CN109165615A - 一种面向脑电信号的多分类器单路模式下的参数训练算法 - Google Patents

Abstract

本发明公开了属于脑电信号处理技术领域的一种面向脑电信号的多分类器单路模式下的参数训练算法。包括系统初始化参数设置模块、多分类器训练模块、压缩编码模块、索引寻找最优分类器模块。多分类器训练模块包括卷积神经网络、支持向量机、K最近邻、前向神经网络；输入原始信号根据Huffman编码方式实现合成压缩索引数据，所述Huffman压缩算法采用提取公共标志符的方式将原始数据进行重新编码；根据原始数据合成的索引数据测试分类器分类精度。本发明可以针对不同的脑电信号特征灵活选择最优的分类模型，所述压缩索引算法充分利用高速缓存进行信息存储，减小硬件开销，降低算法复杂度，便于后续算法扩展。

Description

一种面向脑电信号的多分类器单路模式下的参数训练算法

技术领域

本发明涉及脑电信号处理技术领域，特别涉及一种面向脑电信号的多分类器单路模式下的参数训练算法。

背景技术

脑机接口技术是指不依靠脑神经和肌肉组织，通过计算机在大脑和外部环境之间构建一种新的信息传输回路，可以直接实现大脑与外界环境的信息交流，是一种新型的人际交互的方式。它为患有肌肉损伤、肌肉障碍的群体提供一种与外界交流的新途径，并且在军事、医学等领域有较大的应用前景。

随着人工智能、生物医学、模式识别等领域的发展，脑机接口得到了突飞猛进的进展。脑机接口的核心技术是对预处理的脑电信号进行特征提取和对已经提取的脑电信号进行分类。在提取脑电信号的过程中，通常需要对脑电信号进行多通道长时间的测量获取大量数据才能提取到相应有用信息，从而对数据存储提出很高要求，但是传统数据压缩算法过于复杂，使得传统方法受限。针对脑电信号的分类方法有卷积神经网络、决策树、贝叶斯分类器、K近邻分类器、支持向量机等。目前，在脑电信号处理中大多采用单一的分类器，导致分类准确率难以提高，构建并结合不同脑电信号特征的分类模型，实现对不同脑电信号的调整，能够获得比单一分类器更高的准确率。

发明内容

为了解决脑电信号采集过程中数据存储空间过大和在脑电信号处理中分类器单一等问题，本发明提供了一种面向脑电信号的多分类器单路模式下的参数训练算法。包括系统初始化参数设置模块、多分类器训练模块、压缩编码模块、索引寻找最优分类器模块。如图8所示，所述的系统初始化参数设置模块包括系统上电复位初始化模块、分类器寄存器赋值模块；所述系统初始化参数设置模块用于通过CPU设置索引长度、特征信号分类标识符和分类累计计数值的初始值。所述多分类器训练模块包括卷积神经网络、支持向量机、K最近邻、前向神经网络4种分类器算法；所述的多分类器训练模块用于通过将脑电信号输入到多分类器算法模型进行分类处理，产生分类类型标识符。所述压缩编码模块用于通过Huffman编码对输入的脑电信号进行压缩编码存储；所述压缩编码模块利用贪心算法对脑电输入信号进行Huffman编码。所述Huffman编码是一种带权路径长度最短的二叉树，所述带权路径长度是指所有的叶结点的权值乘上其到根结点的路径长度。所述索引寻找最优分类器模块用于根据索引从高速缓存中读取分类标识符和分类累计计数值，然后与系统初始化设定的分类标识符进行比对生成成熟单元，通过判断成熟单元与设定阈值之间关系从而选择出最优分类器方案，最终将最优分类器训练参数进行输出并写入到FLASH。

