CN104799852B - 基于超限学习机自编码的运动想象脑电信号特征的提取方法 - Google Patents
基于超限学习机自编码的运动想象脑电信号特征的提取方法 Download PDFInfo
- Publication number
- CN104799852B CN104799852B CN201510256463.9A CN201510256463A CN104799852B CN 104799852 B CN104799852 B CN 104799852B CN 201510256463 A CN201510256463 A CN 201510256463A CN 104799852 B CN104799852 B CN 104799852B
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- msub
- msup
- mtr
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Psychology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于超限学习机自编码的运动想象脑电信号特征的提取方法，包括：筛选训练数据集和测试数据集；利用训练数据集训练多个超限学习机模型；从多个经训练数据集训练后的超限学习机模型中，筛选出对测试数据集的分类正确率最高的超限学习机模型；利用筛选出的超限学习机计算待测脑电信号数据的输出权重矩阵；计算待测脑电信号数据的输出权重矩阵的奇异值，该奇异值即为待测脑电信号数据的数据特征。在使用相同分类器的前提下，本发明公开的方法提取的脑电信号特征数据的分类准确率高达86.69％，比利用传统的分类方法高出10.24％。
Description
技术领域
本发明属于模式识别领域，涉及超限学习机自编码方法在运动想象脑电信号中特征提取方法。
背景技术
人类的行为、思想和情绪等高级的神经活动都要受到大脑的支配和控制，因此，大脑中含有丰富的有用信息。如何有效的获取并利用大脑的这些有效信息一直是研究者们关注的热点问题。脑电(electroencephalogram，EEG)信号主要由大脑内大量相互关联的神经元之间相互作用所引起的大脑皮层中的事件相关电位变化，是目前获取大脑信息的重要手段之一。脑-机接口(Brain-Computer Interface,BCI)技术建立了大脑和外部设备(比如计算机或其他设备)间可以直接传递信息的通道，是利用大脑信息的有效手段。
脑-机接口技术中的关键是脑电信号的识别技术，对脑电数据识别的第一步是提取含有判别信息的特征同时降低数据的维度。特征提取的好坏将直接影响分类分类器的最终性能。好的特征提取算法能够有效的将脑电信号映射和转化成差异较大的特征向量，更加有利于下一步的分类。传统的脑电信号特征提取方法有主成分分析，线性判别分析，小波分析等方法。
超限学习机(Extreme Learning Machines，ELM)方法是在2004年由南洋理工大学的黄广斌教授首次提出，是一种简单易用且有效的单隐层前馈神经网络的学习算法。超限学习机在参数设定中只需要一次性设置该网络的隐层节点个数，在算法执行过程中并不需要调整输入层与隐层节点之间的权值以及隐元的偏置，因此，在算法的执行过程中不需要人工的干预。ELM以训练速度极快和应用简单这两个突出的优点迅速在机器学习领域得到了广大学者的青睐。超限学习机常用于解决分类与回归的问题。ChamaraKasun等人把自编码的思想和超限学习机相结合提出了超限学习机自编码(Extreme Learning MachineAuto-encoder,ELM-AE)的方法。该方法按照自编码的思想利用超限学习机中的隐层节点的输出权重矩阵对应的奇异值来表达输入层数据的特征。本文受ELM-AE的启发提出ELM-AE提取脑电信号特征的方法，以实现提取脑电信号的判别信息特征同时降低数据的维度更有利于下一步分类的目的。
发明内容
本发明设计开发了基于超限学习机自编码的运动想象脑电信号特征的提取方法。
本发明提供的技术方案为：
基于超限学习机自编码的运动想象脑电信号特征的提取方法，包括：
步骤一、筛选训练数据集和测试数据集；
步骤二、利用训练数据集训练多个超限学习机模型，使训练出的多个超限学习机模型能对人在想象运动任务时产生的脑电信号数据进行分类，其中，每个超限学习机模型中包含的隐层节点的个数不同；
从多个由训练数据集训练后的超限学习机模型中，筛选出对测试数据集分类正确率最高的超限学习机模型，并记录筛选出的超限学习机模型包含的隐层节点的个数；(将测试数据集中的脑电信号数据分别输入到多个超限学习机模型，超限学习机模型对测试数据集中的脑电信号数据进行分类，确定每个脑电信号数据关联的运动任务)
步骤三、依据由步骤二筛选出的超限学习机模型包含的隐层节点的个数，通过超限学习机自编码方法提取待测脑电信号数据的数据特征，具体为：
若待测脑电信号数据的维度大于或小于筛选出的超限学习机模型所包含的隐层节点的个数，则依据步骤二筛选出的超限学习机模型包含的隐层节点的个数、激励函数以及公式(1)～(4)，得到待测脑电信号数据的输出权重矩阵；
