CN114492500A - 基于一维卷积核的运动想象脑电信号分类方法 - Google Patents

Abstract

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。

Description

基于一维卷积核的运动想象脑电信号分类方法

技术领域

本发明属于信息技术领域，涉及运动想象脑电信号的分类识别，具体涉及一种基于一维卷积核的运动想象脑电信号分类方法。

背景技术

目前，脑机接口技术逐渐成为脑科学、康复工程、生物医学工程及自动控制领域的一个热点。脑机接口通过脑电设备采集大脑信号，经过脑电信号处理等一系列的操作，将脑电信号转换为相关指令，进而控制外部设备。该技术极大地改善了运动障碍患者的生活质量，同时也在智能家居、娱乐等方面丰富了人们的生活。

由于运动想象脑电信号(Moter Imagery Electroencephalogram,MI-EEG)具有非平稳性、非线性等特点，对MI-EEG的精准分类成为当前需要解决的难题。在处理非平稳时变信号时，常采用时窗法与频窗法，这两种方法存在同样的问题，即时域和频域分辨率的不确定原理，在时域上的分辨率越高，频域上的分辨率就会越低。后来出现了将时域和频域结合起来的小波变换方法，小波变换作为一种处理非平稳信号的强大工具，在许多方面都被广泛应用。但是由于脑电信号的复杂性，传统的小波变换对信号的低频部分进行分解，会忽略高频部分，导致大量细节信息和边缘信息的丧失，对信号的分析有所影响。

目前，运动想象脑电信号分类数量不多或者分类准确度不高，唐智川等人基于脑电信号时空信息结合，设计了5层卷积神经网络，对左手和脚的运动想象脑电信号进行分类识别，其二分类的平均识别率为88.75％，并应用于上肢康复外骨骼的实时控制；李端玲等人提出了一种基于能量小波包变换和LM算法结合的MI-EEG处理方法，在BCI CompetitionIV Dataset2b二分类数据集上的准确度达90.13％；程时伟等人在减少脑电信号采集通道，增加分类数量的前提下，建立由3层卷积层、3层池化层和2层全连接层构成的卷积神经网络，平均分类准确率为82.81％。

发明内容

本发明的目的是提供一种基于小波包变换和一维卷积核的运动想象脑电信号分类方法，实现对多类运动想象脑电信号的高精度识别。

本发明包括以下步骤：

步骤(1)获取运动想象脑电数据：通过基于10/20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WT₄(a,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。

进一步，步骤(2)中Z-Score数据标准化方法为：

μ表示原始数据的均值，σ表示原始数据的标准差，x为标准化采集的脑电数据，x^*为标准化后的脑电数据。

在进一步，步骤(3)具体是：

(3-1)对脑电信号进行小波变换，得到一组小波分解系数：经过Z-Score标准化的原始脑电信号电压幅值序列

表示第n个原始脑电波信号的电压幅值，n＝1,2,...,N，N表示原始脑电信号包含的幅值数量；采用Db4小波基，即一种有限长会衰减的小波基函数，记为ψ₄((n-τ)/a)，将原始脑电波信号用一组正交的不同频率的小波基进行展开，得到Db4小波基对应的小波分解系数：

其中，τ为平移量，尺度a控制小波函数的伸缩，与小波的频率成反比；

(3-2)阈值处理小波分解系数WT₄(a,τ)，得到小波估计系数WT₄′(a,τ)：

采用通用阈值，在最大最小估计的限制下，其最优阈值即设定噪声阈值

σ表示噪声标准方差；采用软阈值法对分解后的小波系数进行如下处理，得到小波估计系数WT₄′(a,τ)：

其中，sgn表示阶跃函数，当小波分解系数WT₄(a,τ)＞0时，sgn(WT₄(a,τ))的值为1；当小波分解系数WT₄(a,τ)＜0时，sgn(WT₄(a,τ))的值为-1；当小波分解系数WT₄(a,τ)＝0时，sgn(WT₄(a,τ))的值为0；

