[發(fā)明專利]一種基于仿生群智能IWOA-ELM腦電分類方法

在審

• 申請?zhí)枺?/td>: 202110481848.0
• 申請日: 2021-04-30
• 公開（公告）號: CN113326736A
• 公開（公告）日: 2021-08-31
• 發(fā)明（設(shè)計）人: 段立娟;連召洋;喬元華;王卓崢;苗軍
• 申請（專利權(quán)）人: 北京工業(yè)大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 北京思海天達知識產(chǎn)權(quán)代理有限公司 11203
• 代理人: 劉萍

1.基于改進的仿生群智能IWOA-ELM腦電分類方法，包括模型預(yù)處理、特征提取和分類識別模塊；具體包括以下步驟：

A.步驟(1)腦電信號預(yù)處理

把得到腦電數(shù)據(jù)隨機打亂并歸一化，并用交疊的滑動時間窗口對數(shù)據(jù)分段，得到分段后的子數(shù)據(jù)；

B.步驟(2)提取腦電結(jié)合特征

1)通過PCA在分段數(shù)據(jù)內(nèi)提取主成分特征，并消除冗余噪聲；

2)通過LDA在分段數(shù)據(jù)內(nèi)提取考慮訓練數(shù)據(jù)標簽信息的判別性特征；

3)得到PCA和LDA后的線性結(jié)合特征；

C步驟(3)腦電信號分類識別

IWOA-ELM分類模型的過程如下：

1)對問題進行建模，并產(chǎn)生初始種群；

2)利用仿生策略更新距離度量和位置；

3)與改進的IELM算法結(jié)合計算準確率并將其轉(zhuǎn)換為適應(yīng)值；

4)更新最優(yōu)解及對應(yīng)準確率。

2.根據(jù)權(quán)利要求1所述的基于改進的仿生群智能IWOA-ELM腦電分類方法，其特征在于：步驟(1)所述模型預(yù)處理具體為：

首先，把得到腦電數(shù)據(jù)隨機打亂并歸一化；然后，考慮腦電信號的復(fù)雜性和不穩(wěn)定性，用交疊的滑動窗口分段來保留腦電信號中的有用信息；基于實驗室早期的工作，也選擇A1和A2優(yōu)勢電極，每個電極有896維；每個電極的數(shù)據(jù)通過一個500ms的時間窗口和125ms的交疊窗口被分成9段子數(shù)據(jù)，A1和A2兩個電極一共18段子數(shù)據(jù)，每個子數(shù)據(jù)段有128維。

3.根據(jù)權(quán)利要求1所述的基于改進的仿生群智能IWOA-ELM腦電分類方法，其特征在于：步驟(2)所述提取結(jié)合特征具體為：

通過PCA和LDA獲得線性結(jié)合特征；

1)首先分別對每段分段數(shù)據(jù)進行PCA降維；

通過優(yōu)化目標函數(shù)L_P(w_P)獲得權(quán)重W_P

其中C_var是輸入子數(shù)據(jù)段X_P的協(xié)方差，λ_P為特征向量w_P對應(yīng)的特征值，權(quán)重W_P矩陣由對應(yīng)的一系列特征向量w_P組成；

通過子數(shù)據(jù)X_P和獲得的W_P得到Y(jié)_P

Y_P＝X_PW_p

其中，N為樣本數(shù)，M每個腦電樣本中每個分段經(jīng)過PCA處理前的輸入維數(shù)，

對每個樣本中的18個數(shù)據(jù)段中的每個子數(shù)據(jù)進行PCA并降低到D＝16維，此時累計貢獻率大于99％；

2)其次，分別對PCA降維后的每段分段數(shù)據(jù)進行LDA轉(zhuǎn)換；通過優(yōu)化目標函數(shù)L_PL(w_PL)獲得權(quán)重W_PL

其中S_W和S_B分別是經(jīng)過LDA后的分段子特征X_PL，即Y_P，的類內(nèi)和類間協(xié)方差，λ_PL為特征向量w_PL對應(yīng)的特征值，權(quán)重W_PL矩陣由對應(yīng)的一系列特征向量w_PL組成；

通過輸入子特征X_PL和獲得的W_PL得到LDA的輸出特征Y_PL

對每個樣本中的18個數(shù)據(jù)段的每個子數(shù)據(jù)X_PL分別進行LDA操作得到Y(jié)_PL；由于實驗數(shù)據(jù)集是一個二分類問題，因此每個16維特征子數(shù)據(jù)被映射到1維空間；