若待测脑电信号数据的维度等于筛选出的超限学习机模型所包含的隐层节点的个数，则依据步骤二筛选出的超限学习机依据其包含的隐层节点的个数、激励函数以及公式(1)～(3)、(5)和(6)，得到待测脑电信号数据的输出权重矩阵；
aTa＝I (1),
bTb＝1 (2),
β＝H-1T (5)，
βTβ＝I (6)；
其中，a为筛选出的超限学习机模型的输入层与隐层之间的连接权值矩阵，aT为a的转置矩阵，b为筛选出的超限学习机模型的输入层与隐层之间的偏置向量，bT为b的转置向量，I为单位矩阵；H为待测脑电信号数据的隐层节点的输出矩阵,G是激活函数，N为待测脑电信号数据的样本数量，L为筛选出的超限学习机模型所包含的隐层节点的个数；β为待测脑电信号数据的隐层节点的输出权重矩阵，C是一个常数，是调节正则化项的参数，X为待测脑电信号数据的样本集合,x待测脑电数据中的一个样本，T为X关联的运动任务标签；
计算待测脑电信号数据的输出权重矩阵β的奇异值，该奇异值即为待测脑电信号数据的数据特征。
优选的是，所述的提取方法中，所述步骤一中，训练数据集中包括被试在想象不同运动任务时的多个脑电信号数据，每个脑电信号数据关联一运动任务，每一运动任务对应一运动任务标签，测试数据集中包括被试在想象不同运动任务时的多个脑电信号数据，每个脑电信号数据关联一运动任务，每一运动任务对应一运动任务标签。
优选的是，所述的提取方法中，所述步骤二中，利用训练数据集训练多个超限学习机模型，使训练出的多个超限学习机模型能对人在想象运动任务时产生的脑电信号数据进行分类，具体为：
将训练数据集中的数据分别输入到多个超限学习机中，依据预设定隐层节点个数、激励函数以及公式(7)～(10)训练每个超限学习机模型，
其中，H'为训练集数据的隐层节点的输出矩阵，G'是隐层的激活函数，aq'为超限学习机模型的输入层与隐层之间的连接权值矩阵，b'为超限学习机模型的输入层与隐层之间的偏置向量，x'表示隐层节点的输入，p是训练数据集中的脑电信号数据的样本个数，q是是预设定隐层节点个数，为训练数据集的脑电信号数据的隐层节点的输出权重矩阵，为H'的广义逆矩阵，Y表示训练数据中的脑电信号数据关联的运动任务所对应的运动任务标签的集合，y表示训练数据中一个脑电信号数据关联的运动任务所对应运动任务标签，是y1转置，是yp转置，m为运动任务类别总数，β'为训练数据集中的脑电信号数据的隐层节点的输出权重矩阵；
从多个由训练数据集训练后的超限学习机模型中，筛选出对测试数据集分类正确率最高的超限学习机模型，并记录筛选出的超限学习机模型包含的隐层节点的个数，具体为：
利用每个经训练数据集训练后的超限学习机对测试数据集中的脑电信号数据进行分类，确定测试数据集中每个脑电信号数据对应的运动任务标签，将分类出的测试数据集中每个脑电信号数据对用的运动任务标签与该脑电信号数据关联的运动任务标签比较，若相同，则正确，若不相同，则错误，统计每个经训练数据集训练后的超限学习机对测试数据集中的脑电信号数据分类的正确率，筛选出正确率最高的超限学习机模型，记录筛选出的超限学习机模型包含的隐层节点的个数。
本发明公开一种基于超限学习机自编码的运动想象脑电信号特征的提取方法。超限学习机自编码方法以自编码神经网络为框架和以超限学习机为理论基础。与传统特征提取方法相比，在使用相同分类器的前提下，本发明公开的方法提取的脑电信号特征数据的分类准确率高达86.69％，比利用传统的分类方法高出10.24％。
附图说明
图1为本发明流程图。
图2为本发明的筛选出的超限学习机对脑电数据的数据特征的提取示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
如图1～2所示，基于超限学习机自编码的运动想象脑电信号特征的提取方法，包括：
步骤一、筛选训练数据集和测试数据集，训练数据集中包括被试在想象不同运动任务时的多个脑电信号数据，每个脑电信号数据关联一运动任务，每一运动任务关联一运动任务标签，测试数据集中包括被试在想象不同运动任务时的多个脑电信号数据，每个脑电信号数据关联一运动任务，每一运动任务关联一运动任务标签；本发明所使用的脑电信号数据来自BCI竞赛2003data set Ia，该数据是由图宾根大学医学心理学与行为神经生物学院的Niels Birbaumer所提供的一段高质量的脑电信号数据集。
步骤二、利用训练数据集训练多个超限学习机模型，使训练出的多个超限学习机模型能对人在想象运动任务时产生的脑电信号数据进行分类，其中，每个超限学习机模型中包含的隐层节点的个数不同，具体为：
选取具有不同隐层节点个数的超限学习机，对测试数据中的脑电信号数据进行分类，得到对应的分类正确率，隐层节点个数从20开始以20为单位依次递增到D(D为输入数据的维度)，选出分类正确率最大时的隐节点的个数；
将训练数据集中的数据分别输入到多个超限学习机中，依据预设定隐层节点个数、激励函数以及公式(7)～(10)训练每个超限学习机模型，
