一种基于拓扑特征融合的脑电识别方法技术

本发明专利技术公开了一种基于拓扑特征融合的脑电识别方法，本发明专利技术为了提高手部动作分类的性能，采用了一种LBELM和基于似然同步分析方法量化脑功能网络的新方法。与传统思想不同，本发明专利技术对二值FBN提取了两种最优的拓扑特征，并通过LBELM对两种最优的拓扑特征进行LBELM特征空间层的融合；同时本发明专利技术对LBELM做出了进一步的改进，增加了隐藏层参数优化以获得更高、更稳定的识别效果；使用了基于MSE

【技术实现步骤摘要】
一种基于拓扑特征融合的脑电识别方法
本专利技术属于脑电信号特征分析领域，公开了一种基于局部平衡极限学习机(locals-balancedExtremeLearningMachine，LBELM)进行拓扑特征融合的脑电识别方法。
技术介绍
人类在运动想象(MotorImagery，MI)任务中神经活动的表征和描述仍然是一个重要的挑战。目前，基于MI的神经康复技术和基于脑活动解释的脑-机接口(Brain-computerInterface，BCI)引起了人们的极大兴趣，试图为(部分或完全)瘫痪患者提供一种潜在的新的脑肌沟通工具。最近的一些综述概述了BCI系统的最新进展，并讨论了表征所记录的神经活动的常用方法。基于脑功能网络分析(FunctionalBrainNetwork，FBN)的功能连接性研究成为了研究热点，这些图论方法已被广泛应用并成功地描述人脑动力学。为了利用脑电构造FBN，采用连通性测度来估计节点(电极)之间传递的信息值。文献中有许多线性和非线性连接性度量被用来构造FBN，如互信息、熵、相关性和Granger因果关系。线性连接性测量通常无法识别大脑的非线性行为。因此，为了分析一个高度非线性的脑电信号，研究人员采用非线性方法来构建FBN。目前，在如何最好地检测神经生理数据中的非线性相互依赖性方面还没有达成共识。事实上，不同的算法已经被证明可以检测大脑区域之间的非线性相互作用。如前所述，同步度量旨在量化多个耦合动力系统之间的协调关系。文献中定义了不同类型的同步。三个主要类别包括完全同步、广义同步和相位同步。完全同步是当相同的系统彼此有强耦合时实现的，而一般同步被定义为两个系统的状态变量之间的函数关系，其中一个系统作为驱动信号，另一个系统充当响应信号。因此，一般同步放宽了完全同步所需的等状态准则，因为大多数实际系统不满足强耦合这种假设。最后，相位同步被定义为当振幅保持混沌且弱相关时样本输出相位的全局夹带。两个动力系统相互作用的最普遍形式是广义同步。非线性非平稳系统间相互关系的一种最有前途的量化方法是同步似然(SynchronizationLikelihood，SL)，它是基于嵌入向量(相似模式)在多个动态系统中自回归的似然性。以往研究中还使用了其他脑连接性测量方法，如部分定向相关性和相位锁值来表征大脑活动。虽然FBN是一种重要的工具，可以用来开发更有效的BCI，但它可能不足以将人类大脑动力学完全描述为一个复杂的解剖和功能网络中的信息流。
技术实现思路
本专利技术针对现有技术的不足，提出了一种基于拓扑特征融合的脑电识别方法。本专利技术提出一种基于拓扑特征融合的脑电识别方法。与传统方法不同的是，本专利技术不是采用单一的拓扑特征，而是使用多种拓扑特征在LBELM的特征空间进行融合。同时在原LBELM的基础上，辅以优质隐藏层单元参数，以获得最佳的MI脑电识别率。为实现以上目的，本专利技术方法主要包括以下步骤：步骤(1)采集MI脑电。实验设备的采样频率设置为5000Hz。根据实验要求，受试者按照随机动作顺序进行左右手的曲腕、曲肘和握拳动作。步骤(2)信号预处理。信号采集过程中，采集系统的电极帽基于高质量Ag/AgCl传感器的主动电极，结合新型集成噪声衰减电路，可以达到较低的噪声水平；同时做足完备的实验范式以防止声源、光源等外界干扰。信号采集结束后，由于眼电、心电和工频干扰，有必要对采集信号在进行滤波处理。步骤(3)构建基于SL的FBN。脑电信号包含了数十亿个相互连接的神经元组成的复杂而密集的网络的信息。近年来，研究者们应用基于图论的方法成功地研究了这些复杂的脑网络。步骤(4)构建二值FBN。使用度量量化大脑节点之间信息，量化出的连接往往会存在弱连接和伪连接的情况。为了防止这些连接对实验结果造成干扰，我需要选择合适的阈值来消除这些弱连接。步骤(5)提取拓扑特征。实际网络都兼有确定和随机两大特征，确定新的法则或特征通常隐藏在统计性质中，因此，对复杂网络各种性质的统计描述十分重要。虽然目前提出的大多数网络统计特征仅描述网络拓扑特征，即只考虑节点间的位置关系而不考虑它们之间的形状的大小，但是由于网络节点的连边表示它们形形色色的相互作用，所以这种统计描述也包含动力学成分，具有非常重要的意义。步骤(6)使用LBELM分类。ELM发展自单隐层神经网络(singlehidden-layerfeedforwardneuralnetworks，SLFNs)，它被认为是一个“广义”的SLFNs。对于一个n维的，拥有N个样本，m个类别的训练样本L个隐藏单元，激活函数为gi(sj)的SLFNs输出为其中sj＝[sj1,sj2,…,sjn]T为第j个输入，tj＝[tj1,tj2,…,tjm]T为对应于第j个输入的期望输出；bi为第i个隐藏单元的激活阈值；ci＝[ci1,ci2,…,cin]连接了输入层和第i个隐藏单元；βi＝[βi1,βi2,…,βim]T连接了第i个隐藏单元和输出层；oj为SLFNs对应于第j个输入的实际输出。SLFNs的所有参数需要使用梯度下降方法进行收敛，所以SLFNs的学习速度缓慢且易于收敛到局部极小值。为克服上述缺点，黄广斌在SLFNs的进一步研究中提出了两种理论[34]。在他们的理论中，发现输出层的偏差是不必要的，而输入权重和隐藏层偏差可以随机生成，只需要单独确定SLFNs的输出权重。因此ELM的学习算法训练一个SLFNs主要分为两个阶段：(1)从输入空间到ELM特征空间的映射；(2)对分类任务学习合适的线性规划。第一个阶段ELM通过随机生成隐藏层参数来实现对输入的非线性理解。在第二个阶段，通过最小化平方误差意义下的逼近误差：其中，||·||表示了Frobenius范数。为了提高ELM的稳定性和泛化性能，本专利技术应用了正则化以防止过拟合，这里的λ是正则化系数，正则化之后ELM的隐藏层输出矩阵为其中I为单位矩阵。特征在输入ELM之前需要归一化。由于篇幅的限制，本文只讨论了模值归一化和高斯分布生成ELM随机参数的情况。假设样本s由多个互补特征构成，即s＝[x1；x2；…；xq]，其中他们的维数为ak、模值为‖xk‖2,k＝1,2,…,q。同时对应的假设某个隐藏层单元的输入权重矩阵由多个局部隐藏层单元构成，即c＝[w1|w2|…|wq]，其中wk＝[wk,1,wk,2,…,wk,ak],k＝1,2,…,q。wk的维数一一对应了xk的维数。ELM的隐藏层参数由高斯分布N(0,1)生成，所以(事实上，模长会随机分布在上述值的附近)。ELM输入维的特征s并将其归一化为s′。然后计算矩阵H，观察公式(3)，发现其中只有阴影项是与输入特征有关是隐藏层对第k个局部输入特征的“理解”，其中‖xk‖2是特征的模长、是输入特征方向与参考方向夹角的cosine值。在单个隐藏层单元中，观察公式6中各个局部特征在ELM特征空间中的融合过程本文档来自技高网...

