CN111789592B

CN111789592B - 一种基于拓扑特征融合的脑电识别方法

Info

Publication number: CN111789592B
Application number: CN202010620170.5A
Authority: CN
Inventors: 刘阳; 丁吉; 谢翠; 张启忠; 高云园; 席旭刚
Original assignee: Hangzhou Dianzi University
Current assignee: Hangzhou Dianzi University
Priority date: 2020-06-30
Filing date: 2020-06-30
Publication date: 2022-04-05
Anticipated expiration: 2040-06-30
Also published as: CN111789592A

Abstract

本发明公开了一种基于拓扑特征融合的脑电识别方法，本发明为了提高手部动作分类的性能，采用了一种LBELM和基于似然同步分析方法量化脑功能网络的新方法。与传统思想不同，本发明对二值FBN提取了两种最优的拓扑特征，并通过LBELM对两种最优的拓扑特征进行LBELM特征空间层的融合；同时本发明对LBELM做出了进一步的改进，增加了隐藏层参数优化以获得更高、更稳定的识别效果；使用了基于MSE^PRESS的留一法优化算法，以获得最优的正则化系数和融合比例。

Description

一种基于拓扑特征融合的脑电识别方法

技术领域

本发明属于脑电信号特征分析领域，公开了一种基于局部平衡极限学习机(locals-balanced Extreme Learning Machine，LBELM)进行拓扑特征融合的脑电识别方法。

背景技术

人类在运动想象(Motor Imagery，MI)任务中神经活动的表征和描述仍然是一个重要的挑战。目前，基于MI的神经康复技术和基于脑活动解释的脑-机接口(Brain-computer Interface，BCI)引起了人们的极大兴趣，试图为(部分或完全) 瘫痪患者提供一种潜在的新的脑肌沟通工具。最近的一些综述概述了BCI系统的最新进展，并讨论了表征所记录的神经活动的常用方法。基于脑功能网络分析(Functional Brain Network，FBN)的功能连接性研究成为了研究热点，这些图论方法已被广泛应用并成功地描述人脑动力学。

为了利用脑电构造FBN，采用连通性测度来估计节点(电极)之间传递的信息值。文献中有许多线性和非线性连接性度量被用来构造FBN，如互信息、熵、相关性和Granger 因果关系。线性连接性测量通常无法识别大脑的非线性行为。因此，为了分析一个高度非线性的脑电信号，研究人员采用非线性方法来构建FBN。

目前，在如何最好地检测神经生理数据中的非线性相互依赖性方面还没有达成共识。事实上，不同的算法已经被证明可以检测大脑区域之间的非线性相互作用。如前所述，同步度量旨在量化多个耦合动力系统之间的协调关系。文献中定义了不同类型的同步。三个主要类别包括完全同步、广义同步和相位同步。完全同步是当相同的系统彼此有强耦合时实现的，而一般同步被定义为两个系统的状态变量之间的函数关系，其中一个系统作为驱动信号，另一个系统充当响应信号。因此，一般同步放宽了完全同步所需的等状态准则，因为大多数实际系统不满足强耦合这种假设。最后，相位同步被定义为当振幅保持混沌且弱相关时样本输出相位的全局夹带。

两个动力系统相互作用的最普遍形式是广义同步。非线性非平稳系统间相互关系的一种最有前途的量化方法是同步似然(Synchronization Likelihood，SL)，它是基于嵌入向量(相似模式)在多个动态系统中自回归的似然性。以往研究中还使用了其他脑连接性测量方法，如部分定向相关性和相位锁值来表征大脑活动。

虽然FBN是一种重要的工具，可以用来开发更有效的BCI，但它可能不足以将人类大脑动力学完全描述为一个复杂的解剖和功能网络中的信息流。

发明内容

本发明针对现有技术的不足，提出了一种基于拓扑特征融合的脑电识别方法。

本发明提出一种基于拓扑特征融合的脑电识别方法。与传统方法不同的是，本发明不是采用单一的拓扑特征，而是使用多种拓扑特征在LBELM的特征空间进行融合。同时在原LBELM的基础上，辅以优质隐藏层单元参数，以获得最佳的MI脑电识别率。

为实现以上目的，本发明方法主要包括以下步骤：

步骤(1)采集MI脑电。实验设备的采样频率设置为5000Hz。根据实验要求，受试者按照随机动作顺序进行左右手的曲腕、曲肘和握拳动作。

步骤(2)信号预处理。信号采集过程中，采集系统的电极帽基于高质量Ag/AgCl 传感器的主动电极，结合新型集成噪声衰减电路，可以达到较低的噪声水平；同时做足完备的实验范式以防止声源、光源等外界干扰。信号采集结束后，由于眼电、心电和工频干扰，有必要对采集信号在进行滤波处理。

