基于SVM集成学习认知障碍脑电分类研究.docVIP

基于SVM集成学习认知障碍脑电分类研究 　　【摘 要】目的：提出了一种基于小波特征提取的支持向量机集成分类算法，用于脑卒中后认知障碍病人的识别。方法：首先由Infomax独立分量分析算法去除脑电信号中的干扰成分；然后利用db4小波基提取认知电位P300特征波，并进行叠加平均；最后将特征量基于Bagging算法送入支持向量机基分类器进行集成学习，通过最大投票法得到分类结果。结果：实验结果表明，该算法分类效果好，平均分类精度为85.71%。结论：较单个支持向量机分类器，识别性能好，实现了认知障碍脑电信号的有效分类。 　　【关键词】认知障碍；小波变换；支持向量机集成；脑计算机接口 　　1.引言 　　脑卒中是指因各种诱发因素引起脑内动脉狭窄、闭塞或破裂，而造成脑血液循环障碍，临床上表现为脑功能障碍的症状和体征。我国现有700万例脑卒中患者，每年新发病例250万，并以每年10%的速度递增。脑卒中不仅引起运动、言语、吞咽等功能障碍，更严重的是导致脑的认知障碍。认知障碍严重影响了患者的日常生活活动能力，比起正常人尤其关联工作记忆的损失。工作记忆被用于信息的临时存储和控制，对长期记忆、语言和执行能力等方面起到关键的作用。因此，认知障碍的早期诊断和早期干预对患者的身体及心理功能恢复，预防痴呆有着特别重要的意义，这就需要对认知障碍进行准确的识别，以指导康复治疗，也有助于判断疗效和预后[1-2]。 　　目前认知障碍的临床诊断主要由一些神经心理测试量表来完成，如MMSE量表。量表的最大局限性是主观性太强，只能作为诊断的重要参考资料，在临床诊断上还需要结合神经电生理学等检查结果，如基于事件相关电位的脑电信号就可以很好地反映认知障碍，其敏感性远远超出量表评分。人在不同的认知活动中，大脑动力学运动特性不同，认知电位也不同，患有认知功能缺陷的病人在认知活动时的认知电位和正常人的有显著差别，认知障碍对应了脑电信号潜伏期延长、幅度下降、节律不对称等抑制现象，通过比较可以评判其认知功能[3]。 　　一些研究已基于脑电信号利用有效的算法用于认知障碍的自动识别。Lehmann等利用线性判别分析、神经网络、支持向量机去识别不同程度认知障碍的脑电信号[4]；Dauwels等利用线性判别分析、二次判别分析完成认知障碍脑电的分类，他们都获得了很好的分类效果[5]。在这些基于脑电的分类算法中，基于结构风险最小化的SVM算法分类效果最好，尤其适合于解决高维、非线性、小样本问题。如果将其作为基分类器，再通过集成学习可提高整体性能，对于一个应用问题来说，会得到更好的解决，这就是支持向量机集成（Support Vector Machine Ensemble， SVME），SVME方法是指按照一定规则将有限个子支持向量机的结果结合起来，以便对新样本进行分类预测的学习算法。通过SVME，可以在一定程度上避免支持向量?C本身的模型选择问题，并能获得比单个支持向量机更好的泛化性能[6-7]。 　　独立分量分析（Independent Component Analysis， ICA）和小波变换可用于抽取参数进行脑电信号的分析和分类，提高基分类器即各个支持向量机的训练效率。ICA是一种盲源分离算法，可从记录信号中抽取独立源成分[8]。小波变换具有多分辨率分析的特点，可以很好的保留相关频带的小波系数，通过小波重构，实现脑电特征提取。 　　本文基于24位高精度脑电信号采集系统记录诱发脑电信号，利用ICA算法预处理认知障碍病人和正常人基于工作记忆任务的P300信号，小波特征被分别抽取，这些特征和基于Bagging算法的SVME分类器用于完成正常对照和卒中患者的分类，以指导认知评定。 　　2.脑电信号采集系统 　　用于认知障碍识别的脑电信号采集系统主要分为2个部分，一个是系统硬件，包括采集脑电电极、信号放大电路、主控电路、信号采集和处理主机。放大电路与主控电路采用光纤连接，屏蔽了工频干扰，且光纤传输数据带宽较普通电缆宽，数据传输速率快、稳定、安全。主控电路采用USB和上位主机连接，把放大电路采集到的脑电数据上传到电脑。另一个是用户系统，包括刺激主机和视觉刺激界面。通过安装在刺激主机显示器上的光敏三极管探测诱发脑电的刺激变化，光敏三极管输出电信号经放大、差分信号转换，通过RS-485通讯接口送至脑电信号采集主机，实现脑电刺激与采集的同步。刺激内容由编写好的N-back WM Task软件施加，每个任务包含120个试验分成3组以便被试者有两个休息时间段，尽量减少因多次重复刺激被试者产生神经系统的疲劳和适应性，而导致实验误差。每次刺激显示时间为500ms，刺激间隔为2500ms。考虑到病人在临床实验中的配合度和执行情况，选择1-back工作记忆任务。刺激内容为“1”“2”“3”“4”四个阿