[发明专利]一种基于CNN分类模型和生成对抗网络的运动想象分类方法及系统

权利要求书

1.一种基于CNN分类模型和生成对抗网络的运动想象分类方法，其特征在于，包括：

数据预处理：对收集的MI原始数据通过ICA消除部分噪声，通过带通滤波器消除不重要或干扰的信号，并通过小波变换和快速傅立叶变换进行特征提取；

数据扩充：通过基于长短期记忆网络和生成对抗网络，生成高质量MI数据；

数据分类：通过多输出卷积神经网络，提高分类性能，得到分类结果；

其中，所述基于长短期记忆网络和生成对抗网络包括生成器和鉴别器，所述生成器包括第一完全连接层、多个卷积层和多个注意力网络，所述鉴别器包括多个卷积LSTM和第二完全连接层。

2.根据权利要求1所述的一种基于CNN分类模型和生成对抗网络的运动想象分类方法，其特征在于，所述小波变换的具体计算公式如下：

其中，f代表输入数据，α代表变换量，τ代表变换系数,，φ表示小波基函数。

3.根据权利要求1所述的一种基于CNN分类模型和生成对抗网络的运动想象分类方法，其特征在于，所述鉴别器还包括：

辍学组件，用于减轻由训练数据不足引起的过拟合问题；

梯度损失组件，通过计算分类损失和总体损失函数约束模型的训练；

其中，所述分类损失计算公式如下：

loss(x,c)＝-x[c]+log(∑_jexp(x[j])) (2)

其中，c代表数据类别标签，x[.]对应于某个数据类别；

所述总体损失函数如下：

其中，α1＝10，α2＝0.5；

所述鉴别器还采用Avgpooling层，用于当从中提取数据特征时，网络专注于数据的整体表示。

4.根据权利要求1所述的一种基于CNN分类模型和生成对抗网络的运动想象分类方法，其特征在于，所述多输出卷积神经网络包括特征提取网络和三个子分类网络，所述特征提取网络包括卷积层，所述子分类网络包括LSTM网络和第三完全连接层，具体训练步骤包括：

将每个卷积层的输出结果输入至子分类网络；

每个子分类网络根据自身获得的特征信息完成分类任务并输出分类结果；

对分类结果的影响程度进行计算；

通过三个子分类网络共同确定MI数据的分类结果。

5.根据权利要求1所述的一种基于CNN分类模型和生成对抗网络的运动想象分类方法，其特征在于，所述影响程度的具体计算公式如下：

X＝q₁*S(X₁)+q₂*S(X₂)+q₃*S(X₃) (4)

其中，q_n表示子输出权重值，所述权重值表示此子分类结果对最终分类结果的影响程度；S表示Softmax激活函数，X_n表示通过子网获得的特征向量。

6.根据权利要求1所述的一种基于CNN分类模型和生成对抗网络的运动想象分类方法，其特征在于，所述注意力网络计算方法包括：

通过生成器的卷积层获得特征图，并通过1*1卷积核进行特征提取，得到两个特征矩阵M₁和M₂；；

转置M₁，特征矩阵将主要显示通道上数据的表达，并得到矩阵M`₁；

执行M`₁和M₂的矩阵乘法得到新矩阵，并通过Softmax激活函数将权重值分配给新矩阵的每个点；

通过得到的点计算所有点对某点的影响程度，得到注意力矩阵；

将注意力矩阵映射到特征图，并将不同的注意力分配给每个特征点。