[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

说明书

技术领域

本发明属于脑-机接口领域，涉及一种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。

背景技术

脑-机接口(BCI)技术近年来发展迅速，是目前人机交互领域研究的热点，它以脑电(EEG)信号为基础，通过预处理、特征提取、模式识别和控制命令生成，实现人的“意念控制”，涉及面已经从最初的康复医疗拓展到航天员训练、智能家居、游戏娱乐等领域。在各类EEG信号中，运动想象脑电信号由于只需通过想象产生，不依赖任何感觉刺激，实验设计简单，可以实现异步通讯，且用户无需训练或者少量训练便可产生，成为目前BCI领域研究的热点。

模式分类是BCI系统中的关键技术之一。支持向量机(SVM)由于在解决小样本及高维特征分类中具有特有的优势，目前已广泛应用于BCI系统中并表现出了良好的分类效果。随着不断深入的研究，SVM的一些扩展改进方法也相继被设计出并应用到生物电信号模式分类中，例如，基于通道加权的SVM(sw-SVM)应用于P300分类，基于模糊理论的SVM应用于运动感知节律(ERD/ERS)分类，以及双支持向量机(twin SVM，TWSVM)应用于表面肌电信号分类等。在设计BCI分类算法时，必须考虑两条基本思路：首先，在不影响分类效果的前提下尽可能减少分类耗时，以提高BCI系统的实用性；其次，EEG信号具有高度非平稳性、时变性和个体差异性，容易随时间产生不同程度的波动，因此要求所设计的分类器能随EEG信号的变化自动更新模型参数，从而使分类准确。但是，上述已有的分类器均无法同时有效的满足这两个要求。

发明内容

本发明的目的就是针对现有多类脑电模式识别速度较低、自适应的模型更新缺乏等问题，提供一种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。

本发明思路如下：首先，采用TWSVM算法减少分类器的训练时间，并作为后续概率和增量扩展算法的基本模型；其次，采用概率输出，使EEG信号以一定概率或隶属度属于某一类，提高分类精度；最后，将增量学习引入到分类模型的构建中，从而使分类模型具有较好的自学习和修正性能，减小EEG信号的高度非平稳性、时变性和个体差异性带来的影响，提高分类器模型的自适应能力，达到准确分类的目的。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤(1)建立TWSVM初始分类模型；

步骤(2)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；

步骤(3)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。

本发明与已有的多类脑电模式分类方法相比，具有如下特点：

1、减少训练时间，提高分类速度

传统SVM是解决一个规模较大的二次规划(QP)问题，QP问题解的复杂度与训练集样本个数成幂次方关系，而TWSVM是将其转换为两个规模较小的QP问题，从而降低了计算复杂度，提高了分类速度。

2、具有较好的自适应能力，提高分类准确率

EEG信号具有高度非平稳性、时变性和个体差异性，容易随时间产生不同程度的波动，对固定分类模型的分类结果产生很大影响。引入增量学习方法后，分类模型能随着EEG信号的变化而在线更新，提高分类准确率。

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双支持向量机概率输出的多类脑电模式在线识别方法，图1为实施流程图。

如图1，本发明方法的实施主要包括3个步骤：(1)建立TWSVM初始分类模型；(2)以TWSVM为基础，建立TWSVM的概率输出模型；(3)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。

下面逐一对各步骤进行详细说明。

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