本站小編為你精心準備了極限學習機在癲癇腦電中的運用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《計算機仿真雜志》2014年第六期

1分類算法

1．1極限學習機單隱層前饋神經網絡(SLFN)由于有逼近非線性映射的能力而在許多領域得到廣泛應用。但它在應用過程中需要人為設定大量的參數，因而會因參數選用不合適導致網絡陷入局部最優。Huang等人提出了一種單隱層前饋神經網絡的新學習算法，稱為極限學習機(ELM)［8］。它并不需要對所有的網絡參數進行調整，輸入權值和隱含層偏差在訓練開始時隨機給定，在訓練過程中固定。而輸出連接權值可通過求解線性方程組的最小二乘解來得到。ELM算法的訓練步驟如下:1)對輸入權值ai及隱含層偏差bi隨機賦值。2)計算隱含層輸出矩陣H。3)通過^β=H+T計算輸出層權值^β。

1．2自適應差分進化極限學習機由于ELM算法的輸入權值及隱含層偏差都是隨機賦值的，因此無法保證這些參數都是最優的。這就可能導致ELM算法比傳統的基于參數調節的算法所需要的隱節點數更多，從而使得算法執行過程中測試時間變長。為解決這個問題，Huang提出了自適應差分進化極限學習機(SaE－ELM)的方法［9］，通過自適應差分進化算法來優化網絡的輸入權值及隱含層偏差，使其相對于極限學習機具有更好的泛化能力且縮短了測試時間。自適應差分進化算法步驟如下。Step4:選擇。根據式(9)來判斷第G代種群中變異得到的試驗向量uk，G+1是否能進入下一代。重復步驟step3、step4直至滿足約束條件或達到最大迭代次數。自適應差分進化算法中種群大小NP由人為設定，令變異因子K及交叉因子CR分別服從N(0．5，0．3)和N(0．5，0．1)的正態分布，對于每一個目標向量，K和CR都從這個范圍內隨機選取。利用以上自適應差分進化算法可以實現對極限學習機網絡參數的優化，進而由優化后的輸入權值及隱含層偏差求得ELM的輸出權值矩陣。

2實驗分析

2．1實驗數據實驗中用到的數據來自德國波恩實驗室［11］。在該數據中包含三個數據集，其中數據集A中記錄的是健康人的腦電信號，而C和E分別記錄了癲癇患者發作間期和發作期的腦電信號。每個數據集均包含100個采用10～20國際標準導聯技術提取的單導聯腦電信號。每個腦電信號的長度為23.6s，采樣頻率為173.6Hz。

2．2參數選擇由于樣本熵的大小是由相似容限r及維數m決定的，而通常m的取值為1、2、3。r的取值則在(0．1～0．4)×SD的范圍內。為了選取最優的m和r的參數組合，引入了下述的評價準則:其中ma與mb分別代表癲癇發作間期和發作期的樣本熵均值，δ的大小表示樣本熵的變化程度。δ越大則表明從癲癇發作間期到發作期樣本熵的變化越明顯，使得依據樣本熵進行癲癇狀態的診斷更容易實現。表2中給出的是不同的m和r組合下δ值的大小。δ值最大時對應的癲癇發作間期及發作期樣本熵的差別越大，越容易進行分類。由表2可知，當m=2，r=0．2×SD時，δ最大，此時癲癇發作間期與發作期的樣本熵均值之間的差別最大，更容易進行狀態的分類識別。因此在試驗中選取m=2，r=0．2×SD時的樣本熵作為特征向量之一。數據集C、E中共200個癲癇腦電信號，對這200個信號分別求其樣本熵均值以及6階AR模型系數，構成維數為7的特征向量。其中120組作為訓練樣本，其余80組作為測試樣本，用來訓練分類器。采用SaE－ELM的方法對癲癇腦電信號進行分類，并將其與SVM和ELM的分類效果進行對比。SVM選用高斯核函數作為其核函數，其中核函數參數γ和分類器懲罰參數C的取值通過十倍交叉驗證法來確定，得到兩個參數的最優值為:C=5，γ=0.45。對于ELM，其輸入權值及隱含層偏差是隨機給定的，隱含層的激活函數選為sigmoid函數。對于SaE－ELM，其種群個數NP設為20。在實驗過程中，不斷增加ELM及SaE－ELM的隱節點個數，直至達到最佳的分類正確率。采用以上三種方法得到的實驗結果均取20次實驗的平均值。

2．3結果分析圖2給出了不同隱含層節點數目下ELM和SaE－ELM的分類正確率。從圖2中可以看出，對于ELM，當隱含層節點數目為80個的時候效果最好，分類正確率能夠達到93%以上。當隱含層節點數目繼續增加，識別效果變化不明顯。而對于SaE－ELM，當其隱含層節點數為20個時，分類正確率已達到97%以上。表3給出了SVM、ELM和SaE－ELM三種分類算法的實驗結果。從表3中可以看出，在三種分類算法中SaE－ELM對癲癇腦電信號的分類效果最好，測試精度達到97.16%，具有較好的泛化能力。且達到最佳分類效果時需要的隱含層節點數比ELM要少，只需20個。SaE－ELM存在的缺陷是所需的訓練時間相對較長。

3結束語

本文通過樣本熵及AR參數模型相結合的方法對癲癇腦電信號進行特征提取，并將自適應差分進化極限學習機算法應用到癲癇信號的分類識別中，取得了比較好的效果。實驗結果表明采用，與傳統方法相比，此方法具有更好的分類精度及泛化能力。

作者：王杰李牧瀟單位：鄭州大學電氣工程學院