CN104951797A

CN104951797A - 一种基于ar系数空间的elm运动想象脑电分类方法

Info

Publication number: CN104951797A
Application number: CN201510310721.7A
Authority: CN
Inventors: 黄志华; 林苏云; 郭顺英; 文宇坤
Original assignee: Fuzhou University
Current assignee: Fuzhou University
Priority date: 2015-06-09
Filing date: 2015-06-09
Publication date: 2015-09-30
Anticipated expiration: 2035-06-09
Also published as: CN104951797B

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，…，a_p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

一种基于AR系数空间的ELM运动想象脑电分类方法

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，a_k,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，…，a_p，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：a_i＝[a_i1,a_i2,a_i3,...,a_i(mp)]；其中a_i((m-1)p+1),a_i((m-1)p+2),…,a_i(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a_i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f_k(n),k阶后向预测误差序列为b_k(n),初始化k＝0,f₀(n)＝b₀(n)＝x(n)，初始化a₀＝1,a_r＝0,r＝1,2,…,p；

步骤S22：计算第k+1阶反射系数u_k+1：

步骤S23：采用下式估计k+1阶AR模型系数：令a_r’＝a_r+u_k+1a_k+1-r，r＝1,2，...，k+1，再令a_r＝a_r’，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，…，a_p。

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：

\begin{matrix} f_{k + 1} (n) = f_{k} (n) + u_{k + 1} b_{k} (n - k - 1) \\ b_{k + 1} (n) = b_{k} (n) + u_{k + 1} f_{k} (n + k + 1) \end{matrix},

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，w_ij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，w_ij的值为随机生成；

设隐含层与输出层间的连接权值β为：

β = {(\begin{matrix} β_{1} \\ β_{2} \\ . \\ . \\ . \\ β_{l} \end{matrix})}_{l \times 1},

其中，β_j表示隐含层第j个神经元与输出层神经元间的连接权值；

设隐含层神经元的阈值d为：

d = {(\begin{matrix} d_{1} \\ d_{2} \\ . \\ . \\ . \\ d_{l} \end{matrix})}_{l \times 1},

其中，d_i表示隐含层第i个神经元的阈值，d_i的值为随机生成；

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：

Y = {(\begin{matrix} y_{1} \\ y_{2} \\ . \\ . \\ . \\ y_{q} \end{matrix})}_{q \times 1};

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，w_i＝[w_i1,w_i2,…w_i(mp)],a_i＝[a_i1,a_i2,…a_i(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，

E = {(\begin{matrix} e_{1} \\ e_{2} \\ . \\ . \\ . \\ e_{q} \end{matrix})}_{q \times 1};

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：a_i＝[a_i1,a_i2,a_i3,...,a_i(mp)]；其中a_i((m-1)p+1),a_i((m-1)p+2),…,a_i(mp)表示第m个通道的运动想象脑电信号的p阶AR系数；

在本实施例中，所述步骤S2具体包括以下步骤：

步骤S22：计算第k+1阶反射系数u_k+1：步骤S23：采用下式估计k+1阶AR模型系数：令a_r’＝a_r+u_k+1a_k+1-r，r＝1,2，...，k+1，再令a_r＝a_r’，r＝1,2，...，k+1；

\begin{matrix} f_{k + 1} (n) = f_{k} (n) + u_{k + 1} b_{k} (n - k - 1) \\ b_{k + 1} (n) = b_{k} (n) + u_{k + 1} f_{k} (n + k + 1) \end{matrix},

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；

设输入层与隐含层的连接权值W为：

设隐含层与输出层间的连接权值β为：

β = {(\begin{matrix} β_{1} \\ β_{2} \\ . \\ . \\ . \\ β_{l} \end{matrix})}_{l \times 1},

设隐含层神经元的阈值d为：

d = {(\begin{matrix} d_{1} \\ d_{2} \\ . \\ . \\ . \\ d_{l} \end{matrix})}_{l \times 1},

Y = {(\begin{matrix} y_{1} \\ y_{2} \\ . \\ . \\ . \\ y_{q} \end{matrix})}_{q \times 1};

