CN104951797A - 一种基于ar系数空间的elm运动想象脑电分类方法 - Google Patents
一种基于ar系数空间的elm运动想象脑电分类方法 Download PDFInfo
- Publication number
- CN104951797A CN104951797A CN201510310721.7A CN201510310721A CN104951797A CN 104951797 A CN104951797 A CN 104951797A CN 201510310721 A CN201510310721 A CN 201510310721A CN 104951797 A CN104951797 A CN 104951797A
- Authority
- CN
- China
- Prior art keywords
- coefficient
- hidden layer
- rank
- layer
- elm
- 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.)
- Granted
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于AR系数空间的ELM运动想象脑电分类方法,首先将单个通道的运动想象脑电信号作为一个随机信号,采用p阶AR模型进行拟合,表示为: ;接着采用Burg算法对所述AR模型的待确定系数a1,a2,…,ap进行求解;然后将m个通道运动想象脑电信号的p阶AR系数组合成AR系数向量,嵌入到ELM网络参数训练的原始优化问题中,求解最优外权β,构建基于AR系数空间的ELM分类算法。本发明的方法提高了运动想象脑电信号的分类准确率与分类速度。
Description
技术领域
本发明涉及脑电信号的模式识别领域,特别是一种基于AR系数空间的ELM运动想象脑电分类方法。
背景技术
大脑作为人体的高级神经中枢,因其复杂性及神经联系的丰富多样性,对人类大脑的研究涉及多领域交叉技术,已成为当代科学发展方向的热点之一。
在当前社会,神经肌肉及大脑障碍引起的疾病正影响着人们的生活质量。但在医学上,目前只能通过多种方法缓解这些疾病,却不能治愈。而这些患者却渴望能够与别人进行正常的沟通交流,因此脑机接口应用而生。脑机接口是一种新型的人与外界环境进行信息交流与控制的通道,不依赖于人体的外周神经与肌肉组织,是建立在人脑与外部设备的直接的通路。虽然脑机接口技术的研究初衷是为医疗领域服务,但随着技术的发展和进步,人们发现其不仅能应用在残疾人的康复领域,还在许多其它科学研究和社会生产活动中有着巨大的潜在价值。
脑机接口技术的研究主要包括大脑和BCI系统两个部分,涉及到神经生物学、心理学、信号处理、计算机科学、数学等众多学科,因而BCI系统的研究具有重大的理论意义和实际应用价值。BCI系统的研究促进了模式识别理论的发展,使模式识别中的特征提取算法和分类算法更加智能化。同时对大脑的信息传递与控制方式的研究增加了人类对大脑的认识,促进了脑科学和神经信息科学的发展。
目前国际上BCI技术的主要研究方向包括P300、稳态视觉诱发电位、改变心里作业、慢皮层电位以及事件相关去同步(ERD)和事件相关同步(ERS)等。常用的脑电数据分析方法包括功率谱分析法、小波变换法、独立分量分析、支持向量机、人工神经网络和共空间模式算法等。
基于运动想象脑电信号的脑机接口是目前BCI主要应用之一,目前运动想象脑电信号的特征提取算法主要有功率谱,能量法,小波变换等;分类方法主要有线性判别,支持向量机分类,人工神经网络等。在传统的人工神经网络中,网络的隐层节点参数通过迭代算法进行多次优化进行求解,这些迭代步骤在训练过程中占用大量时间。而极限学习机(ELM Extreme Learning Machine)是一种快速的单隐层神经网络(SLFN)训练算法。其优点是在网络参数的确定过程中,隐层节点参数随机选取,从而大大降低了网络参数的调节时间。与传统的训练方法相比,该方法具有学习速度快、泛化性能好等优点。
发明内容
有鉴于此,本发明的目的是提出一种基于AR系数空间的ELM运动想象脑电分类方法,提高了运动想象脑电信号的分类准确率与分类速度。
本发明采用以下方案实现:一种基于AR系数空间的ELM运动想象脑电分类方法,具体包括以下步骤:
步骤S1:采用p阶AR模型拟合单通道运动想象脑电信号,用公式表示;其中,x(n)表示信号的第n个采样值,p为AR模型的阶数,ak,k=1,2,…,p为AR模型的AR系数,s(n)为均值为零、方差为σ2的白噪声残差;
步骤S2:采用Burg算法对步骤S1中所述AR模型的待确定系数a1,a2,…,ap,进行求解;