(3-3)利用小波估计系数WT₄′(a,τ)进行小波重构，得到去噪后的脑电信号：根据处理后的小波系数WT₄′(a,τ)与小波基中的尺度a和平移量τ，对原始脑电波信号进行重构，去完噪后的原始脑电波信号的第n个幅值

更进一步，其特征在于，步骤(4)具体是：

(4-1)小波包分解计算小波系数：对去噪后的脑电波信号序列x＝{x₁,x₂,...,x_N}，采用Db4小波基函数按照二叉树方法进行W层分解，对于第w层的第μ个节点(w,μ)对应的Db4小波基函数记为

对于不同的节点(w,μ)得到不同的小波系数

(4-2)脑电信号重构：对于α和β频段的脑电波信号，选择二叉树中对应节点组合U_i，i∈(α,β)，将U_i内包含的小波系数与小波基进行重构，重构表达式为：

其中，x_i表示i频段原始脑电波信号幅值；

(4-3)将重构后得到的C3、Cz和C4通道的α和β频段的脑电数据构建成6×N二维矩阵，用作卷积神经网络的输入，N表示每个频段上的脑电信号幅值个数。

又进一步，步骤(5)中，所述的卷积层：将6×N二维矩阵转换为3个1×1×2×N四维矩阵，第一维度表示单次运动想象，第二维度表示单个通道，第三维度表示α和β两个频段，第四维度表示每个频段上的脑电信号幅值；采用三个通道单独卷积的方式，选用一维卷积核，仅在时间上进行卷积；设卷积核大小为1×q，卷积核中第1行第j列的权重为w_1j，与卷积核对应的时频矩阵块中每个元素的脑电信号幅值为v_1j，则乘以卷积核后的输出

conv_a,b为卷积运算后得到的矩阵中，第a行第b列的数值；

在激活层之前加入了批正则化操作，批正则化后，对得到的矩阵中的每一个元素进行激活，激活函数选择如下所示的线性整流单元ReLu代替传统神经网络中的tanh和sigmod函数：z_a,b＝max(0,conv_a,b)，z_a,b表示卷积后的矩阵中第a行第b列的元素；

所述的全连接层：将卷积层提取到的局部特征合并在一起形成一维的全局特征向量，将该特征向量作为全连接层的输入；全连接层中的第l层的输出向量U_l，是上一层的输出向量U_l-1乘以相应的权重矩阵并通过激活函数的响应得到；利用具有4个神经元的全连接层输出多分类任务的结果。

还进一步，(6-2)训练卷积神经网络模型，具体包括：

a.选取ReLu激活函数，该函数为分段线性函数，非负区间内的导数为常数；

b.反向传播，即优化交叉熵损失函数进行卷积神经网络模型训练，学习率设为0.01；其损失函数

其中，h_θ(x⁽ⁱ⁾)为第i个样本数据的预测值，y⁽ⁱ⁾为第i个样本数据的真实值，m表示样本数据点个数，J(θ)为各个样本点的误差平方和；

c.在第一个全连接层中设置了Dropout，丢失率为0.5。

本发明和现有技术相比有如下效果：

本发明提出了基于小波包变换的特定频段脑电数据提取方法，避免了大量细节和边缘脑电信息的缺失，可以使脑电信号的时频分析更加精确。本发明提出了基于一维卷积核的运动想象脑电数据分类方法，采用三层卷积层和三层全连接层，但未包含池化层的卷积神经网络模型，对单个通道单独卷积，最终利用具有四个神经元的全连接层输出多分类任务的结果。该卷积神经网络模型结构简单，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。

