基于小波变换和AdaBoost极限学习机癫痫脑电信号分类.docVIP

基于小波变换和AdaBoost极限学习机癫痫脑电信号分类 　　摘 要： 　　针对单一极限学习机（ELM）在癫痫脑电信号研究中分类结果不稳定、泛化能力差的缺陷，提出一种基于互信息（MI）的AdaBoost极限学习机分类算法。该算法将AdaBoost引入到极限学习机中，并嵌入互信息输入变量选择，以强学习器最终的性能作为评价指标，实现对输入变量以及网络模型的优化。利用小波变换（WT）提取脑电信号特征，并结合提出的分类算法对UCI脑电数据集以及波恩大学癫痫脑电数据进行分类。实验结果表明，所提方法相比传统方法以及其他同类型研究，在分类精度和稳定性上有着明显提高，并具有较好的泛化性能。 　　关键词： 　　AdaBoost；极限学习机；小波变换；互信息；脑电信号分类 　　0 引言 　　癫痫是一种常见的神经系统疾病，影响着全球1%～2%的人。癫痫发作的直接原因是大脑异常放电，具有突然性和短暂性脑功能紊乱的特征，致使患者的生活存在一定安全隐患[1]。脑电信号是人脑的生理电信号，包含了大量的生理与病理信息，在临床医学和神经系统疾病诊断中起着重要的作用，因此广泛用于癫痫的诊断。随着计算机技术和人工智能理论的发展，脑电信号分类逐步成为很多学者研究的重点[2]。 　　脑电信号分类包括信号的特征提取和样本分类。常用的脑电信号特征提取方法主要有时域分析、频域分析和时频分析等。时域分析是通过信号的时域变换得到相应特征，例如自回归模型[3]等；频域分析是根据信号的频谱估计，将其分解成不同的组成频率进行谱分析，例如高阶谱分析[4]等。然而这两种方法通常需要良好的预处理，对平稳性和信噪比要求较高，且容易漏掉一些重要的异常变化。因此，时频分析得到广泛应用，它可以同时描述信号在不同时间和频率的能量密度和强度，如小波变换（Wavelet Transform， WT）[5]等。小波变换具有多分辨特性，在时域和频域上都能很好地表征信号局部特征，对分析脑电信号这种非平稳信号具有至关重要的作用。基于上述分析，为了能够更好地表现脑电信号特征，本文使用小波变换对脑电信号进行特征提取。 　　将提取的特征输入到分类器可以得到需要的脑电信号分类信息。分类器性能对癫痫脑电信号分类结果有着举足轻重的作用。目前常用的分类器有决策树[6]、人工神经网络[7]、支持向量机（Support Vector Machine， SVM）[8]等。作为神经网络的一种，近些年提出的极限学习机（Extreme Learning Machine， ELM）[9]采取简单的线性回归方法进行求解，输入权值以及隐含层偏置随机设置，很好地克服了传统神经网络训练速度慢、容易陷入局部最优等的不足，在分类领域有着较好的应用价值。Song等[10]利用极限学习机结合样本熵对脑电信号分类；Chen等[9]将基于小波的非线性特征框架与极限学习机结合对癫痫脑电信号分类。 　　由于极限学习机输入权值向量和隐藏层偏置初始化随机，导致分类结果不稳定，具有一定的随机性。针对上述缺陷，本文提出基于互信息（Mutual Information，MI）的AdaBoost极限学习机算法，算法采用集成的思想，利用AdaBoost算法[11]自适应提升特性，提升单个极限学习机，使其由弱学习器变成强学习器，提高结果的稳定性，增强分类器的泛化能力；同时将互信息[12]变量选择嵌入到整体的学习过程中，形成封装式设计，利用变量选择方法的优势，在不改变数据本身的情况下，挑选出更有 　　利于分类的特征信息，可以实现数据降维，去除冗余信息，提高分类结果精度。 　　1 基于互信息的AdaBoost极限学习机 　　1.1 极限学习机 　　极限学习机[9，13]是近些年提出的一种新的前馈神经网络，采取简单的线性回归方法有效地克服了传统神经网络基于梯度学习算法的缺陷，目前已经成功地应用在时间序列预测、数据分类等领域[14]。 　　极限学习机的实现原理：假设数据的训练样本为N个{（ui，ti）|i=1，2，…，N}，其中输入向量ui=[ui1，ui2，…，uip]T∈Rp，输出向量ti=[ti1，ti2，…，tiq]T∈Rq。设ELM有m个隐含层节点，g（?）为激活函数，y=[y1，y2，…，yN]T∈RN为网络输出，则可得对应的输入输出关系式为： 　　yi=∑mj=1βjg（wTjui+bj）； i=1，2，…，N 　　（1） 　　其中：wj=[wj1， wj2， …， wjp]T∈Rp表示连接第j（j=1， 2， …， m）个隐含层节点和输入节点的权值； 　　βj=[βj1， βj2， …， βjq]T∈Rq表示连接第j个隐层节点和输出节点的权值，bj是第j个隐含层节点的偏置。 　　根据上述原理可知，极限学习机是弱学习器，初始权值随机