步骤(3)构建基于SL的FBN。脑电信号包含了数十亿个相互连接的神经元组成的复杂而密集的网络的信息。近年来，研究者们应用基于图论的方法成功地研究了这些复杂的脑网络。

步骤(4)构建二值FBN。使用度量量化大脑节点之间信息，量化出的连接往往会存在弱连接和伪连接的情况。为了防止这些连接对实验结果造成干扰，我需要选择合适的阈值来消除这些弱连接。

步骤(5)提取拓扑特征。实际网络都兼有确定和随机两大特征，确定新的法则或特征通常隐藏在统计性质中，因此，对复杂网络各种性质的统计描述十分重要。虽然目前提出的大多数网络统计特征仅描述网络拓扑特征，即只考虑节点间的位置关系而不考虑它们之间的形状的大小，但是由于网络节点的连边表示它们形形色色的相互作用，所以这种统计描述也包含动力学成分，具有非常重要的意义。

步骤(6)使用LBELM分类。ELM发展自单隐层神经网络(single hidden-layerfeedforward neural networks，SLFNs)，它被认为是一个“广义”的SLFNs。对于一个 n维的，拥有N个样本，m个类别的训练样本

L个隐藏单元，激活函数为g_i(s_j) 的SLFNs输出为

其中s_j＝[s_j1,s_j2,…,s_jn]^T为第j个输入，t_j＝[t_j1,t_j2,…,t_jm]^T为对应于第j个输入的期望输出；b_i为第i个隐藏单元的激活阈值；c_i＝[c_i1,c_i2,…,c_in]连接了输入层和第i个隐藏单元；β_i＝[β_i1,β_i2,…,β_im]^T连接了第i个隐藏单元和输出层；o_j为SLFNs对应于第j个输入的实际输出。

SLFNs的所有参数需要使用梯度下降方法进行收敛，所以SLFNs的学习速度缓慢且易于收敛到局部极小值。为克服上述缺点，黄广斌在SLFNs的进一步研究中提出了两种理论^[34]。在他们的理论中，发现输出层的偏差是不必要的，而输入权重和隐藏层偏差可以随机生成，只需要单独确定SLFNs的输出权重。因此ELM的学习算法训练一个SLFNs 主要分为两个阶段：(1)从输入空间到ELM特征空间的映射；(2)对分类任务学习合适的线性规划。第一个阶段ELM通过随机生成隐藏层参数来实现对输入的非线性理解。在第二个阶段，通过最小化平方误差意义下的逼近误差：

其中，

||·||表示了Frobenius范数。

为了提高ELM的稳定性和泛化性能，本发明应用了正则化以防止过拟合，

这里的λ是正则化系数，正则化之后ELM的隐藏层输出矩阵为

其中I为单位矩阵。

特征在输入ELM之前需要归一化。由于篇幅的限制，本文只讨论了模值归一化和高斯分布生成ELM随机参数的情况。

假设样本s由多个互补特征构成，即s＝[x₁；x₂；…；x_q]，其中

k＝1,2,…,q。他们的维数为a_k、模值为||x_k||₂,k＝1,2,…,q。同时对应的假设某个隐藏层单元的输入权重矩阵由多个局部隐藏层单元构成，即 c＝[w₁|w₂|…|w_q]，其中

k＝1,2,…,q。w_k的维数一一对应了x_k的维数。ELM的隐藏层参数由高斯分布N(0,1)生成，所以

(事实上，模长会随机分布在上述值的附近)。

ELM输入

维的特征s并将其归一化为s′。然后计算矩阵H，观察公式(3)，发现其中只有阴影项是与输入特征有关

是隐藏层对第k个局部输入特征的“理解”，其中||x_k||₂是特征的模长、

是输入特征方向

与参考方向

夹角的cosine值。

在单个隐藏层单元中，观察公式6中各个局部特征在ELM特征空间中的融合过程，鉴于

的范围是[-1,1],可以发现局部特征的融合比例为

这表明局部特征的融合比例只与输入局部特征的模和维数有关，各个局部特征在ELM特征空间中是无法自由融合的。

鉴于局部特征的融合在激活函数进行非线性化之前，所以不需要对ELM网络结构进行改动，只需要对输入数据进行局部的拆分和融合。这样就避免了对所有隐藏层单元“理解”进行局部的拆分和融合。