一种面向脑电信号的多分类器单路模式下的参数训练，包括如下步骤：

步骤1，脑电信号处理系统进行上电复位操作，高速缓存、寄存器值恢复至系统默认值状态。

步骤2，系统CPU对索引长度寄存器和设定训练参数寄存器进行赋值，所述设定的训练参数包括分类标识符，分类累计计数值，动作信号设定阈值。

步骤3，系统CPU读写高速缓存信号使能。

步骤4，将测量脑电信号的电极传感器获取的脑电信号数据进行分组处理，所述脑电获取过程如下，从电极传感器中获取脑电原始信号，经过高通滤波器得到只含动作电位且幅度平稳的信号，通过阈值检测方法准确获取动作电位波形，经过特征提取和波形归类生成神经元动作电位序列数据。

步骤5，CPU将脑电信号输入到多分类器模块进行分类处理，多分类器训练使能信号置位，多分类器进入训练状态，所述多分类器模块包括卷积神经网络(CNN)、支持向量机(SVM)、K最近邻(KNN)、前向神经网络(BPNN)4种分类器算法，通过每种分类器为脑电信号设置分类类型标识符。

步骤5的具体步骤为：

(5-1)卷积神经网络(CNN)进行分类步骤如下，输入脑电信号数据被一个可学习的卷积核进行卷积,通过一个激活函数，就可以得到输出特征图，计算公式为5-1。每个输出特征图可以组合卷积多个特征图的值，其中为卷基层l的第j个通道的激活通过对前一层输出特征图进行卷积求和与偏置后得到，是卷积层l的第j个通道输出，f(·)称为激活函数。

然后通过池化层将每个输入特征图通过公式5-2池化输出特征图，其中是池化层的权重系数，是池化层的偏置项.符号down(·)表示池化函数，通过对输入特征图滑动窗口的方法划分为多个不重叠的数据矩阵块，然后对数据块求和、求均值或最大值。

再经过全连接层，将二维矩阵数据拼接为一维特征作为全连接网络的输入，通过公式5-3对输入加权求和并通过激活函数响应得到：

(5-2)支持向量机(SVM)进行分类步骤如下，对输入的脑电特征信号样本x＝{x₁，x₂，...，x_n}通过选择非线性映射核函数将现行不可分的空间映射到一个高维的线性可分的特征空间，在这个空间利用结构风险最小化原则构造最优分类超平面，使分类面两侧相距此平面最近的不同类样本之间间隔最大，在对最优超平面的构造问题上可通过解决一个凸二次规划问题来实现：即在公式5-4约束条件

y_i[ω*Φ(x_i)+b]≥1-ε_i；ε_i≥0，i＝1，2，...， 公式5-4

l下，使得公式5-5函数

取得最小值。式中，x为支持向量机的输入向量，y_i为x_i所属类别，ω为分类面的权系数向量，b为分类域值，C＞0是惩罚因子，C越大表示对错误分类的惩罚越大，ξ_i为松弛因子。

(5-3)K最近邻(KNN)进行分类步骤如下，通过计算输入脑电信号与训练特征信号间距离来作为脑电信号之间的非相似性指标，避免了对象之间的匹配问题，在这里距离使用公式5-6的欧氏距离

按照距离的递增关系进行排序；选取距离最小的K个点，确定前K个点所在类别的出现频率，返回前K个点中出现频率最高的类别作为测试数据的预测分类。

(5-4)前向神经网络(BPNN)进行分类步骤如下，脑电信号输入信号x＝{x₁，x₂，...，x_n}通过公式5-7经过与权值w＝{w₁，w₂，...，w_n}相乘并与阈值相加得到净输入值s_i：

净输入值s_i通过传递函数f(·)后，通过公式5-8得到第j个神经元的输出y_j为：

步骤6，为了实现脑电信号小容量存储，通过构造二叉树求得编码，是一种带权路径长度最短的二叉树，所述二叉树的带权路径长度，就是树中所有的叶结点的权值乘根结点的路径长度。二叉树的带权路径长度记为

