基于腦電信號與集成分類器的心理負荷評估

顧浩 尹鐘

0 引言

自動化系統(tǒng)任務性能與人類操作員的精神狀態(tài)密不可分。腦力負荷（Mental Workload）指操作者執(zhí)行特定認知任務時的心理生理負擔，通常與情境意識、情緒和警惕有關[1]。 腦力負荷與操作員的專業(yè)知識、個性、任務類型及生理變量密切相關，社會壓力和期望等社會變量也會影響腦力負荷水平。腦力負荷是分析和實現(xiàn)人機協(xié)作任務的關鍵因素，若操作員長期執(zhí)行工作，可能導致記憶性能下降甚至惡化，通常表現(xiàn)為操作員無法集中注意力進行分析，導致工作效率低，甚至引發(fā)不可逆轉(zhuǎn)的事故。

因此提高腦力負荷分類準確性、準確評估操作員腦力負荷具有重要意義，相關研究可用于指導操作員高效地開展工作。

不同級別的腦力負荷與瞬態(tài)期間接收的信息密切相關[2-3]。本文實驗將收集操作員在不同工作負荷水平下頭皮產(chǎn)生的腦電信號。腦電信號是一種神經(jīng)生理學標記物，其使用電生理指標記錄大腦活動[4]。當皮層中的大量神經(jīng)元彼此同步時，產(chǎn)生突觸后電位形成腦電信號，記錄大腦活動變化。腦電信號是復雜的非平穩(wěn)隨機時間序列，特征提取和組合難度很大[5-7]。

基于神經(jīng)網(wǎng)絡的學習算法在特征學習方面表現(xiàn)令人印象深刻[8]，人工神經(jīng)網(wǎng)絡在數(shù)據(jù)分類方面也有卓越表現(xiàn)。首先，人工神經(jīng)網(wǎng)絡是數(shù)據(jù)驅(qū)動的;其次，神經(jīng)網(wǎng)絡從噪聲訓練數(shù)據(jù)中壓縮編碼[9-11]，即在訓練之后，即使訓練數(shù)據(jù)包括不可見的輸入模式，通常也可產(chǎn)生良好的結(jié)果;第三，神經(jīng)網(wǎng)絡具有靈活的并行結(jié)構(gòu)，可以同時解決高維輸入的問題[10]。

超限學習機（ELM）是一種特殊的單隱藏層前饋人工神經(jīng)網(wǎng)絡（SLFN）[12]。ELM與經(jīng)典SLFN的區(qū)別在于訓練權(quán)重算法[13-15]。在標準ELM中，輸入層到隱藏層的權(quán)重在分布中隨機分配。在通過隨機權(quán)重將輸入層鏈接到隱藏層之后，可根據(jù)最小二乘法獲得從隱藏層到輸出層的輸出權(quán)重[16-17]。在ELM訓練模型過程中進行輸出權(quán)重的計算。ELM通常可以通過支持向量機產(chǎn)生競爭性學習泛化能力[18]。ELM在特定應用中的表現(xiàn)也優(yōu)于深度學習。在許多應用中，ELM與深度學習具有很強的互補性。憑借其泛化和學習速度優(yōu)勢，ELM引起研究人員高度關注。ELM學習算法應用領域廣泛，如大數(shù)據(jù)分析、機器人、智能電網(wǎng)、健康產(chǎn)業(yè)、可穿戴設備、異常檢測、地球科學和遙測等[19-20]。

1 方法分析

本文采用一種融合超限學習機與支持向量機的混合集成分類器，對腦力負荷水平進行二分類。本部分簡要回顧超限學習機與支持向量機的基本訓練算法，再介紹混合集成分類器設計原理。

1.2 支持向量機

支持向量機是一個二分類模型，其核心是定義特征空間中最大間隔的線性分類器。 線性分類器與感知器不同之處在于最大間隔。 支持向量機還包括內(nèi)核技術，它使支持向量機成為基本非線性的分類器。 非線性分類問題指如何通過使用非線性模型進行良好分類。對于一個給定的數(shù)據(jù)集：

