CN109645993A - 一种提高跨个体脑-机接口识别性能的主动学习法 - Google Patents

Abstract

本发明公开了一种提高跨个体脑‑机接口识别性能的主动学习方法，所述方法包括：使用包含x个已知标签的训练集X训练SVM分类器，并为验证集V计算AUC值；使用训练后的分类器预测测试集Y中的目标和非目标的试次，并计算测试集Y中每个试次的总体置信度，从测试集Y中提取出k个具有最低总体置信度的试次Y(k)；从数据库中查询试次Y(k)的标签，并将这些标签的试次与随机选取的数据M一起设定为新的训练集X，再次对分类器进行训练。本发明对采集的脑电皮层诱发信号进行分析，通过设定置信度的阈值来挑选数据，将置信度低的数据反馈回原始数据中重新进行训练，弱化特异性的特征，从而提高识别模型的鲁棒性，满足实际应用中的要求。

Description

一种提高跨个体脑-机接口识别性能的主动学习法

技术领域

本发明涉及脑-机接口技术领域，特别是可用于将脑电特征进行提取、分类、降低跨个体识别时的校准时间、减少输入样本量的一种提高跨个体脑电识别性能的数据处理方法。

背景技术

脑-机接口(Brain Computer Interface，BCI)是神经科学与工程技术的一种新型交互结合方式，可以无需采用常规的肢体神经肌肉接触便能实现人与外界机器设备的思维信息交互，使“思想”变成“行动”。现已成为脑科学研究、大脑认知机制解密的全新“窗口”。BCI设备可以通过放置在头皮、大脑皮层表面或大脑内传感器检测到的电场或磁场、氧合血红蛋白或其他参数来对人类思想进行量化表达。通过记录这些大脑信号，从中提取具体的特征，并将这些特征转换成指令输出。

随着神经生理学的发展和脑成像技术的兴起，脑电信号(Electroencephalography,EEG)因其时间分辨率高、可由外界环境不同而诱发出特定成分、能够客观真实地反映人的状态而受到研究人员的重视。按照EEG信号的产生方式，可以将神经电信号分为自发脑电、诱发脑电。其中，皮层诱发脑电因其无损伤，易记录，而且可以根据外界条件的不同而呈现不同的形态特征，进而可以探究在不同外部因素下人脑的电位的变化规律受到广泛的重视的研究。

其中常用的诱发脑电信号为诱发电位(evoked potential,EP)和事件相关电位(event-related potential,ERP)。诱发电位通常具有明确的外部物理因子(声、光、电等)刺激和内部感觉通道(视、听、体等)反应，且有较为稳定的潜伏期。事件相关电位与大脑对特定发生事件的处理过程密切相关。它的幅值信息包含在相对幅值较大的背景脑电中，通常需要对特定事件所诱发的信号进行多次叠加平均而得到。叠加平均后的ERP由一系列正负电位信号组成，称之为事件相关成分。事件相关系列正/负成分将随着刺激事件类型、频率和大脑对刺激事件认知过程的不同而变化。

对于健康人来说，脑电信号与人体的生理状态(如睡眠或清醒)和年龄等都有关系。不同人的脑电信号不同，同一个人在不同时刻的脑电信号也有差异。对于病人亦是如此。因而若是想使BCI设备具有通用性，找出一种使BCI设备能够较快且较高效的适应新个体，减少校准时间和个体依赖性的算法是至关重要的。

发明内容

本发明提供了一种提高跨个体脑-机接口识别性能的主动学习法，本发明对采集的脑电皮层诱发信号进行分析，通过设定置信度的阈值来挑选数据，将置信度低的数据反馈回原始数据中重新进行训练，弱化特异性的特征，从而提高识别模型的鲁棒性，满足实际应用中的要求，详见下文描述：

一种提高跨个体脑-机接口识别性能的主动学习方法，所述方法包括：

使用包含x个已知标签的训练集X训练SVM分类器，并为验证集V计算AUC值；

使用训练后的分类器预测测试集Y中的目标和非目标的试次，并计算测试集Y中每个试次的总体置信度，从测试集Y中提取出k个具有最低总体置信度的试次Y(k)；

从数据库中查询试次Y(k)的标签，并将这些标签的试次与随机选取的数据M一起设定为新的训练集X，再次对分类器进行训练，即：

Y＝Y-Y(k)

