[发明专利]基于双支持向量机概率输出的多类脑电模式在线识别方法

权利要求书

1.基于双支持向量机概率输出的多类脑电模式在线识别方法，其特征在于该方法包括如下步骤：

步骤一：建立TWSVM初始分类模型；

设EEG信号样本集为(x_i,y_i)，x_i∈Rⁿ，y∈{+1,-1}是类别标号，有m₁个+1类和m₂个-1类，m₁+m₂＝m；矩阵表示+1类的训练样本，矩阵表示-1类的训练样本；

线性TWSVM的正负超平面为

fk(x)=wkTx+bk=0,]]>   (1)

k＝1,2

上述超平面问题可转化为如下两个QP问题：

minw1,b1,ξ212||Aw1+e1b1||2+c1e2Tξ2]]>   (2)

s.t-(Bw₁+e₂b₁)+ξ₂≥e₂,ξ₂≥0

minw2,b2,ξ112||Bw2+e2b2||2+c2e1Tξ1]]>   (3)

s.t(Aw₂+e₁b₂)+ξ₁≥e₁,ξ₁≥0

其中，c₁＞0，c₂＞0为惩罚参数，ξ₁,ξ₂分别表示两类之间的间隔松弛变量，e₁,e₂为两个适当维数的单位列向量；由牛顿法或共轭梯度法对式(2)和(3)中两个QP问题进行求解，最终可得到[w_k^T,b_k]的最优解为[w_k^*T,b^*_k]；

求解完上述问题后，得到的最优分类函数是：

f(x)=mink=1,2sk(x)=mink=1,2|w*kT·xi+b*k|||w*k||]]>   (4)

式(4)表示样本离哪类所对应的超平面近则归为哪一类；

采用“一对一”分类策略将两类问题扩展到多类问题，具体是：对于N个类别的样本进行两两区分，共构造N(N-1)/2个TWSVM分类器，组合这些分类器并使用投票法对样本进行分类，最终得票最多的类为样本所属的类别；

步骤二：以TWSVM为基础，建立TWSVM的概率输出模型，求得EEG信号属于各个类别的概率，并将该新信号归为概率最大的类别；

通过式(4)判断得到的只是样本的标签，属于硬输出，还未求出样本属于各个类别的概率，还需要构建TWSVM的概率输出模型；

根据式(1)中参数的最优解可得线性TWSVM的最佳正负超平面为：

fk*(x)=wk*Tx+bk*=0]]>   (5)

k＝1,2

样本x_i属于某一确定类的可能性由它相对于分离超平面的位置决定，分离超平面方程可以表示如下：

f3(x)=f1*(x)||w1*||+f2*(x)||w2*||=0]]>   (6)

f4(x)=f1*(x)||w1*||-f2*(x)||w2*||=0]]>   (7)

现定义如下距离参数d和D，

d＝min{D₊,D_-}   (8)

D＝max{D₊,D_-}   (9)

其中，D₊、D_-分别表示x_i离分离超平面的距离，

D+=|f3(xi)|2+2(w1*Tw2*)||w1*||||w2*||]]>   (10)

D-=|f4(xi)|2-2(w1*Tw2*)||w1*||||w2*||]]>   (11)

这里，当d或d/(D-d)越大，x_i属于某一类的概率越高，所以x_i的概率输出表示为:

g(xi)=d(dD-d)s1(xi)s2(xi)<1,0s1(xi)s2(xi)=1,-d(dD-d)s1(xi)s2(xi)>1]]>   (12)

根据后验概率设计方法，采用Sigmoid函数作为连接函数把g(x_i)映射到[0,1]得到概率值，求得EEG信号属于各个类别的概率，并将该新信号归为概率最大的类别；

步骤三：引用增量学习方法,建立基于双支持向量机概率输出的在线分类模型，将满足一定条件的EEG信号样本加入到训练集中来更新分类模型，以最新的分类模型对EEG信号进行识别；

此处的模型更新可以理解为QP问题的在线更新，主要指的是式(2)和式(3)中的训练样本集A、B会随着新增样本的不断加入而更新，然后以新的训练样本模型求解两式的QP问题，进而使两式中的w₁,w₂,b₁,b₂等参数在线更新优化；采用SOR算法进行上述参数的求解；

设新增EEG信号样本为x_i+1，类别标签为y_i+1∈{-1,+1}，当加入x_i+1时，给出判别式：

y_i+1(|x_i+1w₁+b₁|-|x_i+1w₂+b₂|)≥-1   (13)

模型更新的流程如下：

1)将新样本x_i+1送进分类器，建立初始分类模型，通过式(12)求出其概率输出函数，进而得到其属于每一类的后验概率，再根据后验概率的大小，判断类别标签y_i+1；

2)检验x_i+1是否满足判别条件(13)，若满足则进入下一步更新分类模型；否则分类模型不更新，接收下一个样本，返回上一步；

3)若y_i+1＝1，则更新式(2)中的训练样本矩阵A为A^*；若y_i+1＝-1，则更新式(3)中的训练样本矩阵B为B^*；

4)用SOR算法对更新过的式(2)和式(3)求解在线更新的QP问题，由于SOR线性收敛，最终可求得最优解为实现分类模型的更新。