丁勝　吳全玉　孫健　潘玲佼　陶為戈

摘 要：腦機接口技術(shù)是很多學(xué)科融合的前沿研究方向，腦電信號分類的準(zhǔn)確率是限制腦機接口系統(tǒng)實現(xiàn)的難題之一。針對腦電信號分類準(zhǔn)確性問題，采用兩種概率校準(zhǔn)方法Platt Scaling和Isotonic Regression。首先對預(yù)處理后的運動想象腦電數(shù)據(jù)利用功率譜密度提取腦電頻域特征，使用主成分分析算法進行特征降維。其次選擇邏輯回歸和支持向量機構(gòu)建分類預(yù)測模型，使用上述兩種概率校準(zhǔn)方法進行模型校準(zhǔn)。最后，選用ROC曲線下的面積AUC、Brier得分和可靠性曲線評估校準(zhǔn)模型的性能，并且繪制交叉驗證學(xué)習(xí)曲線，觀察模型在不同數(shù)據(jù)量下的擬合效果，以及模型的泛化能力。在BCI競賽IV Datasets 2a腦電數(shù)據(jù)集上進行實驗驗證，結(jié)果表明，概率校準(zhǔn)的方法能夠?qū)δＰ皖A(yù)測輸出結(jié)果進行有效校準(zhǔn)。

關(guān)鍵詞：運動想象；概率校準(zhǔn)；功率譜密度；邏輯回歸；支持向量機

中圖分類號：TP18；TP301.6? 文獻標(biāo)識碼：A? 文章編號：1673-260X（2023）04-0011-05

1 引言

腦機接口（Brain-Computer Interface，BCI）是一種不利用外周神經(jīng)和肌肉，由大腦完成控制命令輸出的與外界進行通訊的新方式[1，2]，已在神經(jīng)康復(fù)、生物醫(yī)學(xué)及生活娛樂等領(lǐng)域被廣泛研究。運動想象（Motor Imagery， MI）是BCI中的一個重要實驗范式，這是一種特殊的心理表象類型[3，4]，人進行運動想象，通過BCI可以實現(xiàn)單獨操縱設(shè)備[5]。然而腦電信號（Electroencephalogram，EEG）具有復(fù)雜，時變，非線性等特點[6]，使得挖掘到有效地腦電信號存在很大的困難，因此，研究如何利用算法對腦電信號進行準(zhǔn)確分類顯得非常重要[7]。

經(jīng)典的機器學(xué)習(xí)算法發(fā)展時間長，且具有成熟的數(shù)學(xué)理論基礎(chǔ)，常被用于運動想象腦電信號的分類。許多研究學(xué)者對腦電信號分類算法進行一些改進。Shi等[8]采用改進的松鼠搜索算法優(yōu)化支持向量機的參數(shù)，提高了模型的分類精度。Miao等[9]在樸素貝葉斯（Naive Bayesian，NB）基礎(chǔ)上提出加權(quán)樸素貝葉斯（Weighted NB，WNB），對多個時頻特征進行加權(quán)，得到不錯的分類結(jié)果。

然而許多分類算法的預(yù)測輸出值并不是真正的概率輸出，即具有一定的偏差[10]，在實際應(yīng)用場景中可能會導(dǎo)致一些嚴(yán)重的后果。例如支持向量機（Support Vector Machines，SVM）算法，先尋找讓邊際最大的決策邊界，然后計算測試樣本點到?jīng)Q策邊界的距離來判定該樣本屬于哪一類，但是大部分樣本點都徘徊在決策邊界附近，模型很容易做出錯誤的判斷，只有離決策邊界較遠的樣本才有很高的置信度，所以說SVM是一個“極度不自信”的算法。即使是NB這種真正的概率算法，也會存在有偏的預(yù)測。NB產(chǎn)生的分數(shù)通常太過極端[11]，概率分布存在兩邊高，中間低的現(xiàn)象。因此NB模型無法產(chǎn)生準(zhǔn)確的概率估計[12]，是一個“過分自信”的算法。特別當(dāng)測試樣本的特征之間并不是條件獨立時，樸素貝葉斯分類器輸出的概率估計也是存在偏差的。

