基于超限学习机自编码的运动想象脑电信号特征的提取方法
【技术领域】
[0001] 本发明属于模式识别领域，涉及超限学习机自编码方法在运动想象脑电信号中特 征提取方法。
【背景技术】
[0002] 人类的行为、思想和情绪等高级的神经活动都要受到大脑的支配和控制，因此，大 脑中含有丰富的有用信息。如何有效的获取并利用大脑的这些有效信息一直是研宄者们 关注的热点问题。脑电（electroencephalogram，EEG)信号主要由大脑内大量相互关联的 神经元之间相互作用所引起的大脑皮层中的事件相关电位变化，是目前获取大脑信息的重 要手段之一。脑 -机接口（Brain-ComputerInterface，BCI)技术建立了大脑和外部设备 (比如计算机或其他设备）间可以直接传递信息的通道，是利用大脑信息的有效手段。
[0003] 脑-机接口技术中的关键是脑电信号的识别技术，对脑电数据识别的第一步是提 取含有判别信息的特征同时降低数据的维度。特征提取的好坏将直接影响分类分类器的最 终性能。好的特征提取算法能够有效的将脑电信号映射和转化成差异较大的特征向量，更 加有利于下一步的分类。传统的的脑电信号特征提取方法有主成分分析，线性判别分析，小 波分析等方法。
[0004] 超限学习机（ExtremeLearningMachines，ELM)方法是在2004年由南洋理工大 学的黄广斌教授首次提出，是一种简单易用且有效的单隐层前馈神经网络的学习算法。超 限学习机在参数设定中只需要一次性设置该网络的隐层节点个数，在算法执行过程中并不 需要调整输入层与隐层节点之间的权值以及隐元的偏置，因此，在算法的执行过程中不需 要人工的干预。ELM以训练速度极快和应用简单这两个突出的优点迅速在机器学习领域得 到了广大学者的青睐。超限学习机常用于解决分类与回归的问题。ChamaraKasun等人把 自编码的思想和超限学习机相结合提出了超限学习机自编码（ExtremeLearningMachine Auto-encodenELM-AE)的方法。该方法按照自编码的思想利用超限学习机中的隐层节点的 输出权重矩阵对应的奇异值来表达输入层数据的特征。本文受ELM-AE的启发提出ELM-AE 提取脑电信号特征的方法，以实现提取脑电信号的判别信息特征同时降低数据的维度更有 利于下一步分类的目的。
【发明内容】
[0005] 本发明设计开发了基于超限学习机自编码的运动想象脑电信号特征的提取方法。
[0006] 本发明提供的技术方案为：
[0007] 基于超限学习机自编码的运动想象脑电信号特征的提取方法，包括：
[0008] 步骤一、筛选训练数据集和测试数据集；
[0009] 步骤二、利用训练数据集训练多个超限学习机模型，使训练出的多个超限学习机 模型能对人在想象运动任务时产生的脑电信号数据进行分类，其中，每个超限学习机模型 中包含的隐层节点的个数不同；
[0010] 从多个由训练数据集训练后的超限学习机模型中，筛选出对测试数据集分类正确 率最高的超限学习机模型，并记录筛选出的超限学习机模型包含的隐层节点的个数；（将 测试数据集中的脑电信号数据分别输入到多个超限学习机模型，超限学习机模型对测试数 据集中的脑电信号数据进行分类，确定每个脑电信号数据关联的运动任务）
[0011] 步骤三、依据由步骤二筛选出的超限学习机模型包含的隐层节点的个数，通过超 限学习机自编码方法提取待测脑电信号数据的数据特征，具体为：
[0012] 若待测脑电信号数据的维度大于或小于筛选出的超限学习机模型所包含的隐层 节点的个数，则依据步骤二筛选出的超限学习机模型包含的隐层节点的个数、激励函数以 及公式（1)~（4)，得到待测脑电信号数据的输出权重矩阵；
[0013] 若待测脑电信号数据的维度等于筛选出的超限学习机模型所包含的隐层节点的 个数，则依据步骤二筛选出的超限学习机依据其包含的隐层节点的个数、激励函数以及公 式⑴~（3)、（5)和（6)，得到待测脑电信号数据的输出权重矩阵；
【主权项】
