买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆邮电大学

摘要：本发明公开了一种基于并行CNN‑Transformer神经网络的运动想象脑电信号分类方法，包括S1，对运动想象脑电信号进行预处理；S2，在预处理后的运动想象脑电信号中添加噪声来扩充数据；S3，对步骤S1和步骤S2处理后的运动想象脑电信号进行时频分析生成包含时间特征、频率特征和位置信息的二维特征图；S4，构建CNN模型，设置网络参数，提取二维特征图中的频率特征和位置信息；S5，构建Transformer模型，设置网络参数，提取二维特征图中的时间特征；S6，将步骤S4和步骤S5提取的特征进行串联，并输入到分类器得到运动想象分类结果。通过在数据集BCIcompetitionIVdataset2b上进行验证，并与近年来具有良好表现的运动想象分类方法进行比较，实验结果表明，本发明有更好的分类性能。

主权项：1.一种基于并行CNN-Transformer神经网络的运动想象脑电信号分类方法，其特征在于，包括以下步骤：S1，对运动想象脑电信号进行预处理；S2，在预处理后的运动想象脑电信号中添加噪声来扩充数据；S3，对步骤S1和步骤S2处理后的运动想象脑电信号进行时频分析生成包含时间特征、频率特征和位置信息的二维特征图；所述时频分析选取母小波为复Morlet小波的连续小波变换进行时频分析，分别对步骤S1和步骤S2处理后的运动想象脑电信号中的C3、Cz、C4三个通道的数据进行连续小波变换生成二维时频图，并将每个步骤中三个通道的二维时频图组合为包含时间、频率和位置信息的二维特征图，具体包括：S3-1、对步骤S1和步骤S2处理后的运动想象脑电信号中的C3、Cz、C4三个通道时长为4s的数据进行CWT分析，生成包含时间和频率的二维时频图，其中，连续小波变换采用如下公式： 其中CWTs,τ表示连续小波变换输出，s表示尺度并且s≠0，τ表示平移因子，是的复共轭函数，母小波通过平移和缩放得到，＜·＞表示内积，xt表示输入序列，表示母小波的平移和缩放；S3-2、分别截取3个脑电信号通道中与运动想象脑电信号密切相关的8-30Hz频带的二维时频图，将截取后的图像按照电极顺序上下排列组合成包含时间、频率和位置信息的二维特征图；S4，构建CNN模型，设置网络参数，提取二维特征图中的频率特征和位置信息；所述CNN模型包括3个卷积层和3个最大池化层，卷积层中每个卷积核大小都为3×3，步幅为1像素，卷积层输入用1个像素填充，三层卷积层的滤波器个数依次为16，32，64，每个卷积层后加一个最大池化层，前两个池化层大小2×2，最后一个池化层大小为8×8，每个池化窗口大小和步长相同；S5，构建Transformer模型，设置网络参数，提取二维特征图中的时间特征；所述Transformer模型，将步骤S3得到的二维特征图沿着时间维度方向按照单位时间裁切为非重叠输入特征序列，然后将经过输入编码和位置编码后的特征序列作为Transformer模型输入；Transformer包含3个相同的编码器层堆叠而成，每一层由4头自注意力层和前馈神经网络层两个子层组成，两个子层的输出都经过残差连接和层归一化；S6，将步骤S4和步骤S5提取的特征进行串联，并输入到分类器得到运动想象分类结果；将步骤S4中CNN提取的频率特征、位置信息和步骤5中Transformer提取的时间特征串联作为新的输入，输入到全连接层进行分类。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种基于并行CNN-Transformer神经网络的运动想象脑电信号分类方法