概率校準(zhǔn)的方法可以將有偏差的概率輸出結(jié)果進行校準(zhǔn)。概率校準(zhǔn)是指尋找一個校準(zhǔn)函數(shù)，將初始預(yù)測映射為更加精確的后驗概率[13]。使用概率校準(zhǔn)的方法不僅將非概率分類器的輸出轉(zhuǎn)化為概率類型，而且也對概率分類器的結(jié)果進一步提升[14]。目前比較可靠的兩個概率校準(zhǔn)方法為Platt Scaling[15]和Isotonic Regression[16]。

本文選擇支持向量機和邏輯回歸（Logistic Regression，LR）作為預(yù)測模型，引入上述兩種概率校準(zhǔn)的方法，將模型在第四屆BCI競賽2a數(shù)據(jù)集上進行驗證，結(jié)果顯示，概率校準(zhǔn)后的模型比原始模型有更好的表現(xiàn)。

2 數(shù)據(jù)集和方法

2.1 數(shù)據(jù)集

試驗數(shù)據(jù)來源于2008年第四屆國際BCI競賽Datasets 2a數(shù)據(jù)集[17]。該數(shù)據(jù)集一共記錄了9名受試者（A01，A02，A03，A04，A05，A06，A07，A08，A09）關(guān)于左手、右手、雙腳和舌頭四種不同的運動想象任務(wù)，每名受試者在不同的日期記錄兩次實驗。本文只對左右手兩類任務(wù)進行分類，每個受試者的數(shù)據(jù)由兩個部分組成，一部分用于訓(xùn)練，另一部分用于測試，每個部分都包含了144次試驗，每次試驗持續(xù)7.5秒。所有數(shù)據(jù)均是通過分布在頭部的25個Ag/AgCl電極記錄的，采樣頻率為250Hz，并對采集EEG信號進行0.5Hz-100Hz帶通濾波。具體細節(jié)參考https：//www.bbci.de/competition/iv/。

2.2 預(yù)處理

為了更有效地提取腦電信號特征，先對原始腦電數(shù)據(jù)進行預(yù)處理。本文選用Python語言，在集成開發(fā)環(huán)境PyCharm中進行編程，利用MNE工具箱對腦電信號預(yù)處理，受試者A03原始的腦電信號如圖1所示。該數(shù)據(jù)集包含3個眼電偽跡的通道，刪除這三個無用通道。與MI有關(guān)的頻率主要集中在α節(jié)律（8～13Hz）和β節(jié)律（14～30Hz）[18]，因此對腦電信號進行8-30Hz的帶通濾波。濾波后不僅方便選擇后續(xù)工作所需要的有效頻段，而且可以減輕高頻干擾與工頻噪聲[19]。腦電信號中摻雜著各種生理偽跡[20]，調(diào)用MNE工具箱中內(nèi)置的獨立成分分析（Independent Component Analysis，ICA）算法進行去噪處理。

2.3 特征提取與降維

2.3.1 特征提取

對預(yù)處理后的腦電信號使用功率譜密度（Power Spectral Density，PSD）提取反映受試者意圖的頻域信號特征，受試者A03的腦電數(shù)據(jù)經(jīng)帶通濾波后的功率譜密度如圖2所示。計算對應(yīng)頻率段的曲線下面積作為腦電信號在該頻段的能量值。對每名受試者的22個通道分別計算Alpha（8-13Hz），Beta1（14-20Hz），Beta2（21-28Hz）三個頻段的腦電信號功率，共提取66維腦電特征。

2.3.2 特征降維

提取到的腦電特征包含許多冗余信息，會影響分類模型的識別準(zhǔn)確率，使用主成分分析（Principal Component Analysis，PCA）算法降維。PCA通過矩陣分解將高維特征數(shù)據(jù)壓縮到少量特征上，并且信息量不會損失太多，形成新的含有大量有效信息的低維特征矩陣。