3)得到PCA和LDA后的線性結(jié)合特征；

每個樣本有18個1維特征子數(shù)據(jù)，這18個1維特征子數(shù)據(jù)結(jié)合成一個18維特征向量，這個18維特征向量便是線性組合特征，所有樣本的非線性組合特征記作Y_PLC。

4.根據(jù)權(quán)利要求1所述的基于改進的仿生群智能IWOA-ELM腦電分類方法，其特征在于：步驟(3)所述腦電信號分類識別由以下方法構(gòu)建：

1)對問題進行建模，并產(chǎn)生初始種群；

提取的特征X_fea即Y_PLC和初始權(quán)重W_i(iter)、偏置b_i(iter)，作為IWOA-ELM的輸入，編碼為初始總體的個體X_ind(iter-1)；

X_ind(iter-1)＝f_en(W(iter-1)，b(iter-1))

式中，X_ind(iter-1)是第iter-1次迭代的種群中個體，約束為1≤iter≤N_iter+1，迭代次數(shù)N_iter＝50，ind為個體的序號，個體總數(shù)60；W(iter-1)和b(iter-1)分別是權(quán)重矩陣和偏置，由WOA隨機初始化和優(yōu)化；f_en是IWOA-ELM中從權(quán)重W_i(iter)和偏置b_i(iter)到個體X_ind(iter-1)的編碼函數(shù)，其中X_fea會在后面步驟(3)的3)中用到；

2)利用仿生策略更新距離度量和位置；

利用仿生策略BNAS和SEM更新種群中個體的距離度量D₁或D₂和位置X_ind(iter)；

根據(jù)判定參數(shù)A_iter，選擇進入開采利用階段或開發(fā)和探索階段；

A_iter＝2·a_iter·p_r-a_iter

式中，p_r是一個隨機值，約束為0＜p_r＜1；中間變量a_iter從2線性減少到0，并且與N_iter相關(guān)；A_iter是-a_iter到a_iter之間的隨機系數(shù)向量；

如果|A_iter|≤N_A，N_A＝1，剛算法進入開采利用階段；

a.開采利用階段

式中，和X_ind(iter-1)分別是第iter-1次迭代時的局部最優(yōu)解和當前解位置；D₁度量當前與最優(yōu)X_ind(iter-1)解之間的距離，以影響算法朝當前最優(yōu)解之間的距離；

根據(jù)判定參數(shù)q_r，選擇SEM 1或BNAS更新策略；

SEM 1更新策略如下：

如果q_r＜N_p，N_p＝0.5則通過SEM 1更新個體的位置X_ind(iter)，并且q_r是具有0＜q_r＜1約束的隨機值；

BNAS更新策略如下：

如果q_r≥N_p，則通過螺旋式BNAS更新個體的位置X_ind(iter)；

式中，常數(shù)b與螺旋曲線的變化有關(guān)，b＝1；l_r為隨機值，約束條件為-1＜1_r＜1；

如果|A_iter|＞N_A，剛算法進入開發(fā)和搜索階段，并通過SEM 2更新個體的位置；

SEM 2策略更新如下：

b.開發(fā)和搜索階段

式中，C為2p_r，X_ind(iter-1)和分別是在第iter-1次迭代時當前個體和其他隨機選擇的個體的位置；在第iter-1次迭代時，D₂度量當前X_ind(iter-1)和其他隨機選擇的解之間的距離；

3)改進的IELM算法：包括V-ELM和ML-ELM，結(jié)合計算準確率并將其轉(zhuǎn)換為適應(yīng)值；

a.與V-ELM結(jié)合

為了避免對最佳個體的誤判，選出前12名較好的個體并投票做最終決定；

式中，zn是投票器個數(shù)；根據(jù)適合度值選擇前個zn＝12個體其中，1≤z≤zn，f_de是個體的解碼函數(shù)，Y₁(iter)，…，Y_z(iter)，…，Y_zn(iter)是單隱層ELM的估計值；

[Y₁(iter)，…，Y_z(iter)，…，Y_zn(iter)]＝f_elm(W₁(iter)，b₁(iter)，…，W_z(iter)，b_z(iter)，…，W_zn(iter)，b_zn(iter)，X_fea)

