CN103996054A - 一种基于组合差异进化的脑电信号特征选择及分类方法 - Google Patents
一种基于组合差异进化的脑电信号特征选择及分类方法 Download PDFInfo
- Publication number
- CN103996054A CN103996054A CN201410245808.6A CN201410245808A CN103996054A CN 103996054 A CN103996054 A CN 103996054A CN 201410245808 A CN201410245808 A CN 201410245808A CN 103996054 A CN103996054 A CN 103996054A
- Authority
- CN
- China
- Prior art keywords
- feature
- eeg signals
- individual
- dyeing
- vector
- 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
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于组合差异进化的脑电信号特征选择及分类方法,通过利用组合差异进化算法在全局搜索能力和快速收敛方面的突出表现,迅速找到最佳空间滤波系数和特征向量,克服现有技术中需依靠人工确定空间滤波系数和特征向量的工作繁琐且低效的问题,并利用搜索到的最佳空间滤波系数和特征向量训练分类器,对脑电信号进行分类,提高脑电信号的识别率。实现了对脑电信号的自动化识别,降低了人工劳动强度,大大提高了脑电信号的处理效率。
Description
技术领域
本发明涉及一种基于组合差异进化的脑电信号特征选择及分类方法。
背景技术
脑机接口系统是一种通过传感器读取大脑神经活动,利用计算机在线处理并解码,实现对外部设备控制的系统。脑机接口系统主要包括数据采集、信号处理、应用程序三个主要部分。其中,数据采集模块主要通过电极和脑电放大器,从受试者头部获取脑电信号,其中的脑电放大器将电极上获得脑电信号进行放大以及模数转换变成数字信号,然后发送给信号处理模块处理。信号处理模块首先要对信号进行预处理,包括去噪、数据对齐、空间滤波等。然后再对信号进行特征分析,并提取某些特征参数(如幅值、自回归模型的系数等),接着对这些特征参数进行识别分类,确定其对应的意念状态或指令,并将状态或指令传送给应用接口模块。应用接口模块主要将识别的状态或指令按一定要求传递给应用程序,完成某一具体控制功能。实际应用程序包括字母拼写器、机器人控制器或虚拟现实等应用。如图1所示。
获得脑电信号的途径很多,比如MEG、ECoG、EEG、fMRI等,其中EEG信号是直接将多个电极贴到头皮上,采集大脑头皮的生物电活动信号,具有时间分辨率高、使用简单、无创伤的特点,因此被广泛应用于脑机接口的研究中。在这种方式中,电极通常按照国际惯用的10-20方式固定到大脑的不同位置。对EEG信号而言,单独一个电极采集的是时间序列,而某一时刻所采集的多个电极信号则可以表达大脑信号此刻空间分布情况。由于大脑皮层是按照功能分区的,各个电极所接收的脑电信号是不一样的,因此所采集的脑电信号能反应该大脑区域的活动状况,例如当实验者想象肢体运动时,通常在C3、C4、Cz等区域位置的脑电信号变化比较明显。因此可以通过对各电极信号加权,增强运动想象的信号,对应的权值称为空间滤波器。运动想象的脑电信号一般集中在12-32Hz左右,每个人情况会不同,以2Hz带宽的信号能量作为特征,那么单个电极就有(32-12)/2=10个特征值,如果使用32导联数据,那么一个特征样本就有10*32=320个特征值,特征值过多会影响分类器的学习效率和分类精度。如果训练样本太少或者特征值太少,会导致分类器过度拟合训练数据,降低分类精度。因此,为了提高分类精度,对原始EEG信号进行合适预处理是必不可少的环节。
其中,空间滤波和特征选择在脑机接口中是非常重要的步骤。而现在通常的做法是根据经验选择空间滤波器系数和频率特征,通过多次尝试获得较优的分类精度。由于脑电信号因人而异,这个实验者用的空间滤波系数和频率特征向量不一定适合另外其他的实验者,因此每次实验都需要人工去确定空间滤波系数和特征向量,这是一个繁琐和低效率的工作。
