小波时频图和CNN(卷积神经网络的）脑电分类技术研究

在这里我们可以用matlab进行时频图的绘制

得到了时频图后，可以输入到卷积神经网络进行训练和技术研究

小波基和尺度后，就可以用cwt求小波系数coefs（系数是复数时要取模），然后用scal2frq将尺度序列转换为实际频率序列f，最后结合时间序列t，用imagesc(t,f,abs(coefs))

小波时频图 可以得到脑电信号的图像特征，将图像保存下来后

进而可以进行CNN的卷积网络识别和分类的技术研究

图  卷积神经网络进行训练的结果

layers = [
    imageInputLayer([32 32 3])                                             %输入层（图像大小为32*32*3）为了提高训练速度进行了缩小，不影响特征的提取
    
    convolution2dLayer(5,16,'Padding',1)
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer(2,'Stride',2)
    
    convolution2dLayer(3,32,'Padding',1)
    batchNormalizationLayer
    reluLayer
    
    fullyConnectedLayer(10)
    reluLayer
    
    fullyConnectedLayer(4)
    softmaxLayer
    classificationLayer];

上述代表了实现的骨干网络

第1个样本的真实分类=1

第1个样本的预测分类=1

............

第2个样本的真实分类=1

第2个样本的预测分类=1

............

第3个样本的真实分类=1

第3个样本的预测分类=4

............

第4个样本的真实分类=1

第4个样本的预测分类=1

............

第5个样本的真实分类=1

第5个样本的预测分类=1

............

第6个样本的真实分类=1

第6个样本的预测分类=4

............

第7个样本的真实分类=1

第7个样本的预测分类=4

............

第8个样本的真实分类=1

第8个样本的预测分类=1

............

第9个样本的真实分类=1

 

上述代表随机产生后，得到的数据结果和分类

在这里调节迭代次数 使得效果更好

 详细的代码

基于小波时频图和卷积神经网络的脑电波分类技术研究采取matlab-深度学习文档类资源-CSDN文库