1.3 超限學習機與支持向量機的結(jié)合

本文用整體數(shù)據(jù)集的80%作為訓練數(shù)據(jù)集（23040*137），20%作為測試集（5760*137）。

本文實驗使用不同數(shù)目的支持向量機對訓練數(shù)據(jù)集進行訓練，得出的結(jié)果不通過最后的符號函數(shù)進行處理，而是將這些離散值放入超限學習機中再次訓練，超限學習機的輸入神經(jīng)元個數(shù)與支持向量機的個數(shù)保持一致，通過該方法得出訓練精度與測試精度。之后通過改變與超限學習機結(jié)合的支持向量機個數(shù)，分別得出訓練精度與測試精度。

同樣可以將支持向量機作為終層分類器，將不同個數(shù)的超限學習機訓練結(jié)果結(jié)合，最后放入支持向量機中，得到最終訓練結(jié)果，在此之間通過改變支持向量機核函數(shù)得到更高的測試精度與訓練精度。

2 實驗結(jié)果

本文使用超限學習機運行初始數(shù)據(jù)集，通過改變超限學習機隱藏層神經(jīng)元數(shù)量，可以獲得不同訓練精度和測試精度。具有最高測試精度的隱層神經(jīng)元數(shù)量為2 300，隱層數(shù)量為2 300，最高測試精度為0.793 4，訓練精度為0.834 7。

取1到5，分別以 5種不同的支持向量機個數(shù)組成混合分類器，測試數(shù)據(jù)訓練與測試。每個數(shù)目的支持向量機在打亂數(shù)據(jù)的前提下運行5次，實驗結(jié)果如表1所示，測試精度與訓練精度分別是運行5次的平均值。

從表1可以看出支持向量機個數(shù)越多，得到的訓練精度就越高，此時5個支持向量機的參數(shù)相同，然后改變支持向量機的參數(shù)，使5個支持向量機的參數(shù)各不相同，得到的分類結(jié)果如表2所示。

從表2可以發(fā)現(xiàn)使用不同的支持向量機參數(shù)可以得到更高的訓練精度與測試精度。用跨被試的方法將8個被試數(shù)據(jù)中的7個作為訓練數(shù)據(jù)集，1個作為測試數(shù)據(jù)集，實驗8次結(jié)果如表3所示。

從表4中可以發(fā)現(xiàn)混合分類器在訓練時間上比單個支持向量機與單個超限學習機花費的訓練時間長，但是訓練精度與測試精度相比有所提高。本文將混合分類器與其它主流算法進行對比，對比結(jié)果如表5所示。

從表4中可以發(fā)現(xiàn)支持向量機與超限學習機混合分類器的分類精度與其它算法相比有顯著提升，訓練精度可以穩(wěn)定地維持在1.0，測試精度也有不錯的表現(xiàn)。

同樣將SVM作為終極分類器，使用不同個數(shù)的ELM訓練數(shù)據(jù)集，SVM選擇不同的核函數(shù)實驗結(jié)果，如表6所示。

從表6、表7可以看出，與以終極分類器為ELM的分類器相比，該方式結(jié)合的混合分類器表現(xiàn)效果較差。

SVM是一種最常用的、性能最佳的分類器，具有良好的泛化能力，在小樣本訓練集上，SVM可以獲得比其它算法更好的結(jié)果，因此可以通過調(diào)整參數(shù)提高分類結(jié)果。隨著ELM模型訓練時間的縮短，可以先將數(shù)據(jù)輸入ELM進行訓練。通過調(diào)整參數(shù)，可輕松獲得訓練好的ELM模型，且訓練精度較高。將SVM降維的數(shù)據(jù)放入訓練好的ELM中，由于ELM具有良好的原始數(shù)據(jù)分類性能，因此兩個分類器組合將提高分類準確性。

3 結(jié)語

為提高腦力負荷分類準確性，本文提出了一種基于傳統(tǒng)機器學習算法支持向量機與新興算法超限學習機的混合方法。該方法將支持向量機訓練獲得的結(jié)果再次放入超限學習機進行訓練，雖然該過程延長了數(shù)據(jù)集訓練時間，但與其它算法相比，訓練精度達到1，且測試精度也有0.1%的提升。下一步將通過繼續(xù)改變支持向量機數(shù)量與超限學習機數(shù)量，驗證能否得到更好的分類結(jié)果。

參考文獻：

[1] KAMIOKA D，MURAI? K，KITAMURA K，et al. Construction of port-coordinator duties list for mental workload assessment[C]. IEEE International Conference on Systems， Man， and Cybernetics，2017：3409-3414.

