[发明专利]一种基于深度学习的非迭代式脑电信号压缩感知快速重构方法

权利要求书

1.一种基于深度学习的非迭代式脑电信号压缩感知快速重构方法，其特征在于，包括如下步骤：

S1、对脑电信号进行随机投影；

S2、对投影后的测量信号进行预处理；

S3、执行信号重构；

残差网络模型通过恒等快捷连接将数据流直接传递到下一层，另外采用一维扩张卷积提取脑电信号的特征信息，直接学习测量值与原始信号之间的非线性映射关系，实现对脑电信号快速精准重构。

2.根据权利要求1所述的基于深度学习的非迭代式脑电信号压缩感知快速重构方法，其特征在于，所述步骤S1中，随机投影的过程如下：将脑电信号进行压缩感知采集和压缩，原始脑电信号数据集表示为X＝{x⁽¹⁾,...,x⁽ⁱ⁾,...,x^(l)}，其中x⁽ⁱ⁾∈R^1×n表示第i个脑电信号，有n个采样点，脑电信号压缩后表示为Y＝{y⁽¹⁾,...,y⁽ⁱ⁾,...,y^(l)}，其中y⁽ⁱ⁾∈R^1×m表示第i个测量信号，有m个采样点；将压缩后的脑电信号Y到原始脑电信号X的映射看作一个近似线性的映射，即Y＝ΦX，其中Φ∈R^m×n(m＜n)是一个线性映射矩阵；第i个脑电信号的CS采集过程如公式(1)所示：

y⁽ⁱ⁾＝φ_m×n×x⁽ⁱ⁾ (1) 。

3.根据权利要求1所述的基于深度学习的非迭代式脑电信号压缩感知快速重构方法，其特征在于，所述步骤S2中，预处理的过程如下：对于测量值Y＝{y⁽¹⁾,...,y⁽ⁱ⁾,...,y^(l)}，其中y⁽ⁱ⁾具有m个采样点(m＜n)，首先需要对压缩后的测量值y⁽ⁱ⁾与测量矩阵φ_m×n的伪逆相乘，从而得到代理信号，如公式(2)所示：

公式中，为与原始信号长度相同的代理信号，具有n个采样点，为测量矩阵φ_m×n的伪逆。

4.根据权利要求3所述的基于深度学习的非迭代式脑电信号压缩感知快速重构方法，其特征在于，将代理信号进行z-score标准化处理加快网络的训练速度，将数据转换到均值为0，标准差为1的范围内，使遵循标准正态分布，标准化过程如公式(3)所示：

公式(3)中，为代理信号，为代理信号的平均值，为代理信号的标准差，r⁽ⁱ⁾为代理信号标准化后的数据。