引用本文

张宪法, 郝矿荣, 陈磊. 免疫多域特征融合的多核学习SVM运动想象脑电信号分类. 自动化学报, 2020, 46(11): 2417-2426 doi: 10.16383/j.aas.c180247

Zhang Xian-Fa, Hao Kuang-Rong, Chen Lei. Motor imagery EEG classiflcation based on immune Multidomain-feature fusion and multiple kernel learning SVM. Acta Automatica Sinica, 2020, 46(11): 2417-2426 doi: 10.16383/j.aas.c180247

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180247

关键词

离散小波变换，公共空间模式，多核学习支持向量机，免疫遗传，运动想象，脑电信号 

摘要

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、信息描述不足的问题, 更准确地表达了不同受试者个性化的多域特征, 取得了94.21%的识别率, 优于使用相同数据集的其他方法.

文章导读

随着计算机技术和脑科学的发展, 人们开始尝试构建一种大脑与外界的交流通路, 此通路不依赖外周神经和肌肉组织的参与, 能将大脑信号解读成相应的命令来实现与外部世界的交流和控制, 此通路被命名为脑—机接口(Brain computer interface, BCI)[1]. BCI这种人与外界交流通路, 在康复工程与智能辅助机器人上的应用也引起了人们的重视[2], 但是脑-机接口是一项多学科交叉技术, 其关键在于如何有效、准确地对脑电信号进行特征提取和分类[3].目前, EEG特征提取主流算法包括时域特征提取(自适应自回归模型[4])、频域特征提取(小波包分解[5])、空域下特征提取(公共空间模式[6])等; 分类方法包括线性分类器、支持向量机[7]和神经网络[8]等.

脑电信号的识别过程一般是先对原始信号进行预处理, 然后采用上述算法进行特征提取, 再使用相关分类算法进行模式识别. BCI系统利用此方法, 取得了良好的分类效果, 但对于运动想象脑电信号的识别, 上述方法仍然存在脑电信号特征单一、信息描述不足、对多维脑电数据适应度低、识别精度低等问题[9].

针对以上问题, 本文提出结合免疫遗传优化算法和多域特征融合的多核学习支持向量机模型, 有效地解决了单域下特征信息描述不足的问题.离散小波分析具有时、频同时局部化的优点, 能将信号能量强度或密度的变化在时、频域上同时表示出来, 有利于更直观地观察与分析; 公共空间模式能有效地表现出两类特征在空域的差异, 但是对于多类运动想象信号的识别, 仍然存在识别率低下的问题, 文献[10]利用公共空间模式分别对两类和四类运动想象信号进行分类, 两类的正确率高达97%, 四类最好为79%.多核学习支持向量机有效解决了多类运动想象脑电信号识别精度低的缺陷.不同高斯核分别对应多个不同域下的特征, 每个核具有一个权系数, 每个权系数能够在训练中, 通过梯度下降自适应地学习到最优的值, 使得模型具有更好的鲁棒性和分类性能, 克服单核学习中对单域特征的依赖.同时利用免疫遗传算法优化模型中的相关参数.实验结果表明, 本文提出的免疫多域特征融合多核学习支持向量机的多类运动想象脑电信号分类算法提高了多类运动想象脑电信号的识别率.

图 1  不同小波函数的SVM分类正确率

图 2  不同种类核函数MKL-SVM分类正确率

图 3  不同基核个数的训练耗时对比

针对运动想象脑电信号分类时存在脑电信号特征单一、信息描述不足、对多维脑电数据适应度低、识别精度低等问题, 本文创新性地将多域特征融合, 充分利用每个域信号的特点, 并使用多核学习支持向量机自适应地对不同域特征进行融合训练, 提高了多类运动想象脑电信号的分类正确率.实验证明本文提出的算法优于其他脑电信号的分类算法, 为多类运动想象脑电信号识别提供了一种有效的新方法.

本文提出的免疫多域特征融合的多核学习SVM运动想象脑电信号分类算法具有较高的识别率和实时性, 在实时BCI系统中, 可用于脑电信号的特征提取和模式分类阶段, 对于此阶段的计算延时, 相比文献[21] BCI系统中的200 ms, 文献[22] BCI系统中的100 ms, 本文算法为40 ms.但是一个实时BCI系统由多个部分组成, 例如信号的采集、信号的传输、信号的预处理以及控制指令的形成、发送、响应, 在每一个阶段都有对系统延时的要求.下一步将本文算法应用到实时BCI系统时, 不仅要考虑每一阶段所使用算法的有效性, 还要考虑计算延时、信号传输延时、信号响应延时等.

作者简介

张宪法

东华大学信息科学与技术学院硕士研究生.主要研究方向为脑-机BCI系统, 模式识别, 机器学习. E-mail:xianfazw@163.com

陈磊

博士, 东华大学信息科学与技术学院副教授.主要研究方向为过程控制, 系统辨识, 工业大数据分析. E-mail: leichen@dhu.edu.cn

郝矿荣

博士, 东华大学信息科学与技术学院教授. 1995年获法国国立路桥工程师大学科研中心博士学位.主要研究方向为机器视觉和图像处理, 机器人控制, 智能控制, 数字化纺织技术.本文通信作者. E-mail: krhao@dhu.edu.cn