附图说明

图1为本发明方法的流程示意图；

图2为运动想象四分类数据集实验范式；

图3为脑电信号采集通道示意图；

图4为小波包变换示意图；

图5为卷积神经网络结构图。

具体实施方式

为了更加清楚地描述，以下详细说明本发明具体的技术方案。

基于小波包变换和一维卷积核的运动想象脑电信号分类方法，方案流程如附图1所示。

步骤(1)获取运动想象脑电数据。

根据不同运动想象任务对不同区域的影响，通过基于10/20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。引入运动想象脑电信号四分类数据集BCI Competition IV Dataset 2a，提取C3、C4、Cz通道数据。

该数据集记录了九位正常人各288次随机的左手、右手、双脚、舌头(分别用0、1、2、3表示)四类运动想象实验。数据集实验范式如图2所示，每次实验时间分为三个阶段，0-2s为准备阶段，2s-6s为运动想象阶段，6s过后为短暂的休息阶段，在单次实验中，用25个电极对22个EEG通道和3个EOG通道的脑电数据进行采集，整个采集过程以250Hz采样频率记录脑电信号，并进行了0.5-100Hz的带通滤波处理。

在进行四分类运动想象时，会产生同步(ERS)/去同步(ERD)现象：在进行左手和右手运动想象时，大脑皮层会出现相应的同步、去同步现象，而在进行双脚和舌头运动想象时，只出现了同步现象。同时，对于同步和去同步现象，在大脑皮层的C3、Cz、C4三个区域上有明显的差异，具体差异总结如表1。根据不同运动想象任务对不同区域的影响，提取了原始脑电信号中C3、Cz、C4三个通道的脑电数据用于分类，如附图3。

通道	左手	右手	双脚	舌头
					C3	同步	去同步	同步	同步
C4	去同步	同步	同步	同步
					Cz	—	—	去同步	同步

表1四类运动想象的同步/去同步现象

步骤(2)对脑电数据标准化处理。

为了消除不同数据组之间的量纲影响，对原始脑电信号进行数据标准化处理，便于分类。该方法使用Z-Score方法进行标准化：

μ表示原始脑电信号幅值的均值，σ表示原始脑电信号幅值的标准差，x为某一时刻的脑电信号幅值，x^*为该时刻标准化后的脑电信号幅值；经过标准化后的脑电数据符合正态分布，即均值为0，标准差为1，各通道数据处于同一数量级，能提升模型分类的精度。

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WT₄(a,τ)与thr进行比较：若小波分解系数小于thr，则认为该系数主要由噪声引起，需要去除该小波分解系数；若小波分解系数大于等于thr，则认为是由信号引起，需要保留该小波分解系数；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。具体步骤如下：

(3-1)对脑电信号进行小波变换，得到一组小波分解系数：经过Z-Score标准化的原始脑电信号电压幅值序列

表示第n个原始脑电波信号的电压幅值，n＝1,2,...,N，N表示原始脑电信号包含的幅值数量。本实施例采用的脑电信号采样频率为250Hz，每一个运动想象任务中截取2-6秒的数据。采用Db4小波基，即一种有限长会衰减的小波基函数，记为ψ₄((n-τ)/a)，将原始脑电波信号用一组正交的不同频率的小波基进行展开，得到Db4小波基对应的小波分解系数：

其中，τ为平移量，尺度a控制小波函数的伸缩，与小波的频率成反比。

(3-2)阈值处理小波分解系数WT₄(a,τ)，得到小波估计系数WT₄′(a,τ)：采用通用阈值，在最大最小估计的限制下，其最优阈值

σ表示噪声标准方差；采用软阈值法对分解后的小波系数进行如下处理，得到小波估计系数WT₄′(a,τ)：

其中，sgn表示阶跃函数，当小波分解系数WT₄(a,τ)＞0时，sgn(WT₄(a,τ))的值为1；当小波分解系数WT₄(a,τ)＜0时，sgn(WT₄(a,τ))的值为-1；当小波分解系数WT₄(a,τ)＝0时，sgn(WT₄(a,τ))的值为0。

(3-3)利用小波估计系数WT₄′(a,τ)进行小波重构，得到去噪后的脑电信号：根据处理后的小波系数WT₄′(a,τ)与小波基中的尺度a和平移量τ，对原始脑电波信号进行重构，去完噪后的原始脑电波信号的第n个幅值