为了实现输入空间中局部的拆分与融合，相对于极限学习机ELM，局部平衡极限学习机LBELM在归一化时增加了一个变量B＝[b₁,b₂,…,b_q]，样本归一化后变为

其中

归一化后s′仍然满足模值为一，与此同时可以发现矩阵H中的输入特征相关项

中局部“理解”之间的比值变为

这就意味着通过改变变量B就可以实现融合比例的调节。

公式(7)中使用到了约等号，是因为局部隐藏单元w_k是由N(0,1)随机产生，所以

从单个隐藏层单元来分析，这个波动会使得该单元的融合比例在

附近浮动，这并不会对该单元训练和测试过程中的融合产生影响；但是从多个隐藏层单元来分析，所有单元的融合比例都在

附近浮动，这表示所有单元的融合比例都略微不一样。所以隐藏层的随机产生所造成的波动会对融合产生干扰。隐藏层局部输入权重间的模值比||w₁||:||w₂||:…:||w_q||越接近

则分类效果越好，即点E＝[||w₁||,||w₂||,…,||w_q||]和点

的距离越近越好。。

为了克服随机参数造成的干扰，本文在生成隐藏层单元时设置阈值σ,只有当norm(E-F)≤σ时，将E对应的隐藏层单元加入到LBELM网络中。

步骤(7)使用留一法(leave-one-out cross validation，LOO)进行参数寻优。LOO方法是机器学习中最有效的模型选择和参数优化方法之一。对于一个N个样本的数据集，LOO的基本思想是将数据集划分为N个不同的子集，轮流将其中一个子集作为测试集，其余的作为训练集N次。为了降低计算复杂度，本发明采用了预测残差平方和(predictedresidual sum of squares，PRESS)统计量，该统计量可有效计算线性模型(而不是多次再训练)的LOO方法的均方误差(mean square error，MSE)。

本发明与已有的诸多脑电信号的方法相比，具有如下特点：

对二值FBN提取了两种最优的拓扑特征，并通过LBELM进行特征空间层的融合；对LBELM做出了进一步的改进，增加了隐藏层参数优化以获得更高、更稳定的识别效果；使用了基于MSE^PRESS的LOO优化算法，以获得最优的正则化系数和融合比例。

附图说明

图1为本发明的实施流程图；

图2为本发明所进行实验中使用的电极分布图；

图3为正则化ELM分类算法的伪代码；

图4为LBELM分类算法的伪代码；

图5为8位志愿者的动作识别率；

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明的实施例采集的受试者有8名志愿者组成，其中包括4名男性、4名女性，他们分别用左右手执行腕曲，肘曲和握拳共计6种动作。发明在数据预处理阶段使用了小波去噪，特征提取阶段采用基于Manhattan距离的SL构造加权FBN，二进制FBN由阈值法构建。模式识别阶段使用LBELM融合二值FBN的两种拓扑特征并进行分类任务。为了获得最佳参数，本发明还采用了留一法(leave-one-out cross validation，LOO) 来优化本发明中无法靠经验取值的参数。

下文将介绍参与者、实验任务、数据集的信息与这项工作所涉及的理论，介绍方法的配置，并说明所提出方案的性能。最后与已有的相关研究进行比较，提出预期的工作。

如图1所示，本实施例包括如下步骤：

步骤(1)采集脑电数据。实验室的环境设置必须能够有效控制住声音、光线以及温度等这些外界干扰。具体要求有：1)实验室的所有室外光源必须通过窗帘进行遮蔽，打开室内的稳定光源，以排除光线扰动；2)在数据采集过程中，利用空调将温度控制在25±2℃以内，以防止温度扰动；3)实验室采取隔音措施且采集过程中，采集人员不能随意走动和交流，以防止声音的干扰。实验采集使用的是actiCAP 128导的电极帽，其电极布局如图2 （ a ）所示。实施列采集在保证目标研究区域覆盖的情况下，选择了其中如图2 （ b ）所示的40个电极。实验前，受试者已被告知完整的实验过程和相关细节，以便熟悉整个实验过程。要求受试者避免身体和头部摇晃，以及所有超出实验计划的肢体运动，以获得最小程度的干扰。数据采集前，在受试者的电极帽内注入导电胶以降低阻抗。调整电极的接触条件，直到阻抗降到阈值以下，以确保采集信号的质量。

