演化级联神经网络对脑电信号分类的研究.pdf
《演化级联神经网络对脑电信号分类的研究.pdf》由会员分享,可在线阅读,更多相关《演化级联神经网络对脑电信号分类的研究.pdf(4页珍藏版)》请在三一文库上搜索。
1、演化级联神经网络对脑电信号分类的研究 郝冬梅1阮晓钢2 1 (北京工业大学 生命科学与生物工程学院,北京1 0 0 0 2 2 ) 2 (北京工业大学 电子信息与控制工程学院,北京1 0 0 0 2 2 ) 摘要为了对不同思维状态下的脑电信号进行正确分类,克服神经网络分类器受噪声和冗余特征的影响出现 的过拟合,提出了一种新的演化级联神经网络的学习算法。算法通过计算神经元对确认集的适应函数值,以逐步更 新神经元对训练集的连接权重。适应函数值取决于被训练神经元的泛化能力,它随着神经元分类准确度的增加而 降低。此网络由一个输入节点开始学习,随着演化增加新的输入神经元及新的隐神经元,最终经训练的网络含
2、有最 小数目的神经元及连接。此方法应用于区分两种思维状态下的脑电信号,经训练的网络对测试段的分类正确率为 8 3 . 1 %,与标准的B P网络进行比较,演化级联神经网络显示了较好的分类能力。 关键词级联结构脑电演化过拟合特征提取 R e s e a r c ho nE E GC l a s s i f i c a t i o nw i t hE v o l v i n gC a s c a d eN e u r a l N e t w o r k s Ha oD o n g me i 1 R u a nX i a o g a n g 2 1 ( C o l l e g e o fL i f
3、e S c i e n c e左;右手指想象运动时的 E E G分类, 两个受试者在三种思维状态下的分类正 确率分别为1 0 0 %; 1 %; 8 B 2 3 ( 2 ) C2 2 2 0 ,对于第k , k -1步,若 有: E B ( k *-1 ) -E B ( k*) 1将此候选神经元的前r个输入分别 连接到前面所有的神经元和输入节点x i 1上。否则, 将此神经元连接到输入节点x i 1上。 将此候选神经元的第p个输入连接到X集 中位置为的输入节点上。 训练候选神经元,计算其适应函数值Cr。 若CrCr -1,跳转到=。 将候选神经元加入网络中作为第r个神经 元,返回。 =若h 1
4、 0 0u v ,持续1 0ms以上)的数据段,认为此数 据段无意义,实际共得到有效的E E G数据段18 0 0 个。 本研究用AR模型的系数表示E E G信号。设a i c 是通道C的AR模型的第i个系数,其中C = C 3, C4, P3, P4, O1, O2 , i =1 n 。n为模型的阶数。则 预测结果x i c xi c( t ) = n i =1 ai cxi c( t -i )( 8 ) 用B u r g方法 1 0 可得到最小平方误差时的系数。根 据 k e i r n和Au n o n 1 1 , 1 2 的研究结果, 采用6阶 AR 模型。则每一个E E G段由3 6
5、个特征量( 6通道6 阶)表示。 x1x6, x7x1 2, x1 3x1 8, x1 9x2 4, x2 5x3 0, x3 1x3 6 分别表示C 3 , C 4 , P 3 , P 4 , O1 , O2六个通道AR模型 的6个系数。 5 . 2 实验结果 在本文实验中,取 =1 . 9 , =0 . 0 0 1 5 ,得到图1 所示网络结构。在图1中,有4个输入节点, 5个隐 神经元和1个输出神经元。训练算法从3 6个特征量 中只选择了x 1 9, x3 1, x1, x3等4个特征输入到网络。 第一个隐神经元连接到输入节点x 1 9, x3 1。输出神经 元的输入连接到隐神经元的输出
6、z 1, z2, z3, z4, z5和 输入节点x 1 9, x3。 图1用于E E G分类的E C N N结构 F i g1 T h es t r u c t u r eo f a nE C N Nt r a i n e dt oc l a s s i f yt h eE E G 图2表示第2 6个神经元的学习曲线,随着迭 代次数的增加,神经元在确认集上的误差E B逐渐 下降。图3是神经元的适应函数值变化曲线,第1 462 生 物 医 学 工 程 学 杂 志第2 3 = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = =
7、= = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = 卷 6个神经元适应函数值逐渐减小,到第7个神经元 时适应函数值增大,此时网络出现过拟合。因此,停 止训练,网络含有6个神经元。 图2学习曲线 F i g2 T h el e a r n i n gc u r v e s 图3适应函数值变化曲线 F i g3 T h ef i t n e s s f u n c t i o nc u r v e 5 . 3 结果比较 本文选择相同的数据预处理方法,相同的数据 集,相同的分类正确率定义方法,比较E C NN和B
8、 P 网络的分类效果。采用B P网络时,网络结构为3 6 - 4 0 - 1 ,即网络有3层,输入层有3 6个神经元,隐层 有4 0个神经元,输出层有1个神经元,分类正确率 为6 7 . 6 %;而采用E C NN,网络结构为4 - 5 - 1 ,即有4 个输入神经元, 5个隐神经元, 1个输出神经元,分类 正确率为8 3 . 1 %。 6 结论 脑电信号不仅可作为探索大脑思维的工具,而 且还可以作为人-机通讯的一种新方式。若能够可靠 地检测出大脑短时的思维状态,就可以组成此类状 态序列来向计算机等设备发出指令。脑电信号的识 别与分类由于受噪声及无关特征的影响,正确率还 不高。 本文提出了级联
9、神经网络新的训练算法,可避 免学习过程中噪声和冗余特征的影响。训练算法通 过计算神经元在确认集上的误差,更新对训练集的 连接权重,使神经元有较强的泛化能力。网络开始从 少量的输入特征开始学习,在学习过程中逐渐增加 新的特征和新的隐神经元,通过计算神经元的适应 函数值,决定候选神经元的取舍。最终,经训练的网 络结构接近最优。 将此神经网络及训练算法用于对数学运算和休 息状态下的脑电信号进行分类。与标准的B P网络 相比,用较少数量的神经元取得了较好的分类结果。 参考文献 1C h a r l e sW.An d e r s o n ,Z l a t k oS i j j e r c i c .C
10、 l a s s i f i c a t i o no f E E G s i g n a l sf r o m f o u rs u b j e c t sd u r i n gf i v eme n t a l t a s k s .S c i e n t i f i c P r o g r a mmi n g ,1 9 9 5 ;4 ( 3 ) :1 7 1 2T e t s u y a Ho y a , G e n Ho r i , Ho v a g i m B a k a r d j i a n , e t a l . C l a s s i f i c a t i o n o fs
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 演化 级联 神经网络 电信号 分类 研究
链接地址:https://www.31doc.com/p-3715657.html