CN102722728A - 基于通道加权支持向量的运动想象脑电分类方法 - Google Patents

基于通道加权支持向量的运动想象脑电分类方法 Download PDF

Info

Publication number
CN102722728A
CN102722728A CN201210190008XA CN201210190008A CN102722728A CN 102722728 A CN102722728 A CN 102722728A CN 201210190008X A CN201210190008X A CN 201210190008XA CN 201210190008 A CN201210190008 A CN 201210190008A CN 102722728 A CN102722728 A CN 102722728A
Authority
CN
China
Prior art keywords
channel
channel weighting
passage
support vector
classification method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201210190008XA
Other languages
English (en)
Other versions
CN102722728B (zh
Inventor
佘青山
罗志增
马玉良
席旭刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiajin Huimeng Construction Engineering Co ltd
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201210190008.XA priority Critical patent/CN102722728B/zh
Publication of CN102722728A publication Critical patent/CN102722728A/zh
Application granted granted Critical
Publication of CN102722728B publication Critical patent/CN102722728B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种基于通道加权支持向量的运动想象脑电分类方法。本发明首先获取多通道运动想象脑电信号，其次在各通道脑电信号两两之间相关性分析基础上建立各通道的权重模型，然后将权重模型嵌入到通道加权支持向量机的原始优化问题中，对来自不同通道的输入数据赋予不同的权值，最后在两类分类算法基础上设计通道加权支持向量多类分类方法，自动地实现通道选择，提高多运动想象任务分类的准确性。该方法在脑-机接口领域具有广阔的应用前景。

