[发明专利]一种基于卷积神经网络的手部运动意图分类方法

权利要求书

1.一种基于卷积神经网络的手部运动意图分类方法，其特征在于，包括以下步骤：

步骤一：获取多通道、不同手部动作运动执行前的脑电信号并对其进行预处理，同时将脑电数据按比例随机划分为训练集、验证集和测试集；

步骤二：分别对训练集、验证集和测试集的脑电信号进行裁剪扩充，以便后续进行深度学习；

步骤三：分别对每组扩充后的脑电信号X(t)进行多元经验模态MEMD分解；脑电信号经过MEMD分解后产生m个频率由高到低排列的MIMF分量，每个MIMF都为一个时间长度为t的n通道信号，各通道信号都处于同一频段内；

步骤四：为m个MIMF分别构建相同的卷积神经网络CNN，并在全连接层中将所有CNN串联起来，用softmax进行分类输出；

步骤五：基于步骤三和步骤四的过程，采用序列前向搜索思想对MIMF进行挑选，得到分类准确率最高的MIMF组合和CNN模型，从而对多类任务的脑电信号进行分类识别。

2.根据权利要求1所述的一种基于卷积神经网络的手部运动意图分类方法，其特征在于，所述步骤一中具体为：

获取n个导联、d种手部动作运动执行脑电信号，通过4导联肌电信号判断动作执行起点并提取动作执行前的脑电信号，其时长为s，每种动作不少于60个试次；对脑电信号进行预处理包括带通滤波处理和陷波处理，用于进行带通滤波步骤的带通滤波器的截止频率为0.1-100HZ；用于进行陷波处理的陷波滤波器的陷波频率为50HZ；将预处理后的每类数据按一定比例随机划分为：训练集、验证集和测试集。

3.根据权利要求1所述的一种基于卷积神经网络的手部运动意图分类方法，其特征在于，

所述步骤二中脑电信号的裁剪扩充处理具体步骤如下：

(1)设每组单次脑电信号都表示为X(s)＝{x₁(s)，x₂(s)，...，x_n(s)}，其中n表示脑电信号的通道数，s表示每组动作的时间长度；

(2)使用窗长为t的时间窗对数据进行裁剪，剪切的移动步进为q，通过剪切操作，将时间长度为s的原脑电数据剪切为(s-t)/50+1个时间长度为t的脑电数据X(t)＝{x₁(t)，x₂(t)，...，x_n(t)}。

4.根据权利要求1所述的一种基于卷积神经网络的手部运动意图分类方法，其特征在于，

所述步骤三中采用MEMD分解将处理后的脑电信号分解为m个频率由高到低排列的MIMF分量的分解过程为：

(1)设一个n维信号信号的长度为T，表示一组方向向量集，它们在(n-1)维单位球对应的方向角为

(2)使用Hammersley序列采样方法，在(n-1)维单位球面上选择K个均匀采样点，K为经验值，是维数的3倍以上，且k＝1，2，3，...，K，产生K个投影向量

(3)计算信号X(t)沿每一个投影向量的投影信号，将投影信号记为对于所有K个投影向量，得到X(t)的投影集

(4)确定投影集中每个投影信号的极值点对应的时刻i表示极值点的位置，i∈[1，T]；

(5)以为插值节点，使用多元样条插值函数方法得到K个n元包络

(6)计算K个方向上n元信号的包络的均值为

(7)提取固有模态函数h(t)＝X(t)-m(t)，如果h(t)满足MIMF的判断标准，则定义h(t)为第一阶MIMF分量，并将X(t)-h(t)作为步骤(3)的输入信号，继续迭代步骤(3)～(7)，直到分离出新的MIMF分量，如果h(t)不满足MIMF的条件，把h(t)作为步骤(3)的输入信号，重复上述的步骤(3)～(7)，直至满足终止条件。