X＝Y(k)+M

在每次迭代后均为验证集Z输出一个AUC的值，直到得到的结果达到预期目标。

其中，所述使用包含x个已知标签的训练集X训练SVM分类器具体为：

采用SVM分类器对获得的脑电数据进行分类，通过置信度的阈值划分出每个试次的置信度高低；置信度的阈值是根据分类器测试时得到的最小置信度和的平均数得到；

分别对每个试次进行十倍的交叉验证来弱化随机性结果，低置信度的数据需要反馈回训练集再次进行训练。

所述为验证集V计算AUC值具体为：

重复训练SVM分类器的步骤，输出AUC的值，直到在验证集中获得期望的分类精度，或者已经完成了固定数量的迭代。

本发明提供的技术方案的有益效果是：

1、本发明通过分类后置信度的阈值对数据进行分组，将低置信度的特征送回原始组中进行重新训练，直到绝大部分特征可分性强；

2、本发明可有效地弱化个体特异性的特征，从而提高识别模型的鲁棒性，解决目前跨个体脑-机接口技术中的依赖性问题，为脑-机接口的特征识别从实验室走向应用提供了技术支持；

3、本发明可有效地提高跨个体识别模型的自适应性和普适性，解决目前跨个体脑-机接口技术中的依赖性问题，将模型推向应用，并获得可观的社会效益和经济效益。

附图说明

图1为一种提高跨个体脑-机接口识别性能的主动学习法的流程图；

图2为主动学习算法实现过程的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

实施例1

本发明实例提供了一种提高跨个体脑-机接口识别性能的主动学习法，参见图1，该方法包括：

101：当需要对新的个体数据进行模式识别时，首先要用SVM(支持向量机)分类器对获得的脑电数据进行分类，在此过程中通过置信度的阈值划分出每个试次的置信度高低；

其中，本实验所用置信度的阈值是根据分类器测试时得到的最小置信度和的平均数得到的。用户可以根据实验的具体情况选择中位数或者选取最高置信度某一百分比作为阈值。

102：分别对每个试次进行十倍的交叉验证来弱化随机性结果，低置信度的数据需要反馈回训练集再次进行训练；

103：重复这些步骤，输出AUC(曲线下面积)的值，直到在验证集中获得期望的分类精度，或者已经完成了固定数量的迭代，从而准确、客观的进行跨个体脑电数据的识别。

其中，该主动学习法还包括：建立脑电信号的分类模型步骤，该建立过程包括如下阶段：

1)信号采集，数据采集阶段采集的是被试在某一视觉刺激(SSVEP、ERP等)下的多导脑电信号。

2)数据预处理，对采集到的多导脑电信号进行四个步骤的预处理。

其中，预处理包括：变参考到双耳平均、降采样、带通滤波以及利用独立成分分析(independent component analysis，ICA)的算法去除眼电干扰。最终得到预处理后的脑电信号。

3)特征矩阵提取，首先是将预处理后的信号根据实验范式设定的刺激结构进行数据截取，然后根据特定的数据要求进行额外的处理，得到最终的特征矩阵。

4)分类识别，特征提取后，使用支持向量机分类器对特征进行识别，将靶和非靶区分开。

综上所述，本发明实施例可有效地弱化个体特异性的特征，从而提高识别模型的鲁棒性，解决目前跨个体脑-机接口技术中的依赖性问题，为脑-机接口的特征识别从实验室走向应用提供了技术支持。

实施例2

为了提高特征识别模型的鲁棒性，本发明实施例通过主动学习算法来弱化个体特异性的特征。图1是本发明实施例的流程图，主要讲述主动学习方法的实现，下面着重说明本发明实施例中的主动学习算法的实现：

一、置信度

对分类器分析的数据进行置信度评价以确定每个试次的分类可靠性。李蓉等人^[1]中提出，当待测样本到SVM分类面的距离大于一定的域值时，则接受SVM分类结果，即待测样本到SVM最优超平面的距离和置信度之间成正比。置信度评估公式^[2]如下所示：

