[发明专利]基于深度学习的一维生理信号的特征提取与状态识别

摘要

本发明公开了一种基于深度学习的一维生理信号的特征提取与状态识别方法。建立基于深度学习的一维生理信号的特征提取与状态识别分析模型DBN，DBN模型采用“预训练+微调”训练过程，在预训练阶段，首先训练第一个RBM，然后将训练好的结点作为第二个RBM的输入，再训练第二个RBM，以此类推；所有RBM训练完成之后使用BP算法对网络进行微调，最后将深信度网络输出的特征向量输入Softmax分类器中，对纳入到的一维生理信号的个体状态做出判断。本发明有效解决了传统的一维生理信号分类过程中需要人工选择特征输入致使分类精度不高的问题，通过深信度网络的非线性映射，自动得到高度可分的特征/特征组合用于分类，并且可以不断优化网络结构得到更好的分类效果。

主权项

一种基于深度学习的一维生理信号的特征提取与状态识别，其特征在于：建立基于深度学习的一维生理信号的特征提取与状态识别数据分析模型DBN，DBN模型采用“预训练+微调”训练过程：预训练过程采用自下而上的无监督训练，首先训练第一个隐含层，然后逐层训练下一个隐含层，并将上一个隐含层结点的输出作为输入，将本隐含层结点的输出作为下一个隐含层的输入；微调过程通过对带标签数据进行自上而下的监督训练，在预训练阶段，首先训练第一个RBM，然后将训练好的结点作为第二个RBM的输入，再训练第二个RBM，以此类推；所有RBM训练完成之后使用BP算法对网络进行微调，最后将深信度网络输出的特征向量输入Softmax分类器中，对纳入到的一维生理信号的个体状态做出判断；提取及分类方法的步骤：S1：纳入一维生理信号，包括脑电、心电、肌电、呼吸、皮电中一个或多个，并对其进行预处理操作和特征映射操作，在标准空间内进行特征映射，得到标准空间内的特征映射图，预处理含去噪、滤波、层次分解、重构操作；S2：构建一个包括输入层、多个受限玻尔兹曼机RBM、一个反向传播结构以及一个分类器的深信度网络DBN，其中，所述受限玻尔兹曼机RBM作为整个网络的核心结构在数量上有1～N个，在结构上互相嵌套；S3：使用步骤S2构建的所述深信度网络对步骤S1中经预处理和特征映射后的一维生理信号进行特征提取，提取过程含RBM训练和BP算法对网络进行微调；RBM训练和BP算法包括：1)、在RBM训练和BP算法微调中，每一层输出之前均进行批归一化处理；2)、在Gibbs采样中多次迭代采用了k次迭代的CD算法CD‑k算法；3)、在使用Gibbs采样最大可能地拟合输入数据转变为求解输入样本的极大似然估计中选用Dropout法来防止过拟合；4)、在BP算法对网络进行微调过程中，在以目标的负梯度方向对参数进行调整时，采用小批量梯度下降算法对每组小样本采进行权值的迭代更新；5)、在自下而上的前向传播过程选择Sigmoid激活函数；在自上而下的反向传播时选择ReLU激活函数；S4：将步骤S3中所述深信度网络输出的特征向量输入Softmax分类器中，对纳入到的一维生理信号的个体状态做出判断。