一种多分类器结合的矿用机器人意念感知与决策方法

摘要

本发明提供了一种多分类器结合的矿用机器人意念感知与决策方法；步骤1，数据获取与预处理；步骤2，改变模板匹配中各相似度的简单结合策略，并搭建DCPM算法模型；步骤3，基础分类器的构建，构建线性判别分类器、EEGNet神经网络模型和DCPM算法；步骤4，构建强分类器，融合弱分类器的特征信息，输出矿用机器人的控制指令；步骤5，使用无人机控制指令实现对矿用机器人的控制。本发明提出了基于改进的小波阈值去噪方法，实现了脑电数据的滤波效果改善。本发明使用支持径向基神经网络，对线性判别分析、EEGNet神经网络模型和改进的DCPM算法三种基础分类器提取的特征信息进行融合，输出矿用机器人的控制指令，实现对矿用机器人的感知与决策。

说明书

技术领域

本发明涉及机器人技术领域；尤其涉及一种多分类器结合的矿用机器人意念感知与决策方法。

背景技术

我国是煤炭生产和消费大国，我国的煤炭资源总量远远超过其他一次能源。根据我国资源现状和煤炭在能源生产及消费结构重要地位，我国以煤炭为主体的能源结构还将持续相当长一段时间。长期以来，煤炭作为我国的基础能源和重要的工业原料，为国民经济的发展提供强劲动力，为电力、化工、钢铁等产业打下根基。鉴于煤炭的生产过程有一定的风险性，我国对于煤炭的安全生产高度重视。目前，我国依据《安全生产法》、《矿山安全法》、《安全生产许可证条例》、《煤矿矿长保护矿工生命安全七条规定》等法律法规对煤炭的安全生产进行了严格规定。但是，由于我国的煤炭生产规模较大，煤矿安全事故时有发生。为不断推进煤矿产业的安全生产进程，矿井作业的无人化和少人化成为趋势；

在基于脑电数据特征提取方面，目前已经发展出了几个成熟的脑电特征提取技术，各方法使用不同的原始获取各自需求的脑电特征信息，方法之间的数据需求相同，但是提取的特征信息差异较大，造成了不同方法间特征信息的孤岛，不利于在现有研究基础上特征提取模型性能的进一步提升。脑电数据往往包含大量噪声，这些噪声会掩盖较弱的脑电信号，因此去噪是脑电信号处理的一个关键步骤。

目前，小波变换是脑电信号去噪处理的有力工具。基于阈值处理的小波去噪法在二十世纪末由Donoho等人在深入探讨小波变换理论后提出，根据小波变换后噪声与有用信号两者在系数上存在幅值差异这一理论基础，进而通过设定合适临界值λ，将小波系数小于λ的部分当作是由白噪声所致，将它剔除，对于大于λ的部分则认为是由有效信号引起的，予以保留，如此便可完成对原始信号中噪声的去除。原始小波阈值法包含硬阈值与软阈值，鉴于其简单有效，因此在去噪领域应用宽泛。

假设原始信号为，为服从的高斯白噪声，则加入噪声后的带噪信号可表示为：

f(t)＝s(t)+n(t)

对经公式得到的带噪信号进行离散小波变换，得到小波系数，它由以下两部分组成：

wf(j,k)＝ws(j,k)+wn(j,k),j＝0,1,2,…,J；k＝0,1,2,…,N

其中，wf(j,k)是带噪信号f(t)在第j层上的小波系数值；ws(j,k)是原始信号s(t)在第j层上的小波系数值；wn(j,k)是高斯白噪声信号n(t)在第j层上的小波系数值；J代表小波分解层数最大值；N代表信号长度。记wf(j,k)为wj,k，然后选择合适的阈值λ，对wj,k进行处理，得到阈值处理后的小波系数值，且尽可能使得与ws(j,k)接近。最后重构，获得降噪信号。

Donoho提出的传统阈值法中软硬阈值函数的区别就在于对小波系数的处理策略有所不同。两种函数的表达式分别为：

上式分别为硬阈值函数和软阈值函数。λ为设定的阈值。

硬阈值函数在点-λ和λ处存在间断现象，连续性差会导致重构后的信号出现振荡，也就是伪吉布斯现象的发生，从而影响信号的光滑性。而经软阈值函数加工后的信号尽管整体连续性较好，但阈值化后得到的小波系数与实际小波系数之间会有明显差距，致使部分高频信息缺失，误差太大容易造成信号失真，而且其导数不存在连续性，所以对其进行数学分析存在很大困难。

