改进的半监督聚类在MEG脑机接口中的应用

开篇：润墨网以专业的文秘视角，为您筛选了一篇改进的半监督聚类在MEG脑机接口中的应用范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘 要：

脑磁信号(MEG)作为一种新的脑机接口(BCI)输入信号，含有手运动方向的模式信息。鉴于半监督聚类融合了训练数据先验知识的优势，提出一种基于训练中心的半监督模糊聚类算法。该算法分为降维和改进的半监督聚类，采用主成分分析和线性判别分析将高维数据降到低维，改进的半监督聚类在对训练数据进行模糊聚类的基础上，将得到的聚类中心加权到测试数据聚类过程中，以增加测试数据聚类中心的鲁棒性。结果表明，该算法识别率较高，平均识别率达到了55.1%，优于BCI竞赛Ⅳ的最好结果46.9%。

ス丶词：

脑机接口；脑磁图；半监督；模糊聚类

ブ型挤掷嗪牛 TP18

文献标志码：A

英文标题

Application of improved semisupervised clustering inmeg brain computer interface

び⑽淖髡呙

ZHOU Lina, La Meng

び⑽牡刂(

College of Information Science and Engineering, Yanshan University, Qinhuangdao Hebei 066004, China

英文摘要

)

Abstract:

The MagnetoEncephaloGraphy (MEG) can be used as an input signal for Brain Computer Interface (BCI), which contains the pattern information of the hand movement direction. In view of the fact that the semisupervised clustering combines the advantages of training data prior knowledge, a semisupervies fuzzy clustering algorithm based on training center was put forward. The algorithm was divided into lowerdimensional and improved semisupervised clustering. Principal component analysis and linear discriminant analysis were used to reduce the data from highdimension to lowdimension. Improved semisupervised clustering based on fuzzy clustering for the training data added the training center in proportion to the test data center. The experimental results show that the averagerecognition rate of the proposed algorithm reaches to 55.1%, higher than that of the winner of the 2008 competition Ⅳ.

英文关键词

Key words:

Brain Computer Interface (BCI); MagnetoEncephaloGraphy (MEG); semisupervised; fuzzy clustering

0 引言

脑机接口(BrainComputer Interface, BCI)是使人只需利用大脑意识产生的生物信号,而不依赖周围神经系统和肌肉,来控制外部设备或与之通信的系统［1］。

目前应用于脑机接口的最成功的信号是脑皮层电图(ElectroCorticoGram, ECoG) ［2］和脑电信号(ElectroEncephaloGram, EEG) ［3-4］。这两者能够提供相对较高的译码性能，但是由于ECoG具有很强的侵入性，对实际应用带来很大的不便，EEG也由于头盖骨的高阻抗，导致脑电信号空间分辨率不高，误差很大。因此，基于脑磁图(MagnetoEncephaloGraphy, MEG)的BCI逐步受到研究者的关注。Jürgen Mellinger等人［5］指出基于MEG的BCI是可行的有效率的，并且提高脑机接口的通信速度。Stephan Waldert等人 ［6-7］的研究表明，MEG和脑电图信号这两种非植入式信号，也都包含大脑的手动信息，它们能够用来区分4个不同方向的运动，并且能够提供相对较高的译码性能，其平均正确率为60%。2009年Trent J Bradberry等人［8］报告了基于MEG手运动方向的研究结果。

2008年脑机接口国际竞赛Ⅳ第三组数据就是MEG手运动方向分析的数据，它记录了两个实验者执行4个不同方向的手腕运动时的10个通道MEG信号。这次竞赛的目的是验证脑机接口中的信号处理和模式识别方法。

目前半监督聚类算法根据约束条件的不同可以分为3类。1）点对约束。即两个样本属于同一类为MustLink，不属于同一类的则为CannotLink。将约束点对作为聚类目标的一部分直接作用于聚类算法［9-10］，并且依靠用户提供的标号或约束来指导算法，产生更合适的数据划分。2）基于距离的约束方法。使用一种自适应距离度量，该度量已经被训练，以满足监督数据中的标号或根据约束构造某种距离度量并以此为基础运行各种聚类算法［11］。3）集成点对和距离度量相结合的半监督聚类算法。这类算法就是将mustlink、cannotlink约束与距离度量同时应用到聚类中，来提高聚类的质量［12-13］。

