基于Fisher判别稀疏超限学习机的脑电分类方法技术

本发明专利技术提出一种基于Fisher判别稀疏超限学习机的脑电分类方法。首先依据Fisher判别准则训练出一个结构化字典，其次根据这个字典获得更有区分性的稀疏系数进行信号重构，得到更有效的特征信号，然后利用超限学习机算法对新的特征信号进行分类，从而提高多运动想象任务分类的准确性。该方法在脑‑机接口领域具有广阔的应用前景。

【技术实现步骤摘要】
基于Fisher判别稀疏超限学习机的脑电分类方法
本专利技术属于模式识别领域，涉及一种运动想象脑电信号模式识别方法，特别涉及一种基于Fisher判别稀疏超限学习机的脑电分类方法。
技术介绍
大脑作为控制人类的思想、行为、情绪等活动的中枢，分析处理从外部环境获取的信息，通过神经肌肉通路完成与外界的交流。然而，不少异常疾病，如脊髓损伤、肌萎缩侧索硬化症、脑中风等，都能损伤或削弱控制肌肉的神经通路以及肌肉本身的功能。病情严重的患者可能完全丧失自主控制的能力，甚至影响说话等功能，完全没有办法用传统的方式表达意愿或与外界交流。我国乃至全世界有成百上千万人受此类疾病困扰，尽管现代生命支持技术可以维持部分患者的生命，但是由此给患者、家庭和社会带来了无尽的痛苦和沉重的负担。从人体运动的源头出发，直接提取大脑信号解读患者的意愿，或将大脑信号解读成相应的命令来实现与外部世界的交流和控制，实现脑-机交互。基于运动感觉的自发节律(SMR)的运动想象脑电信号分析被广泛应用于脑-机接口(BCI)领域。模式分类是BCI系统中的关键技术，目前最常用的分类算法有K近邻法、人工神经网络、朴素贝叶斯、支持向量机、稀疏表示分类等算法。稀疏表示(或稀疏编码)最初由Olshausen等人提出，用于模拟人类视觉系统中简单细胞的空间感受野的工作机制。稀疏表示广泛用于信号重构、信号表示、压缩感知等领域。近年，稀疏表示被应用于BCI系统中，面对非常微弱且背景噪声强的脑电信号，能够获得较好的结果表现。但是，稀疏表示方法中的字典一般是预定义的，直接使用训练样本作为字典，容易丢失许多隐藏训练样本中的分类信息。为此，基于Fisher判别准则的字典学习(Fisherdiscriminationdictionarylearning,FDDL)算法被提出来，并且在AR人脸数据集上，与传统的稀疏表示分类算法相比，提高了3.2％的识别正确率。超限学习机(Extremelearningmachines,ELM)是近年来发展很快的一种机器学习算法，本质上是一种单隐层前馈神经网络，具有结构简单、学习速度快、非线性处理能力和全局搜索性能良好等优势，目前已有大量学者致力于其在BCI系统中的应用，并取得了良好的分类效果。考虑超限学习机的速度优势、良好的分类能力及稀疏编码优秀的抗噪能力，已有不少学者尝试将两者有机融合一起。Seyedehsamaneh等人研究出一种极限稀疏学习算法(ExtremeSparseLearning)，将稀疏表示中字典与超限学习机输出权重进行联合优化求解，最后送入超限学习机进行分类。Yu等人用稀疏编码取代超限学习机原本的隐藏层，将得到稀疏系数作为隐藏层的输出，进而分类。曹九稳等人提出一种级联框架，先用超限学习机将数据进行“过滤”，将噪声较大的数据挑出来交给SRC进行分类处理。但是上述几种方法均是单隐层结构，对数据特征学习不够充分，很大程度上限制了网络的鲁棒性能。综上所述，针对随机、非平稳的运动想象脑电信号，如何有机结合稀疏编码、超限学习机算法构造多层网络结构进行模式分类，这一问题还没有得到有效的解决。
技术实现思路
本专利技术针对现有技术的不足，提出一种一种基于Fisher判别稀疏超限学习机的脑电分类方法。该方法采用一个多层网络结构，一方面解决了单隐层超限学习机对样本特征学习不够充分问题，另一方面针对背景嘈杂的、非平稳的运动想象脑电信号，有机融合Fisher判别字典学习(FDDL)与超限学习机(ELM)算法，最终达到提高网络泛化性能以及分类准确率的目的。本专利技术方法首先依据Fisher判别准则训练出一个结构化字典，其次根据这个字典获得更有区分性的稀疏系数进行信号重构，得到更有效的特征信号，然后利用超限学习机分类器对新的特征信号进行分类，从而提高多运动想象任务分类的准确性。为了实现以上目的，本专利技术方法主要包括以下步骤：步骤一：采用Fisher判别字典学习算法训练结构化字典；具体是：给定{A,Y}为训练样本，其中A＝[A1,A2,...,Ac]，Ai表示第i类样本，c表示类别总数；Y是对应的类别标签；令D＝[D1,D2,...,Dc]为A的冗余字典，其中Di表示与第i类样本相关的原子；X＝[X1,X2,...,Xc]为系数矩阵，其中Xi表示与第i类样本相关的系数；根据公式(1)得到学习模型，然后进行优化求解，具体是：首先保持D不变，使用迭代投影算法更新稀疏编码稀疏矩阵X，然后把X当作常量，采用二次线性规划来更新D，如此交替循环，直至算法收敛，得出结构化字典D；式中，r(Ai,D,Xi)表示重构误差约束和稀疏系数的可分性约束项，表示与第i类样本Ai第i类原子Di相关的系数，表示与第i类样本Ai第j类原子Dj相关的系数，||·||F表示F范数；||X||1表示稀疏约束项，其中||·||1表示l1范数；表示正则项约束项，SW(X)表示稀疏系数的类内距离，SB(X)表示稀疏系数的类间距离，其中Mi是第i类系数Xi的均值，M是所有系数X的均值，ni表示第i类样本个数；λ1、λ2和η分别表示不同约束项的权重；T表示转置；步骤二：重构特征信号；具体是：根据步骤一训练出的字典D以及系数X，重构出新的特征信号步骤三：根据步骤二得到的新的特征信号，采用超限学习机算法求出输出层的权重矩阵；具体是：随机初始化输入权值矩阵a＝[a1,a2,…,am]T和隐层偏置b＝[b1,b2,…,bm]T，得到新的隐藏层输出矩阵，如公式(3)所示；式中，g(·)为激活函数，N为样本总数，m为隐层节点个数，am表示第m个隐层节点和所有输入节点的连接权值，bm表示第m个隐节点的阈值；接下来，更新后的损失函数为：其中，β表示输出权重矩阵，β＝[β1,β2,…,βm]T；C表示正则项系数，防止过拟合；根据Moore-Penrose原理求解公式(4)的优化问题；当N大于等于m时，式(4)的解为：当N小于m时，式(4)的解为：其中，I为单位矩阵；步骤四：采用训练好的分类模型判别测试样本的类标签；具体是：对于含有L个样本的测试数据集B，先根据训练好的字典D重构出再依据步骤三训练好的输出权重β、输入权值a以及隐层偏置b，然后采用公式(7)预测出其类别标签Ypredict；其中，ai表示第i个隐层节点和所有输入节点的连接权值，bi表示第i个隐节点的阈值。本专利技术创新处在于：构造出一个分层网络结构区别于传统的单层网络，能够更好的进行特征学习，进而提高分类准确率。相对于传统的稀疏表示，本专利技术引入Fisher判别准则学习一个结构化字典取代传统的预定义字典，保留了训练集中丰富的类别信息，同时也使得计算出的稀疏系数更具有判别性能，这样能够学习到更有意义的特征信号。本专利技术方法可以较好地满足智能轮椅等康复辅具控制中的多模式识别要求，在脑-机接口、脑疾病诊断领域具有广阔的应用前景。附图说明图1为本专利技术的实施流程图。具体实施方式下面结合附图详细描述本专利技术基于Fisher判别稀疏超限学习机的运动想象脑电分类方法，图1为实施流程图。如图1，本专利技术方法的实施主要包括四个步骤：(1)采用Fisher判别字典学习算法训练结构化字典；(2)重构信号，得出新的特征信号；(3)采用超限学习机算法求出输出层的权重矩阵；(4)采用训练好的分类模型判别测试样本的本文档来自技高网...