步骤(4)小波包变换得到α和β频段的脑电信号。小波包变换既可以对信号的低频部分进行分解，也可以对高频部分进行分解，避免了大量细节和边缘脑电信息的缺失，可以使脑电信号的时频分析更加精确。具体过程如下：

(4-1)小波包分解计算小波系数：对去噪后的脑电波信号序列x＝{x₁,x₂,...,x_N}，采用Db4小波基函数按照二叉树方法进行W层分解，对于第w层的第μ个节点(w,μ)对应的Db4小波基函数记为

本实施例中，脑电信号采样频率为250Hz，为了使提取得到的特定频段数据具有足够高分辨率，选择小波包分解层数W＝7。

对于不同的节点(w,μ)可得到不同的小波系数

(4-2)脑电信号重构：根据附图4可以看出，小波包变换得到的各节点频率范围顺序不是按从小到大排序的，而是以格雷码的顺序。如果第n-1层的某个节点为低频信号，则此节点在第n层上做分解：低频段分到此节点的左子节点，高频段分到右子节点；如果第n-1层的某个节点为高频信号，则此节点的高频段分到此节点的左子节点，低频段分到右子节点；与运动想象有关的脑电信号频率分布在α(8-13Hz)和β(14-30Hz)频段，对于α和β频段的脑电波信号，选择二叉树中对应节点组合U_i，i∈(α,β)，将U_i内包含的小波系数与小波基进行重构，重构表达式为：

其中，x_i表示i频段原始脑电波信号幅值。根据两个频段的频率分布，分别选取表2节点进行重构：

频段名	频段频率	节点组合
			α	8-13Hz	(5,3)+(7,10)
β	14-30Hz	(6,4)+(4,3)+(5,5)+(6,9)+(7,17)

表2α、β频段节点组合

(4-3)构建二维矩阵：将重构后得到的C3、Cz和C4通道的α和β频段的脑电数据构建成6×1048二维矩阵，用作卷积神经网络的输入，如下式：

S_T表示将重构后的脑电信号按照通道和频段并列排放时的二维矩阵，x_i,j ^f表示第i个通道f频段上的第j个脑电信号的电压幅值。

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，如图5。网络结构主要包括卷积层、全连接层，由于卷积神经网络输入样本的数据较少，且池化层易破坏脑电数据完整性，为了提高分类精度，该方法的网络结构未包含池化层。

(5-1)卷积层：将6×1048二维矩阵转换为三个1×1×2×1048四维矩阵，第一维度表示单次运动想象，第二维度表示单个通道，第三维度表示α和β两个频段，第四维度表示每个频段上4s内的脑电数据。该方法对三个通道单独卷积，为了提取不同通道不同频段上的脑电数据特征，选用一维卷积核，仅在时间上进行卷积。设卷积核大小为1×q，卷积核中第1行第j列的权重为w_1j，与卷积核对应的时频矩阵块中每个元素的脑电信号幅值为v_1j，则乘以卷积核后的输出

conv_a,b为卷积运算后得到的矩阵中，第a行第b列的数值。

由于卷积后的每一批数据分布会有差别，为了能使卷积后的每一批数据分布一致且避免梯度消失，在激活层之前加入了批正则化操作(BatchNormal)，让数据大部分都分布在0附近。

批正则化后，对得到的矩阵中的每一个元素进行激活，以增加整个网络的非线性，提升网络的表达能力。激活函数选择如下所示的线性整流单元(ReLu)来代替传统神经网络中的tanh和sigmod函数，加快网络的训练速度：z_a,b＝max(0,conv_a,b)，z_a,b表示卷积后的矩阵中第a行第b列的元素。

