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：福州大学

摘要：本发明涉及一种基于DSCNN和ELM的EEG信号MI任务分类方法，包括以下步骤：步骤S1:获取EEG信号并进行预处理；步骤S2:构建深度分离卷积神经网络，并基于深度分离卷积神经网络对预处理后的EEG信号进行特征提取；步骤S3:将深度分离卷积神经网络提取的特征信息展平成一维的特征向量形式并传递给ELM分类器进行基于EEG信号MI任务的识别,获得识别结果。本发明实现快速有效的EEG信号MI任务分类，有效促进了基于EEG信号MI分类在BCI领域内的应用研究。

主权项：1.一种基于DSCNN和ELM的EEG信号MI任务分类方法，其特征在于，包括以下步骤：步骤S1:获取EEG信号并进行预处理；步骤S2:构建深度分离卷积神经网络，并基于深度分离卷积神经网络对预处理后的EEG信号进行特征提取；步骤S3:将深度分离卷积神经网络提取的特征信息展平成一维的特征向量形式并传递给ELM分类器进行基于EEG信号MI任务的识别，得识别结果；所述步骤S2具体为：步骤S21:将预处理后的EEG信号进行相同任务下的滑窗操作增加数据量，经过滑窗以后形成二维数据片段；步骤S22:采用DSCNN网络模型提取二维数据片段的时空特征；所述DSCNN网络模型包括两层分离的卷积和两层常规卷积操作，两层分离的卷积用来提取相应的时间特征和空间特征，之后形成具有抽象的高层次时空特征数据片段，随后利用两层的常规卷积对这些时空特征再次挖掘有效特征信息；所述ELM分类器包括三层，分别是输入层、隐含层和输出层，将前面经过卷积部分提取的时空特征信号经过全连接层传递给ELM的输入层，然后经过权值计算最后输出EEG信号的识别结果；所述ELM分类器采用的算法，具体如下：将输入层定义为X，设定隐层节点数为L，输出层用O表示；针对N个任意不同的样本Xi,ti，这里Xi＝[xi1,xi2,xi3,xi4,...,xin]T∈Rn,ti＝[ti1,ti2,ti3,ti4,...,tin]T∈Rm,根据ELM网络模型的隐层节点数L，则包含有隐层节点数L的单隐层前馈神经网络通过下面方程表示为： 其中gx表示激活函数，Wi＝[wi1,wi2,wi3,...,wiN]T为输入权重，βi代表输出权重，bi代表第i个隐层单元的偏置；Wi*Xj表示Wi和Xj的内积；此外，单隐层神经网络的目标就是最小化输出误差值，计算公式表示为： 即存在βi，Wi和bi使得 通过矩阵形式表示出来：Hβ＝T4其中，隐层节点的输出用H代表，输出权重为β，期望输出用T表示； 为了能够成功训练单隐层神经网络，需要得到一些变量值使得 其中i＝1,2,...,L,这等价于将损失函数最小化，损失函数计算方程式为 训练单隐层的神经网络通过转换一个线性系统的形式进行求解，即H*β＝T，并且输出权值β可以被确定 求解的最后方程式为： 其中H+代表矩阵H的Moore-Penrose广义逆，求得的结果的范数是最小且唯一。

全文数据：

权利要求：

百度查询： 福州大学 基于DSCNN和ELM的EEG信号MI任务分类方法