基于格拉姆求和角场图像化和Shortcut-CNN的时间序列实时分类方法

摘要

本发明基于格拉姆求和角场图像化和Shortcut‑CNN的时间序列数据实时分类方法，其包括步骤：1)采集时间序列数据；2)归一化采集得到的时间序列数据，得到数据3)在极坐标中对数据进行表示；4)将经步骤3)处理后的数据转换成形状为M×M的格拉姆矩阵，并将格拉姆矩阵保存为灰度图像，称为EEG图像；5)将步骤4)得到的EEG图像输入Shortcut‑CNN模型得出分类结果。本发明解决了常用分类方法不能直接利用二维卷积神经网络对时间序列数据进行高性能实时分类的技术问题，且本发明中Shortcut‑CNN模型与VGG16、浅层CNN相比具有更好的分类性能。