运动想象脑信号的深度置信网络分类优化.pdf

文章编号：1003-0530（2023）08-1488-12第 39 卷 第 8 期2023 年8 月信号处理Journal of Signal ProcessingVol.39 No.8Aug.2023运动想象脑信号的深度置信网络分类优化陈超1 王帅1 刘光荣1 梁军2 陈小奇3 邵磊1 李鹏海4（1.天津理工大学电气工程与自动化学院，天津 300384；2.天津医科大学总医院康复医学科，天津 300052；3.华南理工大学吴贤铭智能工程学院，广东广州 510641；4.天津理工大学集成电路科学与工程学院，天津 300384）摘 要：关于脑机接口（BCI）系统中的运动想象（MI）脑信号的特征提取一直是一个难题。相较于SSVEP、AEP和P300等其他 BCI模式，MI的分类准确率相对较低，缺乏有效的识别方案。本文提出了一种结合深度置信网络（Deep Belief Network，DBN）和麻雀搜索算法（Sparrow search algorithm，SSA）的特征提取和分类识别算法SSA-DBN。融合SSA与DBN的优势，可以在保持较低计算复杂度的同时，提高特征提取和分类识别的准确率。本研究首先利用完全自适应噪声集合经验模态分解（CEEMDAN）方法提取信号的固有模态函数（IMF）特征。然后，将筛选出的适合分类识别的IMF分量与希尔伯特黄变换（HHT）方法相结合，提取出不同导联时频信号的特征空间向量，并进行叠加平均。最后，将特征向量输入到SSA-DBN算法进行分类处理。为确保公平性，在验证算法性能时，选取了具有代表性的BCI Competition IV Dataset 2a数据集，同时对比了其他算法的表现，并详细说明了调参方法。为了避免过拟合问题，可以考虑使用更大规模的数据集进行测试，如PhysioNet或BCI2000等公开数据集库。在实验结果展示时，除了展示SSA-DBN算法的性能，还展示了其他算法在相同数据集和评价指标下的性能，以便进行公平的对比。结果显示，SSA-DBN算法在四分类任务中的平均准确率最高达到了86.35%，较其他方法有显著提升，为提高MI信号脑机接口的系统性能提供了一种新的有效途径。关键词：脑机接口；运动想象；分类识别；优化算法；深度置信网络中图分类号：TP391.4 文献标识码：A DOI：10.16798/j.issn.1003-0530.2023.08.014引用格式：陈超，王帅，刘光荣，等.运动想象脑信号的深度置信网络分类优化 J.信号处理，2023，39（8）：1488-1499.DOI：10.16798/j.issn.1003-0530.2023.08.014.Reference format：CHEN Chao，WANG Shuai，LIU Guangrong，et al.Deep belief networks classification optimization of motor imagination brain signalsJ.Journal of Signal Processing，2023，39（8）：1488-1499.DOI:10.16798/j.issn.1003-0530.2023.08.014.Deep Belief Networks Classification Optimization of Motor Imagination Brain SignalsCHEN Chao1 WANG Shuai1 LIU Guangrong1 LIANG Jun2 CHEN Xiaoqi3 SHAO Lei1 LI Penghai4（1.School of Electrical Engineering and Automation，Tianjin University of Technology，Tianjin 300384，China；2.Department of Rehabilitation Medicine，General Hospital of Tianjin Medical University，Tianjin 300052，China；3.Wu Xianming，School of Intelligent Engineering，South China University of Technology，Guangzhou，Guangdong 510641，China；4.School