[发明专利]基于运动想象脑电数据的深度学习方法

摘要

一种基于运动想象脑电数据的深度学习方法，包括步骤一，对于运动想象脑电数据，对原始数据进行去噪处理，然后通过滤波提取8HZ～30HZ的α波和β波段的数据，然后利用傅里叶变换算法将时域数据转化为频域数据。步骤二，首先利用单导联数据训练每个弱分类器，然后采用boost方法将弱分类器结合为最终的强分类器。步骤三，训练后得到判别模型，测试数据放入模型后利用已学习参数进行学习特征，最后根据各个特征进行判别分析。无需人工挑选特征；通过多层抽象后的特征能更好的表达原有数据所要表达的信息，滤除掉多余无用信息，为分类提供方便；利用DL可以有效进行特征提取的优势，分类特征的提取精确性有了保证；依托分类器的分类功能，达到预期的分类效果。

主权项

一种基于运动想象脑电数据的深度学习方法，其特征在于，包括如下步骤：步骤一，对于运动想象脑电数据，首先采用Neuroscan软件去除EOG即眼动来对原始数据进行去噪处理，然后通过滤波提取8HZ～30HZ的α波和β波段的数据，然后利用傅里叶变换算法将时域数据转化为频域数据；步骤二，提出一种基于Deep Learning算法思想的分类模型，首先利用单导联数据训练每个弱分类器，然后采用boost方法将弱分类器结合为最终的强分类器；所训练的DBN模型是由多个RBM堆叠而成，底层RBM的隐藏层作为上一级RBM的可见层，依次堆叠为最终的分类模型；贪婪的训练每一层的RBM，并采用对比散度(CD)算法减少运算时间提高效率；模型中对于可见层与隐藏层更新过程遵循如下公式：∂logp(v)∂ωij=Σv∈D∂logp(v)∂ωij=Edata∂E(v,h)∂ωij-Ereconstruction∂E(u,g)∂ωij]]>公式中v是可见层节点，h为隐藏层节点，u，g根据对应RBM的联合分布抽样得到，文中以Gibbs采样近似代替，ωij表示可见层节点与隐藏层节点间的权重；根据隐藏层上对可见层抽样重建后与原始数据的差对训练的权重作优化处理，此处采用含有8个隐藏层的DBN分类模型进行分类，训练参数设置为：权重偏倚学习率为0.07，momentum为0.5，weightdecay为0.002；当训练集数据放入该模型中后，首先数据到达模型的可视层，然后根据如下函数来判断该隐藏层节点是否被激活：p(hj＝1|v)＝σ(bj+∑vjωij)以此类推，直至最后一层的训练得到一系列权重；而后，运用BP算法根据输出与目标之间的差来调节模型权重达到较优状态；最后，将各个弱分类器分类的正确率作为各个弱分类器的权重，以此策略来将其结合组成最终分类能力更强的强分类器；步骤三，训练后得到判别模型，测试数据放入模型后利用已学习参数进行学习特征，最后根据各个特征进行判别分析；所述DBN的意思是深信度网，所述RBM的意思是有限玻尔兹曼机。