面向癲癇EEG自適應(yīng)識(shí)別的遷移徑向基神經(jīng)網(wǎng)絡(luò)*

謝麗瀟，鄧趙紅，史熒中，王士同

江南大學(xué) 數(shù)字媒體技術(shù)學(xué)院，江蘇 無(wú)錫 214122

面向癲癇EEG自適應(yīng)識(shí)別的遷移徑向基神經(jīng)網(wǎng)絡(luò)*

謝麗瀟，鄧趙紅+，史熒中，王士同

江南大學(xué) 數(shù)字媒體技術(shù)學(xué)院，江蘇 無(wú)錫 214122

XIE Lixiao,DENG Zhaohong,SHI Yingzhong,et al.Transfer radial basis function neural network for adaptive recognition of epileptic EEG signals.Journal of Frontiers of Computer Science and Technology,2016,10 (12)：1729-1736.

腦電圖（EEG）；徑向基神經(jīng)網(wǎng)絡(luò)；直推式遷移學(xué)習(xí)

1 引言

癲癇是由腦部損傷引起的短暫大腦功能障礙，是人類大腦中最常見(jiàn)的疾病之一，對(duì)人類健康危害極大[1]。癲癇患者的腦電圖（electroencephalogram，EEG）信號(hào)中包含了腦內(nèi)大量的生理和病理信息，因此EEG智能識(shí)別對(duì)于癲癇檢測(cè)有著十分重要的意義。目前，多種智能識(shí)別方法都被應(yīng)用于癲癇腦電信號(hào)的識(shí)別中。其中代表性的方法有以下幾種：神經(jīng)網(wǎng)絡(luò)方法[2]、決策樹(shù)算法（decision tree，DT）[3]、樸素貝葉斯法（na?ve Bayes，NB）[4]、K近鄰算法（K-nearest neighbor，KNN）[5]等。在目前主要的智能識(shí)別方法中，徑向基神經(jīng)網(wǎng)絡(luò)（radial basis function neural network，RBFNN）由于具有良好的容錯(cuò)能力、分類能力、并行處理能力和自學(xué)習(xí)能力，在實(shí)際應(yīng)用中能夠顯示出更好的綜合分類效果[2]。本文重點(diǎn)探討基于徑向基神經(jīng)網(wǎng)絡(luò)的癲癇腦電信號(hào)識(shí)別。

雖然徑向基神經(jīng)網(wǎng)絡(luò)和已有的這些基于機(jī)器學(xué)習(xí)技術(shù)的智能識(shí)別方法都取得一定的效果，但均面臨著一個(gè)共同的挑戰(zhàn)：這些方法獲得的分類器的性能都依靠一個(gè)前提假設(shè)條件，即模型的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)具有相同的分布，但此假設(shè)在實(shí)際應(yīng)用中的許多場(chǎng)景下是無(wú)法滿足的。例如，在用于訓(xùn)練和測(cè)試的癲癇EEG信號(hào)中，可能存在不完全相同的分布，這就造成了傳統(tǒng)智能方法在此類場(chǎng)景下有效性的明顯降低。

在癲癇病識(shí)別中，由于病人狀態(tài)、藥物作用、測(cè)試時(shí)間等多重因素的干擾，使得EEG信號(hào)存在著多種不同的數(shù)據(jù)分布特征，大致可以歸納為如下3種：（1）健康者正常狀態(tài)下的EEG信號(hào)；（2）癲癇病人發(fā)病期狀態(tài)下的EEG信號(hào)；（3）癲癇病人發(fā)病間歇期的信號(hào)[6]。這3種信號(hào)的數(shù)據(jù)分布特征均各自獨(dú)立，且相互之間存在一定的差異。一般在模型訓(xùn)練時(shí)，研究者大多使用大量已知類別的（1）和（2）狀態(tài)下的信號(hào)數(shù)據(jù)進(jìn)行分類構(gòu)建。這樣構(gòu)建得到的分類器在面對(duì)（3）信號(hào)為測(cè)試集的分類任務(wù)時(shí)[7]，分類器的性能必將下降，以訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)具有相同分布為前提的傳統(tǒng)智能建模技術(shù)將可能不再適用。因而提出具有更好適應(yīng)性的癲癇腦電信號(hào)識(shí)別方法非常有意義。