of Integrated Circuit Science and Engineering，Tianjin University of Technology，Tianjin 300384，China）收稿日期：2023-03-07；修回日期：2023-07-06基金项目：中国科技部国家重点研发计划（2022YFF1202500，2022YFF1202501）；国家自然科学基金（61806146，82101448）第 8 期陈超 等：运动想象脑信号的深度置信网络分类优化Abstract:The extraction of motor imagery（MI）features in brain computer interface（BCI）systems has always been a challenge.Compared to other BCI modes such as SSVEP，AEP，and P300，the classification accuracy of MI is relatively low and there is a lack of effective recognition schemes.This article proposes a feature extraction and classification recognition algorithm SSA-DBN that combines Deep Belief Network（DBN）and Sparrow search algorithm（SSA）.Integrating the advantages of SSA and DBN can improve the accuracy of feature extraction and classification recognition while maintaining low computational complexity.This study first utilizes the fully adaptive noise set empirical mode decomposition（CEEMDAN）method to extract the intrinsic mode function（IMF）features of signals.Then，the selected IMF components suitable for classification and recognition are combined with the Hilbert Huang Transform（HHT）method to extract the feature space vectors of different lead time-frequency signals and perform superposition averaging.Finally，input the feature vectors into the SSA-DBN algorithm for classification processing.To ensure fairness，a representative BCI Competition IV dataset 2a was selected during the validation of algorithm performance.The performance of other algorithms was compared，and the parameter tuning method was explained in detail.In order to avoid the overfitting problem，you can consider using a larger data set for testing，such as PhysioNet or BCI2000 and other public data set libraries.When presenting the experimental results，in addition to demonstrating the performance of the SSA-DBN algorithm，the performance of