具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

请参阅图1，本发明提供一种密集连接门控网络的脑电信号识别方法，包括以下步骤：

步骤S01，获取原始脑电数据，并对原始脑电数据进行预处理。使用脑电信号采集仪采集脑电信号，并且采用必要的预处理措施处理脑电信号，其中预处理包括：去除明显的异常值，去均值，归一化以及滤波等处理操作。

进一步地，可针对经过预处理的脑电信号进行种类标记，并将标记后的数据按比例分为训练集和测试集，如可按照4∶1的比例分为训练集和测试集，具体划分比例可根据实际应用需求进行调整，这里不作限制。

步骤S02，采用经验模式分解算法对训练集和测试集中的数据进行分解，并根据分解得到的数据重构脑电信号。具体地，经验模式分解算法能够自适应的分解原始的信号，因此，非常适合用于对脑电信号进行滤波处理。经验模式分解算法通过将输入的脑电信号分解为一组固有模式分量(IMFs)和剩余分量，输入的脑电信号可以表示为：

式中，x表示输入的脑电信号，c表示分解的IMF，res代表剩余分量，n表示IMF的个数。根据以往的经验表明，一般前三阶IMF中包含了表达脑电信号的主要信息，所以选用了前三阶的IMF来重构脑电信号。经过这样的步骤能够滤掉脑电信号中的大部分噪音，从而提高卷积神经网络提取到的特征的质量。

步骤S03，构建密集连接卷积模块。为了充分利用每个卷积层的输出，密集连接卷积模块包括：至少三个依次排列的卷积层，且每一个在后的卷积层的输出与所有在前卷积层的输出一起输入一层特征拼接层，得到拼接后的特征作为下一层网络的输入；最后一层特征拼接层的输出经过最大池化后作为所述密集卷积模块的输出。

具体地，请参阅图2，在密集连接卷积模块中，主要包含了三个卷积层，密集连接卷积模块从输入端到输出端的排列结构依次为：卷积层Conv1，卷积层Conv2，特征拼接层Concatenation，卷积层Conv3，特征拼接层Concatenation，池化层Max pooling1。每个卷积层提取的特征不仅只输入到下一个卷积层，而且与该模块中后续的每个卷积层的输出拼接起来共同作为下一个卷积层(或者下一个池化层)的输入，以这样的密集连接结构可以充分利用每个卷积层提取到的特征，从而使得最后提取到的特征更能反映原始脑电信号的特征。可选地，在密集连接卷积模块中，各卷积层的卷积核大小都是1×5，激活函数都是ReLU，padding方式是SAME，步长的大小设置为1。在最后加入了一个最大池化层来减少网络的参数，其池化的大小是1×3，padding方式是SAME。具体应用中，也可根据实际应用需求调整卷积核大小，步长等参数。

步骤S04：构建门控卷积模块。为了对密集连接卷积模块提取到的特征进行进一步提炼，并且利用脑电信号中的时序特征，引入了门控卷积部分。在卷积神经网络中加入门控机制，可以在一定的程度上使得网络能够学习到样本的时序特征。

门控卷积模块包括两个串联排列的门控卷积子模块，每个所述门控卷积子模块由一个不包含非线性激活函数卷积层和包含非线性激活函数的卷积层组成，两个卷积层的输出矩阵对应相乘后作为对应门控卷积子模块的输出。

具体地，门控卷积子模块主要是通过一个没有非线性激活函数的卷积层和一个有Sigmod激活函数的卷积层来实现的，在没有激活函数的卷积层中卷积核的大小可设置为1×3，在有激活函数的卷积层卷积核的大小设置为1×5，最后通过以下的公式，把这两个部分连接起来：

式中，h(x)表示了一层的输出，x表示输入，w和b分别代表了没有激活函数的卷积层的参数和偏置参数，v和e分别代表了有激活函数的卷积层的参数和偏置参数，σ代表激活函数，表示两个矩阵元素对应相乘。

进一步地，再连接同样的一个门控卷积子模块，通过两个门控卷积子模块串联学习脑电信号的时域特征。

在一实施例中，在门控卷积模块的输出端可设置最大池化层来减少网络的参数，其池化的大小是1×2，padding方式是SAME。

在一实施例中，可设置至少两层全连接层用于对接门控卷积模块的输出，以平滑输出特征的维度。并且在全连接层中加入了dropout操作防止网络的过拟合，其值设为0.5，即以0.5的概率选择性的开启或关闭全连接层接入网络的神经元。

步骤S05，构建分类模块。通过分类模块接收全连接层的输出，识别脑电信号的类别。可选地，分类模块可采用Softmax分类器。

步骤S06，通过训练集对构建的网络进行训练。使用经过经验模式分解算法处理好的训练集的脑电数据来训练构建的密集连接门控卷积神经网络，在训练的过程中，采用了随机梯度下降算法(SGD)来训练网络，采用的学习率为1×10-4，损失函数采用的是交叉熵，其公式为：

式中，p表示真实分布，q表示预测分布。训练好密集连接门控卷积神经网络后，保存好其相关参数，以便测试使用。

步骤S07，通过测试集验证网络性能。使用经验模式分解算法处理后的测试集数据测试密集连接门控卷积神经网络对脑电信号识别的性能。

本实施例中还提供了一种密集连接门控网络的脑电信号识别系统，用于执行前述方法实施例中所述的密集连接门控网络的脑电信号识别方法。由于系统实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。

在一实施例中，密集连接门控网络的脑电信号识别系统，包括：

密集连接模块，用于对输入的脑电信号进行特征提取；

门控卷积模块，用于从所述密集连接模块的输出中学习所述脑电信号的时序特征；

分类模块，用于从所述门控卷积模块的输出中获取分类结果。

综上所述，本发明一种密集连接门控网络的脑电信号识别方法及系统，针对脑电信号中通常混入了肌电、眼电等噪音的问题，引入了可以自适应的分解信号的经验模式分解算法来去除脑电信号中的噪音并重构脑电信号，可有效提高脑电信号分类识别的准确性；由于脑电信号的数据特征使得经典的卷积神经网络的结果不能充分的对其进行特征提取，引入了密集连接模块和门控卷积模块来对卷积神经网络的结果进行了改进，密集连接模块能够利用每一层卷积层得到的特征，使得最后得到的特征能够最大程度的表征原始脑电信号的特点，门控卷积模块则能够对密集连接模块得到的特征进一步筛选，并且能够在一定的程度上利用脑电信号中的时序信息，经过加入这两个模块构建的密集连接门控卷积神经网络能够更加有效的提取脑电信号的特征，使得识别准确率得到提高。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。