針對(duì)上述挑戰(zhàn)，本文從遷移學(xué)習(xí)的角度提出了具有遷移學(xué)習(xí)能力的基于徑向基神經(jīng)網(wǎng)絡(luò)的癲癇病腦電信號(hào)識(shí)別方法。為了使得探討的癲癇EEG識(shí)別方法對(duì)目標(biāo)域的數(shù)據(jù)具有較松的限制，即不要求給定標(biāo)記信息，本文具體選擇的是直推式遷移學(xué)習(xí)。進(jìn)一步將直推式遷移學(xué)習(xí)與RBFNN模型相結(jié)合，提出了具有直推式遷移學(xué)習(xí)能力的徑向基神經(jīng)網(wǎng)絡(luò)TRBFNN（transductive RBFNN）。提出的新方法因具備了遷移學(xué)習(xí)能力而不再局限于訓(xùn)練域和測(cè)試域數(shù)據(jù)分布一致的假設(shè)，允許兩者之間存在一定的差異性，因而具有較好的場(chǎng)景適應(yīng)性[8]。

2 相關(guān)工作

徑向基神經(jīng)網(wǎng)絡(luò)是Powell在1985年為解決實(shí)多變量插值問(wèn)題時(shí)首次提出的，1988年，Broomhead和Lowe繼而將徑向基函數(shù)（radial basis function，RBF）應(yīng)用于神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[9]，即RBF神經(jīng)網(wǎng)絡(luò)，屬于前饋型神經(jīng)網(wǎng)絡(luò)，它能夠以任意精度逼近任意連續(xù)函數(shù)，比較適合于解決分類問(wèn)題。并且遷移學(xué)習(xí)的引入，更加放寬了對(duì)數(shù)據(jù)分布的要求，使得適用場(chǎng)景更為廣泛。本文具體選用的是直推式遷移學(xué)習(xí)。

2.1 徑向基神經(jīng)網(wǎng)絡(luò)

RBFNN是一個(gè)三層的神經(jīng)網(wǎng)絡(luò)，它的神經(jīng)元結(jié)構(gòu)如圖1所示[10]。第一層是輸入層，由一些源節(jié)點(diǎn)（即感知節(jié)點(diǎn)）組成，它們的作用是將網(wǎng)絡(luò)與外界環(huán)境連接起來(lái)；第二層是隱層，由隱單元組成，它的作用是從輸入空間到隱含特征空間之間進(jìn)行非線性變換；第三層是輸出層，它是為提供網(wǎng)絡(luò)的響應(yīng)而專門設(shè)計(jì)的，該響應(yīng)提供給應(yīng)用于輸入層的激活模式，從隱含層空間到輸出層空間的變換是線性的[9]。

Fig.1 Basic structure for RBFNN圖1 徑向基神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

這里，x∈Rd為輸入向量；wj表示隱含層到輸出層的連接權(quán)值；cj∈Rd,j=1,2,…,M為隱含層的第j個(gè)節(jié)點(diǎn)的中心；‖?‖表示歐幾里得范數(shù)；Φ表示徑向基函數(shù)，在徑向基神經(jīng)網(wǎng)絡(luò)中常用的徑向基函數(shù)是高斯函數(shù)（Gaussian），因?yàn)楦咚购瘮?shù)具有表示形式簡(jiǎn)單，光滑性好以及解析性好等優(yōu)點(diǎn)[11]，便于理論性分析，表示形式為：