WPL＝(W1*L1+W2*L2+W3*L3+...+Wn*Ln)，N个权值Wi(i＝1，2，...n)构成一棵有N个叶结点的二叉树。

步骤6具体步骤为：

(6-1)对输入字符进行Huffman编码前需要对输入符扫描一次，需要判断输入符在字符流中出现的次数记做权值{W1，W2，W3，...，Wi，...，Wn}。

(6-2)给定的n个权值{W1，W2，W3，...，Wi，...，Wn}构成n棵二叉树的初始集合F＝{T1，T2，T3，...，Ti，...，Tn}，其中每棵二叉树Ti中只有一个权值为Wi的根结点，它的左右子树均为空。

(6-3)在F中选取两棵根结点权值最小的树作为新构造的二叉树的左右子树，新二叉树的根结点的权值为其左右子树的根结点的权值之和。

(6-4)从F中删除这两棵树，并把这棵新的二叉树同样以升序排列加入到集合F中。

(6-5)重复二和三两步，直到集合F中只有一棵二叉树为止。

步骤7，将分类器的类型，分类标识符，分类累计计数值，经过Huffman编码的脑电信号，组成压缩索引数据，CPU将索引数据写入到高速缓存中。

步骤8，系统CPU根据索引值从高速缓存中读取分类标识符和分类累计标识符，然后与设定动作信号分类标志进行比对，从而对采集到的脑电信号分类时，选择最优分类器方案。

步骤(8)具体步骤为：

(8-1)系统CPU根据索引值从高速缓存中读取分类标志符和分类标识符累计计数值，将分类标识符与输入进行训练的分类标识符进行比较；

(8-2)如果高速缓存中分类标识符与系统设定分类标识符相等，则累计计数值加1，继续判断累计计数标识符是否超过系统设定的分类阈值，如果超过阈值则将系统阈值更改为累计计数值并且动作信号成熟单元加1，进一步判断成熟单元；

(8-3)如果高速缓存中的分类标识符与系统设定分类标识符不相等，则累计计数值减1，继续判断累计计数值是否大于0，如果小于0则将分类标识符置为设定分类标识符，如果大于0则进一步判断成熟单元；

(8-4)判断成熟单元数值是否超过动作信号设定阈值，如果超过阈值则系统CPU将训练结束标志寄存器置位，如果不超过阈值则继续判断脑电输入数据输入是否结束，如果没有结束则继续循环从开始输入数据进行训练，如果训练数据输入结束则将训练结束标志寄存器置位；

步骤9，完成上述步骤之后则训练使能信号复位，输出信号使能，CPU将最优分类器训练参数输出存储到FLASH中。

有益效果：本发明采用AD抖动和AD过采样技术提高了处理神经信号的精度和信噪比，采用直流分量消除技术消除了模数转换后信号的直流偏置，采用数字增益自动控制技术扩展了采集神经信号的动态范围，解决了神经信号采集准确性的问题，采用无线网桥的方式传输神经信号解决了神经信号传输速率慢和传输距离近的问题，可广泛应用于人脑控制假肢、修复脊椎恢复肢体运动、肿瘤监测治疗、人工视网膜修复、人工耳蜗等生物医学前沿技术领域。

附图说明

图1为脑电信号提取过程原理框图。

图2为卷积神经网络分类过程示意图。

图3为支持向量机分类过程示意图。

图4为K最近邻分类过程示意图。

图5为前向神经网络分类过程示意图。

图6为脑电信号构建Huffman压缩编码示意图。

图7为多分类器寻找最优算法流程图。

图8为面向脑电信号的多分类器单路模式下的参数训练算法示意图。

具体实施方式

为了更加具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

本发明面向脑电信号的多分类器单路模式下的参数训练算法示意图如图8所示。

在利用多分类器单路模式下参数训练算法前，如图1所示需要对脑电信号进行特征提取，过程为：从电极传感器中获取脑电原始信号，经过高通滤波器得到只含动作电位且幅度平稳的信号，通过阈值检测方法准确获取动作电位波形，经过特征提取和波形归类生成神经元动作电位序列数据，将传感器采集到的动作电位序列数据按照区域进划分供下列算法验证。

