[发明专利]一种密集深度卷积神经网络的脑电信号快速识别方法

权利要求书

1.一种密集深度卷积神经网络的运动想象脑电信号快速识别方法，其特征在于包括：

A)把运动想象脑电信号输入密集连接型深度卷积神经网络，其中所述密集连接型深度卷积神经网络包括：

作为第一层的输入层，其输入数据为22个通道990个采样点的990×22数据，

作为第二层的时间卷积层，其对数据进行时间维度的卷积操作，卷积核大小为11×1，产生25个特征图，

作为第三层的空间卷积层，其卷积核大小为22×1，用于通过Relu激活函数后，得到25个特征图，

作为第四层的第一池化层，池化范围是3×1，池化方式采用最大池化，步长为3，

第一池化层之后的特征连接层的输出进入第二池化层，

第二池化层，

第二池化层之后的全连接层，

全连接层之后的线性分类层，数据标签有四个类别，全连接后有四个输出单元，输出结果为输入数据属于各个类别的概率值，

其中：

时间卷积层每次输入一个批次的样本，用大小为11×1，步长为1并且随机初始化的25个卷积核对输入图像进行卷积，得到25个特征图，该层没有偏置和激活函数，公式如下：

其中，为第l层的第j个特征图，M_j为输入的特征图集合，是输入的第i种特征图和输出的第j种特征图之间的连接所用的卷积核，

空间卷积层的输入为时间卷积层的输出，卷积核大小为22×1，输入和输出特征图个数均为25，该层有激活函数，无偏置项，公式如下：

其中为第l层的第j个特征图，M_j为输入的特征图集合，为本层选用的卷积核，f为激活函数Relu函数，即f(x)＝max(0,x)，

第一池化层的输入为25个特征图，池化不改变特征图个数，得到25个输出特征图，公式如下：

其中，为第l-1层的第j个特征图，为第l层偏置，f是池化层的激活函数，这里无激活函数，所以f＝f(x)，其中down(·)表示一个下采样函数，这里是将相邻3个像素值取最大一个，所以下采样函数为max(·)，

特征连接层包括两个卷积层，其中：第一个卷积层的输入为第一池化层池化后的25个特征图，采用1×1大小的卷积核和步长1进行卷积，产生200个特征图，再通过relu函数激活进入第二个卷积层；第二个卷积层的卷积核大小为11×1，步长为1，其输入为第一个卷积层输出的200个特征图，其输出为50个特征图，第二个卷积的50个输出特征图经relu激活后和第一个卷积输入的25个特征图相连接作为新的输出特征图，公式如下：

x_l＝H_l([x₀,x₁]) (5)

其中H_l(·)表示拼接操作，x₀为第一个卷积的输入，x₁为第二个卷积的输出，

第二池化层的输入为上述拼接后的所述新的输出特征图，池化大小为3×1，步长为3，

全连接层其将第二池化层输出的特征图展开并全连接，转化为一维数据，

线性分类层通过sigmoid激活函数输出输入数据属于各个类别的概率值，

B)计算和传播各层的误差，包括：

①对于最后的输出层直接算出网络的各层产生的激活值与实际值之间的误差，公式如下：

其中第n_l层表示输出层，表示输出层的未经过激活函数的权重，h_w,b(x)表示输出结果，y表示标准输出，表示输出层的第i个输出，表示求导，

②对于l＝n₁-1,n₁-2,n₁-3,…,2各层误差，通用公式为：

其中w^l+1为第l+1层的权重，δ^l+1为第l+1层计算的误差，符号·表示每个元素相乘，f′(u^l)表示对该层的输出u^l求导，

当第l层为卷积层时，该层的下层为池化层，池化层的一个像素对应卷积层的输出图的一块像素(3×1)，则为了消除大小不匹配现象，将池化层进行上采样，公式为：

其中up(·)表示上采样操作，表示第l+1层权重，δ^(l+1)为第l+1层计算的误差，

当第l层为下采样层时，第l+1层为卷积层，则误差公式为：

其中conv2为卷积实现函数，rot180表示将卷积核翻转180度，

C)更新权重参数，使用公式为：

其中表示旧的权值，为新的权值，η是学习率，表示旧的偏置，为新的偏置，

其中：

①对于卷积层，权重更新公式为：

其中是在做卷积时，与k_ij做卷积的每一个patch，(u,v)是patch中心，输出特征图中(u,v)位置的值是由输入特征图中(u,v)位置的patch和卷积核k_ij卷积所得的值,

②对于池化层，权重更新公式为：

其中