圖1中，輸入層包含n個(gè)單元，隱含層m個(gè)隱單元，輸出層包含一個(gè)輸出層單元。徑向基函數(shù)的定義如下：

其中δj為寬度值。

隱含層空間到輸出空間的映射是線性的，即網(wǎng)絡(luò)的輸出是隱單元輸出的線性加權(quán)和。此處的權(quán)值wj為可調(diào)參數(shù)。由此可見(jiàn)，從總體上看，網(wǎng)絡(luò)由輸入到輸出的映射是非線性的，而網(wǎng)絡(luò)輸出對(duì)可調(diào)參數(shù)而言卻又是線性的。這樣網(wǎng)絡(luò)的權(quán)值就可由線性方程直接解出，從而大大加快學(xué)習(xí)速度并避免局部極小問(wèn)題[12]。

徑向基神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于能夠逼近任意的非線性函數(shù)，可以處理系統(tǒng)內(nèi)難以解析的規(guī)律性，具有良好的泛化能力，并有很快的學(xué)習(xí)收斂速度，已成功應(yīng)用于非線性函數(shù)逼近、數(shù)據(jù)分類、模式識(shí)別、圖像處理等方面[13]。它需要調(diào)節(jié)的參數(shù)只有3個(gè)，即隱含層中心點(diǎn)cj、寬度值δj和連接權(quán)值wj，學(xué)習(xí)過(guò)程也較為簡(jiǎn)單。

徑向基神經(jīng)網(wǎng)絡(luò)也是前饋神經(jīng)網(wǎng)絡(luò)的一種，數(shù)據(jù)x從輸入到輸出經(jīng)過(guò)了某種映射Φ，最后得到一個(gè)輸出y，這種映射關(guān)系可以簡(jiǎn)化為：

這里，pg即式（1）中的連接權(quán)值wj表示的向量；xg表示輸入向量x經(jīng)過(guò)映射函數(shù)Φ映射過(guò)后的值。

2.2 直推式遷移學(xué)習(xí)

近年來(lái)，遷移學(xué)習(xí)引起了廣泛的關(guān)注和研究，它是運(yùn)用已有的知識(shí)對(duì)不同但相關(guān)的領(lǐng)域問(wèn)題進(jìn)行求解的一種新的機(jī)器學(xué)習(xí)方法。它旨在從一個(gè)或多個(gè)源任務(wù)中提取知識(shí)，并將這些知識(shí)運(yùn)用到目標(biāo)任務(wù)中[14]。根據(jù)源領(lǐng)域和目標(biāo)領(lǐng)域樣本有無(wú)標(biāo)簽以及任務(wù)是否相同，可以將遷移學(xué)習(xí)分為歸納式遷移學(xué)習(xí)、直推式遷移學(xué)習(xí)和無(wú)監(jiān)督遷移學(xué)習(xí)等。直推式遷移學(xué)習(xí)（transductive transfer learning）最早是由Vapnik提出的[15]，它的源領(lǐng)域中有一定量的標(biāo)注信息，而目標(biāo)域中只有非常少甚至沒(méi)有標(biāo)注信息。它的適用情況為：源領(lǐng)域和目標(biāo)領(lǐng)域不一致但相關(guān)，源任務(wù)與目標(biāo)任務(wù)相同[15]。

3 基于徑向基神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)方法

本文引入直推式遷移學(xué)習(xí)探討直推式遷移學(xué)習(xí)徑向基神經(jīng)網(wǎng)絡(luò)的構(gòu)建。具體地，基于2.1節(jié)徑向基神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法，引入直推式遷移學(xué)習(xí)策略，提出直推式遷移學(xué)習(xí)徑向基神經(jīng)網(wǎng)絡(luò)訓(xùn)練新的優(yōu)化目標(biāo)函數(shù)，從而得到具體的直推式遷移學(xué)習(xí)徑向基神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。

