[发明专利]基于LSTM-FC的脑电信号特征提取与分类识别方法

权利要求书

1.一种基于LSTM-FC的脑电信号特征提取与分类识别方法，其特征在于，包括以下步骤：

S1：脑电信号的采集与预处理；

S2：定义基本的LSTM网络的模型结构；

S3：将通过LSTM网络的特征矩阵经过两层FC网络，得到融合FC网络的LSTM模型，即LSTM-FC模型；

S4：将训练集输入相应的模型中进行训练，利用误差反向传播更新网络；

S5：训练好相应的模型后，再将测试集输入模型中得到运动想象任务的最终的分类准确率，进而评估此模型的性能；

S6：对比LSTM和LSTM-FC两个模型的性能，得出最优的模型。

2.根据权利要求1所述的一种基于LSTM-FC的脑电信号特征提取与分类识别方法，其特征在于，所述步骤S2中：

在LSTM网络的模型结构中设置输入门，忘记门和输出门；三个门之间相互作用共同搭建LSTM网络的记忆模块，其数学表达式如下：

令第t时刻网络的脑电数据输入为x_t,隐藏层状态为h_t，则上一时刻的隐藏层状态为h_t-1，在数据经过LSTM前向传输后，内部的各个状态变化可如下表示：

f_t＝δ(W_f·[h_t-1,x_t]+b_f) 忘记门

i_t＝δ(W_i·[h_t-1,x_t]+b_i) 输入门

输入值

新状态

o_t＝δ(W_o·[h_t-1,x_t]+b_o) 输出门

h_t＝o_t*tanh(C_t) 输出值

其中，tanh为双曲正切函数，其数学表达式为：δ为sigmoid函数，其数学表达式为：W_f、W_i、W_C、W_o和b_i、b_C、b_o、b_f均分别是网络中权值矩阵和偏差向量，需要进行训练的参数，其初始化值介于0-0.1之间，在训练过程中自动更新。

3.根据权利要求2所述的一种基于LSTM-FC的脑电信号特征提取与分类识别方法，其特征在于，所述步骤S3中：

定义FC网络的参数，将通过LSTM网络后的特征矩阵经过FC得到最终的LSTM-FC分类器；

FC网络线性部分做线性转换，将LSTM最终的输出值o＝[o₁,o₂,...o_n]^T作为FC网络的输入向量，其经过隐藏层后可得到线性的输出向量z＝[z₁,z₂,...z_m]^T，公式表示如下：

z＝W_q*o+b_q

其中，W_q为当前FC网络的一个m*n的权值矩阵，b_q为偏置向量，且b_q＝[b_q0,b_q1,...b_qm]^T；得到线性输出向量后，利用非线性函数即激活函数对输出进行转换得到输出层的输出向量y＝[y₀,y₁,...y_k]^T，其中，常用的激活函数包括relu、sigmoid和tanh。