基于代理模型辅助优化的脑电特征通道筛选方法
本发明涉及脑机接口与生物医学信号处理,具体涉及一种基于代理模型辅助优化的脑电特征通道筛选方法。
背景技术:
1、脑机接口技术通过解析大脑神经活动建立人机直接交互通道,其中头皮脑电因非侵入性等优势被广泛应用。然而,全通道、高密度脑电采集存在诸多实际工程痛点:密集的电极佩戴繁琐耗时,高维全通道数据计算代价极大,且无关区域通道会引入眼电、肌电等伪迹噪声,严重降低意图识别精度。因此,进行脑电通道筛选,剔除冗余和噪声通道,保留最具判别力的核心通道组合,是提升脑机接口系统性能与实用性的关键。
2、针对该组合优化问题,如遗传算法、粒子群算法等封装式特征选择方法因直接以分类准确率为评价指标,寻优精度较高。但此类启发式算法计算成本极其高昂,每次进化迭代均需对大量新组合进行真实评估。由于公共空间模式(csp)所获得的空间滤波器与输入的通道子集直接相关,这意味着算法每评价一个全新的通道掩码,都必须在交叉验证内部重新计算该通道组合下的空间协方差矩阵并求解广义特征值问题,再调用knn分类器执行高密度的空间距离度量。这一连串繁琐的矩阵重构与样本比对占用了极高的运行时间,在实际受限的算力下难以落地。为此,业内引入了代理模型辅助进化算法(surrogate-assisted evolutionary algorithms, saeas),利用少量真实评估数据训练计算代价极小的如随机森林等机器学习模型作为“代理评估器”,用于预估候选解适应度并拦截劣质解,从而大幅降低真实的计算开销。
3、尽管代理模型有效缓解了算力瓶颈,但在求解脑电通道筛选这一高维离散组合优化问题时,现有技术仍存在两大难以克服的技术缺陷:
4、第一,代理模型极易陷入局部最优,进而引发长期无真实评估现象。脑电通道的0/1离散搜索空间高度非线性且不连续。在迭代中后期,算法极易陷入局部最优并难以跳出,并且代理模型可能对交叉变异产生的所有新候选解均给出极差的预测评分或判定为冗余,导致算法连续数十代拒绝将任何解送入真实分类器进行评估。现有的防停滞机制通常依赖“全局最优精度是否长时间未提升”来触发,但在上述情形下,算法虽在不断迭代预测,实质上却陷入了真实评估次数增量为零的停滞状态,彻底切断了种群获取真实数据反馈的途径,导致进化停滞。
5、第二,缺乏针对高潜力离散空间的局部贪婪精细化挖掘能力。脑电信号通道间存在高度的“上位效应”,即通道间的协同作用远大于单一通道的独立作用。传统启发式算法在发现高潜力通道组合后,往往仍依赖随机、盲目的变异算子进行探索。由于缺乏精准的微调引导机制,盲目的位点翻转极易破坏已成型的优质通道框架,导致算法往往仅能找到次优解,无法在极低的真实评估下,进一步利用代理模型寻找出更高精度、更稀疏的通道配置上限。
6、综上所述,目前本领域亟需一种在有限算力评估下,既能有效克服代理模型易陷入局部最优的缺陷,又能对高潜力特征组合进行极致深挖的脑电通道筛选优化方法,以满足脑机接口系统对高分类精度、高稀疏性与低计算成本的综合需求。
技术实现思路
1、针对现有技术中代理模型辅助的离散启发式算法在脑电通道筛选时易陷入局部最优无法跳出且缺乏高潜力区域精细化挖掘能力的缺陷,本发明提供了一种基于代理模型辅助优化的脑电特征通道筛选方法(surrogate-assisted genetic algorithm, saga),旨在极其有限的分类器真实评估算力下,高效筛选出兼具高分类精度与高稀疏性的脑电核心通道组合,从而降低脑机接口系统的计算成本并提升意图识别性能。
2、本发明采用的技术方案为:一种基于代理模型辅助优化的脑电特征通道筛选方法,包括以下步骤:
