[发明专利]基于跨连型卷积神经网络的情感脑电信号分类方法

摘要

本发明提出了一种基于跨连型卷积神经网络的情感脑电信号分类方法，本发明首先利用V3的第一层卷积层提取脑电信号底层特征，并将其作为V1的输入，同时被第二层池化层下采样后输入给第三层卷积层提取中层特征。中层特征将作为V2的输入，并且被V3的第四层池化层下采样后输入给V3的第五层卷积层提取高层特征。接着，三层特征分别降维后一起输入到V3的第八层全连接层中融合，最后进入Softmax层进行分类。比较分类结果与实际标签，计算损失值，然后利用反向传播算法更新卷积核和连接权重。本发明可较高的脑电信号分类准确率，识别结果优于传统机器学习方法和传统CNN模型。

主权项

1.基于跨连型卷积神经网络的情感脑电信号分类方法，其特征在于该方法包括如下步骤:/n步骤(1)：获取情感脑电信号的样本数据，具体过程是：将采集到的脑电信号数据利用交叉验证函数划分为训练集、验证集和测试集；然后将划分后的数据进行0-30Hz的低通滤波；/n步骤(2)：在完整CNN结构的基础上创建三个独立模型分别为V1、V2、V3；每个子模型具体结构和功能为：V3是一个普通的无跨连CNN，用于提取高层特征；V1和V2子模型的第一层都为池化层，第二层都为全连接层，V1和V2分别用于提取底层和中层特征；V1将底层特征池化抽象后降维，V2将中层特征池化抽象后降维，然后将V1、V2和V3的全连接层输出的特征融合作为一个独立特征，将其输入到V3的最后一层全连接层进行分类；/n步骤(3)：将步骤(1)获取的脑电信号输入跨连型CNN进行特征提取，得出底层、中层和高层特征并进行融合，将预测结果与实际标签对比，计算出损失函数的误差，再利用反向传播算法更新模型权重。/n