发明内容
本发明提出了一种基于组合差异进化的脑电信号特征选择及分类方法,利用组合差异进化算法在全局搜索能力和快速收敛方面的突出表现,迅速找到最佳空间滤波系数和特征向量,克服现有技术中需依靠人工确定空间滤波系数和特征向量的工作繁琐且低效的问题,并利用搜索到的最佳空间滤波系数和特征向量训练分类器,对脑电信号进行分类,提高脑电信号的识别率。
一种基于组合差异进化的脑电信号特征选择方法,包括以下步骤:
步骤1:选取脑电信号样本数据Xt×c,并对脑电信号样本数据进行预处理获得训练样本X为t×c的矩阵,XFFT为m×c的矩阵,t是每一个电极采集数据个数,m是每个导联在一个T时间段内的特征值个数,c为脑电信号的导联个数;
步骤2:设定染色个体和适应度函数,设置策略知识库、迭代停止条件及染色个体种群,并对染色个体及迭代次数进行参数初始化;
以空间滤波器和特征选择器作为染色个体[S,K],S的编码为实数,K采用0和1编码;
步骤3:按照组合差异进化算法对每一个染色个体进行变异、修补及交叉处理,获得新染色个体;
步骤4:以新染色个体的实数编码部分作为空间滤波器对训练样本T进行空间滤波,获得样本特征向量V为m×c1的矩阵,c1表示空间滤波器输出维数;接着利用新染色个体的{0,1}编码部分作为特征选择器对样本特征向量构建训练特征向量XV,K为m×c1的矩阵,计算每个新染色个体的Kf,利用适应度函数计算每个新染色个体的适应值;
Kf为特征选择器所选的特征个数与频域特征向量中特征总个数的比值;
步骤5:判断是否满足迭代停止条件,如果不满足,令迭代次数G=G+1,并转到步骤3;否则,输出种群中的最优染色个体Rbest的实数部分S作为脑机接口中的空间滤波器,K{0,1}部分作为脑机接口中的特征选择器。
所述步骤1中脑电信号样本数据Xt×c采用设定频率范围内的脑电信号数据;
所述预处理是指对脑电信号样本数据以T时间窗进行分帧处理,并对每帧数据进行FFT变换。
所述染色个体初始化包括:空间滤波器通过随机函数生成实数,特征选择器初始化为1,S为c×c1的矩阵。
所述适应度函数为fitness(S,K)=ELDA+λ|Kf|,其中,ELDA为分类误差,通过线性判决分析对脑电信号特征向量XV进行训练获得;Kf为特征选择器所选的特征个数与频域特征向量中特征总个数的比值,λ为调整参数,0.1<λ<0.5;
脑电信号特征向量XV的获取过程为:利用每一个染色个体[S,K]中的空间滤波器对脑电信号X进行空间滤波,然后对空间滤波后的结果进行FFT变换获得频域特征向量,最后利用染色个体中的特征选择器对频域特征向量进行特征选择,选择后的结果作为脑电信号特征向量XV。
所述迭代停止条件为:迭代次数超过最大迭代代数GMax=1000或连续30次迭代后适应度函数变化率小于0.001。
一种基于组合差异进化的脑电信号特征分类方法,采用所述的基于组合差异进化的脑电信号特征选择方法,选择的空间滤波器及特征选择器形成的最优染色个体Rbest,具体包括以下几个步骤:
步骤A:利用最优染色个体Rbest,按照步骤4所述方法对训练样本进行空间滤波和特征选择,获得最优训练特征向量XV′,利用SVM分类器对最优训练特征向量XV′进行训练,获得分类器Csvm;
步骤B:对待测试数据按照步骤1所述方法进行预处理获得待测试样本YFFT为m×c的矩阵,利用获得的最优染色个体Rbest依据步骤4所述方法对待测试样本进行空间滤波和特征选择,获得待测试特征向量YV′,将待测试特征向量YV′输入步骤A获得的分类器Csvm,输出分类结果。
对染色体个体编码:
在本发明中,个体的编码主要是对空间滤波器系数和特征选择进行编码,其中空间滤波器系数是实数,采用实数编码,而特征选择器中1表示选择该特征,0表示不选择该特征,因此特征选择采用{0,1}编码。
假设脑机接口有c个脑电极或导联通道,采样频率为f,采集时间为s,那么每一个电极采集数据共有t=f×s个,设所采集的脑电信号为X,那么X为t×c的矩阵。对X进行空间滤波,实质上是对各导联数据进行加权处理,可以表示X′=X×S,其中S为c×c1矩阵,X′为t×c1矩阵,c1表示空间滤波器输出维数。特征选择滤波器是一个m×c1的二值矩阵K,其中m是每个导联在一个T时间段内(即一个时间帧内,其中0.5s<T<2s)的特征值个数,其中1表示选择该特征频率,0表示不选择。将S,K矩阵进行扁平化处理,即可获得S,K的染色体编码,如图3、图4所示。
