基于SVM集成學(xué)習(xí)的認(rèn)知障礙腦電分類研究

張 科 李曉歐 周志勇/ .上海諾誠(chéng)電氣股份有限公司.上海健康醫(yī)學(xué)院醫(yī)療器械學(xué)院.華東理工大學(xué)

基于SVM集成學(xué)習(xí)的認(rèn)知障礙腦電分類研究

張 科1李曉歐2周志勇3/ 1.上海諾誠(chéng)電氣股份有限公司2.上海健康醫(yī)學(xué)院醫(yī)療器械學(xué)院3.華東理工大學(xué)

目的:提出了一種基于小波特征提取的支持向量機(jī)集成分類算法，用于腦卒中后認(rèn)知障礙病人的識(shí)別。方法:首先由Infomax獨(dú)立分量分析算法去除腦電信號(hào)中的干擾成分；然后利用db4小波基提取認(rèn)知電位P300特征波，并進(jìn)行疊加平均；最后將特征量基于Bagging算法送入支持向量機(jī)基分類器進(jìn)行集成學(xué)習(xí)，通過最大投票法得到分類結(jié)果。結(jié)果:實(shí)驗(yàn)結(jié)果表明，該算法分類效果好，平均分類精度為85.71%。結(jié)論:較單個(gè)支持向量機(jī)分類器，識(shí)別性能好，實(shí)現(xiàn)了認(rèn)知障礙腦電信號(hào)的有效分類。

認(rèn)知障礙；小波變換；支持向量機(jī)集成；腦計(jì)算機(jī)接口

1.引言

腦卒中是指因各種誘發(fā)因素引起腦內(nèi)動(dòng)脈狹窄、閉塞或破裂，而造成腦血液循環(huán)障礙，臨床上表現(xiàn)為腦功能障礙的癥狀和體征。我國(guó)現(xiàn)有700萬例腦卒中患者，每年新發(fā)病例250萬，并以每年10%的速度遞增。腦卒中不僅引起運(yùn)動(dòng)、言語(yǔ)、吞咽等功能障礙，更嚴(yán)重的是導(dǎo)致腦的認(rèn)知障礙。認(rèn)知障礙嚴(yán)重影響了患者的日常生活活動(dòng)能力，比起正常人尤其關(guān)聯(lián)工作記憶的損失。工作記憶被用于信息的臨時(shí)存儲(chǔ)和控制，對(duì)長(zhǎng)期記憶、語(yǔ)言和執(zhí)行能力等方面起到關(guān)鍵的作用。因此，認(rèn)知障礙的早期診斷和早期干預(yù)對(duì)患者的身體及心理功能恢復(fù)，預(yù)防癡呆有著特別重要的意義，這就需要對(duì)認(rèn)知障礙進(jìn)行準(zhǔn)確的識(shí)別，以指導(dǎo)康復(fù)治療，也有助于判斷療效和預(yù)后[1-2]。

目前認(rèn)知障礙的臨床診斷主要由一些神經(jīng)心理測(cè)試量表來完成，如MMSE量表。量表的最大局限性是主觀性太強(qiáng)，只能作為診斷的重要參考資料，在臨床診斷上還需要結(jié)合神經(jīng)電生理學(xué)等檢查結(jié)果，如基于事件相關(guān)電位的腦電信號(hào)就可以很好地反映認(rèn)知障礙，其敏感性遠(yuǎn)遠(yuǎn)超出量表評(píng)分。人在不同的認(rèn)知活動(dòng)中，大腦動(dòng)力學(xué)運(yùn)動(dòng)特性不同，認(rèn)知電位也不同，患有認(rèn)知功能缺陷的病人在認(rèn)知活動(dòng)時(shí)的認(rèn)知電位和正常人的有顯著差別，認(rèn)知障礙對(duì)應(yīng)了腦電信號(hào)潛伏期延長(zhǎng)、幅度下降、節(jié)律不對(duì)稱等抑制現(xiàn)象，通過比較可以評(píng)判其認(rèn)知功能[3]。

