[发明专利]基于端到端卷积神经网络的头皮脑电特征提取分类方法

摘要

本发明公开了基于端到端卷积神经网络的头皮脑电特征提取分类方法，对训练数据进行数据增强，再让增强后的训练数据训练卷积神经网络；待检测数据输入卷积神经网络进行特征提取分类步骤为：S1、将原始头皮脑电信号用带通滤波器滤波处理，得到信号xθ、xμ和xβ；S2、对信号xθ、xμ和xβ分别进行多尺度时间卷积和空间卷积提取特征；S3、对卷积层输出的特征图进行池化操作；S4、池化之后进行特征融合，再送进全连接层对输入的抽象特征进行整合；S5、全连接层的输出送入softmax层进行分类。本发明在训练阶段应用全新的数据增强技术，在测试阶段先将数据通过滤波器组，再输入多个卷积神经网络分支分别进行多尺度卷积操作，减轻了过拟合现象，提高了分类准确率。

主权项

1.基于端到端卷积神经网络的头皮脑电特征提取分类方法，其特征在于，在训练网络阶段首先对采集的训练数据进行数据增强，然后让增强后的训练数据经过三个带通滤波器滤波处理，最后用滤波处理后的训练数据训练卷积神经网络；在数据检测阶段将采集到的待检测数据输入训练后的卷积神经网络进行特征提取分类，包括如下步骤：S1、将采集的原始头皮脑电信号用x_raw表示，然后经过三个带通滤波器滤波处理，得到的信号分别用x_θ、x_μ和x_β表示；S2、对滤波后的头皮脑电信号x_θ、x_μ和x_β分别进行三种尺度的时间卷积提取时间特征，然后再通过空间卷积提取空间特征；S3、时间卷积和空间卷积之后，对卷积层输出的特征图进行池化操作；S4、池化之后先将9个分支的特征组成一维向量进行特征融合，再送进全连接层对输入的抽象特征进行整合，全连接层计算公式如下：x^l＝f(W^lx^l‑1+b^l)其中，x^l为l层输出，W^l为l层权重，b^l为l层偏置,f(·)为激活函数；S5、全连接层的输出送入softmax层进行分类，softmax层计算公式如下：y^l＝σ(x^l‑1)其中，y^l为分类结果，x^l‑1为l‑1层输出，σ(·)为softmax函数。