[发明专利]构建CNN-GB模型的方法及系统、数据特征分类方法

权利要求书

1.构建CNN-GB模型的方法，其特征在于包括如下步骤：

S100、采集脑电数据，并对脑电数据进行预处理；

S200、基于Caffe深度学习框架构建CNN网络模型，CNN网络模型包括但不限于卷积层、池化层、全连接层和损失层；

S300、选取一部分脑电数据作为训练集，通过训练集训练CNN网络模型并更新CNN网络模型的网络参数，得到训练后的CNN网络模型，并输出脑电数据的特征；

S400、通过脑电数据的特征训练GB网络模型并更新GB网络模型的网络参数，得到训练后的GB网络模型；

上述训练后的CNN网络模型用于对脑电数据进行特征提取，上述训练后的GB网模型用于对提取的特征进行分类。

2.根据权利要求1所述的构建CNN-GB模型的方法，其特征在于步骤S100中，采集脑电数据包括如下分步骤：

基于国际BCI Competition III竞赛数据库中的Dataset I，通过脑电信号采集设备按照预设的采用频率进行数据采样，并将采集到的脑电数据依据以试验次数×信道数目×采样数目的规格进行存储，所述脑电数据为多信道脑电数据。

3.根据权利要求1所述的构建CNN-GB模型的方法，其特征在于步骤S100中对脑电数据进行预处理包括如下步骤：

对脑电数据进行滤波处理，用于滤除带外噪声干扰；

或者，对脑电数据进行降采样处理，用于在不丢失脑电数据的特征信息的条件下，去除噪声和伪迹干扰；

或者，对脑电数据进行滤波处理，用于滤除带外噪声干扰，并对脑电数据进行降采样处理，用于在不丢失脑电数据的特征信息的条件下，去除噪声和伪迹干扰。

4.根据权利要求1、2或3所述的构建CNN-GB模型的方法，其特征在于步骤S200中，卷积层的激活函数设置为Relu函数，池化层设置为最大值池化方式，上述卷积层、池化层和全连接层相互堆叠用于对脑电数据进行特征提取。

5.根据权利要求4所述的构建CNN-GB模型的方法，其特征在于步骤S300将脑电数据作为训练集输入构建的CNN网络模型，通过误差反向传播和随机梯度下降方法更新CNN网络模型的网络参数，包括如下分步骤：

S310、通过卷积层、池化层和全连接层对脑电数据进行特征提取，并输出训练集的标签；

S320、通过损失层将输出的训练集的标签与正确的训练集的标签进行对比生成网络误差，利用误差反向传播更新CNN网络模型的网络参数；

S330、利用随机梯度下降法计算CNN网络模型的最小损失函数，通过最小化误差值，优化CNN网络模型的网络参数。

6.根据权利要求5所述的构建CNN-GB模型的方法，其特征在于步骤S310包括如下分步骤：

S311、通过卷积层对脑电数据进行卷积处理，得到脑电数据的特征；

S312、通过池化层按照最大池化的方式对获得的脑电数据的特征进行池化操作；

S313、通过全连接层将池化后的脑电数据的特征表征为一个长向量特征。