CN106485205A - 基于多层超限学习机的运动想象脑电信号分类方法 - Google Patents

Abstract

本发明公开了基于多层超限学习机的运动想象脑电信号分类方法，属于模式识别和脑‑机接口领域。脑电信号的分类识别主要包括脑电信号的特征提取和特征分类两部分。首先，对每一样本的原始信号进行加窗分段，得到S段子信号；然后，分别对上步骤分段得到的S段子信号进行主成分分析和线性判别分析，并将最终的S个K‑1维特征向量进行组合，得到S*(K‑1)维的特征；最后，将所有样本的特征送入多层超限学习机分类器中，得到最后的分类结果。与现有技术相比，本发明的方法具有以下优点：传统的ELM算法是单隐层结构，对于提取复杂信号的特征有很大的局限性，本发明通过增加隐层个数提取深层信息，从而提高了分类正确率，并且保持了ELM低耗时的优势。

Description

基于多层超限学习机的运动想象脑电信号分类方法

技术领域

本发明属于模式识别和脑-机接口(Brain-Computer Interface,BCI)领域，涉及一种应用多层超限学习机对脑-机接口系统装置中运动想象脑电信号进行分类的方法。

背景技术

人类的大脑是一个高速运转的计算系统，支配和控制着人类的所有行为、思想和情绪等高级神经活动。如何有效获取并利用大脑的信息一直是研究者们关注的热点问题。脑电信号(Electroencephalograph，EEG)是大脑神经元细胞的放电活动，包含了大量的表征人体生理心理状态的信息，是有效获取大脑信息的重要手段之一。脑-机接口技术建立起了一种全新的大脑与外部设备之间相互传递信息的通道，是利用大脑信息的有效手段。运动想象脑电信号在BCI领域应用较为广泛，通过采集分析人们想象身体某个部位运动或进行某种思维活动时的脑电信号，识别大脑的状态，进而控制外界装置。该项技术在医疗康复方面，尤其是对神经肌肉受损伤的人群有重要意义。

脑电信号的分类识别是BCI研究的关键技术之一，主要包括脑电信号的特征提取和特征分类两部分。常用的脑电特征有频带能量，功率谱密度，自回归参数，自适应自回归参数等等。常用的脑电信号分类方法有支持向量机，最近邻，贝叶斯和人工神经网络等等。寻找有效的特征提取和分类方法是提高脑电信号识别准确率的关键。在实际应用中，实时性是BCI系统的重要要求之一。因此，为适用于脑电信号的分类，寻找一种算法达到高分类准确率与低处理耗时的平衡非常重要。

Huang提出的基于单隐层前馈神经网络(Single-hidden Layer Feed forwardNeural Network，SLFN)的超限学习机(Extreme Learning Machine，ELM)方法，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。但由于其浅层结构的限制，在处理复杂信号中，ELM有一定的局限性。多层超限学习机(Multilayer Extreme LearningMachine，ML-ELM)，通过引入基于ELM的自编码器增加了隐层个数，在保持ELM优势的基础上能够达到更好的性能。

发明内容

针对上述问题，本发明采用一种基于ML-ELM的分类方法对运动想象任务的脑电信号进行分类，提高其分类的准确率。

实现本方法的主要思路如下：首先，对每一样本的原始信号进行加窗分段，得到S段子信号；然后，分别对上步骤分段得到的S段子信号进行主成分分析和线性判别分析，并将最终的S个K-1维特征向量进行组合，得到S*(K-1)维的特征；最后，将所有样本的特征送入多层超限学习机分类器中，得到最后的分类结果。

基于多层超限学习机的运动想象脑电信号分类方法，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 ComponentAnalysis,PCA)方法进行降维，去除眼动和眨眼等伪迹对信号的干扰，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 DiscriminateAnalysis,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ML-ELM分类器，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算法是单隐层结构，对于提取复杂信号的特征有很大的局限性，本发明采取ML-ELM进行类别预测，通过增加隐层个数提取深层信息，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是本发明所涉及方法的主流程图；

图2是本发明所涉及的ML-ELM分类方法示意图。

具体实施方式

下面结合附图和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个类别的。

基于多层超限学习机的运动想象脑电信号分类方法，流程图如图1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)。因为采用的固定时间窗，窗口大小是固定的，所以D₁＝D₂＝…＝D_i。

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

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作为投影空间向量，M_PCA＝[Φ₁,Φ₂,...,Φ_m]，Φ₁,Φ₂,...,Φ_m分别为通过主成分分析方法进行降维后得到的最大特征值所对应的特征向量。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}