式中，x_i为待测样本，D(x_i)为待测样本x_i到SVM分类面的距离，为置信度值。由此可以得到待测样本到分类面距离越大，该样本置信度相对越高；反之，待测样本到分类面距离越小，该样本置信度相对越高。

根据训练样本得到的识别模型，对每个待测样本都有对应的分类决策结果。对测试样本数为n，可得到所有的待测样本置信度对于给定的置信度阈值N，阈值作为鉴别边界，应是最大化训练集中真阳性率和假阳性率之差的值。因此，应当拒识的样本为置信度小于阈值N的样本。

二、交叉验证

交叉验证(Cross-Validation)有时亦称循环估计，是一种统计学上将数据样本切割成较小子集的实用方法。于是可以先在一个子集上做分析，而其它子集则用来做后续对此分析的确认及验证。一开始的子集被称为训练集。而其它的子集则被称为验证集或测试集。交叉验证对于人工智能，机器学习，模式识别，分类器等研究都具有很强的指导与验证意义。

交叉验证的基本思想是把在某种意义下将原始数据(dataset)进行分组，一部分做为训练集(train set)，另一部分做为验证集(validation set or test set)，首先用训练集对分类器进行训练，在利用验证集来测试训练得到的模型(model)，以此来做为评价分类器的性能指标。

k折交叉验证通过对k个不同分组训练的结果进行平均来减少方差，因此模型的性能对数据的划分就不那么敏感。

第一步，不重复抽样将原始数据随机分为k份。

第二步，每一次挑选其中1份作为测试集，剩余k-1份作为训练集用于模型训练。

第三步，重复第二步k次，这样每个子集都有一次机会作为测试集，其余机会作为训练集。在每个训练集上训练后得到一个模型，用这个模型在相应的测试集上测试，计算并保存模型的评估指标，

第四步，计算k组测试结果的平均值作为模型精度的估计，并作为当前k折交叉验证下模型的性能指标。

其中，k一般取值为10，数据量小的时候，k可以设大一点，这样训练集占整体比例就比较大，不过同时训练的模型个数也增多。数据量大的时候，k的取值可以设小一点。此外，可以进行多次k折交叉验证再求均值，例如：采用10次10折交叉验证，使得求取的结果更精确。

三、计算AUC值

AUC是一种用来度量分类模型好坏的一个标准。AUC的值就是处于ROC(受试者工作特征)曲线下方的那部分面积的大小。ROC是分类模型的性能评判方法。

ROC的主要分析工具是一个画在二维平面上的曲线——ROC曲线。平面的横坐标是FPR(False Positive Rate，假阳性率)，纵坐标是TPR(True Positive Rate，真阳性率)。对某个分类器而言，本发明实施例可以根据其在测试样本上的表现得到一个TPR和FPR点对。这样，此分类器就可以映射成ROC平面上的一个点。调整这个分类器分类时候使用的阈值，就可以得到一个经过(0,0)，(1,1)的曲线，这就是此分类器的ROC曲线。

一般情况下，这个曲线都应该处于(0,0)和(1,1)连线的上方。因为(0,0)和(1,1)连线形成的ROC曲线实际上代表的是一个随机分类器。如果得到一个位于此直线下方的分类器的话，一个直观的补救办法就是把所有的预测结果反向，即：分类器输出结果为正类，则最终分类的结果为负类，反之，则为正类。

虽然，用ROC curve来表示分类器的性能很直观好用。可是，人们总是希望能有一个数值来标志分类器的好坏。于是就出现曲线下面积值—AUC。通常，AUC的值介于0.5到1.0之间，较大的AUC代表了较好的性能。

四、建立识别模型

特征提取后，使用SVM^[3]建立目标识别模型，识别用户当前的状态。在模式识别阶段，将数据分为三部分，一部分样本用来建立分类器，称为训练集，一部分样本用来测试分类器，称为测试集，剩余部分用来验证分类器，成为验证集。本发明实施例首先用训练集样本对SVM分类器进行训练，得到目标识别模型。然后对测试集的数据进行测试，使用主动学习方法，将置信度低的数据从测试集中移除到训练集中重新训练分类器，直到测试得到的结果与验证集中相同，输出AUC的值。图2是主动学习算法的实现过程。