Description

基于通道加权支持向量的运动想象脑电分类方法
技术领域
本发明属于模式识别领域，涉及一种运动想象脑电信号模式识别方法，特别涉及一种用于智能康复辅具控制的多运动想象任务分类方法。
背景技术
大脑作为控制人类的思想、行为、情绪等活动的中枢，分析处理从外部环境获取的信息，通过神经肌肉通路完成与外界的交流。然而，不少异常疾病，如脊髓损伤、肌萎缩侧索硬化症、脑中风等，都能损伤或削弱控制肌肉的神经通路以及肌肉本身的功能。病情严重的患者可能完全丧失自主控制的能力，甚至影响说话等功能，完全没有办法用传统的方式表达意愿或与外界交流。我国乃至全世界有成百上千万人受此类疾病困扰，尽管现代生命支持技术可以维持部分患者的生命，但是由此给患者、家庭和社会带来了无尽的痛苦和沉重的负担。
从人体运动的源头出发，直接提取大脑信号解读患者的意愿，或将大脑信号解读成相应的命令来实现与外部世界的交流和控制，实现脑-机交互。以人类大脑为对象的头皮脑电（EEG）信号研究表明，它主要由各种节律性电活动组成，与运动想象紧密联系的一种电生理现象是事件相关去同步（ERD）和事件相关同步（ERS）现象。ERD/ERS现象所引起特定频段脑电波分布位置以及强度的差别，为区分不同的运动想象任务所产生脑电信号提供了识别基础。目前，国内外多个研究小组开展了基于ERD/ERS运动想象脑电信号的模式分类方法和实验研究。奥地利Graz科技大学Pfurtscheller教授领导的研究小组成功建立了Graz I、II系统，部分受试者经过训练后，在两类运动想象任务识别中可获得高达85%的在线分类正确率，然而在三类运动想象任务识别中只有77%。美国Minnesota大学He等利用运动想象脑电对虚拟环境中的直升机进行了快速、连续的控制，总体上三名受试者获得了大约85%的正确率。国内，清华大学高上凯研究小组开展了基于运动想象的光标移动、康复辅助训练等BCI系统研究，在预处理、特征提取、模式分类等算法研究和应用上取得了丰硕的成果，并在三类运动想象任务识别研究中取得了79.48%的在线平均分类正确率和85%的离线平均分类正确率。上海交通大学张丽清等研究了张量意义上的普通张量判别分析算法，用来提取单次EEG样本的特征向量，采用支持向量机（SVM）对样本进行训练及分类识别，结果表明该算法提高了分类准确率。东南大学宋爱国等分别采用离散小波变换和AR模型对运动想象脑电信号进行特征提取，两类特征组合后分别送入不同的分类器进行分类和比较，在左右手两类运动想象脑电数据上得到了89.5%的平均识别准确度。总的来说，三种及以上的多类运动想象任务识别率还难以令人满意。
基于运动想象脑电信号的模式识别大多采用固定的少路数通道，所需的电极少，不仅缩短准备时间，而且少量数据需要小的信息处理代价。然而，有些受试者采用特定肢体运动想象策略并不能有效激活大脑运动皮层神经元。德国Berlin工业大学Blankertz等指出，采用神经生理先验知识选择的少量通道并不一定产生比全通道采集更佳的结果，电极选取不足也会降低分类正确率。随后，Sannelli、Schroder、Barachant等对多名受试者想象左右手、脚部等运动的EEG数据进行研究，也证实了这一观点，尤其是随意地选择部分通道来进行研究时，不同通道组合得到的分类精度差异通常较大。以最少的脑电数据获得最好的分类效果为目标，Arvaneh 、Gao等学者进一步研究通道优化选择问题，结果表明采用CSP及其扩展算法、SVM递归通道排除法等方法都能够在某种选择判据下找到最适合特定受试者的通道位置，不仅减少电极数量，而且提高分类性能，同时也指出大量的通道能提供更为丰富的信息，但一些不相关或者噪声污染通道提供的信息会在一定程度上影响分类精度。因此，虽然大脑皮层不同的区域完成相对独立的功能，但完成某一特定的运动想象任务，需要一个或几个空间上分离的功能区的同时参与；进行不同的运动想象任务，激活的运动皮层上的区域也不尽相同，因此针对不同受试者和运动想象任务自动选择最佳的通道配置，关系到有用信号获取的完整性和BCI系统的效率。
综上所述，如何针对不同的受试者和运动想象任务，既能完整提取被特定运动想象任务同时激活的多个脑区上的EEG信号，又能自适应地选择最能反映运动想象EEG存在的有效通道，这一问题没有得到有效解决。
发明内容
本发明的目的就是针对现有多类运动想象任务识别率偏低、自适应的最佳通道选择困难等问题，提供一种基于通道加权支持向量的运动想象脑电分类方法。
本发明提出一种基于通道加权支持向量的运动想象脑电分类方法。首先获取多通道运动想象脑电信号，其次在各通道脑电信号两两之间相关性分析基础上建立各通道的权重模型，然后将权重模型嵌入到通道加权支持向量机的原始优化问题中，对来自不同通道的输入数据赋予不同的权值，最后在两类分类算法基础上设计通道加权支持向量多类分类方法，自动地实现通道选择，提高多运动想象任务分类的准确性。
为了实现以上目的，本发明方法主要包括以下步骤：
步骤(1) 获取多通道运动想象脑电信号。采用多导联电极帽采集不同运动想象实验范式下的脑电信号。
步骤(2) 建立通道权重模型。首先根据公式(1)计算各通道脑电信号之间的欧氏距离，并找出所有欧式距离中的最小值，然后计算各通道采集到的脑电信号与最小欧氏距离对应通道的脑电信号均值之间的欧氏距离，最后根据公式(2)计算得到各通道的权重系数。
Figure 201210190008X100002DEST_PATH_IMAGE002
    (1)
其中，
Figure 201210190008X100002DEST_PATH_IMAGE004
为通道总数，
Figure 201210190008X100002DEST_PATH_IMAGE006
与
Figure 201210190008X100002DEST_PATH_IMAGE008
分别为通道和
Figure 201210190008X100002DEST_PATH_IMAGE012
在第
Figure 201210190008X100002DEST_PATH_IMAGE014
个采样点的EEG数据值，
Figure 201210190008X100002DEST_PATH_IMAGE016
为信号序列长度，为通道
Figure 826428DEST_PATH_IMAGE010
和脑电信号之间的欧氏距离，
Figure 201210190008X100002DEST_PATH_IMAGE020
为所有欧式距离中的最小值，和
Figure 201210190008X100002DEST_PATH_IMAGE024
为最小欧氏距离对应的两个通道号，
