CN105068644A - 一种基于卷积神经网络的p300脑电信号检测方法 - Google Patents
一种基于卷积神经网络的p300脑电信号检测方法 Download PDFInfo
- Publication number
- CN105068644A CN105068644A CN201510445894.XA CN201510445894A CN105068644A CN 105068644 A CN105068644 A CN 105068644A CN 201510445894 A CN201510445894 A CN 201510445894A CN 105068644 A CN105068644 A CN 105068644A
- Authority
- CN
- China
- Prior art keywords
- layer
- output
- convolution
- mrow
- sampling
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 36
- 230000001965 increasing effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- VZCCETWTMQHEPK-QNEBEIHSSA-N gamma-linolenic acid Chemical compound CCCCC\C=C/C\C=C/C\C=C/CCCCC(O)=O VZCCETWTMQHEPK-QNEBEIHSSA-N 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000007635 classification algorithm Methods 0.000 abstract 2
- 238000013507 mapping Methods 0.000 abstract 2
- 238000004422 calculation algorithm Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 208000003464 asthenopia Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003863 physical function Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的P300脑电信号检测方法,用于脑-计算机接口分类算法中,可以有效的解决传统分类算法存在的小样本问题,同时提高分类准确率。该方法借鉴图像识别领域的思想,充分利用卷积神经网络的局部感受野与权值共享思想,将典型的P300脑电信号采集样本类比为特征图像,通过不断的卷积过程提取样本特征,通过下采样过程进行特征映射,不断进行特征提取与特征映射,使样本特征更加简单化,同时局部感受野与权值共享的应用,极大的减小了网络权重参数与计算复杂度,有利于算法的推广。通过实验结果可知,本发明采用的方法有效的提高了分类准确率,增加了系统稳定性,具有较好的应用前景。
Description
技术领域
本发明涉及的是一种信号检测技术,具体是一种基于卷积神经网络的P300脑电信号检测方法。
背景技术
随着人工智能技术的不断发展,以人体生命特征信号为基础的研究越来越受到关注,其中以眼部、脸部以及脑电研究最为集中。脑-计算机接口技术作为近年来的研究热点,已经取得了巨大的进步,尤其是在医学领域,基于脑电信号的智能轮椅已经给身体机能不健全的病人带来了福音。例如,北京师范大学的“一种新型的基于运动想象脑电控制的智能轮椅系统”专利申请文件(201010249134.9)提出了一种基于运动想象的轮椅控制方法,它通过运动想象范式获得脑电信号,通过分类方法获得我们所需的控制指令,完成对轮椅的方向控制。但是其存在很大不足,一是因为基于运动想象的脑电信号稳定性很差,不易获取;二是脑电信号的分类准确率很低,一般在80%以下,给实际应用带来了很大的缺陷。
专利申请文件(201310163499.3)提出了一种基于SSVEP稳态视觉诱发电位的智能轮椅系统,通过几个固定频率的视觉刺激器对眼睛产生刺激,产生对应特定频率的脑电信号,通过相关方法识别出对应的脑电信号,并转化为控制信号完成对轮椅的控制。SSVEP电位相对于运动想象更加稳定,也更加容易获取,但是其对刺激频率以及刺激源的光色要求极其严格,而且受试者需要不断的接受视觉刺激器的刺激,这样会使受试者极易产生视觉疲劳,而且信号的检测率不高,当受试者出现视觉疲劳时分类准确率下降很大。
