【技术实现步骤摘要】
本专利技术涉及图像处理，特别是涉及一种基于最优深度学习的脑电信号运动图像识别方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、脑机接口(brain-computer interface，bci)技术以大脑为控制中心，利用计算机接收大脑信号，经处理分析后控制外部设备完成相应的控制指令，这种不依赖周围神经肌肉的通信方式为残障人士提供了新的生活方式。一个基本bci系统包含以下4各部分：信号采集、特征提取、特征分类和控制指令的执行。bci技术在残障人士的生活辅助、肢体损伤患者的康复训练、游戏娱乐和智能家居等领域都有很大的研究和应用价值。
3、脑机接口技术应用的实现依赖于脑电信号(electroencephalogram，eeg)识别的良好精度和鲁棒性。传统的eeg识别方法首先采用各类信号处理算法提取eeg信号时域、频域和空间特征，选择某一特征或结合几种特征作为分类器的输入，其次才是分类器的参数优化，最终得到分类模型。传统的特征提取算法包括小波变换、自回归模型参数...
【技术保护点】
1.基于最优深度学习的脑电信号运动图像识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于最优深度学习的脑电信号运动图像识别方法，其特征在于，还包括对脑电信号运动图像进行预处理，具体为：
3.如权利要求1所述的基于最优深度学习的脑电信号运动图像识别方法，其特征在于，所述堆叠稀疏自动编码器模型通过将多个稀疏自动编码器堆叠起来以学习更多信息丰富的特征，所述稀疏自动编码器在传统自动编码器中加入了稀疏性约束。
4.如权利要求1所述的基于最优深度学习的脑电信号运动图像识别方法，其特征在于，所述深度小波神经网络包含四层，分别为输入层...
【技术特征摘要】
1.基于最优深度学习的脑电信号运动图像识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于最优深度学习的脑电信号运动图像识别方法，其特征在于，还包括对脑电信号运动图像进行预处理，具体为：
3.如权利要求1所述的基于最优深度学习的脑电信号运动图像识别方法，其特征在于，所述堆叠稀疏自动编码器模型通过将多个稀疏自动编码器堆叠起来以学习更多信息丰富的特征，所述稀疏自动编码器在传统自动编码器中加入了稀疏性约束。
4.如权利要求1所述的基于最优深度学习的脑电信号运动图像识别方法，其特征在于，所述深度小波神经网络包含四层，分别为输入层、wavelon层、乘积product层以及输出层。
5.如权利要求4所述的基于最优深度学习的脑电信号运动图像识别方法，其特征在于，所述wavelon层由一组wavelon单元组成，能够处理输入信号的波形特征，并通过激活函数进行深度特征提取；
6.如权利要求1...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。