[发明专利]基于CWT和MLMSFFCNN的脑电识别方法

权利要求书

1.基于CWT和MLMSFFCNN的脑电识别方法，其特征在于：首先，对每导联原始MI-EEG信号进行CWT变化，提取8-30Hz频带的特征矩阵；将该特征矩阵等分为3×3的子区域，计算每个子区域内小波系数平方的平均值作为子区域特征，从而，每导联MI-EEG数据得到3×3特征值；进而，采用三次曲面插值法将每个导联得到3×3特征矩阵插值到采集系统平面坐标中的相应导联位置上，得到一个包含了时频特征与空间信息的64*64复合特征矩阵；最后，使用多级多尺度特征融合卷识神经网络，实现复合特征矩阵多分辨率特征的提取及全局特征与抽象特征的有机融合，提高MI-EEG识别效果；

使用MLMSFFCNN对小波变换复合特征矩阵进行识别包括如下步骤，

S2.1 MLMSFFCNN共包含五级卷积，每级卷积结构相同且包含3个卷积分支结构；在每个卷积分支的末尾使用S_w＝2的降采样卷积层将CNN特征矩阵维度变为原来一半；最后将三个卷积分支的输出进行加和，得到这一级卷积的输出，表示为其中u为卷积级数的序号，u＝{1,2,3,4,5}；G_u继续作为u+1级卷积的输入矩阵；将G_u展平为一个长向量，连接一个长度为128的全连接层，其输出表示为V_u∈R^1×128，V_u为每个卷积层提取的用于特征融合的向量；

每级卷积包含三个分支结构，每个分支包含若干卷积层，每个卷积层包含若干个卷积核；各个分支用于特征提取的卷积尺寸不同；

卷积核的输入先经过线性函数运算后进行非线性输出，输入输出对应关系可用下式表示:

其中，x为输入信号，S_w表示输入信号x与神经元连接的权重值，卷积核尺度为N_w×N_w,N_w＝{1,2,3}，S_w＝{1,2}为卷积核在输入矩阵上的移动步长，b表示神经元的内部状态的偏置值，y为神经元的输出；f(a)为非线性激活函数，使用线性整流函数进行计算，其计算式如下：

f(a)＝RELU(a)＝max(0，a)

各级卷积以及卷积分支的配置；

S2.2将五级卷积的全连接层V_u进行融合用于最终分类，得到一个融合全连接层V∈R^1×640用于最终分类，u＝{1,2,3,4,5}；之后连接一个长度为256的全连接层后V_f∈R^1×256，之后连接到分类节点，分类节点数为数据集类别数量N_o；

S2.3 CNN的输出值O_c∈R^1×1,c∈{1,2,…,N_o}经过归一化指数函数的计算得到归一化的概率值，即P_c(x),c∈{1,2,…,N_o}，计算式如下：

S2.4测试过程采用十折交叉验证得到分类准确率。

2.根据权利要求1所述的基于CWT和MLMSFFCNN的脑电识别方法，其特征在于：基于连续小波变换的MI-EEG复合特征矩阵计算，包括如下步骤：

S1.1假设为第i次实验第m导联采集的运动想象期间的脑电信号，其中，m∈{1,2,3,…,N_c}表示采集运动想象脑电任务的导联标签，N_c代表导联数；i∈{1,2,3,…,N_m}，N_m表示采集实验次数；k∈{1,2,3,…,N_s},N_s代表一次实验采样点数；则第i次采集实验获得脑电数据为

S1.2对进行CWT，小波基函数选择cgau8；假设原始数据采样频率为f_s，小波变换频率轴变量记为j，小波物理频率设为N_f＝65，则可得变换后的时频矩阵为S1.3根据MI的激活特点，在矩阵中截取8-30Hz的时频矩阵，即对应j∈{3,4,…,14}的部分数据，记为这里，j∈{1,2,…,12}；

S1.4将X^e_j,k沿纵轴等分为三个子矩阵，将每个子矩阵中一列的4个特征值求和，这样即得到三个子序列，记为

S1.5将每个子序列按时间轴k等分为3个窗，得到三个窗口的子序列，记为

S1.6针对每个窗口的子序列，求取各点小波系数的模长后取平方，再将每个窗口的子序列内的个值求和后取平均，得到

S1.7根据数据集中的导联分布平面图提取N_c导联的平面坐标信息，记为

S1.8以C_n,m中的坐标为中心，将每一个坐标点都扩展为一个3×3的坐标矩阵，扩展后的坐标系记为

S1.9将共9个特征值排列为一个3×3时频特征矩阵，依据C'_v,m进行三次曲面插值，使其按照导联位置排列在一个64×64的矩阵中，记为G∈R^64×64；总体输入数据为