1. 基于超限学习机自编码的运动想象脑电信号特征的提取方法，其特征在于，包括： 步骤一、筛选训练数据集和测试数据集； 步骤二、利用训练数据集训练多个超限学习机模型，使训练出的多个超限学习机模型 能对人在想象运动任务时产生的脑电信号数据进行分类，其中，每个超限学习机模型中包 含的隐层节点的个数不同； 从多个由训练数据集训练后的超限学习机模型中，筛选出对测试数据集中的数据分类 正确率最高的超限学习机模型，记录筛选出的超限学习机模型包含的隐层节点的个数； 步骤三、依据由步骤二筛选出的超限学习机模型包含的隐层节点的个数，通过超限学 习机自编码方法提取待测脑电信号数据的数据特征，具体为： 若待测脑电信号数据的维度大于或小于筛选出的超限学习机模型所包含的隐层节点 的个数，则依据步骤二中筛选出的超限学习机模型包含的隐层节点的个数、激励函数以及 公式（1)~（4)，得到待测脑电信号数据的输出权重矩阵； 若待测脑电信号数据的维度等于筛选出的超限学习机模型所包含的隐层节点的个 数，则依据步骤二中筛选出的超限学习机模型包含的隐层节点的个数、激励函数以及公式 (1)~（3)、（5)和（6)，得到待测脑电信号数据的输出权重矩阵； a Ta = I (1)， bTb = 1 (2)， P =『T{b),
|3 T |3 = I (6)； 其中，a为筛选出的超限学习机模型的输入层与隐层之间的连接权值矩阵，^为a的 转置矩阵，b为筛选出的超限学习机模型的输入层与隐层之间的偏置向量，bT为b的转置向 量，I为单位矩阵；H为待测脑电信号数据的隐层节点的输出矩阵，N为待测脑电信号数据的 样本数量，L为筛选出的超限学习机模型所包含的隐层节点的个数；0为待测脑电信号数 据的隐层节点的输出权重矩阵，X为待测脑电信号数据的样本集合，x待测脑电数据中的一 个样本，T为X关联的运动任务标签； 计算待测脑电信号数据的输出权重矩阵0的奇异值，该奇异值即为待测脑电信号数 据的数据特征。
2. 如权利要求1所述的提取方法，其特征在于，所述步骤一中，训练数据集中包括被试 在想象不同运动任务时的多个脑电信号数据，每个脑电信号数据关联一运动任务，每一运 动任务对应一运动任务标签，测试数据集中包括被试在想象不同运动任务时的多个脑电信 号数据，每个脑电信号数据关联一运动任务，每一运动任务对应一运动任务标签。
3. 如权利要求2所述的提取方法，其特征在于，所述步骤二中，利用训练数据集训练多 个超限学习机模型，使训练出的多个超限学习机模型能对人在想象运动任务时产生的脑电 信号数据进行分类，具体为： 将训练数据集中的数据分别输入到多个超限学习机中，依据预设定隐层节点个数、激 励函数以及公式（7)~（10)训练每个超限学习机模型，
其中，H'为训练集数据的隐层节点的输出矩阵，aq'为超限学习机模型的输入层与隐 层之间的连接权值矩阵，b'为超限学习机模型的输入层与隐层之间的偏置向量，p是训练 数据集中的脑电信号数据的样本个数，q是是预设定隐层节点个数，#为训练数据集的脑 电信号数据的隐层节点的输出权重矩阵，的广义逆矩阵，Y表示训练数据中的脑 电信号数据关联的运动任务所对应的运动任务标签的集合，y表示训练数据中一个脑电信 号数据关联的运动任务所对应的运动任务标签，/是 yi转置，％是yp转置，m为运动任务 类别总数，为训练数据集中的脑电信号数据的隐层节点的输出权重矩阵； 从多个由训练数据集训练后的超限学习机模型中，筛选出对测试数据集中的数据分类 正确率最高的超限学习机模型，并记录筛选出的超限学习机模型包含的隐层节点的个数， 具体为： 利用每个经训练数据集训练后的超限学习机对测试数据集中的脑电信号数据进行分 类，确定测试数据集中每个脑电信号数据对应的运动任务标签，将分类出的测试数据集中 每个脑电信号数据对应的运动任务标签与该脑电信号数据关联的运动任务标签比较，若相 同，则正确，若不相同，则错误，统计每个经训练数据集训练后的超限学习机对测试数据集 中的脑电信号数据分类的正确率，筛选出正确率最高的超限学习机模型，记录筛选出的超 限学习机模型包含的隐层节点的个数。
【专利摘要】本发明公开了基于超限学习机自编码的运动想象脑电信号特征的提取方法，包括：筛选训练数据集和测试数据集；利用训练数据集训练多个超限学习机模型；从多个经训练数据集训练后的超限学习机模型中，筛选出对测试数据集的分类正确率最高的超限学习机模型；利用筛选出的超限学习机计算待测脑电信号数据的输出权重矩阵；计算待测脑电信号数据的输出权重矩阵的奇异值，该奇异值即为待测脑电信号数据的数据特征。在使用相同分类器的前提下，本发明公开的方法提取的脑电信号特征数据的分类准确率高达86.69％，比利用传统的分类方法高出10.24％。
【IPC分类】A61B5-0476, G06K9-62
【公开号】CN104799852
【申请号】CN201510256463
【发明人】段立娟, 续艳慧, 苗军, 杨震, 崔嵩, 袁彬
【申请人】北京工业大学
【公开日】2015年7月29日
【申请日】2015年5月19日