步骤S3:将m个通道运动想象脑电信号的p阶AR系数连接成行向量,如式:ai=[ai1,ai2,ai3,...,ai(mp)];其中ai((m-1)p+1),ai((m-1)p+2),…,ai(mp)
表示第m个通道的运动想象脑电信号的p阶AR系数;
步骤S4:将AR系数向量ai嵌入到ELM网络参数训练的原始优化问题中求解最优外权β。
进一步的,所述步骤S2具体包括以下步骤:
步骤S21:定义k阶前向预测误差序列为fk(n),k阶后向预测误差序列为bk(n),初始化k=0,f0(n)=b0(n)=x(n),初始化a0=1,ar=0,r=1,2,…,p;
步骤S22:计算第k+1阶反射系数uk+1:
步骤S23:采用下式估计k+1阶AR模型系数:令ar’=ar+uk+1ak+1-r,r=1,2,...,k+1,再令ar=ar’,r=1,2,...,k+1;
步骤S24:判断是否k+1=p,若否,则进入步骤S25,若是,则停止计算,得到p阶AR模型的系数a1,a2,…,ap。
步骤S25:采用下式估算k+1阶前向预测误差序列以及k+1阶后向预测误差序列: 令k=k+1,返回步骤S22;
进一步的,所述步骤S4具体包括以下步骤;
步骤S41:针对脑电数据样本,构建单隐层前馈神经网络结构,所述单隐层前馈神经网络结构包括输入层、隐含层以及输出层;其中,输入层有m×p个神经元,对应m个通道p阶AR模型的系数;隐含层有l个神经元;输出层有一个神经元,对应脑电数据样本的所属类别;
设输入层与隐含层的连接权值W为:
其中,wij表示隐含层第i个神经元与输入层第j个神经元间的连接权值,wij的值为随机生成;
设隐含层与输出层间的连接权值β为:
设隐含层神经元的阈值d为:
步骤S42:设具有q个脑电样本的AR系数向量的训练集输入矩阵A和q个脑电数据样本所对应的类别输出矩阵Y分别为:
设隐含层神经元的激活函数为g(z),则针对输入矩阵A的网络输出T为:
T=Hβ,其中H称为隐含层输出矩阵,具体形式为:
其中,wi=[wi1,wi2,…wi(mp)],ai=[ai1,ai2,…ai(mp)];
步骤S43:考虑网络输出与实际输出之间的误差E,有T=Y+E,即Hβ=Y+E;其中,
为使误差E最小,定义平方损失函数为J=(Hβ-Y)T(Hβ-Y);
步骤S44:寻找最小二乘解在隐层输出矩阵为列满秩的情况下,利用Moore-penrose广义逆矩阵得到其中当隐层输出矩阵非列满秩的情况,最优外权即最小二乘解采用奇异值分解SVD的方法得到。
与现有技术相比,本发明提出的方法提高了运动想象脑电信号的分类准确率与分类速度,具有学习速度快,稳定性高,泛化性能好等优点。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示,本实施例提供了一种基于AR系数空间的ELM运动想象脑电分类方法,具体包括以下步骤:
步骤S1:采用p阶AR模型拟合单通道运动想象脑电信号,用公式表示;其中,x(n)表示信号的第n个采样值,p为AR模型的阶数,ak,k=1,2,…,p为AR模型的AR系数,s(n)为均值为零、方差为σ2的白噪声残差;
步骤S2:采用Burg算法对步骤S1中所述AR模型的待确定系数a1,a2,…,ap,进行求解;
步骤S3:将m个通道运动想象脑电信号的p阶AR系数连接成行向量,如式:ai=[ai1,ai2,ai3,...,ai(mp)];其中ai((m-1)p+1),ai((m-1)p+2),…,ai(mp)表示第m个通道的运动想象脑电信号的p阶AR系数;
步骤S4:将AR系数向量ai嵌入到ELM网络参数训练的原始优化问题中求解最优外权β。
在本实施例中,所述步骤S2具体包括以下步骤:
步骤S21:定义k阶前向预测误差序列为fk(n),k阶后向预测误差序列为bk(n),初始化k=0,f0(n)=b0(n)=x(n),初始化a0=1,ar=0,r=1,2,…,p;
步骤S22:计算第k+1阶反射系数uk+1:步骤S23:采用下式估计k+1阶AR模型系数:令ar’=ar+uk+1ak+1-r,r=1,2,...,k+1,再令ar=ar’,r=1,2,...,k+1;
步骤S24:判断是否k+1=p,若否,则进入步骤S25,若是,则停止计算,得到p阶AR模型的系数a1,a2,…,ap。
步骤S25:采用下式估算k+1阶前向预测误差序列以及k+1阶后向预测误差序列: 令k=k+1,返回步骤S22;
在本实施例中,所述步骤S4具体包括以下步骤;
步骤S41:针对脑电数据样本,构建单隐层前馈神经网络结构,所述单隐层前馈神经网络结构包括输入层、隐含层以及输出层;其中,输入层有m×p个神经元,对应m个通道p阶AR模型的系数;隐含层有l个神经元;输出层有一个神经元,对应脑电数据样本的所属类别;
