[发明专利]基于Fisher判别稀疏超限学习机的脑电分类方法

说明书

本发明提出一种基于Fisher判别稀疏超限学习机的脑电分类方法。首先依据Fisher判别准则训练出一个结构化字典，其次根据这个字典获得更有区分性的稀疏系数进行信号重构，得到更有效的特征信号，然后利用超限学习机算法对新的特征信号进行分类，从而提高多运动想象任务分类的准确性。该方法在脑‑机接口领域具有广阔的应用前景。

技术领域

本发明属于模式识别领域，涉及一种运动想象脑电信号模式识别方法，特别涉及一种基于Fisher判别稀疏超限学习机的脑电分类方法。

背景技术

大脑作为控制人类的思想、行为、情绪等活动的中枢，分析处理从外部环境获取的信息，通过神经肌肉通路完成与外界的交流。然而，不少异常疾病，如脊髓损伤、肌萎缩侧索硬化症、脑中风等，都能损伤或削弱控制肌肉的神经通路以及肌肉本身的功能。病情严重的患者可能完全丧失自主控制的能力，甚至影响说话等功能，完全没有办法用传统的方式表达意愿或与外界交流。我国乃至全世界有成百上千万人受此类疾病困扰，尽管现代生命支持技术可以维持部分患者的生命，但是由此给患者、家庭和社会带来了无尽的痛苦和沉重的负担。从人体运动的源头出发，直接提取大脑信号解读患者的意愿，或将大脑信号解读成相应的命令来实现与外部世界的交流和控制，实现脑-机交互。基于运动感觉的自发节律(SMR)的运动想象脑电信号分析被广泛应用于脑-机接口(BCI)领域。

模式分类是BCI系统中的关键技术，目前最常用的分类算法有K近邻法、人工神经网络、朴素贝叶斯、支持向量机、稀疏表示分类等算法。稀疏表示(或稀疏编码)最初由Olshausen等人提出，用于模拟人类视觉系统中简单细胞的空间感受野的工作机制。稀疏表示广泛用于信号重构、信号表示、压缩感知等领域。近年，稀疏表示被应用于BCI系统中，面对非常微弱且背景噪声强的脑电信号，能够获得较好的结果表现。但是，稀疏表示方法中的字典一般是预定义的，直接使用训练样本作为字典，容易丢失许多隐藏训练样本中的分类信息。为此，基于Fisher判别准则的字典学习(Fisher discrimination dictionarylearning,FDDL)算法被提出来，并且在AR人脸数据集上，与传统的稀疏表示分类算法相比，提高了3.2％的识别正确率。

超限学习机(Extreme learning machines,ELM)是近年来发展很快的一种机器学习算法，本质上是一种单隐层前馈神经网络，具有结构简单、学习速度快、非线性处理能力和全局搜索性能良好等优势，目前已有大量学者致力于其在BCI系统中的应用，并取得了良好的分类效果。考虑超限学习机的速度优势、良好的分类能力及稀疏编码优秀的抗噪能力，已有不少学者尝试将两者有机融合一起。Seyedehsamaneh等人研究出一种极限稀疏学习算法(Extreme Sparse Learning)，将稀疏表示中字典与超限学习机输出权重进行联合优化求解，最后送入超限学习机进行分类。Yu等人用稀疏编码取代超限学习机原本的隐藏层，将得到稀疏系数作为隐藏层的输出，进而分类。曹九稳等人提出一种级联框架，先用超限学习机将数据进行“过滤”，将噪声较大的数据挑出来交给SRC进行分类处理。但是上述几种方法均是单隐层结构，对数据特征学习不够充分，很大程度上限制了网络的鲁棒性能。

综上所述，针对随机、非平稳的运动想象脑电信号，如何有机结合稀疏编码、超限学习机算法构造多层网络结构进行模式分类，这一问题还没有得到有效的解决。

发明内容

本发明针对现有技术的不足，提出一种一种基于Fisher判别稀疏超限学习机的脑电分类方法。该方法采用一个多层网络结构，一方面解决了单隐层超限学习机对样本特征学习不够充分问题，另一方面针对背景嘈杂的、非平稳的运动想象脑电信号，有机融合Fisher判别字典学习(FDDL)与超限学习机(ELM)算法，最终达到提高网络泛化性能以及分类准确率的目的。

本发明方法首先依据Fisher判别准则训练出一个结构化字典，其次根据这个字典获得更有区分性的稀疏系数进行信号重构，得到更有效的特征信号，然后利用超限学习机分类器对新的特征信号进行分类，从而提高多运动想象任务分类的准确性。