基于小波包和串并行CNN的脑电信号分类.docx

基于小波包和串并行CNN的脑电信号分类 本文提出了一种结合小波包变换（Wavelet Packet Transform，WPT）和串并行卷积神经网络（Serial Parallel Convolutional Neural Network，SPCNN）的脑电信号分类方法。该方法首先对预处理的EEG进行小波包分解，选取属于Mu和Beta节律的小波节点对应的EEG进行重构，然后将处理好的信号输入到并列双卷积核的网络模型中，网络内部自动进行最优化的特征提取，最后，将特征输入给Softmax分类器分类。 小波包变换是一种时域分析方法，相比小波变换（Wavelet Transform，WT），小波包变换可以对信号的低频部分和高频部分进行分解，完整地保留了低高频信息，提高了EEG的时域分辨率。 在本文中，小波包树节点标注为（j, n），j代表小波包树的层数，n代表相应层数下节点的个数。小波包分解系数为： d2nj(k)=∑l∈Zhl−2kdnj−1(l) d2n+1j(k)=∑l∈Zgl−2kdnj−1(l) 每一个节点都对应着相应的频段，信号采样率为fs，则第j层各个节点对应的频段分别为： {[0,fs2j+1];[fs2j+1,2fs2j+1];[2fs2j+1,3fs2j+1];⋯;[(2j−1)fs2j+1,fs2]} 因此可以确定每个节点对应的频率，选取合适的节点进行脑电信号的重构，第j-1层、第k点的重构公式为： dnj−1(k)=∑l∈Zhk−2ld2nj(l)+∑l∈Zgk−2ld2n+1j(l) SPCNN模型可以自动进行最优化的特征提取，提高了分类准确率。实验结果表明，该方法能筛选出有效地信息并有利于后续的自动提取特征及分类。 在脑机接口中，运动想象脑电信号（Motor Imagery Electroencephalography，MI-EEG）是非平稳信号，包含了大量的时频信息，ERS/ERD现象在识别MI-EEG中是一个很重要的依据。小波包变换和SPCNN模型可以对MI-EEG进行时域分析和特征提取，提高了分类准确率。 本文方法可以应用于脑机接口、运动康复、神经科学等领域，具有很高的应用价值和研究意义。