一些研究已基于腦電信號(hào)利用有效的算法用于認(rèn)知障礙的自動(dòng)識(shí)別。Lehmann等利用線性判別分析、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)去識(shí)別不同程度認(rèn)知障礙的腦電信號(hào)[4]；Dauwels等利用線性判別分析、二次判別分析完成認(rèn)知障礙腦電的分類，他們都獲得了很好的分類效果[5]。在這些基于腦電的分類算法中，基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的SVM算法分類效果最好，尤其適合于解決高維、非線性、小樣本問題。如果將其作為基分類器，再通過集成學(xué)習(xí)可提高整體性能，對(duì)于一個(gè)應(yīng)用問題來說，會(huì)得到更好的解決，這就是支持向量機(jī)集成（Support Vector Machine Ensemble, SVME），SVME方法是指按照一定規(guī)則將有限個(gè)子支持向量機(jī)的結(jié)果結(jié)合起來，以便對(duì)新樣本進(jìn)行分類預(yù)測(cè)的學(xué)習(xí)算法。通過SVME，可以在一定程度上避免支持向量機(jī)本身的模型選擇問題，并能獲得比單個(gè)支持向量機(jī)更好的泛化性能[6-7]。

獨(dú)立分量分析（Independent Component Analysis, ICA）和小波變換可用于抽取參數(shù)進(jìn)行腦電信號(hào)的分析和分類，提高基分類器即各個(gè)支持向量機(jī)的訓(xùn)練效率。ICA是一種盲源分離算法，可從記錄信號(hào)中抽取獨(dú)立源成分[8]。小波變換具有多分辨率分析的特點(diǎn)，可以很好的保留相關(guān)頻帶的小波系數(shù)，通過小波重構(gòu)，實(shí)現(xiàn)腦電特征提取。

本文基于24位高精度腦電信號(hào)采集系統(tǒng)記錄誘發(fā)腦電信號(hào)，利用ICA算法預(yù)處理認(rèn)知障礙病人和正常人基于工作記憶任務(wù)的P300信號(hào)，小波特征被分別抽取，這些特征和基于Bagging算法的SVME分類器用于完成正常對(duì)照和卒中患者的分類，以指導(dǎo)認(rèn)知評(píng)定。

2.腦電信號(hào)采集系統(tǒng)

用于認(rèn)知障礙識(shí)別的腦電信號(hào)采集系統(tǒng)主要分為2個(gè)部分，一個(gè)是系統(tǒng)硬件，包括采集腦電電極、信號(hào)放大電路、主控電路、信號(hào)采集和處理主機(jī)。放大電路與主控電路采用光纖連接，屏蔽了工頻干擾，且光纖傳輸數(shù)據(jù)帶寬較普通電纜寬，數(shù)據(jù)傳輸速率快、穩(wěn)定、安全。主控電路采用USB和上位主機(jī)連接，把放大電路采集到的腦電數(shù)據(jù)上傳到電腦。另一個(gè)是用戶系統(tǒng)，包括刺激主機(jī)和視覺刺激界面。通過安裝在刺激主機(jī)顯示器上的光敏三極管探測(cè)誘發(fā)腦電的刺激變化，光敏三極管輸出電信號(hào)經(jīng)放大、差分信號(hào)轉(zhuǎn)換，通過RS-485通訊接口送至腦電信號(hào)采集主機(jī)，實(shí)現(xiàn)腦電刺激與采集的同步。刺激內(nèi)容由編寫好的N-back WM Task軟件施加，每個(gè)任務(wù)包含120個(gè)試驗(yàn)分成3組以便被試者有兩個(gè)休息時(shí)間段，盡量減少因多次重復(fù)刺激被試者產(chǎn)生神經(jīng)系統(tǒng)的疲勞和適應(yīng)性，而導(dǎo)致實(shí)驗(yàn)誤差。每次刺激顯示時(shí)間為500ms，刺激間隔為2500ms?？紤]到病人在臨床實(shí)驗(yàn)中的配合度和執(zhí)行情況，選擇1-back工作記憶任務(wù)。刺激內(nèi)容為“1”“2”“3”“4”四個(gè)阿拉伯?dāng)?shù)字，刺激順序采用偽隨機(jī)方式，靶和非靶的概率相等。1-back任務(wù)中當(dāng)前靶刺激和前一個(gè)刺激內(nèi)容一致時(shí)即為靶刺激，靶刺激出現(xiàn)時(shí)被試者需要按鍵確認(rèn)。

來自復(fù)旦大學(xué)附屬華東醫(yī)院的首發(fā)急性缺血性腦卒中患者和正常對(duì)照各13例參與研究，年齡在50歲左右，具有正常的視覺功能且右手利。記錄18導(dǎo)聯(lián)（EOG1,EOG2,Fp1,Fp2,F3,F4,F7,F8,Fz,C3, Cz,C4,P3,Pz,P4,O1,Oz和O2）的誘發(fā)電位，電極安放采用標(biāo)準(zhǔn)10/20系統(tǒng)，采樣頻率為256Hz。