确定组合差异进化的适应度函数:
为了获得最优的分类性能,利用每一个染色体(S,K)中的空间滤波器S对训练脑电信号X进行预处理:利用每一个染色个体[S,K]中的空间滤波器对脑电信号X进行空间滤波,然后对空间滤波后的结果进行FFT变换获得频域特征向量最后利用染色个体中的特征选择器对频域特征向量进行特征选择,选择后的结果作为脑电信号特征向量XV,选择后的结果XV作为线性判断的训练样本;通过线性判决分析(LDA)对样本进行训练,获得分类器参数PLDA以及分类误差ELDA,其中分类误差ELDA作为适应度函数的参数,用于判断染色体的优劣。如果分类误差小,则说明该染色体最接近最优解,应该保留;否则应该进行交叉、变异。
为了选择合适的特征个数,定义Kf为特征选择器所选的特征个数与频域特征向量中特征总个数的比值,显然0<Kf≤1。
考虑到分类误差以及特征个数,那么适应度函数定义为:
fitness(S,K)=ELDA+λ|Kf| 公式(1)
其中,0.1<λ<0.5。
另外,由于空间滤波器和FFT变化都属于线性变化,两种的先后顺序不影响算法结果,但是如果先空间滤波再进行FFT变化的话,那么在每一次进化迭代过程中都需要进行FFT运算,会显著增加运算量。因此本发明中对训练数据初始化过程中先进行FFT变化,在进化迭代过程中只进行空间滤波,不进行FFT运算。
有益效果
本发明提出了一种基于组合差异进化的脑电信号特征选择及分类方法,通过利用组合差异进化算法在全局搜索能力和快速收敛方面的突出表现,迅速找到最佳空间滤波系数和特征向量,克服现有技术中需依靠人工确定空间滤波系数和特征向量的工作繁琐且低效的问题,并利用搜索到的最佳空间滤波系数和特征向量训练分类器,对脑电信号进行分类,提高脑电信号的识别率,为脑机接口的实用化奠定基础。实现了对脑电信号的自动化识别,降低了人工劳动强度,大大提高了脑电信号的处理效率。
附图说明
图1为脑机接口结构示意图;
图2为本发明所述方法的流程图;
图3为空间滤波器S的编码示意图;
图4为特征选择器K的编码示意图;
图5为实施例中特征选择器选择特征向量示意图;
图6第1组数据组合差异进化迭代过程中分类误差εLDA变化图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
一种基于组合差异进化的脑电信号特征选择方法,包括以下步骤:
步骤1:选取脑电信号样本数据Xt×c,并对脑电信号样本数据进行预处理获得训练样本X为t×c的矩阵,XFFT为m×c的矩阵,t是每一个电极采集数据个数,m是每个导联在一个T时间段内的特征值个数,c为脑电信号的导联个数;
步骤2:设定染色个体和适应度函数,设置策略知识库、迭代停止条件及染色个体种群,并对染色个体及迭代次数进行参数初始化;
以空间滤波器和特征选择器作为染色个体[S,K],S的编码为实数,K采用0和1编码;
步骤3:按照组合差异进化算法对每一个染色个体进行变异、修补及交叉处理,获得新染色个体;
步骤4:以新染色个体的实数编码部分作为空间滤波器对训练样本进行空间滤波,获得样本特征向量V为m×c1的矩阵,c1表示空间滤波器输出维数;接着利用新染色个体的{0,1}编码部分作为特征选择器对样本特征向量构建训练特征向量XV,K为m×c1的矩阵,计算每个新染色个体的Kf,利用适应度函数计算每个新染色个体的适应值;
Kf为特征选择器所选的特征个数与频域特征向量中特征总个数的比值;
步骤5:判断是否满足迭代停止条件,如果不满足,令迭代次数G=G+1,并转到步骤3;否则,输出种群中的最优染色个体Rbest的实数部分S作为脑机接口中的空间滤波器,K{0,1}部分作为脑机接口中的特征选择器。
所述步骤1中脑电信号样本数据Xt×c的选取是以设定频率范围内的脑电信号数据作为脑电信号样本数据;
所述预处理是指对脑电信号样本数据按照时间T内的数据作为一帧,进行分帧处理,并对每帧数据进行FFT变换。
所述染色个体初始化是指空间滤波器通过随机函数生成实数,特征选择器初始化为1。
