基于最大相关和最小冗余准则及极限学习机的癫痫发作检测方法

癫痫发作检测可以实现脑电分类和病灶定位,对癫痫的临床治疗具有重要意义。针对大数据量、高特征值空间长程脑电的快速和准确分类问题,提出一种基于最大相关和最小冗余准则及极限学习机的癫痫发作检测方法。对脑电信号进行短时傅里叶变换,并选取能量时频分布为特征,利用基于最大相关和最小冗余准则的方法进行特征选择,并使用极限学习机、支持向量机和反向传播算法对癫痫不同状态进行分类和判别。实验结果表明,极限学习机的分类准确率和训练速度两方面性能优于支持向量机和反向传播算法,发作间期和发作期的分类准确率达到98%以上,训练时间仅为0.8s,所提方法能够实时准确地检测癫痫发作。     

基于新型能量算子和多尺度熵的癫痫自动检测

提出癫痫检测的新算法,创新地使用新型能量算子和多尺度熵,不仅能够实时跟踪脑电信号能量,而且可以在脑电信号未知情况下提取其有效的特征信息。对脑电信号进行一定尺度的小波变换;利用新型Teager能量算子和多尺度熵提取脑电信号的非线性特征,将特征信号输入到极限学习机中,用来识别正常脑电信号与癫痫脑电信号。实验结果表明,此方法具有高分类精度,可达到98.89%,优于文献中所报道的多种检测方法,可以应用于癫痫临床检测。     

一种基于互信息变量选择的极端学习机算法

针对回归问题中存在的变量选择和网络结构设计问题, 提出一种基于互信息的极端学习机(ELM) 训练算法, 同时实现输入变量的选择和隐含层的结构优化. 该算法将互信息输入变量选择嵌入到ELM网络的学习过程之中, 以网络的学习性能作为衡量输入变量与输出变量相关与否的指标, 并以增量式的方法确定隐含层节点的规模.在Lorenz、Gas Furnace 和10 组标杆数据上的仿真结果表明了所提出算法的有效性. 该算法不仅可以简化网络结构, 还可以提高网络的泛化性能.

     

基于蚁群优化的极限学习机选择性集成学习算法

针对现有极限学习机集成学习算法分类精度低、泛化能力差等缺点,提出了一种基于蚁群优化思想的极限学习机选择性集成学习算法。该算法首先通过随机分配隐层输入权重和偏置的方法生成大量差异的极限学习机分类器,然后利用一个二叉蚁群优化搜索算法迭代地搜寻最优分类器组合,最终使用该组合分类测试样本。通过12个标准数据集对该算法进行了测试,该算法在9个数据集上获得了最优结果,在另3个数据集上获得了次优结果。采用该算法可显著提高分类精度与泛化性能。     

一种基于蚁狮优化的极限学习机

极限学习机(Extreme Learning Machine,ELM)是一种高效率的单隐层前馈神经网络,由于其训练速度快与泛化性能好,在各个领域中都有广泛的应用。但是极限学习机随机生成输入权值与隐含层偏置矩阵,随机性影响训练模型的泛化性能与稳定性,降低模型分类的精度。为了解决这一问题,借鉴蚁狮优化算法中利用蚁狮种群中的多个个体进行并行寻优的能力,改进优化极限学习机的输入权值与隐含层偏置矩阵,得到一个分类精度更高模型。以UCI标准数据库中数据进行分类实验分析验证,实验结果表明,在5类UCI数据集上基于蚁狮优化的极限学习机(ALO-ELM)相比于PSO-ELM和SaDE-ELM具有更高的分类精度。     

一种新的BP学习算法及在运动想象脑电信号分类识别中的应用

对运动想象(MI)脑电信号的正确分类是决定基于运动想象脑电的脑－机接口(BCI)性能的关键因素。为有效地提取MI脑电信号特征、提高分类正确率,提出一种基于单形进化的BP神经网络优化算法(BPSSSE)并运用于MI脑电信号的识别,提取自相关(AR)模型参数和希尔伯特边际谱作为特征输入,通过单形进化算法优化BP神经网络学习性能,实现对MI脑电信号的分类。测试实验中,对BCI竞赛数据进行左右手分类。结果表明在4s~ 8s时间段内平均分类正确率为80.17%,最高分类正确率为87.14%,证明了本文算法在基于MI脑电的脑机交互控制系统中应用研究的有效性和可行性。     

