CN105787459A - 一种基于最优评分稀疏判别的erp信号分类方法 - Google Patents

Abstract

本发明公开了一种利用基于最优评分的稀疏判别分析对小样本数据集下脑电ERP信号进行分类的方法。该方法利用预处理后的数据，通过最优得分以及l₁惩罚项得到稀疏判别分析的目标函数，通过交替迭代算法求解最优化问题，得到特征投影向量，利用投影向量将数据映射到稀疏判别子空间进行投票分类。本发明利用基于最优评分的稀疏判别分析的方法通过交替迭代算法求解特征投影向量，最终提高了小样本训练集下脑电ERP信号的分类正确率。

Description

一种基于最优评分稀疏判别的ERP信号分类方法

技术领域

本发明涉及一种在小样本训练集下的脑电ERP信号分类方法，属于生物医学信号处理领域。

背景技术

脑电信号是大脑组织电活动和大脑功能状态的反映，各种形式的思维状态以及外界刺激都会引起不同的脑电信号。脑电信号作为一种信息的表现方式，使得越来越多的研究人员积极的探索如何运用脑电信号作为人与机器之间的交流的工具。

脑电信号的提取与分类在脑-机接口以及医学领域具有重要的价值，有着很多潜在的应用。在脑-机接口方面，通过计算机识别不同的脑电信号(事件相关电位ERP等)可以进行机器的控制以及信息的表达，例如高度残疾人士可以通过脑电信号控制轮椅，或者通过脑电信号在电脑上进行文字的输入。在医学方面，对脑电信号的识别可以帮助医生对病人的病情进行诊断。

对于脑电ERP信号分类来说，一个重要的问题就是如何优化算法来提高分类的正确率。目前，针对ERP主要的分类方式是线性判别分析(LDA)，逐步线性判别分析(SWLDA)，收缩线性判别分析(SKLDA)等。线性判别分析的主要目的是通过学习一个最优平面从而对两类特征进行有效的分类。线性判别分析首先假设两类特征的分布具有等协方差矩阵的正态分布，然后寻找一个最大化类间均值差且同时最小化类内方差的投影向量，最后在该向量上的投影来判断其所属类别。这种方法需要大量的样本数据来进行系统的初始化，从而导致其在小样本数据集下分类正确率比较低。逐步线性判别分析是线性判别分析的一种扩展，它通过执行基于统计测试的前向后向逐步线性回归来反复的加入或去除特征，完成特征降维,只保留具有显著判别性的特征，并由此寻找最优判别投影方向。这种方法已被应用到脑电信号分类中，并且取得了优于线性判别分析的分类的正确率。收缩线性判别分析是为了改善在想样本训练集下由于样本的协方差矩阵得不到准确估计而造成分类效果差的问题，该方法在小样本训练集下有着优于LDA的分类的正确率。

目前针对大样本数据集的脑电信号分类已经取得了相对较好的分类精度，但是在小样本训练集的情况下，脑电信号分类正确率相对较低，这使得基于脑电信号分类的应用受到限制。

发明内容

针对传统方法在小样本训练集的情况下脑电ERP信号分类正确率较低的问题，本发明提出了一种基于最优评分的稀疏判别分类方法。该方法考虑到脑电ERP信号中特征维度远远大于训练样本的数量以及类间协方差矩阵不是满秩的因素，利用稀疏判别分类思想，在小样本集的情况下可以得到较高的分类的正确率。

本发明采用的技术方案是：

一种基于最优评分稀疏判别的ERP信号分类方法，其特征是：利用预处理之后的数据，通过最优评分以及l₁惩罚项获得稀疏判别分析的目标函数，再利用交替迭代算法求解上述最优化问题，得到特征投影向量，最后利用投影向量将数据映射到稀疏判别子空间进行投票分类，该方法具体包括以下步骤：

(1)采集64导脑电信号，采样速率240Hz，进行带通滤波，截止频率为0.1Hz和60Hz；

(2)提取闪烁时对应的脑电信号，并选取16导，使用0相移滤波器进行滤波，将滤波后的信号下采样到28Hz，得到数据矩阵，重构所得到的数据矩阵，将每个字符的12次闪烁进行重新排列，依次为1-6行，1-6列的顺序，得到新的数据矩阵X，X为N×d的矩阵，N表示样本数，d表示特征数；