other algorithms under the same dataset and evaluation indicators was also demonstrated for fair comparison.The results show that the SSA-DBN algorithm has the highest average accuracy of 86.35%in four classification tasks，which is significantly improved compared to other methods.It provides a new and effective way to improve the system performance of MI signal brain computer interface.Key words:brain-computer interface；motor imagination；classification and recognition；optimization algorithm；deep belief networks1引言运动想象脑机接口系统（Motor imagination brain-computer interface，MI-BCI）作为脑机接口分支，患者通过大脑进行想象，模拟动作，但是并没有实际的动作输出。MI-BCI主要是基于对感觉运动节律的分析与识别1-2，将信号解码后转化为机器指令，不仅建立了人机之间的信息通道，实现人脑对轮椅、外骨骼、假肢等装置的控制，根据神经可塑性理论，还有助于激活某一活动的特定区域神经细胞，帮助受损神经修复和再生。因此MI-BCI为一种自发脑机接口，其中一个重要应用就是神经康复领域3，已有初步结果表明MI-BCI是一种很有前途的脑卒中康复治疗策略4-5。SSA是一种基于麻雀觅食和躲避捕食者行为的群体智能优化算法6。CAO7利用SSA算法优化支持向量机分类器的核参数和惩罚参数，对BCI Competition IV Dataset 2a的9个被试者的EEG信号数据与三个传统分类器：ANN、CNN和SVM进行分类对比。结果表明，SSA-SVM分类器的整体性能得到了显著提升。DBN 是 一 种 由 受 限 玻 尔 兹 曼 机（Restricted Boltzmann Machine，RBM）和反向传播（BP）神经网络组成的简单模型结构8。DBN在许多方面都有广泛应用，如可视化数据分类、ME处理方案构架、情感分类等9-12。在EEG信号的运动想象方面，研究人员提出了多种 EEG 处理方法，如共空间模式（CSP）13、自回归模型14、小波变换以及DBN15等。其中DBN被证明是一种有效的脑电信号处理方法。基于DBN的衍生方法也有很多，如sparse-DBN16、FDBN17和小波包变换DBN（WPTDBN）18等。QIN19和CAI20发现了深度置信网络在多层频率带宽方面的系数特征提取方法。此外，CAO21通过卷积深度置信网络（CDBN）来实现P300数据分析，并提高了分类结果。在精神疾病领域，Jos Escorcia-Gutierrez等人22提出了一种自动化深度学习脑信号分类（ADLBSC-ESD）方 法 用 于 癫 痫 发 作 检 测，利 用ITLBO和DBN模型对EEG进行特征提取和分类，在二元和多类分类下的最大准确率分别为83.16%和86.09%。在脑机接口领域，DBN在特征提取方面具有较好的性能，适用于特征分类。然而，仅凭经验设定的DBN网络结构依旧存在着训练时间长，参数调整困难等问题8。相比之下，麻雀搜索算法（SSA）具1489信号处理第 39 卷有收敛速度快、精度高和不易陷入局部最优值的优势6，该算法更容易获得优化问题中的全局最优解。因此，本文提出了一种基于经验模态分解（EMD）后的希尔伯特黄变换（HHT）边际谱特征，在分类识别上将Sparrow search algorithm算法与DBN结合。采用公共实验数据集BCI Competition IV Dataset 2a进行不同特性的分类识别，将搭建好的SSA-DBN模型与多种现有的分类识别模型进行比较。结果表明，SSA-DBN模型在提高分类准确率和模型鲁棒性方面表现出了优越性，得出最优识别效果。2方法2.1数据来源及处理在本研究中，选择 BCI Competition IV Dataset 2a23（BCI-IV-2a）数据集进行验证。