[发明专利]基于共同空间模式特征宽度学习的脑电分类方法

说明书

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。

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系统分析至关重要。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系统当中，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系统。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系统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习的脑电分类方法，一方面解决了宽度学习算法直接用于分类运动想象脑电信号时分类准确率低的问题，无法有效的分析信号的类别，另一方面解决了神经网络算法在追求高准确率的同时大大增加训练耗时的问题，最终达到分类准确率和训练耗时之间的一种平衡。

为了实现以上目的，本发明方法主要包括以下步骤：