CN108229401A - 一种基于afsa-svm的多模态信号分类方法 - Google Patents

Abstract

本发明涉及一种基于AFSA‑SVM的多模态信号分类方法。传统支持向量机(SVM)分类方法信号分类处理中存在参数设置和分类正确率低等问题，本发明提出了一种基于人工鱼群(AFSA)优化支持向量机惩罚因子c和核参数g的分类模型，该方法利用CSP算法对脑部EEG和NIRS同步采集的信号进行特征提取和融合，然后利用AFSA优化算法确定支持向量机的惩罚因子c和核参数g，构建分类器模型进行信号训练和测试分类，从而提高了运动想象任务分类的准确性。该方法在脑‑机接口领域具有广阔的应用前景。

Description

一种基于AFSA-SVM的多模态信号分类方法

技术领域

本发明属于模式识别领域，涉及一种运动想象EEG-NIRS信号模式识别方法，特别涉及一种基于AFSA-SVM的多模态信号分类方法。

背景技术

支持向量机(support vector machine，SVM)是一种新的机器学习方法，其基础是Vapnik创建的统计学习理论(statistical learning theory，STL)。支持向量机的基本原理是在空间寻找出最优决策面，使得不同类别的样本数据能分布在决策面的两侧，进而实现数据的分类。SVM能很好的解决小样本、非线性、高维数、局部极小点等实际问题，分类的结果的实时性和准确率也十分出色。但是人们在运用向量机的时候遇到一些参数选取的问题，人们在设置支持向量机的惩罚参数和核参数的时候多采用经验数据来设置，但是不同的参数对分类器有很大的影响，且脑电信号和近红外信号都是非平稳的随机信号，目前还没有能确定向量机核参数和惩罚参数的方法。

人工鱼群算法是一种新的基于动物行为的群体智能优化算法，具有克服局部极值、取得全局最优的特点。人工鱼群算法对初始选择参数不敏感，鲁棒性强，简单易实现，收敛速度快。且人工鱼群的运动具有自适应性，在搜索寻优方面有很大实用性。针对上述问题，本发明提供了一种利用人工鱼群算法来对SVM分类器的核参数和惩罚参数进行优化，进而提高SVM的分类精度。

发明内容

本发明的目的是在共空间模式算法(CSP)对信号进行特征提取的基础上，结合人工鱼群算法(AFSA)对支持向量机的惩罚参数和核参数进行迭代寻优，提出了一种基于人工鱼群算法优化的支持向量机(AFSA-SVM)的运动想象脑电和近红外(EEG-NIRS)信号模式分类方法。

按照本发明提供的技术方案，提出了一种基于AFSA-SVM的多模态信号分类方法，包括如下步骤：

步骤1、使用脑电采集设备和近红外采集设备同步采集NIRS和EEG的运动想象信号；

步骤2、采用共空间模式算法对采集到的信号进行特征提取；

步骤3、通过人工鱼群算法对SVM的分类、识别效果进行优化。

所述的步骤1中实验方式是两类运动想象动作分类；受试者根据电脑屏幕的提示完成动作，本次测试动作为左右手的握拳，单次流程左右动作各20次，每一个动作持续5秒，屏幕提示也会持续五秒，动作结束后，屏幕提示休息十秒来缓解信号恢复到正常水平，循环五十次后结束；实验数据采用三个正常受试者和两个中风偏瘫病人的实验数据来进行分析对比。

所述的步骤2中根据脑电信号和近红外信号中两类动作的区别进行特征提取；采用共空间模式算法进行特征提取。

所述的步骤3中，通过人工鱼群算法对SVM的分类，识别效果进行优化，具体步骤为：

3-1、初始化迭代次数，随机产生初始化人工鱼群X＝{x_i,i＝1,2,···,n}，人工鱼的感知距离为Visual,人工鱼移动的最大步长为Step,拥挤度为δ，觅食行为尝试最大次数为try_number，当前觅食行为次数为n；初始化鱼群数组分别表示支持向量机的核参数和惩罚因子；

