[发明专利]基于深度学习的个体信号识别算法及系统

权利要求书

1.一种基于深度学习的个体信号识别算法，其特征在于包括以下步骤：

步骤1：采集同一测试者在不同测试条件下产生的多个信号通道内多个类别的原始数据，并进行信号预处理；

步骤2：对多个信号通道内多个类别的原始数据，分别进行类别间差异性计算，并对计算结果按大小排序，选取结果最大的通道作为输入信号通道；

步骤3：搭建并训练CNN-HMM混合分类器，采用卷积神经网络对信号进行特征提取，然后每个类别下分别训练一个HMM模型，利用每个类别的HMM参数的运算确定落入每个类别的概率，最终确定分类结果；若分类结果不满足要求，采取重复迭代的方式，添加步骤2中排序第二的通道信号，使排序第二的通道信号与排序第一的通道信号合并，重新训练，直至获得训练后的CNN-HMM混合分类器；

步骤4：对步骤1中的同一测试者所提供的其他待分类数据依次执行步骤1、2后，利用步骤3中获得的CNN-HMM混合分类器，计算信号在每个类别下的概率大小，输出分类结果。

2.根据权利要求1所述的一种基于深度学习的个体信号识别算法，其特征在于步骤1中所述预处理为：对所采集的信号利用独立成分分析法，进行降噪处理，按规定频率段进行信号提取，然后截取预设长度数据，并对所截取的数据进行归一化处理。

3.根据权利要求1所述的一种基于深度学习的个体信号识别算法，其特征在于步骤2对各自通道内不同类别间的信号进行类别间差异性计算是指进行样本距离或类间距离或序列相关性的计算，所述样本距离包括以下距离：点对点欧氏距离、区间对区间欧氏距离；类间距离包括：最小值距离、最大值距离、均值距离；序列相关性计算方法包括：独立性检验、相关性检验或系列非参数检验。

4.根据权利要求1所述的一种基于深度学习的个体信号识别算法，其特征在于步骤3具体包括以下步骤：

步骤3-1：建立CNN-Relu深度学习网络模型，对信号进行特征的自提取，首先令信号进入CNN卷积神经网络，在每一层卷积层后均跟着一个Relu激励函数，再通过各个网络连接层，最后通过SoftMax层计算最终结果；

步骤3-2：运用交叉熵损失函数计算步骤3-1中网络模型的损失，直至模型损失小于阈值0.1，则模型训练结束，否则，利用Adam对模型参数进行优化；

步骤3-3：输出经过步骤3-1、步骤3-2后得到的网络模型连接层的中间结果，在不同类别下，分别训练每个类别的HMM参数，用测试集进行分类效果的测试，并进行参数的保存；

步骤3-4：若步骤3-1中的网络模型及步骤3-3中的HMM训练的参数的分类效果达不到理想状态，则继续进行通道的选择与串行叠加，重新进行步骤3-1至步骤3-3的训练。

5.根据权利要求4所述的一种基于深度学习的个体信号识别算法，其特征在于步骤3-1中首先令信号进入一维卷积层，滤波器个数为8-64，步长为1-20，卷积和大小为5-20，后面紧跟着一个Relu激励函数层，接着进入一层池化层，池化层步长为1-20，池化尺寸为5-20，重复以上网络结构一次，共搭建两层卷积网络，再依次通过各个网络连接层，通过计算得到最终结果；其中网络连接层的结构共六层，依次设置一层全连接层，一层的密集层，一层激活函数，一层密集层，一层随机失活层，一层Softmax层。

6.根据权利要求4所述的一种基于深度学习的个体信号识别算法，其特征在于步骤3-2在训练网络的过程中，采用Softmax输出层上的二分类交叉熵作为整个网络的损失函数，为了训练网络，采用Adam优化方法。

7.根据权利要求4所述的一种基于深度学习的个体信号识别算法，其特征在于步骤3-3中提取随机失活层的中间结果，有关每个类别下HMM参数的训练，具体为：将每个类别下样本所提取出的随机失活层数据进行整数化处理，按照四舍五入的原则将数据统一转化为整数，分类别训练并保存参数信息。