本发明请求保护一种时空特征融合的并行卷积神经网络运动想象脑电图识别方法。以运动想象脑电信号作为研究对象,提出一种新的深度网络模型‑并行卷积神经网络提取运动想象脑电信号的时空特征。与传统脑电分类算法往往丢弃脑电空间特征信息不同,通过快速傅里叶变换,提取Theta波(4‑8Hz)、alpha波(8‑12Hz)以及beta波(12‑36Hz),生成2D脑电特征图。基于多重卷积神经网络对脑电特征图进行训练,提取空间特征。此外,利用时间卷积神经网络进行并行训练,提取时序特征。最后基于Softmax对空间特征以及时序特征进行融合以及分类。实验结果表明,并行卷积神经网络具有良好的识别精度,并且优于其他最新的分类算法。
1.一种时空特征融合的并行卷积网络运动想象脑电图分类方法,其特征在于,包括以下步骤:步骤1:获取原始EEG脑电通道数据,并采用包括归一化、去均值在内的步骤处理原始EEG通道数据;步骤2:基于重叠切割的方式切分步骤1预处理后的原始EEG通道数据;步骤3:对步骤2所得每个EEG通道进行小波变换,求取Theta波、alpha波以及beta波三个频带;步骤4:将步骤3中所得的Theta波、alpha波以及beta波三个频带,求取每个频带值的平方和;步骤5:将步骤4求取的每个频带值的平方和,基于插值算法,对2D通道分布图进行插值,生成2D脑电特征分布图;步骤6:采用多重卷积神经网络对步骤5生成的2D特征分布图进行网络训练;步骤7:基于时间卷积神经网络同时对步骤5中的2D特征图进行并行训练;步骤8:基于Softmax对空间特征以及时序特征进行融合以及分类;所述步骤8基于Softmax对空间特征以及时序特征进行融合以及分类,具体包括:提取包含空间特征多重卷积神经网络全连接层以及包含时序特征时间卷积网络全连接层,基于特征拼接方式对时空特征进行融合,定义公式:其中FC为新的全连接层,FC1为多重卷积神经网络全连接层,FC2为时间卷积卷神经神经网络全连接层,新的全连接层作为分类器Softmax的输入,实现分类。
本文链接:http://www.vipzhuanli.com/tech/sell/s_2312450.html,转载请声明来源钻瓜专利网。