一种基于仿生群智能IWOA-ELM脑电分类方法

摘要

一种基于仿生群智能IWOA‑ELM脑电分类方法属于生物信息学领域。WOA‑VELM和WOA‑MLELM，用于更好的改善分类模型中存在的病态随机单隐层前馈神经网络的问题。在预处理和特征提取后，为了避免WOA‑ELM分类模型中最佳个体的误判，在WOA‑VELM中选出了前几名较好个体，并对其进行投票。WOA‑MLELM通过气泡网攻击策略和收缩包围机制等不同的仿生策略优化输入层节点和隐层节点之间的初始连接权值和偏置，并在不同层引入不同的正则化机制，生成合适的稀疏权值矩阵，提高WOA‑MLELM的泛化性能。结果表明，该方法的平均准确率在脑电分类数据集上优于其他方法。

说明书

技术领域

本发明涉及运动想象任务中脑电信号的分类识别领域以及生物信息学领域。

背景技术

脑电信号分类技术的突破，将引发人机交互技术的又一次技术革命，这将对医疗保健、 智能汽车和仿人机器人产生重要影响。

经过预处理和特征提取后的数据主要用于脑电信号的分类和识别，因此，选择合适的 分类器来验证提取特征的有效性有利于我们对脑电信号的分析研究。常用的分类器是支持 向量机，它以结构风险最小化理论为基础，在特征空间中构造最优分割超平面。利用非线 性核映射算法，将低维输入空间的线性不可分样本转换为高维特征空间，使其线性可分， 并将基于支持向量机的算法用于脑电信号分类。然而，支持向量机对缺失数据非常敏感， 对非线性问题没有通用的解决方案。对于一些复杂的非线性问题，很难找到合适的核函数，

黄提出了一种用于分类的单隐层前馈神经网络模型，称为极限学习机(ELM)。 ML-ELM(Multi-Layer Extreme Learning Machine)通过添加隐藏层，将基础的极限学习机(ELM)引深到深层网络结构。分层极限学习机(HELM，Hierarchical ELM)通过结合稀 疏自动编码器(SAE-ELM)将其引入到深层网络结构中，提高了分类准确率。采用PCA 和LDA提取特征后，分别采用ELM、约束CELM(CELM，Constrained ELM)、ML-ELM 和HELM对脑电信号进行分类并取得了相对不错的结果。

虽然基于ELM及改进算法在脑电信号的分类任务中已经取得了不错的结果，但是基 于不同ELM分类模型的权值和偏置都是随机初始化的，容易导致产生病态随机单隐层前馈神经网络(IRSLFN，Ill-conditioned Random Single-Hidden-Layer FeedforwardNetwork) 的问题。群智能优化算法是一种仿生的随机概率启发式搜索算法，相对传统算法比较容易 跳出局部最优解，如何结合较新的群体智能算法以及各种有效的仿生策略来优化不同ELM 算法的初始化权重、偏置是一个需要解决的问题。

发明内容

针对上述背景，本发明提出采用提出结合群体智能算法以及多种高效的仿生策略优化 不同ELM算法的初始化权重、偏置等，用于提升脑电信号中分类识别准确率。

具体技术方案如下：

包括模型预处理、特征提取和分类识别模块。具体包括以下步骤：

步骤(1)脑电信号预处理

把得到脑电数据随机打乱并归一化，并用交叠的滑动时间窗口对数据分段，得到分段 后的子数据。

步骤(2)提取脑电结合特征

1)通过PCA在分段数据内提取主成分特征，并消除冗余噪声。

2)通过LDA在分段数据内提取考虑训练数据标签信息的判别性特征。

3)得到PCA和LDA后的线性结合特征。

步骤(3)脑电信号分类识别

IWOA-ELM分类模型的过程如下：

1)对问题进行建模，并产生初始种群。

2)利用仿生策略更新距离度量和位置。

3)与改进的IELM算法结合计算准确率并将其转换为适应值。

4)更新最优解及对应准确率。

有益效果

本发明了基于改进的仿生群智能IWOA-ELM脑电分类方法：WOA-VELM和 WOA-MLELM。为了避免WOA-ELM中最佳个体的误判，在WOA-VELM中选出了前几 名较好个体，并对其进行投票。WOA-MLELM通过气泡网攻击策略(BNAS，Bubble Net Attack Strategy)和收缩包围机制(SEM，Shrink and Encirclement predation Mechanism)等 不同的仿生策略优化输入层节点和隐层节点之间的初始连接权值和偏置，并在不同层引入 不同的正则化机制，生成合适的稀疏权值矩阵，提高WOA-MLELM的泛化性能。结果表 明，该方法的平均准确率在脑电分类数据集上优于其他方法。

