CN109685071A - 基于共同空间模式特征宽度学习的脑电分类方法 - Google Patents

Abstract

本发明涉及一种基于共同空间模式特征宽度学习的脑电分类方法，旨在利用共同空间模式方法提取出运动想象脑电信号的本质特征之后利用宽度学习算法对其进行准确且快速的分类，以达到良好的分类效果。本发明首先获取多通道运动想象脑电信号，对其进行预处理操作，接着利用一对多的共同空间模式算法从预处理以后的脑电信号中提取出多类脑电特征，结合宽度学习方法构建多类运动想象脑电信号分类框架，然后利用新的脑电特征信号对模型进行分类测试。本发明采用宽度结构神经网络代替深度结构神经网络来训练模型可以有效的提高分类准确率同时大大降低训练的耗时，在脑电信号处理以及分类领域具有广阔的应用前景。

Description

基于共同空间模式特征宽度学习的脑电分类方法

技术领域

本发明属于模式识别领域，涉及一种利用共同空间模式进行特征提取并结合宽度学习算法优势进行分类的方法。

背景技术

由于脑电信号存在非平稳性、时变性以及个体差异性等诸多的问题，所以要想从高度复杂的EEG信号中提取出有效的特征对于BCI***分析至关重要。目前，共同空间模式(CSP)算法及其改进方法是区分不同模式的运动想象脑电信号最有效的特征提取方法。一般的CSP方法只适用于两分类任务，它通过同时对两个协方差矩阵进行对角化来构建最优滤波器，以完成特征提取任务。已有的各种改进的CSP特征提取方法取得了很好的实验成果，它们包括一对一CSP，一对多CSP和基于信息理论的特征提取(ITFE)方法，这些方法在脑电信号特征提取中发挥了重要作用。

近几年深度学习在机器学习和人工智能领域越来越受关注，而且很多方法成功应用于实际工程问题当中，如语音识别、计算机视觉和自然语言处理。郑等人利用深度置信网络方法(DBN)完成了基于脑电信号的情绪分类研究，取得了不错的效果。Tabar等人利用卷积神经网络和堆叠自编码器(SAE)来进行运动想象EEG信号的分类研究，具有一定的研究价值。以上的这些方法都可以成功应用于BCI***当中，但是大多数深度神经网络都存在训练耗时过长的缺点，因为神经网络的隐含层中涉及大量的参数并且其结构往往非常的复杂，所以说深度学习算法通常难以满足高实时性要求的BCI***。因此，找出一种能权衡分类准确性和训练耗时的分类器非常的有必要。

单隐层前馈神经网络(SLFN)因其简单的网络结构和前馈机制而被广泛应用于耗时长和精度低的分类问题中，是一种权衡分类准确度和训练耗时的很好思路。随机向量函数链神经网络(RVFLNN)是SLFN的一员，它能有效地克服训练耗时长的缺点，并且在函数逼近过程中能提高模型的泛化能力。但RVFLNN在数据量比较庞大时展现的效果不佳，于是Philip Chen提出了一种基于RVFLNN算法的宽度学习(BL)算法，该算法提供了一种替代深度结构神经网络算法的思路。BL是通过特征节点和增强节点的横向扩展设计而成的神经网络结构，利用增量学习的思想，在增加节点时不需要重新训练就可以达到模型更新的目的。与深层结构神经网络算法相比，BL算法在训练耗时大大缩短的情况下测试分类性能仍然具有良好的表现。所以宽度学习算法应用于BCI***之中或许能解决实时性和个体差异性等问题。

尽管BL算法展现出很强的适应能力，但是直接学习原始的EEG信号效果可能并不理想，原因是信号的本质特征无法表征出来。考虑到CSP方法可以有效地提取运动想象EEG信号的特征，将提取得到的特征作为BL算法的训练使用可以训练出更好的分类器模型，所以本发明提出了一种利用共同空间模式进行特征提取并结合宽度学习算法优势进行分类的方法。本发明首先利用一对多的CSP方法对预处理之后的信号进行特征提取，然后利用得到的特征作为宽度学习算法的训练数据进行模型训练，经过参数优化和节点寻优过程确定最佳模型，再利用最佳模型对新的特征进行分类，获得分类的准确率并分析性能。

本发明提出了一种基于共同空间模式特征宽度学***衡。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤(1)获取多通道运动想象脑电信号，并进行预处理操作；具体为：采用多导联电极帽采集不同运动想象实验范式下的脑电信号，并使用8-30Hz的Butter-worth带通滤波器对数据进行预处理。

步骤(2)采用一对多的共同空间模式对预处理之后的数据进行特征提取；具体是：对于C类运动想象任务的特征提取，存在N×T维的样本矩阵X_i，i＝1,2,...,C，其中N为通道数，T表示每个通道的采样点数；由归一化协方差矩阵分解得到的矩阵U和H计算获得各类想象任务下的投影方向其中是U₁中前k个最大的特征值所对应的特征向量；将样本X向投影方向进行投影，得到滤波信号Z＝PX,C类模式就可以得到滤波信号组Z＝[Z¹,...,Z^c]∈R^M×T,其中M＝C×k；对信号提取出的特征向量表示为