3、步骤1,构建脑电通道特征选择的离散优化模型,设定有效生理通道数量的约束范围,其数学表达式为:
4、;
5、;
6、;
7、其中,为脑电通道掩码的决策变量向量,为总脑电通道维度;表示开启第个脑电通道,表示关闭;为真实分类器在训练集上计算所得的分类错误率;与分别为预设的有效生理通道数量的下界与上界;
8、初始化包含多个脑电通道掩码的初始种群,通过真实分类器计算其适应度值,建立历史数据库;
9、步骤2,利用所述历史数据库中的数据,训练基于机器学习回归算法的代理模型;
10、步骤3,利用进化算法生成候选通道掩码子代,通过所述代理模型预测候选子代的适应度,筛选出具有高潜力的候选解进行真实分类器评估,并更新所述历史数据库;
11、步骤4,当所述候选解的真实适应度满足预设的潜力触发条件时,激活局部贪婪搜索策略,触发条件数学表达式为:
12、;
13、其中,为候选解经过真实分类器评估后的真实适应度;为历史数据库中当前记录的全局最优真实适应度;为预设的潜力触发容忍度阈值;
14、仅当邻居解满足以下预判公式时,才消耗真实评估算力:
15、;
16、其中,为代理模型输出的预测适应度;
17、利用代理模型在当前解的邻域空间内进行探测,并保留真实适应度提升的解;
18、步骤5,实时监测全局最优适应度的停滞状态,当满足预设的停滞代数阈值时,触发强制逃逸机制,向种群中注入剧烈扰动解与随机探索解;停滞计数器的更新逻辑为:
19、在第次迭代中,设该代实际调用的真实分类器评估次数为,则:
20、;
21、当满足触发公式:时,激活强制逃逸机制;其中,为预设的连续零评估代数阈值;
22、步骤6,循环执行步骤2至5,直至达到预设的最大真实评估次数,输出具有最优适应度的脑电通道掩码配置。
23、进一步,步骤1中,构建离散优化模型并初始化种群的具体方式为:
24、步骤11,所述脑电通道掩码采用二进制离散编码,编码维度与受试者的总脑电通道数一致;其中,编码位为1表示开启对应的脑电通道,编码位为0表示关闭对应的脑电通道;
25、步骤12,预设有效脑电通道数量区间;在生成初始脑电通道掩码以及后续生成新脑电通道掩码的步骤中,均通过强制修复机制,校验并随机调整掩码中1的数量,以确保被开启的脑电通道总数严格限制在所述有效脑电通道数量区间内。
26、进一步,步骤3中,利用进化算法生成候选通道掩码子代的步骤具体包括:
27、步骤31,代理模型辅助的全局搜索:利用进化算法生成候选通道掩码子代;通过所述代理模型预测各候选子代的适应度,选取预测适应度最优的第一预设数量候选解进行真实分类器评估,并将评估结果更新至历史数据库;
28、步骤32,基于代理模型引导的rf辅助精英种子局部搜索与高潜力解触发式局部贪婪搜索:局部搜索阶段,针对当前种群中的优秀精英种子,对每个种子分别进行局部搜索,通过随机翻转1至3个位点生成邻居解,利用代理模型进行预测,若预测适应度值接近或优于当前全局最优,则对其执行真实分类器评估,并将评估结果更新至历史数据库;同时,当全局搜索发现高潜力解时,激活高潜力解触发式局部贪婪搜索策略,对该解进行逐维度单点翻转测试,并通过代理模型预判与真实评估实现贪婪替换。
29、步骤33,代理模型辅助的局部搜索:选取当前种群中适应度值最高的第二预设数量个体作为精英种子;对每个精英种子,通过随机翻转其通道掩码中1至3个位点生成邻居解,利用所述代理模型预测所述邻居解的适应度,若预测适应度值大于当前全局最优适应度值,则对该邻居解进行真实分类器评估,并将评估结果更新至历史数据库;同时,当全局搜索生成的候选解为高潜力解时,激活局部贪婪搜索策略,对高潜力解进行逐维度单点翻转测试,并通过代理模型预判与真实评估进行贪婪替换。