(5-2)全连接层：在神经网络模型中，全连接层可以提高网络的非线性映射能力，并对网络的规模进行限制。将卷积层提取到的局部特征合并在一起形成一维的全局特征向量，将该特征向量作为全连接层的输入。全连接层中的第l层的输出向量U_l，是上一层的输出向量U_l-1乘以相应的权重矩阵并通过激活函数的响应得到，U_l＝U_l-1W_l-1+b_l-1。U_l-1和b_l-1分别表示第l-1层的权重矩阵与偏置。则最终的运动想象输出量O＝U_rW_r+b_r。r表示从全连接层的第一层输入开始到最后一个隐含层的总层数。U_r、W_r、b_r为最后一层隐含层的输出值，权重矩阵与偏置。为了防止出现过拟合现象，在第一层全连接层上增加了Dropout。本实施例最终利用具有四个神经元的全连接层输出多分类任务结果。

(5-3)卷积神经网络总体结构：为了减少参数设置对分类结果准确度的影响，本发明经过不断实验调整后确定了卷积神经网络的结构参数，如表3所示：

层数	类型	核尺寸	步长	输出尺寸
					1	卷积	1×16	1	1×8×2×1033
2	卷积	1×8	1	1×14×2×1026
					3	卷积	1×4	1	1×18×2×1023
4	全连接	—	—	500
					5	全连接	—	—	10
6	全连接	—	—	4

表3卷积神经网络结构参数

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：由于原实验运动想象脑电数据较少，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；反向传播阶段主要是利用训练样本和已知标签之间的误差来调整更新权值。具体分为以下三个部分：

a.激活函数是前向传播中实现非线性的关键。选取ReLu激活函数，该函数为分段线性函数，非负区间内的导数为常数，不存在“梯度消失”的问题；

b.反向传播即优化交叉熵损失函数进行卷积神经网络模型训练。在优化过程中，学习率设为0.01。由于数据在经过多层神经元的时候会产生误差，而各层神经元的误差大小不同，需将误差反向传播到网络中计算出各层神经元误差的贡献程度。采用随机梯度下降优化算法(SGD)最小化损失函数并更新权重和偏差，该方法每次只选取一个样本参与，计算量大大减少，其损失函数为：

其中，h_θ(x⁽ⁱ⁾)为第i个样本数据的预测值，y⁽ⁱ⁾为第i个样本数据的真实值，m表示样本数据点个数，J(θ)为损失函数,即各个样本点的误差平方和。

c.在卷积神经网络模型训练的过程中，可能会存在过拟合现象，即模型能完美拟合训练数据，但在测试数据上的误差较大。该方法在第一个全连接层中设置了Dropout，丢失率为0.5，用该方式让一部分神经元以一定概率停止工作，减少神经元之间的依赖，从而减少了过拟合现象。

由于每次输入神经网络的样本批量大小会影响网络的性能和收敛速度，大批量可以加速收敛，但精度低，小批量精度高，但速度慢。为了满足精度高、速度快的需求，经多次实验后选择了24的批量大小，实验结果表明24的批量大小可实现较高的分类精度。

步骤(7)选取最终分类模型。在相应数据集上的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。在BCI CompetitionIV Dataset 2a数据集上的模型训练准确度相较于其他模型更高。

Claims (6)

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10/20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WT₄(a,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。

2.如权利要求1所述的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，步骤(2)中Z-Score数据标准化方法为：

μ表示原始数据的均值，σ表示原始数据的标准差，x为标准化采集的脑电数据，x^*为标准化后的脑电数据。

3.如权利要求2所述的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，步骤(3)具体是：

(3-1)对脑电信号进行小波变换，得到一组小波分解系数：经过Z-Score标准化的原始脑电信号电压幅值序列

表示第n个原始脑电波信号的电压幅值，n＝1,2,...,N，N表示原始脑电信号包含的幅值数量；采用Db4小波基，即一种有限长会衰减的小波基函数，记为ψ₄((n-τ)/a)，将原始脑电波信号用一组正交的不同频率的小波基进行展开，得到Db4小波基对应的小波分解系数：

