基于混沌神经网络的脑电模式的特征分类

基于混沌神经网络的脑电模式的特征分类

0重充患者的特殊脑电模式近年来，基于脑部能量的脑机接口系统的出现越来越受到重视。与通常的控制系统不同,这种系统直接以脑电信号为基础,人们不需要通过语言或肢体的动作,可以直接通过脑来操纵设备或表达思想,并转化为某种控制信号控制光标的移动或辅助运动设备,这样就可以帮助严重瘫痪患者通过计算机与外界环境进行交流和沟通,或者帮助他们实现自己想做的动作,这也就是所谓的“脑-机接口”技术。准确快速地识别出与运动想象相关的特殊脑电模式是利用它实现脑-机接口的关键。特征分类是脑-机接口研究的一个重要方面,分类算法的好坏直接决定分类的精度和系统的性能,所以寻求一种合适的分类算法成为脑-机接口系统的重中之重。传统的分类算法主要有线性判别式法、逻辑回归法等,这些分类方法精确率比较低,均不实用。人工神经网络与传统的方法相比,具有自学习、自组织、联想记忆、高容错性、并行处理和分布式存储等特点,用它建立的分类模型,不仅稳定性好,而且可以多次运作。本文介绍了基于混沌机制BP神经网络的左右手运动识别算法,将混沌控制引入常规BP算法,利用混沌机制固有的全局游动,逃出权值优化过程中存在的局部极小点,分类结果快速有效,验证了神经网络技术在脑-机接口特征分类算法中的优势。1bp神经网络1.1信息传递的结构BP网络的处理单元为非线性输入-输出关系,每层连接权值通过学习调节,网络的信息由上一层单元沿网络的拓扑结构前馈传递到其相应的下一层的所有结点。除了输入层的接点外,隐含层和输出层结点的净输入是前一层结点输出的加权和。1.2输出误差函数BP算法是一种比较成熟的有指导的训练方法,是一个单向传播的多层前馈网络。输入信号从输入层节点,依次传过各隐含层节点,然后传到输出层节点,每一层节点的输出只影响下一层节点的输入。计算实际输出为:其中f()函数一般为Sigmoid函数,即:调整权值,按误差反向传播方向,从输出节点开始返回到隐含层按下式修正权值:训练目标是使误差函数E最小,E定义如下:其中,E为网络输出误差,P代表第P个样本,j为输出单元数,tjp为单元期望输出,yjp为单元的实际输出。如果在上式中引入函数(2)式则变为其中A和R可看作上式中非线性自反馈驱动项的幅度和半径。它们可控制权值的活动范围。当R固定时,A便决定了权值的动力学系统在其能量局部极小之间转移的动力大小,A越大则权值修正的运动范围越大。该式是一个混沌机制。在这里令设x=wij(k)-wij(k-1)表示动力学系统接近不动点的速度,若x很大则表示此时系统远离不动点,h(x)应迅速减小,使权值的修正按梯度信息方向迅速接近系统的不动点。当x处于中间值状态时,权值动力学系统将进入某一不动点附近的一定邻域内,h(x)的自反馈作用会产生新的驱动力跳出不动点,最终使权值进入全局意义下的最优不动点的某邻域内。2基于混合机制的b网络运动识别2.1混沌bp神经网络将基于Bereitschaftspotential提取的特征f1作为输入变量,加入到混沌BP神经网络进行学习,理想情况下,左手运动时网络的输出值大于0.5,右手运动时输出值小于0.5。2.2网络数目和学习时间网络采用1个隐含层,隐层节点数的选择是一个十分复杂的问题。如果数目过少,网络不能训练或容错性差;如果数目过多,就会使学习时间过长。根据经验公式选定隐层节点数为5个。2.3样本的选择本文选择UE-16B采集的两组数据作为样本,采样频率为100Hz。2.4网络培训流程3左、右测试结果根据以上算法,用Matlab编制相应的程序,实现左右手运动的识别。网络训练400次,其中左手训练200次,右手训练200次,训练结果见图1,整体识别率接近95%;测试60次,其中左手测试30次,右手测试30次,测试结果见图2,整体识别率接近98%。由图1,2可知,混沌BP神经网络对左右手运动识别系统的特征分类非常有效。4bp神经网络的实验分析采用左右手运动想象事件相关脑电信号作为脑机接口系统的输入信号,最大特点是不需要外界装置给出特定刺激,患者只需想象即可产生这些信号,但必须有足够的实验数据来训练合适的分类器以适应不同的使用者。神经网络结构简单,输入变量少,学习能力强,预测精度高,尤其适用于复杂的非线性系统。本文介绍了基于混沌机制BP神经网络的左右手运动识别,实验表明该算法快速有效,可以相信,随着生理学的不断进步以及其他相关技术的拓展,神经网络技术会得到进一步的发展和完善,其在脑-机接口特征分类算法中的应用也会不断成熟,最终必将促进人类健康及相关研究的发展。(1)网络初始化:分别代表第1,2组的特征输入信号f1,i=1,2,Λ,设定wij(0)=0.01,θj(0)=0.01。(2)将特征信号f1加入到网络输入端,各单元的输出为。其中f()采用S型函数。(3)计算训练误差:训练目标是使误差函数E最小。(4)判断指标误差函数E是否满足精度要求,这里E<ε,其中%=0.0001。若满足,学习停止。(5)使用上面训练好的网络进行检测。脑-机接口电路设计课题受兰州理工大学特色学术梯队基金(20040915)的资助。目前准备申报科技成果鉴定。人工神经网络是脑-机接口系统应用最多的分类器。由于其应用简单,参数选择方便,分类结果准确性较高,被广泛地应用于脑电信号的分类。需要指出的是,目前神经网络权值的训练需要的时间长,且网络训练易陷入局部极小点,而目前脑-机接口研究需解决的主要问题是:提高识别的正确率和识别速度。提高识别速度和提高识别的正确率是一对矛盾。局部极限点的选取基于