(3)将数据矩阵X分为训练数据X_train和测试数据X_test两个集合，利用训练数据X_train计算投影向量w_c，w_c的长度为d，c表示不同的类别，c＝1,2,3…l，l是类别数量，具体过程如下：

1)初始化G₁，G₁为C×1的矩阵，C为总类别数，初始化为元素全为1的C×1向量；

2)从c＝1到l依次执行：

i.初始化θ^*，任意赋一个值，令其中，θ_c为c类的得分向量，长度为C；G_c为C×c的矩阵，由前面c-1个θ_c构成；I为C×C单位矩阵，Y为N×C的矩阵，它的元素y_n,c为指示变量，其定义如下：若第n个观测值属于类c，则y_n,c＝1，否则，y_n,c＝0，符号T为矩阵的转置，Ω定义为

ii.通过标准化θ_c；

iii.当结果不收敛且未达到最大迭代次数时，循环执行以下操作：

●利用LARS-EN算法求解 得到w_c，其中‖·‖²表示其欧式距离，θ_c为类别c的得分向量；w_c表示类别c的投影向量，为w_c的转置；Φ为C×C的任意的半对称正定矩阵，并利用α来控制判别向量的平滑度，α为非负的权重参数；‖·‖₁为L1范数，‖w_c‖₁为惩罚项，并利用β来优化判别向量的稀疏性，β为非负权重参数；

●固定w_c，设其中，p为使的常量；

●求

iv.当结果收敛或达到最大迭代次数时循环结束，得到投影向量w_c；

(4)利用测试矩阵X_test，计算X_testw_c，得到在稀疏判别子空间的投影，然后进行投票分类，将每个字符所对应的前六个值取最大值，其所在的位置即为字符所在的行，将每个字符所对应的后六个值取最大值，其所在的位置即为字符所在的列，由此即可判断出该字符。

本发明利用基于最优评分的稀疏判别分析进行特征投影最终提高了脑电ERP信号的分类正确率。

附图说明

图1是采用本发明的脑电ERP信号识别过程示意框图；

图2是对四类脑电ERP信号识别的实验结果对比图。

具体实施方式

如图1所示，本发明的基于稀疏判别分析的脑电ERP信号识别算法具体包括以下步骤：

(1)采集脑电信号，使用BCI2000采集64导信号，采样速率240Hz，带通滤波器的截止频率为0.1Hz和60Hz；

(2)提取闪烁时对应的脑电信号，并选取16导，使用0相移滤波器进行滤波，将滤波后的信号下采样到28Hz，得到数据矩阵，重构所得到的数据矩阵，将每个字符的12次闪烁进行重新排列，依次为1-6行，1-6列的顺序，得到新的数据矩阵X，X为N×d的矩阵，N表示样本数，d表示特征数；

(3)将数据矩阵X分为训练数据X_train和测试数据X_test两个集合，利用训练数据X_train计算投影向量w_c，长度为d，c＝1,2,3…l具体过程如下，这里c表示不同的类别：

1)初始化G₁，G₁为C×1的矩阵，C为总类别数，初始化为元素全为1的C×1向量；

2)从c＝1到l依次执行：

i.初始化θ^*，任意赋一个值，令其中，θ_c为c类的得分向量，长度为C；G_c为C×c的矩阵，由前面c-1个θ_c构成；I为C×C单位矩阵，Y为N×C的矩阵，他的元素y_n,c为指示变量，其定义如下：若第n个观测值属于类c，则y_n,c＝1，否则，y_n,c＝0，符号T为矩阵的转置，Ω定义为

ii.通过标准化θ_c；

iii.当结果不收敛且未达到最大迭代次数时，循环执行以下操作：

●利用LARS-EN算法求解 得到w_c。其中‖·‖²表示其欧式距离，θ_c为类别c的得分向量；w_c表示类别c的投影向量，为w_c的转置；Φ为C×C的任意的半对称正定矩阵，并利用α来控制判别向量的平滑度，α为非负的权重参数；‖·‖₁为L1范数，‖w_c‖₁为惩罚项，并利用β来优化判别向量的稀疏性，β为非负权重参数；