30、进一步,步骤4中,所述局部贪婪搜索策略包括:
31、步骤41,触发条件判定:将经过真实评估后的候选解的真实适应度与当前历史数据库中记录的全局最优适应度进行比对;若所述真实适应度优于全局最优适应度,或二者差值小于预设的潜力触发容忍度阈值,则判定满足潜力触发条件;
32、步骤42,代理预判与真实探测:针对触发该条件的候选解,逐一遍历其所有编码维度并进行单点位翻转以生成邻居解;将所述邻居解输入至代理模型中,得到预测适应度;
33、步骤43,贪婪替换机制:仅当所述预测适应度优于该候选解自身的真实适应度时,对所述邻居解执行真实分类器评估,得到邻居解的真实适应度;若该邻居解的真实适应度优于所述当前候选解的真实适应度,则接受该邻居解以替换所述当前候选解,更新全局最优适应度记录,并终止当前维度的后续探测。
34、进一步,步骤5中,触发与执行强制逃逸机制的过程包括:
35、步骤51,零评估停滞监测:在每一次种群进化迭代过程中,监测并记录真实分类器的调用次数;若在当前迭代代数内,所有生成的候选通道掩码均被代理模型滤除,或因与历史数据库中的掩码重复而被判定为冗余,导致真实适应度评估次数增量为零,则停滞计数器累加;若在当前迭代代数内发生了真实适应度评估,则重置所述停滞计数器;
36、步骤52,假收敛判定与逃逸:当所述停滞计数器达到预设的连续零评估代数阈值时,判定代理模型陷入局部最优陷阱;
37、步骤53,注入急救解:强制生成若干不受当前种群分布影响的广度探索随机掩码,同时提取当前全局最优掩码,对其进行多位点大步长翻转以生成深度探索剧烈变异掩码;无视代理模型的预测筛选,直接对所述广度探索随机掩码与深度探索剧烈变异掩码进行真实适应度评估,并将其强制混入历史数据库中,从而打破寻优停滞状态。
38、进一步,所述真实分类器评估,具体为:依据传入的脑电通道掩码,从脑电训练集中提取对应开启通道的特征数据,通过公共空间模式csp算法进行特征提取,并利用包括k近邻knn分类器在内的实体分类模型进行交叉验证,将计算所得的分类错误率作为所述的真实适应度。
39、进一步,所述历史数据库,用于记录算法运行期间所有经过真实评估的脑电通道掩码及其对应的真实适应度,并在后续迭代中作为代理模型更新的训练集,以及作为候选解查重去重的比对基准。
40、本发明所具有的有益效果为:
41、1、本发明通过引入代理模型对海量候选解进行预筛选,拦截了绝大多数低质量与冗余的通道组合。在极低真实评估次数下,算法将昂贵的算力集中用于评估高潜力解,相比于传统启发式算法能够获得更低的分类错误率,大幅节约了模型训练时间。
42、2、针对代理模型在高维离散空间极易因过度自信导致种群停滞的缺陷,本发明创新性地提出了基于“真实评估动作发生频率”的强制逃逸机制(panic button, pb)。通过严格的数学逻辑监控增量,该机制能敏锐察觉到算法是否陷入局部最优,通过强制注入深、广度探索解,使算法迅速恢复进化活力,彻底避免了无效的迭代空转。
43、3、针对脑电通道间存在强上位效应的特点,本发明设计了融合“rf辅助精英种子局部搜索”与“高潜力解触发式局部贪婪搜索”的双重深度挖掘机制。算法一旦在全局探索中捕获到高潜力解,便立刻利用代理模型的廉价算力对其进行逐维度的精准探测与贪婪替换。这一机制犹如为算法装上了微调放大镜,成功突破了常规启发式算法易陷入局部次优的瓶颈,利用代理模型寻找出了更为稀疏且高效的极致通道配置。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com