[发明专利]基于约束极速学习机的脑电信号分类方法

说明书

技术领域

本发明属于模式识别领域，涉及一种基于约束极速学习机的脑电信号分类方法。

背景技术

脑机接口(Brain Computer Interface，BCI)可以让用户使用大脑内的活动而不是外部的肌肉与神经控制电脑或外部的设备。近几十年来，随着信号处理和机器学习等技术研究的发展，BCI研究逐渐成为热点。BCI技术不仅为脑疾病患者提供一种新的诊断方式，更重要的是实现一种人与外界通讯的新途径。运动想象脑电信号在BCI领域很常见，通过采集分析人们在想象身体某个部位运动或进行某种思维活动时的脑电信号，识别人们大脑的状态，进而控制外界装置。

在BCI研究中，对反应大脑不同思维状态的脑电信号进行识别是研究过程中的一个重要环节。寻求有效的特征提取方法和分类方法是提高识别准确率的关键。常用的脑电特征有频带能量，功率谱密度，自回归参数，自适应自回归参数等等。常用的脑电信号分类方法有支持向量机法，最近邻法，贝叶斯法，人工神经网络法等等。

在BCI系统中，脑电信号尤其是实时脑电信号要求较短的处理时间。一些分类算法只考虑到了较高的准确率忽略了处理耗时。因此，为适用于脑电信号的分类，应寻找一种算法达到高分类准确率与低处理耗时的平衡非常重要。

Huang提出的基于单隐层前馈神经网络(Single-hidden Layer Feed forward Neural Network，SLFN)的极速学习机(Extreme Learning Machine，ELM)方法，其训练速度与BP神经网络以及支持向量机(SVM)相比有明显提升。但ELM完全随机地选择输入层节点与隐层节点之间的权重，这种随机性会降低了应用ELM对脑电信号进行分类的正确率。Zhu提出了一种改进ELM的方法称为约束极速学习机(Constrained Extreme Learning Machine，CELM)，约束了ELM的随机性。在CELM中，输入层节点与隐层节点之间的权重随机地从相邻两类样本的差分向量中选择，而不是从完全任意的向量中选择，权重选择的随机性受到了限制，而且仍然保持了ELM比一般分类方法训练速度快的特性。因此，如果将CELM应用于脑电信号分类，既可以保持ELM的分类方法训练速度快的优点，又能提高分类的准确率。

发明内容

针对现有技术中存在的上述问题，本发明采用改进的ELM即CELM对运动想象任务的脑电信号进行分类，提高其分类的准确率。

CELM的输入层节点与隐层节点之间的权重随机地从相邻两类样本的差分向量(差分向量的示意图如附图2所示)中选择，而不是像ELM那样从完全任意的向量中选择。ELM中，完全任意的向量选取出的参数会产生更多的隐层节点以满足算法的泛化能力要求。更多的隐层节点会消耗更多的处理时间，占用更多的计算资源，容易导致过拟合。为避免上面的问题，本发明中采用CELM的方法对运动想象脑电信号进行分类。

本发明所述方法包括以下步骤：

步骤1，对脑电信号进行特征提取，得到脑电信号的特征。

步骤1.1，采用固定的滑动时间窗将原始运动想象脑电信号分为S段子信号。S的取值取决于滑动时间窗的长度与原始脑电信号的长度。

步骤1.2，对步骤1.1所得到的每一段子信号通过主成分分析(Principal Component Analysis,PCA)方法进行降维，得到降维后的特征向量。

步骤1.3，将步骤1.2中得到的特征向量通过线性判别分析(Liner Discriminate Analysis,LDA)方法再次降维，对于K种类别的脑电数据，得到K-1维的特征向量。

步骤1.4，对每一段子信号均按照步骤1.2和步骤1.3进行处理，得到S个K-1维的特征向量，将这S个K-1维的特征向量进行组合，得到最终为S*(K-1)维的特征。

步骤2，将步骤1.4所得到的S*(K-1)维特征送入CELM进行分类，得到最终分类结果。

与现有技术相比，本发明的方法具有以下优点：

传统的ELM方法的输入层节点与隐层节点之间的权重是从完全随机任意的向量中选取的，会产生更多的隐层节点，降低分类识别率。本发明应用CELM通过改变输入层节点与隐层节点之间的权重的选取方式，限制权重参数的随机性，从而既能提高运动想象脑电信号的分类准确率，又能保持ELM训练速度快的优势。实验表明，应用本发明所述方法分类结果的正确率是92.78％，优于现有其它方法。同样特征的情况下，采用SVM和ELM的平均正确率分别为92.15％和89.04％。

附图说明