3-2、利用初始化的参数建立SVM，根据训练样本对该模型进行训练，把训练分类器的分类精度设置为鱼群的食物浓度，并计算食物浓度值，并取其最大值；

3-3、每条人工鱼按照算法的行为移动，在进行食物浓度值得计算，取最大值，并与步骤5-2的最大值比较，如若优于步骤5-2的最大值，则取而代之；

人工鱼群算法包括觅食行为、聚群行为、追尾行为和随机行为；

1)随机行为

人工鱼个体的当前位置设为x_i，在其当前视野范围内d_ij≤Visual，随机选择一个状态x_j，当求极大值时，若f(x_i)＜f(x_j)，则x_i按式(1)向x_j移动一步，反之重新选择状态，观察是否满足前进条件，尝试try_number次后，如若仍不满足条件，则按式(2)随机移动一步；

x_i+1＝x_i+rand×step (2)

其中d_i,j＝||x_i-x_j||为人工鱼之间的距离，Y_i＝f(x_i)为第i条人工鱼当前所在位置的食物浓度，Y_i为目标函数，rand表示一个随机数值；

2)聚群行为

人工鱼个体所处位置为x_i，距离其Visual范围内的小伙伴数目为m,中心位置为x_c，如果f(x_c)/m＞δ×f(x_i)，表示中心有较多的食物且不太拥挤，则x_i按照式(3)向x_c移动一步，若f(x_c)/m＜δ×f(x_i)，则实施觅食行为，同样，如果没看到其他伙伴，也执行觅食行为；

3)追尾行为

人工鱼个体所处位置为x_i，距离其Visual范围内所有小伙伴中食物浓度值最大的位置为x_max，伙伴数目为m，如果f(x_max)/m＞δ×f(x_i)，表明伙伴中x_j有较多的食物且不太拥挤，则x_i按式(4)向x_max移动一步，若f(x_max)/m＜δ×f(x_i)，则实施觅食行为，同样，如果没有看到其他小伙伴，也执行觅食行为；

4)随机行为

为在更大范围内寻找食物和同伴，鱼类在水中自由游动，人工鱼的随机行为表示为在某一位置内随意朝某一方向移动；即

x_i+1＝x_i+rand×Visual (5)

3-4、保持迭代更新，直到达到最大的迭代次数或满足要求的误差条件；此时，人工鱼的位置即为参数的最优解；

3-5、以此时的参数构建SVM，对运动想象EEG-NIRS信号分类。

本发明有益效果如下：

利用共空间模式算法(CSP)方法进行特征提取后，将基于AFSA-SVM分类识别结果与单一SVM进行分类识别、优化后的PSO-SVM分类识别结果、进行对比，结果表明，使用AFSA优化后的SVM分类器对运动想象EEG-NIRS信号分类的正确率更高，有效的提高了分类检测识别率。

附图说明

图1为实验流程图；

图2为特征提取分类图；

图3为AFSA-SVM迭代寻优流程图。

具体实施方式：

下面结合具体实施例对本发明作进一步说明。以下描述仅作为示范和解释，并不对本发明作任何形式上的限制。

如图1、图2与图3所示本发明实现的步骤如下：

步骤1、使用脑电采集设备和近红外采集设备同步采集NIRS和EEG的运动想象信号；

步骤2、采用共空间模式算法(CSP)方法对采集到的信号进行特征提取；

步骤3、通过人工鱼群算法对SVM的分类、识别效果进行优化；

所述的步骤1中实验范式是两类运动想象动作分类。受试者根据电脑屏幕的提示完成动作，本次测试动作为左右手的握拳，单次流程左右动作各20次，每一个动作持续5秒，屏幕提示也会持续五秒，动作结束后，屏幕提示休息十秒来缓解信号恢复到正常水平，循环五十次后结束。实验数据采用三个正常受试者和两个中风偏瘫病人的实验数据来进行分析对比。

所述的步骤2中根据脑电信号和近红外信号的中两类动作的区别进行特征提取。采用非常优秀的共空间模式算法(CSP)。CSP算法进行特征提取的原理主要是使得两类信号投影区分最大化，对两类运动想象脑电信号采用CSP空间滤波投影后，使一类信号(比如左手运动想象的信号)方差最大，而另一类(如右手运动现象的信号)的方差最小，不同类别的信号空间投影也会最大范围的分开，进而达到将两类脑电信号特征明显的区分的目的。以一个受试者的运动想象信号为例进行特征提取的分类，图2中可以看出两类信号已经最大距离的分为两部分，因此该特征提取方法非常适合本次数据分析。

