CN115221969B 基于emd数据增强和并行scn的运动想象脑电信号识别方法 （重庆邮电大学）

DecodingBasedonMulti-Sc1208-1218.基于EMD数据增强和并行SCN的运动想象脑本发明请求保护一种基于EMD数据增强和并行时空卷积网络(SCN)的运动想象脑电信号识别预处理，将预处理的脑电信号采用EMD分解得到进而生成更多符合原始脑电信号特征的人造数22.根据权利要求1所述的一种基于EMD数据增强和并行SCN的运动想象脑电信号识别方3.根据权利要求1所述的一种基于EMD数据增强和并行SCN的运动想象脑电信号识别方滤波和标准化：采用6阶的巴特沃斯带通滤波器对脑电信号滤波，滤波范围为0.5Hz_4.根据权利要求1所述的一种基于EMD数据增强和并行SCN的运动想象脑电信号识别方第一个通道经过EMD分解分别得到IMF1和IMF2，将IMF1和IMF2按时间轴等分成四段，选择5.根据权利要求4所述的一种基于EMD数据增强和并行SCN的运动想象脑电信号识别方36.根据权利要求4所述的一种基于EMD数据增强和并行SCN的运动想象脑电信号识别方第二层通道卷积使用卷积核大小为1x3，步长默认为1x1，然后经过核大小为6x1的最大7.根据权利要求6所述的一种基于EMD数据增强和并行SCN的运动想象脑电信号识别方将拼接的向量输入一个卷积核大小为3x1，步长为1x1的卷积来提取脑电信号深层次的时8.根据权利要求6所述的一种基于EMD数据增强和并行SCN的运动想象脑电信号识别方9.根据权利要求8所述的一种基于EMD数据增强和并行SCN的运动想象脑电信号识别方4[0001]本发明属于运动想象脑电信号识别领域，尤其涉及一种基于EMD数据增强和并行[0002]脑_机接口(BCI)是一种直接通过人脑与计算机或外部设备进行交流的人机交互[0003]目前针对MI_BCI系统中的特征提取与识别，主要分为传统方法与深度学习方传统的方法是将特征提取与识别分开进行，深度学习方法是将特征提取和识别一并进行。传统的特征提取方法有小波变换(WaveletTransform,WT)、功率谱密度(PowerSpectralDensity,PSD)、自回归模型模型(AutoregressiveModel)、共空间模式(CommonSpatialPatterns,CSP)、主成分分析(PrincipalComponentAnalysis,PCA)和经验模式分解(EmpiricalModeDecomposition,EMD)等。传统的特征分类方法有K最邻近(K_[0005]针对上述问题本发明提出一种基于EMD数据增强和并行时空卷积网络的运动想象5[0007]在对比文件(CN111012336A)中，提出一种新的深度网络模型_并行卷积神经网络提取运动想象脑电信号的时空特征。该方法使用快速傅里叶变换将原始脑电数据转成28*[0009]一种基于EMD数据增强和并行SCN的运动想象脑电信号识别方法，其包括以下步[0017]进一步的，所述步骤2选取感兴趣通道的脑电信号进行滤波和标准化的预处理操6[0019]滤波和标准化：采用6阶的巴特沃斯带通滤波器对脑电信号滤波，滤波范围为[0021]先使用EMD对脑电信号进行分解，就单个通道来说，随机选择两个相同标签的数[0023]进一步的，所述步骤4构建并行时空卷积网络，对卷积神经网络的输入进行了改7[0032]本发明针对脑电信号数据样本量少的问题，步骤三采用EMD分解的方法对脑电数[0033]图1是本发明提供优选实施例基于EMD数据增强和并行时空卷积网络的运动想象[0038]本实施例提供的一种基于EMD数据增强和并行时空卷积网络的运动想象脑电信号[0039]步骤1：采用德国BrainProducts公司生产的脑电设备采集数据，采样频率