[发明专利]一种原始脑电深度学习分类方法和应用

权利要求书

1.一种原始脑电深度学习分类方法，其特征在于：包括以下步骤：

步骤A：提取原始脑电时间序列信号，并对其进行噪声过滤处理，噪声过滤处理后的脑电时间序列信号作为测试样本；

步骤B：将步骤A所得测试样本转换为测试输入图像；

步骤C：将步骤B所得测试输入图像输入到经由训练的深度学习模型中，并且在所述深度学习模型中进行鲁棒性特征提取得到鲁棒性特征；

步骤D：将步骤C提取到的鲁棒性特征输入到极限学习机分类器中进行分类。

2.如权利要求1所述的原始脑电深度学习分类方法，其特征在于：步骤B中，测试样本转换方法是基于短时傅里叶变换算法。

3.如权利要求2所述的原始脑电深度学习分类方法，其特征在于：所述短时傅里叶变换算法是通过以下公式完成的：

其中，z(u)为在时刻u时脑电时间序列信号，g(u-t)为窗函数，f为脑电时间序列信号采样率，j为复数，j＝1×i，i为虚数单位。

4.如权利要求3所述的原始脑电深度学习分类方法，其特征在于：将所得测试样本转换为测试输入图像时，使用了3秒的窗口进行了短时傅里叶变换。

5.如权利要求1所述的原始脑电深度学习分类方法，其特征在于：步骤C中，所述深度学习模型由卷积神经网络和长短期记忆神经网络构成。

6.如权利要求5所述的原始脑电深度学习分类方法，其特征在于：所述卷积神经网络共有三层，第一层卷积核大小为3×(3-20)，优选3×20，第二层卷积核大小为2×(2-20)，优选2×20，第三层卷积核大小为2×(2-20)，优选2×20。

7.如权利要求5所述的原始脑电深度学习分类方法，其特征在于：所述长短期记忆神经网络共有三层，第一次为输入层，第二层为隐藏层，所述隐藏层设置的隐藏单元为50-200，第三层为输出层。

8.如权利要求7所述的原始脑电深度学习分类方法，其特征在于：所述深度学习模型的训练方法，包括以下步骤：

步骤1：提取精神分裂症患者和健康人的原始脑电时间序列信号，并进行噪声过滤处理，噪声过滤处理后的精神分裂症患者和健康人的脑电时间序列信号作为训练样本；

步骤2：将步骤1提取的训练样本划分为训练集和验证集；

步骤3：基于短时傅里叶变换算法，将步骤2划分的训练集和验证集分别转换为卷积神经网络可识别的训练集输入图像和验证集输入图像，所述训练集输入图像和验证集输入图像组成模型输入图像集；

步骤4：将步骤3转换所得模型输入图像集输入到所述深度学习模型中，进行鲁棒性特征提取，并训练深度学习模型最优参数；

步骤5：将步骤4训练好的深度学习模型的最优参数输出,应用于测试阶段的深度学习模型。

9.如权利要求7所述的原始脑电深度学习分类方法，其特征在于：步骤2中，所述训练集中的脑电时间序列的数量为所述训练样本中的脑电时间序列总数量的70％，所述验证集中的脑电时间序列的数量为所述训练样本中的脑电时间序列总数量的30％。

10.如权利要求1-9所述的原始脑电深度学习分类方法在脑电分析中的应用。