传统阈值处理实现起来确实简单，硬阈值消噪法能得到原始信号的最优估计，但因为函数不连续而存在伪吉布斯现象；软阈值消噪法尽管在阈值处保持连续，得到的信号也足够光滑，但其导数不连续因而与原始信号存在恒定偏差，重构信号不可避免会有误差，影响去噪效果。

为了克服传统阈值法的上述不足，有不少专家对阈值函数的优化作出了研究，使得在软硬阈值的基础上达到最佳折中，既能保留硬阈值函数的最优估计，又能得到光滑信号。但是大多优化函数中存在不确定参数，需要经过大量试验才能确定最佳参数的取值，这样的复杂性只会增加实验的难度。

发明内容

本发明的目的是提供了一种多分类器结合的矿用机器人意念感知与决策方法。

本发明是通过以下技术方案实现的：

本发明首先通过脑电信号采集实验获取稳态视觉诱发和运动想象的多模态脑电信号。脑电数据往往包含大量噪声，这些噪声会掩盖较弱的脑电信号，因此去噪是脑电信号处理的一个关键步骤。在完成对脑电数据的预处理后，本发明搭建线性判别分析、EEGNet神经网络模型和改进的DCPM算法作为基础分类器。

本发明涉及的矿用机器人意主要由五个模块组成：脑电信号采集模块、脑电信号解析模块、控制指令转换模块、控制信号传输模块、控制设备模块。

本发明涉及一种多分类器结合的矿用机器人意念感知与决策方法，包括以下步骤：

步骤1，数据获取与预处理，进行脑电采集实验，采集稳态视觉和运动想象的多模态脑电数据，对脑电数据进行滤波、去伪迹、基线校正、50Hz陷波的预处理；

步骤2，改变模板匹配中各相似度的简单结合策略，并搭建DCPM算法模型；

步骤3，基础分类器的构建，以稳态视觉诱发和运动想象的多模态脑电信号为研究对象，构建线性判别分类器、EEGNet神经网络模型和DCPM算法；

步骤4，构建强分类器，基于径向基神经网络，构建弱分类器的神经网络融合模型，融合弱分类器的特征信息，输出矿用机器人的控制指令；

步骤5，使用无人机控制指令实现对矿用机器人的控制。

优选的，步骤1中，所述脑电数据进行滤波、去伪迹、基线校正、50Hz陷波的预处理采用改进的小波阈值去噪方法。

本发明所述改进的小波阈值去噪方法，采用的一种连续且高阶可导的新阈值函数，阈值截断后的小波系数如下：

式中，j表示小波分解层数，λ

此时函数的走向类似于软阈值函数，并保留了与软阈值函数一样的连续性和光滑性特征，无阶跃现象；而当|w

当信号在不连续点发生震荡时，小波阈值去噪的消噪效果就不理想。平移不变(TI)小波阈值法通过改变含噪信号的时域顺序，使奇异点在整个信号中的位置发生改变，该方法对于消除在小波变换以及阈值处理时信号奇异点周围所产生的振荡是有效果的，伪Gibbs现象也可以得到有效抑制。

优选的，步骤2中，所述改变模板匹配中各相似度差异性结合策略用于实现对DCPM算法的改进。

优选的，步骤3中，以稳态视觉诱发和运动想象的多模态脑电信号用于实现对矿井机器人的感知与决策。

优选的，步骤4中，基于径向基神经网络的多分类器结合强分类器构建策略，线性判别分析、EEGNet神经网络和改进的DCPM算法作为弱分类器的基础网络，使用径向基神经网络作为上述弱分类的结合网络，实现脑电信号的强分类器构建。

所述线性判别分析是一种用于查找表征或分离两类或更多类对象或事件特征的算法，常用于统计，模式识别和机器学习领域。利用线性判别分析获取的特征线性组合可用作分类之前的数据降维或直接实现数据的分类。线性判别分析方法对样本数量依赖小，也不需要神经网络中学习参数和优化权重以及神经元激活函数的选择等问题，实现简单且具有较好的泛化能力。