其中，H'为训练集数据的隐层节点的输出矩阵，G'是隐层的激活函数，通常可以选择“Sigmoid”，“Hardlimit”等，Sigmoid:Hardlimit:a′q为超限学习机模型的输入层与隐层之间的连接权值矩阵，b'为超限学习机模型的输入层与隐层之间的偏置向量，x'表示隐层节点的输入，p是训练数据集中的脑电信号数据的样本个数，q是是预设定隐层节点个数，为训练数据集的脑电信号数据的隐层节点的输出权重矩阵，为H'的广义逆矩阵，Y表示训练数据中的脑电信号数据关联的运动任务所对应的运动任务标签的集合，y表示训练数据中一个脑电信号数据关联的运动任务所对应运动任务标签，是y1转置，是yp转置，m为运动任务类别总数，β'为训练数据集中的脑电信号数据的隐层节点的输出权重矩阵；
从多个由训练数据集训练后的超限学习机模型中，筛选出对测试数据集中的脑电信号数据分类正确率最高的超限学习机模型，并记录筛选出的超限学习机模型包含的隐层节点的个数，具体为：
利用每个经训练数据集训练后的超限学习机对测试数据集中的脑电信号数据进行分类，确定测试数据集中每个脑电信号数据对应的运动任务标签，即先确定测试数据集每个脑电数据关联的运动任务，再确定该运动任务关联的运动任务标签，该运动任务标签即为该脑电数据对应的运动任务标签，将分类出的测试数据集中每个脑电信号数据对应的运动任务标签与该脑电信号数据关联的运动任务标签比较，若相同，则正确，若不相同，则错误，统计每个经训练数据集训练后的超限学习机对测试数据集中的脑电信号数据分类的正确率，筛选出正确率最高的超限学习机模型，记录筛选出的超限学习机模型包含的隐层节点的个数。
步骤三、依据由步骤二筛选出的超限学习机模型包含的隐层节点的个数，通过超限学习机自编码方法提取待测脑电信号数据的数据特征，具体为：
若待测脑电信号数据的维度大于或小于筛选出的超限学习机模型所包含的隐层节点的个数(若大于，该筛选出的超限学习机为压缩形，通过本方法对脑电数据的维度降低；若小于，该筛选出的超限学习机为压缩形为疏散形，通过本方法对脑电数据的维度提高)，则依据步骤二筛选出的超限学习机依据其包含的隐层节点的个数、激励函数以及公式(1)～(4)，得到待测脑电信号数据的输出权重矩阵；
若待测脑电信号数据的维度等于筛选出的超限学习机模型所包含的隐层节点的个数(该筛选出的超限学习机为相等形，提取的数据特征的维度与原待测脑电数据维度相等)，则筛选出的超限学习机依据其包含的隐层节点的个数、激励函数以及公式(1)～(3)、(5)和(6)，得到待测脑电信号数据的输出权重矩阵；
aTa＝I (1)，
bTb＝1 (2)，
β＝H-1T (5)，
βTβ＝I (6)；
其中，a为筛选出的超限学习机模型的输入层与隐层之间的连接权值矩阵，aT为a的转置矩阵，b为筛选出的超限学习机模型的输入层与隐层之间的偏置向量，bT为b的转置向量，I为单位矩阵；H为待测脑电信号数据的隐层节点的输出矩阵,G是激活函数，通常可以选择“Sigmoid”，“Hardlimit”等，Sigmoid:Hardlimit:N为待测脑电信号数据的样本数量，L为筛选出的超限学习机模型所包含的隐层节点的个数；β为待测脑电信号数据的隐层节点的输出权重矩阵，C是一个常数，是调节正则化项的参数，X为待测脑电信号数据的样本集合,x待测脑电数据中的一个样本，T为X关联的运动任务标签；
计算待测脑电信号数据的输出权重矩阵β的奇异值，该奇异值即为待测脑电信号数据的数据特征。
图2中，X为待测脑电数据，r和s为测试数据中第r维和第s维脑电信号数据，g1＝G(a1,b1,x)是第一个隐层节点的输出，gL＝G(aL,bL,x)是第L隐节点的输出，βr是隐层与输出层第r个节点的连接权重。
验证：
本实施例中选用任意一数据集，该数据集包括被试在想象不同运动任务时的多个脑电信号数据，每个脑电信号数据关联一个该脑电数据实际的运动任务标签，对该数据集的脑电信号数据分类使用本发明公开的方法进行数据特征提取和使用传统的主成分分析(Principal Component Analysis，PCA)方法进行数据特征提取。将两种方法提取的数据特征用支持向量机(Support Vector Machine，SVM)分类器进行验证，本发明对脑电数据特征提取的正确率为86.69％，传统的PCA方法对脑电数据特征提取的正确率为76.45％，本发明所提出的方法分类准确率比传统方法提高了10.24％。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (1)
1.基于超限学习机自编码的运动想象脑电信号特征的提取方法，其特征在于，包括：
步骤一、筛选训练数据集和测试数据集；
步骤二、利用训练数据集训练多个超限学习机模型，使训练出的多个超限学习机模型能对人在想象运动任务时产生的脑电信号数据进行分类，其中，每个超限学习机模型中包含的隐层节点的个数不同；
从多个由训练数据集训练后的超限学习机模型中，筛选出对测试数据集中的数据分类正确率最高的超限学习机模型，记录筛选出的超限学习机模型包含的隐层节点的个数；
步骤三、依据由步骤二筛选出的超限学习机模型包含的隐层节点的个数，通过超限学习机自编码方法提取待测脑电信号数据的数据特征，具体为：
若待测脑电信号数据的维度大于或小于筛选出的超限学习机模型所包含的隐层节点的个数，则依据步骤二中筛选出的超限学习机模型包含的隐层节点的个数、激励函数以及公式(1)～(4)，得到待测脑电信号数据的输出权重矩阵；