3.1 最大均值距離和投影最大均值距離

最大均值距離和投影最大均值距離在直推式遷移學(xué)習(xí)中顯示出了獨(dú)特的有效性[6]。對(duì)于來(lái)自不同分布的數(shù)據(jù)集 Ds={x1,x2,…,xN}和 Dt={z1,z2,…,zM}，兩個(gè)分布之間的距離度量可表示為如下的最大均值距離（maximum mean distance，MMD）：

這里，φ(xj)是一個(gè)映射函數(shù)。根據(jù)式（1），將訓(xùn)練域X和測(cè)試域Z的輸入數(shù)據(jù)Ds={x1,x2,…,xN}和Dt={z1, z2,…,zM}映射到如下的特征空間。

這里xgi和zgi由式（2）獲得，表示原始空間數(shù)據(jù)在徑向基神經(jīng)網(wǎng)絡(luò)映射后的空間對(duì)應(yīng)的數(shù)據(jù)。進(jìn)一步地，給定投影向量Pg，則Pg映射下的投影最大均值距離（projected maximum mean distance，PMMD）可表示為：

在遷移學(xué)習(xí)算法中，上述度量通常用來(lái)估計(jì)兩個(gè)不同分布的差異。例如，在經(jīng)典的最大化間隔投影遷移學(xué)習(xí)方法中，投影最大化均值度量用于實(shí)現(xiàn)核方法的遷移學(xué)習(xí)[14]。

根據(jù)徑向基神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，本文定義如下的投影均值距離來(lái)度量不同分布的差異，即徑向基神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的不同分布的差異表示為：

基于徑向基神經(jīng)網(wǎng)絡(luò)投影最大均值距離，本文將其用來(lái)實(shí)現(xiàn)該空間的分布差異的度量，從而進(jìn)一步實(shí)現(xiàn)相應(yīng)的遷移學(xué)習(xí)。

3.2 直推式遷移學(xué)習(xí)徑向基神經(jīng)網(wǎng)絡(luò)的優(yōu)化目標(biāo)和參數(shù)學(xué)習(xí)

3.3 直推式遷移學(xué)習(xí)徑向基神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

基于上文提出的直推式遷移學(xué)習(xí)徑向基神經(jīng)網(wǎng)絡(luò)的原理和優(yōu)化過(guò)程，下面給出詳細(xì)的算法描述。

算法1直推式遷移學(xué)習(xí)徑向基神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)算法

階段1數(shù)據(jù)處理階段。

設(shè)置神經(jīng)網(wǎng)絡(luò)層數(shù)M和正則參數(shù)τ；利用模糊C均值聚類法求得中心點(diǎn)cj，寬度值δj；針對(duì)高斯核函數(shù)來(lái)構(gòu)造新特征空間的數(shù)據(jù)集D?s={x1,x2,…,xN}和D?t={z1,z2,…,zM}。

階段2遷移學(xué)習(xí)階段。

設(shè)置遷移學(xué)習(xí)參數(shù)λ，利用交叉驗(yàn)證法得到當(dāng)前遷移學(xué)習(xí)系統(tǒng)的測(cè)試數(shù)據(jù)集；

分別利用式（13）與（14）計(jì)算出β，利用式（9）計(jì)算得到pg。

階段3徑向基神經(jīng)網(wǎng)絡(luò)模型生成階段。

根據(jù)學(xué)習(xí)得到的xg和pg得到最終模型，算法終止。

4 實(shí)驗(yàn)研究

為了評(píng)價(jià)本文算法的性能，在EEG信號(hào)識(shí)別中進(jìn)行了大量的實(shí)驗(yàn)，本文將從兩個(gè)方面進(jìn)行實(shí)驗(yàn)比較：（1）本文方法與經(jīng)典的支持向量機(jī)（support vector machine，SVM）[16]、TSK模糊系統(tǒng)[17]、徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行性能比較；（2）本文方法與相關(guān)的具有遷移能力的回歸方法：遷移支持向量機(jī)（TSVM）、大間隔直推式遷移學(xué)習(xí)（LMPROJ）以及文獻(xiàn)[15]中基于圖論的兩個(gè)協(xié)同正則化遷移算法，進(jìn)行性能比較。