2.4 模參型數(shù)

精細調(diào)參可以提高分類器的準(zhǔn)確率，使用學(xué)習(xí)曲線和網(wǎng)格搜索的方法確定SVM和LR模型的參數(shù)。SVM的核函數(shù)設(shè)為‘linear，選擇L2正則化防止模型過擬合，懲罰項系數(shù)C設(shè)為0.8，最大迭代次數(shù)max_iter為-1。LR模型選用L2正則化，C設(shè)為0.78，設(shè)置‘lbfgds作為目標(biāo)損失函數(shù)的迭代優(yōu)化算法。

2.5 概率校準(zhǔn)

2.5.1 Platt Scaling

Platt Scaling是一種參數(shù)化校準(zhǔn)方法，模型校準(zhǔn)的過程實際上是在確定最優(yōu)參數(shù)（a，b）。將分類器的預(yù)測輸出值通過Sigmoid函數(shù)進行轉(zhuǎn)換，將分類器的原始預(yù)測輸出值映射為較為準(zhǔn)確的概率值，其范圍為（0，1）。假設(shè)輸入樣本為xi，分類器的預(yù)測輸出值為f（xi），則分類器最終輸出概率的計算公式為：

參數(shù)（a，b）通過極大似然估計的方法可求得：

其中，pi為校準(zhǔn)后的概率，yi為輸入樣本的真實類別，pi用式（3）表示：

在實際應(yīng)用中，為了防止分類器過度擬合，經(jīng)常會使用下式給樣本正類y+和負類y-賦值：

其中，N+和N-分別是正負樣本的數(shù)量。

2.5.2 Isotonic Regression

Isotonic Regression是一種非參數(shù)校準(zhǔn)的方法，假設(shè)分類器預(yù)測輸出值為yi，輸入樣本的標(biāo)簽為Yi，則模型定義為：

其中，F(xiàn)為分類器預(yù)測輸出值yi和樣本真實值Yi之間擬合的單調(diào)遞增的函數(shù)，？著i為誤差。若給定數(shù)據(jù)集set（yi，Yi），則F可以通過式（7）求解：

式（6）的一種求解算法是PAV（Pool Adiacent Violators）[21]，通過不斷更新違反函數(shù)單調(diào)性的局部區(qū)間，找到最終滿足單調(diào)性的區(qū)間。

3 評估方法與結(jié)果分析

3.1 評估方法

模型的評估是非常重要的一步，為了評估概率校準(zhǔn)后模型的效果，本文采用了三種指標(biāo)：布里爾分數(shù)（Brier Score），可靠性曲線（Reliability Curve），ROC曲線下面積AUC來評估概率校正后模型的效果。

3.1.1 布里爾分數(shù)

布里爾分數(shù)是一項衡量概率校準(zhǔn)表現(xiàn)的標(biāo)準(zhǔn)指標(biāo)，其計算方法為樣本真實值與概率預(yù)測之間的均方誤差。具體表達式如下：

其中，N是樣本數(shù)量，fi是分類器預(yù)測輸出值，yi是樣本的真實標(biāo)簽。式（8）的范圍從0到1，衡量概率預(yù)測值和真實值的差異，布里爾分數(shù)越小，模型的預(yù)測精度越高。

3.1.2 可靠性曲線

可靠性曲線，又稱為概率校準(zhǔn)曲線（Probability Calibration Curve），它是一種可視化的評估方法，可以直觀地看出模型在進行二分類任務(wù)時，其概率輸出與理論最優(yōu)分類器預(yù)測的偏差程度，可以幫助我們了解模型的置信度。如果模型具有很好的置信度，那么可靠性曲線應(yīng)該接近45度對角線。而如果模型的置信度有問題，可靠性曲線可能會出現(xiàn)明顯的偏差。

