基于SVM集成学习的认知障碍脑电分类研究

张 科 李晓欧 周志勇/ .上海诺诚电气股份有限公司.上海健康医学院医疗器械学院.华东理工大学

基于SVM集成学习的认知障碍脑电分类研究

张 科1李晓欧2周志勇3/ 1.上海诺诚电气股份有限公司2.上海健康医学院医疗器械学院3.华东理工大学

目的:提出了一种基于小波特征提取的支持向量机集成分类算法，用于脑卒中后认知障碍病人的识别。方法:首先由Infomax独立分量分析算法去除脑电信号中的干扰成分；然后利用db4小波基提取认知电位P300特征波，并进行叠加平均；最后将特征量基于Bagging算法送入支持向量机基分类器进行集成学习，通过最大投票法得到分类结果。结果:实验结果表明，该算法分类效果好，平均分类精度为85.71%。结论:较单个支持向量机分类器，识别性能好，实现了认知障碍脑电信号的有效分类。

认知障碍；小波变换；支持向量机集成；脑计算机接口

1.引言

脑卒中是指因各种诱发因素引起脑内动脉狭窄、闭塞或破裂，而造成脑血液循环障碍，临床上表现为脑功能障碍的症状和体征。我国现有700万例脑卒中患者，每年新发病例250万，并以每年10%的速度递增。脑卒中不仅引起运动、言语、吞咽等功能障碍，更严重的是导致脑的认知障碍。认知障碍严重影响了患者的日常生活活动能力，比起正常人尤其关联工作记忆的损失。工作记忆被用于信息的临时存储和控制，对长期记忆、语言和执行能力等方面起到关键的作用。因此，认知障碍的早期诊断和早期干预对患者的身体及心理功能恢复，预防痴呆有着特别重要的意义，这就需要对认知障碍进行准确的识别，以指导康复治疗，也有助于判断疗效和预后[1-2]。

目前认知障碍的临床诊断主要由一些神经心理测试量表来完成，如MMSE量表。量表的最大局限性是主观性太强，只能作为诊断的重要参考资料，在临床诊断上还需要结合神经电生理学等检查结果，如基于事件相关电位的脑电信号就可以很好地反映认知障碍，其敏感性远远超出量表评分。人在不同的认知活动中，大脑动力学运动特性不同，认知电位也不同，患有认知功能缺陷的病人在认知活动时的认知电位和正常人的有显著差别，认知障碍对应了脑电信号潜伏期延长、幅度下降、节律不对称等抑制现象，通过比较可以评判其认知功能[3]。

一些研究已基于脑电信号利用有效的算法用于认知障碍的自动识别。Lehmann等利用线性判别分析、神经网络、支持向量机去识别不同程度认知障碍的脑电信号[4]；Dauwels等利用线性判别分析、二次判别分析完成认知障碍脑电的分类，他们都获得了很好的分类效果[5]。在这些基于脑电的分类算法中，基于结构风险最小化的SVM算法分类效果最好，尤其适合于解决高维、非线性、小样本问题。如果将其作为基分类器，再通过集成学习可提高整体性能，对于一个应用问题来说，会得到更好的解决，这就是支持向量机集成（Support Vector Machine Ensemble, SVME），SVME方法是指按照一定规则将有限个子支持向量机的结果结合起来，以便对新样本进行分类预测的学习算法。通过SVME，可以在一定程度上避免支持向量机本身的模型选择问题，并能获得比单个支持向量机更好的泛化性能[6-7]。

独立分量分析（Independent Component Analysis, ICA）和小波变换可用于抽取参数进行脑电信号的分析和分类，提高基分类器即各个支持向量机的训练效率。ICA是一种盲源分离算法，可从记录信号中抽取独立源成分[8]。小波变换具有多分辨率分析的特点，可以很好的保留相关频带的小波系数，通过小波重构，实现脑电特征提取。

本文基于24位高精度脑电信号采集系统记录诱发脑电信号，利用ICA算法预处理认知障碍病人和正常人基于工作记忆任务的P300信号，小波特征被分别抽取，这些特征和基于Bagging算法的SVME分类器用于完成正常对照和卒中患者的分类，以指导认知评定。

2.脑电信号采集系统

用于认知障碍识别的脑电信号采集系统主要分为2个部分，一个是系统硬件，包括采集脑电电极、信号放大电路、主控电路、信号采集和处理主机。放大电路与主控电路采用光纤连接，屏蔽了工频干扰，且光纤传输数据带宽较普通电缆宽，数据传输速率快、稳定、安全。主控电路采用USB和上位主机连接，把放大电路采集到的脑电数据上传到电脑。另一个是用户系统，包括刺激主机和视觉刺激界面。通过安装在刺激主机显示器上的光敏三极管探测诱发脑电的刺激变化，光敏三极管输出电信号经放大、差分信号转换，通过RS-485通讯接口送至脑电信号采集主机，实现脑电刺激与采集的同步。刺激内容由编写好的N-back WM Task软件施加，每个任务包含120个试验分成3组以便被试者有两个休息时间段，尽量减少因多次重复刺激被试者产生神经系统的疲劳和适应性，而导致实验误差。每次刺激显示时间为500ms，刺激间隔为2500ms。考虑到病人在临床实验中的配合度和执行情况，选择1-back工作记忆任务。刺激内容为“1”“2”“3”“4”四个阿拉伯数字，刺激顺序采用伪随机方式，靶和非靶的概率相等。1-back任务中当前靶刺激和前一个刺激内容一致时即为靶刺激，靶刺激出现时被试者需要按键确认。

