基于腦電信號與集成分類器的心理負(fù)荷評估

顧浩 尹鐘

0 引言

自動化系統(tǒng)任務(wù)性能與人類操作員的精神狀態(tài)密不可分。腦力負(fù)荷（Mental Workload）指操作者執(zhí)行特定認(rèn)知任務(wù)時的心理生理負(fù)擔(dān)，通常與情境意識、情緒和警惕有關(guān)[1]。 腦力負(fù)荷與操作員的專業(yè)知識、個性、任務(wù)類型及生理變量密切相關(guān)，社會壓力和期望等社會變量也會影響腦力負(fù)荷水平。腦力負(fù)荷是分析和實現(xiàn)人機協(xié)作任務(wù)的關(guān)鍵因素，若操作員長期執(zhí)行工作，可能導(dǎo)致記憶性能下降甚至惡化，通常表現(xiàn)為操作員無法集中注意力進(jìn)行分析，導(dǎo)致工作效率低，甚至引發(fā)不可逆轉(zhuǎn)的事故。

因此提高腦力負(fù)荷分類準(zhǔn)確性、準(zhǔn)確評估操作員腦力負(fù)荷具有重要意義，相關(guān)研究可用于指導(dǎo)操作員高效地開展工作。

不同級別的腦力負(fù)荷與瞬態(tài)期間接收的信息密切相關(guān)[2-3]。本文實驗將收集操作員在不同工作負(fù)荷水平下頭皮產(chǎn)生的腦電信號。腦電信號是一種神經(jīng)生理學(xué)標(biāo)記物，其使用電生理指標(biāo)記錄大腦活動[4]。當(dāng)皮層中的大量神經(jīng)元彼此同步時，產(chǎn)生突觸后電位形成腦電信號，記錄大腦活動變化。腦電信號是復(fù)雜的非平穩(wěn)隨機時間序列，特征提取和組合難度很大[5-7]。

基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法在特征學(xué)習(xí)方面表現(xiàn)令人印象深刻[8]，人工神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)分類方面也有卓越表現(xiàn)。首先，人工神經(jīng)網(wǎng)絡(luò)是數(shù)據(jù)驅(qū)動的;其次，神經(jīng)網(wǎng)絡(luò)從噪聲訓(xùn)練數(shù)據(jù)中壓縮編碼[9-11]，即在訓(xùn)練之后，即使訓(xùn)練數(shù)據(jù)包括不可見的輸入模式，通常也可產(chǎn)生良好的結(jié)果;第三，神經(jīng)網(wǎng)絡(luò)具有靈活的并行結(jié)構(gòu)，可以同時解決高維輸入的問題[10]。

超限學(xué)習(xí)機（ELM）是一種特殊的單隱藏層前饋人工神經(jīng)網(wǎng)絡(luò)（SLFN）[12]。ELM與經(jīng)典SLFN的區(qū)別在于訓(xùn)練權(quán)重算法[13-15]。在標(biāo)準(zhǔn)ELM中，輸入層到隱藏層的權(quán)重在分布中隨機分配。在通過隨機權(quán)重將輸入層鏈接到隱藏層之后，可根據(jù)最小二乘法獲得從隱藏層到輸出層的輸出權(quán)重[16-17]。在ELM訓(xùn)練模型過程中進(jìn)行輸出權(quán)重的計算。ELM通?？梢酝ㄟ^支持向量機產(chǎn)生競爭性學(xué)習(xí)泛化能力[18]。ELM在特定應(yīng)用中的表現(xiàn)也優(yōu)于深度學(xué)習(xí)。在許多應(yīng)用中，ELM與深度學(xué)習(xí)具有很強的互補性。憑借其泛化和學(xué)習(xí)速度優(yōu)勢，ELM引起研究人員高度關(guān)注。ELM學(xué)習(xí)算法應(yīng)用領(lǐng)域廣泛，如大數(shù)據(jù)分析、機器人、智能電網(wǎng)、健康產(chǎn)業(yè)、可穿戴設(shè)備、異常檢測、地球科學(xué)和遙測等[19-20]。

1 方法分析

本文采用一種融合超限學(xué)習(xí)機與支持向量機的混合集成分類器，對腦力負(fù)荷水平進(jìn)行二分類。本部分簡要回顧超限學(xué)習(xí)機與支持向量機的基本訓(xùn)練算法，再介紹混合集成分類器設(shè)計原理。

1.2 支持向量機

支持向量機是一個二分類模型，其核心是定義特征空間中最大間隔的線性分類器。 線性分類器與感知器不同之處在于最大間隔。 支持向量機還包括內(nèi)核技術(shù)，它使支持向量機成為基本非線性的分類器。 非線性分類問題指如何通過使用非線性模型進(jìn)行良好分類。對于一個給定的數(shù)據(jù)集：