计算过程如下：

输入为：包含x个已知标签的训练集X、包含y个未知标签的测试集Y，包含z个已知标签的验证集Z、一定数量的已知标签的数据M、每次迭代中由主动学习方法选择的样本数量k、主动学习方法迭代的总次数N。

实现过程：设n为第几次迭代的次数，n的取值范围为1～N

(1)使用X训练SVM分类器并为验证集V计算AUC值；

(2)使用训练后的分类器预测测试集Y中的目标和非目标的试次，并计算测试集Y中每个试次的总体置信度，从测试集Y中提取出k个具有最低总体置信度的试次Y(k)；

(3)从数据库中查询试次Y(k)的标签，并将这些标签的试次与随机选取的数据M一起设定为新的训练集X，再次对分类器进行训练，即：

Y＝Y-Y(k)

X＝Y(k)+M

具体实现时，总共进行N次迭代，在每次迭代后均为验证集Z输出一个AUC的值，直到得到的结果达到预期目标。经实验验证该方法真实有效且具有统计学差异(p<0.01)。

本发明实施例的主旨是提出一种提高跨个体脑-机接口识别性能的主动学习法，通过设定置信度的阈值来挑选数据，通过多次迭代训练找出适应性最好的模型。该项发明可有效地提高跨个体识别模型的鲁棒性和通用性，可获得可观的社会效益和经济效益。最佳实施方案拟采用专利转让、技术合作或产品开发。

参考文献

[1]PICARD R W,VYZAS E,HEALEY J.Toward machine emotional intelligence:Analysis of affective physiological state[J].Pattern Analysis and MachineIntelligence,IEEE Transactions on,2001,23(10):1175-91.

[2]CHUEH T-H,CHEN T-B,LU H H-S,et al.Statistical Prediction ofEmotional States by Physiological Signals with Manova and Machine Learning[J].International Journal of Pattern Recognition and Artificial Intelligence,2012,26(04):

[3]HIDALGO-MU OZ A R,L PEZ M M,SANTOS I M,et al.Application of SVM-RFE on EEG signals for detecting the most relevant scalp regions linked toaffective valence processing[J].Expert Systems with Applications,2013,40(6):2102–8.

[4]白艳茹.用于生物特征识别的多范式诱发脑电个体差异性研究[D]；天津大学,2012.

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种提高跨个体脑-机接口识别性能的主动学习方法，其特征在于，所述方法包括：

使用包含x个已知标签的训练集X训练SVM分类器，并为验证集V计算AUC值；

使用训练后的分类器预测测试集Y中的目标和非目标的试次，并计算测试集Y中每个试次的总体置信度，从测试集Y中提取出k个具有最低总体置信度的试次Y(k)；

从数据库中查询试次Y(k)的标签，并将这些标签的试次与随机选取的数据M一起设定为新的训练集X，再次对分类器进行训练，即：

Y＝Y-Y(k)

X＝Y(k)+M

在每次迭代后均为验证集Z输出一个AUC的值，直到得到的结果达到预期目标。

2.根据权利要求1所述的一种提高跨个体脑-机接口识别性能的主动学习方法，其特征在于，所述使用包含x个已知标签的训练集X训练SVM分类器具体为：

采用SVM分类器对获得的脑电数据进行分类，通过置信度的阈值划分出每个试次的置信度高低；置信度的阈值是根据分类器测试时得到的最小置信度和的平均数得到；

分别对每个试次进行十倍的交叉验证来弱化随机性结果，低置信度的数据需要反馈回训练集再次进行训练。

3.根据权利要求1所述的一种提高跨个体脑-机接口识别性能的主动学习方法，其特征在于，所述为验证集V计算AUC值具体为：

重复训练SVM分类器的步骤，输出AUC的值，直到在验证集中获得期望的分类精度，或者已经完成了固定数量的迭代。