所述适应度函数为fitness(S,K)=ELDA+λ|Kf|,其中,ELDA为分类误差,通过线性判决分析对脑电信号特征向量XV进行训练获得;Kf为特征选择器所选的特征个数与频域特征向量中特征总个数的比值,0.1<λ<0.5;
脑电信号特征向量XV是利用每一个染色个体[S,K]中的空间滤波器对脑电信号X进行空间滤波,然后对空间滤波后的结果进行FFT变换获得频域特征向量最后利用染色个体中的特征选择器对频域特征向量进行特征选择,选择后的结果作为脑电信号特征向量XV。
所述迭代停止条件为:迭代次数超过最大迭代代数GMax=1000或连续30次迭代后适应度函数变化率小于0.001。
一种基于组合差异进化的脑电信号特征分类方法,如图2所示,采用所述的基于组合差异进化的脑电信号特征选择方法,选择的空间滤波器及特征选择器形成的最优染色个体Rbest,具体包括以下几个步骤:
步骤A:利用依据最优染色个体Rbest,按照步骤4所述方法对训练样本进行空间滤波和特征选择,获得最优训练特征向量XV′,利用SVM分类器对最优训练特征向量XV′进行训练,获得分类器Csvm;
步骤B:对待测试数据按照步骤1所述方法进行预处理获得待测试样本利用获得的最优染色个体Rbest依据步骤4所述方法对待测试样本进行空间滤波和特征选择,获得待测试特征向量YV′,将待测试特征向量YV′输入步骤A获得的分类器Csvm,输出分类结果。
本实施例以基于运动想象的BCI实验为例,其中涉及的数据来源于第三届国际脑机接口比赛提供的数据集。该数据集采集了3个人的脑电数据(即有3组实验数据),每个人做4次实验,其中前3次作为训练数据,最后一次作为测试数据。其中记录电极为32导联,采样率为512HZ。除了提供原始数据外,竞赛组还提供经过处理的数据,即8导联的能量谱密度(PSD)数据。针对第1组实验的具体实施方案如下:
1)数据加载以及FFT变化:加载第1组实验的前3次原始数据作为训练数据X,对其进行分帧处理,其中以1s的数据为一帧,每帧间隔0.125秒,重叠0.875s。并对每一帧进行FFT变化,选取8-32Hz的数据,以相邻2Hz的数据的绝对值相加作为训练样本Xfft,那么每一导联的特征向量维数为12维,共32导联;
2)组合差异进化算法初始化:设置空间滤波输出维数c1=2,那么空间滤波器系数共有32×2=64个,特征选择器系数共有12×2=24个,因此染色体的编码长度为D=64+24=88维,设置种群数N=88,每个染色体的实数编码部分通过随机函数生成,{0,1}编码部分初始化全部设置为1,即选择所有的特征值作为训练特征样本。适应度函数按照公式(1)计算,其中λ=0.2。其他组合差异进化算法的参数按照步骤2设置;
3)按照本发明方法的步骤3-步骤5搜索最优特征向量,如图5所示,为本实施例中特征选择器选择特征向量示意图;
4)按照本发明方法的步骤A获得SVM分类器;
5)按照本发明方法的步骤B对第1组的第4次实验进行测试,获得测试结果;
第2组和第3组实验同样按照以上过程获得。将分类结果与竞赛数据集中所提供的正确结果相比较,可得到分类精度η=1-ε,其中ε为分类误差,如表1所示,其中括号内为进化算法结束时LDA分类精度ηLDA=1-εLDA。
从表中可以看出,本发明所述方法获得的分类结果精度均高于2003年国际BCI竞赛时获得第1名的分类结果精度。
表1分类精度η结果比较表(括号内为ηLDA,单位100%)
第一组数据训练后获得空间滤波器S32x2为:
3.3994 | -0.072 |
-2.328 | -1.834 |
-4.062 | 1.3776 |
1.5577 | -5.732 |
-7.919 | -1.112 |
-2.067 | 1.6393 |
3.204 | -3.167 |
0.6157 | 3.2035 |
-3.426 | 8.7461 |
2.4336 | 6.2214 |
0.5456 | 0.0566 |
2.5888 | 6.2104 |
-2.705 | 1.942 |
-1.771 | 0.4036 |
-5.31 | 0.1702 |
-5.676 | -3.15 |
-4.208 | 2.0642 |
3.5218 | -1.015 |