通过比较不同算法分类识别效果，评估了所提方法的有效性。实验所用BCI-IV-2a利用国际标准1020采集脑电信号系统，其具有25个采集电极，其中有3个眼电电极为参考电极，不参与分类。剩余的22个脑电电极参与分类。此实验的数据集包括9个被试者的运动想象的脑电信号（MI-EEG）信息，有四类运动状态，分别为：左手、右手、脚以及舌头，其中这些状态相对于不同的类别0、1、2、3。此实验数据库包含了9个被试者两轮实验的信号，其中每一轮数据具有6组实验，一组试验有48次MI状态，总共做了288个MI实验频次。每一次的运动想象（MI）实验模型范式如下图1所示。在实验过程刚进行时，屏幕会在黑屏呈现定点十字，蜂鸣器发出警示。进行2 s后，在屏幕上出现所做的箭头动作左、右、下或上，分别对应于左手、右手、脚或舌头运动状态，每个动作都有1.25 s的停滞时间，被试者根据图标做出相应的动作状态。这些数据为我们提供了丰富的信息，有助于测试和验证算法在处理不同类别的运动想象信号时的性能。BCI-IV-2a数据集电极分布图和实验范式如图1所示。实验结束后，我们首先利用 EEGLAB 软件对EEG信号进行预处理，采用独立成分分析（ICA）去除低频心电图和脑电图伪迹，为特征提取任务提供了基础。接下来，采用EMD和HHT提取不同导联的时频信号特征向量。这些特征向量反映了运动想象脑电信号在不同运动状态下的特性，有助于提高分类识别的准确性。最后，将提取到的特征输入到DBN中进行分类识别，从而实现对BCI-IV-2a数据集中不同运动状态的判断。本实验所需的脑电图信号主要集中在 0.530 Hz之间。在对脑电图信号进行分析之前，我们先对数据进行去噪滤波，去除工频信号和其他噪声的干扰。考虑到稳定性，本实验用具有稳定的幅频图1BCI-IV-2a的电极分布及实验图Fig.1Electrode distribution and experimental diagram of BCI-IV-2a1490第 8 期陈超 等：运动想象脑信号的深度置信网络分类优化特性的0.530 Hz巴特沃斯滤波器进行带通滤波。2.2特征提取EMD常用于非线性、不平稳信号的分析，其中将一些信号数据进行EMD主要是为了得到此种信号数据的窄带所特有的模式函数（Intrinsic Mode Function，IMF）。其中这些模式函数IMF可以有效分析原始信号在各个不同频带下频率范围的特征系数。这些特征是特征提取的主要依据24。针对EMD存在的模态混叠现象和集成经验模态分解（Ensemble empirical mode decomposition，EEMD）与互补集合经验模态分解（Complementary EEMD，CEEMD）的本征模态分量中残留的白噪声问题。完全自适应噪声集合经验模态分解（CEEMDAN）分解过程如下描述：xi(t)=x(t)+i(t)（1）式中：x(t)为待分解信号；为高斯白噪声权值系数；i=1，2，3，；i(t)为第i次处理时产生的高斯白噪声。对上述序列xi(t)进行EMD分解。IMF1(t)=1Ki=1KIMFi1(t)（2）r1(t)=x(t)-IMF1(t)（3）式中：IMF1(t)表示第 1 个模态分量；r1(t)表示第 1次分解后的余量信号。IMFj(t)=1Ki=1KE1(rj-1(t)+j-1Ej-1(i(t)（4）rj(t)=rj-1(t)-IMFj(t)（5）式中：IMFj(t)表示 CEEMDAN 分解得到的第j阶模态分量。如此反复进行，一直到第j阶 IMF 分量IMFj(t)或其余量rj(t)小于预设值；或当残余分量rj(t)是单调函数或常量时，EMD分解过程停止。HHT是把构成信号的基本单位正弦信号改为IMF，在理论上为分析非平稳信号中的时变频率奠定了基础。对每个满足模态函数IMF条件的模态分量求其Hilbert变换，可以求得相应IMF的瞬时频率和瞬时幅值。H cj(t)=1-+cj(t)t-d（6）A cj(t)=cj(t)+iH cj(t)=aj(t)eij(t)（7）其中cj(t)为满足 IMF 的模态分量，相应的瞬时频率为：fj(t)=12dj(t)dt（8）于是可得：cj(t)=Re aj(t)eij(t)=Re aj(t)exp i2fj(t)dt（9）由经验模态分解公式可得：x(t)Re j=1Naj(t)exp i2fj(t)dt（10）由上式可得到希尔伯特HHT时频谱图为：H(，t)=j=1Nbjaj(t)（11）进一步可得到希尔伯特边际谱：h()=0TH(，t)dt（12）2.3SSA-DBN方法受限玻尔兹曼机（RBM）为隐藏层和可视层组成的神经网络结构，并且该网络结构在层间是双向连接的，其结构如图2所示，其中DBN在深度层数的神经网络运算优化过程中起到了关键性作用。