[发明专利]一种基于双规则主动超限学习机的多类脑电分类方法

摘要

本发明提出了一种基于双规则主动超限学习机的多类脑电分类方法。本发明方法采用主动学习核心思想，首先依据超限学习机分类器评价无标签样本的不确定性，其次根据余弦相似规则剔除了相似性高的无标签样本，得到最有价值的少量无标签样本进行标注，然后利用这些筛选出的数据对超限学习机进行训练，最大化利用有标签脑电信号内部信息，从而减少对有标签脑电数据的依赖，并获得较高的运动想象任务多分类的准确性。该方法在脑‑机接口领域具有广阔的应用前景。

主权项

1.一种基于双规则主动超限学习机的多类脑电分类方法，其特征在于，该方法包括如下步骤：步骤一：对脑电信号进行特征提取；具体是：采用一对多共空间模式算法对原始的多类脑电信号进行特征提取，得到新的脑电特征样本{X,Y}＝{{X_l,Y_l},X_u}，其中X为全部的训练样本；X_l为n_l个有标记训练样本，Y_l为n_l个有标记训练样本对应的标签；X_u为n_u个无标记训练样本；步骤二：训练初始超限学习机分类器；具体是：根据少量有标签训练样本{X_l,Y_l}，计算出初始输出权重β⁰，得到初始ELM分类器；步骤三：根据预先训练好的ELM分类器，计算无标签样本的输出后验概率；具体是：依据预先训练好的ELM分类器，得到无标签样本的输出值f(x)；对于多分类信号，其输出后验概率公式为：其中，f_i(x)表示对于样本x的第i个输出节点的实际输出值，p(y＝1|f_i(x))表示第i类的原始输出后验概率，q为总类别数；步骤四：根据步骤三计算得到的后验概率值，利用最大次大原则BvSB评价无标签样本的不确定性；具体是：计算出无标签样本x的后验概率值，其次按照由大到小的顺序进行排序，选出后验概率最大及次大值，最后进行作差处理，具体表示为：f(x)^BvSB＝p(y_best|x)‑p(y_{second‑best}|x)   (3)其中，p(y_best|x)和p(y_{second‑best}|x)分别表示为无标签样本x的最大及次大后验概率值，f(x)^BvSB表示无标签样本x的不确定性度，其值越小，表示其越不确定；步骤五：依据步骤四，挑出不确定性度最小的h个样本，分别计算出这h个样本之间的相似性及与有标签样本X_l之间的相似性；具体是：对于样本x_i和x_j，他们之间的相似性表示如下：这里，S(x_i,x_j)越大表示样本x_i和x_j越相似；对于样本集W＝{w₁,w₂,...,w_n},值越小，表示对于无标签样本x与样本集W之间的相似性越小；根据步骤四，挑选出不确定性最小的h个样本，首先计算这h个样本之间的相似性：式中，H＝{x₁,x₂,...,x_h}，x,x_j∈H,x≠x_j；然后，计算出这h个样本与有标签样本集X_l的相似度：最后，根据公式(5)和(6)，得到样本x最终的综合相似度值：Div(x)＝div(x,H)+div(x,X_l)   (7)步骤六：结合步骤四和步骤五，挑选出m个最有价值的无标签样本；具体是：结合公式(3)和(7)，评价样本x的价值性：其中，为最终挑选的无标签样本；按照公式(8)挑选出m个最有价值的样本λ为平衡系数；步骤七：将步骤六挑选出的m个样本进行人工标注，添加到有标签样本集X_l，并将其从无标签样本集X_u中剔除；步骤八：利用扩展后的有标签数据集X_l，得出新的输出权值矩阵β^new，更新ELM分类器；步骤九：重复步骤三至步骤八，直至分类器性能稳定或者标定数据达到原始无标签数据集数量的80％，得到最终的ELM分类器；步骤十：采用训练好的双规则主动超限学习机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，依据步骤九训练好的ELM分类器，采用公式(9)预测出其类别标签Y_predict；其中，β_i表示第i个隐层节点与输出节点之间的输出权重，a_i表示第i个隐层节点和所有输入节点的连接权值，b_i表示第i个隐节点的阈值，g(·)表示激活函数,M表示隐层节点的个数。