其中，var(z_p)表示第p行分量的方差，得到向量F＝[f₁,...,f_M]就是提取出的样本特征。

步骤(3)步骤(2)中提取的特征向量作为宽度学习算法的输入，每个输入向量被映射成为特征节点和增强节点，通过不断的增加节点以满足模型训练的要求，最后得到最优的分类器模型；

具体是：模型的输出Y由特征节点和增强节点构成：

其中，特征节点Z_i＝φ(XW_i+β_i),i＝1,...,n，φ表示特征节点的映射函数，β_i表示第i个偏置，Z_i由样本X通过特征映射组合而来，增强节点H_m＝ξ(ZⁿW_m+β_m)由特征节点再一次映射得到，ξ表示增强节点的映射函数，β_m表示第m个偏置，W^m是网络由输入到输出之间的权值，通过不断更新权值完成模型训练；所述的样本X为步骤(2)得到的特征向量F；m为增强节点个数；

步骤(4)采用步骤(3)得到最优分类器模型对新的脑电特征进行分类。

本发明与已有的运动想象脑电信号分类方法相比，具有如下特点：

1、采用一对多CSP方法对多类脑电信号进行特征提取

一般的CSP方法只能对两类任务进行特征提取，本发明需要针对多类的运动想象任务进行分类处理。CSP方法可以从原始信号中提取出本质的信息，这对于脑电信号分类至关重要，有效的特征更能表现信号的本质信息，利用提取好的特征进行学习，更有效地表达输入层与输出层直接的关系，而且获得的分类器模型更好，这样的模型往往比直接利用信号进行学习效果要好。

2、采用了宽度结构的算法构建分类器模型

宽度学习具有深度学习所没有的优点，因其宽度结构的存在，在提升模型相同精度的同时，增加的训练耗时远小于深度结构的神经网络算法。本发明采用了宽度结构的算法构建脑电信号分类器模型就是想利用该算法的快速性解决分类过程中的实时性较差的问题，并且宽度学习的分类准确性依然很好。所以本发明既满足了分类准确率要求，而且大大缩短了训练耗时。

附图说明

图1为本发明的实施流程图。

具体实施方式

下面结合附图详细描述本发明基于共同空间模式特征宽度学习的脑电分类方法，图1为实施流程图。

如图1，本发明方法的实施主要包括四个步骤：(1)获取多通道运动想象脑电信号样本数据，并对其进行预处理；(2)利用一对多CSP方法对获得脑电信号进行特征提取；(3)以步骤(2)得到脑电信号特征利用宽度学习算法构建最佳的分类器模型；(4)采用步骤(3)得到最佳分类器对新的脑电特性进行分类，分析分类准确率和训练耗时，对比其它方法得出结论。

下面逐一对各步骤进行详细说明。

步骤一：获取多通道运动想象脑电信号样本数据并进行预处理

采用22通道脑电采集设备进行运动想象脑电信号采集，信号频率250Hz，带通滤波范围为0.5-100Hz之间。受试者按要求佩戴好脑电帽后坐在轮椅上，保持安静、自然，注视实验环境中设定的情景提示。实验范式如下：试验有9名受试者参与，实验包括四类不同的运行想象任务，它们分别是左手运动、右手运动、双脚和舌头运动，每位受试者都进行288次试验。每次试验开始时，受试者观察身前屏幕上的出现十字信号，2秒之后，屏幕会出现上下左右四个方向的箭头中的一个，它们分别代表四种不同的运动想象任务。受试者依据看到的箭头方向执行相应的动作，记录员记录下受试者的脑电信号即完成一次试验。

步骤二：利用一对多CSP方法对预处理之后的脑电信号进行特征提取

对于C类运动想象任务的特征提取，存在N×T维的样本矩阵X_i，i＝1,2,...,C，其中N为通道数，T表示每个通道的采样点数。由归一化协方差矩阵分解得到的矩阵U和H计算获得各类想象任务下的投影方向其中是U₁中前m个最大的特征值所对应的特征向量。将样本X向投影方向进行投影，得到滤波信号Z＝PX,C类模式就可以得到滤波信号组Z＝[Z¹,...,Z^c]∈R^M×T,其中M＝C×m。对信号提取出的特征向量可以表示为：

其中，var(z_p)表示第p行分量的方差，得到向量F＝[f₁,...,f_M]就是提取出的样本特征。

步骤三：步骤二中提取的特征向量应用于宽度学习模型训练，调整参数获得最优分类器模型。

模型的输出可以由特征节点和增强节点与网络的权值构成：

其中，特征节点Z_i＝φ(XW_ei+β_ei),i＝1,...,n由样本X通过特征映射组合而来，增强节点H_m＝ξ(ZⁿW_hm+β_hm)由特征节点再一次映射得到，W^m是网络由输入到输出之间的权值，通过增加节点来更新权值完成模型训练。

