[发明专利]基于局部平衡极限学习机的动态运动想象脑电识别方法

说明书

本发明公开了一种基于局部平衡极限学习机的动态运动想象脑电识别方法，本发明为了提高手部动作分类的性能，采用了一种局部平衡ELM和基于SL量化FBN的新方法。与传统思想不同，本发明从上述加权的FBN提取了两种二值子网络的拓扑特征。此外，本发明指出了ELM融合中的两个不足，并提出了相应的局部平衡ELM。为了达到两个互补特征在ELM特征空间的最佳融合，以及二值化的最佳阈值和正则化ELM的最佳正则化参数，本专利改进了LOO方法的计算复杂度，使用LOO来收敛上述参数的经验范围。

技术领域

本发明属于脑电信号特征分析领域，公开了一种基于局部平衡极限学习机的动态运动想象脑电识别方法。

背景技术

脑机接口(Brain-Computer Interface，BCI)技术在通讯和控制、神经物理调节、康复、游戏和娱乐等领域中得到了十分广泛的应用。

在通信控制，康复训练领域中，运动想象(Motor Imagery，MI)的应用最为广泛。研究指出，当前基于MI的BCI中使用的MI信号几乎都是静态MI(Static MI，sMI)。然而，在医学神经康复领域，MI可分为两个子领域：sMI和动态运动想象(Dynamic Motor Imagery，dMI)。sMI是传统的MI，MI主体仅简单地对动作进行心理表征，而无需实际执行，而dMI则在心理表征的同时增加了实际的动作，在康复训练等领域更具应用价值，在此方面的研究将具有极大的意义。

BCI系统应用的效果取决于系统的解码能力。BCI系统通常分为四个部分：数据采集模块，数据预处理和增强模块，特征提取模块和分类模块。

特征提取是最重要的过程，其效果直接影响分类的准确性。相对于EEG信号分析的传统方法，时域分析，例如能量熵或功率、频域分析、Hilbert变换，以及时频分析，例如小波变换(wavelet transform，WT)。时间序列之间的相互依赖性分析成为更前沿的研究领域，用信息论、相位同步、广义同步和格兰杰因果关系等方法量化不同大脑位置之间的功能连通性(functional connectivity，FC)构建脑功能网络(functional brain network，FBN)，然后辅以图论以提取脑功能网络的拓扑特征。似然同步性(synchronization likelihood，SL)是目前最优异的量化方法之一，它可以量化动态非线性系统中相似模式出现的可能性。

二进制FBN通常是通过消除低于某个阈值的弱FC来构造的。近来，用最小生成树(minimum spanning tree，MST)构造二进制FBN的方法能有效地显示驾驶员的警觉状态和困倦状态之间的差异。MST可以连接原始加权网络中的所有节点，同时最小化路径之和且不形成回路。通过这种方法构建的二值FBN具有相同的节点数和FC数，可以直接比较组之间的网络属性，从而避免了上述方法上的偏差。

尽管通过任意阈值构建二值FBN可能会导致偏差，但是阈值也可以理解为调整网络复杂度的参数。两种方法都按照各自的定义消除了弱FC，这意味着它们在消除弱连接上持有不同的“方向”，从而使得两者生成的二进制FBN之间的相关性很低。故而本发明将这两种互补网络的拓扑特征进行融合。

对于分类模块，近期研究通常致力于深度学习网络上，例如卷积神经网络，标准递归神经网络和长短期记忆。dMI脑电的数据样本较少，且深度学习的训练时间太长。因此，本发明选择了适用于少量样本并且训练快速的改进型极限学习机(extreme learningmachine，ELM)——局部平衡极限学习机(locals_balanced ELM，LBELM)。

发明内容

本发明针对现有技术的不足，提出了一种基于局部平衡极限学习机的动态运动想象脑电识别方法。