[2] LIN O，LIU G Y，YANG J M，et al. Neurophysiological markers of identifying regret by 64 channels EEG signal[C]. The 12th International Computer Conference on Wavelet Active Media Technology and Information Processing， 2015：395-399.

[3] 韓文民. 基于腦電的輕裝作業(yè)操作者腦力負荷與績效的分析[D]. 鎮(zhèn)江：江蘇科技大學經(jīng)濟與管理學院，2019.

[4] 王禹，肖毅，周前祥，等. 基于腦電信號的腦力負荷監(jiān)測技術研究現(xiàn)狀[J]. 航天醫(yī)學與醫(yī)學工程，2018，5（577）：577-582.

[5] 基于深度信念網(wǎng)絡的腦電信號疲勞檢測系統(tǒng)， 朱龍飛，浙江工業(yè)大學經(jīng)貿(mào)管理學院浙江工業(yè)大學軟件學院

[6] TJANDRASA H，DJANALI S，ARUNANTO F X. Feature extraction using combination of intrinsic mode functions and power spectrum for EEG signal classification[C]. The 9th International Congress on Image and Signal Processing， BioMedical Engineering and Informatics，2016：1498-1502.

[7] AJKOWSKI A，KO？ODZIEJ M，ZAPA？A D，et al. Selection of EEG signal features for ERD/ERS classification using genetic algorithms[C]. The 18th International Conference on Computational Problems of Electrical Engineering ，2017：1-4.

[8] GEETHANJALI P，MOHAN Y K，SEN J. Time domain feature extraction and classification of EEG data for brain computer interface[C]. The 9th International Conference on Fuzzy Systems and Knowledge Discovery，2012：1136-1139.

[9] SMITH K A. A data-driven rule-based neural network model for classification[C]. The 6th International Conference on Neural Information Processing，1999：855-860.

[10] WANG X Q，SUN F Y，SHAN R L，et al. Application research on artificial neural networks for processing noise signal[C]. 2008 International Workshop on Education Technology and Training & 2008 International Workshop on Geoscience and Remote Sensing，2008：640 - 644.

[11] PENG J X，LI K，IRWIN G W. A new Jacobian matrix for optimal learning of single-layer neural networks[C]. IEEE Transactions on Neural Networks，2008：119-129.

[12] RAJAGURU H，PRABHAKAR S K，Sparse PCA and soft decision tree classifiers for epilepsy classification from EEG signals[C]. International conference of Electronics， Communication and Aerospace Technology，2017：581-584.

[13] RUSTAN A A. Using artificial neural networks to improve hardware branch predictors[C].? International Joint Conference on Neural Networks，1999：3419-3424.

[14] KONG X X，CHENG M，SHU Y S. Extreme learning machine based phase angle control for stator-doubly-fed doubly salient motor for electric vehicles[C].? IEEE Vehicle Power and Propulsion Conference，2008：1-5.

[15] YANG S M，WANG Y L，SUN B. ELM weighted hybrid modeling and its online modification[C].? 2016 Chinese Control and Decision Conference，2016：3443 - 3448.

[16] LIMA S M L， FILHO A G S，SANTOS W P. A methodology for classification of lesions in mammographies using Zernike Moments， ELM and SVM Neural Networks in a multi-kernel approach，2014 IEEE International Conference on Systems， Man， and Cybernetics （SMC），2014：988 - 991.

[17] CHEN S W，SHANG Y，WU M H. Application of PSO-ELM in electronic system fault diagnosis[C].? IEEE International Conference on Prognostics and Health Management ，2016：1-5.

[18] FESTILA L，GROZA R，CIRLUGEA M，et al. Log-domain linear SVM classifier[C]. 14th International Conference on Mixed Design of Integrated Circuits and Systems，2007：301-304.

[19] AKAHO S. SVM maximizing margin in the input space[C]. Proceedings of the 9th International Conference on Neural Information Processing， 2002：1069-1073.

[20] AJEEB N，NAYAL A，AWAD M. Minority SVM for linearly separable imbalanced datasets[C]. The 2013 International Joint Conference on Neural Networks，2013：1-5.

（責任編輯：江 艷）