[發明專利]一種基于仿生群智能IWOA-ELM腦電分類方法

在審

• 申請號: 202110481848.0
• 申請日: 2021-04-30
• 公開（公告）號: CN113326736A
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 段立娟;連召洋;喬元華;王卓崢;苗軍
• 申請（專利權）人: 北京工業大學
• 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權代理有限公司 11203
• 代理人: 劉萍

一種基于仿生群智能IWOA?ELM腦電分類方法屬于生物信息學領域。WOA?VELM和WOA?MLELM，用于更好的改善分類模型中存在的病態隨機單隱層前饋神經網絡的問題。在預處理和特征提取后，為了避免WOA?ELM分類模型中最佳個體的誤判，在WOA?VELM中選出了前幾名較好個體，并對其進行投票。WOA?MLELM通過氣泡網攻擊策略和收縮包圍機制等不同的仿生策略優化輸入層節點和隱層節點之間的初始連接權值和偏置，并在不同層引入不同的正則化機制，生成合適的稀疏權值矩陣，提高WOA?MLELM的泛化性能。結果表明，該方法的平均準確率在腦電分類數據集上優于其他方法。

技術領域

本發明涉及運動想象任務中腦電信號的分類識別領域以及生物信息學領域。

背景技術

腦電信號分類技術的突破，將引發人機交互技術的又一次技術革命，這將對醫療保健、 智能汽車和仿人機器人產生重要影響。

經過預處理和特征提取后的數據主要用于腦電信號的分類和識別，因此，選擇合適的 分類器來驗證提取特征的有效性有利于我們對腦電信號的分析研究。常用的分類器是支持 向量機，它以結構風險最小化理論為基礎，在特征空間中構造最優分割超平面。利用非線 性核映射算法，將低維輸入空間的線性不可分樣本轉換為高維特征空間，使其線性可分， 并將基于支持向量機的算法用于腦電信號分類。然而，支持向量機對缺失數據非常敏感， 對非線性問題沒有通用的解決方案。對于一些復雜的非線性問題，很難找到合適的核函數，

黃提出了一種用于分類的單隱層前饋神經網絡模型，稱為極限學習機(ELM)。 ML-ELM(Multi-Layer Extreme Learning Machine)通過添加隱藏層，將基礎的極限學習機(ELM)引深到深層網絡結構。分層極限學習機(HELM，Hierarchical ELM)通過結合稀 疏自動編碼器(SAE-ELM)將其引入到深層網絡結構中，提高了分類準確率。采用PCA 和LDA提取特征后，分別采用ELM、約束CELM(CELM，Constrained ELM)、ML-ELM 和HELM對腦電信號進行分類并取得了相對不錯的結果。

雖然基于ELM及改進算法在腦電信號的分類任務中已經取得了不錯的結果，但是基 于不同ELM分類模型的權值和偏置都是隨機初始化的，容易導致產生病態隨機單隱層前饋神經網絡(IRSLFN，Ill-conditioned Random Single-Hidden-Layer FeedforwardNetwork) 的問題。群智能優化算法是一種仿生的隨機概率啟發式搜索算法，相對傳統算法比較容易 跳出局部最優解，如何結合較新的群體智能算法以及各種有效的仿生策略來優化不同ELM 算法的初始化權重、偏置是一個需要解決的問題。

發明內容

針對上述背景，本發明提出采用提出結合群體智能算法以及多種高效的仿生策略優化 不同ELM算法的初始化權重、偏置等，用于提升腦電信號中分類識別準確率。

具體技術方案如下：

包括模型預處理、特征提取和分類識別模塊。具體包括以下步驟：

步驟(1)腦電信號預處理

把得到腦電數據隨機打亂并歸一化，并用交疊的滑動時間窗口對數據分段，得到分段 后的子數據。

步驟(2)提取腦電結合特征

1)通過PCA在分段數據內提取主成分特征，并消除冗余噪聲。

2)通過LDA在分段數據內提取考慮訓練數據標簽信息的判別性特征。

3)得到PCA和LDA后的線性結合特征。

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，并產生初始種群。