[发明专利]基于图平衡正则化的半监督超限学习机分类方法

说明书

本发明涉及一种基于图平衡正则化的半监督超限学习机分类方法。本发明通过非负权值量来平衡基于标签一致性的邻接图和基于信息结构一致性的邻接图，以此来达到图平衡，可以获得最佳图的拉普拉斯正则项来约束模型，并且认为在信息一致性图不能很好的描述样本集的结构信息时，增大标签一致性图的权重，反之则要减小相应的比例。本发明首先通过样本的标签一致性来构造训练样本间的邻接有监督图，与基于样本信息一致性的半监督图组合在一起来约束模型的输出，通过合理的调整图的比重来改变描述数据分布的能力，获得最优的邻接图后得到最佳的输出权值向量。本发明在脑电信号处理、脑机接口系统中具有广阔的应用前景。

技术领域

本发明属于模式识别领域，是一种同时利用基于样本标签一致性和信息一致性的图来构造拉普拉斯正则项加入到半监督超限学习机后进行脑电信号分类的方法。

背景技术

脑机接口技术(BCI)是通过脑电信号(EEG)分析方法来实现人机交互的重要手段，而基于运动想象脑电信号分类是BCI技术中的典型范式，其通过脑电信息对运动想象动作进行判别，并将结果转为设备的控制命令来完成相应的想象动作，这可以为意识障碍和中风患者的康复提供很大的帮助，患者可以通过该技术实现机械设备的控制，完成所需的动作。为了准确判别运动想象动作的模式，需要寻找一种合适的算法来准确的描述数据结构的分布，为此有很多的机器学习算法被应用于脑电信号分析中，并能完成一定的判别任务。

为了有效的判别出一组脑电信号的不同模式，很多的机器学习算法被应用于对其进行分类，其中包括：线性判别分析法、神经网络、支持向量机、非线性贝叶斯分类器以及近邻分类器。而后黄等人提出了超限学习机方法，因其训练速度快优于一般的神经网络算法和支持向量机，很快也被应用于脑电信号分析中。而脑电信号存在时变性、个体差异性等性质，对于BCI系统实际运用情况下，传统的有监督学习算法只能利用有标签样本来训练模型分析问题，存在的很大的弊端。而为了进一步的提升模型的适应性和稳定性，面对时变信号的问题，模型的训练需要引入无标签的脑电信号，为此运用半监督算法来分析脑电信号变得更加有意义。半监督算法能同时利用有标签样本和无标签样本的信息进行模型训练，利用无标签样本信息更好的挖掘样本的数据分布，使得分类准确度有所提升。近年来，越来越多的半监督算法应用于脑电信号分类研究中，Nicolas-Alonso等在中利用一种自适应的半监督分类方法解决了多类运动想象脑电信号的非平稳性影响问题，该方法可以通过在线累积的无标签样本加入训练逐渐增强模型性能，为了满足在线BCI分析的要求，采用了一种谱回归和判别分析的方法来减小计算成本，实验结果证实该分析系统具有很强的分类性能。Tian等人将聚类假设和流行假设结合分析，利用多类核学习方法设计出直推式支持向量机(TSVM)，并将其应用于脑电信号分类，取得了不错的效果。Xu等人为了分析脑电信号与情感肢体表达之间的联系，采用了堆叠自编码器和半监督深度置信网络等方法来分析这两者的相关性，实验证实该方法能有效的提取脑电信号关于情感状态的特征，并进行准确的判别。上述方法在脑电信号分类研究中都取得了良好的成绩，但是其作为一种半监督学习算法，却未能很好的考虑样本几何机构分布的对模型的影响。

基于图的方式是研究半监督算法的重要方式，其通过构造有标签和无标签样本之间的平滑邻接图，完成对训练样本的数据分布的描述，依据图的约束来完成模型训练。在邻接图矩阵中相似样本具有相同的标记，这是为了使得图的标记对于样本来说是尽可能平滑的，使得图能准确的描述样本的隐层信息。超限学习机因为其网络结构简单，训练时间短的优势，所以有很多研究对其进行了基于图的模型改进。Huang等人在依据于图的理论进行了模型训练获得半监督超限学习机(SS-ELM)，取得了不错的性能提升。Peng等人通过分析相似性样本之间的一致性属性，提出了基于图的超限学习机方法，并实验证实了此构图方法的可行性。Zhou等人提出了一种基于双流行正则约束的半监督超限学习机方法，很好的展现了图在模型训练中的作用。She等人引入一种安全半监督超限学习机的方法分析脑电信号分类，通过衡量无标签样本构图时的风险程度，加入控制风险机制，最后提高在分类的性能。Yi等人提出一种自适应多图正则化半监督超限学习机方法，不同方式下构造多个样本图来共同描述样本结构信息，其验证了该方法能获得更好的图。