附图说明

图1为本发明所涉及方法的整体结构图。

图2为关于IWOA-ELM分类模块的详细结构图；

图3a是IWOA-ELM算法的性能对比图；b是IWOA-ELM算法的性能图。

具体实施方式

步骤(1)脑电信号预处理

首先，把得到脑电数据随机打乱并归一化。然后，考虑脑电信号的复杂性和不稳定性， 我们用交叠的滑动窗口分段来保留脑电信号中的有用信息。基于实验室早期的工作，也选 择A1和A2优势电极，每个电极有896维。每个电极的数据通过一个500ms的时间窗口和125ms的交叠窗口被分成9段子数据，A1和A2两个电极一共18段子数据，每个子数 据段有128维。

步骤(2)提取脑电结合特征

通过PCA和LDA获得线性结合特征。

1)首先分别对每段分段数据进行PCA降维。

通过优化目标函数L

其中C

通过子数据X

Y

其中，N为样本数，M每个脑电样本中每个分段经过PCA处理前的输入维数，

对每个样本中18个数据段中的每个子数据进行PCA并降低到D＝16维，此时累计贡献率大于99％。

2)其次，分别对PCA降维后的每段分段数据进行LDA转换。

通过优化目标函数L

其中S

通过输入子特征X

对每个样本中的18个数据段的每个子数据X

3)得到PCA和LDA后的线性结合特征。

每个样本有18个1维特征子数据，这18个1维特征子数据结合成一个18维特征向量， 这个18维特征向量便是线性组合特征，所有样本的非线性组合特征记作Y

步骤(3)脑电信号分类识别

1)对问题进行建模，并产生初始种群。

提取的特征Xf

X

式中，X

2)利用仿生策略更新距离度量和位置。

利用仿生策略BNAS和SEM更新种群中个体的距离度量D

根据判定参数A

A

式中，p

如果|A

a.开采利用阶段

式中，

根据判定参数qr

SEM 1更新策略如下：

如果q

BNAS更新策略如下：

如果q

式中，常数b与螺旋曲线的变化有关，b＝1。l

如果|A

SEM 2策略更新如下：

b.开发和搜索阶段

式中，C为2p

3)与改进的IELM算法：包括V-ELM和ML-ELM，结合计算准确率并将其转换为 适应值。

a.与V-ELM结合

为了避免对最佳个体的误判，选出前12名较好的个体并投票做最终决定。

式中，zn是投票器个数。根据适合度值选择前个zn＝12个体

式中，f

f

H(iter)＝g(W

其中，g(·)是激活函数，X

β(iter)＝(C

其中，C

Y

对较优个体的单隐层ELM的估计值Y

Y

f

b.与ML-ELM结合

ML-ELM基于多层神经网络，原始ML-ELM中的输入层节点X

[W

式中，f

式中，g(·)是激活函数，X

式中，r

β

式中，I为单位矩阵，通过在隐藏层k+1处的正则化因子和真实标签T

Y

4)更新最优解及对应准确率。

更新当前迭代最优解

为了验证IWOA-ELM算法的有效性，采用BCI(Brain Computer Interface)脑机接口竞 赛第二届Ia数据集，每个样本中有6个电极，每段有896个采样点，有用的时间段为3.5s。

我们通过实验验证了IWOA-ELM算法的性能，结果见表1和图3，括号内和括号外的值分别是最高分类准确率ACC

另外，PCA结合LDA作为特征提取，基于ELM的改进算法作为分类器。作为分类器。当采用基础原始的ELM分类器时，ACC

最后，PCA结合LDA作为特征提取，采用群智能优化的ELM改进方法作为分类器。 当BA-ELM作为分类器时，ACC

表1 IWOA-ELM与其他方法在BCI数据测试集上的对比结果

WOA-ELM、WOA-VELM和WOA-MLELM的最高分类准确率分别比ELM、VELM 和MLELM高3.06％、2.37％、2.38％；WOA-ELM、WOA-VELM和WOA-MLELM的平均 分类准确率分别比ELM、VELM和MLELM高2.57％、1.06％、3.84％；因此，WOA优化 的ELM算法优于随机初始化的ELM算法。WOA-VELM的平均分类准确率ACC