利用此算法进行测试过程为：

首先，系统初始化设置，脑电信号处理系统进行上电复位操作，高速缓存、寄存器值恢复至系统默认值状态。系统CPU对索引长度寄存器分类标识符，分类累计计数值，动作信号设定阈值寄存器进行赋值。

多分类器训练阶段具体为：

如图2所示，卷积神经网络分类过程为：

输入脑电信号数据被一个可学习的卷积核进行卷积,通过一个激活函数，就可以得到输出特征图。每个输出特征图可以组合卷积多个特征图的值，然后通过池化层将每个输入特征图通过池化输出特征图，再经过全连接层，将二维矩阵数据拼接为一维特征作为全连接网络的输入，对输入加权求和并通过激活函数响应得到分类结果。

如图3所示，支持向量机分类过程为：

对输入的脑电特征信号样本通过选择非线性映射核函数将现行不可分的空间映射到一个高维的线性可分的特征空间，在这个空间利用结构风险最小化原则构造最优分类超平面，使分类面两侧相距此平面最近的不同类样本之间间隔最大，从而达到分类目的。

如图4所示，K最近邻分类过程为：通过计算输入脑电信号与训练特征信号间距离来作为脑电信号之间的非相似性指标，避免了对象之间的匹配问题，按照距离的递增关系进行排序，选取距离最小的K个点，确定前K个点所在类别的出现频率，返回前K个点中出现频率最高的类别作为输入数据的预测分类。

如图5所示，前向神经网络分类过程为：输入脑电信号学习样本，对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。具体步骤如下：

(1)初始化，随机给定各连接权及阈值；

(2)由给定的输入输出模式对计算隐层、输出层各单元输出；

(3)计算新的连接权及阈值；

(4)选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。

如图6所示，Huffman压缩编码具体为：

步骤1，假如脑电输入信号中A,B,C,D,E五个字符，出现的频率(即权值)分别为5,4,3,2,1,那么我们第一步先取两个最小权值作为左右子树构造一个新树，即取1，2构成新树，其结点为1+2＝3，虚线为新生成的结点；

步骤2，把新生成的权值为3的结点放到剩下的集合中，所以集合变成{5,4,3,3}，再根据第二步，取最小的两个权值构成新树；

步骤3，再依次建立哈夫曼树，其中各个权值替换对应的字符，各字符对应的编码为：A->11,B->10,C->00,D->011,E->010。

如图7所示，寻找最优分类器具体为：将分类器的类型，分类标识符，分类累计计数值，经过Huffman编码的脑电信号，组成压缩索引数据。

步骤1，系统CPU根据索引值从高速缓存中读取分类标志符和分类标识符累计计数值，将分类标识符,系统设定的分类标识符进行比较；

步骤2，如果高速缓存中分类标识符与系统设定分类标识符相等，则累计计数值加1，继续判断累计计数标识符是否超过系统设定的分类阈值，如果超过阈值则将系统阈值更改为累计计数值并且动作信号成熟单元加1，进一步判断成熟单元；

步骤3，如果高速缓存中的分类标识符与系统设定分类标识符不相等，则累计计数值减1，继续判断累计计数值是否大于0，如果小于0则将分类标识符置为设定分类标识符，如果大于0则进一步判断成熟单元；

步骤4，判断成熟单元数值是否超过动作信号设定阈值，如果超过阈值则系统CPU将训练结束标志寄存器置位，如果不超过阈值则继续判断脑电输入数据输入是否结束，如果没有结束则继续循环从开始输入数据进行训练，如果训练数据输入结束则将训练结束标志寄存器置位。

以上所述的具体实施方式对本发明的技术方案和有益效果进行详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用限制本发明，凡在本发明原则范围内做任何修改、补充和等同替换等，均应包含在本发明的保护范围内。

Claims (7)