5.2185 | -5.369 |
1.2967 | -3.288 |
3.2394 | -2.1 |
5.4838 | -1.509 |
11.534 | 4.4107 |
-0.705 | -2.441 |
-0.32 | -1.533 |
0.4615 | 2.1722 |
-1.448 | 0.0982 |
-2.579 | 2.457 |
1.5179 | 1.5508 |
-0.886 | 2.2567 |
-4.219 | -6.481 |
0.5117 | -4.984 |
与上述空间滤波器对应特征选择器K12x2为:
0 | 1 |
1 | 1 |
0 | 0 |
0 | 0 |
0 | 0 |
0 | 0 |
0 | 1 |
0 | 0 |
0 | 0 |
0 | 0 |
0 | 0 |
0 | 0 |
从图6中可以看出,虚线是训练数据的LDA分类误差,实线是测试数据的LDA分类误差。随着组合差异进化的迭代次数的增加,训练数据的分类误差逐渐减少,其中部分地方如第246代处出现阶跃变大的原因是特征选择器所选择的特征个数发生变化,特征变少后引起分类误差变大,但随着继续迭代,分类误差逐渐变小。测试数据分类误差与训练数据的分类误差变化总体趋势是一致的,说明通过组合差异进化的迭代过程能获得较好的特征向量,并能有效提高分类精度。
Claims (6)
1.一种基于组合差异进化的脑电信号特征选择方法,其特征在于,包括以下步骤:
步骤1:选取脑电信号样本数据Xt×c,并对脑电信号样本数据进行预处理获得训练样本X为t×c的矩阵,XFFT为m×c的矩阵,t是每一个电极采集数据个数,m是每个导联在一个T时间段内的特征值个数,c为脑电信号的导联个数;
步骤2:设定染色个体和适应度函数,设置策略知识库、迭代停止条件及染色个体种群,并对染色个体及迭代次数进行参数初始化;
以空间滤波器和特征选择器作为染色个体[S,K],S的编码为实数,K采用0和1编码;
步骤3:按照组合差异进化算法对每一个染色个体进行变异、修补及交叉处理,获得新染色个体;
步骤4:以新染色个体的实数编码部分作为空间滤波器对训练样本进行空间滤波,获得样本特征向量V为m×c1的矩阵,c1为空间滤波输出维数;接着利用新染色个体的{0,1}编码部分作为特征选择器对样本特征向量构建训练特征向量XV,K为m×c1的矩阵,计算每个新染色个体的Kf,利用适应度函数计算每个新染色个体的适应值;
Kf为特征选择器所选的特征个数与频域特征向量中特征总个数的比值;
步骤5:判断是否满足迭代停止条件,如果不满足,令迭代次数G=G+1,并转到步骤3;否则,输出种群中的最优染色个体Rbest的实数部分S作为脑机接口中的空间滤波器,K{0,1}部分作为脑机接口中的特征选择器。
2.根据权利要求1所述的基于组合差异进化的脑电信号特征选择方法,其特征在于,所述步骤1中脑电信号样本数据Xt×c采用设定频率范围内的脑电信号数据;
所述预处理是指对脑电信号样本数据以T时间窗进行分帧处理,并对每帧数据进行FFT变换。
3.根据权利要求2所述的基于组合差异进化的脑电信号特征选择方法,其特征在于,所述染色个体初始化包括:空间滤波器通过随机函数生成实数,特征选择器初始化为1,S为c×c1的矩阵。
4.根据权利要求3所述的基于组合差异进化的脑电信号特征选择方法,其特征在于,所述适应度函数为fitness(S,K)=ELDA+λ|Kf|,其中,ELDA为分类误差,通过线性判决分析对脑电信号特征向量XV进行训练获得;Kf为特征选择器所选的特征个数与频域特征向量中特征总个数的比值,λ为调整参数,0.1<λ<0.5;
脑电信号特征向量XV的获取过程为:利用每一个染色个体[S,K]中的空间滤波器对脑电信号X进行空间滤波,然后对空间滤波后的结果进行FFT变换获得频域特征向量最后利用染色个体中的特征选择器对频域特征向量进行特征选择,选择后的结果作为脑电信号特征向量XV。
5.根据权利要求4所述的基于组合差异进化的脑电信号特征选择方法,其特征在于,所述迭代停止条件为:迭代次数超过最大迭代代数GMax=1000或连续30次迭代后适应度函数变化率小于0.001。