若待测脑电信号数据的维度等于筛选出的超限学习机模型所包含的隐层节点的个数，则依据步骤二中筛选出的超限学习机模型包含的隐层节点的个数、激励函数以及公式(1)～(3)、(5)和(6)，得到待测脑电信号数据的输出权重矩阵；
aTa＝I (1),
bTb＝1 (2),
<mrow>
<mi>H</mi>
<mo>=</mo>
<msub>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>L</mi>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>L</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>N</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>L</mi>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>L</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>N</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mi>L</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
<mrow>
<mi>&beta;</mi>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mi>I</mi>
<mi>C</mi>
</mfrac>
<mo>+</mo>
<msup>
<mi>H</mi>
<mi>T</mi>
</msup>
<mi>H</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<mi>H</mi>
<mi>T</mi>
</msup>
<mi>X</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
β＝H-1T (5)，
βTβ＝I (6)；
其中，a为筛选出的超限学习机模型的输入层与隐层之间的连接权值矩阵，aT为a的转置矩阵，b为筛选出的超限学习机模型的输入层与隐层之间的偏置向量，bT为b的转置向量，I为单位矩阵；H为待测脑电信号数据的隐层节点的输出矩阵，G是激活函数，N为待测脑电信号数据的样本数量，L为筛选出的超限学习机模型所包含的隐层节点的个数；β为待测脑电信号数据的隐层节点的输出权重矩阵，C是一个常数，是调节正则化项的参数，X为待测脑电信号数据的样本集合，x待测脑电数据中的一个样本，T为X关联的运动任务标签；
计算待测脑电信号数据的输出权重矩阵β的奇异值，该奇异值即为待测脑电信号数据的数据特征；
其中，所述步骤一中，训练数据集中包括被试在想象不同运动任务时的多个脑电信号数据，每个脑电信号数据关联一运动任务，每一运动任务对应一运动任务标签，测试数据集中包括被试在想象不同运动任务时的多个脑电信号数据，每个脑电信号数据关联一运动任务，每一运动任务对应一运动任务标签；
所述步骤二中，利用训练数据集训练多个超限学习机模型，使训练出的多个超限学习机模型能对人在想象运动任务时产生的脑电信号数据进行分类，具体为：
将训练数据集中的数据分别输入到多个超限学习机中，依据预设定隐层节点个数、激励函数以及公式(7)～(10)训练每个超限学习机模型，
<mrow>
<msup>
<mi>H</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<msub>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>G</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msup>
<mi>G</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>a</mi>
<mi>q</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<msub>
<mi>b</mi>
<mi>q</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>G</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<msub>
<mi>x</mi>
<mi>p</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msup>
<mi>G</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>a</mi>
<mi>q</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<msub>