通过SVM进行分类学习、识别的具体为：

使用林智仁教授等开发的一个简单、易使用的SVM模式识别与回归软件包libsvm进行分类，设置一个非线性的径向基函数(RBF)作为核函数，然后用一种网络搜素方法调整分类器的参数并在训练集中实行相互检验。

通过PSO-SVM进行分类学习、识别的步骤具体为：

PSO优化SVM主要包括种群初始化、寻找初始极值、迭代寻优等操作，其步骤为：

4-1、在D维参数空间中，随机对m个粒子进行初始化，确定其位置和速度，即确定SVM参数，选用一定输入样本建立SVM模型；

4-2、根据SVM分类决策函数确定其函数值：

4-3、进行粒子适应度值的计算及评估；

4-4、寻找全局最优参数，若不满足终止条件，则迭代搜索更新粒子的速度和位置，转向步骤4-2；

4-5、若满足终止条件，则得到最优参数，重新训练SVM，作为最终的分类器进行识别分类。

所述的步骤3中，通过人工鱼群算法对SVM的分类，识别效果进行优化，具体步骤为：

5-1、初始化迭代次数，随机产生初始化人工鱼群X＝{x_i,i＝1,2,···,n}，人工鱼的感知距离为Visual,人工鱼移动的最大步长为Step,拥挤度为δ，觅食行为尝试最大次数为try_number，当前觅食行为次数为n。初始化鱼群数组分别表示支持向量机的核参数和惩罚因子。

5-2、利用初始化的参数建立SVM，根据训练样本对该模型进行训练，把训练分类器的分类精度设置为鱼群的食物浓度，并计算食物浓度值，并取其最大值。

5-3、每条人工鱼按照算法的行为移动，在进行食物浓度值得计算，取最大值，并与步骤5-2的最大值比较，如若优于步骤5-2的最大值，则取而代之。

人工鱼群算法主要包括觅食行为、聚群行为、追尾行为和随机行为。

1)随机行为

人工鱼个体的当前位置设为x_i，在其当前视野范围内(d_ij≤Visual)随机选择一个状态x_j，当求极大值时，若f(x_i)＜f(x_j)，则x_i按式(1)向x_j移动一步，反之重新选择状态，观察是否满足前进条件，尝试try_number次后，如若仍不满足条件，则按式(2)随机移动一步。

x_i+1＝x_i+rand×step (2)

其中d_i,j＝||x_i-x_j||为人工鱼之间的距离，Y_i＝f(x_i)为第i条人工鱼当前所在位置的食物浓度，Y_i为目标函数。

2)聚群行为

人工鱼个体所处位置为x_i，距离其Visual范围内的小伙伴数目为m,中心位置为x_c，如果f(x_c)/m＞δ×f(x_i)，表示中心有较多的食物且不太拥挤，则x_i按照式(3)向x_c移动一步，若f(x_c)/m＜δ×f(x_i)，则实施觅食行为，同样，如果没看到其他伙伴，也执行觅食行为。

3)追尾行为

人工鱼个体所处位置为x_i，距离其Visual范围内所有小伙伴中食物浓度值最大的位置为x_max，伙伴数目为m，如果f(x_max)/m＞δ×f(x_i)，表明伙伴中x_j有较多的食物且不太拥挤，则x_i按式(4)向x_max移动一步，若f(x_max)/m＜δ×f(x_i)，则实施觅食行为，同样，如果没有看到其他小伙伴，也执行觅食行为。

4)随机行为

为在更大范围内寻找食物和同伴，鱼类在水中自由游动，人工鱼的随机行为表示为在某一位置内随意朝某一方向移动。即

x_i+1＝x_i+rands×Visual (5)

5-4、保持迭代更新，直到达到最大的迭代次数或满足要求的误差条件。此时，人工鱼的位置即为参数的最优解。

5-5、以此时的参数构建SVM，对运动想象EEG-NIRS信号分类。

从处理后的101个动作信号中随机提取60个作为分类器的训练数据来训练两个分类器的模型，然后取剩下的40个数据作为测试集进行分类预测，分别使用SVM，PSO-SVM和AFSA-SVM算法进行分类，其分类结果如下表1所示。

表1三种分类算法分类准确率对比

结果对比经过鱼群优化后的分类准确率比常规的分类准确率要高出2.4390％，同时也要比常用的PSO-SVM分类器效果要好，表明了经过鱼群优化SVM的分类更具有优势。