Figure 201210190008X100002DEST_PATH_IMAGE026
。
Figure 201210190008X100002DEST_PATH_IMAGE028
      (2)
其中，为最小欧氏距离对应的两个通道
Figure 274038DEST_PATH_IMAGE022
、采集到的脑电信号的平均值，
Figure 201210190008X100002DEST_PATH_IMAGE032
为通道
Figure 201210190008X100002DEST_PATH_IMAGE034
的权重系数，
Figure 201210190008X100002DEST_PATH_IMAGE036
为调节因子，使得
Figure 201210190008X100002DEST_PATH_IMAGE038
成立。
步骤(3) 构建通道加权支持向量分类算法。通道加权支持向量机引入了新的超参数——通道的权重系数，在Lagrange乘子空间完成具有混合约束的非线性规划求解，实现通道加权支持向量两类分类方法。
对于一个两类的模式识别问题，
Figure 201210190008X100002DEST_PATH_IMAGE040
维欧氏空间的训练样本集，
Figure 201210190008X100002DEST_PATH_IMAGE044
为样本数，
Figure 201210190008X100002DEST_PATH_IMAGE046
为输入值，
Figure 201210190008X100002DEST_PATH_IMAGE048
为类标号。通道加权支持向量机的原始优化问题如公式(3)所示，是一个具有混合约束的非线性规划问题。
Figure 201210190008X100002DEST_PATH_IMAGE050
                (3)
其中，输入值是来自于所有
Figure 201210190008X100002DEST_PATH_IMAGE052
个通道的特征数据连接而成的列向量，见公式(4)，其中每个通道取个特征；
Figure 201210190008X100002DEST_PATH_IMAGE056
为惩罚参数，
Figure 201210190008X100002DEST_PATH_IMAGE058
为松弛变量。矩阵为权值矩阵，对来自不同通道的样本赋予不同的权重系数，如公式(5)所示，这里
Figure 201210190008X100002DEST_PATH_IMAGE064
为单位矩阵。
Figure 201210190008X100002DEST_PATH_IMAGE066
(4)
Figure 201210190008X100002DEST_PATH_IMAGE068
                 (5)
引入Lagrange函数并寻求其鞍点，将通道加权支持向量机的原始优化问题转化为对偶空间的优化问题，记为：
              (6)
其中，，
Figure 201210190008X100002DEST_PATH_IMAGE074
。
采用具有混合核的标准SVM对偶优化方法求解得到Lagrange乘子的最优解。
步骤(4) 构建通道加权支持向量多类分类方法。将通道加权支持向量分类算法与二叉树组合策略结合，构造节通道加权支持向量多类分类方法。
通道加权支持向量分类方法是针对两类的分类问题，为实现对多个类别的模式识别，还需对通道加权支持向量分类方法进行推广。对于一个
Figure 201210190008X100002DEST_PATH_IMAGE076
类的分类问题，给定
Figure 480689DEST_PATH_IMAGE040
维欧氏空间的训练样本集
Figure 201210190008X100002DEST_PATH_IMAGE078
，
Figure 365469DEST_PATH_IMAGE044
为样本数，
Figure 632502DEST_PATH_IMAGE046
为输入值，
Figure 201210190008X100002DEST_PATH_IMAGE080
为类标号。在二叉树结构中，每一个节点上只把某一个类别和其他类别加以分开，即从根节点开始，沿树的路径依次得到的类别标签为，采用“一对多”的算法构造通道加权支持向量多类分类方法。
本发明与已有的运动想象脑电多类分类方法相比，具有如下特点：
1、隐含实现自动的通道选择
对来自重要通道的特征数据赋予较大的权系数，对非重要通道的特征数据赋予较小的权系数，尤其是对不相关通道的特征数据赋予零值以消除其对分类超平面的影响，不仅自动选择特征数据，而且潜在减少通道的数量。
2、提高分类精度
通道加权支持向量分类方法在多个核函数构成的混合核空间实现数据分类，针对多通道数据源或异构数据集，较之标准的单核支持向量机具有优越性，可以提高分类准确性。
本发明方法可以较好地满足智能轮椅等康复辅具控制中的多模式识别要求，在脑-机接口、脑疾病诊断领域具有广阔的应用前景。
附图说明
图1为本发明的实施流程图。
具体实施方式
下面结合附图详细描述本发明基于通道加权支持向量的运动想象脑电分类方法，图1为实施流程图。
如图1，本发明方法的实施主要包括四个步骤：（1）获取多通道运动想象脑电信号；（2）建立通道权重模型；（3）构建通道加权支持向量两类分类算法；（4）构建通道加权支持向量多类分类方法。
下面逐一对各步骤进行详细说明。
步骤一：获取多通道运动想象脑电信号
采用美国Neuro Scan公司Scan4.3采集设备中的40导电极帽进行运动想象过程脑电信号采集。受试者按要求佩戴好脑电帽后坐在轮椅上，保持安静、自然，注视实验环境中设定的情景提示。采用如下四种运动想象实验模式：右手操控轮椅控制杆向前、左手操控轮椅控制杆向后、左脚单脚跳并且双手推轮椅向左移动、右脚单脚跳并且双手推轮椅向左移动，分别对应轮椅前进、刹车、左转、右转的控制运动形式，在实施过程中还可根据实验的具体情况对实验模式的设计做适当修正。
步骤二：建立通道权重模型。首先根据公式(1)计算通道脑电信号之间的欧氏距离，并找出所有欧式距离中的最小值，然后计算各通道采集到的脑电信号与最小欧氏距离对应通道的脑电信号均值之间的欧氏距离，最后根据公式(2)计算得到各通道的权重系数。
    (1)
其中，
Figure 245154DEST_PATH_IMAGE004
为通道总数，与分别为通道
Figure 605225DEST_PATH_IMAGE010
和
Figure 128611DEST_PATH_IMAGE012