●固定w_c，设其中，p为使的常量；

●求

iv.当结果收敛或达到最大迭代次数时循环结束，得到投影向量w_c。

(4)利用测试矩阵x_test，计算x_testw_c，得到在稀疏判别子空间的投影，然后进行投票分类，将每个字符所对应的前六个值取最大值，其所在的位置即为字符所在的行，将每个字符所对应的后六个值取最大值，其所在的位置即为字符所在的列，由此即可判断出该字符。

本发明的效果可以通过实验进一步说明。

实验在第三届BCI竞赛P300数据集上测试了本发明所提出的方法，本实验脑电信号的采样速率240Hz，带通滤波器的截止频率为0.1Hz和60Hz，提取信号中的闪烁时的信号数据，并选取16导，使用0相移滤波器进行滤波，将滤波后的信号下采样到28Hz，得到数据矩阵，重构所得到的数据矩阵，将每个字符的12次闪烁进行重新排列，依次为1-6行，1-6列的顺序，得到新的数据矩阵X。

图2比较了本发明所提出的方法与已有方法(LDA，SKLDA，SWLDA)的识别性比较，由最终的识别率可见，采用本发明后，在小样本训练集下，脑电ERP信号的分类的正确率得到有效提高。

Claims (2)

1.一种基于最优评分稀疏判别的ERP信号分类方法，其特征是：利用预处理之后的数据，通过最优评分以及l₁惩罚项获得稀疏判别分析的目标函数，再利用交替迭代算法求解上述最优化问题，得到特征投影向量，最后利用投影向量将数据映射到稀疏判别子空间进行投票分类，该方法具体包括以下步骤：

(1)采集64导脑电信号，采样速率240Hz，进行带通滤波，截止频率为0.1Hz和60Hz；

(2)提取闪烁时对应的脑电信号，并选取16导，使用0相移滤波器进行滤波，将滤波后的信号下采样到28Hz，得到数据矩阵，重构所得到的数据矩阵，将每个字符的12次闪烁进行重新排列，依次为1-6行，1-6列的顺序，得到新的数据矩阵X，X为N×d的矩阵，N表示样本数，d表示特征数；

(3)将数据矩阵X分为训练数据X_train和测试数据X_test两个集合，利用训练数据X_train计算投影向量w_c，w_c的长度为d，c表示不同的类别，c＝1,2,3…l，l是类别数量；

(4)利用测试矩阵X_test，计算X_testw_c，得到在稀疏判别子空间的投影，然后进行投票分类，将每个字符所对应的前六个值取最大值，其所在的位置即为字符所在的行，将每个字符所对应的后六个值取最大值，其所在的位置即为字符所在的列，由此即可判断出该字符。

2.根据权利要求1所述的基于最优评分稀疏判别的ERP信号分类方法，其特征是：步骤(3)的具体过程如下：

1)初始化G₁，G₁为C×1的矩阵，C为总类别数，初始化为元素全为1的C×1向量；

2)从c＝1到l依次执行：

i.初始化θ^*，任意赋一个值，令其中，θ_c为c类的得分向量，长度为C；G_c为C×c的矩阵，由前面c-1个θ_c构成；I为C×C单位矩阵，Y为N×C的矩阵，它的元素y_n,c为指示变量，其定义如下：若第n个观测值属于类c，则y_n,c＝1，否则，y_n,c＝0，符号T为矩阵的转置，Ω定义为

ii.通过标准化θ_c；

iii.当结果不收敛且未达到最大迭代次数时，循环执行以下操作：

●利用LARS-EN算法求解 得到w_c，其中‖·‖²表示其欧式距离，θ_c为类别c的得分向量；w_c表示类别c的投影向量，为w_c的转置；Φ为C×C的任意的半对称正定矩阵，并利用α来控制判别向量的平滑度，α为非负的权重参数；‖·‖₁为L1范数，‖w_c‖₁为惩罚项，并利用β来优化判别向量的稀疏性，β为非负权重参数；

●固定w_c，设其中，p为使的常量；

●求

iv.当结果收敛或达到最大迭代次数时循环结束，得到投影向量w_c。