4.1 數(shù)據(jù)集

本文采用的EEG數(shù)據(jù)來(lái)源于德國(guó)波恩大學(xué)，EEG信號(hào)測(cè)量方式及其完整說(shuō)明參見(jiàn)文獻(xiàn)[16-17（]http: //epileptologie-bonn.de/cms/front_content.php?idcat=193 &lang=3&changelang=3）。EEG信號(hào)數(shù)據(jù)集里有5組數(shù)據(jù)（分別命名為A到E組），每組數(shù)據(jù)包含100個(gè)樣本。A組和B組信號(hào)是5個(gè)健康志愿者的EEG信號(hào)，數(shù)組A是志愿者保持睜眼狀態(tài)下所測(cè)得的信號(hào)；數(shù)組B則是閉眼時(shí)的信號(hào)。C～E組則是癲癇病患者測(cè)量得到的EEG信號(hào)，C組是在其發(fā)作間歇期測(cè)得大腦的海馬結(jié)構(gòu)處的EEG信號(hào)；數(shù)組D則是發(fā)病間歇期的大腦致癇區(qū)內(nèi)的EEG信號(hào)；E組是癲癇患者發(fā)作期間內(nèi)測(cè)得的信號(hào)[18-19]。表1給出了5組數(shù)據(jù)的具體描述。

Table 1 Description of datasets表1 數(shù)據(jù)集描述

4.2 實(shí)驗(yàn)設(shè)置

本文構(gòu)造了4組訓(xùn)練和測(cè)試數(shù)據(jù)分布具有一定差異性的實(shí)驗(yàn)集和兩組分布無(wú)差異的實(shí)驗(yàn)集，這6組實(shí)驗(yàn)數(shù)據(jù)集的訓(xùn)練集和測(cè)試集分別由伯恩大學(xué)的5組EEG信號(hào)數(shù)據(jù)中抽取的部分?jǐn)?shù)據(jù)構(gòu)成。數(shù)據(jù)集1、2的訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集來(lái)源于相同的分布，但是抽取的樣本不同。實(shí)驗(yàn)數(shù)據(jù)集3～6的訓(xùn)練集和測(cè)試集則具有不同的分布。另外每個(gè)實(shí)驗(yàn)數(shù)據(jù)集的訓(xùn)練和測(cè)試數(shù)據(jù)集均不含相同樣本，互相獨(dú)立。具體設(shè)置如表2所示。本文實(shí)驗(yàn)中設(shè)計(jì)多個(gè)對(duì)比算法，所有參數(shù)設(shè)置見(jiàn)表3。

Table 2 Structure of experimental datasets表2 實(shí)驗(yàn)數(shù)據(jù)集的構(gòu)成

Table 3 Parameter settings表3 參數(shù)的設(shè)置

4.3 實(shí)驗(yàn)結(jié)果與分析

本文方法與經(jīng)典非遷移智能算法以及遷移學(xué)習(xí)方法的比較結(jié)果如表4所示。從表4中可以看出：

Table 4 Results of experiments表4 實(shí)驗(yàn)結(jié)果

（1）在訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集分布相同的情況下，非遷移學(xué)習(xí)方法和遷移學(xué)習(xí)方法的效果相差不多，而對(duì)于分布具有一定差異性的實(shí)驗(yàn)數(shù)據(jù)集3～6，非遷移學(xué)習(xí)方法的檢測(cè)效果之間差別較大，遷移學(xué)習(xí)方法在總體上要優(yōu)于非遷移學(xué)習(xí)方法。

