發布時間：2020-09-26所屬分類：計算機職稱論文瀏覽：1次
摘 要： 摘 要：腦電信號具有時變、個體差異的特點，容易受到身體狀態、情緒、位置等因素的影響，傳統的 BP 網絡分類器難以適應動態監測的要求。基于此，筆者提出了一種基于 BP 網絡的 BP AdaBoost 基本網絡分類器。首先，該分類器是在傳統 Ada 在線自學習能力的腦電
摘 要：腦電信號具有時變、個體差異的特點，容易受到身體狀態、情緒、位置等因素的影響，傳統的 BP 網絡分類器難以適應動態監測的要求。基于此，筆者提出了一種基于 BP 網絡的 BP AdaBoost 基本網絡分類器。首先，該分類器是在傳統 Ada 在線自學習能力的腦電信號分類方法 boost 集成學習框架下由弱分類器形成的，其通過引入遺忘因子，改變初始樣本容量來改進 AdaBoost 算法;其次，初始權值增強了其時間相關性，得到 BP-AdaBoost 分類器，并進一步借鑒半監督的思想，增加了基于 K- 近鄰規則的自評價反饋環節，從而提高了捕獲效果;最后，基于國際 BCI 競賽數據集，利用 Hilbert Huang 變換提取腦電圖特征。仿真結果表明，筆者提出的分類方法對時間和個體具有較好的適應性和魯棒性，與傳統的 BP 神經網絡相比，分類精度約提高了 23.42%。
關鍵詞：自主學習;腦電圖;識別;學習演算法
0 引言
腦機接口(BCI)利用腦電信號(EEG)在大腦和計算機之間建立起一條直接的信息交換通路。分類器設計是 BCI 系統的重要技術之一。傳統的 BP 神經網絡分類器屬于監督分類器，通常采用“①分類 - ②訓練”的結構。訓練過程是決定系統分類性能的唯一因素。在不同的思維任務下，腦電信號具有時間變化和個體差異的特點，周圍環境和人體形態如狀態、情緒、位置等因素會導致動態腦電圖數據的分類界限不同。因此，當 BP 神經網絡分類器用于不同的思維任務時，離線訓練樣本的特征空間不能被腦電數據的在線分類所覆蓋，在線腦電數據的特征空間大大降低了分類的效果 [1]。
相關期刊推薦：《計算機測量與控制》(月刊)創刊于1993年，由中國計算機自動測量與控制技術協會主辦。報道內容：1計算機技術、自動測試技術和自動控制技術的研究成果及發展方向的綜述與評論;2先進的總線技術、故障診斷技術、系統集成技術以及控制理論在工業領域和軍事中的應用;3邊緣掃描測試技術、遙測遙控技術和自動測試系統的設計與開發;4動態數據采集與信號處理系統;現場總線與接口技術;機電一體化技術;5嵌入式系統軟件、軟件測試以及工控組態軟件的開發與應用;6集散/分布控制系統，自控/監控系統的開發與應用;7計算機網絡與通信、樓宇自動化技術的開發與應用;8先進的測控部件及傳感器技術在工業自動測試和控制中的應用;9基于總線技術的智能儀器儀表的設計與開發。
比較了 BP 神經網絡和 AdaBoost 自適應增強算法，本文建立了 BP-AdaBoost 基本網絡分類器模型。在此基礎上增加反饋環節，利用樣本概率類標簽進行訓練分類，細化樣本信息，然后將遺忘因子引入傳統的 AdaBoost 算法中進行改進。該方法使樣本具有不等概率的初始權值，增強了樣本的時變信息，從而獲得具有自我評估和學習能力的腦電圖信號分類方法。
1 BP 神經網絡的反饋自學習
1.1 改進的 BP 神經網絡分類器
傳統 BP 神經網絡分類器的特點是“①分類 - ②訓練” 的固定結構，訓練過程通常是離線學習。在此過程中，從給定的樣本出發，調整網絡權值參數，進行初始設計，將樣本集包含的知識與神經網絡參數進行融合。在進行在線分類時，特別是需要分類的樣本數據是非線性時變的，并且數據和特征信息的分布隨著樣本數的增加而變化，導致分類性能下降。通過改進分類器的結構，增加了樣本信息量。分類器的在線自學習能力非常重要。因此，在傳統的 BP 神經網絡分類器中加入了反饋電路 [2]。本文提出了“①分類 - ②訓練 - ③反饋自學習”的框架：在改進的 BP 神經網絡中，分類器有兩個結構相同的BP網絡，BP1在數據模型分類中加入樣本數據; BP2 在在線學習中加入樣本數據，決策點在第 2 步確定新樣本，需要反饋再學習步驟。如果 BP1 不能很好地跟蹤分類線，則使用 BP2 獲得的權重更新 BP1 的權重，分類器動態工作。
1.2 基于 K- 鄰域規則的自我評價和自我反饋機制
改進的 BP 神經網絡分類器的結構為“①訓練 - ②分類 - ③ 反饋自學習”三部分，步驟②根據分類結果反饋判斷，在確定新樣本數據的分類標簽后，可用于反饋，但反饋的準確性取決于自我判斷規則是否有效。一方面，如果規則過于嚴格，分類器會表現出“自卑”，很多人會放棄有用的反饋機會，回到“①訓練 - ②分類”;另一方面，當規則變得粗糙時，分類器會表現出過多的“可信度”，虛假反饋的發生率會增加，這不僅可以提高系統的分類性能，而且會導致系統性能下降。基于依從性規則的反饋準則，其重點是訓練樣本，并且對于每個新添加的樣本，最近規則的樣本是最近選擇的。如果有鄰近的觀察結果，則刪除與最鄰近沒有相同數據的標簽，以決定修改后的標簽。當 k=3、m=2 時，使用最近鄰準則進行識別，降低了分類器的性能。