HINTON等研究学者25 发现并验证了DBN模型可以用来提取数据高层次的特征。该模型通过单独无监督地训练每一层的RBM网络，以确保特征向量能够映射到不同的特征空间并尽可能地保留特征信息。然后使用DBN网络逐层提取特征，并在最后一层设置BP网络，将RBM的输出特征向量作为BP网络的输入特征向量，进行有监督的分类器训练。需要注意的是，每一层RBM网络只能确保自身层内的权值对该层的特征向量映射达到最优，而RBM网络的训练过程则可以看作是对一个深层BP网络权值参数的初始化，使得DBN能够克服BP网络因随机初始化权值参数而容易陷入局部最优解和训练时间长的缺点。图2深度置信网络结构原理图Fig.2Schematic diagram of deep belief network structure1491信号处理第 39 卷当在进行有监督调优训练时，先前向传播，从输入得到一定的输出值，然后反向微调，传播更新网络的权重值W和偏执项a，b。在前向传播中预训练W和b计算每个隐元的激励值：h(l)=W(l)v+b(l)（13）其中，l为神经网络的层数索引，而W和b的值如下：W=W1，1W2，1WM，1W1，2W2，2WM，2W1，NW2，NWM，N，b=b1b2bN（14）其中，Wi，j为权重，将计算出每层的隐含神经元的激励，接着对其进行标准化。(hj)(l)=11+e-hj（15）最后计算输出层的激励函数f()和输出值X。h(l)=W(l)h(l-1)+b(l)，X=f(h(l)（16）在反向传播中，代价函数如下：E=1Ni=1N Xi(Wl，bl)-Xi2（17）其中，E为DBN学习的平方误差，Xi和Xi分别表示输出层的输出和理想输出，i为样本索引，(Wl，bl)表示在l层的待学习的权重和偏置的参数。采用梯度下降法，来更新网络的权重和偏置参数，其中为学习效率。(Wl，bl)(Wl，bl)-E(Wl，bl)（18）基于以上，选择好合适的隐层数、神经单元层数以及学习率，分别迭代一定的次数进行训练，就会得到我们最终想要的网络映射模型。2020年，XUE Jiankai等研究者提出验证一种较为新颖的寻优算法 Sparrow Search Algorithm（SSA）算法6，具有寻优能力强，收敛速度快的优点26-27。算法的流程图如图3所示。通过矩阵表示由n只Sparrow组成的n d维向量种群，即X=X11X12X1dX21X22X2dXn1Xn2Xnd（19）式中：Xij为第i只Sparrow的第j维位置；Sparrow种群的适应度可表示为：FX=f(X11X12X1d)f(X21X22X2d)f(Xn1Xn2Xnd)（20）式中：f为Sparrow个体适应度。Xt+1i，j=Xi，j.exp()-i.itermax，R2 n/2Xt+1P+|Xi，j-Xt+1P|.A+.L，otherwise（22）其中，A是一个1 d矩阵，并且A+=AT(AAT)-1。当处于侦查预警行为，更新公式如下：Xt+1i，j=Xtbest+.|Xti，j-Xtbest|，fi fgXti，j+K.(|Xti，j-Xtworst|(fi-fw)+)，fi=fg（23）其中，fg和fw分别是当前全局最佳和最差的适应度值。深度置信网络在特征提取方面表现出了较好的性能，尤其在特征分类方面。然而，DBN的网络结构是否为最优决定了其性能是否为最佳。研究者虽然可以凭借经验设定DBN网络结构，但无法完全发挥其性能。为了解决这个问题，可以使用SSA图3Sparrow Search Algorithm的流程图Fig.3Flowchart of Sparrow Search Algorithm1492第 8 期陈超 等：运动想象脑信号的深度置信网络分类优化来优化DBN。使用SSA优化DBN的核心思想是找到适应度最高的Sparrow个体，即位置最优的Sparrow。在迭代结束时，我们可以根据此Sparrow的参数设置DBN的最优网络结构，从而得到最优的分类识别模型SSA-DBN。SSA-DBN分类识别模型包括两个模块：数据预处理模块和SSA-DBN模块。