3.1.3 AUC

ROC（Receiver Operating Characteristic）曲線，又稱為感受性曲線，ROC曲線是一種以真陽性率為縱坐標(biāo)，以假陽性率為橫坐標(biāo)的二維曲線。模型的預(yù)測效果可以通過ROC曲線下面積AUC來進行評估，AUC值越大則模型的預(yù)測效果越好。通常，AUC值被用來衡量二分類模型的分類效果，其取值范圍在0到1之間。當(dāng)AUC值越接近1時，模型的分類效果越好。

3.2 結(jié)果分析

表1展示了9名受試者采集的腦電信號在原始模型和概率校正后模型下的分類準(zhǔn)確率。為了敘述方便，下文以‘模型+Platt、‘模型+Isotonic的方式命名校準(zhǔn)后的模型。SVM、SVM+Platt、SVM+Isotonic、LR、LR+Platt和LR+Isotonic在9名受試者腦電數(shù)據(jù)上的平均準(zhǔn)確率分別為70.96%、73.74%、72.18%、72.28%、74.78%和73.94%。可以看出經(jīng)概率校準(zhǔn)的分類器的準(zhǔn)確率比原始分類器的準(zhǔn)確率有所提高，且Platt概率校準(zhǔn)方法在該數(shù)據(jù)集上比Isotonic概率校準(zhǔn)方法更有優(yōu)勢。

由于篇幅限制，本文只展示受試者A03的概率校準(zhǔn)模型的可靠性曲線圖。如圖3所示，明顯看到經(jīng)過概率校準(zhǔn)的模型SVM+Platt、SVM+Isotonic、LR+Platt和LR+Isotonic都比未校準(zhǔn)的模型更靠近對角線，模型效果更好。支持向量機模型的布里爾分數(shù)為0.140，經(jīng)概率校準(zhǔn)后SVM+Platt和SVM+Isotonic的布里爾分數(shù)分別為0.124，0.126；邏輯回歸模型的布里爾分數(shù)為0.130，經(jīng)概率校準(zhǔn)后LR+Platt和LR+Isotonic的布里爾分數(shù)分別為0.119， 0.120。校準(zhǔn)的模型布里爾分數(shù)降低，說明模型的概率預(yù)測輸出與樣本真實標(biāo)簽更接近，模型變得更加穩(wěn)定可靠。

圖4展示了應(yīng)用本文采用的概率校準(zhǔn)方法后，SVM+Platt的AUC比原始SVM模型的AUC提高0.03，達到0.93；SVM+Isotonic的AUC略微遜色達到0.92。對于原始LR模型，模型本身效果就比較好，AUC為0.92；概率校準(zhǔn)后，LR+Platt的AUC有所上升，達到0.93，而LR+Isotonic的AUC則與LR的AUC持平。

4 討論

本文對第四屆BCI競賽2a腦電數(shù)據(jù)集進行解碼，利用概率校準(zhǔn)方法對模型的預(yù)測輸出進行再學(xué)習(xí)，模型準(zhǔn)確率上升，達到實驗預(yù)期。概率校準(zhǔn)并不是對所有的數(shù)據(jù)集都起作用，如表1中，受試者A07的腦電數(shù)據(jù)，經(jīng)過兩種概率校準(zhǔn)方法校準(zhǔn)后，模型的準(zhǔn)確率反而下降；對于受試者A09，經(jīng)Platt方法校準(zhǔn)，模型的準(zhǔn)確率升高，經(jīng)Isotonic方法校準(zhǔn)，模型的準(zhǔn)確率下降或持平。SVM+Platt、SVM+Isotonic、LR+Platt和LR+Isotonic四種校準(zhǔn)模型在9名受試者的腦電數(shù)據(jù)上進行建模，平均準(zhǔn)確率比原始模型分別提高2.78%，1.22%，2.50%，1.66%。通過調(diào)研文獻資料發(fā)現(xiàn)，Platt校準(zhǔn)方法在數(shù)據(jù)量較少時會有更好的效果，因為Isotonic校準(zhǔn)方法非常容易過擬合，當(dāng)有足夠多的數(shù)據(jù)時，Isotonic方法會更有效。