【技术保护点】
1.一种基于拓扑特征融合的脑电识别方法，其特征在于，包括如下步骤：/n步骤(1)采集脑电数据；/n步骤(2)信号预处理；/n步骤(3)通过似然同步性构建加权脑功能网络；/n步骤(4)构建二值脑功能网络；/n步骤(5)提取拓扑特征；/n提取步骤(4)中二值脑功能网络的两种拓扑特征；/n步骤(6)使用局部平衡极限学习机实现特征融合并分类；/n通过局部平衡极限学习机实现步骤(5)中两种拓扑特征在极限学习机特征空间的最优比例融合，以实现分类效果的提升，并通过最优的正则化系数获得最佳的分类泛化性能；/n相对于极限学习机，局部平衡极限学习机在归一化时增加了一个变量B＝[b

【技术特征摘要】
1.一种基于拓扑特征融合的脑电识别方法，其特征在于，包括如下步骤：
步骤(1)采集脑电数据；
步骤(2)信号预处理；
步骤(3)通过似然同步性构建加权脑功能网络；
步骤(4)构建二值脑功能网络；
步骤(5)提取拓扑特征；
提取步骤(4)中二值脑功能网络的两种拓扑特征；
步骤(6)使用局部平衡极限学习机实现特征融合并分类；
通过局部平衡极限学习机实现步骤(5)中两种拓扑特征在极限学习机特征空间的最优比例融合，以实现分类效果的提升，并通过最优的正则化系数获得最佳的分类泛化性能；
相对于极限学习机，局部平衡极限学习机在归一化时增加了一个变量B＝[b1，b2，…，bq]，样本归一化后变为归一化后s′仍然满足模值为一，与此同时矩阵H中的输入特征相关项



中局部“理解”之间的比值变为即通过改变变量B就能实现融合比例的调节；是隐藏层对第k个局部输入特征的“理解”；样本s由多个互补特征构成，即s＝[x1；x2；…；xq]，其中维数为ak、模值为||xk||2，其中表示第k个局部特征中第ak个元素；同时对应的假设某个隐藏层单元的输入权重矩阵由多个局部隐藏层单元构成，即c＝[w1|w2|…|wq]，其中wk的维数一一对应了xk的维数；ELM的隐藏层参数由高斯分布N(0，1)生成，所以
因为隐藏层的随机产生所造成的波动会对融合产生干扰，所以更加期待隐藏层局部输入权重间的模值比||w1||∶||w2||∶…∶||wq||接近于即点E＝[||w1||，||w2||，…，||wq||]和点的距离近；
为了克服随机参数造成的干扰，在生成隐藏层单元时设置阈值σ，只有当norm(E-...

【专利技术属性】
技术研发人员：刘阳，丁吉，谢翠，张启忠，高云园，席旭刚，
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