[发明专利]一种联合递归图和CNN的脑电信号识别方法及系统

权利要求书

1.一种联合递归图和CNN的脑电信号识别方法，其特征在于，所述联合递归图和CNN的脑电信号识别方法包括：

将运动想象脑电信号分解为不同尺度的固有模态函数，并计算各个尺度的固有模态分量的多尺度递归图，得到第1级特征；

将重构后的多尺度递归图作为EEG信号的图像特征，并将多尺度递归图特征作为卷积神经网络的输入，利用卷积神经网络对递归图进行分类识别，从第1级特征中提取表述运动想象脑电信号的第2级特征。

2.如权利要求1所述联合递归图和CNN的脑电信号识别方法，其特征在于，所述联合递归图和CNN的脑电信号识别方法具体包括以下步骤：

步骤一，将采集到的数据集分为训练数据与测试数据，并分别对数据进行预处理；

步骤二，对两类运动想象脑电信号即训练数据与测试数据分别进行经验模态分解，得到不同尺度的固有模态分量；同时利用互信息分析法和Cao-Liangyue法计算每个固有模态分量的合适的嵌入维数和延迟时间进行空间重构，得到每个固有模态分量的递归图，利用递归图分析法，进行特征提取，得到第1级特征；

步骤三，将训练数据集的第1级递归图特征作为卷积神经网络的输入进行训练，并调试卷积神经网络的各个参数；

步骤四，将训练完成的卷积神经网络应用于测试数据，进行分类识别；利用递归图法对测试脑电信号数据进行特征提取，利用训练完成的卷积神经网络对其递归图进行再一次的特征提取，得出分类识别结果。

3.如权利要求2所述联合递归图和CNN的脑电信号识别方法，其特征在于，步骤一中，所述数据预处理具体包括：

训练数据：对训练脑电数据进行下采样截取，并利用互信息法选择合适的参数，使用AR-CSP针对频域和空间域进行滤波处理，随后将处理完成的EEG信号进行分类；

测试数据：对测试脑电数据进行下采样截取，并利用互信息法选择合适的参数，使用AR-CSP针对频域和空间域进行滤波处理，将处理完成的EEG信号进行分类；使用训练完成的分类器对测试用数据进行分类并记录结果。

4.如权利要求2所述联合递归图和CNN的脑电信号识别方法，其特征在于，步骤二中，所述经验模态分解具体包括：

(1)在原始信号x(t)上添加白噪声序列n(t)，得到带噪信号s(t)，即：

s(t)＝x(t)+n(t)；

其中，n(t)为服从N(0，σ²)的高斯白噪声；

(2)带噪信号s(t)经经验模态分解成一组固有模态分量IMF以及残量r_c(t)，即：

其中，c为IMF分量个数；

(3)步骤(1)和步骤(2)重复m次，且每次填充的白噪声序列幅值都不一样，即：

(4)将m次EMD处理生成的IMF按层分类后求平均，即为最终IMF：

经验模态分解中加入的高斯白噪声公式应为：

式中，ε为高斯白噪声的幅值；N为添加高斯白噪声的次数；ε_n表示各阶的固有模态分量相加后与原始信号的误差。