鉴于判别分析的半监督聚类算法在处理高维数据的成功应用［14］，以及最近邻规则在半监督中的较好效果［15］，提出了一种改进的半监督模糊聚类的MEG脑机接口分类方法，采用训练样本的中心对测试数据进行约束。首先采用基于自回归(AutoRegressive, AR)模型的无味卡尔曼滤波(Unscented Kalman Filtering, UFK)进行预处理，并选择小波方法进行对比，然后用主成分分析和线性判别分析对信号进行降维处理，最后用改进的半监督聚类算法对信号进行分类识别。实验结果表明，用其对脑磁信号进行处理，得到了较好的分类结果。

1 方法

这一系统的数据处理过程由3部分组成：首先选择一种能够对脑磁信号进行去噪处理的方法，具体比较了小波去噪和基于AR模型的无味卡尔曼滤波算法；然后用主成分分析方法和线性判别分析方法对信号进行降维处理；最后用改进的半监督模糊聚类算法对降维后的信号进行分类识别，这是分两步完成的，第一步用模糊聚类算法对训练数据进行聚类，得到训练数据的聚类中心，第二步用训练数据的中心对测试数据的中心进行按比例加和，影响聚类。

1.1 预处理算法

3 实验结果与分析

3.1 算法流程

图片

图1 算法流程

3.2 基于AR模型的无味卡尔曼滤波与小波预处理实验结果

首先确定合适的观测误差和模型误差，对于S1来说，当当q=0.043,r=0.5时，识别率最高，对于S2来说，当q=0.05,r=0.3时，识别率较好。オ

目前研究资料表明，还没有针对脑磁信号的严格的理论来确定模型的阶数，可以根据识别结果进行估计，选择合适的模型阶数。模型阶数分别为1~10和4~13，因为在这个范围内识别率的变化明显。实验结果如图2所示。

从图2可以看出，应用基于AR模型的无味卡尔曼滤波识别率有了很大的提高。当固定卡尔曼滤波的模型参数时，AR模型的阶数对算法有很大的影响，并不是随着阶数的增加而增加，而是随着阶数的增加，开始识别率增加，后又减小，而后又增大，因此需要选择合适的模型阶数。Ф杂S1来说，当模型阶数为8时，识别率最高，对于S2来说，当模型阶数为6时，识别率最高。オ

图片

图2 小波和基于AR模型的无味卡尔曼滤波比较

从实验结果可以看出，这两种预处理方法实验结果差别不是很大，基于AR模型的UKF算法识别结果达到了54.35%，小波去噪方法达到了53.0%，这说明时域滤波也能有效地对脑磁信号进行预处理，提高了信噪比。

3.3 数据投影结果和聚类结果

3.3.1 两名测试者训练和测试数据投影、聚类结果

图3是将训练数据和测试数据进行投影得到三维的特征矢量，用改进的半监督聚类进行识别。

图3中不考虑颜色影响，只考虑圆圈标注的位置，这些是经过PCA和LDA处理后的结果。可以看出，训练数据的降维结果较好。再看颜色的不同，每一种颜色代表一个类别，对于两个测试者来说，训练数据能够很好地聚类，得到了一致的结果，这使得以训练数据的中心加权到测试数据可能性更大。测试数据经过聚类以后有些点比较集中，类与类之间相互影响较大。

图片

图3 S1和S2的全部数据投影和聚类图

3.3.2 测试数据聚类中心的变化

从图4可以看出，未按比例加和的聚类中心有的类之间差别很小，使识别率大大降低，经过训练数据中心加权的测试数据的中心，增大了类与类之间的差别，提高了识别率。经过加权后的中心与训练数据的中心相比，有较小的差别，这增加了算法的抗干扰能力。

3.3.3 训练中心加权系数Е联У挠跋飒

图5是加权系数的改变对实验结果的影响，图中纵坐标是识别率。S1和S2差别很大，对于S1来说，随着加权系数的增大而增大，而S2则反之。当α分别为1.3和0.1时，达到识别结果达到最大，为63.5%和46.58%,平均识别率为55.1%。这说明S2中心的鲁棒性高于S1中心的鲁棒性。有待于对不同的测试者进行信号特征的分析。オ