来自复旦大学附属华东医院的首发急性缺血性脑卒中患者和正常对照各13例参与研究，年龄在50岁左右，具有正常的视觉功能且右手利。记录18导联（EOG1,EOG2,Fp1,Fp2,F3,F4,F7,F8,Fz,C3, Cz,C4,P3,Pz,P4,O1,Oz和O2）的诱发电位，电极安放采用标准10/20系统，采样频率为256Hz。

3.预处理和分类算法

3.1 ICA算法

脑电信号微弱，易受其他电信号和伪迹干扰，如50Hz工频干扰，线路噪声，眼电、肌电、心电等生理信号的干扰。ICA算法已应用于脑电数据，以抽取更有效地信息特征，提高分类识别的精度。ICA的数学含义是假设诱发脑电原始信号为，L为导联数。ICA的任务是在无先验知识的前提下寻求分离矩阵W，得到，使中的各分量尽可能地相互统计独立，从而获得独立分量源的估计。ICA有不同的优化判据和寻优算法，其中Infomax算法更能可靠地找到功能鲜明的独立成分，Infomax算法是一种在前向神经网络中基于熵最大化的自组织学习算法[9]。

3.2 小波变换

小波变换基函数是由一个基本小波通过平移和伸缩得到的，即:

其中，a为尺度参数，b为位置参数。可以看出，当减小时，时宽减小，频宽增大，且的窗口中心向频域增大方向移动。给定一个基本小波函数，则一维信号的连续小波变换是将信号变换到时间─尺度域上。小波基函数有很多，此处选择db4，它与脑电信号相似，具有对称、平滑和紧支撑性，有近最优的时频解，对脑电信号分解和重构的效果较好[10]。

3.3 Bagging集成学习

Bagging算法随机地从大小为的原始训练集中抽取个样本作为此回训练的集合，以此增加分量学习器集成的差异度，从而提高泛化能力。Bagging算法对训练集的选择是随机的，各轮训练集之间相互独立，Bagging算法的各个预测函数没有权重，且可以并行生成。

Bagging算法的原理如下：

给定一数据集，基学习器为。如果输入为，就通过来预测。假定有一个数据集序列，每个序列都由个与从同样分布下得来的独立观察组成。任务是使用来得到一个更好的学习器，它比单个数据集学习器要强，这就要使用学习器序列。

如果是数值的，一个明显的过程是用在上的平均取代，即通过(x,L)实现，其中表示 L上的数学期望，表示的综合。如果预测一个类，综合的方法是最大投票或平均方法[11-12]。

4.算法实现和识别结果

在信号预处理阶段，由基于Infomax的ICA算法分解原始脑电信号，得到18个独立分量，根据四阶累积量的峭度分析去除其中的噪声干扰，提取出显著特征分量。通过小波变换把与P300相关频带的小波系数保留，其余小波系数均置为零，进行小波重构得到P300特征波。db4小波基既具有一定的平滑性又与事件相关电位P300的P2-N2-P3复合成分很相似，所以选用db4对脑电信号进行5层小波分解，然后将重构信号进行叠加平均，得到如图1所示的正常对照和卒中患者工作记忆任务P300波形。可以看出，相比正常对照，在1-back任务中，卒中患者的P300特征波潜伏期显著延长（t=-2.856, p＜0.05）。如图：P300波形对比

（a）正常对照1-back脑电波形

（b）卒中患者1-back脑电波形

进入分类识别阶段后，通过Bootstrap重复采样法先产生个训练子集，由每个训练子集产生对应的基学习器。基学习器采用支持向量机方法，每一个子集训练一个支持向量机个体模型，这些支持向量机个体之间的差异越大，集成学习效果将会更好。在训练这些支持向量机模型时，支持向量机的核函数及其参数取相同的值。最后通过最大投票法得到的集成分类结果作为对不同被试人群的P300波形分类结果的输出。表1给出正常对照和卒中患者工作记忆任务脑电信号的分类结果，可以看出采用SVME算法，分类精度得到了提高，且与基分类器的个数有关。

表1 不同算法的分类结果比较

5.结论

本文采集正常对照和卒中患者工作记忆1-back任务的脑电数据，进行数据预处理提高信噪比，利用小波变换提取认知电位P300作为分类特征量，最后实现了两种不同人群脑电信号的定量分类，取得了较好的识别结果，平均分类精度85.71%，为脑机接口自动识别的实现打下了很好的方法基础。SVME算法相比传统支持向量机有着较好的识别性能，如何获得差异最大的基分类器组和如何判别各个分类器之间的关系是后续研究的重点。

[1]曲福玲,魏英玲,刘忠良.脑卒中后轻度认知障碍的评定和康复新进展[J].中国康复理论与实践.2009,12(15),1107-1110.

[2]张秋梅,高春华.运动视觉反馈训练对脑卒中偏瘫患者上肢功能的影响[J].中华物理医学与康复杂志.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]张宏达,王晓丹,白冬婴等.一种基于凸壳算法的SVM集成方法[J].计算机工程.2008,34(17)，28-30.

[7]张妤,王文剑,康向平.一种回归SVM选择性集成方法[J].计算机科学.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]王丽丽.集成学习算法研究[D].广西大学硕士学位论文.2006.

[12]李晓欧,范婵娇.集成学习在脑机接口分类算法中的研究.电子测量与仪器学报.2011,25(11),940-945.

闵行区产学研合作计划项目（项目编号：2015MH119，2015MH129）。