在第
Figure 371504DEST_PATH_IMAGE014
个采样点的EEG数据值，
Figure 613130DEST_PATH_IMAGE016
为信号序列长度，
Figure 950570DEST_PATH_IMAGE018
为通道
Figure 407090DEST_PATH_IMAGE010
和
Figure 742257DEST_PATH_IMAGE012
脑电信号之间的欧氏距离，
Figure 533495DEST_PATH_IMAGE020
（
Figure 612310DEST_PATH_IMAGE026
）为所有欧式距离中的最小值，u和v为最小欧氏距离对应的两个通道号。
      (2)
其中，
Figure 757300DEST_PATH_IMAGE030
为最小欧氏距离对应的两个通道
Figure 520988DEST_PATH_IMAGE022
、
Figure 403493DEST_PATH_IMAGE024
采集到的脑电信号的平均值，
Figure 818294DEST_PATH_IMAGE032
为通道
Figure 760842DEST_PATH_IMAGE034
的权重系数，
Figure 11826DEST_PATH_IMAGE036
为调节因子，使得
Figure 494760DEST_PATH_IMAGE038
成立。
步骤三：构建通道加权支持向量两类分类算法。通道加权支持向量机引入了新的超参数——通道的权重系数，在Lagrange乘子空间完成具有混合约束的非线性规划求解，实现通道加权支持向量两类分类方法。
对于一个两类的模式识别问题，
Figure 967330DEST_PATH_IMAGE040
维欧氏空间的训练样本集
Figure 893829DEST_PATH_IMAGE042
，
Figure 881376DEST_PATH_IMAGE044
为样本数，
Figure 105684DEST_PATH_IMAGE046
为输入值，
Figure 997809DEST_PATH_IMAGE048
为类标号。
通道加权支持向量机引入了新的超参数——通道权重系数，相对于标准SVM的二次规划问题（见公式(3)），通道加权支持向量机的原始优化问题演变成了具有混合约束的非线性规划问题，如公式(4)所示。
Figure 201210190008X100002DEST_PATH_IMAGE084
                   (3)
Figure 344476DEST_PATH_IMAGE050
                (4)
其中，输入值是来自于所有
Figure 570052DEST_PATH_IMAGE052
个通道的特征数据连接而成的列向量，见公式(5)，其中每个通道取个特征；
Figure 841951DEST_PATH_IMAGE056
为惩罚参数，
Figure 31624DEST_PATH_IMAGE058
为松弛变量。矩阵
Figure 744496DEST_PATH_IMAGE060
为权值矩阵，对来自不同通道的样本赋予不同的权重系数
Figure 372923DEST_PATH_IMAGE062
，如公式(6)所示，这里
Figure 674592DEST_PATH_IMAGE064
为单位矩阵。
Figure 848215DEST_PATH_IMAGE066
(5)
Figure 235334DEST_PATH_IMAGE068
                 (6)
在上述优化问题中，对来自重要通道的数据赋予较大的权系数，而对来自非重要通道的数据赋予较小的权系数，尤其是对不相关通道的数据赋予零值以消除其对分类超平面的影响。
引入Lagrange函数并寻求其鞍点，将通道加权支持向量机的原始优化问题转化为对偶空间的优化问题，记为：
Figure 667453DEST_PATH_IMAGE070
              (7)
其中，
Figure 371098DEST_PATH_IMAGE072
，
Figure 168152DEST_PATH_IMAGE074
。
采用具有混合核的标准SVM对偶优化方法求解得到Lagrange乘子的最优解。
步骤四：构建通道加权支持向量多类分类方法。将通道加权支持向量分类算法与二叉树组合策略结合，构造节通道加权支持向量多类分类方法。
通道加权支持向量分类算法（Channel weighted support vector classification，CWSVC）是针对两类的分类问题，为实现对多个类别的模式识别，还需对通道加权支持向量分类方法进行推广。
在实施过程中需要识别的类别数
Figure 201210190008X100002DEST_PATH_IMAGE086
，设给定
Figure 839305DEST_PATH_IMAGE040
维欧氏空间的训练样本集
Figure 825847DEST_PATH_IMAGE078
，
Figure 836528DEST_PATH_IMAGE044
为样本数，
Figure 866801DEST_PATH_IMAGE046
为输入值，
Figure 201210190008X100002DEST_PATH_IMAGE088
为类标号。在二叉树结构中，每一个节点上只把某一个类别和其他类别加以分开，即从根节点开始，沿树的路径依次得到的类别标签为
Figure 201210190008X100002DEST_PATH_IMAGE090
。在求解二叉树各内节点的CWSVC分类决策函数时，算法步骤如下：
（1）以第
Figure 201210190008X100002DEST_PATH_IMAGE092
类样本为正样本集，以第
Figure 201210190008X100002DEST_PATH_IMAGE094
类样本为负样本集，构造根节点处的CWSVC二类分类器；
（2）以第
Figure 201210190008X100002DEST_PATH_IMAGE096
类样本为正样本集，以第
Figure 201210190008X100002DEST_PATH_IMAGE098
类样本为负样本集，构造第二个内节点处的CWSVC 二类分类器；
（3）以第类样本为正样本集，以剩下的第
Figure 201210190008X100002DEST_PATH_IMAGE102
类样本为负样本集，构造第三个内节点处的CWSVC 二类分类器。
经过上述步骤，可得到基于二叉树的通道加权支持向量多类分类器。

