基于支持向量神经网络提高P300拼写器性能的方法技术

本发明专利技术提供了一种基于支持向量神经网络提高P300拼写器性能的方法。所述方法包括如下步骤：对P300脑电信号数据集进行预处理；将脑电信号和其对应的分类标签组成特征向量，基于分类间隔最大化的思想，将脑电信号的分类问题转化为对应的二次型规划问题，进而转换为分段线性投影方程；基于分段线性投影方程设计递归神经网络求解器求解二次型规划问题；将递归神经网络的求解结果传递给脑电信号的期望值估计函数，从而得到脑电信号是否包括P300信号的期望值；将得到的最大期望值的脑电信号所对应的行列信息映射到P300拼写器的字符表得到最终的字符拼写结果。本发明专利技术不涉及复杂的矩阵逆运算、网络参数并行更新、收敛速度快、准确率高。高。高。

【技术实现步骤摘要】
基于支持向量神经网络提高P300拼写器性能的方法


[0001]本专利技术涉及脑电信号识别控制领域，特别涉及一种基于支持向量神经网络提高P300拼写器性能的方法。

技术介绍

[0002]随着经济的发展，重度残疾人的自主护理问题越来越引起研究人员与市场的重视。脑计算机接口(BCI)P300拼写器可以帮助重度残疾的患者与外界进行交流并控制外部机器或机器人来完成任务，因此P300脑电图信号(EEG)的分类方法在BCI系统和技术的开发中起着重要作用。脑电信号的信噪比很低使得对于P300脑电信号的分类变得困难。之前的研究说明在P300脑电信号的分类上，支持向量机和卷积神经网络的应用取得了比较好的效果。但是传统的支持向量机是一种串行训练的方法，在大数据集下训练速度缓慢(Kundu S,Ari S.P300 Detection with Brain
–
Computer Interface Application Using PCA and Ensemble of Weighted SVMs[J].IETE Journal of Research,2017,64(3):406-414.)；而卷积神经网络因为网络参数庞大，训练时对于硬件资源的需求大(Liu M,Wu W,Gu Z,et al.Deep Learning Based on Batch Normalization for P300 Signal Detection[J].NEUROCOMPUTING,2017:S0925231217314601.)。/>
技术实现思路