特征节点和增强节点构成的输入层可以用A^m＝[Zⁿ|H^m]来表示，则增加一个增强节点之后也同样可以表示为：

利用增量学习算法的原理，通过计算A^m+1的伪逆就可以得到权值的更新公式如下：

其中并且

C＝0表示矩阵W^m是满秩矩阵，表示在权值矩阵不需要进行伪逆的计算就可以完成模型的更新。

步骤四：采用步骤三得到最优分类器模型对新的脑电特征进行分类，并与ELM、DBN、SAE和HELM等算法在相同数据集实验下做测试准确率和耗时的比较。

为了验证本发明方法的有效性，在BCI竞赛数据集2a上进行了实验验证，并与同类型的方法进行比较。实验过程如下，首先对所有的输入数据进行预处理，然后利用CSP方法进行特征提取，提取出的特征分成两组，一组作为模型训练使用，得到最优模型，另一组作为模型测试数据使用，重复测试分类过程十次，得到分类平均准确率和平均训练耗时，然后进行结果分析。实验结果如表1所示：

表1各类算法在BCI竞赛数据集2a上平均测试分类准确率

通过表1可以看出，本发明方法在脑电信号分类中能够取得很好的分类准确率。本发明方法在受试者A02，A04，A05，A07和A08上获得最佳平均准确度，最佳的受试者人数占据最多，而且9位受试者所有的测试平均准确率也是5种方法中最好的，达到66.91％。以上结果说明本发明方法具有很好的分类适应能力，分类识别能力比较强，并且面对大多数的分类任务效果都比较好。算法的平均准确度比ELM算法高1.1％，比SAE算法高3.2％，比HELM算法高0.99％，高于DBN算法3.69％。

表2各算法在BCI竞赛数据集2a实验中训练耗时情况

表2展示了不同算法之间的计算效率差异，可以看出本发明方法在相同的数据集测试情况下相比于深度结构的算法具有明显的计算效率优势。深度结构的神经网络在模型生成的时候一般需要不断的迭代寻优，所以计算速度会比较慢，比如表中的DBN和HELM方法，它们的训练耗时远远大于本发明方法的训练耗时，表中的实验结果验证了本发明方法在训练速度上的优势。

Claims (3)

1.基于共同空间模式特征宽度学习的脑电分类方法，其特征在于：该方法包括以下步骤：

步骤(1)获取多通道运动想象脑电信号，并进行预处理操作；

步骤(2)采用一对多的共同空间模式对预处理之后的数据进行特征提取；

步骤(3)步骤(2)中提取的特征向量作为宽度学习算法的输入，每个输入向量被映射成为特征节点和增强节点，通过不断的增加节点以满足模型训练的要求，最后得到最优的分类器模型；

具体是：模型的输出Y由特征节点和增强节点构成：

其中，特征节点Z_i＝φ(XW_i+β_i),i＝1,...,n，φ表示特征节点的映射函数，β_i表示第i个偏置，Z_i由样本X通过特征映射组合而来，增强节点H_m＝ξ(ZⁿW_m+β_m)由特征节点再一次映射得到，ξ表示增强节点的映射函数，β_m表示第m个偏置，W^m是网络由输入到输出之间的权值，通过不断更新权值完成模型训练；所述的样本X为步骤(2)得到的特征向量F；m为增强节点个数；

步骤(4)采用步骤(3)得到最优分类器模型对新的脑电特征进行分类。

2.根据权利要求1所述的基于共同空间模式特征宽度学习的脑电分类方法，其特征在于：步骤(1)获取多通道运动想象脑电信号，并进行预处理操作；具体为：采用多导联电极帽采集不同运动想象实验范式下的脑电信号，并使用8-30Hz的Butter-worth带通滤波器对数据进行预处理。

3.根据权利要求1所述的基于共同空间模式特征宽度学习的脑电分类方法，其特征在于：步骤(2)采用一对多的共同空间模式对预处理之后的数据进行特征提取；具体是：对于C类运动想象任务的特征提取，存在N×T维的样本矩阵X_i，i＝1,2,...,C，其中N为通道数，T表示每个通道的采样点数；由归一化协方差矩阵分解得到的矩阵U和H计算获得各类想象任务下的投影方向其中是U₁中前k个最大的特征值所对应的特征向量；将样本X向投影方向进行投影，得到滤波信号Z＝PX,C类模式就得到滤波信号组Z＝[Z¹,...,Z^c]∈R^M×T,其中M＝C×k；对信号提取出的特征向量表示为

其中，var(z_p)表示第p行分量的方差，得到向量F＝[f₁,...,f_M]就是提取出的样本特征。