Claims (1)

1. 基于通道加权支持向量的运动想象脑电分类方法，其特征在于该方法包括如下步骤：
步骤(1).获取多通道运动想象脑电信号，具体是：采用多导联电极帽采集不同运动想象实验范式下的脑电信号；
步骤(2).建立通道权重模型，具体是：首先根据公式(1)计算各通道脑电信号之间的欧氏距离，并找出所有欧式距离中的最小值，然后计算各通道采集到的脑电信号与最小欧氏距离对应通道的脑电信号均值之间的欧氏距离，最后根据公式(2)计算得到各通道的权重系数；
Figure 201210190008X100001DEST_PATH_IMAGE002
    (1)
其中，
Figure 201210190008X100001DEST_PATH_IMAGE004
为通道总数，
Figure 201210190008X100001DEST_PATH_IMAGE006
与
Figure DEST_PATH_IMAGE008
分别为通道
Figure 201210190008X100001DEST_PATH_IMAGE010
和
Figure 201210190008X100001DEST_PATH_IMAGE012
在第
Figure DEST_PATH_IMAGE014
个采样点的EEG数据值，
Figure DEST_PATH_IMAGE016
为信号序列长度，
Figure DEST_PATH_IMAGE018
为通道和
Figure 242286DEST_PATH_IMAGE012
脑电信号之间的欧氏距离，为所有欧式距离中的最小值，和为最小欧氏距离对应的两个通道号，
Figure 201210190008X100001DEST_PATH_IMAGE026
；
Figure 201210190008X100001DEST_PATH_IMAGE028
      (2)
其中，
Figure 201210190008X100001DEST_PATH_IMAGE030
为最小欧氏距离对应的两个通道、
Figure 804253DEST_PATH_IMAGE024
采集到的脑电信号的平均值，
Figure 201210190008X100001DEST_PATH_IMAGE032
为通道
Figure 201210190008X100001DEST_PATH_IMAGE034
的权重系数，
Figure 201210190008X100001DEST_PATH_IMAGE036
为调节因子，使得
Figure 201210190008X100001DEST_PATH_IMAGE038
成立；
步骤(3).构建通道加权支持向量分类算法；通道加权支持向量机引入了新的超参数——通道的权重系数，在Lagrange乘子空间完成具有混合约束的非线性规划求解，实现通道加权支持向量两类分类方法；
对于一个两类的模式识别问题，
Figure 201210190008X100001DEST_PATH_IMAGE040
维欧氏空间的训练样本集
Figure 201210190008X100001DEST_PATH_IMAGE042
，
Figure 201210190008X100001DEST_PATH_IMAGE044
为样本数，
Figure 201210190008X100001DEST_PATH_IMAGE046
为输入值，
Figure 201210190008X100001DEST_PATH_IMAGE048
为类标号；通道加权支持向量机的原始优化问题如公式(3)所示，是一个具有混合约束的非线性规划问题；
Figure 201210190008X100001DEST_PATH_IMAGE050
                (3)
其中，输入值是来自于所有
Figure 201210190008X100001DEST_PATH_IMAGE052
个通道的特征数据连接而成的列向量，见公式(4)，其中每个通道取
Figure 201210190008X100001DEST_PATH_IMAGE054
个特征；
Figure 201210190008X100001DEST_PATH_IMAGE056
为惩罚参数，为松弛变量；矩阵
Figure 201210190008X100001DEST_PATH_IMAGE060
为权值矩阵，对来自不同通道的样本赋予不同的权重系数
Figure 201210190008X100001DEST_PATH_IMAGE062
，如公式(5)所示，这里
Figure 201210190008X100001DEST_PATH_IMAGE064
为单位矩阵；
(4)
Figure 201210190008X100001DEST_PATH_IMAGE068
                 (5)
引入Lagrange函数并寻求其鞍点，将通道加权支持向量机的原始优化问题转化为对偶空间的优化问题，记为：
              (6)
其中，
Figure 201210190008X100001DEST_PATH_IMAGE072
，
Figure 201210190008X100001DEST_PATH_IMAGE074
；
采用具有混合核的标准SVM对偶优化方法求解得到Lagrange乘子的最优解；
步骤(4).构建通道加权支持向量多类分类方法，具体是：将通道加权支持向量分类算法与二叉树组合策略结合，构造节通道加权支持向量多类分类方法；
通道加权支持向量分类方法是针对两类的分类问题，为实现对多个类别的模式识别，还需对通道加权支持向量分类方法进行推广；对于一个
Figure 201210190008X100001DEST_PATH_IMAGE076
类的分类问题，
Figure 201210190008X100001DEST_PATH_IMAGE078
，给定维欧氏空间的训练样本集，
Figure 821418DEST_PATH_IMAGE044
为样本数，
Figure 806692DEST_PATH_IMAGE046
为输入值，
Figure 201210190008X100001DEST_PATH_IMAGE082
为类标号；在二叉树结构中，每一个节点上只把某一个类别和其他类别加以分开，即从根节点开始，沿树的路径依次得到的类别标签为
Figure 201210190008X100001DEST_PATH_IMAGE084
，采用“一对多”的算法构造通道加权支持向量多类分类方法。
CN201210190008.XA 2012-06-11 2012-06-11 基于通道加权支持向量的运动想象脑电分类方法 Expired - Fee Related CN102722728B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210190008.XA CN102722728B (zh) 2012-06-11 2012-06-11 基于通道加权支持向量的运动想象脑电分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210190008.XA CN102722728B (zh) 2012-06-11 2012-06-11 基于通道加权支持向量的运动想象脑电分类方法