通過繪制交叉驗證學(xué)習(xí)曲線觀察6種模型在受試者A03數(shù)據(jù)集上的表現(xiàn)情況。由于訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集分別有144個，數(shù)據(jù)量偏少，選擇將兩組數(shù)據(jù)組合在一起，總共288個數(shù)據(jù)樣本，建立模型后，以每次訓(xùn)練的不同的樣本數(shù)量為橫坐標(biāo)，訓(xùn)練分數(shù)和測試分數(shù)為縱坐標(biāo)來繪制學(xué)習(xí)曲線，如圖5所示。從圖上可以看出，支持向量機和邏輯回歸模型在訓(xùn)練數(shù)據(jù)量較小時都存在嚴(yán)重的過擬合現(xiàn)象，隨著樣本量的增大，模型過擬合的情況會得到緩解；概率校準(zhǔn)后，有效地減輕了模型的過擬合情況。兩種概率校準(zhǔn)后的模型測試準(zhǔn)確率均高于原始模型的表現(xiàn)，達到85%以上，且經(jīng)Platt方法校準(zhǔn)的模型表現(xiàn)略勝一籌，說明Platt方法在數(shù)據(jù)集較少時的表現(xiàn)確實好于Isotonic方法。從圖上可以預(yù)見，采集更多的腦電數(shù)據(jù)用于訓(xùn)練，兩種方法校準(zhǔn)后模型的準(zhǔn)確率會進一步提高。

本文的不足之處：第一，只提取腦電信號頻域特征，有效信息量過少，接下來工作會從時域、頻域、空域三種不同的角度提取腦電信號特征，然后進行特征融合，利用啟發(fā)式算法選擇特征。第二，經(jīng)典單一分類器的表現(xiàn)效果或許不如多模型融合以及神經(jīng)網(wǎng)絡(luò)模型，后續(xù)工作會進行驗證。

5 結(jié)束語

腦機接口技術(shù)改變了人們與外界的信息交互方式，在未來許多領(lǐng)域必定會大放異彩，腦電信號的解碼至關(guān)重要。本文對運動想象腦電信號使用PSD方法提取頻域特征，利用PCA技術(shù)降低特征維數(shù)，選擇SVM和LR兩種算法建立腦電信號分類預(yù)測模型，選用Platt、Isotonic兩種概率校準(zhǔn)方法對模型有偏的輸出結(jié)果進行校準(zhǔn)，兩種方法在本文數(shù)據(jù)集中多名受試者的腦電數(shù)據(jù)上均達到不錯的效果，且隨著數(shù)據(jù)量的增加，模型過擬合情況得到緩解，分類準(zhǔn)確率也能進一步提高。

——————————

參考文獻：

〔1〕Kamhi S， Zhang S， Ait Amou M， et al. Multi-Classification of Motor Imagery EEG Signals Using Bayesian Optimization-Based Average Ensemble Approach[J]. Applied Sciences， 2022， 12（12）： 5807.

〔2〕許冬萍，陳峰.基于改進小波變換和模糊熵的腦電信息研究[J].計算機仿真，2019，36（10）：227-232.

〔3〕Yang Y J， Jeon E J， Kim J S， et al. Characterization of kinesthetic motor imagery compared with visual motor imageries[J]. Scientific Reports， 2021， 11（01）： 1-11.

〔4〕田貴鑫，陳俊杰，丁鵬，等.腦機接口中運動想象的執(zhí)行與能力的評估和提高方法[J].生物醫(yī)學(xué)工程學(xué)雜志，2021，38（03）：434-446.

〔5〕劉拓， 葉陽陽，王坤，等.運動想象腦電信號分類算法的研究進展[J].生物醫(yī)學(xué)工程學(xué)雜志，2021， 38（05）：995-1002.

