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：浙江工业大学

摘要：本发明公开了基于一维卷积核的运动想象脑电信号分类方法。现有运动想象脑电信号分类数量不多或者分类准确度不高。本发明方法首先获取运动想象脑电数据，并进行标准化处理；小波包变换得到α和β频段的脑电信号；然后利用一维卷积核的卷积神经网络对构造的MI‑EEG数据进行分类，网络结构包括卷积层、全连接层；获取和训练卷积神经网络模型，在相应数据集上进行模型训练和验证，选取效果最优的模型作为最终运动想象脑电数据分类模型。本发明方法避免了大量细节和边缘脑电信息的缺失，使脑电信号的时频分析更加精确。本发明方法采用的卷积神经网络模型既保留了各自通道的特征信息，又保留了脑电数据的完整性，在运动想象多分类任务上易于实现。

主权项：1.基于一维卷积核的运动想象脑电信号分类方法，其特征在于，该方法具体如下：步骤1获取运动想象脑电数据：通过基于1020系统法的脑电采集模块提取原始脑电信号中C3、Cz、C4三个通道的脑电数据，用于分类；步骤2使用Z-Score方法对脑电数据标准化处理，标准化后的脑电数据符合正态分布；步骤3将三个通道的原始脑电信号进行小波阈值去噪，设定噪声阈值thr，对小波变换后得到的小波分解系数WT4a,τ与thr进行比较：若小波分解系数小于thr，去除该小波分解系数；若小波分解系数大于等于thr，保留小波分解系数；最后对阈值处理过的小波分解系数进行小波重构计算，得到去噪后的脑电信号；步骤4小波包变换得到α和β频段的脑电信号；步骤5构建卷积神经网络：利用一维卷积核的卷积神经网络对构造的MI-EEG数据进行分类，网络结构包括卷积层、全连接层；步骤6获取和训练卷积神经网络模型；6-1获取训练集和验证集：通过五折交叉检验方法扩充数据集，将原脑电数据随机分成五部分，不重复地选取其中一部分作为测试集，用另外四部分作为训练集对模型进行训练；6-2训练卷积神经网络模型：卷积神经网络模型的训练包含前向传播和反向传播两个过程；在前向传播阶段，数据经过卷积、激活函数的非线性变换达到输出层；反向传播阶段是利用训练样本和已知标签之间的误差来调整更新权值；步骤7选取最终分类模型：在相应数据集上进行模型训练和验证，选取训练过程中分类效果最优的模型，作为最终的运动想象脑电数据分类模型。

全文数据：

权利要求：

百度查询： 浙江工业大学 基于一维卷积核的运动想象脑电信号分类方法