铸铝电解槽电压过程控制仿真研究北大核心CSCD

在电解铝的实际生产过程中,由于不能实时监控槽电压的变化情况,容易发生电压摆动的问题。为了实时监控槽电压的变化以及预防电解槽的电压摆,提出了基于主成分分析(PCA)的极限学习机(ELM)多神经网络结构模型,用于铝电解生产过程槽电压预测。一方面,将极限学习机方法同主成分分析方法相结合,将高维输入变量压缩处理为低维主元变量,简化极限学习机模型,提高主成分分析极限学习机(PCA-ELM)算法的泛化性能。另一方面,将多个PCA-ELM子神经网络按照连接权值综合起来,建立铝电解生产过程槽电压的预测模型,进一步提高多神经网络模型的预测能力和预测精度。通过实际数据仿真结果表明,多神经网络预测模型能够准确的实时监控槽电压以及预防电压摆。     

基于SVM和小波分析的脑电信号分类方法

根据癫痫脑电信号与正常脑电信号波形和能量特征的不同,研究了两种的脑电信号分类方法,一种采用支持向量机SVM(Support Vector Machines)分类器对正常脑电和癫痫脑电进行分类;另一种使用小波分析和支持向量机相结合的方法对脑电进行分类,并比较了这两种方法对正常脑电和癫痫脑电分类的正确率。实验结果表明,小波分析和SVM结合的方法对脑电信号分类可以取得更好的效果,能有效区分癫痫脑电和正常脑电。     

基于信息熵优化的极限学习机研究及应用

为了提高极限学习机对化工过程的高维数据进行建模的能力,提出了一种基于信息熵优化的学习算法。利用互信息方法判断输入变量与输出变量之间的相关性,通过去除部分与输出变量相关性较弱的输入变量来过滤冗余信息,从而达到降维的目的。然后利用熵权法对输入数据进行加权优化,从而降低输入数据中的离散点对极限学习机模型精确度的影响。因此本文提出了一种基于信息熵的ELM算法。该算法以UCI标准数据集进行测试,并以PTA工业系统数据进行实际验证。实验结果表明,与传统ELM算法相比,优化后的学习算法在处理高维数据时具有稳定性强、建模精度高的特点。从而拓展了神经网络技术在化工领域里的应用。     

基于ELM和SVM皮电信号情绪分类识别的研究

皮电信号(Electrodermal activity,EDA)是一种不平稳的非周期性微弱信号，能够反映不同情绪状态下人体皮肤内血管的舒张和收缩以及汗腺的分泌活动，在情绪分类识别中具有重要的研究意义。针对EDA信号时域特征提取的分类方法识别率低，极限学习机(Extreme learning machine, ELM)具有训练参数少、学习效率高、泛化能力强等的优点，本研究基于生理信号采集设备采集了12位被试的皮电数据，从时域上进行特征提取，输入KS(Kennard-Stone)模型随机筛选样本，使用支持向量机(Support Vector Machine, SVM)和极限学习机的方法对积极、消极、中性情绪进行分类，并对分类准确率进行比较。实验结果表明，相较于支持向量机分类器55.56%的平均分类准确率，极限学习机平均分类准确率达64.16%,提高了8.6%,采用配对t检验进行验证，t检验结果为P=0.047 781 453<0.05,具有显著的统计学差异。极限学习机算法适用于情绪分类识别，相较于支持向量机具有更好的情感识别效果。     

Clustering technique-based least square support vector machine for EEG signal classification

This paper presents a new approach called clustering technique-based least square support vector machine (CT-LS-SVM) for the classification of EEG signals. Decision making is performed in two stages. In the first stage, clustering technique (CT) has been used to extract representative features of EEG data. In the second stage, least square support vector machine (LS-SVM) is applied to the extracted features to classify two-class EEG signals. To demonstrate the effectiveness of the proposed method, several experiments have been conducted on three publicly available benchmark databases, one for epileptic EEG data, one for mental imagery tasks EEG data and another one for motor imagery EEG data. Our proposed approach achieves an average sensitivity, specificity and classification accuracy of 94.92%, 93.44% and 94.18%, respectively, for the epileptic EEG data; 83.98%, 84.37% and 84.17% respectively, for the motor imagery EEG data; and 64.61%, 58.77% and 61.69%, respectively, for the mental imagery tasks EEG data. The performance of the CT-LS-SVM algorithm is compared in terms of classification accuracy and execution (running) time with our previous study where simple random sampling with a least square support vector machine (SRS-LS-SVM) was employed for EEG signal classification. We also compare the proposed method with other existing methods in the literature for the three databases. The experimental results show that the proposed algorithm can produce a better classification rate than the previous reported methods and takes much less execution time compared to the SRS-LS-SVM technique. The research findings in this paper indicate that the proposed approach is very efficient for classification of two-class EEG signals.     