1.3 超限學(xué)習(xí)機與支持向量機的結(jié)合

本文用整體數(shù)據(jù)集的80%作為訓(xùn)練數(shù)據(jù)集（23040*137），20%作為測試集（5760*137）。

本文實驗使用不同數(shù)目的支持向量機對訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練，得出的結(jié)果不通過最后的符號函數(shù)進(jìn)行處理，而是將這些離散值放入超限學(xué)習(xí)機中再次訓(xùn)練，超限學(xué)習(xí)機的輸入神經(jīng)元個數(shù)與支持向量機的個數(shù)保持一致，通過該方法得出訓(xùn)練精度與測試精度。之后通過改變與超限學(xué)習(xí)機結(jié)合的支持向量機個數(shù)，分別得出訓(xùn)練精度與測試精度。

同樣可以將支持向量機作為終層分類器，將不同個數(shù)的超限學(xué)習(xí)機訓(xùn)練結(jié)果結(jié)合，最后放入支持向量機中，得到最終訓(xùn)練結(jié)果，在此之間通過改變支持向量機核函數(shù)得到更高的測試精度與訓(xùn)練精度。

2 實驗結(jié)果

本文使用超限學(xué)習(xí)機運行初始數(shù)據(jù)集，通過改變超限學(xué)習(xí)機隱藏層神經(jīng)元數(shù)量，可以獲得不同訓(xùn)練精度和測試精度。具有最高測試精度的隱層神經(jīng)元數(shù)量為2 300，隱層數(shù)量為2 300，最高測試精度為0.793 4，訓(xùn)練精度為0.834 7。

取1到5，分別以 5種不同的支持向量機個數(shù)組成混合分類器，測試數(shù)據(jù)訓(xùn)練與測試。每個數(shù)目的支持向量機在打亂數(shù)據(jù)的前提下運行5次，實驗結(jié)果如表1所示，測試精度與訓(xùn)練精度分別是運行5次的平均值。

從表1可以看出支持向量機個數(shù)越多，得到的訓(xùn)練精度就越高，此時5個支持向量機的參數(shù)相同，然后改變支持向量機的參數(shù)，使5個支持向量機的參數(shù)各不相同，得到的分類結(jié)果如表2所示。

從表2可以發(fā)現(xiàn)使用不同的支持向量機參數(shù)可以得到更高的訓(xùn)練精度與測試精度。用跨被試的方法將8個被試數(shù)據(jù)中的7個作為訓(xùn)練數(shù)據(jù)集，1個作為測試數(shù)據(jù)集，實驗8次結(jié)果如表3所示。

從表4中可以發(fā)現(xiàn)混合分類器在訓(xùn)練時間上比單個支持向量機與單個超限學(xué)習(xí)機花費的訓(xùn)練時間長，但是訓(xùn)練精度與測試精度相比有所提高。本文將混合分類器與其它主流算法進(jìn)行對比，對比結(jié)果如表5所示。

從表4中可以發(fā)現(xiàn)支持向量機與超限學(xué)習(xí)機混合分類器的分類精度與其它算法相比有顯著提升，訓(xùn)練精度可以穩(wěn)定地維持在1.0，測試精度也有不錯的表現(xiàn)。

同樣將SVM作為終極分類器，使用不同個數(shù)的ELM訓(xùn)練數(shù)據(jù)集，SVM選擇不同的核函數(shù)實驗結(jié)果，如表6所示。

從表6、表7可以看出，與以終極分類器為ELM的分類器相比，該方式結(jié)合的混合分類器表現(xiàn)效果較差。

SVM是一種最常用的、性能最佳的分類器，具有良好的泛化能力，在小樣本訓(xùn)練集上，SVM可以獲得比其它算法更好的結(jié)果，因此可以通過調(diào)整參數(shù)提高分類結(jié)果。隨著ELM模型訓(xùn)練時間的縮短，可以先將數(shù)據(jù)輸入ELM進(jìn)行訓(xùn)練。通過調(diào)整參數(shù)，可輕松獲得訓(xùn)練好的ELM模型，且訓(xùn)練精度較高。將SVM降維的數(shù)據(jù)放入訓(xùn)練好的ELM中，由于ELM具有良好的原始數(shù)據(jù)分類性能，因此兩個分類器組合將提高分類準(zhǔn)確性。

3 結(jié)語

為提高腦力負(fù)荷分類準(zhǔn)確性，本文提出了一種基于傳統(tǒng)機器學(xué)習(xí)算法支持向量機與新興算法超限學(xué)習(xí)機的混合方法。該方法將支持向量機訓(xùn)練獲得的結(jié)果再次放入超限學(xué)習(xí)機進(jìn)行訓(xùn)練，雖然該過程延長了數(shù)據(jù)集訓(xùn)練時間，但與其它算法相比，訓(xùn)練精度達(dá)到1，且測試精度也有0.1%的提升。下一步將通過繼續(xù)改變支持向量機數(shù)量與超限學(xué)習(xí)機數(shù)量，驗證能否得到更好的分類結(jié)果。

參考文獻(xiàn)：

[1] KAMIOKA D，MURAI? K，KITAMURA K，et al. Construction of port-coordinator duties list for mental workload assessment[C]. IEEE International Conference on Systems， Man， and Cybernetics，2017：3409-3414.

