专利汇可以提供一种基于时空特征加权卷积神经网络的脑电信号识别方法专利检索,专利查询,专利分析的服务。并且本 发明 请求 保护一种基于 时空 特征加权 卷积神经网络 的脑电 信号 识别方法。包括步骤:先使用离散 小波变换 对运动想象脑 电信号 进行去噪。接着设计了一种时空特征加权卷积神经网络对处理后的脑电信号进行特征提取。第一层的卷积操作在运动想象脑电信号的时间尺度上进行,第二层的卷积操作在通道尺度上进行,这样提取的特征包含了运动想象脑电信号的时空特性;由于提取到的每个特征的重要程度不一样,所以在网络中加入了特征加权的模 块 ,以使得重要的特征突出化,不重要的特征弱化。由该模型提取到的特征能够更加有效地反映各类运动想象脑电信号的特性,能够提高运动想象脑电信号的识别准确率。,下面是一种基于时空特征加权卷积神经网络的脑电信号识别方法专利的具体信息内容。
1.一种基于时空特征加权卷积神经网络的脑电信号识别方法,其特征在于,包括以下步骤:
步骤1:收集脑电信号数据集,人工标记类别,并将数据集分为训练集和测试集;
步骤2:获取脑电信号并对脑电信号进行去均值和归一化在内的预处理操作;
步骤3:对预处理后的脑电信号使用离散小波变换进行去噪;
步骤4:构建时空特征加权卷积神经网络,对卷积神经网络的结构进行了改进,使用了一种时空特征提取模块来提取脑电信号中的时空特征,即:先只在时间尺度进行卷积操作提取特征,接着再在通道尺度进行卷积操作提取特征。并加入了特征加权模块,以使重要特征突出,不重要特征弱化;
步骤5:使用训练集脑电数据训练时空特征加权卷积神经网络;
步骤6:使用测试集脑电数据测试时空特征加权卷积神经网络的性能。
2.根据权利要求1所述的基于时空特征加权卷积神经网络的脑电信号识别方法,其特征在于,所述步骤1具体包括:采用Emotiv脑电采集仪收集左手运动想象脑电信号和右手运动想象脑电信号,采样的频率是128Hz。接着按照4:1的比例将数据集分为训练集和测试集,其中训练集用来训练运动想象脑电信号分类的模型,测试集用来测试模型分类的效果。
3.根据权利要求2所述的基于时空特征加权卷积神经网络的脑电信号识别方法,其特征在于,所述步骤2预处理步骤包括:
去均值:首先只保留处于运动感知部位的F3、F4、FC5、FC6、T7、T8通道的脑电信号,并且去除掉明显的异常值,接着从每个样本中减去平均振幅,形成零均值信号;
归一化:并且将每个脑电数据都归一化到[0,1]之间,最后把脑电信号构建成6×128的格式。
4.根据权利要求3所述的基于时空特征加权卷积神经网络的脑电信号识别方法,其特征在于,所述步骤3使用离散小波变换去除脑电信号中的噪音干扰,选用Daubechies小波基函数对脑电信号进行分解,通过分解后脑电信号可表示为:
S=CAj+CDj+…+CD2+CD1
其中CAj为信号的低频部分,CDj为信号的高频部分,接着从得到的各分量中选择主要包含与运动想象脑电信号相关的8-30Hz的分量,最后利用选出的分量重构脑电信号,从而达到滤除无用信息的目的。
5.根据权利要求4所述的基于时空特征加权卷积神经网络的脑电信号识别方法,其特征在于,所述步骤4构建时空特征加权卷积神经网络,对卷积神经网络的结构进行了改进,使用了一种时空特征提取模块来提取脑电信号中的时空特征,即:先只在时间尺度进行卷积操作提取特征,接着再在通道尺度进行卷积操作提取特征。并加入了特征加权模块,以使重要特征突出,不重要特征弱化;具体为:
依次包括第一卷积层、第二卷积层、第一池化层,第三卷积层,通过全局平均池化和两个全连接层实现的特征加权模块,第二池化层,第三全连接层,最后softmax;第一卷积层采用1×15大小的卷积核,padding方式是SAME,以获得16张特征图,该卷积操作只在脑电信号的时间尺度上进行卷积,卷积操作的公式为:
式中: 表示第d个卷积层中的第j个特征图, 为第d层的第j个特征与第d-1层的第i个特征的连接权值,*表示卷积运算,Mj是输入特征的集合,b为偏置值,f(·)为激活函数;
第二卷积层采用6×1大小的卷积核,padding方式是VALLD,以获得16张特征图,该卷积操作只在脑电信号的通道尺度上进行卷积;第一卷积层、第二卷积层采用的激活函数都是Leaky ReLU激活函数,其公式为:
其中,ai是(1,+∞)区间内的固定参数;最后将得到的特征图经过了一个最大池化操作,减少特征图的信息;以上的两个卷积操作分别在时间尺度和通道尺度上进行了卷积操作,所以称为时空特征提取模块;
接着,第三卷积层通过1×10的卷积核,得到32张特征图,并在之后连接了对特征图通道加权的模块;具体操作为:先采用全局平均池化对每一张特征图进行挤压操作,接着使用两个全连接层来构建通道间的相关性,并把得到的各个通道的之间的权重加权到每个通道的特征上。然后在其后连接了一个最大池化层,以减少网络的参数。在第一全连接层采用的激活函数是Leaky ReLU,第二全连接层的激活函数是Sigmoid。通过这样的操作过后,使得网络能够自动地学习到各个特征图的重要性,并为其分配一定的权重,使得重要的特征图突出,不重要的特征图弱化;
接着再连接了第三全连接层,把特征图转换为一个一维的向量,并且输入到Softmax分类器中进行分类。
6.根据权利要求5所述的基于时空特征加权卷积神经网络的脑电信号识别方法,其特征在于,所述步骤5使用训练集脑电数据训练时空特征加权卷积神经网络,具体为:把训练集数据输入时空特征加权卷积神经网络中,网络会自动地学习提取到有效的特征的参数,并且把参数保存下来,以便于后续的使用,采用的训练算法是随机梯度下降算法,,采用的loss函数是交叉熵函数,其公式为:
式中,p表示期望值,q表示预测值。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
基于最优测量矩阵的半张量图像压缩方法和图像恢复方法 | 2020-05-16 | 188 |
基于脉冲极性特征分布谱图的直流电弧故障检测及定位方法 | 2020-05-08 | 771 |
用于铝电解槽过程控制的低频槽噪声监测方法及设备 | 2020-05-14 | 556 |
一种音频水印的嵌入方法和提取方法 | 2020-05-11 | 913 |
一种穿戴式脊柱侧弯呼吸监测及矫正装置与方法 | 2020-05-12 | 341 |
一种有意义密文的图像加密方法 | 2020-05-13 | 268 |
一种基于一维卷积神经网络的老年人日常活动监测方法 | 2020-05-13 | 826 |
一种微电网孤岛及故障检测方法、装置及存储介质 | 2020-05-15 | 209 |
一种基于高频信号特征幅值的轴承故障预警方法 | 2020-05-12 | 983 |
基于视频的多目标连续行为分析方法、系统、装置 | 2020-05-08 | 476 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。