T＝Hβ，其中H称为隐含层输出矩阵，具体形式为：

其中，w_i＝[w_i1,w_i2,…w_i(mp)],a_i＝[a_i1,a_i2,…a_i(mp)]；

E = {(\begin{matrix} e_{1} \\ e_{2} \\ . \\ . \\ . \\ e_{q} \end{matrix})}_{q \times 1};

为使误差E最小，定义平方损失函数为J＝(Hβ-Y)^T(Hβ-Y)；

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

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：

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S22：计算第k+1阶反射系数

u_{k + 1} : u_{k + 1} = \frac{- 2 Σ_{n = 0}^{N - k - 1} f_{k} (n + k + 1) b_{k} (n)}{Σ_{n = k + 1}^{N} f_{k} {(n)}^{2} + Σ_{n = 0}^{N - k - 1} b_{k} {(n)}^{2}};

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，…，a_p；

\begin{matrix} f_{k + 1} (n) = f_{k} (n) + u_{k + 1} b_{k} (n - k - 1) \\ b_{k + 1} (n) = b_{k} (n) + u_{k + 1} f_{k} (n + k + 1) \end{matrix},

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：

W = {(\begin{matrix} w_{11} & w_{12} & ... & w_{1 (m p)} \\ w_{21} & w_{22} & ... & w_{2 (m p)} \\ \begin{matrix} . \\ . \\ . \end{matrix} & \begin{matrix} . \\ . \\ . \end{matrix} & \begin{matrix} . \\ . \\ . \end{matrix} \\ w_{l 1} & w_{l 2} & ... & w_{l (m p)} \end{matrix})}_{l \times (m p)},

其中，w_ij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，w_ij的值为随机生成；

设隐含层与输出层间的连接权值β为：

β = {(\begin{matrix} β_{1} \\ β_{2} \\ . \\ . \\ . \\ β_{l} \end{matrix})}_{l \times 1},

设隐含层神经元的阈值d为：

d = {(\begin{matrix} d_{1} \\ d_{2} \\ . \\ . \\ . \\ d_{l} \end{matrix})}_{l \times 1},

A = {(\begin{matrix} a_{11} & a_{12} & ... & a_{1 (m p)} \\ a_{21} & a_{22} & ... & a_{2 (m p)} \\ \begin{matrix} . \\ . \\ . \end{matrix} & \begin{matrix} . \\ . \\ . \end{matrix} & \begin{matrix} . \\ . \\ . \end{matrix} \\ a_{q 1} & a_{q 2} & ... & a_{q (m p)} \end{matrix})}_{q \times (m p)},

Y = {(\begin{matrix} y_{1} \\ y_{2} \\ . \\ . \\ . \\ y_{q} \end{matrix})}_{q \times 1};

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：

H (w_{1}, w_{2} . . ., w_{l}, d_{1}, d_{2}, . . ., d_{l}, a_{1}, a_{2}, . . ., a_{q}) = {(\begin{matrix} g (w_{1} {a_{1}}^{T} + d_{1}) & g (w_{2} {a_{1}}^{T} + d_{2}) & . . . & g (w_{l} {w_{1}}^{T} + d_{l}) \\ g (w_{1} {a_{2}}^{T} + d_{1}) & g (w_{2} {a_{2}}^{T} + d_{2}) & . . . & g (w_{l} {a_{2}}^{T} + d_{l}) \\ . & . & . \\ . & . & . \\ . & . & . \\ g (w_{1} {a_{q}}^{T} + d_{1}) & g (w_{2} {a_{q}}^{T} + d_{2}) & . . . & g (w_{l} {a_{q}}^{T} + d_{l}) \end{matrix})}_{q \times l},

其中，w_i＝[w_i1,w_i2,…w_i(mp)],a_i＝[a_i1,a_i2,…a_i(mp)]；

E = {(\begin{matrix} e_{1} \\ e_{2} \\ . \\ . \\ . \\ e_{q} \end{matrix})}_{q \times 1};

为使误差E最小，定义平方损失函数为J＝(Hβ-Y)^T(Hβ-Y)；