【技术保护点】
基于Fisher判别稀疏超限学习机的脑电分类方法，其特征在于，该方法包括如下步骤：步骤一：采用Fisher判别字典学习算法训练结构化字典；具体是：给定{A,Y}为训练样本，其中A＝[A1,A2,...,Ac]，Ai表示第i类样本，c表示类别总数；Y是对应的类别标签；令D＝[D1,D2,...,Dc]为A的冗余字典，其中Di表示与第i类样本相关的原子；X＝[X1,X2,...,Xc]为系数矩阵，其中Xi表示与第i类样本相关的系数；根据公式(1)得到学习模型，然后进行优化求解，具体是：首先保持D不变，使用迭代投影算法更新稀疏编码稀疏矩阵X，然后把X当作常量，采用二次线性规划来更新D，如此交替循环，直至算法收敛，得出结构化字典D；

【技术特征摘要】
1.基于Fisher判别稀疏超限学习机的脑电分类方法，其特征在于，该方法包括如下步骤：步骤一：采用Fisher判别字典学习算法训练结构化字典；具体是：给定{A,Y}为训练样本，其中A＝[A1,A2,...,Ac]，Ai表示第i类样本，c表示类别总数；Y是对应的类别标签；令D＝[D1,D2,...,Dc]为A的冗余字典，其中Di表示与第i类样本相关的原子；X＝[X1,X2,...,Xc]为系数矩阵，其中Xi表示与第i类样本相关的系数；根据公式(1)得到学习模型，然后进行优化求解，具体是：首先保持D不变，使用迭代投影算法更新稀疏编码稀疏矩阵X，然后把X当作常量，采用二次线性规划来更新D，如此交替循环，直至算法收敛，得出结构化字典D；式中，r(Ai,D,Xi)表示重构误差约束和稀疏系数的可分性约束项，表示与第i类样本Ai第i类原子Di相关的系数，表示与第i类样本Ai第j类原子Dj相关的系数，||·||F表示F范数；||X||1表示稀疏约束项，其中||·||1表示l1范数；表示正则项约束项，SW(X)表示稀疏系数的类内距离，SB(X)表示稀疏系数的类间距离，其中Mi是第i类系数Xi的均值，Xi＝[xi1,xi2,...,xini]，M是所有系数X的均值，ni表示第i类样本个数；λ1、λ2和...

【专利技术属性】
技术研发人员：佘青山，陈康，席旭刚，蒋鹏，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33