1.一种面向脑电信号的多分类器单路模式下的参数训练算法，其特征在于，包括系统初始化参数设置模块、多分类器训练模块、压缩编码模块、索引寻找最优分类器模块。

2.根据权利要求1所述一种面向脑电信号的多分类器单路模式下的参数训练算法，其特征在于，所述的系统初始化参数设置模块包括系统上电复位初始化模块、分类器寄存器赋值模块；所述系统初始化参数设置模块用于通过CPU设置索引长度、特征信号分类标识符和分类累计计数值的初始值。

3.根据权利要求1所述一种面向脑电信号的多分类器单路模式下的参数训练算法，其特征在于，所述多分类器训练模块包括卷积神经网络、支持向量机、K最近邻、前向神经网络4种分类器算法；所述的多分类器训练模块用于通过将脑电信号输入到多分类器算法模型进行分类处理，产生分类类型标识符。

4.根据权利要求1所述一种面向脑电信号的多分类器单路模式下的参数训练算法，其特征在于，所述压缩编码模块用于通过Huffman编码对输入的脑电信号进行压缩编码存储；所述压缩编码模块利用贪心算法对脑电输入信号进行Huffman编码。

5.根据权利要求4所述一种面向脑电信号的多分类器单路模式下的参数训练算法，其特征在于，所述Huffman编码是一种带权路径长度最短的二叉树，所述带权路径长度是指所有的叶结点的权值乘上其到根结点的路径长度。

6.根据权利要求1所述一种面向脑电信号的多分类器单路模式下的参数训练算法，其特征在于，所述索引寻找最优分类器模块用于根据索引从高速缓存中读取分类标识符和分类累计计数值，然后与系统初始化设定的分类标识符进行比对生成成熟单元，通过判断成熟单元与设定阈值之间关系从而选择出最优分类器方案，最终将最优分类器训练参数进行输出并写入到FLASH。

7.一种面向脑电信号的多分类器单路模式下的参数训练，包括如下步骤：

步骤1，脑电信号处理系统进行上电复位操作，高速缓存、寄存器值恢复至系统默认值状态；

步骤2，系统CPU对索引长度寄存器和设定训练参数寄存器进行赋值，所述设定的训练参数包括分类标识符，分类累计计数值，动作信号设定阈值；

步骤3，系统CPU读写高速缓存信号使能；

步骤4，将测量脑电信号的电极传感器获取的脑电信号数据进行分组处理，所述脑电获取过程如下，从电极传感器中获取脑电原始信号，经过高通滤波器得到只含动作电位且幅度平稳的信号，通过阈值检测方法准确获取动作电位波形，经过特征提取和波形归类生成神经元动作电位序列数据；

步骤5，CPU将脑电信号输入到多分类器模块进行分类处理，多分类器训练使能信号置位，多分类器进入训练状态，所述多分类器模块包括卷积神经网络(CNN)、支持向量机(SVM)、K最近邻(KNN)、前向神经网络(BPNN)4种分类器算法，通过每种分类器为脑电信号设置分类类型标识符；

步骤6，为了实现脑电信号小容量存储，通过构造二叉树求得编码，是一种带权路径长度最短的二叉树，所述二叉树的带权路径长度，就是树中所有的叶结点的权值乘根结点的路径长度。二叉树的带权路径长度记为

WPL＝(W1*L1+W2*L2+W3*L3+...+Wn*Ln)，N个权值Wi(i＝1，2，...n)构成一棵有N个叶结点的二叉树；

步骤7，将分类器的类型，分类标识符，分类累计计数值，经过Huffman编码的脑电信号，组成压缩索引数据，CPU将索引数据写入到高速缓存中；

步骤8，系统CPU根据索引值从高速缓存中读取分类标识符和分类累计标识符，然后与设定动作信号分类标志进行比对，从而对采集到的脑电信号分类时，选择最优分类器方案；

步骤9，完成上述步骤之后则训练使能信号复位，输出信号使能，CPU将最优分类器训练参数输出存储到FLASH中。