2 BP-AdaBoost 網絡分類器
2.1 BP-AdaBoost 基本網絡模型
AdaBoost 算法是 frenund 算法和 scapire 算法在 boosting 算法基礎上提出的一種改進算法，它可以從弱分類器中學習和調整弱分類器的誤差，進一步提高分類效果。本文將 BP 網絡作為 Ada 弱分類器下 Boost 集成學習的框架，在傳統 AdaBoost 的基礎上形成 BP-AdaBoost。BP-AdaBoost 基本網絡模型的工作原理如下：首先，證明樣本被賦予權重的概率和樣本是由弱分類器選擇的訓練集的概率。如果樣本點分類正確，則訓練下一個弱分類器，其權值降低。相反，如果采樣點沒有正確分類，則權重會增加 [3]。AdaBoost 自適應增強算法可以“聚焦”對這些類來說困難且信息量大的樣本，其具體的工作流程如下：在線使用 BP-AdaBoost 網絡進行學習和分類時，樣本量隨會時間延長而增加，因此，有必要采用滑動窗口更新的方法。當新數據到達時，窗口將逐漸滑動，并向窗口中添加新樣本，與此同時，會刪除相應數量的舊樣本，使窗口始終是固定數量的最新數值數據。窗口中樣本數據的初始權值是等價的，沒有時間信息和樣本。
2.2 BP AdaBoost 網絡模型
為了進一步提高分類器的時間適應性，本文提出了 AdaBoost 因子算法，這是對遺忘算法的改進，描述過去樣本的時間信息在一定程度上解決了“突然遺忘”問題。與傳統的 AdaBoost 算法相比，該算法有了特別的改進：(1)安裝了一個滑動窗口;對于兩類問題，窗口寬度為 2n;(2)將窗口中的數據按時間序列排列;(3)提高了樣本初始權重，即用遺忘因子初始化樣本權重。
2.3 個基點演算法分類器
用 BP AdaBoost 網絡模型代替改進后的 BP 神經網絡，分類精度隨樣本數量的增加而增加，使曲線控制器中的 BP 網絡可以獲得具有反饋自學習能力的 BP AdaBoost 分類器。該分類器不僅將“①訓練 - ②分類 - ③反饋自學習”結構和 AdaBoost 算法相結合，而且引入了 BP 神經網絡的優點，特別是遺忘因子，具有較好的自適應性和泛化能力。
3 實驗與分析
3.1 數據來源
實驗數據來源于 bcicom 情愿 Щ 中的 DataSetiva 包。數據包由柏林大學醫學部神經病學的 neurophysicsgroup 提供，記錄 5 名受試者 (AA、Al、AV、AW、AY) 的實驗數據。每一個主題共進行了 280 次實驗，類別標簽實驗分別進行。對于 224、168、84、56 和 28，實驗數據按時間順序排列。思維任務包括兩種類型：想象右手和腳。
3.2 特征提取
采集到的原始腦電圖數據量大、維數高，直接使用會增加分類器設計的難度。因此，本文利用 Hilbert Huang 變換對腦電信號進行預處理。通過經驗模態分解得到腦電信號的固有模態分量，并對其進行改進 [4]。利用 Hilbert Huang 變換計算信號在時頻窗內的瞬時能量，將其作為不同思維任務的腦電圖特征。根據腦電圖信號和思維任務，將 C5 和 CPZ 的瞬時能量提取為腦電信號的特征，以訓練樣本集和測試樣本集。
3.3 系統參數設置
BP AdaBoost 網絡模型中 BP 網絡分為 3 層：輸入層、隱含層和輸出層。隱層和輸出層選擇 Tansig 函數，BP 網絡訓練采用 Levenberg Marquardt 算法。另外，實驗使用了多線程技術來保證在線實時學習和在線分類。
3.4 實驗結果與分析
利用相同的數據預處理方法，所有 5 名受試者均使用類別標簽進行標記。提取 560 次實驗數據得到測試集，并從中隨機選取。訓練集由被試 30 次實驗數據的特征信息組成。統一 BP 網絡分類器、改進 BP 網絡分類器、無遺忘因子 BP AdaBoost 分類器和帶遺忘因子的 BP AdaBoost 分類器分別進行了 20 次仿真實驗，提供了進一步的信息，給出了每個樣本區間內四個分類器的平均準確率，表明四個分類器的平均值曲線和線性趨勢的準確性隨樣本數量的增加而增加，。
4 結 語
根據人工神經網絡模型的基本結構，本文建立了基于虛擬可重構技術的數字電路，提出了進化的模型平臺是可演化硬件研究中關鍵問題的一種新的解決方案，進化實驗的成功也證明了該方法的可行性。——論文作者：李紅宇 劉慶江 常曉娟 趙 薇
SCISSCIAHCI