所述线性判别分析是一种有监督的数据降维、分类手段，算法的核心思想是将原始数据样本进行空间映射，使得映射后的数据样本类内距离尽可能小，类间距离尽可能大。与主成分分析算法相比，线性判别分析同样寻求最能解释数据的变量的线性组合，不同的是主成分分析算法以处理后的数据方差为目标，线性判别分析算法以数据标签为监督，以数据类别之间的差异性进行建模。因此，线性判别分析算法更适合于具备标签的数据处理。

在使用线性判别分析对脑电数据进行分类的过程中，首先使用小波变换获取脑电信号的频域特征，再将频域特征作为线性判别分析的分析对象。小波变换可以被认为是傅里叶变换的扩展，该算法以多尺度方式工作以克服单比例(时间或频率)上工作的弊端。小波是一种时间频率分析方法，表示信号的一种特殊线性变换类型，与其他变换方法(如傅里叶变换、短时傅里叶变换)相比，小波变换在信号分析方面更为高效。在小波分析中，不是通过相同的窗口检查整个信号，而是通过不同大小的窗口查看波的不同部分。信号的高频部分使用小窗口来提供良好的时间分辨率，而低频部分使用大窗口来获得良好的频率信息。因此，小波变换能够同时提供时间和频率信息。

小波变换对信号进行时频变换的处理过程具体为：

设Ψ(t)是平方可积函数，若该函数的傅里叶变换Ψ(ω)满足可容许性条件：

则可定义Ψ(t)为小波母函数。对小波母函数进行平移和伸缩变换可以获取小波基函数：

式中，a为尺度因子，b为平移因子。

若函数f(t)平方可积，即f(t)＝L

对函数f(t)进行连续小波后的重构公式如下所示：

式中，

使用脑电采集设备采集到的脑电数据一般为离散信号，故需对连续小波变换进行离散化处理，获取离散小波变换公式。将尺度因子a

离散小波系数如下所示：

离散小波变换的重构公式为如下所示：

f(t)＝C∑

使用小波变换获取脑电数据的频域数据后，假设其频域数据为：

X＝{x

式中，x

设第i类的样本均值为μ

第i类的类间散度S

S

假设经过线性判别分析对样本处理后的维度为c，则处理后样本的散度S

式中，n

使用线性判别分析对样本进行空间映射后，处理后的类间距离如下所示：

(m

＝W

＝W

式中，m

类内距离用每类样本距其类均值距离的和表示，设S

S

样本的类内散度S

线性判别分析要求处理后的数据样本类间距离尽可能大，类内距离尽可能小，即

S

S

线性判别分析的最佳投影向量为S

本发明的原理：

第一步，稳态视觉诱发和运动想象的多模态脑电数据获取；本发明获取的稳态视觉诱发和运动想象的多模态脑电数据使用美国Neuroscan公司的NuAmps系列脑电采集设备作为本次实验的脑电的采集设备。对被试者采用稳态视觉诱发和运动想象的两种模态下的脑电信号进行记录，获取所需的基础脑电信号数据。

第二步，数据预处理：本发明对于多模态脑电信号信号使用了伪迹消除、滤波、数据归一化和50Hz陷波的数据预处理方式。对于脑电数据的预处理方面，本发明提出了基于改进的小波阈值去噪方法，实现了脑电数据的滤波效果改善。

第三步，基础分类器的构建：本发明针对稳态视觉诱发和运动想象的多模态脑电数据分类，构建了线性判别分析、EEGNet神经网络模型和改进的DCPM算法基础分类器。其中，针对DCPM算法模板匹配中各相似度判断标准存在差异，本分明改变模板匹配中各相似度的简单结合策略，为各相似度设置差异性权重，实现DCPM算法的性能优化。

第四步，基于支持径向基的多分类器模型：本发明使用支持径向基神经网络，对线性判别分析、EEGNet神经网络模型和改进的DCPM算法三种基础分类器提取的特征信息进行融合，输出矿用机器人的控制指令，实现对矿用机器人的感知与决策。

本发明具有以下优点：本发明对于多模态脑电信号信号使用了伪迹消除、滤波、数据归一化和50Hz陷波的数据预处理方式。对于脑电数据的预处理方面，本发明提出了基于改进的小波阈值去噪方法，实现了脑电数据的滤波效果改善。本发明使用支持径向基神经网络，对线性判别分析、EEGNet神经网络模型和改进的DCPM算法三种基础分类器提取的特征信息进行融合，输出矿用机器人的控制指令，实现对矿用机器人的感知与决策。

