极限学习机在癫痫脑电中的运用范文

本站小编为你精心准备了极限学习机在癫痫脑电中的运用参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《计算机仿真杂志》2014年第六期

1分类算法

1．1极限学习机单隐层前馈神经网络(SLFN)由于有逼近非线性映射的能力而在许多领域得到广泛应用。但它在应用过程中需要人为设定大量的参数，因而会因参数选用不合适导致网络陷入局部最优。Huang等人提出了一种单隐层前馈神经网络的新学习算法，称为极限学习机(ELM)［8］。它并不需要对所有的网络参数进行调整，输入权值和隐含层偏差在训练开始时随机给定，在训练过程中固定。而输出连接权值可通过求解线性方程组的最小二乘解来得到。ELM算法的训练步骤如下:1)对输入权值ai及隐含层偏差bi随机赋值。2)计算隐含层输出矩阵H。3)通过^β=H+T计算输出层权值^β。

1．2自适应差分进化极限学习机由于ELM算法的输入权值及隐含层偏差都是随机赋值的，因此无法保证这些参数都是最优的。这就可能导致ELM算法比传统的基于参数调节的算法所需要的隐节点数更多，从而使得算法执行过程中测试时间变长。为解决这个问题，Huang提出了自适应差分进化极限学习机(SaE－ELM)的方法［9］，通过自适应差分进化算法来优化网络的输入权值及隐含层偏差，使其相对于极限学习机具有更好的泛化能力且缩短了测试时间。自适应差分进化算法步骤如下。Step4:选择。根据式(9)来判断第G代种群中变异得到的试验向量uk，G+1是否能进入下一代。重复步骤step3、step4直至满足约束条件或达到最大迭代次数。自适应差分进化算法中种群大小NP由人为设定，令变异因子K及交叉因子CR分别服从N(0．5，0．3)和N(0．5，0．1)的正态分布，对于每一个目标向量，K和CR都从这个范围内随机选取。利用以上自适应差分进化算法可以实现对极限学习机网络参数的优化，进而由优化后的输入权值及隐含层偏差求得ELM的输出权值矩阵。

2实验分析

2．1实验数据实验中用到的数据来自德国波恩实验室［11］。在该数据中包含三个数据集，其中数据集A中记录的是健康人的脑电信号，而C和E分别记录了癫痫患者发作间期和发作期的脑电信号。每个数据集均包含100个采用10～20国际标准导联技术提取的单导联脑电信号。每个脑电信号的长度为23.6s，采样频率为173.6Hz。

2．2参数选择由于样本熵的大小是由相似容限r及维数m决定的，而通常m的取值为1、2、3。r的取值则在(0．1～0．4)×SD的范围内。为了选取最优的m和r的参数组合，引入了下述的评价准则:其中ma与mb分别代表癫痫发作间期和发作期的样本熵均值，δ的大小表示样本熵的变化程度。δ越大则表明从癫痫发作间期到发作期样本熵的变化越明显，使得依据样本熵进行癫痫状态的诊断更容易实现。表2中给出的是不同的m和r组合下δ值的大小。δ值最大时对应的癫痫发作间期及发作期样本熵的差别越大，越容易进行分类。由表2可知，当m=2，r=0．2×SD时，δ最大，此时癫痫发作间期与发作期的样本熵均值之间的差别最大，更容易进行状态的分类识别。因此在试验中选取m=2，r=0．2×SD时的样本熵作为特征向量之一。数据集C、E中共200个癫痫脑电信号，对这200个信号分别求其样本熵均值以及6阶AR模型系数，构成维数为7的特征向量。其中120组作为训练样本，其余80组作为测试样本，用来训练分类器。采用SaE－ELM的方法对癫痫脑电信号进行分类，并将其与SVM和ELM的分类效果进行对比。SVM选用高斯核函数作为其核函数，其中核函数参数γ和分类器惩罚参数C的取值通过十倍交叉验证法来确定，得到两个参数的最优值为:C=5，γ=0.45。对于ELM，其输入权值及隐含层偏差是随机给定的，隐含层的激活函数选为sigmoid函数。对于SaE－ELM，其种群个数NP设为20。在实验过程中，不断增加ELM及SaE－ELM的隐节点个数，直至达到最佳的分类正确率。采用以上三种方法得到的实验结果均取20次实验的平均值。

2．3结果分析图2给出了不同隐含层节点数目下ELM和SaE－ELM的分类正确率。从图2中可以看出，对于ELM，当隐含层节点数目为80个的时候效果最好，分类正确率能够达到93%以上。当隐含层节点数目继续增加，识别效果变化不明显。而对于SaE－ELM，当其隐含层节点数为20个时，分类正确率已达到97%以上。表3给出了SVM、ELM和SaE－ELM三种分类算法的实验结果。从表3中可以看出，在三种分类算法中SaE－ELM对癫痫脑电信号的分类效果最好，测试精度达到97.16%，具有较好的泛化能力。且达到最佳分类效果时需要的隐含层节点数比ELM要少，只需20个。SaE－ELM存在的缺陷是所需的训练时间相对较长。

3结束语

本文通过样本熵及AR参数模型相结合的方法对癫痫脑电信号进行特征提取，并将自适应差分进化极限学习机算法应用到癫痫信号的分类识别中，取得了比较好的效果。实验结果表明采用，与传统方法相比，此方法具有更好的分类精度及泛化能力。

作者：王杰李牧潇单位：郑州大学电气工程学院