[发明专利]基于随机森林和卷积神经网络的脑电数据分类方法

说明书

本发明涉及一种基于随机森林和卷积神经网络的脑电数据分类方法，包括：S1、采集原始的时序脑电数据，并将时序脑电数据转换为频域脑电数据；S2、基于随机森林方法，对频域脑电数据进行导联筛选，以对频域脑电数据进行降维处理；S3、构建卷积神经网络，将降维之后的频域脑电数据输入给卷积神经网络，对卷积神经网络进行训练和测试，得到训练好的卷积神经网络；S4、结合随机森林方法以及训练好的卷积神经网络，对经过傅里叶转换的实际脑电数据依次进行导联筛选和分类。与现有技术相比，本发明利用随机森林筛选重要的特征，降低了脑电数据维度，减少了计算量；结合卷积神经网络对降维的脑电数据进行拟合，保证了脑电数据分类准确率。

技术领域

本发明涉及脑电信号的数据分析技术领域，尤其是涉及一种基于随机森林和卷积神经网络的脑电数据分类方法。

背景技术

利用机器学习和深度学习方法对脑电信号进行分类是近年来脑电信号研究领域的一个热门方向，但由于脑电数据的维度高、计算量大，导致影响分类结果的数据特征过多，因此，采用机器学习方法对脑电数据进行分析时，通常无法找到一个合适的模型对脑电数据进行分类；采用深度学习的方法虽然能很好的拟合模型，可是随着数据规模的增大，必然会使计算量呈指数级增加。

综上所述，在面对维度高、计算量大的脑电数据时，现有技术没有从脑电数据中提取出对分类结果产生重要作用的特征，机器学习和深度学习方法均不能在保证分类准确率的前提下，实现快速输出分类结果的目的。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于随机森林和卷积神经网络的脑电数据分类方法。

本发明的目的可以通过以下技术方案来实现：一种基于随机森林和卷积神经网络的脑电数据分类方法，包括以下步骤：

S1、采集原始的时序脑电数据，对原始时序脑电数据进行预处理，之后再通过傅里叶转换，将时序脑电数据转换为频域脑电数据；

S2、基于随机森林方法，对频域脑电数据进行导联筛选，得到脑电数据中各导联上所有特征的重要程度，以对频域脑电数据进行降维处理；

S3、构建卷积神经网络，将降维之后的频域脑电数据输入给卷积神经网络，对卷积神经网络进行训练和测试，得到训练好的卷积神经网络；

S4、结合随机森林方法以及训练好的卷积神经网络，对经过傅里叶转换的实际脑电数据依次进行导联筛选和分类。

优选地，所述步骤S1中对原始时序脑电数据进行预处理包括对脑电数据进行滤波和去除伪迹的操作。

优选地，所述步骤S2具体包括以下步骤：

S21、建立随机森林；

S22、获取频域脑电数据的灰度图，并将每个频率下的灰度图转换成对应的一维向量，以作为随机森林的输入；

S23、随机森林对所有的输入进行导联筛选，计算特征的重要程度；

S24、根据特征的重要程度，对频域脑电数据进行降维处理。

优选地，所述步骤S21具体包括以下步骤：

S211、定义样本数量为T，从所有样本中放回的随机抽样T个样本，将随机抽样的T个样本作为决策树根节点处的样本，以训练决策树；

S212、定义样本集中每个样本的特征数量为F，则每次决策树的节点需要进行分裂时，首先从这F个特征中选出f个特征，然后采用信息增益、信息增益比或基尼指数这三种策略，从f个特征中选出一个特征作为该节点的分裂属性，其中，f＜＜F；

S213、重复步骤S212的过程，以进行决策树节点的分裂，直到无法再继续分裂为止，完成一颗决策树的训练；