基于局部模式的癫痫脑电信号自动分类方法

为有效地检测脑电图(EEG)中的癫痫信号,设计一维局部三值模式(1D-LTP)算子提取信号特征,并结合主成分分析(PCA)和极限学习机(ELM)对特征进行分类。通过1D-LTP算子计算信号点的顶层模式和底层模式下的特征变换码以准确滤除干扰信号,并对变换码直方图PCA降维后采用ELM进行分类,以10折交叉验证评估分类性能。实验结果表明,该方法能有效识别在癫痫发作期的EEG信号,其准确率可达99.79%。     

极限学习机类不平衡数据学习算法研究

尽管极限学习机因具有快速、简单、易实现及普适的逼近能力等特点被广泛应用于分类、回归及特征学习问题,但是,极限学习机同其他标准分类方法一样将最大化各类总分类性能作为算法的优化目标,因此,在实际应用中遇到数据样本分布不平衡时,算法对大类样本具有性能偏向性。针对极限学习机类不平衡学习问题的研究起步晚,算法少的问题,在介绍了极限学习机类不平衡数据学习研究现状,极限学习机类不平衡数据学习的典型算法-加权极限学习机及其改进算法的基础上,提出一种不需要对原始不平衡样本进行处理的Adaboost提升的加权极限学习机,通过在15个UCI不平衡数据集进行分析实验,实验结果表明提出的算法具有更好的分类性能。     

改进SMOTE的不平衡数据集成分类算法

针对不平衡数据集的低分类准确性,提出基于改进合成少数类过采样技术（SMOTE）和AdaBoost算法相结合的不平衡数据分类算法（KSMOTE-AdaBoost）。首先,根据K近邻（KNN）的思想,提出噪声样本识别算法,通过样本的K个近邻中所包含的异类样本数目,对样本集中的噪声样本进行精确识别并予以滤除;其次,在过采样过程中基于聚类的思想将样本集划分为不同的子簇,根据子簇的簇心及其所包含的样本数目,在簇内样本与簇心之间进行新样本的合成操作。在样本合成过程中充分考虑类间和类内数据不平衡性,对样本及时修正以保证合成样本质量,平衡样本信息;最后,利用AdaBoost算法的优势,采用决策树作为基分类器,对平衡后的样本集进行训练,迭代多次直到满足终止条件,得到最终分类模型。选择G-mean、AUC作为评价指标,通过在6组KEEL数据集进行对比实验。实验结果表明,所提的过采样算法与经典的过采样算法SMOTE、自适应综合过采样技术（ADASYN）相比,G-means和AUC在4组中有3组最高;所提分类模型与现有的不平衡分类模型SMOTE-Boost,CUS-Boost,RUS-Boost相比,6组数据中：G-means均高于CUS-Boost和RUS-Boost,有3组低于SMOTE-Boost;AUC均高于SMOTE-Boost和RUS-Boost,有1组低于CUS-Boost。验证了所提的KSMOTE-AdaBoost具有更好的分类效果,且模型泛化性能更高。     

基于流形学习的极端学习机及其在人脸识别中的应用

极端学习机以其快速高效和良好的泛化能力在模式识别领域得到了广泛应用,然而现有的ELM及其改进算法并没有充分考虑到数据维数对ELM分类性能和泛化能力的影响,当数据维数过高时包含的冗余属性及噪音点势必降低ELM的泛化能力,针对这一问题本文提出一种基于流形学习的极端学习机,该算法结合维数约减技术有效消除数据冗余属性及噪声对ELM分类性能的影响,为验证所提方法的有效性,实验使用普遍应用的图像数据,实验结果表明本文所提算法能够显著提高ELM的泛化性能。     

An Ensemble ELM Based on Modified AdaBoost.RT Algorithm for Predicting the Temperature of Molten Steel in Ladle Furnace

