對(duì)運(yùn)動(dòng)想象（MI）腦電信號(hào)的正確分類是決定基于運(yùn)動(dòng)想象腦電的腦-機(jī)接口（BCI）性能的關(guān)鍵因素。為有效地提取MI腦電信號(hào)特征、提高分類正確率,提出一種基于單形進(jìn)化的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法（BPSSSE）并運(yùn)用于MI腦電信號(hào)的識(shí)別。提取自相關(guān)（AR）模型參數(shù)和希爾伯特邊際譜作為特征輸入,通過單形進(jìn)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)性能,實(shí)現(xiàn)對(duì)MI腦電信號(hào)的分類。測(cè)試實(shí)驗(yàn)中,對(duì)BCI競(jìng)賽數(shù)據(jù)進(jìn)行左右手分類,結(jié)果表明在4 s～8 s時(shí)間段內(nèi)平均分類正確率為80.17%,最高分類正確率為87.14%。證明了本文算法在基于MI腦電的腦機(jī)交互控制系統(tǒng)中應(yīng)用研究的有效性和可行性。 

【文章來源】：傳感技術(shù)學(xué)報(bào). 2020,33(09)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

C3、C4導(dǎo)聯(lián)功率譜圖

1998年美籍華人Huang等人提出一種針對(duì)非線性、非平穩(wěn)性信號(hào)自適應(yīng)分解的算法-經(jīng)驗(yàn)?zāi)B(tài)分解方法EMD(Empirical Mode Decomposition),并引入希爾伯特-黃變換方法[16]。通過EMD方法根據(jù)信號(hào)本身的尺度特征將信號(hào)分解為一系列本征模函數(shù)IMF(Intrinsic Mode Function),腦電信號(hào)的非平穩(wěn)性和非線性特征能在各階IMF分量中顯現(xiàn)出來。每組腦電信號(hào)分解出的IMF分量階數(shù)不同,從能量角度和頻率分布的角度來說,大部分的運(yùn)動(dòng)想象相關(guān)腦電信號(hào)分布在前三階IMF分量中,因此特征提取過程選取前三階分量進(jìn)行。對(duì)信號(hào)EMD分解后得到的每一階IMF分量進(jìn)行Hilbert變換得到相對(duì)應(yīng)的Hilbert譜H(ω,t)。在Hilbert譜定義的基礎(chǔ)上,對(duì)時(shí)間積分可得Hilbert邊際譜,表示為:

圖3呈現(xiàn)了分別用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和BPSSSE對(duì)MI腦電進(jìn)行訓(xùn)練并分類。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)使用的是MATLAB軟件中自帶的newff函數(shù)所建立的BP神經(jīng)網(wǎng)絡(luò),訓(xùn)練算法選用traingdm。由圖3(a)可知,傳統(tǒng) BP 神經(jīng)網(wǎng)絡(luò)算法在前期迭代的過程中誤差一直處于較高水平且收斂過程比較緩慢,在后期迭代結(jié)束后誤差仍沒有達(dá)到穩(wěn)定狀態(tài)。由圖3(b)可知,BPSSSE誤差收斂速度較快,幾乎呈直線下降,在前期迭代過程中誤差已經(jīng)降低到較低水平,迭代700次左右時(shí)誤差達(dá)到穩(wěn)定狀態(tài),且誤差值比傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)更小。在相同迭代次數(shù)的情況下,BPSSSE訓(xùn)練誤差下降速度更快,誤差值更小,耗時(shí)更短,精確率更高。表2呈現(xiàn)的是傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)與BPSSSE相關(guān)參數(shù)值,兩種BP神經(jīng)網(wǎng)絡(luò)的最高分類正確率分別是82.86%和87.14%,BPSSSE比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的迭代誤差低0.277 4,測(cè)試結(jié)果的方差小9.82,運(yùn)行時(shí)間短0.927 s。這是因?yàn)閭鹘y(tǒng)BP神經(jīng)網(wǎng)絡(luò)智能優(yōu)化算法本質(zhì)上為梯度下降法,優(yōu)化的目標(biāo)函數(shù)較為復(fù)雜,參數(shù)較多,很多研究加入更多參數(shù)對(duì)它們進(jìn)行改進(jìn),這樣更增加算法的復(fù)雜性;且若不能正確選取多個(gè)控制參數(shù)或初始點(diǎn)位置選取不合適,很容易陷入局部最優(yōu),最終很難得到全局最優(yōu)的神經(jīng)網(wǎng)絡(luò)權(quán)值。而本文采用的單形進(jìn)化智能優(yōu)化算法只有一個(gè)控制參數(shù):群體數(shù)量,它具有較強(qiáng)的單形鄰域全局隨機(jī)搜索能力和多角色態(tài)進(jìn)化策略,減少了算法的控制參數(shù),保持了粒子的多樣性;它通過粒子的多角色態(tài),避免算法陷入局部最優(yōu)解,減少對(duì)初始值的依賴。上述分析驗(yàn)證了無(wú)論在分類正確率、網(wǎng)絡(luò)模型穩(wěn)定性,誤差迭代值還是在訓(xùn)練時(shí)間上BPSSSE都更有優(yōu)勢(shì)。

【參考文獻(xiàn)】：
期刊論文
[1]基于腦電兩節(jié)律和BP神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)想象分類研究[J]. 蔡靖,李玉濤,宋雪豐,張帆,劉光達(dá).  電子測(cè)量與儀器學(xué)報(bào). 2020(06)
[2]基于小波包和共同空間模型的運(yùn)動(dòng)想象腦電信號(hào)特征提取算法[J]. 高楓,魯昊,高諾.  生物醫(yī)學(xué)工程研究. 2019(04)
[3]基于一種新智能優(yōu)化算法與譜相關(guān)方法對(duì)重力固體潮的分析[J]. 高略,全海燕.  地震工程學(xué)報(bào). 2018(03)
[4]基于局部均值分解和多尺度熵的運(yùn)動(dòng)想象腦電信號(hào)特征提取方法[J]. 鄒曉紅,張軼勃,孫延貞.  高技術(shù)通訊. 2018(01)
[5]A Surface-Simplex Swarm Evolution Algorithm[J]. QUAN Haiyan,SHI Xinling.  Wuhan University Journal of Natural Sciences. 2017(01)
[6]基于盲源分離的運(yùn)動(dòng)想象腦電信號(hào)特征提取方法的研究[J]. 張立國(guó),張玉曼,金梅,于國(guó)輝.  計(jì)量學(xué)報(bào). 2015 (05)
[7]基于希爾伯特-黃變換和BP神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)想象腦電研究[J]. 金海龍,張志慧.  生物醫(yī)學(xué)工程學(xué)雜志. 2013(02)
[8]左右手運(yùn)動(dòng)想象腦電模式識(shí)別研究[J]. 劉成,何可人,周天彤,鄒凌.  常州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(01)
[9]基于小波方差的運(yùn)動(dòng)想象腦電信號(hào)特征提取[J]. 顏世玉,王宏,劉沖,趙海濱.  東北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2012(07)
[10]基于CSP與SVM算法的運(yùn)動(dòng)想象腦電信號(hào)分類[J]. 劉沖,趙海濱,李春勝,王宏.  東北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2010(08)

碩士論文
[1]基于腦電信號(hào)檢測(cè)的麻醉深度監(jiān)測(cè)算法研究[D]. 丁正敏.華南理工大學(xué) 2018



本文編號(hào)：3370236