[发明专利]基于NTFT和CNN的脑电信号自动分类与识别方法

权利要求书

1.基于NTFT和CNN的脑电信号自动分类与识别方法，其特征在于，包括以下步骤：

步骤1、收集不同类别的脑电信号作为样本数据集；

步骤2、将样本数据集中的脑电信号进行标准时频变换获得脑电信号标准时频谱，将一部分脑电信号标准时频谱作为训练样本集，将剩下的脑电信号标准时频谱作为验证样本集；通过训练样本集中的脑电信号标准时频谱对卷积神经网络模型进行训练，通过验证样本集中的脑电信号标准时频谱对卷积神经网络模型进行验证；

步骤3、通过训练损失函数计算训练损失值，通过验证损失函数计算验证损失值，训练损失值的变化值小于训练损失阈值且验证损失值的变化值小于验证损失阈值时，得到最优卷积神经网络模型；

步骤4、计算最优卷积神经网络模型对应的识别准确率作为最佳识别准确率。

2.根据权利要求1所述的基于NTFT和CNN的脑电信号自动分类与识别方法，其特征在于，所述的步骤2中标准时频变换基于以下公式：

其中，表示标准时频变换后脑电信号标准时频谱，τ和分别表示即时时间和即时圆频率，σ表示高斯窗窗宽参数，f(t)为在时间域中脑电信号，t为时间，j表示虚数。

3.根据权利要求1所述的基于NTFT和CNN的脑电信号自动分类与识别方法，其特征在于，所述的训练损失函数train_loss定义如下：

其中，y_p为训练样本集中的第p个脑电信号标准时频谱，a_p为输出层第p个神经元激活函数的输出值，q为训练样本集中脑电信号标准时频谱的总数。

所述的验证损失函数validation_loss定义如下：

其中，y_k为验证样本集中的第k个脑电信号标准时频谱，a_k为输出层第k个神经元激活函数的输出值，l为验证样本集中脑电信号标准时频谱的总数。

4.根据权利要求1所述的基于NTFT和CNN的脑电信号自动分类与识别方法，其特征在于，所述的卷积神经网络模型中全连接层中的每个神经元与前一层的所有神经元进行连接，每个神经元以ReLU函数作为激活函数，输出层神经元采用softmax激活函数，softmax激活函数的定义如下：

其中，n是输出层神经元个数，a_i是输出层第i个神经元的输出值，Z_i为第i个神经元的线性加权和，Z_m为第m个神经元的线性加权和。