附图说明

图1是矿用机器人感知与决策原理图；

图2是EEGNet的神经网络结构图；

图3是DCPM算法的结构图；

图4是基于RBF神经网络的多分类器融合模型图；

图5是矿用机器人总设计框图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。应当指出的是，以下的实施实例只是对本发明的进一步说明，但本发明的保护范围并不限于以下实施例。

实施例

本实施例涉及的矿用机器人意主要由五个模块组成：脑电信号采集模块、脑电信号解析模块、控制指令转换模块、控制信号传输模块、控制设备模块。矿用机器人总设计框图如图5所示。

本实施例涉及一种多分类器结合的矿用机器人意念感知与决策方法，见图1所示：包括以下步骤：

步骤1，数据获取与预处理，进行脑电采集实验，采集稳态视觉和运动想象的多模态脑电数据，对脑电数据进行滤波、去伪迹、基线校正、50Hz陷波的预处理；

步骤2，改变模板匹配中各相似度的简单结合策略，并搭建DCPM算法模型；

步骤3，基础分类器的构建，以稳态视觉诱发和运动想象的多模态脑电信号为研究对象，构建线性判别分类器、EEGNet神经网络模型和DCPM算法；

步骤4，构建强分类器，基于径向基神经网络，构建弱分类器的神经网络融合模型，融合弱分类器的特征信息，输出矿用机器人的控制指令；

步骤5，使用无人机控制指令实现对矿用机器人的控制。

优选的，步骤1中，所述脑电数据进行滤波、去伪迹、基线校正、50Hz陷波的预处理采用改进的小波阈值去噪方法。

本发明所述改进的小波阈值去噪方法，采用的一种连续且高阶可导的新阈值函数，阈值截断后的小波系数如下：

式中，j表示小波分解层数，λ

此时函数的走向类似于软阈值函数，并保留了与软阈值函数一样的连续性和光滑性特征，无阶跃现象；而当|w

当信号在不连续点发生震荡时，小波阈值去噪的消噪效果就不理想。平移不变(TI)小波阈值法通过改变含噪信号的时域顺序，使奇异点在整个信号中的位置发生改变，该方法对于消除在小波变换以及阈值处理时信号奇异点周围所产生的振荡是有效果的，伪Gibbs现象也可以得到有效抑制。

优选的，步骤2中，所述改变模板匹配中各相似度差异性结合策略用于实现对DCPM算法的改进。

优选的，步骤3中，以稳态视觉诱发和运动想象的多模态脑电信号用于实现对矿井机器人的感知与决策。

优选的，步骤4中，基于径向基神经网络的多分类器结合强分类器构建策略，线性判别分析、EEGNet神经网络和改进的DCPM算法作为弱分类器的基础网络，使用径向基神经网络作为上述弱分类的结合网络，实现脑电信号的强分类器构建。

所述线性判别分析是一种用于查找表征或分离两类或更多类对象或事件特征的算法，常用于统计，模式识别和机器学习领域。利用线性判别分析获取的特征线性组合可用作分类之前的数据降维或直接实现数据的分类。线性判别分析方法对样本数量依赖小，也不需要神经网络中学习参数和优化权重以及神经元激活函数的选择等问题，实现简单且具有较好的泛化能力。

所述线性判别分析是一种有监督的数据降维、分类手段，算法的核心思想是将原始数据样本进行空间映射，使得映射后的数据样本类内距离尽可能小，类间距离尽可能大。与主成分分析算法相比，线性判别分析同样寻求最能解释数据的变量的线性组合，不同的是主成分分析算法以处理后的数据方差为目标，线性判别分析算法以数据标签为监督，以数据类别之间的差异性进行建模。因此，线性判别分析算法更适合于具备标签的数据处理。