设输入层与隐含层的连接权值W为:
其中,wij表示隐含层第i个神经元与输入层第j个神经元间的连接权值,wij的值为随机生成;
设隐含层与输出层间的连接权值β为:
设隐含层神经元的阈值d为:
步骤S42:设具有q个脑电样本的AR系数向量的训练集输入矩阵A和q个脑电数据样本所对应的类别输出矩阵Y分别为:
设隐含层神经元的激活函数为g(z),则针对输入矩阵A的网络输出T为:
T=Hβ,其中H称为隐含层输出矩阵,具体形式为:
其中,wi=[wi1,wi2,…wi(mp)],ai=[ai1,ai2,…ai(mp)];
步骤S43:考虑网络输出与实际输出之间的误差E,有T=Y+E,即Hβ=Y+E;其中,
为使误差E最小,定义平方损失函数为J=(Hβ-Y)T(Hβ-Y);
步骤S44:寻找最小二乘解在隐层输出矩阵为列满秩的情况下,利用Moore-penrose广义逆矩阵得到其中当隐层输出矩阵非列满秩的情况,最优外权即最小二乘解采用奇异值分解SVD的方法得到。
综上所述,本发明提出的方法提高了运动想象脑电信号的分类准确率与分类速度,具有学习速度快,稳定性高,泛化性能好等优点。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (3)
1.一种基于AR系数空间的ELM运动想象脑电分类方法,其特征在于包括以下步骤:
步骤S1:采用p阶AR模型拟合单通道运动想象脑电信号,用公式表示;其中,x(n)表示信号的第n个采样值,p为AR模型的阶数,ak,k=1,2,…,p为AR模型的AR系数,s(n)为均值为零、方差为σ2的白噪声残差;
步骤S2:采用Burg算法对步骤S1中所述AR模型的待确定系数a1,a2,…,ap,进行求解;
步骤S3:将m个通道运动想象脑电信号的p阶AR系数连接成行向量,如式:ai=[ai1,ai2,ai3,...,ai(mp)];其中ai((m-1)p+1),ai((m-1)p+2),…,ai(mp)表示第m个通道的运动想象脑电信号的p阶AR系数;
步骤S4:将AR系数向量ai嵌入到ELM网络参数训练的原始优化问题中求解最优外权β。
2.根据权利要求1所述的一种基于AR系数空间的ELM运动想象脑电分类方法,其特征在于:所述步骤S2具体包括以下步骤:
步骤S21:定义k阶前向预测误差序列为fk(n),k阶后向预测误差序列为bk(n),初始化k=0,f0(n)=b0(n)=x(n),初始化a0=1,ar=0,r=1,2,…,p;
步骤S22:计算第k+1阶反射系数
步骤S23:采用下式估计k+1阶AR模型系数:令ar’=ar+uk+1ak+1-r,r=1,2,...,k+1,再令ar=ar’,r=1,2,...,k+1;
步骤S24:判断是否k+1=p,若否,则进入步骤S25,若是,则停止计算,得到p阶AR模型的系数a1,a2,…,ap;
步骤S25:采用下式估算k+1阶前向预测误差序列以及k+1阶后向预测误差序列: 令k=k+1,返回步骤S22。
3.根据权利要求1所述的一种基于AR系数空间的ELM运动想象脑电分类方法,其特征在于:所述步骤S4具体包括以下步骤;
步骤S41:针对脑电数据样本,构建单隐层前馈神经网络结构,
所述单隐层前馈神经网络结构包括输入层、隐含层以及输出层;
其中,输入层有m×p个神经元,对应m个通道p阶AR模型的系数;隐含层有l个神经元;输出层有一个神经元,对应脑电数据样本的所属类别;
设输入层与隐含层的连接权值W为:
与输入层第j个神经元间的连接权值,wij的值为随机生成;
设隐含层与输出层间的连接权值β为:
设隐含层神经元的阈值d为:
步骤S42:设具有q个脑电样本的AR系数向量的训练集输入矩阵A和q个脑电数据样本所对应的类别输出矩阵Y分别为:
设隐含层神经元的激活函数为g(z),则针对输入矩阵A的网络
输出T为:
T=Hβ,其中H称为隐含层输出矩阵,具体形式为:
其中,wi=[wi1,wi2,…wi(mp)],ai=[ai1,ai2,…ai(mp)];
步骤S43:考虑网络输出与实际输出之间的误差E,有T=Y+E,即Hβ=Y+E;其中,
为使误差E最小,定义平方损失函数为J=(Hβ-Y)T(Hβ-Y);
