一种基于改进蝙蝠算法的EEG通道选择系统的制作方法
本发明属于脑机接口信息处理和控制技术领域，具体涉及一种基于改进蝙蝠算法的eeg通道选择系统。
背景技术：
脑机接口是大脑和外界设备之间传递信息的通信系统。脑机接口面临的主要挑战之一是它具有个人依赖性，即使在相同的环境做同一个实验，也会有不同的大脑区域被激活。解决这个问题就需要增加更多的eeg通道获取更多的决策信号。然而使用多个通道会引起其他问题，比如计算复杂度、噪声和冗余信号，这会降低bci的性能。此外，使用大量的通道需要较长的准备时间，直接影响bci使用的便利性。因此，为了达到使用最少数量的通道获取最佳或者所需的分类精度的目的，平衡性能和便利性的需求，现有技术给出以下几种方法。
(1)在特征选择方面，特征并不是越多越好，而是应该与情感密切相关，可以代表情感的状态。与情感相关的特征，包含时域特征、频率特征和时频域特征等，提取方法包括傅里叶变换、小波变换、小波包变换等。小波包变换是傅里叶变换发展起来的一种信号的时频分析方法，由于在时间，频域都具有表征信号的局部特征的能力，非常适合研究分析非平稳的脑信号。小波包将信号分解成高频和低频俩个部分，而且可以对低频和高频部分都实施分解，因此提高了信号时频分辨率，为脑电信号的研究提供了更精细的时频分析方法。
csp算法是采用代数上矩阵同时对角化的理论，创建公共空间滤波器，使得原信号公共空间滤波器下，最大化第一类的方差，最小化另一类的方差。可以将经过小波包变换后的信号通过csp算法提取特征向量矩阵的每一行的方差作为特征。
(2)在通道选择方面，以分类精度为主导，群智能算法可以对eeg通道进行智能搜索，也可以通过特征的平均权重来进行通道选择。常见的智能算法有粒子群算法、蚁群算法、遗传算法、模拟退火算法等，但是在解决高维空间的问题时，均在一定程度上存在早熟、收敛精度不高等问题。而蝙蝠算法是由x.s.yang在2010年被提出，是一种元启发式群体智能优化算法。蝙蝠算法利用微型蝙蝠在不同发射速度和响度情况下的回声定位方法，从而能够实现精准捕猎、避开障碍的随机搜索算法。差分进化算法是kennedyprice和rainerstorn于1997年提出的一种自适应启发式群体优化算法。该算法利用了个体间的差异对目标个体进行扰动，再进行变量的交叉重组，最后通过优胜劣汰的自然选择机制得到新的种群。
(3)在分类器选择方面，支持向量机(svm)是由vapnilk等人提出的，如今已经成为一种备受关注的分类技术，它集成了最大间隔超平面、mercer核、凸二次规划、稀疏解和松弛变量等多项技术，有着坚实的统计学理论基础，在许多情况下展示出了很强的实践效用。但是选择不同的核函数和参数，会对svm的性能产生较大的影响。
技术实现要素：
为了解决现有技术存在的早熟、收敛精度不高、容易陷入局部最优值的问题，本发明提出了一种基于改进蝙蝠算法的eeg通道选择方法。
为了达到上述目的，本发明所采用的技术方案是：一种基于改进蝙蝠算法的eeg通道选择方法，包括以下步骤：
步骤一：将收集到的预处理后的32个通道的eeg信号，进行小波包分解，然后在在(β+γ)频带重构信号，再通过csp提取位置是1的通道的特征向量矩阵的每一行的方差作为特征，其中每个蝙蝠位置向量由0和1组成，0代表没有选择该通道，1代表选择了该通道；
步骤二：初始化badeba算法的各个参数：种群数量np，最大脉冲响度a0，最大脉冲率r0，随机生成每个蝙蝠个体的初始位置x0和初始速度v0；搜索脉冲频率范围[fmin，fmax],响度衰减系数α，脉冲增强系数γ，搜索精度ε，最大迭代次数tmax，惩罚函数c,核参数σ，缩放因子上下限fmax，fmin，交叉概率上下限crmax，crmin。
步骤三：对蝙蝠的搜索脉冲频率、速度和位置进行更新。
步骤四：对当前最优解进行随机扰动,产生一个新的解,并对新的解进行越界处理。
步骤五：根据条件(rand<ai&f(xi)<f(x*))来判断是否接受步骤四所产生的这个新的解以及是否对ri和ai进行更新。
步骤六：利用二进制差分进化算法以每一个蝙蝠位置为初始点，利用公式(11)进行变异操作
变异操作：
式中xb(t)是当前代数随机挑选出3个个体中的最优个体，xi1(t)和xi2(t)是另外两个次优个体，xbest(t)是当前代数中的最优个体，xb1(t)和xb2(t)是随机挑选的两个个体，t是迭代次数,t是最大迭代次数；
利用公式(12)进行交叉操作
式中rand(0,1)是[0,1]上服从均匀分布的随机数，rand(1,n)∈[1,2,…,d]的随机整数，j＝[1,2,…,d]；