Publications (2)

Publication Number Publication Date
CN102722728A true CN102722728A (zh) 2012-10-10
CN102722728B CN102722728B (zh) 2014-05-28

Family

ID=46948478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210190008.XA Expired - Fee Related CN102722728B (zh) 2012-06-11 2012-06-11 基于通道加权支持向量的运动想象脑电分类方法

Country Status (1)

Country Link
CN (1) CN102722728B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103092971A (zh) * 2013-01-24 2013-05-08 电子科技大学 一种用于脑机接口中的分类方法
CN103425999A (zh) * 2013-08-27 2013-12-04 西安电子科技大学 基于非负张量投影算子分解算法的脑认知状态判定方法
CN103961091A (zh) * 2014-04-15 2014-08-06 杭州电子科技大学 基于双树复小波样本熵的运动想象脑电信号特征提取方法
CN104573630A (zh) * 2014-12-05 2015-04-29 杭州电子科技大学 基于双支持向量机概率输出的多类脑电模式在线识别方法
CN104571505A (zh) * 2014-12-24 2015-04-29 天津大学 一种基于序列性复合肢体想象动作的脑-机接口方法
CN104951797A (zh) * 2015-06-09 2015-09-30 福州大学 一种基于ar系数空间的elm运动想象脑电分类方法
CN106886792A (zh) * 2017-01-22 2017-06-23 北京工业大学 一种基于分层机制构建多分类器融合模型的脑电情感识别方法
CN107126193A (zh) * 2017-04-20 2017-09-05 杭州电子科技大学 基于滞后阶数自适应选择的多变量因果关系分析方法
CN107184207A (zh) * 2017-05-12 2017-09-22 河海大学常州校区 基于稀疏共同空间模式的癫痫eeg自动检测的通道优化方法
CN107411738A (zh) * 2017-04-18 2017-12-01 天津大学 一种基于静息脑电相似性的情绪跨个体识别方法
CN107411737A (zh) * 2017-04-18 2017-12-01 天津大学 一种基于静息脑电相似性的情绪跨时间识别方法
CN109009098A (zh) * 2018-07-18 2018-12-18 大连交通大学 一种运动想象状态下的脑电信号特征识别方法
CN109753973A (zh) * 2018-12-21 2019-05-14 西北工业大学 基于加权支持向量机的高光谱图像变化检测方法
CN111080730A (zh) * 2019-10-31 2020-04-28 东南大学 基于跨通道和空间加权卷积特征的脑图像解码方法及系统
CN111543988A (zh) * 2020-05-25 2020-08-18 五邑大学 一种自适应认知活动识别方法、装置及存储介质
CN111543983A (zh) * 2020-04-02 2020-08-18 天津大学 一种基于神经网络的脑电信号通道选择方法
CN111709481A (zh) * 2020-06-17 2020-09-25 云南省烟草农业科学研究院 一种烟草病害识别方法、系统、平台及存储介质
CN114027857A (zh) * 2021-12-22 2022-02-11 杭州电子科技大学 一种基于脑电信号测量运动能力的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101219048A (zh) * 2008-01-25 2008-07-16 北京工业大学 想象单侧肢体运动的脑电特征的提取方法
CN101751563A (zh) * 2010-01-21 2010-06-23 上海大学 一种基于LabWindows/CVI和Matlab混合编程的脑电信号识别方法
CN101843491A (zh) * 2010-06-07 2010-09-29 天津大学 基于双线性模型的静息脑电身份识别方法
US20110218950A1 (en) * 2008-06-02 2011-09-08 New York University Method, system, and computer-accessible medium for classification of at least one ictal state