（2）在訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集分布具有一定差異的情況下，基于RBFNN構(gòu)建的分類器識(shí)別精度相較于其他非遷移方法有顯著的提高，傳統(tǒng)非遷移方法的分類效果較差，而具有遷移學(xué)習(xí)能力的基于RBFNN構(gòu)建的分類器效果較好，分類精度都達(dá)到了90%以上。

（3）基于RBFNN構(gòu)建的分類器識(shí)別精度相較于其他遷移方法沒(méi)有顯著變化，只是略有波動(dòng)。由于RBFNN需要調(diào)節(jié)的參數(shù)少，比較容易使用，穩(wěn)定性和容錯(cuò)性也要強(qiáng)于LMPROJ等遷移學(xué)習(xí)算法。

綜上所述，本文提出的基于RBFNN構(gòu)建的具有遷移學(xué)習(xí)能力的智能模型在分類精度上，要優(yōu)越于傳統(tǒng)的非遷移學(xué)習(xí)方法，在多類分類上顯示出一定的通用性。并且RBFNN智能模型易學(xué)習(xí)和訓(xùn)練，穩(wěn)定性高，相比其他智能算法顯示出一定的優(yōu)越性。

5 結(jié)束語(yǔ)

本文針對(duì)癲癇檢測(cè)中的EEG信號(hào)進(jìn)行分析，在所用的訓(xùn)練集和測(cè)試集分布不同的情況下，利用RBFNN模型強(qiáng)大的非線性分類能力，并且引入遷移學(xué)習(xí)方法來(lái)應(yīng)對(duì)分布不同帶來(lái)的差異性，給出了具體的基于遷移學(xué)習(xí)理論的徑向基神經(jīng)網(wǎng)絡(luò)EEG信號(hào)識(shí)別的工作框架。具體地，選用了直推式的遷移學(xué)習(xí)分類方法，更符合本文的數(shù)據(jù)要求。然而遷移分類效果的好壞也與TRBFNN算法中參數(shù)的選擇有關(guān)，參數(shù)選擇的好壞將直接影響到最后的檢測(cè)精度。因此，本文利用五倍交叉驗(yàn)證來(lái)尋找最佳參數(shù)，以期達(dá)到最好的分類效果。

雖然本文算法顯示出了獨(dú)特的優(yōu)勢(shì)，但是依然有一些問(wèn)題需要進(jìn)一步研究。例如，目前RBFNN屬于前饋神經(jīng)網(wǎng)絡(luò)的一種，人工神經(jīng)網(wǎng)絡(luò)由于拓?fù)浣Y(jié)構(gòu)的不同有許多分類，如何提出更加具有普適性的算法，值得進(jìn)一步深入研究。

[1]Jiang Yizhang,Deng Zhaohong,Wang Shitong,et al.0-order-L2-norm-Takagi-Sugeno-Kang type transfer learning[J].Acta Electronic Sinica,2013,41(5):897-904.

[2]Huang G B,Saratchandran P,Sundararajan N.A generalized growing and pruning RBF(GGAP-RBF)neural network for function approximation[J].IEEE Transactions on Neural Networks,2005,16(1):57-67.

[3]Goker I,Osman I,Ozekes S,et al.Classification of Juvenile myoclonic epilepsy data acquired through scanning electromyography with machine learning algorithms[J].Journal of Medical Systems,2012,36(5):2705-2711.

[4]Quinlan J R.C4.5:programs for machine learning[M].San Mateo,USA:Morgan Kaufmann,1993.

[5]Peterson L.K-nearest neighbor[J].Scholarpedia,2009,4 (2):1883.

[6]Yang Changjian,Deng Zhaohong,Jiang Yizhang,et al. Adaptive recognition of epileptic EEG signals based on 0-order TSK type transfer fuzzy system[J].Application Research of Computers,2015,32(8):2276-2280.

[7]Bruhn J,R?pcke H,Rehberg B,et al.Electroencephalogram approximate entropy correctly classifies the occurrence of burst suppression pattern as increasing anesthetic drug effect[J].Anesthesiology,2000,93(4):981-985.

