免疫多域特征融合的多核学习SVM运动想象脑电信号分类

发布时间：2021-12-30 00:14

　　针对多通道四类运动想象（Motor imagery, MI）脑电信号（Electroencephalography, EEG）的分类问题,提出免疫多域特征融合的多核学习SVM （Support vector machine）运动想象脑电信号分类算法.首先,通过离散小波变换（Discrete wavelet transform, DWT）提取脑电信号的时频域特征,并利用一对多公共空间模式（One versus the rest common spatial patterns, OVR-CSP）提取脑电信号的空域特征,融合时频空域特征形成特征向量.其次,利用多核学习支持向量机（Multiple kernel learning support vector machine, MKL-SVM）对提取的特征向量进行分类.最后,利用免疫遗传算法（Immune genetic algorithm, IGA）对模型的相关参数进行优化,得到识别率更高的脑电信号分类模型.采用BCI2005desc-Ⅲa数据集进行实验验证,对比结果表明,本文所提出的分类模型有效地解决了传统单域特征提取算法特征单一、信息描述... 

【文章来源】：自动化学报. 2020,46(11)北大核心EICSCD

【文章页数】：10 页

【部分图文】：

四种算法下K3b受试者进化图Fig.7EvolutiongraphofK3bsubjectwithfouralgorithms

不同数量的训练集分类正确率Fig.8Classificationaccuracyofdifferentnumbersoftrainingsets

11期张宪法等:免疫多域特征融合的多核学习SVM运动想象脑电信号分类2419图1不同小波函数的SVM分类正确率Fig.1ClassificationaccuraciesofdifferentwaveletsusingtheSVMclassifier1.2运动想象脑电信号空域特征提取一对多公共空间模式(Oneversustherestcommonspatialpatterns,OVR-CSP)提取运动想象脑电信号的空域特征.公共空间模式(Commonspatialpatterns,CSP)是通过矩阵的对角化,来构建一组最优的空间滤波器进行投影,目的是使得两类数据的方差值差异最大化,每类数据获得具有较高区分度的特征向量.而一对多公共空间模式(OVR-CSP)[13]是将公共空间模式从对两类信号特征提取扩展到对多类信号进行特征提取,原理是将多类中的一类看作单独一类,剩余的其他类则归为一类,依次计算出每“两类”的滤波器,最终可获得与类别数目相同的滤波器个数.对四类运动想象脑电信号进行特征提取,因此会得到四个滤波器投影矩阵.使用一对多公共空间模式对经过预处理的四类运动想象脑电信号进行空域特征提取的过程如下:假设Xi为四类运动想象脑电信号,大小为N×T(T≥N),N为采集信号的通道数,T为每个通道的采样点数.分别计算四类信号的归一化协方差矩阵Ri:Ri=XiXTitr(XiXTi),i=1,2,3,4(1)式(1)中,tr(XiXTi)为获得矩阵XiXTi的迹,XTi为Xi的转置.接着计算混合空间协方差矩阵R:R=ˉR1+ˉR2+ˉR3+ˉR4(2)式(2)中,ˉRi(i=1,2,3,4)表示第i类信号全部实验的平均协方差矩阵.接着对R进行奇异

【参考文献】：
期刊论文
[1]基于免疫堆叠降噪自编码机网络的运动想象脑电信号识别[J]. 郝矿荣,原博炜,陈磊,丁永生.  控制与决策. 2018(04)
[2]基于CSP与卷积神经网络算法的多类运动想象脑电信号分类[J]. 曾庆山,范明莉,宋庆祥.  科学技术与工程. 2017(27)
[3]基于总体经验模态分解的多类特征的运动想象脑电识别方法研究[J]. 杨默涵,陈万忠,李明阳.  自动化学报. 2017(05)
[4]多类运动想象脑电信号的两级特征提取方法[J]. 孟明,朱俊青,佘青山,马玉良,罗志增.  自动化学报. 2016(12)
[5]多任务运动想象脑电特征的融合分类研究[J]. 张焕,乔晓艳.  传感技术学报. 2016(06)
[6]脑控:基于脑-机接口的人机融合控制[J]. 王行愚,金晶,张宇,王蓓.  自动化学报. 2013(03)
[7]基于冗余离散小波变换的信号配准及分类[J]. 李德强,吴永国,罗海波.  自动化学报. 2011(01)

硕士论文
[1]CSP算法在多任务下的扩展及在脑—机接口中的应用[D]. 陈魁.南昌大学 2010



本文编号：3557101