3.3.4识别率的比较

从表1可以看出，改进的半监督模糊聚类明显高于模糊聚类算法，并且优于竞赛Ⅳ的最好结果，这说明这一算法能有效分析脑磁信号。

图片

4 结语

本文在半监督模糊聚类算法考虑了训练样本先验知识的基础上，提出了一种改进的半监督模糊聚类算法。首先采用基于AR模型的无味卡尔曼滤波进行预处理，然后用主成分分析和线性判别分析对数据进行降维处理，最后提出了一种基于训练数据中心加权的半监督模糊聚类算法，即先用模糊聚类对训练数据进行聚类，将得到的聚类中心以一定的比例加权到测试数据的聚类过程中，对测试数据的聚类中心进行调整。实验结果表明，基于AR模型的无味卡尔曼滤波，作为一种时域滤波算法，有效地提高了信噪比。改进的半监督模糊聚类平均识别率达到了55.1%，比BCI竞赛Ⅳ的最好结果46.9%提高了8.2%。如何通过改进算法提高系统的识别率有待于进一步研究。

げ慰嘉南:

［1］

BLANKERTZ B, MULLER K, KRUSIENSKI D J, et al. The BCI competition Ⅲ: Validating alternative approaches to actual BCI problems［J］.IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2006, 14(2): 153-159.

［2］

GEORGOPOULOS A P, SCHWARTZ A B, KETTNER R E. Neuronal population coding of movement direction［J］. Science, 1986, 233(4771): 1416-1419.

［3］

徐宝国,宋爱国.基于小波包变换和聚类分析的脑电信号识别方法［J］.仪器仪表学报, 2009, 30(1): 25-28.

［4］

吴婷,颜国正,杨帮华.基于小波包分解的脑电信号特征提取［J］.仪器仪表学报, 2007, 28(12): 2230-2234.

［5］

MELLINGER J, SCHALK G, BRAUN C, et al. An MEGbased BrainComputer Interface (BCI)［J］. NeuroImage, 2007, 36(3): 581-593.

［6］

WALDERT S, BRAUN C, PREISSL H, et al. Decoding performance for hand movement: EEG vs MEG［C］// 29th Annual International Conference of IEEE Engineering in Medicine and Biology Society. Wahington DC: IEEE Computer Society, 2007: 5346-5348.

［7］

WALDERT S, PREISSL H, DEMANDT E, et al. Hand movement direction decoded from MEG and EEG［J］. Journal of Neuroscience, 2008, 28(4): 1000-1008.

［8］

BRADBERRY T J, RONG F, CONTRERASVIDAL J L. Decoding centerout hand velocity from MEG signals during visuomotor adaptation［J］. NeuroImage, 2009, 47(4): 1691-1700.

［9］

BASU S, BSNERJEE A, MOONEY E R, et al. Active semisupervision for pariwise constrained clustering［C］// Proceedings of the SIAM International Conference on Data Mining. Lake Buena Vista: Society for Industrial and Applied Mathematics, 2004: 333-344.

［10］

KLEIN D, KAMVAR S, MANNING C. From instancelevel constraints to spacelevel constraints: Marking the most of prior knowledge in data clustering［C］// Proceedings of the 19th International Conference on Machine Learning. San Francisco: Morgan KaufMann Publishers Inc, 2002: 307-314.

［11］

WAGSTAFF K, CARDIE C, ROGERS S, et al. Constrained Kmeans clustering with background knowledge［C］// Proceedings of the 18th International Conference on Machine Learning. San Francisco: Morgan Kaufmann Publishers Inc, 2001: 577-584.

［12］

BASU S, BILENKO M, MOONEY R J. A probabilistic framework for semisupervised clustering［C］// Proceedings of the 10th ACM SIGKDD. New York: ACM, 2004: 59-68.

［13］

BILENKO M, BASU S, MOONEY R J. Integrating constraints and metric learning in semisupervised clustering［C］// Proceedings of the 21st International Conference on Machine Learning. New York: ACM, 2004: 81-88.

［14］

陈小冬, 尹学松, 林焕祥.基于判别分析的半监督聚类方法［J］.计算机工程与应用, 2010, 46(6): 139-143.

［15］

何海江, 何文德, 刘华富.集成最近邻规则的半监督顺序回归算法［J］.计算机应用, 2010, 30(4): 1022-1025.