式中，f_elm是關(guān)于基本的ELM分類方法的函數(shù)，X_fea即Y_PLC是線性組合特征；其中f_elm函數(shù)操作如下：

f_de從WOA-ELM中的個體到連接權(quán)重W_i(iter)和偏置b_i(iter)的解碼函數(shù)，H是隱藏層的輸出，定義如下：

H(iter)＝g(W_z(iter)X_fea+b_z(iter))

其中，g(·)是激活函數(shù)，X_fea是輸入的線性組合特征，迭代iter處的隱藏層權(quán)重β(iter)定義如下：

β(iter)＝(C₀I+H(iter)H(iter)^T)^-1H(iter)T_label.

其中，C₀是正則化系數(shù)，C₀＝10¹，I為單位矩陣，T_label是真實標簽；Y(iter)是WOA-ELM算法的估計值；通過估計值Y(iter)和真標簽T_label，得到分類準確率和適應(yīng)值；Y(iter)定義如下：

Y_z(iter)＝H(iter)β(iter)

對較優(yōu)個體的單隱層ELM的估計值Y₁(iter)，…，Y_z(iter)，…，Y_zn(iter)投票：

Y_v(iter)＝f_vote(Y₁(iter)，…，Y_z(iter)，…Y_zn(iter))

f_vote是投票函數(shù)，根據(jù)較優(yōu)個體的估計值Y₁(iter)，…，Y_z(iter)，…，Y_zn(iter)，采用少數(shù)服從多數(shù)的投票策略，如果票數(shù)相同，則取最優(yōu)個體的結(jié)果；通過訓練集的投票評估后的值Y_v(iter)和真實的標簽值T_label，估計準確率并計算適應(yīng)度值；

b.與ML-ELM結(jié)合

ML-ELM基于多層神經(jīng)網(wǎng)絡(luò)，原始ML-ELM中的輸入層節(jié)點X_fea與隱藏層節(jié)點之間的初始連接權(quán)重W_i(iter)和偏置b_i(iter)遵循隨機設(shè)置方法；而在WOA-MLELM中則通過BNAS和SEM優(yōu)化初始權(quán)重和偏置，在不同的隱藏層間引入不同的正則化機制C_i、C_k+1來生成合適的稀疏權(quán)重矩陣，提高WOA-MLELM的泛化性能；

[W₁(iter)，b₁(iter)，…，W_k(iter)，b_k(iter)]＝f_de(X_ind(iter))

式中，f_en是從連接權(quán)重W_i(iter)和偏置b_i(iter)到WOA-MLELM中的個體X_ind(iter)的解碼函數(shù)，H是隱藏層的輸出，定義如下：

式中，g(·)是激活函數(shù)，X_fea是輸入的線性組合特征；當0≤i≤k＝2時，通過偽逆計算的隱藏層權(quán)重β_i(iter)定義如下：

式中，r₀＝0.05是常系數(shù)，I為單位矩陣，j是H_i(iter)矩陣中的行序號，r_j是H_i(iter)矩陣中行向量的平均值，C_i是第i層隱藏層處的正則化因子，C₁＝10¹和C_k＝C₂＝10⁴，L_H是一個對角矩陣，由H_i(iter)H_i(iter)^T矩陣中每個行向量中的最大值組成的對角矩陣；

β_k+1(iter)＝(C_k+1I+H_k(iter)H_k(iter)^T)^-1H_k(iter)T_label.

式中，I為單位矩陣，通過在隱藏層k+1處的正則化因子和真實標簽T_label，得到WOA-MLELM算法的估計值Y_ml(iter)，進而估計準確率并計算適應(yīng)度值；其中C_k+1＝C₃＝10²；

Y_ml(iter)＝H_k(iter)β_k+1(iter)

4)更新最優(yōu)解及對應(yīng)準確率；

更新當前迭代最優(yōu)解及對應(yīng)的準確率，獲得全局歷史迭代最優(yōu)解和準確率；通過該方法完成測試集中腦電信號的分類，通過輸入EEG信號獲得輸出估計值Y_ml(iter)和Y_v(iter)，與閾值0做對比，預(yù)測值大于0，剛為類別1，預(yù)測值小于0，則為類別2，從而判斷測試集中該信號的在二分類問題中的類別。