支持向量机在脑电信号分类中的应用.doc

支持向量机在脑电信号分类中的应用 李钢1,王蔚1,张胜2 (1.南京师范大学教育科学学院机器学习与认知实验室,江苏 南京 210097; 2.浙江师范大学信息技术学院, Application of SVM in EEG Signal Classification LI Gang1 ,WANG Wei1 ,ZHANG Sheng 2 (1.,Machine Learning and Cognition Lab, School of Education Science, Nanjing Normal University , Nanjing Jiangsu 210097 ; 2.School of Information Technology ,Zhe jiang Normal University,Jinhua Zhejiang 321004 ,) Abstract: At first some energy features related to the frequency bands and special distribution are extracted. Then a classifier based on Support Vector Machines (SVM) is designed. To optimize the classifier, different kernel functions and parameters are discussed. The performance of classifier is compared with a RBF Neural Network classifier. The result indicates that the ideal accuracy can be achieved by the SVM and wavelet energy method in EEG classification. The schizophrenia can be separated from healthy through 16-channel’s EEG. The research takes important practical value in the schizophrenic diagnose. Keywords: Support Vector Machines; Wavelet transform; Electroencephalograph(EEG); Classification 引言： 脑电信号(EEG)是通过大脑皮层记录到的神经细胞的电活动信号，大脑皮层神经元持续的、节律性的电位变化称为自发脑电信号。不同的生理状态及各种病因均会使脑电信号表现出不同的模式,如何有效提取脑电信息以及根据这些信息实现对大脑各种状态下EEG信号的正确分类，是近年来研究比较多的课题。精神分裂症是一种比较严重的脑部失调,表现为思维和感知的紊乱，其患病率是精神病中最高的一种,尤其是对精神药物疗效的评估和对用药后的预测方面已经得到广泛研究。但是自发脑电在精神分裂症的诊断方面却少有研究成果[9,10]。 支持向量机简称SVM(Support Vector Machines)是Vapnik等人根据统计学理论提出的一种,大大提高学习机的泛化能力,它将优化问题转化为求解一个凸二次规划的问题,二次规划所得的解是唯一的且为全局最优解,这样就不存在一般神经网络的局部极值问题。支持向量机由于较好地解决了小样本、非线性、高维数、局部极小点等实际问题,在若干具有挑战性的应用中，获得了目前为止最好的性能。支持向量机已经逐渐成为解决模式分类问题的首选工具。特征提取对分类有着重要的影响,如何有效提取EEG信号所包含的信息成为脑电分类问题的关键步骤,自发脑电信号具有丰富的频率成分,不同的生理状态和病因下某些频段的能量在头皮不同区域的分布会发生变化,因此可以将不同区域上不同频段的能量作为分类器的特征向量。小波变换是一种多尺度的信号分析方法,具有良好的时频局部化特性[7,8],可以用于EEG信号的频率能量特征提取。 本文从模式分类的角度将支持向量机和能量特征提取方法应用于精神分裂症患者和健康人的脑电信号分类中，并取得良好的效果，可以为精神分裂症的病理诊断提供新的参考依据。1 支持向量机分类的基本原理 支持向量机基于统计学习理论和结构风险最小化原则[1,2,3],其基本思想是把输入空间的样本通过非线性变换映射到高维特征空间,然后在特征空间中求取把样本线性分开的最优分类面。算法使用分类间隔控制线性学习机器的容量,从而使结构风险最小，也使其在有限样本下具有了较强的泛化能力。不同的核函数即变换到不同的特征空间,使用核函