[发明专利]基于EEMD数据增强的小波神经网络运动想象脑电分类方法

权利要求书

1.基于EEMD数据增强的小波神经网络运动想象脑电分类方法，其特征在于：包括以下步骤，

S1，采集运动想象脑电数据，并对采集到的原始运动想象脑电数据进行预处理；

S2，采用EEMD方法生成人造数据增强原始运动想象数据；

S3，增强后的运动想象数据用于神经网络参数训练，构建小波神经网络模型提取运动想象脑电数据的特征来进行分类；

所述步骤S2包括利用EEMD噪声辅助信号处理的方法将原始运动想象脑电数据分解为多个集合时频域信息的本征模式函数集成均值，EEMD方法的分解步骤如下：

S201，向信号加入正态分布白噪声；

S202，将加入的白噪声信号分解成各IMF分量；

S203，重复步骤S201和步骤S202，每次加入新的白噪声序列；

S204，将每次得到的IMF集成均值作为最终结果；

通过随机提取并混合不同序列的集成均值IMFs生成大量的人造数据用以训练网络；

生成单个人造数据的步骤为，

S211，随机地在原始运动想象脑电数据中选择部分作为贡献其IMFs生成人造的运动想象数据，被选择的数据根据其所属分类分开；

S212，在某一类被选择数据中随机地选择N组多通道脑电数据，对N组多通道脑电数据进行经验模式分解，每组数据分解成多个IMFs，第一组数据贡献它所有的第一个IMFs，直到第N组数据贡献它所有第N个IMFs；

S213，将各通道的N个IMFs相加在一起，即为创造的一个脑电数据，其中，如果分解的IMFs小于设定的N，补充零值得IMF相加。

2.如权利要求1所述的基于EEMD数据增强的小波神经网络运动想象脑电分类方法，其特征在于：所述步骤S1中对运动想象数据预处理是进行滤去直流分量和带通滤波。

3.如权利要求1所述的基于EEMD数据增强的小波神经网络运动想象脑电分类方法，其特征在于：步骤S3包括采用复Morlet小波变换生成带通参数的脑电张量字典，将原始的时域数据转换为集合时域、频域和空间信息的张量字典作为神经网络的输入。

4.如权利要求1所述的基于EEMD数据增强的小波神经网络运动想象脑电分类方法，其特征在于：所述步骤S3中小波神经网络的首层采用ReLU函数激活的全连接层作为特征筛选层。