基于脑电信号与集成分类器的心理负荷评估

顾浩 尹钟

0 引言

自动化系统任务性能与人类操作员的精神状态密不可分。脑力负荷（Mental Workload）指操作者执行特定认知任务时的心理生理负担，通常与情境意识、情绪和警惕有关[1]。 脑力负荷与操作员的专业知识、个性、任务类型及生理变量密切相关，社会压力和期望等社会变量也会影响脑力负荷水平。脑力负荷是分析和实现人机协作任务的关键因素，若操作员长期执行工作，可能导致记忆性能下降甚至恶化，通常表现为操作员无法集中注意力进行分析，导致工作效率低，甚至引发不可逆转的事故。

因此提高腦力负荷分类准确性、准确评估操作员脑力负荷具有重要意义，相关研究可用于指导操作员高效地开展工作。

不同级别的脑力负荷与瞬态期间接收的信息密切相关[2-3]。本文实验将收集操作员在不同工作负荷水平下头皮产生的脑电信号。脑电信号是一种神经生理学标记物，其使用电生理指标记录大脑活动[4]。当皮层中的大量神经元彼此同步时，产生突触后电位形成脑电信号，记录大脑活动变化。脑电信号是复杂的非平稳随机时间序列，特征提取和组合难度很大[5-7]。

基于神经网络的学习算法在特征学习方面表现令人印象深刻[8]，人工神经网络在数据分类方面也有卓越表现。首先，人工神经网络是数据驱动的;其次，神经网络从噪声训练数据中压缩编码[9-11]，即在训练之后，即使训练数据包括不可见的输入模式，通常也可产生良好的结果;第三，神经网络具有灵活的并行结构，可以同时解决高维输入的问题[10]。

超限学习机（ELM）是一种特殊的单隐藏层前馈人工神经网络（SLFN）[12]。ELM与经典SLFN的区别在于训练权重算法[13-15]。在标准ELM中，输入层到隐藏层的权重在分布中随机分配。在通过随机权重将输入层链接到隐藏层之后，可根据最小二乘法获得从隐藏层到输出层的输出权重[16-17]。在ELM训练模型过程中进行输出权重的计算。ELM通常可以通过支持向量机产生竞争性学习泛化能力[18]。ELM在特定应用中的表现也优于深度学习。在许多应用中，ELM与深度学习具有很强的互补性。凭借其泛化和学习速度优势，ELM引起研究人员高度关注。ELM学习算法应用领域广泛，如大数据分析、机器人、智能电网、健康产业、可穿戴设备、异常检测、地球科学和遥测等[19-20]。

1 方法分析

本文采用一种融合超限学习机与支持向量机的混合集成分类器，对脑力负荷水平进行二分类。本部分简要回顾超限学习机与支持向量机的基本训练算法，再介绍混合集成分类器设计原理。

1.2 支持向量机

支持向量机是一个二分类模型，其核心是定义特征空间中最大间隔的线性分类器。 线性分类器与感知器不同之处在于最大间隔。 支持向量机还包括内核技术，它使支持向量机成为基本非线性的分类器。 非线性分类问题指如何通过使用非线性模型进行良好分类。对于一个给定的数据集：

1.3 超限学习机与支持向量机的结合

本文用整体数据集的80%作为训练数据集（23040*137），20%作为测试集（5760*137）。

本文实验使用不同数目的支持向量机对训练数据集进行训练，得出的结果不通过最后的符号函数进行处理，而是将这些离散值放入超限学习机中再次训练，超限学习机的输入神经元个数与支持向量机的个数保持一致，通过该方法得出训练精度与测试精度。之后通过改变与超限学习机结合的支持向量机个数，分别得出训练精度与测试精度。

同样可以将支持向量机作为终层分类器，将不同个数的超限学习机训练结果结合，最后放入支持向量机中，得到最终训练结果，在此之间通过改变支持向量机核函数得到更高的测试精度与训练精度。

2 实验结果

本文使用超限学习机运行初始数据集，通过改变超限学习机隐藏层神经元数量，可以获得不同训练精度和测试精度。具有最高测试精度的隐层神经元数量为2 300，隐层数量为2 300，最高测试精度为0.793 4，训练精度为0.834 7。

取1到5，分别以 5种不同的支持向量机个数组成混合分类器，测试数据训练与测试。每个数目的支持向量机在打乱数据的前提下运行5次，实验结果如表1所示，测试精度与训练精度分别是运行5次的平均值。

从表1可以看出支持向量机个数越多，得到的训练精度就越高，此时5个支持向量机的参数相同，然后改变支持向量机的参数，使5个支持向量机的参数各不相同，得到的分类结果如表2所示。

从表2可以发现使用不同的支持向量机参数可以得到更高的训练精度与测试精度。用跨被试的方法将8个被试数据中的7个作为训练数据集，1个作为测试数据集，实验8次结果如表3所示。

从表4中可以发现混合分类器在训练时间上比单个支持向量机与单个超限学习机花费的训练时间长，但是训练精度与测试精度相比有所提高。本文将混合分类器与其它主流算法进行对比，对比结果如表5所示。

从表4中可以发现支持向量机与超限学习机混合分类器的分类精度与其它算法相比有显著提升，训练精度可以稳定地维持在1.0，测试精度也有不错的表现。

同样将SVM作为终极分类器，使用不同个数的ELM训练数据集，SVM选择不同的核函数实验结果，如表6所示。

从表6、表7可以看出，与以终极分类器为ELM的分类器相比，该方式结合的混合分类器表现效果较差。

SVM是一种最常用的、性能最佳的分类器，具有良好的泛化能力，在小样本训练集上，SVM可以获得比其它算法更好的结果，因此可以通过调整参数提高分类结果。随着ELM模型训练时间的缩短，可以先将数据输入ELM进行训练。通过调整参数，可轻松获得训练好的ELM模型，且训练精度较高。将SVM降维的数据放入训练好的ELM中，由于ELM具有良好的原始数据分类性能，因此两个分类器组合将提高分类准确性。

3 结语

为提高脑力负荷分類准确性，本文提出了一种基于传统机器学习算法支持向量机与新兴算法超限学习机的混合方法。该方法将支持向量机训练获得的结果再次放入超限学习机进行训练，虽然该过程延长了数据集训练时间，但与其它算法相比，训练精度达到1，且测试精度也有0.1%的提升。下一步将通过继续改变支持向量机数量与超限学习机数量，验证能否得到更好的分类结果。

参考文献：

[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] 韩文民. 基于脑电的轻装作业操作者脑力负荷与绩效的分析[D]. 镇江：江苏科技大学经济与管理学院，2019.

[4] 王禹，肖毅，周前祥，等. 基于脑电信号的脑力负荷监测技术研究现状[J]. 航天医学与医学工程，2018，5（577）：577-582.

[5] 基于深度信念网络的脑电信号疲劳检测系统， 朱龙飞，浙江工业大学经贸管理学院浙江工业大学软件学院

[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.

（責任编辑：江 艳）