一种新的BP学习算法及在运动想象脑电信号分类识别中的应用
发布时间：2021-08-29 07:58
对运动想象（MI）脑电信号的正确分类是决定基于运动想象脑电的脑-机接口（BCI）性能的关键因素。为有效地提取MI脑电信号特征、提高分类正确率,提出一种基于单形进化的BP神经网络优化算法（BPSSSE）并运用于MI脑电信号的识别。提取自相关（AR）模型参数和希尔伯特边际谱作为特征输入,通过单形进化算法优化BP神经网络学习性能,实现对MI脑电信号的分类。测试实验中,对BCI竞赛数据进行左右手分类,结果表明在4 s～8 s时间段内平均分类正确率为80.17%,最高分类正确率为87.14%。证明了本文算法在基于MI脑电的脑机交互控制系统中应用研究的有效性和可行性。
【文章来源】：传感技术学报. 2020,33(09)北大核心CSCD
【文章页数】：6 页
【部分图文】：
C3、C4导联功率谱图
1998年美籍华人Huang等人提出一种针对非线性、非平稳性信号自适应分解的算法-经验模态分解方法EMD(Empirical Mode Decomposition),并引入希尔伯特-黄变换方法[16]。通过EMD方法根据信号本身的尺度特征将信号分解为一系列本征模函数IMF(Intrinsic Mode Function),脑电信号的非平稳性和非线性特征能在各阶IMF分量中显现出来。每组脑电信号分解出的IMF分量阶数不同,从能量角度和频率分布的角度来说,大部分的运动想象相关脑电信号分布在前三阶IMF分量中,因此特征提取过程选取前三阶分量进行。对信号EMD分解后得到的每一阶IMF分量进行Hilbert变换得到相对应的Hilbert谱H(ω,t)。在Hilbert谱定义的基础上,对时间积分可得Hilbert边际谱,表示为:
图3呈现了分别用传统BP神经网络和BPSSSE对MI脑电进行训练并分类。传统神经网络使用的是MATLAB软件中自带的newff函数所建立的BP神经网络,训练算法选用traingdm。由图3(a)可知,传统 BP 神经网络算法在前期迭代的过程中误差一直处于较高水平且收敛过程比较缓慢,在后期迭代结束后误差仍没有达到稳定状态。由图3(b)可知,BPSSSE误差收敛速度较快,几乎呈直线下降,在前期迭代过程中误差已经降低到较低水平,迭代700次左右时误差达到稳定状态,且误差值比传统BP 神经网络更小。在相同迭代次数的情况下,BPSSSE训练误差下降速度更快,误差值更小,耗时更短,精确率更高。表2呈现的是传统BP神经网络与BPSSSE相关参数值,两种BP神经网络的最高分类正确率分别是82.86%和87.14%,BPSSSE比传统BP神经网络的迭代误差低0.277 4,测试结果的方差小9.82,运行时间短0.927 s。这是因为传统BP神经网络智能优化算法本质上为梯度下降法,优化的目标函数较为复杂,参数较多,很多研究加入更多参数对它们进行改进,这样更增加算法的复杂性;且若不能正确选取多个控制参数或初始点位置选取不合适,很容易陷入局部最优,最终很难得到全局最优的神经网络权值。而本文采用的单形进化智能优化算法只有一个控制参数:群体数量,它具有较强的单形邻域全局随机搜索能力和多角色态进化策略,减少了算法的控制参数,保持了粒子的多样性;它通过粒子的多角色态,避免算法陷入局部最优解,减少对初始值的依赖。上述分析验证了无论在分类正确率、网络模型稳定性,误差迭代值还是在训练时间上BPSSSE都更有优势。
【参考文献】：
期刊论文
[1]基于脑电两节律和BP神经网络的运动想象分类研究[J]. 蔡靖,李玉涛,宋雪丰,张帆,刘光达. 电子测量与仪器学报. 2020(06)
[2]基于小波包和共同空间模型的运动想象脑电信号特征提取算法[J]. 高枫,鲁昊,高诺. 生物医学工程研究. 2019(04)
[3]基于一种新智能优化算法与谱相关方法对重力固体潮的分析[J]. 高略,全海燕. 地震工程学报. 2018(03)
[4]基于局部均值分解和多尺度熵的运动想象脑电信号特征提取方法[J]. 邹晓红,张轶勃,孙延贞. 高技术通讯. 2018(01)
[5]A Surface-Simplex Swarm Evolution Algorithm[J]. QUAN Haiyan,SHI Xinling. Wuhan University Journal of Natural Sciences. 2017(01)
[6]基于盲源分离的运动想象脑电信号特征提取方法的研究[J]. 张立国,张玉曼,金梅,于国辉. 计量学报. 2015 (05)
[7]基于希尔伯特-黄变换和BP神经网络的运动想象脑电研究[J]. 金海龙,张志慧. 生物医学工程学杂志. 2013(02)
[8]左右手运动想象脑电模式识别研究[J]. 刘成,何可人,周天彤,邹凌. 常州大学学报(自然科学版). 2013(01)
[9]基于小波方差的运动想象脑电信号特征提取[J]. 颜世玉,王宏,刘冲,赵海滨. 东北大学学报(自然科学版). 2012(07)