在使用线性判别分析对脑电数据进行分类的过程中，首先使用小波变换获取脑电信号的频域特征，再将频域特征作为线性判别分析的分析对象。小波变换可以被认为是傅里叶变换的扩展，该算法以多尺度方式工作以克服单比例(时间或频率)上工作的弊端。小波是一种时间频率分析方法，表示信号的一种特殊线性变换类型，与其他变换方法(如傅里叶变换、短时傅里叶变换)相比，小波变换在信号分析方面更为高效。在小波分析中，不是通过相同的窗口检查整个信号，而是通过不同大小的窗口查看波的不同部分。信号的高频部分使用小窗口来提供良好的时间分辨率，而低频部分使用大窗口来获得良好的频率信息。因此，小波变换能够同时提供时间和频率信息。

小波变换对信号进行时频变换的处理过程具体为：

设Ψ(t)是平方可积函数，若该函数的傅里叶变换Ψ(ω)满足可容许性条件：

则可定义Ψ(t)为小波母函数。对小波母函数进行平移和伸缩变换可以获取小波基函数：

式中，a为尺度因子，b为平移因子。

若函数f(t)平方可积，即f(t)＝L

对函数f(t)进行连续小波后的重构公式如下所示：

式中，

使用脑电采集设备采集到的脑电数据一般为离散信号，故需对连续小波变换进行离散化处理，获取离散小波变换公式。将尺度因子a

离散小波系数如下所示：

离散小波变换的重构公式为如下所示：

f(t)＝C∑

使用小波变换获取脑电数据的频域数据后，假设其频域数据为：

X＝{x

式中，x

设第i类的样本均值为μ

第i类的类间散度S

S

假设经过线性判别分析对样本处理后的维度为c，则处理后样本的散度S

式中，n

使用线性判别分析对样本进行空间映射后，处理后的类间距离如下所示：

(m

＝W

＝W

式中，m

类内距离用每类样本距其类均值距离的和表示，设S

S

样本的类内散度S

线性判别分析要求处理后的数据样本类间距离尽可能大，类内距离尽可能小，即

S

S

线性判别分析的最佳投影向量为S

步骤3中，所述EEGNet神经网络模型作为分类器的另一基础模型。EEGNet是对脑电信号进行特征提取的深度学习算法中，较为成熟且性能优异的卷积神经网络模型。该模型是一种专门设计用于脑电信号特征提取的紧凑型卷积神经网络，该模型参考了计算机视觉中使用的深度可分解卷积神经网络模型，构建一个脑电图专用的深度神经网络。该网络封装了几种常见的脑电图特征提取方法，例如最佳空间滤波器等，在减少训练参数的同时适应脑电数据处理的任务。EEGNet的神经网络结构如图2所示。

判别典型模式匹配算法(DCPM)是近年来出现的一种新颖的脑电信号处理算法。DCPM算法使用判别空间模式算法(DSP)和典型模态分析算法(CCA)构建弱分类，通过对弱分类器的性能融合，达到DCPM算法的强分类器效果。DCPM算法由三个主要部分组成：判别空间模式的构建、CCA模板的构建和模板匹配。DCPM算法的结构图如图3所示。

设参数k∈{1,2}表示模式的个数，

x

由DSP算法构造的投影矩阵W，实现DSP变换后的两类模板的区分。

S

式中，λ

在使用DSP算法消除脑电中的共模噪声后，再利用CCA算法构建投影矩阵U

式中，ε[*]表示期望值。

在模式匹配中，训练模板和测试信号之间的相似度计算如下：

式中，corr(*)表示皮尔逊相关系数，dist(*)表示欧氏距离。

测试样本Y与模板k越匹配，则其

考虑模板匹配中各相似度判断标准存在差异，对模板匹配的判断应当提供差异性的信息。因此，本发明改变模板匹配中各相似度的简单结合策略，为各相似度设置差异性权重值，实现DCPM算法的性能优化。

式中，h

径向基神经网络(RBF)是一种性能良好的前向网络，其激励函数是一般是高斯函数。具有最佳逼近、训练简洁、学习收敛速度快以及克服局部最小值问题的性能，目前已经证明RBF网络能够以任意精度逼近任意连续的函数，且具有全局逼近能力，从根本上解决了BP网络的局部最优问题，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快。因此它已经被广泛应用于模式识别、非线性控制和图像处理等领域。

本发明使用径向基函数作为多分类的融合神经网络模型，基础分类器提取的多模态脑电特征作为径向基神经网络的输入，模型输出矿用机器人的控制指令，基于RBF神经网络的多分类器融合模型如图4所示。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质。