1.一种基于宽度深度回声状态网络的脑电信号去噪方法，其特征在于由以下步骤组成：(1)选取脑电信号样本

从Physionet数据库中选取s个脑电信号样本，作为宽度深度回声状态网络的输出；

将每个脑电信号样本按下式进行归一化处理：式中，xi为样本数据，其中1≤i≤s，s为有限的正整数；

(2)模拟含噪脑电信号样本

为脑电信号样本添加不同信噪比的噪声，模拟成含噪脑电信号样本，其中噪声采用基线噪声或高斯白噪声或眼电噪声，按式(1)对含噪脑电样本进行归一化处理，将此数据作为宽度深度回声状态网络的输入；

(3)划分网络训练集和测试集

用留出法分别对脑电信号样本和含噪脑电样本的70％～90％作为网络训练集、10％～

30％作为网络测试集，测试集与训练集无交叉；

(4)构建网络模型

宽度深度回声状态网络由输入层、隐藏层、输出层组成，隐藏层由L×M个储蓄池组成，L和M为有限的正整数，隐藏层包含L层储蓄池，每一层储蓄池的总个数为M，同一层的M个储蓄池并联，不同层的储蓄池串联；输入层有K个输入神经元，隐藏层每个储蓄池神经元个数为(lm)N，输出层有H个输出神经元,输入层的状态矩阵为u(t)，隐藏层的状态矩阵为x (t)，输出层的状态矩阵为y(t)，K，N和H为有限的正整数，H与K相等；初始化储备池的内部参数，内部参数包括稀疏度SD，谱半径SR，输入尺度IS，稀疏度SD取值为1％～5％，谱半径SR取值为

0.01～0.99，输入尺度IS取值为0.01～0.99；输入层、隐藏层、输出层之间的连接关系如下：(m) (m) N×K N×K

输入层与第一层的第m个储蓄池的连接权值矩阵为W in，W in∈R ，R 为N×K的矩(lm) (lm) N×N阵,1≤m≤M，m为整数,第lm个储蓄池的储蓄池内部连接权值矩阵为W ，W ∈R ，1≤l≤L，l为整数，第l(m‑1)个储蓄池与第lm个储蓄池连接权值矩阵为H×(K+N) (m) (lm)隐藏层与输出层连接权值矩阵为Wout，Wout∈R ，Win ，W 和 是在网络建立前随机初始化的参数，并且在宽度深度回声状态网络的整个训练过程中保持不变；

在时刻t，输入层状态矩阵u(t)如下：T

u(t)＝[u1(t),u2(t),...,uK(t)](lm)

隐藏层状态矩阵x (t)如下：

输出层状态矩阵y(t)如下：

T

y(t)＝[y1(t),y2(t),...,yH(t)]其中，t为1,2,…,T0，时刻T0为输入时间的大小，uK(t)为第K个输入层神经元的第t个输(lm)入层状态，x N(t)为第N个隐藏层神经元的第t个隐藏层状态，yH(t)为第H个输出层神经元的第t个输出层状态；

(5)训练网络模型

从训练集中抽取100～500个样本对模型进行空转，将该模型的隐藏层状态初始化为0，训练集中的其他数据对模型进行降噪训练，得到训练后的网络模型；

所述的训练集中的其他数据对模型进行降噪训练包括：将输入训练集中的其他数据作为储蓄池状态更新式的输入，获取储蓄池状态值，获取输入层神经元和隐藏层的联合状态收集矩阵，将联合状态收集矩阵作为计算宽度深度回声状态网络隐藏层与输出层连接权值矩阵Wout的输入；

储蓄池状态更新式包括：

第一层储蓄池状态更新式为：

(1m) (1m)

其中，u(t+1)和x (t+1)分别为当前的输入层和隐藏层的状态，x (t)表示当前隐藏(lm)层上一个状态；f (·)是神经元激活函数，在宽度深度回声状态网络中采用双曲正切函数； 是储蓄池泄露参数矩阵， 中每个元素取值为0.0001～0.99，第l层储蓄池状态更新式为：

(lm) (lm)

其中，2≤l≤L，x (t+1)为当前的隐藏层的状态，x (t)表示当前隐藏层上一个状态；

所述联合状态收集矩阵如下式：

(lm) (lm)

z (t)＝[u(t)；x (t)]采用岭回归方法得到隐藏层与输出层连接权值矩阵Wout：T ‑1 T *

Wout＝(ZZ+λI) ZY

上式中λ为正则项系数，取值为0.00000001～1，I为单位矩阵，Z矩阵为状态集合矩阵,如下式：(lm) (lm) (lm) TZ＝(z (1),z (2),…,z (T0))(lm) (lm)

其中，Z为联合状态收集矩阵z (t)所有时刻的数据集合矩阵，z (T0)为T0时刻的联合状态收集矩阵,t为1,2,…,T0；

* *

Y为网络期望输出矩阵，Y按下式确定：* * * * T

Y＝(y(1),y(2),…,y(T0))* * * *

其中，y (t)为当前时刻的脑电信号，Y为脑电信号y (t)所有时刻的数据集合矩阵,y(T0)为T0时刻的脑电信号，t为1,2,…,T0；

(6)验证测试集

将测试集的脑电数据输入到训练好的宽度深度回声状态网络中，获取得输出的脑电信号。

2.根据权利要求1所述的基于宽度深度回声状态网络的脑电信号去噪方法，其特征在于在步骤(6)验证测试集中，将测试集的脑电数据输入到训练好的宽度深度回声状态网络包括：输出层状态矩阵y(t)按下式确定：(lm) (lm)

y(t)＝g (Wout×z (t))(lm)

其中，g (·)是输出层的活性函数，活性函数为S型函数或双曲正切函数；

对所有的时刻t＝1,2,…,T0：(lm)

Y＝g (Wout×Z)

上式中Y为网络输出的脑电信号，是输出层状态矩阵y(t)所有时刻的数据集合矩阵，

3.根据权利要求1所述的基于宽度深度回声状态网络的脑电信号去噪方法，其特征在于：在步骤(2)模拟含噪脑电信号样本中，所述的不同信噪比的噪声为‑5～5dB。