[發(fā)明專利]構(gòu)建CNN-GB模型的方法及系統(tǒng)、數(shù)據(jù)特征分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811257725.3
• 申請(qǐng)日: 2018-10-26
• 公開（公告）號(hào): CN109359610A
• 公開（公告）日: 2019-02-19
• 發(fā)明（設(shè)計(jì)）人: 徐舫舟;許曉燕;舒明雷;張迎春
• 申請(qǐng)（專利權(quán)）人: 齊魯工業(yè)大學(xué);山東省計(jì)算中心（國(guó)家超級(jí)計(jì)算濟(jì)南中心）
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/08
• 代理公司: 濟(jì)南信達(dá)專利事務(wù)所有限公司 37100
• 代理人: 孫園園

1.構(gòu)建CNN-GB模型的方法，其特征在于包括如下步驟：

S100、采集腦電數(shù)據(jù)，并對(duì)腦電數(shù)據(jù)進(jìn)行預(yù)處理；

S200、基于Caffe深度學(xué)習(xí)框架構(gòu)建CNN網(wǎng)絡(luò)模型，CNN網(wǎng)絡(luò)模型包括但不限于卷積層、池化層、全連接層和損失層；

S300、選取一部分腦電數(shù)據(jù)作為訓(xùn)練集，通過(guò)訓(xùn)練集訓(xùn)練CNN網(wǎng)絡(luò)模型并更新CNN網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)，得到訓(xùn)練后的CNN網(wǎng)絡(luò)模型，并輸出腦電數(shù)據(jù)的特征；

S400、通過(guò)腦電數(shù)據(jù)的特征訓(xùn)練GB網(wǎng)絡(luò)模型并更新GB網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)，得到訓(xùn)練后的GB網(wǎng)絡(luò)模型；

上述訓(xùn)練后的CNN網(wǎng)絡(luò)模型用于對(duì)腦電數(shù)據(jù)進(jìn)行特征提取，上述訓(xùn)練后的GB網(wǎng)模型用于對(duì)提取的特征進(jìn)行分類。

2.根據(jù)權(quán)利要求1所述的構(gòu)建CNN-GB模型的方法，其特征在于步驟S100中，采集腦電數(shù)據(jù)包括如下分步驟：

基于國(guó)際BCI Competition III競(jìng)賽數(shù)據(jù)庫(kù)中的Dataset I，通過(guò)腦電信號(hào)采集設(shè)備按照預(yù)設(shè)的采用頻率進(jìn)行數(shù)據(jù)采樣，并將采集到的腦電數(shù)據(jù)依據(jù)以試驗(yàn)次數(shù)×信道數(shù)目×采樣數(shù)目的規(guī)格進(jìn)行存儲(chǔ)，所述腦電數(shù)據(jù)為多信道腦電數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的構(gòu)建CNN-GB模型的方法，其特征在于步驟S100中對(duì)腦電數(shù)據(jù)進(jìn)行預(yù)處理包括如下步驟：

對(duì)腦電數(shù)據(jù)進(jìn)行濾波處理，用于濾除帶外噪聲干擾；

或者，對(duì)腦電數(shù)據(jù)進(jìn)行降采樣處理，用于在不丟失腦電數(shù)據(jù)的特征信息的條件下，去除噪聲和偽跡干擾；

或者，對(duì)腦電數(shù)據(jù)進(jìn)行濾波處理，用于濾除帶外噪聲干擾，并對(duì)腦電數(shù)據(jù)進(jìn)行降采樣處理，用于在不丟失腦電數(shù)據(jù)的特征信息的條件下，去除噪聲和偽跡干擾。

4.根據(jù)權(quán)利要求1、2或3所述的構(gòu)建CNN-GB模型的方法，其特征在于步驟S200中，卷積層的激活函數(shù)設(shè)置為Relu函數(shù)，池化層設(shè)置為最大值池化方式，上述卷積層、池化層和全連接層相互堆疊用于對(duì)腦電數(shù)據(jù)進(jìn)行特征提取。

5.根據(jù)權(quán)利要求4所述的構(gòu)建CNN-GB模型的方法，其特征在于步驟S300將腦電數(shù)據(jù)作為訓(xùn)練集輸入構(gòu)建的CNN網(wǎng)絡(luò)模型，通過(guò)誤差反向傳播和隨機(jī)梯度下降方法更新CNN網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)，包括如下分步驟：

S310、通過(guò)卷積層、池化層和全連接層對(duì)腦電數(shù)據(jù)進(jìn)行特征提取，并輸出訓(xùn)練集的標(biāo)簽；

S320、通過(guò)損失層將輸出的訓(xùn)練集的標(biāo)簽與正確的訓(xùn)練集的標(biāo)簽進(jìn)行對(duì)比生成網(wǎng)絡(luò)誤差，利用誤差反向傳播更新CNN網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)；

S330、利用隨機(jī)梯度下降法計(jì)算CNN網(wǎng)絡(luò)模型的最小損失函數(shù)，通過(guò)最小化誤差值，優(yōu)化CNN網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)。

6.根據(jù)權(quán)利要求5所述的構(gòu)建CNN-GB模型的方法，其特征在于步驟S310包括如下分步驟：

S311、通過(guò)卷積層對(duì)腦電數(shù)據(jù)進(jìn)行卷積處理，得到腦電數(shù)據(jù)的特征；

S312、通過(guò)池化層按照最大池化的方式對(duì)獲得的腦電數(shù)據(jù)的特征進(jìn)行池化操作；

S313、通過(guò)全連接層將池化后的腦電數(shù)據(jù)的特征表征為一個(gè)長(zhǎng)向量特征。