整个特征提取的流程如图1所示。

步骤五，用步骤四所得到的特征TrainFeature训练ML-ELM分类器模型，将TestFeature送入训练好的模型进行分类，得出最终分类结果。流程图如图2所示，具体方法如下：

(1)给定隐层个数K、隐层节点个数L＝{L₁,L₂,…,L_K}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,t_i对应第i个训练样本的标签。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TrainFeature_i。

(2)计算隐层1所对应的基于ELM的自编码器的输出矩阵G₁：

其中，G₁(a_i,b_i,x)＝g(x·a_i+b_i)为训练数据集的单个样本。

(3)求出自编码器1的最优权β₁。

根据神经网络的输出X＝G₁β₁。如果G₁是列满秩的，通过最小二乘法得到最佳权值，其解为：

是G₁的广义逆矩阵，如果G₁是非列满秩的，则使用奇异值分解求解G₁的广义逆矩阵来计算最优权β₁。

(4)计算隐层1的输出矩阵H₁：

是β₁的转置。

(5)计算隐层2所对应的基于ELM的自编码器的输出矩阵G₂：

G₂＝g(H₁·a₂+b₂)

(6)求出自编码器2的最优权β₂：

(7)计算隐层2的输出矩阵H₂：

(8)重复步骤(5)-(7)，直到计算出隐层K的输出矩阵H_K。

(9)计算输出层的最优权β_K+1：

(10)将TestFeature送入该模型进行分类，得到一组M维的预测标签，将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94.20％。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89.04％。该发明同样适用于多分类问题，可将其先转化为两类分类，继续使用本发明所使用的方法。

Claims (2)

1.基于多层超限学习机的运动想象脑电信号分类方法，其特征在于：

首先，对每一样本的原始信号进行加窗分段，得到S段子信号；然后，分别对上步骤分段得到的S段子信号进行主成分分析和线性判别分析，并将最终的S个K-1维特征向量进行组合，得到S*(K-1)维的特征；最后，将所有样本的特征送入多层超限学习机分类器中，得到最后的分类结果；

基于多层超限学习机的运动想象脑电信号分类方法，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方法进行降维，去除眼动和眨眼等伪迹对信号的干扰，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ML-ELM分类器，得到最终分类结果。

2.根据权利要求1所述的基于多层超限学习机的运动想象脑电信号分类方法，其特征在于：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个类别的；

基于多层超限学习机的运动想象脑电信号分类方法，

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)；因为采用的固定时间窗，窗口大小是固定的，所以D₁＝D₂＝…＝D_i；

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

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作为投影空间向量，M_PCA＝[Φ₁,Φ₂,...,Φ_m]，Φ₁,Φ₂,...,Φ_m分别为通过主成分分析方法进行降维后得到的最大特征值所对应的特征向量；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，用步骤四所得到的特征TrainFeature训练ML-ELM分类器模型，将TestFeature送入训练好的模型进行分类，得出最终分类结果；流程图如图2所示，具体方法如下：

(1)给定隐层个数K、隐层节点个数L＝{L₁,L₂,…,L_K}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,t_i对应第i个训练样本的标签；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TrainFeature_i；

(2)计算隐层1所对应的基于ELM的自编码器的输出矩阵G₁：

$G_1={\left[\begin{array}{ccc}{G}_1\left(a_1,b_1,x_1\right)& ...& G_1\left(a_{L1},b_{L1},x_1\right)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ ...\\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ G_1\left(a_1,b_1,x_N\right)& ...& G_1\left(a_{L1},b_{L1},x_N\right)\end{array}\right]}_{N\×L1}$

其中，G₁(a_i,b_i,x)＝g(x·a_i+b_i)为训练数据集的单个样本；

(3)求出自编码器1的最优权β₁；

根据神经网络的输出X＝G₁β₁；如果G₁是列满秩的，通过最小二乘法得到最佳权值，其解为：

是G₁的广义逆矩阵，如果G₁是非列满秩的，则使用奇异值分解求解G₁的广义逆矩阵来计算最优权β₁；

(4)计算隐层1的输出矩阵H₁：

$H_1={\mathrm{X\β}}_1^T$

是β₁的转置；

(5)计算隐层2所对应的基于ELM的自编码器的输出矩阵G₂：

G₂＝g(H₁·a₂+b₂)

(6)求出自编码器2的最优权β₂：

(7)计算隐层2的输出矩阵H₂：

$H_2=H_1{\mathrm{\β}}_2^T$

(8)重复步骤(5)-(7)，直到计算出隐层K的输出矩阵H_K；

(9)计算输出层的最优权β_K+1：

(10)将TestFeature送入该模型进行分类，得到一组M维的预测标签，将预测标签与真实标签进行比较求出分类正确率。