其中，τ为平移量，尺度a控制小波函数的伸缩，与小波的频率成反比；

(3-2)阈值处理小波分解系数WT₄(a,τ)，得到小波估计系数WT₄′(a,τ)：

采用通用阈值，在最大最小估计的限制下，其最优阈值即设定噪声阈值

σ表示噪声标准方差；采用软阈值法对分解后的小波系数进行如下处理，得到小波估计系数WT₄′(a,τ)：

其中，sgn表示阶跃函数，当小波分解系数WT₄(a,τ)＞0时，sgn(WT₄(a,τ))的值为1；当小波分解系数WT₄(a,τ)＜0时，sgn(WT₄(a,τ))的值为-1；当小波分解系数WT₄(a,τ)＝0时，sgn(WT₄(a,τ))的值为0；

(3-3)利用小波估计系数WT₄′(a,τ)进行小波重构，得到去噪后的脑电信号：根据处理后的小波系数WT₄′(a,τ)与小波基中的尺度a和平移量τ，对原始脑电波信号进行重构，去完噪后的原始脑电波信号的第n个幅值

4.如权利要求3所述的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，步骤(4)具体是：

(4-1)小波包分解计算小波系数：对去噪后的脑电波信号序列x＝{x₁,x₂,...,x_N}，采用Db4小波基函数按照二叉树方法进行W层分解，对于第w层的第μ个节点(w,μ)对应的Db4小波基函数记为

对于不同的节点(w,μ)得到不同的小波系数

(4-2)脑电信号重构：对于α和β频段的脑电波信号，选择二叉树中对应节点组合U_i，i∈(α,β)，将U_i内包含的小波系数与小波基进行重构，重构表达式为：

其中，x_i表示i频段原始脑电波信号幅值；

(4-3)将重构后得到的C3、Cz和C4通道的α和β频段的脑电数据构建成6×N二维矩阵，用作卷积神经网络的输入，N表示每个频段上的脑电信号幅值个数。

5.如权利要求4所述的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：步骤(5)中，所述的卷积层：将6×N二维矩阵转换为3个1×1×2×N四维矩阵，第一维度表示单次运动想象，第二维度表示单个通道，第三维度表示α和β两个频段，第四维度表示每个频段上的脑电信号幅值；采用三个通道单独卷积的方式，选用一维卷积核，仅在时间上进行卷积；设卷积核大小为1×q，卷积核中第1行第j列的权重为w_1j，与卷积核对应的时频矩阵块中每个元素的脑电信号幅值为v_1j，则乘以卷积核后的输出

conv_a,b为卷积运算后得到的矩阵中，第a行第b列的数值；

在激活层之前加入了批正则化操作，批正则化后，对得到的矩阵中的每一个元素进行激活，激活函数选择如下所示的线性整流单元ReLu代替传统神经网络中的tanh和sigmod函数：z_a,b＝max(0,conv_a,b)，z_a,b表示卷积后的矩阵中第a行第b列的元素；

所述的全连接层：将卷积层提取到的局部特征合并在一起形成一维的全局特征向量，将该特征向量作为全连接层的输入；全连接层中的第l层的输出向量U_l，是上一层的输出向量U_l-1乘以相应的权重矩阵并通过激活函数的响应得到；利用具有4个神经元的全连接层输出多分类任务的结果。

6.如权利要求5所述的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：(6-2)训练卷积神经网络模型，具体包括：

a.选取ReLu激活函数，该函数为分段线性函数，非负区间内的导数为常数；

b.反向传播，即优化交叉熵损失函数进行卷积神经网络模型训练，学习率设为0.01；其损失函数

其中，h_θ(x⁽ⁱ⁾)为第i个样本数据的预测值，y⁽ⁱ⁾为第i个样本数据的真实值，m表示样本数据点个数，J(θ)为各个样本点的误差平方和；

c.在第一个全连接层中设置了Dropout，丢失率为0.5。

Images