〔6〕Li C， Chen M， Zhang L. A Domain Adaptation-Based Method for Classification of Motor Imagery EEG[J]. Mathematics， 2022， 10（09）： 1588.

〔7〕魯杰，楊曉棟，彭靖宇，等.基于LSTM的運動想象腦電信號分類方法[J].電子設(shè)計工程，2021，29（04）：88-92.

〔8〕Shi M， Wang C， Li X Z， et al. EEG signal classification based on SVM with improved squirrel search algorithm[J]. Biomedical Engineering/Biomedizinische? Technik， 2021， 66（02）： 137-152.

〔9〕Miao M， Zeng H， Wang A， et al. Discriminative spatial-frequency-temporal feature extraction and classification of motor imagery EEG： An sparse regression and Weighted Na？觙ve Bayesian Classifier-based approach[J]. Journal of neuroscience methods， 2017， 278： 13-24.

〔10〕Niculescu-Mizil A， Caruana R. Predicting good probabilities with supervised learning[C]//Proceedings of the 22nd international conference on Machine learning. 2005： 625-632.

〔11〕Zadrozny B， Elkan C. Transforming classifier scores into accurate multiclass probability estimates[C]//Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining. 2002： 694-699.

〔12〕Zhong W， Kwok J T. Accurate probability calibration for multiple classifiers[C]//Twenty-Third International Joint Conference on Artificial Intelligence. 2013.

〔13〕范雙龍，趙志強，余紅梅，等.基于概率校準(zhǔn)的彌漫性大B細胞淋巴瘤患者死亡風(fēng)險預(yù)測[J].中國衛(wèi)生統(tǒng)計，2021，38（05）：670-674.

〔14〕肖瑤，謝貴才，朱兵.淺談分類問題中的概率校準(zhǔn)[J].中國統(tǒng)計，2018，66（05）：35-37.

〔15〕Platt J. Probabilistic outputs for support vector machines and comparisons to regularized likelihood methods[J]. Advances in large margin classifiers， 1999， 10（03）： 61-74.

〔16〕Qin J， Garcia T P， Ma Y， et al. Combining isotonic regression and EM algorithm to predict genetic risk under monotonicity constraint[J]. The annals of applied statistics， 2014， 8（02）： 1182.

〔17〕Naeem M， Brunner C， Leeb R， et al. Seperability of four-class motor imagery data using independent components analysis[J]. Journal of neural engineering， 2006， 3（03）： 208-216.

〔18〕Tang Z， Li C， Sun S. Single-trial EEG classification of motor imagery using deep convolutional neural networks[J]. Optik， 2017， 130： 11-18.

〔19〕Daud S S， Sudirman R. Butterworth bandpass and stationary wavelet transform filter comparison for electroencephalography signal[C]//2015 6th international conference on intelligent systems， modelling and simulation. IEEE， 2015： 123-126.

〔20〕吳全玉，張文強，潘玲佼，等.一種結(jié)合自適應(yīng)噪聲完備經(jīng)驗?zāi)B(tài)分解和盲反卷積去除腦電中眼電偽跡的新方法[J].數(shù)據(jù)采集與處理，2020，35（04）：720-729.

〔21〕Ayer M， Brunk H D， Ewing G M， et al. An empirical distribution function for sampling with incomplete information[J]. The annals of mathematical statistics， 1955： 641-647.

收稿日期：2023-02-11

通訊作者：吳全玉（1977-），男，漢族，安徽碭山人，副教授，碩士研究生導(dǎo)師。研究方向：嵌入式康復(fù)系統(tǒng)開發(fā)、醫(yī)學(xué)信號處理和血流動力學(xué)仿真。

基金項目：國家自然科學(xué)基金青年項目（62001196）；江蘇省重點研發(fā)計劃（SBE2020648）；常州市社會發(fā)展項目（CE20225045）