<mi>b</mi>
<mi>q</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<msub>
<mi>x</mi>
<mi>p</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mi>p</mi>
<mo>&times;</mo>
<mi>q</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>H</mi>
<mo>,</mo>
</msup>
<msup>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mo>,</mo>
</msup>
<mo>-</mo>
<mi>Y</mi>
<mo>|</mo>
<mo>|</mo>
<mo>=</mo>
<munder>
<mi>min</mi>
<msup>
<mi>&beta;</mi>
<mo>,</mo>
</msup>
</munder>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>H</mi>
<mo>,</mo>
</msup>
<msup>
<mi>&beta;</mi>
<mo>,</mo>
</msup>
<mo>-</mo>
<mi>Y</mi>
<mo>|</mo>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>Y</mi>
<mo>=</mo>
<msub>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>y</mi>
<mn>1</mn>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>y</mi>
<mi>p</mi>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>p</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，H'为训练集数据的隐层节点的输出矩阵，G'是隐层的激活函数，aq'为超限学习机模型的输入层与隐层之间的连接权值矩阵，b'为超限学习机模型的输入层与隐层之间的偏置向量，x'表示隐层节点的输入，p是训练数据集中的脑电信号数据的样本个数，q是是预设定隐层节点个数，为训练数据集的脑电信号数据的隐层节点的输出权重矩阵，为H'的广义逆矩阵，Y表示训练数据中的脑电信号数据关联的运动任务所对应的运动任务标签的集合，y表示训练数据中一个脑电信号数据关联的运动任务所对应的运动任务标签，是y1转置，是yp转置，m为运动任务类别总数，β'为训练数据集中的脑电信号数据的隐层节点的输出权重矩阵；
从多个由训练数据集训练后的超限学习机模型中，筛选出对测试数据集中的数据分类正确率最高的超限学习机模型，并记录筛选出的超限学习机模型包含的隐层节点的个数，具体为：
利用每个经训练数据集训练后的超限学习机对测试数据集中的脑电信号数据进行分类，确定测试数据集中每个脑电信号数据对应的运动任务标签，将分类出的测试数据集中每个脑电信号数据对应的运动任务标签与该脑电信号数据关联的运动任务标签比较，若相同，则正确，若不相同，则错误，统计每个经训练数据集训练后的超限学习机对测试数据集中的脑电信号数据分类的正确率，筛选出正确率最高的超限学习机模型，记录筛选出的超限学习机模型包含的隐层节点的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510256463.9A CN104799852B (zh) | 2015-05-19 | 2015-05-19 | 基于超限学习机自编码的运动想象脑电信号特征的提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510256463.9A CN104799852B (zh) | 2015-05-19 | 2015-05-19 | 基于超限学习机自编码的运动想象脑电信号特征的提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104799852A CN104799852A (zh) | 2015-07-29 |
| CN104799852B true CN104799852B (zh) | 2018-05-08 |
Family
ID=53685373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510256463.9A Active CN104799852B (zh) | 2015-05-19 | 2015-05-19 | 基于超限学习机自编码的运动想象脑电信号特征的提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104799852B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779091B (zh) * | 2016-12-23 | 2019-02-12 | 杭州电子科技大学 | 一种基于超限学习机及到达距离的周期振动信号定位方法 |