Claims (4)

1.一种基于AFSA-SVM的多模态信号分类方法，其特征在于，该方法具体包括如下步骤：

步骤1、使用脑电采集设备和近红外采集设备同步采集NIRS和EEG的运动想象信号；

步骤2、采用共空间模式算法对采集到的信号进行特征提取；

步骤3、通过人工鱼群算法对SVM的分类、识别效果进行优化。

2.根据权利要求1所述的一种基于AFSA-SVM的多模态信号分类方法，其特征在于：所述的步骤1中实验方式是两类运动想象动作分类；受试者根据电脑屏幕的提示完成动作，本次测试动作为左右手的握拳，单次流程左右动作各20次，每一个动作持续5秒，屏幕提示也会持续五秒，动作结束后，屏幕提示休息十秒来缓解信号恢复到正常水平，循环五十次后结束；实验数据采用三个正常受试者和两个中风偏瘫病人的实验数据来进行分析对比。

3.根据权利要求1所述的一种基于AFSA-SVM的多模态信号分类方法，其特征在于：所述的步骤2中根据脑电信号和近红外信号中两类动作的区别进行特征提取；采用共空间模式算法进行特征提取。

4.根据权利要求1所述的一种基于AFSA-SVM的多模态信号分类方法，其特征在于：所述的步骤3中，通过人工鱼群算法对SVM的分类，识别效果进行优化，具体步骤为：

3-1、初始化迭代次数，随机产生初始化人工鱼群X＝{x_i,i＝1,2,···,n}，人工鱼的感知距离为Visual,人工鱼移动的最大步长为Step,拥挤度为δ，觅食行为尝试最大次数为try_number，当前觅食行为次数为n；初始化鱼群数组分别表示支持向量机的核参数和惩罚因子；

3-2、利用初始化的参数建立SVM，根据训练样本对该模型进行训练，把训练分类器的分类精度设置为鱼群的食物浓度，并计算食物浓度值，并取其最大值；

3-3、每条人工鱼按照算法的行为移动，在进行食物浓度值得计算，取最大值，并与步骤5-2的最大值比较，如若优于步骤5-2的最大值，则取而代之；

人工鱼群算法包括觅食行为、聚群行为、追尾行为和随机行为；

1)随机行为

人工鱼个体的当前位置设为x_i，在其当前视野范围内d_ij≤Visual，随机选择一个状态x_j，当求极大值时，若f(x_i)＜f(x_j)，则x_i按式(1)向x_j移动一步，反之重新选择状态，观察是否满足前进条件，尝试try_number次后，如若仍不满足条件，则按式(2)随机移动一步；

x_i+1＝x_i+rand×step (2)

其中d_i,j＝||x_i-x_j||为人工鱼之间的距离，Y_i＝f(x_i)为第i条人工鱼当前所在位置的食物浓度，Y_i为目标函数，rand表示一个随机数值；

2)聚群行为

人工鱼个体所处位置为x_i，距离其Visual范围内的小伙伴数目为m,中心位置为x_c，如果f(x_c)/m＞δ×f(x_i)，表示中心有较多的食物且不太拥挤，则x_i按照式(3)向x_c移动一步，若f(x_c)/m＜δ×f(x_i)，则实施觅食行为，同样，如果没看到其他伙伴，也执行觅食行为；

3)追尾行为

人工鱼个体所处位置为x_i，距离其Visual范围内所有小伙伴中食物浓度值最大的位置为x_max，伙伴数目为m，如果f(x_max)/m＞δ×f(x_i)，表明伙伴中x_j有较多的食物且不太拥挤，则x_i按式(4)向x_max移动一步，若f(x_max)/m＜δ×f(x_i)，则实施觅食行为，同样，如果没有看到其他小伙伴，也执行觅食行为；

4)随机行为

为在更大范围内寻找食物和同伴，鱼类在水中自由游动，人工鱼的随机行为表示为在某一位置内随意朝某一方向移动；即

x_i+1＝x_i+rand×Visual (5)

3-4、保持迭代更新，直到达到最大的迭代次数或满足要求的误差条件；此时，人工鱼的位置即为参数的最优解；

3-5、以此时的参数构建SVM，对运动想象EEG-NIRS信号分类。