3.預(yù)處理和分類算法

3.1 ICA算法

腦電信號(hào)微弱，易受其他電信號(hào)和偽跡干擾，如50Hz工頻干擾，線路噪聲，眼電、肌電、心電等生理信號(hào)的干擾。ICA算法已應(yīng)用于腦電數(shù)據(jù)，以抽取更有效地信息特征，提高分類識(shí)別的精度。ICA的數(shù)學(xué)含義是假設(shè)誘發(fā)腦電原始信號(hào)為，L為導(dǎo)聯(lián)數(shù)。ICA的任務(wù)是在無先驗(yàn)知識(shí)的前提下尋求分離矩陣W，得到，使中的各分量盡可能地相互統(tǒng)計(jì)獨(dú)立，從而獲得獨(dú)立分量源的估計(jì)。ICA有不同的優(yōu)化判據(jù)和尋優(yōu)算法，其中Infomax算法更能可靠地找到功能鮮明的獨(dú)立成分，Infomax算法是一種在前向神經(jīng)網(wǎng)絡(luò)中基于熵最大化的自組織學(xué)習(xí)算法[9]。

3.2 小波變換

小波變換基函數(shù)是由一個(gè)基本小波通過平移和伸縮得到的，即:

其中，a為尺度參數(shù)，b為位置參數(shù)?？梢钥闯?，當(dāng)減小時(shí)，時(shí)寬減小，頻寬增大，且的窗口中心向頻域增大方向移動(dòng)。給定一個(gè)基本小波函數(shù)，則一維信號(hào)的連續(xù)小波變換是將信號(hào)變換到時(shí)間─尺度域上。小波基函數(shù)有很多，此處選擇db4，它與腦電信號(hào)相似，具有對(duì)稱、平滑和緊支撐性，有近最優(yōu)的時(shí)頻解，對(duì)腦電信號(hào)分解和重構(gòu)的效果較好[10]。

3.3 Bagging集成學(xué)習(xí)

Bagging算法隨機(jī)地從大小為的原始訓(xùn)練集中抽取個(gè)樣本作為此回訓(xùn)練的集合，以此增加分量學(xué)習(xí)器集成的差異度，從而提高泛化能力。Bagging算法對(duì)訓(xùn)練集的選擇是隨機(jī)的，各輪訓(xùn)練集之間相互獨(dú)立，Bagging算法的各個(gè)預(yù)測(cè)函數(shù)沒有權(quán)重，且可以并行生成。

Bagging算法的原理如下：

給定一數(shù)據(jù)集，基學(xué)習(xí)器為。如果輸入為，就通過來預(yù)測(cè)。假定有一個(gè)數(shù)據(jù)集序列，每個(gè)序列都由個(gè)與從同樣分布下得來的獨(dú)立觀察組成。任務(wù)是使用來得到一個(gè)更好的學(xué)習(xí)器，它比單個(gè)數(shù)據(jù)集學(xué)習(xí)器要強(qiáng)，這就要使用學(xué)習(xí)器序列。

如果是數(shù)值的，一個(gè)明顯的過程是用在上的平均取代，即通過(x,L)實(shí)現(xiàn)，其中表示 L上的數(shù)學(xué)期望，表示的綜合。如果預(yù)測(cè)一個(gè)類，綜合的方法是最大投票或平均方法[11-12]。

4.算法實(shí)現(xiàn)和識(shí)別結(jié)果

在信號(hào)預(yù)處理階段，由基于Infomax的ICA算法分解原始腦電信號(hào)，得到18個(gè)獨(dú)立分量，根據(jù)四階累積量的峭度分析去除其中的噪聲干擾，提取出顯著特征分量。通過小波變換把與P300相關(guān)頻帶的小波系數(shù)保留，其余小波系數(shù)均置為零，進(jìn)行小波重構(gòu)得到P300特征波。db4小波基既具有一定的平滑性又與事件相關(guān)電位P300的P2-N2-P3復(fù)合成分很相似，所以選用db4對(duì)腦電信號(hào)進(jìn)行5層小波分解，然后將重構(gòu)信號(hào)進(jìn)行疊加平均，得到如圖1所示的正常對(duì)照和卒中患者工作記憶任務(wù)P300波形?？梢钥闯?，相比正常對(duì)照，在1-back任務(wù)中，卒中患者的P300特征波潛伏期顯著延長(zhǎng)（t=-2.856, p＜0.05）。如圖：P300波形對(duì)比