| CN106951844A (zh) * | 2017-03-10 | 2017-07-14 | 中国矿业大学 | 一种基于深度极速学习机的脑电信号分类方法及系统 |
| CN107085704A (zh) * | 2017-03-27 | 2017-08-22 | 杭州电子科技大学 | 基于elm自编码算法的快速人脸表情识别方法 |
| CN106821376B (zh) * | 2017-03-28 | 2019-12-06 | 南京医科大学 | 一种基于深度学习算法的癫痫发作预警系统 |
| CN108181995A (zh) * | 2018-01-31 | 2018-06-19 | 京东方科技集团股份有限公司 | 交互系统、方法及装置 |
| CN110646203B (zh) * | 2019-08-23 | 2021-06-04 | 中国地质大学（武汉） | 基于奇异值分解和自编码器的轴承故障特征提取方法 |
| CN112244877B (zh) * | 2020-10-15 | 2021-09-07 | 燕山大学 | 一种基于脑机接口的大脑意图识别方法及系统 |
| CN113951898B (zh) * | 2021-10-15 | 2023-03-10 | 浙江大学 | 数据迁移的p300脑电信号检测方法及装置、电子设备、介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SG183435A1 (en) * | 2010-03-15 | 2012-09-27 | Singapore Health Serv Pte Ltd | Method of predicting the survivability of a patient |
| KR101910576B1 (ko) * | 2011-11-08 | 2018-12-31 | 삼성전자주식회사 | 인공신경망을 이용하여 신속하게 입력 패턴을 분류하는 방법 및 장치 |
| CN104361345A (zh) * | 2014-10-10 | 2015-02-18 | 北京工业大学 | 基于约束极速学习机的脑电信号分类方法 |
| CN104598920B (zh) * | 2014-12-30 | 2016-05-18 | 中国人民解放军国防科学技术大学 | 基于Gist特征与极限学习机的场景分类方法 |
| CN104523268B (zh) * | 2015-01-15 | 2017-02-22 | 江南大学 | 一种具备迁移学习能力的脑电信号识别模糊系统方法 |
-
2015
- 2015-05-19 CN CN201510256463.9A patent/CN104799852B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104799852A (zh) | 2015-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104799852B (zh) | 基于超限学习机自编码的运动想象脑电信号特征的提取方法 | |
| Yang et al. | A recurrence quantification analysis-based channel-frequency convolutional neural network for emotion recognition from EEG | |
| CN106886792B (zh) | 一种基于分层机制构建多分类器融合模型的脑电情感识别方法 | |
| Zamanian et al. | A new feature extraction method to improve emotion detection using EEG signals | |
| Yao et al. | Deep feature learning and visualization for EEG recording using autoencoders | |
| CN113191225B (zh) | 一种基于图注意力网络的情绪脑电识别方法及系统 | |
| CN106529476A (zh) | 一种基于深层堆叠网络的脑电信号特征提取及分类方法 | |
| CN112766355B (zh) | 一种标签噪声下的脑电信号情绪识别方法 | |
| Luo et al. | A GAN-based data augmentation method for multimodal emotion recognition | |
| CN104299225A (zh) | 一种表情识别在大数据分析的应用方法及系统 | |
| CN111920420A (zh) | 一种基于统计学习的患者行为多模态分析与预测系统 | |