6.一种基于组合差异进化的脑电信号特征分类方法,其特征在于,采用权利要求1-5任一项所述的基于组合差异进化的脑电信号特征选择方法,选择的空间滤波器及特征选择器形成的最优染色个体Rbest,具体包括以下几个步骤:
步骤A:利用最优染色个体Rbest,按照步骤4所述方法对训练样本进行空间滤波和特征选择,获得最优训练特征向量XV′,利用SVM分类器对最优训练特征向量XV′进行训练,获得分类器Csvm;
步骤B:对待测试数据按照步骤1所述方法进行预处理获得待测试样本YFFT为m×c的矩阵,利用获得的最优染色个体Rbest依据步骤4所述方法对待测试样本进行空间滤波和特征选择,获得待测试特征向量YV′,将待测试特征向量YV′输入步骤A获得的分类器Csvm,输出分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410245808.6A CN103996054B (zh) | 2014-06-05 | 2014-06-05 | 一种基于组合差异进化的脑电信号特征选择及分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410245808.6A CN103996054B (zh) | 2014-06-05 | 2014-06-05 | 一种基于组合差异进化的脑电信号特征选择及分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103996054A true CN103996054A (zh) | 2014-08-20 |
CN103996054B CN103996054B (zh) | 2017-02-01 |
Family
ID=51310215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410245808.6A Expired - Fee Related CN103996054B (zh) | 2014-06-05 | 2014-06-05 | 一种基于组合差异进化的脑电信号特征选择及分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103996054B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105342615A (zh) * | 2015-12-01 | 2016-02-24 | 中国科学院苏州生物医学工程技术研究所 | 一种脑激活区检测方法和装置 |
CN106355190A (zh) * | 2015-07-13 | 2017-01-25 | 西北工业大学 | 一种基于灰色理论的空间选择性注意检测方法 |
CN107193368A (zh) * | 2017-04-24 | 2017-09-22 | 重庆邮电大学 | 变时长编码的非侵入式脑机接口系统及编码方式 |
CN109165615A (zh) * | 2018-08-31 | 2019-01-08 | 中国人民解放军军事科学院军事医学研究院 | 一种面向脑电信号的多分类器单路模式下的参数训练算法 |
CN109344816A (zh) * | 2018-12-14 | 2019-02-15 | 中航华东光电(上海)有限公司 | 一种基于脑电实时检测面部动作的方法 |
CN109784233A (zh) * | 2018-12-29 | 2019-05-21 | 佛山科学技术学院 | 一种基于Lp-范数的锁相值加权空间滤波方法及装置 |
CN110135372A (zh) * | 2019-05-20 | 2019-08-16 | 闽江学院 | Vr艺术媒体交互环境下基于线性判决和svm的动作识别方法 |
CN110477909A (zh) * | 2019-07-31 | 2019-11-22 | 同济大学 | 一种基于静息态脑电数据的性别分类方法 |
CN113625073A (zh) * | 2021-06-23 | 2021-11-09 | 国网浙江省电力有限公司营销服务中心 | 一种非侵入式负荷监测系统的特征库更替方法和监测方法 |
