[发明专利]时空特征融合的并行卷积网络运动想象脑电图分类方法

权利要求书

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。

2.根据权利要求1所述的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，所述步骤1采用包括归一化、去均值在内的步骤处理原始EEG通道数据，具体包括：

去均值：将数据中的平均值减去振幅，使得脑电信号的平均值为0；

归一化：对原始数据进行线性变换，使得结果映射到[0,1]之间。

3.根据权利要求2所述的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，所述步骤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，具体包括：

基于重叠切割处理原始时序通道EEG数据，使得一个运动想象周期内提取的每一帧EEG数据存在部分重叠，定义公式

x_i＝x_i-1+f-o*f i≠0

x_i＝0 i＝0

式中,x为切割起点，i为第几个样本，f为频率大小，o*f为重叠大小，其中o为切割权重，范围在0～1之间；

根据数据矩阵[[x₀,x₀+128],[x₁,x₁+128],[x₀,x₀+128],...,[x_n,x_n+128]]，对14个EEG通道进行切分，并且把每个时间窗口数据进行数据排列，保证数据时间序列不破坏。

4.根据权利要求3所述的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，所述步骤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，具体包括：

对于每个EEG通道数据，在经过预处理以后，对每一帧的数据，进行傅里叶变换，设x∈C^N是长度为N的EEG信号，则快速傅里叶变换为：

其中，n＝0,1,...,N-1为不同频率，W_N＝e^-j(2π/N)；

则快速傅里叶的逆变换为：

长度为的N的实值离散傅里叶有长度为N/2的复值快速傅里叶变换得到，设x∈R^N，则实值快速傅里叶变换为：

由快速傅里叶变换后，将频带属于Theta波、alpha波以及beta波从得到包含各个频带的数据矩阵x_n中提取出来。