【CN109711383A】基于时频域的卷积神经网络运动想象脑电信号识别方法【专利】

3
CN 109711383 A
说 明 书
1/5 页
基于时频域的卷积神经网络运动想象脑电信号识别方法
技术领域 [0001] 本发明属于脑电信号识别领域，特别是一种基于基于时频域的卷积神经网络运动 想象脑电信号识别方法。
w(l)＝w(l)-α·δ(l+1) (a (l)) T b(l)＝b(l)-α·δ(l+1)
其中，w(l)与 分别表示第l层的权值和偏置，δ(l+1)表示偏差，a表示输出值。 6 .根据权利要求5所述的基于时频域的卷积神经网络运动想象脑电信号识别方法，其 特征在于，所述步骤S4以支持向量机作为整个模型的分类器，将支持向量机替换CNN中的输 出层 ，并以 全连接层得到的特征作为支持向量机的 输入 ，以 支持向量机的 输出作为脑电 信 号的识别结果。
其中，X(w ,t)表示原始脑电信号，w( )表示窗口函数，采用汉明窗，最终通过上式得257 ×32的时频图 ，其中STFT采用长度为64的汉明窗，对得到的时频图提取8-13Hz频带和1730Hz频带 ，分别得到12×32和29×32的二维时频图 ，通过立方插值法将17-30Hz频带的时频 图调整为12×32，最后，将三个电极的所有频带进行组合构成(3×2×12)×32大小的时频 图。
权利要求书2页 说明书5页 附图1页
CN 109711383 A
CN 109711383 A
权 利 要 求 书
1/2 页
1 .一种基于时频域的卷积神经网络运动想象脑电信号识别方法，其特征在于，包括以 下步骤：
S1、将原始左右手运动想象脑电 信号的μ频带和β频带利用短时傅里叶 变换转换为二维 时频图 ；
其中 ， 表示特征图 ，i表示卷积核中每个单元的序号，其范围依据卷积核大小而
定，j表示特征图中的第j个神经元， 为72×1的卷积核， 为偏置，f( )表示激活函数， 本网络模型以修正线性单元ReLU作为激活函数，以a为输入时该激活函数表示如下：
f(a)＝ReLU(a)＝ln(1+ea) L3 ：该层为卷积层 ，对L2层中得到的 8个特征图 分 别使 用5个卷积核 ，卷积核大小为8× 1 ，设置卷积步长与卷积核长度相同 ，经过映射后 ，该层可得40个特征图 ，每个特征图的大小 为4×1，特征图表示为：
2
CN 109711383 A
权 利 要 求 书
2/2 页
其中， 为8×1的卷积核， 为偏置； L4 ：该层为全连接层 ，神经元个数为30个 ，其作 用为连接所有特征 ，并 将输出值送给分 类器，计算方式为：
其中， 为L3、L4两层神经元的连接权值，b4(j)为偏置； L5：该层为输出层，神经元个数为2，代表左右手运动想象的二分类问题，其与L4层的所 有神经元以全连接的形式相连接：
代理人 刘小红 陈栋梁
(51)Int .Cl . G06K 9/00(2006 .018(2006 .01) A61B 5/0476(2006 .01)
(10)申请公布号 CN 109711383 A (43)申请公布日 2019.05.03
其中，w5(j)为L4与L5两层之间的连接权值，b5(j)为偏置。 5 .根据权利要求4所述的基于时频域的卷积神经网络运动想象脑电信号识别方法，其 特征在于，所述步骤S3中CNN的训练采用反向传播算法，具体包括：先前向计算每层输出，根 据输出层的结果与标签反向计算误差，据此误差求权值和偏置的梯度，以此更新各个权值 和偏置：
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910012447 .3
(22)申请日 2019 .01 .07
(71)申请人 重庆邮电大学 地址 400065 重庆市南岸区南山街道崇文 路2号
(72)发明人 胡章芳 张力 罗元
(74)专利代理机构 重庆市恒信知识产权代理有 限公司 50102
( 54 )发明 名称 基于时频域的卷积神经网络运动想象脑电
信号识别方法 ( 57 )摘要
本发明请求保护一种基于时频域的卷积神 经网络运动想象脑电 信号识别方法 ，包括以下步 骤 ：S1 ，利 用短时傅里叶 变换将原始左右手运动 想象脑电信号转换为二维时频图 ；S2，对得到的 二维时频图 设计了一 种5层卷 积神经网络结构 ， 为了避免时间与频率信息的混杂，采取了一维卷 积方式进行特征提取 ；S3 ，利 用反向 传播算法 训 练整个CNN网络；S4，以支持向量机作为整个模型 的分类器，将支持向量机替换CNN中的输出层。本 发明能够保证在脑电 数据集中 ，提取的 左右手运 动想象脑电 信号特征具有较高的识别率 ，鲁棒性 好。
S2 、构建5层卷积 神经网 络结构 ，第一 层为输入层 ，第二 、三 层为卷 积层 ，第四 层为全连 接层，第五层为输出层，采取一维卷积方式进行特征提取；
S3、利用反向传播算法训练整个卷积神经网络； S4、以支持向量机作为整个模型的分类器，将支持向量机替换CNN中的输出层。 2 .根据权利要求1所述的基于时频域的卷积神经网络运动想象脑电信号识别方法，其 特征在于 ，所述步骤S1脑原始左右手运动想象脑电 信号数据为由 C3、CZ和C4电 极采集的 左 手和右手运动想象脑电数据。 3 .根据权利要求2所述的基于时频域的卷积神经网络运动想象脑电信号识别方法，其 特征在于 ，所述步骤S1运动想象脑电 信号由C3、CZ和C4三个电 极采集而成 ，设计了一种二维 时频图作为CNN网络的输入，对每个电极采集到的2s长度脑电信号进行短时傅里叶变换：
4 .根据权利要求3所述的基于时频域的卷积神经网络运动想象脑电信号识别方法，其 特征在于，所述步骤S2的5层卷积神经网络结构分别为L1-L5层，具体如下：
L1：该层为神经网络的输入层，以预处理中得到的72×32时频图作为输入I； L2：该层为卷积层，采用一维卷积核进行计算，在L2中使用了8个卷积核，卷积核大小设 置为72×1 ，通过与输入数据进行卷积运算得8个对应的特征图 ，进行卷积第k个卷积核对应 的特征图被定义为：