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101219048A (zh) * 2008-01-25 2008-07-16 北京工业大学 想象单侧肢体运动的脑电特征的提取方法
US20110218950A1 (en) * 2008-06-02 2011-09-08 New York University Method, system, and computer-accessible medium for classification of at least one ictal state
CN101751563A (zh) * 2010-01-21 2010-06-23 上海大学 一种基于LabWindows/CVI和Matlab混合编程的脑电信号识别方法
CN101843491A (zh) * 2010-06-07 2010-09-29 天津大学 基于双线性模型的静息脑电身份识别方法

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103092971B (zh) * 2013-01-24 2016-05-25 电子科技大学 一种用于脑机接口中的分类方法
CN103092971A (zh) * 2013-01-24 2013-05-08 电子科技大学 一种用于脑机接口中的分类方法
CN103425999A (zh) * 2013-08-27 2013-12-04 西安电子科技大学 基于非负张量投影算子分解算法的脑认知状态判定方法
CN103961091A (zh) * 2014-04-15 2014-08-06 杭州电子科技大学 基于双树复小波样本熵的运动想象脑电信号特征提取方法
CN103961091B (zh) * 2014-04-15 2017-01-11 杭州电子科技大学 基于双树复小波样本熵的运动想象脑电信号特征提取方法
CN104573630A (zh) * 2014-12-05 2015-04-29 杭州电子科技大学 基于双支持向量机概率输出的多类脑电模式在线识别方法
CN104573630B (zh) * 2014-12-05 2017-09-19 杭州电子科技大学 基于双支持向量机概率输出的多类脑电模式在线识别方法
CN104571505A (zh) * 2014-12-24 2015-04-29 天津大学 一种基于序列性复合肢体想象动作的脑-机接口方法
CN104571505B (zh) * 2014-12-24 2017-08-25 天津大学 一种基于序列性复合肢体想象动作的脑‑机接口方法
CN104951797A (zh) * 2015-06-09 2015-09-30 福州大学 一种基于ar系数空间的elm运动想象脑电分类方法
CN104951797B (zh) * 2015-06-09 2018-07-17 福州大学 一种基于ar系数空间的elm运动想象脑电分类方法
CN106886792A (zh) * 2017-01-22 2017-06-23 北京工业大学 一种基于分层机制构建多分类器融合模型的脑电情感识别方法
CN106886792B (zh) * 2017-01-22 2020-01-17 北京工业大学 一种基于分层机制构建多分类器融合模型的脑电情感识别方法
CN107411737A (zh) * 2017-04-18 2017-12-01 天津大学 一种基于静息脑电相似性的情绪跨时间识别方法
CN107411738A (zh) * 2017-04-18 2017-12-01 天津大学 一种基于静息脑电相似性的情绪跨个体识别方法
CN107126193A (zh) * 2017-04-20 2017-09-05 杭州电子科技大学 基于滞后阶数自适应选择的多变量因果关系分析方法
CN107184207B (zh) * 2017-05-12 2020-06-05 河海大学常州校区 基于稀疏共同空间模式的癫痫eeg自动检测的通道优化方法
CN107184207A (zh) * 2017-05-12 2017-09-22 河海大学常州校区 基于稀疏共同空间模式的癫痫eeg自动检测的通道优化方法
CN109009098A (zh) * 2018-07-18 2018-12-18 大连交通大学 一种运动想象状态下的脑电信号特征识别方法
CN109009098B (zh) * 2018-07-18 2021-05-28 大连交通大学 一种运动想象状态下的脑电信号特征识别方法
CN109753973A (zh) * 2018-12-21 2019-05-14 西北工业大学 基于加权支持向量机的高光谱图像变化检测方法
CN111080730A (zh) * 2019-10-31 2020-04-28 东南大学 基于跨通道和空间加权卷积特征的脑图像解码方法及系统
CN111080730B (zh) * 2019-10-31 2023-05-23 东南大学 基于跨通道和空间加权卷积特征的脑图像解码方法及系统
CN111543983A (zh) * 2020-04-02 2020-08-18 天津大学 一种基于神经网络的脑电信号通道选择方法
CN111543988A (zh) * 2020-05-25 2020-08-18 五邑大学 一种自适应认知活动识别方法、装置及存储介质
CN111709481A (zh) * 2020-06-17 2020-09-25 云南省烟草农业科学研究院 一种烟草病害识别方法、系统、平台及存储介质
CN111709481B (zh) * 2020-06-17 2023-12-12 云南省烟草农业科学研究院 一种烟草病害识别方法、系统、平台及存储介质
CN114027857A (zh) * 2021-12-22 2022-02-11 杭州电子科技大学 一种基于脑电信号测量运动能力的方法
CN114027857B (zh) * 2021-12-22 2024-04-26 杭州电子科技大学 一种基于脑电信号测量运动能力的方法