步骤S44:寻找最小二乘解在隐层输出矩阵为列满秩的情况下,利用Moore-penrose广义逆矩阵得到其中当隐层输出矩阵非列满秩的情况,最优外权即最小二乘解采用奇异值分解SVD的方法得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510310721.7A CN104951797B (zh) | 2015-06-09 | 2015-06-09 | 一种基于ar系数空间的elm运动想象脑电分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510310721.7A CN104951797B (zh) | 2015-06-09 | 2015-06-09 | 一种基于ar系数空间的elm运动想象脑电分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104951797A true CN104951797A (zh) | 2015-09-30 |
CN104951797B CN104951797B (zh) | 2018-07-17 |
Family
ID=54166437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510310721.7A Expired - Fee Related CN104951797B (zh) | 2015-06-09 | 2015-06-09 | 一种基于ar系数空间的elm运动想象脑电分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104951797B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956624A (zh) * | 2016-05-06 | 2016-09-21 | 东南大学 | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 |
CN106951844A (zh) * | 2017-03-10 | 2017-07-14 | 中国矿业大学 | 一种基于深度极速学习机的脑电信号分类方法及系统 |
CN107126193A (zh) * | 2017-04-20 | 2017-09-05 | 杭州电子科技大学 | 基于滞后阶数自适应选择的多变量因果关系分析方法 |
CN107169434A (zh) * | 2017-05-10 | 2017-09-15 | 广东工业大学 | 一种具备排他性的脑电身份识别方法 |
CN107247893A (zh) * | 2017-05-10 | 2017-10-13 | 广东工业大学 | 一种基于遗传算法降维的脑电身份识别方法 |
CN111695581A (zh) * | 2019-03-12 | 2020-09-22 | 宁波大学 | 一种基于自回归极限学习机的非线性动态过程监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104361345A (zh) * | 2014-10-10 | 2015-02-18 | 北京工业大学 | 基于约束极速学习机的脑电信号分类方法 |
-
2015
- 2015-06-09 CN CN201510310721.7A patent/CN104951797B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104361345A (zh) * | 2014-10-10 | 2015-02-18 | 北京工业大学 | 基于约束极速学习机的脑电信号分类方法 |
Non-Patent Citations (1)
Title |
---|
林苏云等: "脑机接口系统的协同工作机制", 《福建电脑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956624A (zh) * | 2016-05-06 | 2016-09-21 | 东南大学 | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 |
CN105956624B (zh) * | 2016-05-06 | 2019-05-21 | 东南大学 | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 |
CN106951844A (zh) * | 2017-03-10 | 2017-07-14 | 中国矿业大学 | 一种基于深度极速学习机的脑电信号分类方法及系统 |
CN107126193A (zh) * | 2017-04-20 | 2017-09-05 | 杭州电子科技大学 | 基于滞后阶数自适应选择的多变量因果关系分析方法 |