数据预处理模块的主要功能是处理原始数据，使其能够输入到SSA-DBN模块中。而SSA-DBN模块则是用于对输入数据进行分类识别的。该模块分为两个步骤：首先，使用训练数据集对SSA-DBN模块进行训练和参数调优，以得到最优的分类识别模型；其次，将测试数据集输入到训练好的SSA-DBN模块中，以获得分类结果。算法的具体操作如下：首先，随机初始化一定数量的Sparrow种群，并定义相关参数。然后，计算并找出当前适应度函数F（X）的最优值。接着，更新Sparrow 的位置，再次计算当前适应度函数的最优值。如果此时的最优值是全局最优解，则所得到的X参数即为DBN最优的网络结构参数。否则，继续更新 Sparrow的位置，直到获得最优值或达到最大迭代次数。最后，根据得到的最优参数构建最优分类模型，并用其进行识别分类操作。通过该算法的研究，可得该方法比一般方法更具备高速度收敛、准确精度提升且不容易限制局部优化方面，具有全局性。使用 SSA 优化 DBN 得到位置最优的 Sparrow6，模型如图4所示。3结果分析与讨论3.1脑电信号分解与选择根据 CEEMDAN 分解后包含运动想象相关的的节律信息，进而确定适合于特征提取的各阶分量。本次数据为：一个被测者在每一轮的实验中做了六组采集实验，在每一组的实验范式中具有48次的运动想象运动状态。其中所采集的被试者的EEG信号经过CEEMDAN分解，所获取的各阶IMF分类如图5所示。使用CEEMDAN算法对EEG信号进行分解，得到IMF，其中每个IMF分量对应着不同的频率成分，且不同的IMF分量之间波形差异明显，幅度也不同。再对每个 IMF 分量进行频谱分析，频谱图如图 6所示。运动想象 EEG 信号的频率正常范围一般为和节律。由图6可以看出脑电信号IMF1IMF3模式识别具有运动想象MI的 有关的主要波段数据，因而更适合识别分类，因此保留IMF1IMF3各个IMF分量来进行特征提取，这样可以节省实验的时间，在后续时频分析时，方便计算相应的数值。图4SSA-DBN分类识别模型框架Fig.4SSA-DBN classification and recognition model framework1493信号处理第 39 卷3.2EEG信号的边际谱由上述分析，对 IMF1IMF3 进行 HHT 变换获得频谱图。选取的一个被试者事件叠加平均后，对其进行边际谱求解得到边际谱图，继而进行特征提取分析。经上述公式（23）推算，得到被测者C4通道运动想象事件的边际谱图。对每个事件的边际谱做窗长和窗移都为 1 Hz 的加窗处理，且每个事件有30个特征向量，于是在BCI-IV-2a中共有48*6*30个特征向量。采用 HHT 变换得到的边际谱如图 7所示。由图7可知，BCI-IV-2a不同状态（左手、右手、脚和舌头）MI状态能量主要集中515Hz频段（和节律），且在10 Hz后出现了能量下降。在频率为20 Hz左右，左手状态出现明显的能量下降；在频率为15 Hz左右，右手状态也出现出较为明显的能量下降，但在频率为20 Hz附近能量又逐渐上升；脚和舌头能量出现上升趋势，但是舌头状态的能量变化明显强于脚状态的能量。由此对比可证明左手、右手、脚和舌头不同状态的运动想象MI可区分性。同时也表明HHT变换在对于本数据集具有较好特征提取能力。3.3优化参数设置在SSA-DBN模型中，我们使用SSA对DBN的结构参数进行优化。首先，我们根据SSA迭代过程设置以下参数：自变量维度 Dim：5，上下限：ub=100.1，100.2，100，0.1，1500 和 lb=5，5，5.2，0.001，300，麻 雀 数 量 pop：5，最 大 迭 代 次 数Max_iteration：20，预警值和加入者比例：0.8 和0.2。根据SSA优化过程，我们得到最高适应度函数F（X），从而可以确定DBN的结构参数X。然后，我们构建深度置信网络DBN，并根据SSA算法的优化结果得到最佳神经元个数Best_pos。本文采用三层 DBN 的 RBM 模型进行特征提取，每层网络神经元个数分别为 Best_pos（1，1）、Best_pos（1，2）、Best_pos（1，3）。接着，我们使用BP分类器进行分类。在训练RBM时，设置以下参数：迭代次数opts.numepochs：300，批量训练样本：30，学习率因子opt.alpha：Best_pos（1，4）。