[8]Pan S J,Yang Q.A survey on transfer learning[J].IEEE Transactions on Knowledge&Data Engineering,2010,22 (10):1345-1359.

[9]Debener S,Ullsperger M,Siegel M,et al.Trial-by-trial coupling of concurrent electroencephalogram and functional magnetic resonance imaging identifies the dynamics of performance monitoring[J].The Journal of Neuroscience,2005, 25(50):11730-11737.

[10]Lockley S W,Evans E E,Scheer F,et al.Short-wavelength sensitivity for the direct effects of light on alertness,vigilance,and the waking electroencephalogram in humans[J]. Sleep,2006,29(2):161-168.

[11]Zhang Yun,Zhou Quan,Sun Caixin,et al.RBF neural network and ANFIS-based short-term load forecasting approach in real-time price environment[J].IEEE Transactions on Power Systems,2008,23(3):853-858.

[12]Li Yahui,Qiang Sheng,Zhuang Xianyi,et al.Robust and adaptive backstepping control for nonlinear systems using RBF neural networks[J].IEEE Transactions on Neural Networks,2004,15(3):693-701.

[13]Lin C L,Wang J F,Chen C Y,et al.Improving the generalization performance of RBF neural networks using a linear regression technique[J].Expert Systems with Applications, 2009,36(10):12049-12053.

[14]Yang Changjian,Deng Zhaohong,Jiang Yizhang,et al. Adaptive recognition of epileptic EEG signals based on transfer learning[J].Journal of Frontiers of Computer Science and Technology,2014,8(3):329-337.

[15]Ren Chuanxian,Dai Daoqing,Huang Kekun,et al.Transfer learning of structured representation for face recognition[J].IEEE Transactions on Image Processing,2014,23(12):5440-5454.

[16]Shalev-Shwartz S,Singer Y,Srebro N,et al.Pegasos:primal estimated sub-gradient solver for SVM[J].Mathematical Programming,2011,127(1):3-30.

[17]Almaraashi M,John R,Coupland S,et al.Time series forecasting using a TSK fuzzy system tuned with simulated annealing[C]//Proceedings of the 2010 IEEE International Conference on Fuzzy Systems,Barcelona,Jul 18-23,2010. Piscataway,USA:IEEE,2010.

[18]Polat K,Günes S,Classification of epileptic form EEG using a hybrid system based on decision tree classifier and fast Fourier transform[J].Applied Mathematics and Computation,2007,187:1017-1026.

[19]Tanaka K,Matsunaga K,Wang H O.Electroencephalogrambased control of an electric wheelchair[J].IEEE Transactions on Robotics,2005,21(4):762-766.

附中文參考文獻(xiàn)：

[1]蔣亦樟,鄧趙紅,王士同.0階L2型TSK遷移學(xué)習(xí)模糊系統(tǒng)[J].電子學(xué)報(bào),2013,41(5):897-904.

[6]楊昌健,鄧趙紅,蔣亦樟,等.基于0階TSK型遷移模糊系統(tǒng)的EEG信號(hào)自適應(yīng)識(shí)別[J].計(jì)算機(jī)應(yīng)用研究,2015,32 (8):2276-2280.

[14]楊昌健,鄧趙紅,蔣亦樟,等.基于遷移學(xué)習(xí)的癲癇EEG信號(hào)自適應(yīng)識(shí)別[J].計(jì)算機(jī)科學(xué)與探索,2014,8(3):329-337.

XIE Lixiao was born in 1992.She is an M.S.candidate at School of Digital Media,Jiangnan University.Her research interests include intelligent modeling methods and their applications.

謝麗瀟（1992—），女，江蘇溧陽(yáng)人，江南大學(xué)數(shù)字媒體學(xué)院碩士研究生，主要研究領(lǐng)域?yàn)橹悄芙＜捌鋺?yīng)用。

DENG Zhaohong was born in 1982.He is an associate professor at School of Digital Media,Jiangnan University. His research interests include fuzzy modeling and intelligent computation.

