本發(fā)明涉及模式識別和機器學習領(lǐng)域，具體涉及一種基于深度極速學習機的腦電信號分類方法及系統(tǒng)。

背景技術(shù)：

腦機接口是基于腦電信號實現(xiàn)人腦與計算機或其它電子設(shè)備通訊和控制的技術(shù)。腦機接口的核心技術(shù)是對預處理的腦電信號進行特征提取和對已經(jīng)提取的腦電信號進行分類。近年來，隨著計算機技術(shù)的發(fā)展，腦機接口得到了突飛猛進的進展，腦機接口應(yīng)用到醫(yī)學、軍事等許多領(lǐng)域。目前，腦電信號的分類方法有決策樹、貝葉斯分類器、k近鄰分類器、支持向量機、極速學習機等。其中多數(shù)分類算法是淺層神經(jīng)網(wǎng)絡(luò)算法，對復雜函數(shù)的表示能力有限，而深度學習沒有這種限制。

深度學習是一種多隱層多層感知器的人工神經(jīng)網(wǎng)絡(luò)學習算法，實現(xiàn)復雜函數(shù)的逼近并緩解了以前多層神經(jīng)網(wǎng)絡(luò)算法的局部最小性問題。2006年，深度學習的概念被首次提出。隨后，深度置信網(wǎng)、堆疊自動編碼器這些深度網(wǎng)絡(luò)模型被提出。2013年，有學者在自動編碼器和極速學習機基礎(chǔ)上提出多層極速學習機模型。極速學習機是一種高效簡潔的單隱層前饋神經(jīng)網(wǎng)絡(luò)的學習算法。

腦電信號需要在受試者大腦皮層采集，需要預處理加工。在經(jīng)典的模式識別中，一般是事先提取特征，預處理的腦電信號提取到的特征的不同對分類性能影響很大。深度極速學習機是一種有效且快速的深度神經(jīng)網(wǎng)絡(luò)學習方法，通過堆疊極速學習機-自動編碼器算法構(gòu)建多層神經(jīng)網(wǎng)絡(luò)模型，最后把學習到的特征映射到核空間分類。深度極速學習機是一種有效且快速的深度神經(jīng)網(wǎng)絡(luò)學習方法，通過堆疊極速學習機-自動編碼器算法構(gòu)建多層神經(jīng)網(wǎng)絡(luò)模型，最后把學習到的特征映射到核空間分類。深度極速學習機不用對數(shù)據(jù)進行復雜的迭代操作，可以方便地把數(shù)據(jù)作為輸入，通過大量的數(shù)據(jù)一次性學習得到有效的特征，然后把學習到的特征映射到核空間分類。

技術(shù)實現(xiàn)要素：

為了解決腦電信號分類問題，本發(fā)明提出一種基于深度學習機的腦電信號分類方法及系統(tǒng)，直接將腦電信號預處理后的數(shù)據(jù)作為輸入，訓練得到深度極速學習機神經(jīng)網(wǎng)絡(luò)模型，該模型不僅可以對預處理后的腦電信號進行多次非線性映射，實現(xiàn)腦電信號的深度特征提取，還能把學習到的特征映射到核空間分類，從而得到每個腦電信號對應(yīng)的標簽，明顯提高了識別的正確率和效率。

本發(fā)明是通過以下方案實現(xiàn)的：

本發(fā)明涉及一種基于深度極速學習機的腦電信號分類方法，通過構(gòu)建帶標簽的訓練集作為樣本集對深度極速學習機網(wǎng)絡(luò)進行訓練，并將訓練好的神經(jīng)網(wǎng)絡(luò)處理預處理后的腦電信號，最后根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出向量判斷分類結(jié)果。

本發(fā)明具體步驟如下：

步驟1，制作訓練集并將腦電信號做預處理：根據(jù)未加工的腦電信號，制作自然風景圖像的訓練集和標簽集，訓練集為經(jīng)過預處理后的數(shù)據(jù)。以視覺反饋為例，每個預處理后的腦電信號有5376個特征屬性，它是采集6個通道3.5秒的腦電信號得到的，每個通道采樣率都是256赫茲。

步驟2，構(gòu)造三隱層的深度極速學習機神經(jīng)網(wǎng)絡(luò)：輸入層的數(shù)據(jù)是預處理得到的腦電信號(以視覺反饋為例，每個預處理后的腦電信號有5376個特征屬性，類別數(shù)為2，因此輸入層與輸出層的隱層節(jié)點數(shù)分別為5376與2)，前兩個隱層節(jié)點數(shù)人為指定為500(其權(quán)值用極速學習機-自動編碼器學習)，此時結(jié)束了特征提取的過程，隨后將學習到的特征映射到核空間得到最后一層隱層的輸出，因此第三層的隱層節(jié)點數(shù)不需要人為指定。

步驟3，訓練深度極速學習機神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的基本參數(shù)和規(guī)格設(shè)置完成后，首先利用極速學習機-自動編碼器學習前兩層隱層的連接權(quán)值，隨后計算訓練數(shù)據(jù)第二層隱層的輸出作為最后一層隱層對應(yīng)的權(quán)值，最后結(jié)合最小二乘方法根據(jù)標簽與最后一層隱層的輸出計算網(wǎng)絡(luò)的輸出權(quán)值，具體過程如下：

步驟3.1：計算輸入層與第一層隱層間的權(quán)值：建立一個極速學習機-自動編碼器的網(wǎng)絡(luò)模型，其輸入與輸出都是預處理完的數(shù)據(jù)，其隱層節(jié)點數(shù)為多層神經(jīng)網(wǎng)絡(luò)第一層隱層的節(jié)點數(shù)500，網(wǎng)絡(luò)的輸入權(quán)值隨機確定，用最小二乘方法一次計算出輸出權(quán)值，最后此輸出權(quán)值的轉(zhuǎn)置對應(yīng)的就是輸入層與第一層隱層間的權(quán)值；