实验采样频率设置为5000Hz。根据实验要求，志愿者用左手或右手分别进行腕屈、肘屈和握拳的dMI动作。具体步骤如下：

1.采集开始前，受试者保持静止状态15秒。在此过程中，受试者必须坐在扶手椅上，放松手部肌肉，冷静下来，尽量减少干扰。

2.受试者根据要求同时想象和模仿相应的动作。动作执行时间要求为作5秒，做完一次动作休息15秒，然后再执行下一个动作。

3.一组动作包含上述6个动作的10次。将这60个动作的执行顺序随机打乱，以防止意识的惯性思维。

步骤(2)信号预处理。保证脑电信号质量是进行准确有效研究的基础。在脑电信号采集过程中，不可避免地会受到各种信号和噪声的干扰。由于脑电信号非常微弱，很容易受到多种干扰源的干扰，包括眼球运动和眨眼伪影、心电图和工频干扰。因此，为了保证基于EEG信号的研究成果的可靠性，有必要对信号做相应的去噪处理，以尽可能减少噪声对研究的干扰。

本研究选取小波阈值法进行去噪。具体步骤如下：

1.确定小波基和分解层，对提取的脑电信号进行分解。选择sym6作为小波基，将分解层数设为6，然后利用MATLAB中的wavedec函数实现第一步。

2.获取去噪的全局阈值。首先使用wnoisest函数来估计细节系数的标准差，其水平为1。在上述阶段之后，使用带有惩罚项的函数wbmpen来捕获全局阈值。

3.对处理后的信号进行去噪和重构。为了操作简单，本文选择了硬阈值法。利用保持逼近系数的函数wdencmp在MATLAB中实现去噪和重构。

步骤(3)通过SL构建加权FBN。C.J.Stam提出的SL分析方法是多元数据集广义同步的一种无偏测度。SL可以说是最流行的神经生理数据中估计GS的指标。该指数与广义互信息的概念密切相关，它依赖于同时发生的模式的检测，这些模式可以是复杂的，并且在信号之间有很大的不同。选取脑电采集的电极点为网络的节点，使用SL量化两两节点之间的SL值。

SL分析的参数设置为：嵌入维数d＝10、嵌入滞后τ＝10、泰勒窗[t₁,t₂]＝ [100,250]、参考概率P_ref＝0.05、运算速度speed＝1500。

步骤(4)构建二值FBN。本发明采用阈值法作为权重FBN网络的二值化方法。选取合适的阈值Th，当节点间的SL值大于等于Th，则认为该节点间的网络连接处于联通状态，置为1；当节点间的SL值小于Th时，认为该节点间的网络连接为伪连接，置为0。

阈值法采用的阈值Th＝0.17。

步骤(5)提取拓扑特征。本发明选取了度、聚类系数、介数中心度、核数作为候选拓扑特征。经过分析比较后采用了最富有信息的两个拓扑特征—度和核数。表1分别展示了阈值法二值FBN和通过构造MST法二值FBN四种候选拓扑特征的分类性能(统计量采用了ELM分类的MSE^PRESS，数值越小表明该特征在分类中越优异)；

表1

步骤(6)使用LBELM分类。LBELM对标准正则化ELM(Regularized ELM，RELM) 的局部特征融合缺陷进行了改进，使得LBELM拥有了按可控比例在ELM特征空间融合局部特征的能力。相对标准正则化ELM(伪代码如图3所示)，LBELM(伪代码如图4所示) 除了需要提供正则化系数λ之外，还需要提供三个额外参数：

正则化系数λ。该参数可以控制隐藏层输出矩阵的稀疏程度，防止分类模型过拟合；参数λ设置为LOO算法输出的最优正则化系数；

输入特征的结构参数K＝[a₁,a₂,…,a_q]。该参数表示了输入特征的局部结构，从而把输入特征拆分成局部特征。对于本发明在该示例中的应用为两个40维的拓扑特征，所以该实例的参数K＝[40,40]；

局部特征融合比例B。该参数控制了局部特征之间的融合比例。参数B设置为LOO算法输出的最优融合比例；

隐藏层单元筛选阈值σ。该参数控制了生成的局部隐藏层单元间的模值比例。该实例的参数σ＝0.01。

步骤(7)使用LOO进行参数寻优。基于MSE^PRESS的参数寻优方法将会遍历所有的参数对，选择分类的MSE^PRESS最小的参数对作为最优参数组合。融合比例B的候选区间为10^{[-1：0.1：1]}/1；正则化系数候选区间为e^[-4：0.1:6]。

该实例的动作分类正确率如图5所示，使用RELM进行融合无法确保融合的效果，而使用LBLEM就可以按照最优的融合比例进行融合，实现了识别率的较大提升。