[发明专利]基于高斯伯努利卷积深度置信网络的脑电信号分类方法

摘要

本发明请求保护一种基于高斯伯努利卷积深度置信网络的脑电分类信号方法，该方法采用预处理阶段采用基于负熵最大的盲源分离算法去除运动想象脑电的信号干扰；基于互信息选取频率和电极参数，将高斯伯努利受限玻尔兹曼机的无监督学习和卷积神经网络相结合进行特征提取并分类，新的基于高斯伯努利受限玻尔兹曼机的卷积深度置信网络模型模型可以通过生成的卷积滤波器从全尺寸图像中提取出有意义的特性，减少相当多的负权值，能更有效地从邻近的图像补丁中学习空间信息，明显提高了脑电信号类别判别的正确率，使脑电信号类别判别的精确度得到较大改善与提高。

主权项

1.一种基于高斯伯努利卷积深度置信网络的脑电信号分类方法，其特征在于，包括以下步骤：步骤1、对脑电信号进行包括信号滤波降噪、单次实验提取、降采样在内的预处理；步骤2、对步骤1预处理后的脑电信号采用基于负熵最大的盲源分离算法，主要包括对初始化后的脑电信号进行中心化，设置迭代次数，对信号进行正交化，循环直至收敛为止，目的是进行独立成分分解和独立成分分析滤波，去除运动想象脑电的信号干扰；步骤3、建立能量函数、可见和隐藏单元的设计函数；步骤4、建立高斯伯努利约束玻尔兹曼机的卷积过程；第一部分是特征提取，第二部分是图像重构；步骤5、建立基于高斯伯努利受限玻尔兹曼机的卷积深度置信网络模型；步骤6、利用高斯伯努利卷积深度置信网络对数据集进行不同样本数量下的分类识别。