[发明专利]一种基于LSTM神经网络元学习的脑电波信号处理方法

权利要求书

1.一种基于LSTM神经网络元学习的脑电波信号处理方法，其特征在于包括以下步骤：

步骤1：数据预处理

从脑电波信号采集设备中获取原始数据，然后进行滤波、降噪预处理操作，得到用于训练和测试的数据集；

步骤2：特征提取

使用小波变换、时频分析和特征选择方法，提取脑电波信号的时域、频域和时频域特征；

步骤3：基于LSTM神经网络元学习处理

将提取的特征作为输入数据，使用LSTM神经网络进行训练，以实现对脑电波信号的分类和识别；

步骤4：参数更新

在完成数据预处理、构建LSTM神经网络和元学习训练之后，开始模型测试参数更新；

步骤5：参数更新后得到训练完成的模型。

2.根据权利要求1所述基于LSTM神经网络元学习的脑电波信号处理方法，其特征在于：

步骤3具体包括：

a、构建初始化基于LSTM神经网络参数和结构

b.从数据集中随机抽取一个小样本；

c.在小样本上训练LSTM神经网络；

d.通过元学习算法更新LSTM神经网络的参数；

e.重复步骤b-d，直到达到收敛条件。

3.根据权利要求2所述基于LSTM神经网络元学习的脑电波信号处理方法，其特征在于：

步骤a中，采用LSTM神经网络结构进行脑电波信号分类和识别，LSTM神经网络的结构包括输入层、隐藏层和输出层，其中隐藏层由3个LSTM单元组成；信息通过记忆单元流动，记忆单元的数量与要考虑的时间步骤的数量一样多；每个存储单元都有自己的单元状态c，通过遗忘门f、输入门i和输出门o来调节；在每个时间步骤t，当前的输入x_t和之前的单元和隐藏状态分别为c_t-1和h_t-1，进入LSTM单元，最终输出当前的更新状态，如下所示：

c_t＝_t⊙c_t-1+_t⊙g_t

h_t＝_t⊙σ_cc_t

⊙表示正积，σ_c是双曲正切激活函数；遗忘门通过查看之前的隐藏状态和给定的输入来控制单元格状态计算的保留和拒绝；f_t、i_t、o_t和g_t分别表示时间t时刻的遗忘门、输入门、输出门和候选单元；

f_t＝_g(_fx_t+_fh_t-1+_f)

i_t＝σ_g(W_ix_t+R_ih_t-1+b_i)

o_t＝σ_g(W_ox_t+R_oh_t-1+b_o)

g_t＝σ_g(W_gx_t+R_gh_t-1+b_g)

σ_g是sigmoid激活函数，W,R和b分别表示各个门的输入权重、递归权重和偏置；每一层LSTM包含20个神经元，后两层包含10个神经元；采用自适应矩估计方法，对模型的可学习参数Φ进行迭代更新，第1次和第2次的衰减率分别设置为0.9和0.999；学习率在每个时期初始化为0.005，然后每10次迭代降低0.1倍。