摘 要：脑电信号具有时变、个体差异的特点，容易受到身体状态、情绪、位置等因素的影响，传统的 BP 网络分类器难以适应动态监测的要求。基于此，笔者提出了一种基于 BP 网络的 BP AdaBoost 基本网络分类器。首先，该分类器是在传统 Ada 在线自学习能力的脑电信号分类方法 boost 集成学习框架下由弱分类器形成的，其通过引入遗忘因子，改变初始样本容量来改进 AdaBoost 算法;其次，初始权值增强了其时间相关性，得到 BP-AdaBoost 分类器，并进一步借鉴半监督的思想，增加了基于 K- 近邻规则的自评价反馈环节，从而提高了捕获效果;最后，基于国际 BCI 竞赛数据集，利用 Hilbert Huang 变换提取脑电图特征。仿真结果表明，笔者提出的分类方法对时间和个体具有较好的适应性和鲁棒性，与传统的 BP 神经网络相比，分类精度约提高了 23.42%。
关键词：自主学习;脑电图;识别;学习演算法
0 引言
脑机接口(BCI)利用脑电信号(EEG)在大脑和计算机之间建立起一条直接的信息交换通路。分类器设计是 BCI 系统的重要技术之一。传统的 BP 神经网络分类器属于监督分类器，通常采用“①分类 - ②训练”的结构。训练过程是决定系统分类性能的唯一因素。在不同的思维任务下，脑电信号具有时间变化和个体差异的特点，周围环境和人体形态如状态、情绪、位置等因素会导致动态脑电图数据的分类界限不同。因此，当 BP 神经网络分类器用于不同的思维任务时，离线训练样本的特征空间不能被脑电数据的在线分类所覆盖，在线脑电数据的特征空间大大降低了分类的效果 [1]。
相关期刊推荐：《计算机测量与控制》(月刊)创刊于1993年，由中国计算机自动测量与控制技术协会主办。报道内容：1计算机技术、自动测试技术和自动控制技术的研究成果及发展方向的综述与评论;2先进的总线技术、故障诊断技术、系统集成技术以及控制理论在工业领域和军事中的应用;3边缘扫描测试技术、遥测遥控技术和自动测试系统的设计与开发;4动态数据采集与信号处理系统;现场总线与接口技术;机电一体化技术;5嵌入式系统软件、软件测试以及工控组态软件的开发与应用;6集散/分布控制系统，自控/监控系统的开发与应用;7计算机网络与通信、楼宇自动化技术的开发与应用;8先进的测控部件及传感器技术在工业自动测试和控制中的应用;9基于总线技术的智能仪器仪表的设计与开发。
比较了 BP 神经网络和 AdaBoost 自适应增强算法，本文建立了 BP-AdaBoost 基本网络分类器模型。在此基础上增加反馈环节，利用样本概率类标签进行训练分类，细化样本信息，然后将遗忘因子引入传统的 AdaBoost 算法中进行改进。该方法使样本具有不等概率的初始权值，增强了样本的时变信息，从而获得具有自我评估和学习能力的脑电图信号分类方法。
1 BP 神经网络的反馈自学习
1.1 改进的 BP 神经网络分类器
传统 BP 神经网络分类器的特点是“①分类 - ②训练” 的固定结构，训练过程通常是离线学习。在此过程中，从给定的样本出发，调整网络权值参数，进行初始设计，将样本集包含的知识与神经网络参数进行融合。在进行在线分类时，特别是需要分类的样本数据是非线性时变的，并且数据和特征信息的分布随着样本数的增加而变化，导致分类性能下降。通过改进分类器的结构，增加了样本信息量。分类器的在线自学习能力非常重要。因此，在传统的 BP 神经网络分类器中加入了反馈电路 [2]。本文提出了“①分类 - ②训练 - ③反馈自学习”的框架：在改进的 BP 神经网络中，分类器有两个结构相同的BP网络，BP1在数据模型分类中加入样本数据; BP2 在在线学习中加入样本数据，决策点在第 2 步确定新样本，需要反馈再学习步骤。如果 BP1 不能很好地跟踪分类线，则使用 BP2 获得的权重更新 BP1 的权重，分类器动态工作。
1.2 基于 K- 邻域规则的自我评价和自我反馈机制
改进的 BP 神经网络分类器的结构为“①训练 - ②分类 - ③ 反馈自学习”三部分，步骤②根据分类结果反馈判断，在确定新样本数据的分类标签后，可用于反馈，但反馈的准确性取决于自我判断规则是否有效。一方面，如果规则过于严格，分类器会表现出“自卑”，很多人会放弃有用的反馈机会，回到“①训练 - ②分类”;另一方面，当规则变得粗糙时，分类器会表现出过多的“可信度”，虚假反馈的发生率会增加，这不仅可以提高系统的分类性能，而且会导致系统性能下降。基于依从性规则的反馈准则，其重点是训练样本，并且对于每个新添加的样本，最近规则的样本是最近选择的。如果有邻近的观察结果，则删除与最邻近没有相同数据的标签，以决定修改后的标签。当 k=3、m=2 时，使用最近邻准则进行识别，降低了分类器的性能。