[2] LIN O，LIU G Y，YANG J M，et al. Neurophysiological markers of identifying regret by 64 channels EEG signal[C]. The 12th International Computer Conference on Wavelet Active Media Technology and Information Processing， 2015：395-399.

[3] 韓文民. 基于腦電的輕裝作業(yè)操作者腦力負(fù)荷與績效的分析[D]. 鎮(zhèn)江：江蘇科技大學(xué)經(jīng)濟與管理學(xué)院，2019.

[4] 王禹，肖毅，周前祥，等. 基于腦電信號的腦力負(fù)荷監(jiān)測技術(shù)研究現(xiàn)狀[J]. 航天醫(yī)學(xué)與醫(yī)學(xué)工程，2018，5（577）：577-582.

[5] 基于深度信念網(wǎng)絡(luò)的腦電信號疲勞檢測系統(tǒng)， 朱龍飛，浙江工業(yè)大學(xué)經(jīng)貿(mào)管理學(xué)院浙江工業(yè)大學(xué)軟件學(xué)院

[6] TJANDRASA H，DJANALI S，ARUNANTO F X. Feature extraction using combination of intrinsic mode functions and power spectrum for EEG signal classification[C]. The 9th International Congress on Image and Signal Processing， BioMedical Engineering and Informatics，2016：1498-1502.

[7] AJKOWSKI A，KO？ODZIEJ M，ZAPA？A D，et al. Selection of EEG signal features for ERD/ERS classification using genetic algorithms[C]. The 18th International Conference on Computational Problems of Electrical Engineering ，2017：1-4.

[8] GEETHANJALI P，MOHAN Y K，SEN J. Time domain feature extraction and classification of EEG data for brain computer interface[C]. The 9th International Conference on Fuzzy Systems and Knowledge Discovery，2012：1136-1139.

[9] SMITH K A. A data-driven rule-based neural network model for classification[C]. The 6th International Conference on Neural Information Processing，1999：855-860.

[10] WANG X Q，SUN F Y，SHAN R L，et al. Application research on artificial neural networks for processing noise signal[C]. 2008 International Workshop on Education Technology and Training & 2008 International Workshop on Geoscience and Remote Sensing，2008：640 - 644.

[11] PENG J X，LI K，IRWIN G W. A new Jacobian matrix for optimal learning of single-layer neural networks[C]. IEEE Transactions on Neural Networks，2008：119-129.

[12] RAJAGURU H，PRABHAKAR S K，Sparse PCA and soft decision tree classifiers for epilepsy classification from EEG signals[C]. International conference of Electronics， Communication and Aerospace Technology，2017：581-584.

[13] RUSTAN A A. Using artificial neural networks to improve hardware branch predictors[C].? International Joint Conference on Neural Networks，1999：3419-3424.

[14] KONG X X，CHENG M，SHU Y S. Extreme learning machine based phase angle control for stator-doubly-fed doubly salient motor for electric vehicles[C].? IEEE Vehicle Power and Propulsion Conference，2008：1-5.

[15] YANG S M，WANG Y L，SUN B. ELM weighted hybrid modeling and its online modification[C].? 2016 Chinese Control and Decision Conference，2016：3443 - 3448.

[16] LIMA S M L， FILHO A G S，SANTOS W P. A methodology for classification of lesions in mammographies using Zernike Moments， ELM and SVM Neural Networks in a multi-kernel approach，2014 IEEE International Conference on Systems， Man， and Cybernetics （SMC），2014：988 - 991.

[17] CHEN S W，SHANG Y，WU M H. Application of PSO-ELM in electronic system fault diagnosis[C].? IEEE International Conference on Prognostics and Health Management ，2016：1-5.

[18] FESTILA L，GROZA R，CIRLUGEA M，et al. Log-domain linear SVM classifier[C]. 14th International Conference on Mixed Design of Integrated Circuits and Systems，2007：301-304.

[19] AKAHO S. SVM maximizing margin in the input space[C]. Proceedings of the 9th International Conference on Neural Information Processing， 2002：1069-1073.

[20] AJEEB N，NAYAL A，AWAD M. Minority SVM for linearly separable imbalanced datasets[C]. The 2013 International Joint Conference on Neural Networks，2013：1-5.

（責(zé)任編輯：江 艷）