鄧趙紅（1982—），男，安徽蒙城人，江南大學(xué)數(shù)字媒體學(xué)院副教授，主要研究領(lǐng)域?yàn)槟：?，智能?jì)算。

SHI Yingzhong was born in 1970.He is a Ph.D.candidate at School of Digital Media,Jiangnan University.His research interests include intelligent modeling methods and their applications.

史熒中（1970—），男，江南大學(xué)數(shù)字媒體學(xué)院博士研究生，主要研究領(lǐng)域?yàn)橹悄芙＜捌鋺?yīng)用。

WANG Shitong was born in 1964.He is a professor at School of Digital Media,Jiangnan University.His research interests include artificial intelligence,pattern recognition and bioinformatics.

王士同（1964—），男，江蘇揚(yáng)州人，江南大學(xué)數(shù)字媒體學(xué)院教授，主要研究領(lǐng)域?yàn)槿斯ぶ悄?，模式識(shí)別，生物信息。

Transfer Radial Basis Function Neural Network for Adaptive Recognition of Epileptic EEG Signals*

XIE Lixiao,DENG Zhaohong+,SHI Yingzhong,WANG Shitong
School of Digital Media,Jiangnan University,Wuxi,Jiangsu 214122,China
+Corresponding author:E-mail:dengzhaohong@jiangnan.edu.cn

In epileptic electroencephalogram(EEG)signal recognition,traditional intelligent modeling method requires that the training data set and test data sets are subject to the same distribution.But in practical applications,some cases cannot meet this condition,which results in a sharp degeneration in the performance of traditional methods.In order to overcome the above challenge,by the introduction of transfer learning strategies,this paper proposes a transductive radial basis function neural network(TRBFNN)in order to cater for the migration environment of data distribution. The experimental results in epileptic EEG signals recognition show that the proposed TRBFNN has better adaptability for migration scenarios of data distribution and the recognition performance will not be sharp deterioration when there are differences between the distributions of the training data and test data.

electroencephalogram(EEG);radial basis function neural network;transductive transfer learning

10.3778/j.issn.1673-9418.1601059

A

TP391

*The National Natural Science Foundation of China under Grant No.61170122(國(guó)家自然科學(xué)基金面上項(xiàng)目);the Outstanding Youth Foundation of Jiangsu Province under Grant No.BK20140001(江蘇省杰出青年基金項(xiàng)目);the New Century Excellent Talent Foundation from Ministry of Education of China under Grant No.NCET-120882(新世紀(jì)優(yōu)秀人才支持計(jì)劃項(xiàng)目).

Received 2016-01,Accepted 2016-04.

CNKI網(wǎng)絡(luò)優(yōu)先出版:2016-04-19,http://www.cnki.net/kcms/detail/11.5602.TP.20160419.1144.012.html

摘 要：在癲癇腦電圖（electroencephalogram，EEG）信號(hào)識(shí)別中，傳統(tǒng)的智能建模方法要求訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集均服從相同的分布。但在實(shí)際應(yīng)用中，某些情況并不能滿足此條件，進(jìn)而導(dǎo)致傳統(tǒng)方法性能急劇下降。針對(duì)上述情況，引入遷移學(xué)習(xí)策略，提出了適用于數(shù)據(jù)分布遷移環(huán)境的直推式徑向基神經(jīng)網(wǎng)絡(luò)（transductive radial basis function neural network，TRBFNN）。該方法在癲癇EEG信號(hào)識(shí)別中的實(shí)驗(yàn)結(jié)果表明：直推式徑向基神經(jīng)網(wǎng)絡(luò)具有較好的場(chǎng)景遷移適應(yīng)性，對(duì)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)存在差異時(shí)，識(shí)別性能不會(huì)出現(xiàn)急劇惡化的現(xiàn)象。