2 BP-AdaBoost 网络分类器
2.1 BP-AdaBoost 基本网络模型
AdaBoost 算法是 frenund 算法和 scapire 算法在 boosting 算法基础上提出的一种改进算法，它可以从弱分类器中学习和调整弱分类器的误差，进一步提高分类效果。本文将 BP 网络作为 Ada 弱分类器下 Boost 集成学习的框架，在传统 AdaBoost 的基础上形成 BP-AdaBoost。BP-AdaBoost 基本网络模型的工作原理如下：首先，证明样本被赋予权重的概率和样本是由弱分类器选择的训练集的概率。如果样本点分类正确，则训练下一个弱分类器，其权值降低。相反，如果采样点没有正确分类，则权重会增加 [3]。AdaBoost 自适应增强算法可以“聚焦”对这些类来说困难且信息量大的样本，其具体的工作流程如下：在线使用 BP-AdaBoost 网络进行学习和分类时，样本量随会时间延长而增加，因此，有必要采用滑动窗口更新的方法。当新数据到达时，窗口将逐渐滑动，并向窗口中添加新样本，与此同时，会删除相应数量的旧样本，使窗口始终是固定数量的最新数值数据。窗口中样本数据的初始权值是等价的，没有时间信息和样本。
2.2 BP AdaBoost 网络模型
为了进一步提高分类器的时间适应性，本文提出了 AdaBoost 因子算法，这是对遗忘算法的改进，描述过去样本的时间信息在一定程度上解决了“突然遗忘”问题。与传统的 AdaBoost 算法相比，该算法有了特别的改进：(1)安装了一个滑动窗口;对于两类问题，窗口宽度为 2n;(2)将窗口中的数据按时间序列排列;(3)提高了样本初始权重，即用遗忘因子初始化样本权重。
2.3 个基点演算法分类器
用 BP AdaBoost 网络模型代替改进后的 BP 神经网络，分类精度随样本数量的增加而增加，使曲线控制器中的 BP 网络可以获得具有反馈自学习能力的 BP AdaBoost 分类器。该分类器不仅将“①训练 - ②分类 - ③反馈自学习”结构和 AdaBoost 算法相结合，而且引入了 BP 神经网络的优点，特别是遗忘因子，具有较好的自适应性和泛化能力。
3 实验与分析
3.1 数据来源
实验数据来源于 bcicom 情愿 Щ 中的 DataSetiva 包。数据包由柏林大学医学部神经病学的 neurophysicsgroup 提供，记录 5 名受试者 (AA、Al、AV、AW、AY) 的实验数据。每一个主题共进行了 280 次实验，类别标签实验分别进行。对于 224、168、84、56 和 28，实验数据按时间顺序排列。思维任务包括两种类型：想象右手和脚。
3.2 特征提取
采集到的原始脑电图数据量大、维数高，直接使用会增加分类器设计的难度。因此，本文利用 Hilbert Huang 变换对脑电信号进行预处理。通过经验模态分解得到脑电信号的固有模态分量，并对其进行改进 [4]。利用 Hilbert Huang 变换计算信号在时频窗内的瞬时能量，将其作为不同思维任务的脑电图特征。根据脑电图信号和思维任务，将 C5 和 CPZ 的瞬时能量提取为脑电信号的特征，以训练样本集和测试样本集。
3.3 系统参数设置
BP AdaBoost 网络模型中 BP 网络分为 3 层：输入层、隐含层和输出层。隐层和输出层选择 Tansig 函数，BP 网络训练采用 Levenberg Marquardt 算法。另外，实验使用了多线程技术来保证在线实时学习和在线分类。
3.4 实验结果与分析
利用相同的数据预处理方法，所有 5 名受试者均使用类别标签进行标记。提取 560 次实验数据得到测试集，并从中随机选取。训练集由被试 30 次实验数据的特征信息组成。统一 BP 网络分类器、改进 BP 网络分类器、无遗忘因子 BP AdaBoost 分类器和带遗忘因子的 BP AdaBoost 分类器分别进行了 20 次仿真实验，提供了进一步的信息，给出了每个样本区间内四个分类器的平均准确率，表明四个分类器的平均值曲线和线性趋势的准确性随样本数量的增加而增加，。
4 结 语
根据人工神经网络模型的基本结构，本文建立了基于虚拟可重构技术的数字电路，提出了进化的模型平台是可演化硬件研究中关键问题的一种新的解决方案，进化实验的成功也证明了该方法的可行性。——论文作者：李红宇 刘庆江 常晓娟 赵 薇
