基于集成极限学习机的脑电信号分类研究

发布时间：2020-09-08 17:22

　　脑电信号是大脑组织电活动和功能状态的综合反映,它通过在入脑上分布的电极记录下大脑的生理电活动,是一种包含多种信息且高度复杂的随机信号。长期以来,人们使用脑电信号诊断病人的脑部疾病(例如癫痫、精神分裂症等),取得了很好的效果。随着疾病诊疗的发展,传统的人工阅读方法已经不能满足现代脑电信号分析的需求,因此利用机器学习等智能方法实现脑电信号自动分类逐渐成为研究的焦点。脑电信号自动分类过程主要分为两个阶段：信号的特征提取和分类。在信号特征提取阶段,针对传统方法只能提取信号单一特性的问题,本文提出一种小波包与样本熵混合的脑电信号特征提取方法,利用小波包变换提取信号的线性特征,同时结合样本熵提取信号的非线性特征,能够更好地表现脑电信号线性与非线性的双重特点。在分类阶段,为解决单一极限学习机分类结果随机不稳定的问题,本文采用集成学习思想,依据不同的集成策略提出两种改进的集成极限学习机分类算法。基于线性判别分析的集成极限学习机分类方法使用并行的集成策略,利用线性判别分析对重采样产生的各个训练子集进行变换,得到相互间差异较大的子集,增加各个学习器间的差异性,减小集成泛化误差。基于互信息的Adaboost极限学习机分类算法利用串行的集成策略,增加误分样本对单一极限学习机的影响,并嵌入互信息输入变量选择,以整体学习器最终的性能作为评价指标,实现对输入变量以及网络模型的优化。仿真结果表明：本文所提特征提取方法能够充分得到信号全面的信息特征,有利于分类器分类。所提的两种集成极限学习机分类方法能够有效提升分类精度,具有更好的泛化性能。
【学位单位】：大连理工大学
【学位级别】：硕士
【学位年份】：2015
【中图分类】：R741.044;TN911.7
【部分图文】：

脑电信号,正常人,模型拟合,实际值

图２．１是一段正常人和醉酒者脑电信号利用ＡＲ模型拟合的结果，使用ＡＩＣ确定模逡逑数为２０。可以看出，ＡＲ模型的预测值与实际值的趋势几乎相同，说明该模型能够逡逑的表示出信号的实际特征。逡逑

原理图,小波包分解,原理图,多尺度分解

逦逡逑分解系数去表示原始信号过程中它更为灵活，还可以任意多尺度分解信号，解决逡逑变换时域频域无法改变的不足，因此小波包变换在提取信号特征方面性能更优逡逑小波包分解原理图如图２．３所示。逡逑

示意图,脑电信号,小波包

＼Ｐ邋ｋ＝＼逡逑最后将每个子频带的各项统计特征综合保存起来，作为分类数据。下图为经过小波逡逑包分解后，Ｓ１０邋（高频）和Ｓ１１邋（低频）节点脑电信号的示意图。能够看出，原信号经逡逑过小波包分解后，形成了高频信号和低频信号，即详细信号和逼近信号，两种信号在幅逡逑值和频率上都有着本质的差别，它们共同表达可以充分体现出原始脑电信号的特征。逡逑

【参考文献】