利用公式(13)进行选择操作：
最终得到新的蝙蝠位置；
步骤七：根据种群蝙蝠个体的适应度值优劣来更新最优函数解和最优值，
模型适应度函数如下：
式中fj＝1代表选择了通道j，fj＝0代表没有选择通道j，n表示所有通道数量，acc表示svm采用10倍交叉验证的方式对验证集的平均分类准确率；
步骤八：一次迭代完成，进人下一次迭代，判断是否满足结束条件，满足退出程序，否则，转步骤三。
步骤九：输出最后蝙蝠个体全局最优位置所选择的eeg通道。
步骤十：基于所选的eeg通道和支持向量机参数c和σ建立最终的的模型。
上述步骤一的具体步骤是
(1)eeg信号的分解过程遵循公式，
式中
(2)将(β+γ)频带信号保留，重构该频段的信号以得到最终的eeg信号，重构信号过程遵循公式。
式中g0(l-2k)和g1(l-2k)分别是用于重构的低通滤波器和高通滤波器系数。
上述步骤二中遵循公式
上述步骤六中，当进行变异操作时
对缩放因子f的改造如下：
式中fmax和fmin是缩放因子的上下限，取值为0.9，0.1；
当进行交叉操作时，对交叉概率cr的改造如下：
式中crmin为最小交叉概率，crmax为最大交叉概率，t为单前迭代次数，t为最大迭代次数。
与现有技术相比，本发明所达到的有益效果是：
1、本发明采用二进制自适应差分蝙蝠算法优化eeg通道和支持向量机的参数，构建数据模型，选出对情绪分类最相关的eeg通道，具有实用价值。蝙蝠算法是一种元启发式群体智能优化算法，它利用微型蝙蝠在不同发射速度和响度情况下的回声定位方法，从而能够实现精准捕猎、避开障碍的随机搜索算法。差分进化算法利用了个体间的差异对目标个体进行扰动，再进行变量的交叉重组，最后通过优胜劣汰的自然选择机制得到新的种群。通过融合俩种算法获得的蝙蝠个体的位置更新来寻找最佳eeg通道和支持向量机的最优参数，从而达到算法目的。
2、本发明选择最少数量的通道，获得了最佳或所需的精度，可以平衡性能和便利性的需求。能够实现对eeg信号通道的最优选择，降低脑机接口的生产成本，提高脑机接口便利性。
3、本发明采用将差分进化算法中的变异、交叉和选择机制融合到基本蝙蝠算法中，从而增强种群的多样性、全局寻优能力和搜索能力使其避免陷人局部最优而获得最佳eeg通道和支持向量机参数。
附图说明：
图1为badeba-svm脑电通道选择框架图。
图2为badeba-svm脑电通道选择结果图(左图为基于效价维度选择的通道，右图为基于唤醒维度选择的通道)。
图3为使用(β+γ)频段结果与单独使用β、γ频段结果对比图(左图为基于效价维度的分类精度，右图为基于唤醒维度的分类精度)。
具体实施方式：
下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明发明的技术方案，而不能以此来限制本发明的保护范围。
本发明的设计思路是：采用小波包技术和共空间模式提取特征，再通过二进制自适应差分蝙蝠算法(badeba)同步优化eeg通道和支持向量机参数获得最佳的分类精度，构建数据模型。
如图1所示，本发明提供的基于改进蝙蝠算法的eeg通道选择系统，包含以下步骤：
步骤一：将收集到的预处理后的32个通道的eeg信号，进行小波包分解，然后在在(β+γ)频带重构信号。再通过csp提取位置是1的通道的特征向量矩阵的每一行的方差作为特征。在这里我们把通道空间视作解空间，每个蝙蝠位置向量由0和1组成，0代表没有选择该通道，1代表选择了该通道。
本实施例中，具体的操作步骤如下：
由于使用的数据集中eeg信号的采样频率是128hz，而27＝128，故用wpcoef函数db4进行7层小波包分解后获得128个节点，因此得到的每个子频带的范围是1hz，分解过程遵循公式。
式中
(2)将(β+γ)频带信号保留，重构该频段的信号以得到最终的eeg信号，重构信号过程遵循公式。
式中g0(l-2k)和g1(l-2k)分别是用于重构的低通滤波器和高通滤波器系数。
步骤二：初始化badeba算法的各个参数：种群数量np，最大脉冲响度a0，最大脉冲率r0，随机生成每个蝙蝠个体的初始位置x0和初始速度v0；搜索脉冲频率范围[fmin，fmax],响度衰减系数α，脉冲增强系数γ，搜索精度ε，最大迭代次数tmax，缩放因子上下限fmax，fmin，交叉概率上下限crmax，crmin。
其中：惩罚函数c和σ的选择对svm分类性能有很大的影响，惩罚系数c的取值会影响模型的复杂度和拟合误差的惩罚程度，核参数σ隐含地决定了数据映射到新的特征空间后的分布，在此框架中使用的支持向量机选用的是径向基核函数，应遵循公式。