[0003]本专利技术的目的在于克服一般技术的不足，提供一种计算量小、实时性强、分类准确率高的基于支持向量神经网络的P300脑电信号分类解决方案，提高P300拼写器的性能。
[0004]本专利技术的目的至少通过如下技术方案之一实现。
[0005]基于支持向量神经网络提高P300拼写器性能的方法，包括如下步骤：
[0006]S1、对P300脑电信号数据集进行预处理；
[0007]S2、将步骤S1中预处理完成的脑电信号和其对应的分类标签组成特征向量，基于分类间隔最大化的思想，将脑电信号的分类问题转化为对应的二次型规划问题；
[0008]S3、将步骤S2中二次型规划问题转换为分段线性投影方程；
[0009]S4、基于步骤S3中的分段线性投影方程设计递归神经网络求解器求解二次型规划问题；
[0010]S5、将步骤S4中递归神经网络的求解结果传递给脑电信号的期望值估计函数，从而得到脑电信号是否包括P300信号的期望值；
[0011]S6、将步骤S5得到的最大期望值的脑电信号所对应的行列信息映射到P300拼写器的字符表得到最终的字符拼写结果。
[0012]进一步地，步骤S1中，给定一个包括m个样本的P3000脑电信号数据集：
[0013]S＝{(α1，y1)，(α2，y2)，
…
，(α
i
，y
i
)，
…
，(α
m
，y
m
)}
ꢀꢀ
(1)
[0014]其中，α
i
是第i个脑电信号的特征向量，α
i
∈R
n
，其中n代表特征向量α
i
所包括的特征维度，y
i
是第i个脑电信号的类别标签，y
i
∈{-1，1}，i＝1，2，...，m；对P300脑电信号数据
集进行预处理的操作包括带通滤波和z-score归一化，使得处理后的数据均值为0、标准差为1。
[0015]进一步地，步骤S2中，P300脑电信号分类的决策函数为f(α)＝sgn(ω
T
.α)+b)，其中ω∈R
n
是分类超平面方向的法向量，其中n代表特征向量α所包括的特征维度，b是位移项；设y＝(y1，y2，...，y
m
)
T
∈R
m
，q＝(-1，-1，...，-1)
T
∈R
m
，
[0016][0017][0018]其中K(α
i
，α
j
)是两个样本的高斯核函数计算结果；基于分类间隔最大化的思想，由P300脑电信号数据构建的二次型规划问题如下：
[0019][0020]s.t.y
T
x＝0，x≥0
ꢀꢀ
(5)
[0021]0≤x≤C
ꢀꢀ
(6)
[0022]其中，x∈R
m
是拉格朗日乘子，W＝A
·
B∈R
m
×
m
是权重矩阵，参数C是表示间隔和容错性的相对重要性的惩罚因子；若求解出二次型规划问题，则P300脑电信号分类决策函数的最优参数ω
*
和b
*
均可以由x计算得出，具体如下：
[0023][0024][0025]进一步地，步骤S3中，二次型规划问题可转化为分段线性投影方程，包括以下步骤：
[0026]S3.1、将二次型规划问题转化为一个线性变分不等式，具体如下：
[0027]二次型规划问题中的公式(4)、公式(5)和公式(6)等价于下列形式的方程：
[0028][0029]其中，u∈R是对应于约束公式(5)的对偶决策变量，向量[x
*
，u
*
]T
是需要寻找的最优解；方程(7)可变换为一个线性变分不等式问题；假设二次型规划问题存在最优解x
*
，则存在一个以下线性变分不等式的最优解d
*
＝{d|ζ-≤d≤ζ
+
}使得：
[0030](d-d
*
)
T
(Hd
*
+p)≥0
ꢀꢀ
(8)
[0031]其中的矩阵和向量是由方程(7)简写而来，定义如下：
[0032][0033][0034]其中，d是原对偶决策向量，d
*
是需要根据已知条件求解的包括最优解x
*
的向量；和是决策向量d的上界和下界，是一个足够大的正数用来代替+∞，1
d
∈R
m+1
是一个与d维数相同的向量且每个元素均为1；
[0035]S3.2、将线性变分不等式转化为分段线性投影方程，具体如下：
[0036]线性变分不等式(8)可以等价地转化为如下分段线性投影方程：
[0037]P
Ω
(d-(Hd+p))-d＝0
ꢀꢀ
(11)
[0038]其中，P
Ω
(d)＝[[P
Ω
(d)]1，[P
Ω
(d)]2，
…
，[P
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于支持向量神经网络提高P300拼写器性能的方法，其特征在于，包括如下步骤：S1、对P300脑电信号数据集进行预处理；S2、将步骤S1中预处理完成的脑电信号和其对应的分类标签组成特征向量，基于分类间隔最大化的思想，将脑电信号的分类问题转化为对应的二次型规划问题；S3、将步骤S2中二次型规划问题转换为分段线性投影方程；S4、基于步骤S3中的分段线性投影方程设计递归神经网络求解器求解二次型规划问题；S5、将步骤S4中递归神经网络的求解结果传递给脑电信号的期望值估计函数，从而得到脑电信号是否包括P300信号的期望值；S6、将步骤S5得到的最大期望值的脑电信号所对应的行列信息映射到P300拼写器的字符表得到最终的字符拼写结果。2.根据权利要求1所述的基于支持向量神经网络提高P300拼写器性能的方法，其特征在于，步骤S1中，给定一个包括m个样本的P3000脑电信号数据集：S＝{(α1,y1),(α2,y2),
…
,(α
i
,y
i
),
…
,(α
m
,y
m
)}
ꢀꢀꢀꢀꢀꢀ
(1)其中，α
i
是第i个脑电信号的特征向量，α
i
∈R
n
，其中n代表特征向量α
i
所包括的特征维度，y
i
是第i个脑电信号的类别标签，y
i
∈{-1,1},i＝1,2,
…
,m；对P300脑电信号数据集进行预处理的操作包括带通滤波和z-score归一化，使得处理后的数据均值为0、标准差为1。3.根据权利要求2所述的基于支持向量神经网络提高P300拼写器性能的方法，其特征在于，步骤S2中，P300脑电信号分类的决策函数为f(α)＝sgn(ω
T
·
α)+b)，其中ω∈R
n
是分类超平面方向的法向量，其中n代表特征向量α所包括的特征维度，b是位移项；设y＝(y1,y2,
…
,y
m
)
T
∈R
m
，q＝(-1,-1,
…
,-1)
T
∈R
m
，，其中K(α
i
,α
j
)是两个样本的高斯核函数计算结果；基于分类间隔最大化的思想，由P300脑电信号数据构建的二次型规划问题如下：s.t. y
T
x＝0,x≥0
ꢀꢀꢀꢀꢀꢀ
(5)0≤x≤C
ꢀꢀꢀꢀꢀ
(6)其中，x∈R
m
是拉格朗日乘子，W＝A
·
B∈R
m
×
m
是权重矩阵，参数C是表示间隔和容错性的相对重要性的惩罚因子；若求解出二次型规划问题，则P300脑电信号分类决策函数的最优参数ω
*
和b
*
均可以由x计算得出，具体如下：
4.根据权利要求3所述的基于支持向量神经网络提高P300拼写器性能的方法，其特征在于，步骤S3中，二次型规划问题可转化为分段线性投影方程，包括以下步骤：S3.1、将二次型规划问题转化为一个线性变分不等式，具体如下：二次型规划问题中的公式(4)、公式(5)和公式(6)等价于下列形式的方程：其中，u∈R是对应于约束公式(5)的对偶决策变量，向量[x
*
,u
*
]
T
是需要寻找的最优解；方程(7)可变换为一个线性变分不等式问题；假设二次型规划问题存在最优解x
*
，则存在一个以下线性变分不等式的最优解d
*

【专利技术属性】
技术研发人员：张智军，陈广强，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：