在将 DBN 迁移到深层反向微调网络时，设置nn=dbnunfoldtonn（dbn，4），表示有四个分类输出。这些输出对应于BCI-IV-2a公共数据集的四个分类识别结果。进行反向微调时，设置以下参数：反向微调次数：Best_pos（1，5），学习率因子：0.001，每次训练样本个数：30。此时的激活函数设为Softmax函数进行分类。其中，各个输入参数的含义如下：自变量维度 Dim：优化参数的维度；上下限 ub图5EEG信号经CEEMDAN分解后的IMF分量图Fig.5IMF component map of EEG signal after CEEMDAN decomposition图6IMF分量对应的频谱图Fig.6The spectrum diagram corresponding to the IMF component1494第 8 期陈超 等：运动想象脑信号的深度置信网络分类优化和lb：优化参数的上限和下限范围；麻雀数量pop：SSA算法中使用的麻雀数量；最大迭代次数Max_iteration：SSA算法进行的最大迭代次数；预警值和加入者比例：SSA算法中麻雀预警和加入的比例；迭代次数 opts.numepochs：训练 RBM 时的迭代次数；批量训练样本：训练RBM时每个批次的样本数量；学习率因子 opt.alpha：训练 RBM 时使用的学习率因子；反向微调次数：DBN迁移到深层反向微调网络时的微调次数；学习率因子（反向微调）：深层反向微调网络时的学习率因子；每次训练样本个数（反向微调）：深层反向微调网络时每次训练的样本数量。各个输出参数的含义如下：最高适应度函数F（X）：表示SSA算法优化后的最优解；DBN结构参数X：基于最高适应度函数确定的 DBN 网络结构参数；最佳神经元个数 Best_pos：经过SSA算法优化得到的最佳神经元数量；四分类输出：对应于 BCI-IV-2a公共数据集的四个分类识别结果。3.4SSA-DBN对EEG信号的识别结果本文在BCI-IV-2a实验中，共进行288个模态事件。用HHT每个通道获得30*288=8640个特征点。每名被试数据采用HHT进行边际谱的提取特征，得到边际谱数据特征向量，分析特征数据可以明显分析出相应的区分特性，则说明此特征向量是比较合适于分类识别。接着在经过SSA优化过后的DBN上，可以得到三层网络模型为比较合适的层数结构以及其他合适参数，并使用BP神经网络分类器。使用本文所构建的SSA-DBN模型算法以及其他分类算法，完成对BCI-IV-2a的MI数据分类识别和结果对比研究。本文对每个被试者的分类结果进行10次10折交叉验证对分类结果进行计算，最后求取10次分类结果的平均值作为最终分类准确率。图7BCI-IV-2a不同状态边际谱Fig.7BCI-IV-2a marginal spectrum of different states1495信号处理第 39 卷将提出的算法SSA-DBN算法在公共实验BCI-IV-2a数据集中的9名被试者进行四分类分析计算，将本文算法与各个算法对比分析，如表1所示。由表1可知，在四分类公共实验BCI-IV-2a中，SSA-DBN 算法最高平均分类准确率达到 86.35%。分类效果较为理想的有3、7、8号，分类较差的是2号，且最优和最差准确率相差了20.65%之多。纵观整体的各种分类方式，因个体差异，大脑接收信息速度、注意力的集中程度不同，实验BCI-IV-2a的标准差大，从平均分类准确来看，PSO-CNN和SSA-DBN分类效果较优，可说明SSA算法优化分类模型时有一定的效果。整体而言，如图 8，在四分类公共实验 BCI-IV-2a 中，SSA-DBN 算法最高平均分类准确率达到86.35%。为了确定不同分类算法之间的性能差异是否具有统计学意义，我们将采用一种显著性检验方法方差分析（ANOVA）。方差分析适用于比较多组样本之间的差异，因此适用于本研究中需要对比多种分类算法的场景。在差异研究上，通常包括分类间的方差分析、t检验以及卡方检验等，BCI-IV-2a在不同方法下平均分类准确率的方差S2为0.002。在两样本方法平均数比较时，先建立检验假设和确定检验水准，而后计算公共数据库BCI-IV-2a的各个样本在各种方法与SSA-DBN之间的t检验。