| CN106503616A (zh) | 一种基于分层超限学习机的运动想象脑电信号分类方法 | |
| Bai et al. | Emotional monitoring of learners based on EEG signal recognition | |
| CN113158984A (zh) | 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 | |
| Huang et al. | Classify motor imagery by a novel CNN with data augmentation | |
| Liu et al. | P300 event-related potential detection using one-dimensional convolutional capsule networks | |
| Zainuddin et al. | Machine learning and deep learning performance in classifying dyslexic children’s electroencephalogram during writing | |
| Li et al. | STSNet: a novel spatio-temporal-spectral network for subject-independent EEG-based emotion recognition | |
| CN104850225B (zh) | 一种基于多层次融合的活动识别方法 | |
| CN112274154A (zh) | 基于脑电样本权重调整的跨被试疲劳驾驶分类方法 | |
| Wang et al. | Multi-channel EEG classification based on Fast convolutional feature extraction | |
| Guo et al. | Brain visual image signal classification via hybrid dilation residual shrinkage network with spatio-temporal feature fusion | |
| Xuan et al. | Emotion recognition from EEG using all-convolution residual neural network | |
| Yashaswini et al. | Stress detection using deep learning and IoT | |
| Regin et al. | Use of a fatigue framework to adopt a new normalization strategy for deep learning-based augmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20150729 Assignee: Luoyang Lexiang Network Technology Co.,Ltd. Assignor: Beijing University of Technology Contract record no.: X2024980000083 Denomination of invention: A Method for Extracting Features of Motion Imagination EEG Signals Based on Overlimit Learning Machine Self encoding Granted publication date: 20180508 License type: Common License Record date: 20240104 Application publication date: 20150729 Assignee: Luoyang Jingrui Industrial Technology Co.,Ltd. Assignor: Beijing University of Technology Contract record no.: X2024980000079 Denomination of invention: A Method for Extracting Features of Motion Imagination EEG Signals Based on Overlimit Learning Machine Self encoding Granted publication date: 20180508 License type: Common License Record date: 20240104 |
|
| EE01 | Entry into force of recordation of patent licensing contract |