步驟3.2：計算第一層隱層與第二層隱層間的權(quán)值：同樣建立一個極速學習機-自動編碼器的網(wǎng)絡(luò)模型，其輸入與輸出都是第一層隱層的輸出，其隱層節(jié)點數(shù)為多層神經(jīng)網(wǎng)絡(luò)第二層隱層的節(jié)點數(shù)500，網(wǎng)絡(luò)的輸入權(quán)值隨機確定，用最小二乘方法一次計算出輸出權(quán)值，最后此輸出權(quán)值的轉(zhuǎn)置對應(yīng)的就是第一層隱層與第二層隱層間的權(quán)值；

步驟3.3：計算第二層隱層與第三層隱層間的權(quán)值：將學習到的特征映射到核空間得到最后一層隱層的輸出，所以第二層隱層與第三層隱層間的權(quán)值就是訓練數(shù)據(jù)第二層隱層的輸出；

步驟3.4：計算最后一層隱層與輸出層間的權(quán)值：利用最小二乘算法根據(jù)最后一層隱層的輸出與對應(yīng)的標簽計算最后一層隱層與輸出層間的權(quán)值。

步驟4：腦電信號的分類，以以視覺反饋為例，每個預處理后的腦電信號有5376個特征屬性，然后將其輸入到訓練好的神經(jīng)網(wǎng)絡(luò)中，最終得到對應(yīng)的一組標簽。

通過以上內(nèi)容可知，本申請?zhí)峁┑氖且环N基于深度極速學習機的腦電信號分類方法及系統(tǒng)，首先制作根據(jù)實際需要制作訓練集和標簽，然后設(shè)計網(wǎng)絡(luò)的層數(shù)、每層的節(jié)點數(shù)目等等，之后將訓練集預處理后輸入網(wǎng)絡(luò)中完成對網(wǎng)絡(luò)權(quán)值的學習，最后輸入腦電信號，預處理后輸入神經(jīng)網(wǎng)絡(luò)，完成對腦電信號的分類。本申請通過深度極速學習機神經(jīng)網(wǎng)絡(luò)識別腦電信號，實現(xiàn)了多層的特征提取，直接將腦電信號預處理后的向量作為網(wǎng)絡(luò)的輸入，分類準確率很高；且網(wǎng)絡(luò)一經(jīng)訓練即可反復使用，處理效率高；訓練時間短。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案,下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹,顯而易見地,下面描述中的附圖僅僅是本發(fā)明的一些實施例,對于本領(lǐng)域普通技術(shù)人員來講,在不付出創(chuàng)造性勞動的前提下,還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本申請實施例提供的一種腦電信號分類方法的流程圖。

圖2為本申請所使用的深度極速學習機神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本申請實施例中的附圖,對本申請實施例中的技術(shù)方案進行清楚、完整地描述,顯然,所描述的實施例僅僅是本申請一部分實施例,而不是全部的實施例。基于本申請中的實施例,本領(lǐng)域普通技術(shù)人員在沒有付出創(chuàng)造性勞動前提下所獲得的所有其它實施例,都屬于本申請保護的范圍。

實施例1

如圖1所示，本實施例包括以下步驟：

步驟1，腦電信號預處理：

步驟1.1：確定每次試驗的通道數(shù)以及每個通道采樣率，視覺反饋試驗中有6個通道，每個通道采樣率都是256赫茲；

步驟1.2：確定每次試驗的有效時長，視覺反饋試驗中的視覺反饋是從第2秒到第5.5秒，每次試驗只有這3.5秒的時間間隔用于訓練或測試，因此每個預處理后的腦電信號有5376個特征屬性，每個預處理后的腦電信號對應(yīng)一組標簽，2*1的矩陣代表每個預處理后的腦電信號的標簽。

步驟2，構(gòu)建深度極速學習機神經(jīng)網(wǎng)絡(luò)：

本實施例中采用的深度極速學習機-徑向基神經(jīng)網(wǎng)絡(luò)是一個多層的神經(jīng)網(wǎng)絡(luò)，由輸入層、隱層和輸出層等多層組成。

步驟2.1：前兩層隱層節(jié)點數(shù)人為指定為500；

步驟2.2：隨后將第二層隱層的輸出映射到核空間得到最后一層隱層的輸出，因此第三層的隱層節(jié)點數(shù)不需要人為指定，輸出層設(shè)置為2個節(jié)點。

步驟3，訓練多層極速學習機-徑向基神經(jīng)網(wǎng)絡(luò)：

步驟3.1：利用極速學習機-自動編碼器的網(wǎng)絡(luò)計算前兩層隱層的連接權(quán)值；

步驟3.2：將學習到的特征映射到核空間得到最后一層隱層的輸出，所以第二層隱層與第三層隱層間的權(quán)值就是訓練數(shù)據(jù)第二層隱層的輸出；

步驟3.3：利用最小二乘算法根據(jù)最后一層隱層的輸出與對應(yīng)的標簽計算最后一層隱層與輸出層間的權(quán)值。

步驟4，腦電信號的分類：

步驟4.1：在得到腦電信號之后，首先進行預處理，視覺反饋試驗中的腦電信號預處理后可以得到5376*1的向量；

步驟4.2：得到預處理之后的數(shù)據(jù)，輸入到已經(jīng)訓練保存好的神經(jīng)網(wǎng)絡(luò)中，等待輸出，然后依據(jù)輸出向量完成對腦電信號的分類。