CN107169434A (zh) * | 2017-05-10 | 2017-09-15 | 广东工业大学 | 一种具备排他性的脑电身份识别方法 |
CN107247893A (zh) * | 2017-05-10 | 2017-10-13 | 广东工业大学 | 一种基于遗传算法降维的脑电身份识别方法 |
CN111695581A (zh) * | 2019-03-12 | 2020-09-22 | 宁波大学 | 一种基于自回归极限学习机的非线性动态过程监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104951797B (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104951797A (zh) | 一种基于ar系数空间的elm运动想象脑电分类方法 | |
Ren et al. | Emotion recognition based on physiological signals using brain asymmetry index and echo state network | |
CN110969108B (zh) | 一种基于自主运动想象脑电的肢体动作识别方法 | |
CN107168524B (zh) | 一种基于深度学习混合模型的稳态视觉诱发电位分类方法 | |
CN111544855B (zh) | 基于蒸馏学习和深度学习纯意念控制智能康复方法及应用 | |
Srinivasan et al. | General-purpose filter design for neural prosthetic devices | |
CN104771163A (zh) | 基于csp和r-csp算法的脑电信号特征提取方法 | |
CN108280414A (zh) | 一种基于能量特征的运动想象脑电信号的识别方法 | |
CN110090017A (zh) | 一种基于lstm的脑电信号源定位方法 | |
CN111310783B (zh) | 基于脑电微状态特征与神经网络模型的言语状态检测方法 | |
CN111931656B (zh) | 基于迁移学习的用户独立型运动想象分类模型训练方法 | |
CN113180692A (zh) | 一种基于特征融合和注意力机制的脑电信号分类识别方法 | |
CN112401905A (zh) | 一种基于源定位和脑网络的自然动作脑电识别方法 | |
CN114027786B (zh) | 基于自监督式记忆网络的睡眠呼吸障碍检测方法及系统 | |
CN115346676A (zh) | 一种基于皮层肌肉网络的运动功能重建动态模型构建方法 | |
Wang et al. | Efficient brain decoding based on adaptive EEG channel selection and transformation | |
Bahri et al. | Sub-band-power-based efficient brain computer interface for wheelchair control | |
CN108874137B (zh) | 一种基于脑电信号的手势动作意图检测的通用模型 | |
Wang et al. | Continuous motion estimation of lower limbs based on deep belief networks and random forest | |
CN112259228A (zh) | 一种动态注意力网络非负矩阵分解的抑郁症筛选方法 | |
Li et al. | Improving convolutional neural network using accelerated proximal gradient method for epilepsy diagnosis | |
CN114052734B (zh) | 基于渐进式图卷积神经网络的脑电情感识别方法 | |
CN106371590B (zh) | 基于OpenVIBE的高性能运动想象在线脑机接口系统 | |
Chen et al. | Research on EEG classification with neural networks based on the Levenberg-Marquardt algorithm | |
CN115687982A (zh) | 自供能脑机接口系统及其应用方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180717 |