Combined the modified AdaBoost.RT with extreme learning machine (ELM), a new hybrid artificial intelligent technique called ensemble ELM is developed for regression problem in this study. First, a new ELM algorithm is selected as ensemble predictor due to its rapid speed and good performance. Second, a modified AdaBoost.RT is proposed to overcome the limitation of original AdaBoost.RT by self-adaptively modifying the threshold value. Then, an ensemble ELM is presented by using the modified AdaBoost.RT for better accuracy of predictability than individual method. Finally, this new hybrid intelligence method is used to establish a temperature prediction model of molten steel by analyzing the metallurgic process of ladle furnace (LF). The model is examined by data of production from 300t LF in Baoshan Iron and Steel Co., Ltd. and compared with the models that established by single ELM, GA-BP (combined genetic algorithm with BP network), and original AdaBoost.RT. The experiments demonstrated that the hybrid intelligence method can improved generalization performance and boost the accuracy, and the accuracy of the temperature prediction is satisfied for the process of practical producing.     

重叠特征策略与参数优化的运动想象脑电模式识别

针对运动想象脑电信号的非线性、非平稳特性,提出重叠特征策略与参数优化方法.通过重叠频带滤波(OFB)进行预处理,在滤波后的信号上提取共同空间模式特征(CSP).将OFB-CSP特征输入鲁棒支持矩阵机,完成模式识别,在模式识别中通过校正粒子群算法(CPSO)动态调整被试个体最优参数.在两个公开数据集上进行实验,分别验证OFB预处理可提升CSP特征区分度,CPSO可为个体寻找最优的鲁棒支持矩阵机分类参数.文中方法提升运动想象识别率,样本和计算资源需求较小,适合脑机接口的实际应用.     

局部感知的类限制极限学习机

极限学习机(ELM)由于高效的训练方式被广泛应用于分类回归,然而不同的输入权值在很大程度上会影响其学习性能。为了进一步提高ELM的学习性能,针对ELM的输入权值进行了研究,充分利用图像局部感知的稀疏性,将局部感知的方法运用到基于自动编码器的ELM(ELM-AE)上,提出了局部感知的类限制极限学习机(RF-C₂ELM)。通过对MNIST数据集进行分类问题分析实验,实验结果表明,在具有相同隐层结点数的条件下,提出的方法能够获得更高的分类精度。     

基于极端学习机的人脸特征深度稀疏自编码方法

针对输入人脸特征的不准确性导致识别系统识别率不高的问题,提出了一种有效的基于极端学习机（ELM）的人脸特征深度稀疏自编码（DSAE）方法。首先,利用截断式核范数构造损失函数,通过最小化损失函数提取人脸图像的稀疏特征;其次,利用极端学习机自编码器（ELM-AE）模型进行人脸特征的自编码,实现数据维度的降低以及噪声过滤;最后,通过经验风险极小化得到最优的深度结构。在ORL、IMM、Yale和UMIST人脸数据集上的实验结果表明,DSAE方法对高维人脸图像的识别率明显优于极端学习机、随机森林（RF）等算法,且具有良好的泛化性能。     

Modified CC-LR algorithm with three diverse feature sets for motor imagery tasks classification in EEG based brain–computer interface

Motor imagery (MI) tasks classification provides an important basis for designing brain–computer interface (BCI) systems. If the MI tasks are reliably distinguished through identifying typical patterns in electroencephalography (EEG) data, a motor disabled people could communicate with a device by composing sequences of these mental states. In our earlier study, we developed a cross-correlation based logistic regression (CC-LR) algorithm for the classification of MI tasks for BCI applications, but its performance was not satisfactory. This study develops a modified version of the CC-LR algorithm exploring a suitable feature set that can improve the performance. The modified CC-LR algorithm uses the C3 electrode channel (in the international 10–20 system) as a reference channel for the cross-correlation (CC) technique and applies three diverse feature sets separately, as the input to the logistic regression (LR) classifier. The present algorithm investigates which feature set is the best to characterize the distribution of MI tasks based EEG data. This study also provides an insight into how to select a reference channel for the CC technique with EEG signals considering the anatomical structure of the human brain. The proposed algorithm is compared with eight of the most recently reported well-known methods including the BCI III Winner algorithm. The findings of this study indicate that the modified CC-LR algorithm has potential to improve the identification performance of MI tasks in BCI systems. The results demonstrate that the proposed technique provides a classification improvement over the existing methods tested.