H0：=0；H1：0；=0.05t=x -s/n（24）BCI-IV-2a 实验在各个被试下，算法 DFFN、RBM-SVM、SSA-RF、PSO-CNN、SS-MEMDBF、DBN分类准确率与SSA-DBN分类准确率的差值的和分别 为+0.580、+0.706、-0.392、-0.199、+0.933、+0.936，差值标准差分别为 0.059、0.061、0.028、0.043、0.070、0.092。进而查 t界定值，可得 t分布大于t1，P0.05。=0.05，拒绝H0，接受H1，结果得不同方法与SSA-DBN优化方法有差别，进而判断不同方法之间存在差别。从上面的分析进一步突出本文方法的优越性。3.5讨论针对脑机接口系统识别率低且BCI系统MI中存在不可预测和不稳定的复杂非线性信号导致的分析困难问题，本文提出了完全自适应噪声集合经验模态分解结合希尔伯特黄变换HHT边际谱进行特征提取，在分类方法上将与麻雀搜索算法与深度置信神经网络结合方式进行分析。为了使算法适用于在线使用，我们可以对方法进行以下改进：（1）优化特征提取：在特征提取阶段，可以考虑使用更简单、计算量较小的特征提取方法，如小波变换、快速傅里叶变换等，以减少计算量并加快处理速度。表1BCI-IV-2a数据分类准确率（%）（AVGS.D）Tab.1BCI-IV-2a data classification accuracy（%）（AVGS.D）被试123456789AVGS.D分类准确率（AVGS.D）DFFN2885.4069.3090.2971.0765.4169.4588.1886.4693.5479.9010.25RBM-SVM2986.6161.2687.2775.2064.5565.9183.7889.9192.0878.5111.29SSA-RF82.4574.0090.5487.4392.6784.3190.3389.1490.2683.148.56PSO-CNN3093.3084.5991.6884.5586.5476.9294.0393.2092.2485.565.46SS-MEMDBF3191.4960.5694.1676.7258.5268.5278.6797.0193.8579.9414.13DBN74.6182.0461.9185.5276.8372.6881.6673.4574.8275.956.49SSA-DBN83.0775.1395.7885.3184.7081.4291.8992.7187.1286.356.081496第 8 期陈超 等：运动想象脑信号的深度置信网络分类优化（2）简化分类器：在分类器方面，可以考虑采用计算复杂度较低的分类器，如支持向量机（SVM）、K最近邻（KNN）或逻辑回归等。这些分类器在计算速度上相对较快，适用于在线实时应用。（3）模型压缩与加速：对于深度学习模型，可以采用模型压缩技术，如权值量化、知识蒸馏等，以减小模型大小和计算量。此外，可以利用硬件加速（如GPU、FPGA等）进行计算加速，提高在线使用的实时性。从表1的结果分析可以看出，从分类准确率中提取的特征与不同的分类算法有关，不同算法以及优化方法有效结合有利于提高分类准确率和模型鲁棒性，这在 BCI-IV-2a 实验中表现得更为明显。在SSA-DBN中，在最后的循环更新运算完毕时，得到 Sparrow群体的最合适参数，我们可以根据此最合适参数来设计调整DBN网络的相应参数，构建最优化模型。通过监督微调来标记数据改变模型，进而改善分类结果。当然，课题也存在不足之处，比如当DBN网络模型的层数结构改变时，其对应的拟合度可能相应的改变，表现出一系列的拟合问题，比如在本文中，当网络模型层数超过3层时，则此算法的分类准确率会相应的下降，出现这种现象的原因可能是实验数据量太少所导致。4结论通过在 BCI-IV-2a 数据集上进行实验，我们可以得出所提方法在运动想象脑电信号分类识别任务中具有较好的性能，并能够有效处理和识别BCI-IV-2a数据集中的运动想象信号。因此，在本研究中，所提出的基于EMD、HHT和DBN的分类识别算法与BCI-IV-2a数据集之间的关联性得到了充分体现。此外，通过在这一数据集上的验证，我们也可以发现所提方法在不同被试者下的适用性和稳定性。这意味着本研究的方法不仅在特定的数据集上具有优异性能，而且具有较强的泛化能力，可应用于更广泛的场景和其他运动想象脑电信号分类任务。本文将结果与创新方法进行比较，验证了SSA-DBN具有更好的识别能力与普适性，并提高了分类模型的鲁棒性和准确性。并且通过概率统计分布分析计算，验证了分类准确率存在稳定的差异，进一步证明了所提优化算法的有效性和