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