[10]基于CSP与SVM算法的运动想象脑电信号分类[J]. 刘冲,赵海滨,李春胜,王宏. 东北大学学报(自然科学版). 2010(08)
硕士论文
[1]基于脑电信号检测的麻醉深度监测算法研究[D]. 丁正敏.华南理工大学 2018
本文编号：3370236
【文章来源】：传感技术学报. 2020,33(09)北大核心CSCD
【文章页数】：6 页
【部分图文】：
C3、C4导联功率谱图
1998年美籍华人Huang等人提出一种针对非线性、非平稳性信号自适应分解的算法-经验模态分解方法EMD(Empirical Mode Decomposition),并引入希尔伯特-黄变换方法[16]。通过EMD方法根据信号本身的尺度特征将信号分解为一系列本征模函数IMF(Intrinsic Mode Function),脑电信号的非平稳性和非线性特征能在各阶IMF分量中显现出来。每组脑电信号分解出的IMF分量阶数不同,从能量角度和频率分布的角度来说,大部分的运动想象相关脑电信号分布在前三阶IMF分量中,因此特征提取过程选取前三阶分量进行。对信号EMD分解后得到的每一阶IMF分量进行Hilbert变换得到相对应的Hilbert谱H(ω,t)。在Hilbert谱定义的基础上,对时间积分可得Hilbert边际谱,表示为:
图3呈现了分别用传统BP神经网络和BPSSSE对MI脑电进行训练并分类。传统神经网络使用的是MATLAB软件中自带的newff函数所建立的BP神经网络,训练算法选用traingdm。由图3(a)可知,传统 BP 神经网络算法在前期迭代的过程中误差一直处于较高水平且收敛过程比较缓慢,在后期迭代结束后误差仍没有达到稳定状态。由图3(b)可知,BPSSSE误差收敛速度较快,几乎呈直线下降,在前期迭代过程中误差已经降低到较低水平,迭代700次左右时误差达到稳定状态,且误差值比传统BP 神经网络更小。在相同迭代次数的情况下,BPSSSE训练误差下降速度更快,误差值更小,耗时更短,精确率更高。表2呈现的是传统BP神经网络与BPSSSE相关参数值,两种BP神经网络的最高分类正确率分别是82.86%和87.14%,BPSSSE比传统BP神经网络的迭代误差低0.277 4,测试结果的方差小9.82,运行时间短0.927 s。这是因为传统BP神经网络智能优化算法本质上为梯度下降法,优化的目标函数较为复杂,参数较多,很多研究加入更多参数对它们进行改进,这样更增加算法的复杂性;且若不能正确选取多个控制参数或初始点位置选取不合适,很容易陷入局部最优,最终很难得到全局最优的神经网络权值。而本文采用的单形进化智能优化算法只有一个控制参数:群体数量,它具有较强的单形邻域全局随机搜索能力和多角色态进化策略,减少了算法的控制参数,保持了粒子的多样性;它通过粒子的多角色态,避免算法陷入局部最优解,减少对初始值的依赖。上述分析验证了无论在分类正确率、网络模型稳定性,误差迭代值还是在训练时间上BPSSSE都更有优势。
【参考文献】：
期刊论文
[1]基于脑电两节律和BP神经网络的运动想象分类研究[J]. 蔡靖,李玉涛,宋雪丰,张帆,刘光达. 电子测量与仪器学报. 2020(06)
[2]基于小波包和共同空间模型的运动想象脑电信号特征提取算法[J]. 高枫,鲁昊,高诺. 生物医学工程研究. 2019(04)
[3]基于一种新智能优化算法与谱相关方法对重力固体潮的分析[J]. 高略,全海燕. 地震工程学报. 2018(03)
[4]基于局部均值分解和多尺度熵的运动想象脑电信号特征提取方法[J]. 邹晓红,张轶勃,孙延贞. 高技术通讯. 2018(01)
[5]A Surface-Simplex Swarm Evolution Algorithm[J]. QUAN Haiyan,SHI Xinling. Wuhan University Journal of Natural Sciences. 2017(01)
[6]基于盲源分离的运动想象脑电信号特征提取方法的研究[J]. 张立国,张玉曼,金梅,于国辉. 计量学报. 2015 (05)
[7]基于希尔伯特-黄变换和BP神经网络的运动想象脑电研究[J]. 金海龙,张志慧. 生物医学工程学杂志. 2013(02)
[8]左右手运动想象脑电模式识别研究[J]. 刘成,何可人,周天彤,邹凌. 常州大学学报(自然科学版). 2013(01)
[9]基于小波方差的运动想象脑电信号特征提取[J]. 颜世玉,王宏,刘冲,赵海滨. 东北大学学报(自然科学版). 2012(07)
[10]基于CSP与SVM算法的运动想象脑电信号分类[J]. 刘冲,赵海滨,李春胜,王宏. 东北大学学报(自然科学版). 2010(08)
硕士论文
[1]基于脑电信号检测的麻醉深度监测算法研究[D]. 丁正敏.华南理工大学 2018
本文编号：3370236
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3370236.html