CN116187152A (zh) * | 2022-10-24 | 2023-05-30 | 浙江大学 | 一种基于动态进化计算的侵入式脑机接口自适应解码方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7010167B1 (en) * | 2002-04-30 | 2006-03-07 | The United States Of America As Represented By The National Security Agency | Method of geometric linear discriminant analysis pattern recognition |
CN102488518A (zh) * | 2011-12-14 | 2012-06-13 | 山东大学 | 一种利用波动指数和提升训练的脑电检测方法和装置 |
-
2014
- 2014-06-05 CN CN201410245808.6A patent/CN103996054B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7010167B1 (en) * | 2002-04-30 | 2006-03-07 | The United States Of America As Represented By The National Security Agency | Method of geometric linear discriminant analysis pattern recognition |
CN102488518A (zh) * | 2011-12-14 | 2012-06-13 | 山东大学 | 一种利用波动指数和提升训练的脑电检测方法和装置 |
Non-Patent Citations (1)
Title |
---|
林江凯: "脑-机接口中运动想象脑电信号的特征提取和分类方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355190B (zh) * | 2015-07-13 | 2020-04-10 | 西北工业大学 | 一种基于灰色理论的空间选择性注意检测方法 |
CN106355190A (zh) * | 2015-07-13 | 2017-01-25 | 西北工业大学 | 一种基于灰色理论的空间选择性注意检测方法 |
CN105342615A (zh) * | 2015-12-01 | 2016-02-24 | 中国科学院苏州生物医学工程技术研究所 | 一种脑激活区检测方法和装置 |
CN105342615B (zh) * | 2015-12-01 | 2019-01-18 | 中国科学院苏州生物医学工程技术研究所 | 一种脑激活区检测方法和装置 |
CN107193368A (zh) * | 2017-04-24 | 2017-09-22 | 重庆邮电大学 | 变时长编码的非侵入式脑机接口系统及编码方式 |
CN107193368B (zh) * | 2017-04-24 | 2020-07-10 | 重庆邮电大学 | 变时长编码的非侵入式脑机接口系统及编码方式 |
CN109165615A (zh) * | 2018-08-31 | 2019-01-08 | 中国人民解放军军事科学院军事医学研究院 | 一种面向脑电信号的多分类器单路模式下的参数训练算法 |
CN109344816A (zh) * | 2018-12-14 | 2019-02-15 | 中航华东光电(上海)有限公司 | 一种基于脑电实时检测面部动作的方法 |
CN109784233A (zh) * | 2018-12-29 | 2019-05-21 | 佛山科学技术学院 | 一种基于Lp-范数的锁相值加权空间滤波方法及装置 |
CN110135372A (zh) * | 2019-05-20 | 2019-08-16 | 闽江学院 | Vr艺术媒体交互环境下基于线性判决和svm的动作识别方法 |
CN110477909A (zh) * | 2019-07-31 | 2019-11-22 | 同济大学 | 一种基于静息态脑电数据的性别分类方法 |
