[发明专利]构建CNN-GB模型的方法及系统、数据特征分类方法

说明书

本发明公开了构建CNN‑GB模型的方法及系统、数据特征分类方法，属于人工智能BCI技术领域，解决的问题是如何结合CNN模型和GB算法对脑电信号进行特征提取与分类识别，得到效能高的最优特征集，使其分类精确度高。其方法包括采集脑电数据；基于Caffe深度学习框架构建CNN网络模型；训练CNN网络模型；训练GB网络模型。其系统包括脑电数据采集模块、CNN网络配置模块和GB网络配置模块。其分类方法包括采集脑电数据；获得训练后的CNN网络模型和训练后的GB网络模型；由训练后的CNN网络模型对脑电数据进行特征提取，由训练后的GB网络模型对提取的特征进行分类。结合CNN模型和GB算法提高了分类精确度。

技术领域

本发明涉及人工智能BCI技术领域，具体地说是构建CNN-GB模型的方法及系统、数据特征分类方法。

背景技术

对于大脑意识正常但是具有运动障碍的患者而言，大脑发出的指令不能得到执行会给生活带来极大的不便。基于运动想象的BCI(英文全称为Brain Computer Interface，中文翻译为脑机接口技术)通信系统摒弃了传统的神经肌肉通信通路，建立了全新的大脑与外界信息交流的通道，通过人脑与外部设备直接“通话”进而实现人类想法的表达或者设备的操控。

对采集的脑电信号进行特征提取与分类识别是BIC通信系统的重要内容之一，由于大脑活动的复杂性，认知状态下的脑电信号并不是简单的脑认知信号和干扰信号的叠加，而是一种非线性的、时变的信号，因此增加了脑电信号提取的难度。

鉴于深度学习的迅猛发展，卷积神经网络CNN的出现为繁琐的特征提取工程带来了新的思路，借助CNN可在原始的脑电数据上进行端到端的信息提取，并且可在多个层级之间完成这种提取任务。CNN模型包括输入层、隐藏层和输出层，具有清晰的权值共享概念，权重共享是指同层神经网元之间连接的权值是共享的，这个重要的特点能够极大减少模型的复杂度。

GB算法消除先验知识对弱分类器影响的同时，不会降低分类运算效率，并且具有好的实际应用性。

基于上述CNN模型以及GB算法的优点，如何结合CNN模型和GB算法对脑电信号进行特征提取与分类识别，以得到效能高的最优特征集，使其分类精确度高，是需要解决的技术问题。

发明内容

本发明的技术任务是提供一种构建CNN-GB模型的方法及系统、数据特征分类方法，来解决如何结合CNN模型和GB算法对脑电信号进行特征提取与分类识别，以得到效能高的最优特征集，使其分类精确度高的问题。

本发明的技术任务是按以下方式实现的：

构建CNN-GB模型的方法，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(英文全称为Convolutional Architecture for Fast FeatureEmbedding，中文翻译为快速特征嵌入和卷积体系结构)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。

进一步的，步骤S100中，采集脑电数据包括如下分步骤：