[发明专利]基于高斯伯努利卷积深度置信网络的脑电信号分类方法

权利要求书

1.一种基于高斯伯努利卷积深度置信网络的脑电信号分类方法，其特征在于，包括以下步骤：

步骤1、对脑电信号进行包括信号滤波降噪、单次实验提取、降采样在内的预处理；

步骤2、对步骤1预处理后的脑电信号采用基于负熵最大的盲源分离算法，主要包括对初始化后的脑电信号进行中心化，设置迭代次数，对信号进行正交化，循环直至收敛为止，目的是进行独立成分分解和独立成分分析滤波，去除运动想象脑电的信号干扰；

步骤3、建立能量函数、可见和隐藏单元的设计函数；

步骤4、建立高斯伯努利约束玻尔兹曼机的卷积过程；第一部分是特征提取，第二部分是图像重构；

步骤5、建立基于高斯伯努利受限玻尔兹曼机的卷积深度置信网络模型；

步骤6、利用高斯伯努利卷积深度置信网络对数据集进行不同样本数量下的分类识别。

2.根据权利要求1所述的一种基于高斯伯努利卷积深度置信网络的脑电信号分类方法，其特征在于，所述步骤2独立成分分析滤波中，独立成分的选择遵循频域判定准则和空间分布的判定准则。

3.根据权利要求2所述的一种基于高斯伯努利卷积深度置信网络的脑电信号分类方法，其特征在于，所述频域判定准则：由于运动想象的脑电成分主要集中在μ节律，经过独立成分分析分解后，比较各独立成分中8～12Hz功率谱能量占总能量的比值，比值较大的成分视为运动想象独立成分，去除比值较小的独立成分；

空间分布的判定准则：由于运动想象信号主要出现在大脑的C3和C4区域，因此C3和C4通道中所含的脑电源成分比重大，验证各独立成分与C3或C4通道信号的相关性，来从空间分布上确定该独立成分的属性，通过上述两个方法筛选出原始脑电信号的独立成分和伪迹信号的独立成分，将伪迹信号的独立成分置零就得到不包含伪迹的信号。

4.根据权利要求2所述的一种基于高斯伯努利卷积深度置信网络的脑电信号分类方法，其特征在于，所述步骤3具体包括步骤：首先将卷积神经网络和协同滤波的高斯伯努利受限玻尔兹曼机结合起来生成一个高斯伯努利受限玻尔兹曼机的卷积结构，此外，通过叠加所提出的高斯伯努利受限玻尔兹曼机建立一种基于高斯伯努利卷积深度置信的网络模型，本方法的能量函数包括两个变体，向量v和h表示相应的可见和隐藏单元，使用权重矩阵用W表示表示两层之间的对称连接，能量函数为：其中v_i和h_j表示第i可见单元的实值状态和第j隐单元的二进制状态，b_i是第i可见单元的偏置，c_i是第j隐藏单元的偏置，σ_i表示高斯分布的标准偏差，联合概率状态p(v,h)为：Z是分区函数，由于协同滤波的高斯伯努利受限玻尔兹曼机来源于受限玻尔兹曼机，因此可见和隐藏单元的设计函数为：和其中N(·；μ,σ²)表示具有均值μ和方差σ²的高斯分布，v是利用高斯分布重构值。

5.根据权利要求4所述的一种基于高斯伯努利卷积深度置信网络的脑电信号分类方法，其特征在于，所述步骤4、建立高斯伯努利受限的卷积过程；第一部分是特征提取，第二部分是图像重构，具体包括通过离散余弦变换对处理后的脑电信号进行稀疏化，设定迭代次数、分区尺寸、块起始位置、噪声参数、学习类型、迭代最大值、容错度等参数，得到重构信号图像并求出重构信号图像的多尺度熵、结构相似性参数。

6.根据权利要求5所述的一种基于高斯伯努利卷积深度置信网络的脑电信号分类方法，其特征在于，所述步骤5建立基于高斯伯努利受限玻尔兹曼机的卷积深度置信网络模型，该模型包括包括两个部分，第一部分是特征提取，第二部分是图像重构，在特征提取部分，可见层有N_V×N_V个单元和偏置b，每个可见单元对应于图像中的每个像素，隐层中有M×N_H×N_H个单元，对应于M特征图中的N_H×N_H个特征点，可以根据计算概率来采样隐藏单元的值，在此基础上可得第N个可见单元的高斯条件概率分布，在图像重构部分，获得了重构图像的每个像素，从没有上限和下限的情况下对参数的梯度进行了估计。