步骤三：对蝙蝠的搜索脉冲频率、速度和位置进行更新。
fi＝fmin+(fmax-fmin)β(4)
步骤四：对当前最优解进行随机扰动,产生一个新的解,并对新的解进行越界处理。
xnew＝xold+εat(7)
步骤五：根据条件(rand<ai&f(xi)<f(x*))来判断是否接受步骤四产生的这个新的解以及是否对ri和ai进行更新。
步骤六：为解决通道选择这类离散空间的优化问题，必须将差分进化算法二进制编码，首先采用逻辑运算代替算术运算来设计新的变异算子，所以本文先做出如下定义：
再利用二进制差分进化算法以每一个蝙蝠位置为初始点，进行变异、交叉、选择操作
随机选择三个个体虽有利于全局搜索，但降低了算法的收敛性，为了改善算法的收敛性能，将随机选取的三个个体中最优个体与次优的两个个体的矢量差相加。而随机选取的两个个体的矢量差与当前代数的最优个体相加，有良好的收敛性但容易陷入局部最优值。为了使得算法同时具有全局搜索能力和收敛性能，对原变异公式进行如下改造：用“|、⊕、分别表示或、异或操作。
变异操作：
式中xb(t)是当前代数随机挑选出3个个体中的最优个体。xi1(t)和xi2(t)是另外两个次优个体。xbest(t)是当前代数中的最优个体，xb1(t)和xb2(t)是随机挑选的两个个体。t是迭代次数,t是最大迭代次数。
交叉操作：
式中rand(0,1)是[0,1]上服从均匀分布的随机数，rand(1,n)∈[1,2,…,d]的随机整数，j＝[1,2,…,d]，这种交叉策略可以确保uij(t+1)中至少有一个分量由vi(t)贡献；
选择操作：
得到新的蝙蝠位置；
de算法有3个控制参数，种群规模n，差分矢量缩放因子f和交叉概率cr。其中f和cr对算法性能有重要影响。f前期大后期小，cr前期小后期大对算法有不错的提升性能。缩放因子f的改造如下。
缩放因子：
式中fmax和fmin是缩放因子的上下限，一般取值为0.9，0.1。
动态的cr能够使算法在全局搜索的前期以较高的概率收敛于合适位置。本研究采用将cr值线性递减权值策略，变化公式如下：
交叉概率：
式中crmin为最小交叉概率，crmax为最大交叉概率，t为单前迭代次数，t为最大迭代次数。
步骤七：根据种群蝙蝠个体的适应度值优劣来更新最优函数解和最优值，其
中模型适应度函数如下。
式中fj＝1代表选择了通道j，fj＝0代表没有选择通道j,n表示所有通道数量，acc表示svm采用十倍交叉验证方式对验证集的平均分类准确率。
步骤八：一次迭代完成，进人下一次迭代，判断是否满足结束条件，满足退出程序，否则，转步骤三。
步骤九：输出最后蝙蝠个体全局最优位置所选择的eeg通道。
步骤十：基于所选的eeg通道和支持向量机参数c和σ建立最终的的模型。
实施例
为了进一步说明上述方法，本发明以deap数据集的情感分类问题为例，在脑机接口系统中，脑电信号都是通过eeg电极来采集，若eeg通道过多，为了防止通道冗余，提高运行效率和节约成本，对eeg通道进行优选尤为重要。本发明选取的eeg信号，含有32个eeg通道，在模型中通过与蝙蝠算法、遗传算法和粒子群算法相比，能够使用更少的通道获得更佳的分类精度，在效价维度上分类精度和通道数量如表1所示，在唤醒维度上分类精度和通道数量如表1所示，选出最佳通道位置如图2所示。
表1:使用四种进化算法，在效价维度上进行二分类所选择的电极和全通道对比
根据四种算法选择的通道，为了探究哪个频段的信号对分类的贡献率最好，把原始信号通过小波系数分解后在β频段，γ频段，β+γ频段进行重构信号，使用四种算法优化后的模型进行情绪分类，实验结果如图3所示,使用β+γ频段信号分类精度比单独使用β频段或者γ频段信号都有所提高。这说明对于某种情绪，单独使用β频段信号或γ频段信号，忽略了两个频段之间的关系，降低了其分类准确率。而β+γ频段信号，包含了β频段和γ频段之间的某种关系，提高了分类的准确率。
表2:使用四种进化算法，在唤醒维度上进行二分类所选择的电极和全通道对比
综上所述，本发明采用改进蝙蝠算法去选择与情绪密切相关的脑电通道，该框架利用差分进化算法和蝙蝠算法的重要思想来选择eeg通道并且对支持向量机参数智能优化，结合小波包技术和共空间模式，达到使用较少数量的通道来获得最佳分类精度的目的，从而降低脑机接口的生产成本，提高脑机接口的便利性，具有实用价值。
以上所述仅为本发明的优选实施方式，应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！