基于球均值李雅普诺夫指数和关联维的肌电信号识别方法 |
-
2014
- 2014-12-05 CN CN201410738486.9A patent/CN104573630B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101833671A (zh) * | 2010-03-30 | 2010-09-15 | 西安理工大学 | 一种基于支持向量机的表面肌电信号多类别模式识别方法 |
| CN101859377A (zh) * | 2010-06-08 | 2010-10-13 | 杭州电子科技大学 | 基于多核支持向量机的肌电信号分类方法 |
| CN102722728A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于通道加权支持向量的运动想象脑电分类方法 |
| CN102968641A (zh) * | 2012-10-31 | 2013-03-13 | 杭州电子科技大学 | 基于球均值李雅普诺夫指数和关联维的肌电信号识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| "A Speedup SVM Decision Method for Online EEG processing in Motor Imagery BCI";He Xu et al.;《International Conference on Intelligent Systems Design & Applications》;20101231;第149-153页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104573630A (zh) | 2015-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104573630B (zh) | 基于双支持向量机概率输出的多类脑电模式在线识别方法 | |
| Johnson et al. | Survey on deep learning with class imbalance | |
| CN106779087B (zh) | 一种通用机器学习数据分析平台 | |
| CN107273845B (zh) | 一种基于置信区域和多特征加权融合的人脸表情识别方法 | |
| Nejatian et al. | Using sub-sampling and ensemble clustering techniques to improve performance of imbalanced classification | |
| CN103473294B (zh) | 基于msvm脑电信号特征分类的方法及智能轮椅系统 | |
| CN105426842A (zh) | 基于支持向量机的表面肌电信号多类手部动作识别方法 | |
| CN104166548B (zh) | 基于运动想象脑电数据的深度学习方法 | |
| CN103489033A (zh) | 融合自组织映射与概率神经网络的增量式学习方法 | |
| Qazi et al. | Classification of epilepsy using computational intelligence techniques | |
| CN108564128B (zh) | 一种融合数据结构信息的脑电信号在线识别方法 | |
| Chadha et al. | An improved K-means clustering algorithm: a step forward for removal of dependency on K | |
| CN104361345A (zh) | 基于约束极速学习机的脑电信号分类方法 | |
| CN103208007A (zh) | 一种基于支持向量机和遗传算法的人脸识别方法 | |
| CN101859377A (zh) | 基于多核支持向量机的肌电信号分类方法 | |
| CN106971145A (zh) | 一种基于极限学习机的多视角动作识别方法及装置 | |
| CN103077399B (zh) | 基于集成级联架构的生物显微图像分类方法 | |
| CN106503616A (zh) | 一种基于分层超限学习机的运动想象脑电信号分类方法 | |
| CN109101584A (zh) | 一种将深度学习与数学分析相结合的句子分类改进方法 | |
| CN106647272A (zh) | 基于k均值改进卷积神经网络的机器人路径规划方法 | |
| CN107766898A (zh) | 基于svm的三分类情绪概率判断方法 | |
| CN110288028A (zh) | 心电检测方法、系统、设备及计算机可读存储介质 | |
| CN115936944B (zh) | 一种基于人工智能的虚拟教学管理方法及装置 | |
| Zhang et al. | Research on sEMG-based gesture recognition by dual-view deep learning | |
| Rutkowski et al. | Compromise approach to neuro-fuzzy systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20150429 Assignee: HANGZHOU DUKANG TECHNOLOGY CO.,LTD. Assignor: HANGZHOU DIANZI University Contract record no.: X2022330000025 Denomination of invention: Multi class EEG pattern on-line recognition method based on double support vector machine probability output Granted publication date: 20170919 License type: Common License Record date: 20220128 |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231220 Address after: Room 221, 2nd Floor, Building 3, Building 12, Lide Science and Technology Innovation Park, No. 9 Anlan Road, Chang'an Town, Haining City, Jiaxing City, Zhejiang Province, China, 314423 Patentee after: Kangyue Technology (Jiaxing) Co.,Ltd. Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang Patentee before: HANGZHOU DIANZI University |