CN110477909B (zh) * | 2019-07-31 | 2021-11-09 | 同济大学 | 一种基于静息态脑电数据的性别分类方法 |
CN113625073A (zh) * | 2021-06-23 | 2021-11-09 | 国网浙江省电力有限公司营销服务中心 | 一种非侵入式负荷监测系统的特征库更替方法和监测方法 |
CN116187152A (zh) * | 2022-10-24 | 2023-05-30 | 浙江大学 | 一种基于动态进化计算的侵入式脑机接口自适应解码方法 |
CN116187152B (zh) * | 2022-10-24 | 2023-08-25 | 浙江大学 | 一种基于动态进化计算的侵入式脑机接口自适应解码方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103996054B (zh) | 2017-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103996054A (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 | |
CN104091172B (zh) | 一种运动想象脑电信号的特征提取方法 | |
CN106023195B (zh) | 基于自适应遗传算法的bp神经网络图像分割方法及装置 | |
CN105740887A (zh) | 一种基于pso-svm的脑电信号特征分类方法 | |
CN110163180A (zh) | 运动想象脑电数据分类方法及系统 | |
CN102722728B (zh) | 基于通道加权支持向量的运动想象脑电分类方法 | |
CN109784211A (zh) | 一种基于深度学习的运动想象脑电信号分类方法 | |
CN109657642A (zh) | 一种基于黎曼距离的运动想象脑电信号分类方法及系统 | |
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 | |
CN104771163A (zh) | 基于csp和r-csp算法的脑电信号特征提取方法 | |
CN109325586B (zh) | 一种用于脑电信号去噪的系统 | |
CN109671500A (zh) | 基于脑电图时域数据的精神分裂症辅助诊断分类方法 | |
CN111967506A (zh) | 一种人工蜂群优化bp神经网络的脑电信号分类方法 | |
CN104970790A (zh) | 一种运动想象脑电波解析方法 | |
CN102930284A (zh) | 基于经验模态分解和分形的表面肌电信号模式识别方法 | |
CN106845327A (zh) | 人脸对齐模型的训练方法、人脸对齐方法和装置 | |
CN105022486A (zh) | 基于不同表情驱动的脑电信号辨识方法 | |
CN103092971B (zh) | 一种用于脑机接口中的分类方法 | |
CN109730818A (zh) | 一种基于深度学习的假手控制方法 | |
CN110399846A (zh) | 一种基于多通道肌电信号相关性的手势识别方法 | |
CN110399805A (zh) | 半监督学习优化svm的运动想象脑电信号分类方法 | |
CN113295702B (zh) | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 | |
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 | |
CN109766845A (zh) | 一种脑电信号分类方法、装置、设备和介质 | |
CN110074779A (zh) | 一种脑电信号识别方法及装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170201 Termination date: 20190605 |
|
CF01 | Termination of patent right due to non-payment of annual fee |