Also Published As

Publication number Publication date
CN102722728B (zh) 2014-05-28

Similar Documents

Publication Publication Date Title
CN102722728B (zh) 基于通道加权支持向量的运动想象脑电分类方法
Ko et al. Multimodal fuzzy fusion for enhancing the motor-imagery-based brain computer interface
CN102722727B (zh) 基于脑功能网络邻接矩阵分解的脑电特征提取方法
CN101711709B (zh) 利用眼电和脑电信息的电动假手控制方法
CN103258215A (zh) 一种多导联间相关性分析的脑电特征提取方法
CN101477405B (zh) 基于左右视野两个频率刺激的稳态视觉诱发脑机接口方法
CN105654063B (zh) 基于人工蜂群时频参数优化的运动想象脑电模式识别方法
CN102184415B (zh) 一种基于脑电信号的疲劳状态识别方法
CN112043473B (zh) 智能假肢脑-肌电融合感知的并行嵌套与自主择优分类器
CN109784211A (zh) 一种基于深度学习的运动想象脑电信号分类方法
CN104091172A (zh) 一种运动想象脑电信号的特征提取方法
CN103996054B (zh) 一种基于组合差异进化的脑电信号特征选择及分类方法
CN102521505A (zh) 用于控制意图识别的脑电和眼电信号决策融合方法
CN103885445A (zh) 一种脑控动物机器人系统以及动物机器人的脑控方法
CN103876734A (zh) 一种基于决策树的脑电信号特征选择方法
CN110534180B (zh) 深度学习人机互适应运动想象脑机接口系统和训练方法
CN104360730A (zh) 一种多模态非植入式脑机接口技术支撑下的人机交互方法
CN104035563B (zh) 基于w‑pca和无监督ghsom的脑电信号识别方法
CN105956624A (zh) 基于空时频优化特征稀疏表示的运动想象脑电分类方法
CN102306303B (zh) 一种基于小训练样本的脑电信号特征提取方法
CN108363493A (zh) 基于脑机接口的用户特征模型建立方法、系统及存储介质
CN106502405A (zh) 基于同步性复合肢体想象动作多模态脑机接口方法及系统
CN109691996A (zh) 一种基于混合二进制编码的脑电信号特征优选及分类器优选方法
CN110018739A (zh) 一种基于降维机制的脑电信号特征优选方法
Wang et al. An approach of one-vs-rest filter bank common spatial pattern and spiking neural networks for multiple motor imagery decoding

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201216

Address after: 314051 3423, floor 3, building 1, No. 608, Chuangye Road, Nanhu street, Nanhu District, Jiaxing City, Zhejiang Province

Patentee after: Jiaxing Gonghu New Material Technology Co.,Ltd.

Address before: Room 3003-1, building 1, Gaode land center, Jianggan District, Hangzhou City, Zhejiang Province

Patentee before: Zhejiang Zhiduo Network Technology Co.,Ltd.

Effective date of registration: 20201216

Address after: Room 3003-1, building 1, Gaode land center, Jianggan District, Hangzhou City, Zhejiang Province

Patentee after: Zhejiang Zhiduo Network Technology Co.,Ltd.

Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang

Patentee before: HANGZHOU DIANZI University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201224

Address after: 25361200 Jianshe street, Xiajin County, Dezhou City, Shandong Province

Patentee after: Xiajin Huimeng Construction Engineering Co.,Ltd.

Address before: 314051 3423, floor 3, building 1, No. 608, Chuangye Road, Nanhu street, Nanhu District, Jiaxing City, Zhejiang Province

Patentee before: Jiaxing Gonghu New Material Technology Co.,Ltd.

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140528