[发明专利]一种基于信道混合卷积神经网络的运动脑电信号分类方法

权利要求书

1.一种基于信道混合卷积神经网络的运动脑电信号分类方法，其特征在于：具体包括以下步骤；

a、信道混合卷积层输出：对EEG信号的信道特征进行提取，将EEG信号从原先的整体性单通道输入拆解为对应各个信道的多通道输入，每个卷积核横跨所有信道，并对各个信道中的EEG信号进行横向卷积，得到信道特征；

b、混合信道加工层输出：对信道混合卷积层提取的信道特征进行加工得到特征图；

c、聚合：用于对信道混合加工层加工得到的特征图进行聚合；

d、分类：用于承接聚合的输出并完成最终解码分类；

步骤a中，将EEG信号从原先的整体性单通道输入拆解为对应各个信道的多通道输入，是将EEG信号的输入张量为(通道＝1、高度＝C、宽度＝T)，转换成输入形式为(通道＝C、高度＝1、宽度＝T)；

所述信道混合卷积层包含了32个由2D卷积方式实现的滤波器，其中卷积核的数目K₁为32，卷积核的尺寸F₁为(1，16)，卷积核操作时的步长S₁为(1，1)，填充大小P₁为(0,0),接收形式为(通道＝C、高度＝1、宽度＝T)的张量，激活函数为Linear；所述卷积核输入的通道数与EEG信号的信道数相等；卷积结束后，EEG信号不再具备原始的信道形态，信道数从C变为1；

步骤b中，所述混合信道加工层采用深度可分离卷积层，所述深度可分离卷积层的每个卷积核的尺寸F₂为(1，22)，深度可分离卷积层中的乘数D₂为2，共有K₂＝K₁×D₂个卷积核参与对EEG信号的信道特征的加工，每个卷积核都采用了kernel maximum norm constraint规则约束。

2.根据权利要求1所述的基于信道混合卷积神经网络的运动脑电信号分类方法，其特征在于：步骤c中，所述聚合依次包括以下网络层输出：

BatchNorm层：所述BatchNorm层用于对输入进行优化；

激活函数层：所述激活函数层采用ELU激活函数，用于提高抗噪声能力以及加快训练收敛；

平均池化层：所述平均池化层的尺寸大小F_P为(1,180)，用于沿着特征图的时间维度进行降采样，所述平均池化层的步长S_P为(1,30)；

Dropout层：所述Dropout层中神经元节点被关闭的概率p设为0.5，用于降低过拟合风险。

3.根据权利要求1所述的基于信道混合卷积神经网络的运动脑电信号分类方法，其特征在于：所述分类步骤具体如下：利用Fallten层将聚合的输出铺平展开至一维，然后放入N_C＝4个神经元组成的全连接层中，从全连接层得到的N_C个输出被Activation层中的激活函数softmax进行激活，构建了对给定输入X_i属于第k类标签的概率大小的映射关系函数，即其中θ为整个网络中的待训练参数集合；S为第s个被试者；

因此对于单个X_i，会给出N_C个概率数值，然后将对应概率数值最高的类别标签作为X_i最终的分类结果，即同时最小化对应的损失函数总和其中最终使得信道混合卷积神经网络将最高概率数值分配给正确的标签。