（a）正常對(duì)照1-back腦電波形

（b）卒中患者1-back腦電波形

進(jìn)入分類識(shí)別階段后，通過Bootstrap重復(fù)采樣法先產(chǎn)生個(gè)訓(xùn)練子集，由每個(gè)訓(xùn)練子集產(chǎn)生對(duì)應(yīng)的基學(xué)習(xí)器?；鶎W(xué)習(xí)器采用支持向量機(jī)方法，每一個(gè)子集訓(xùn)練一個(gè)支持向量機(jī)個(gè)體模型，這些支持向量機(jī)個(gè)體之間的差異越大，集成學(xué)習(xí)效果將會(huì)更好。在訓(xùn)練這些支持向量機(jī)模型時(shí)，支持向量機(jī)的核函數(shù)及其參數(shù)取相同的值。最后通過最大投票法得到的集成分類結(jié)果作為對(duì)不同被試人群的P300波形分類結(jié)果的輸出。表1給出正常對(duì)照和卒中患者工作記憶任務(wù)腦電信號(hào)的分類結(jié)果，可以看出采用SVME算法，分類精度得到了提高，且與基分類器的個(gè)數(shù)有關(guān)。

表1 不同算法的分類結(jié)果比較

5.結(jié)論

本文采集正常對(duì)照和卒中患者工作記憶1-back任務(wù)的腦電數(shù)據(jù)，進(jìn)行數(shù)據(jù)預(yù)處理提高信噪比，利用小波變換提取認(rèn)知電位P300作為分類特征量，最后實(shí)現(xiàn)了兩種不同人群腦電信號(hào)的定量分類，取得了較好的識(shí)別結(jié)果，平均分類精度85.71%，為腦機(jī)接口自動(dòng)識(shí)別的實(shí)現(xiàn)打下了很好的方法基礎(chǔ)。SVME算法相比傳統(tǒng)支持向量機(jī)有著較好的識(shí)別性能，如何獲得差異最大的基分類器組和如何判別各個(gè)分類器之間的關(guān)系是后續(xù)研究的重點(diǎn)。

[1]曲福玲,魏英玲,劉忠良.腦卒中后輕度認(rèn)知障礙的評(píng)定和康復(fù)新進(jìn)展[J].中國(guó)康復(fù)理論與實(shí)踐.2009,12(15),1107-1110.

[2]張秋梅,高春華.運(yùn)動(dòng)視覺反饋訓(xùn)練對(duì)腦卒中偏癱患者上肢功能的影響[J].中華物理醫(yī)學(xué)與康復(fù)雜志.2014,36(4),278-280.

[3]Dockree P M, Robertson I H. Electrophysiological markers of cognitive deficits in traumatic brain injury:a review[J].International Journal of Psychophysiology.2011:1-8.

[4]Lehmann C, Koenig T, Jelic V et al. Application and comparison of classification algorithms for recognition of Alzheimer’s disease in electrical brain activity (EEG)[J].Journal of Neuroscience Methods.2007,161:342-350.

[5]Dauwels J, Vialatte F, Latchoumane C et al. EEG synchrony analysis for early diagnosis of Alzheimer’s disease: a study with several synchrony measures and EEG data sets[C].in 31st Annual International Conference of the IEEE EMBS.2009, pp.2224-2227.

[6]張宏達(dá),王曉丹,白冬嬰等.一種基于凸殼算法的SVM集成方法[J].計(jì)算機(jī)工程.2008,34(17)，28-30.

[7]張妤,王文劍,康向平.一種回歸SVM選擇性集成方法[J].計(jì)算機(jī)科學(xué).2008,35(4),178-180.

[8]Mijovi′c B, Vos M D, Gligorijevi′c I et al. Source separation from single-channel recordings by combining empirical-mode decomposition and independent component analysis[J]. IEEE Transactions on Biomedical Engineering.2010,57(9),2188-2196.

[9]Akhtar M T, Jung T P, Makeig S et al. Recursive independent component analysis for online blind source separation[C].in IEEE International Symposium on Circuits and Systems. 2012,pp. 2813-2816.

[10]PoornachandraS.Wavelet-based denoising using subband dependent threshold for EEG signals[J].Digital Signal Processing.2008,1:49-55.

[11]王麗麗.集成學(xué)習(xí)算法研究[D].廣西大學(xué)碩士學(xué)位論文.2006.

[12]李曉歐,范嬋嬌.集成學(xué)習(xí)在腦機(jī)接口分類算法中的研究.電子測(cè)量與儀器學(xué)報(bào).2011,25(11),940-945.

閔行區(qū)產(chǎn)學(xué)研合作計(jì)劃項(xiàng)目（項(xiàng)目編號(hào)：2015MH119，2015MH129）。