脑-计算机接口的核心在于脑电信号的获取以及分类方法的应用,有效的脑电信号、性能优异的分类方法是脑-计算机接口的关键。P300脑电信号与SSVEP属于同一范式,相对于SSVEP信号,P300脑电信号对视觉刺激器的频率要求不再严格,同时P300脑电信号容易获取,因此逐渐成为脑-计算机接口技术的研究热点。传统的基于P300脑电信号的脑电分类方法有LDA(LinearDiscriminantAnalysis),SWLDA(Step-wiseLinearDiscriminantAnalysis),SKLDA(ShrinkageLinearDiscriminantAnalysis),SVM(SupportVectorMachine)。相对于运动想象与SSVEP,基于P300脑电信号的分类方法已经取得了较好的效果,分类准确率能够达到90%左右。但是,传统的分类方法也存在很多不足之处:容易产生小样本问题、对训练样本的需求量过大、系统不够稳定等。
综上所述,现有的脑-计算机接口存在以下不足:
1基于运动想象或SSVEP的脑-计算机接口稳定性差,信号检测准确率低,一般在80%以下;
2基于P300脑电信号的传统分类方法训练时间较长、训练样本需求大;
3基于P300脑电信号的传统分类方法存在小样本问题,当样本数量小于样本维度时准确率急速下降;
4基于P300信号的传统分类方法在足够样本情况下可以得到较好的分类准确率,而当样本较少时准确度效果不好;
为了解决以上问题,我们摒弃传统方法思想,提出一种新的基于卷积神经网络的P300脑电信号检测方法。
发明内容
本发明的目的在于针对上述传统方法的不足,提出一种基于卷积神经网络的P300脑电信号检测方法,该方法可以有效地消除小样本问题,并且在样本较少时可以得到较好的分类效果,当样本数量足够时,可以达到95%以上的分类准确率。将该方法应用到脑-计算机接口上,可以很好地弥补现有脑-计算机接口的缺陷,从而达到良好的体验效果。
卷积神经网络主要包括卷积与下采样两个过程。如图1所示,用一个5×5大小的可训练的滤波器fx卷积输入特征图,同时加一个偏置bx,然后通过Relu激活函数,得到卷积层cx。子采样层包括:将相邻四个像素求和变成一个像素,然后乘以特征权重wx+1,增加偏置bx+1,最后通过Relu激活函数得到结果。
为了实现上述目的,本发明采用如下技术方案:
一种基于卷积神经网络的P300脑电信号检测方法,具体步骤如下:
(1)通过6×6的视觉刺激器产生P300脑电信号,利用EPOC设备获取信号并采用6阶Butterworth滤波器其进行预处理,获取6-15Hz内的低频信号;
(2)随机打乱原始样本,将采样得到的五维信号重构为常见的两维矩阵信号,通过加权平均增大信噪比,减少噪声对信号的影响;
(3)设计网络结构,选用一个输入层、两个卷积层、两个下采样层、一个全连接层以及一个输出层,卷积核大小为5×5,下采样层大小为2×2;
(4)训练网络,采用平方误差代价函数N代表样本个数,c代表样本类数,表示第n个样本对应标签的第k维,表示第n个样本对应网络输出的第k个输出,循环执行以下操作:
如果该层为卷积层,用大小为5×5、步长为1的卷积核对上层进行卷积操作,提取样本特征,然后加上本层偏置bx,并通过Relu激活函数后作为下层输出;如果该层为下采样层,将相邻四个像素点进行加权求和,然后通过权重参数Wx+1相乘,加上本层偏重bx+1,通过激活函数后作为下层输入;
(5)卷积层与下采样层之后便是全连接层,最后得到结果输出,与标准结果相减得到误差代价函数,进行后向传播方法;
(6)测试网络,加入测试数据以及标签,对输出结果进行分析。
其中,步骤(5)的具体步骤为:
1)计算输出层即第nl层的残差, 其中第nl层表示输出层,表示输出层未经过激活函数的权重加权,hw,b(x)表示输出结果,y表示标准输出,表示nl层的第i个输出,表示求导;
2)计算l=nl-1,nl-2,nl-3,…,2各层的残差
如果第l层为卷积层,则l+1层为下采样层,由于卷积层与下采样层的特征图大小不同,所以下采样层需要先进行一个上采样的过程,使得第l层与第l+1层的特征图大小一致,然后计算残差,δl=((wl)Tδ(l+1))·f′(zl),其中wl为第l层的权重参数,δ(l+1)为第l+1层的残差,f′(zl)表示对第l层求导;
如果第l层为下采样层,则l+1层为卷积层,由于卷积层是由卷积核对下采样层不同的特征图进行卷积加偏置并通过激活函数得到的,所以需要找到卷积时的特征图组合方式,然后计算残差,δl=((wl)Tδ(l+1))·f′(zl)
3)计算最终需要的偏导数值,并更新权重参数,
其中,a为权重学习率,λ为权重衰减系数。
本发明借鉴图像识别的思想,将脑电信号样本当作一幅完整的图像。图像识别中习惯把图像分为长宽相等的方形图片,而由于脑电信号样本我们需要足够维度的信号才可以得到较好的分类效果,所以我们这里无法选用长宽相等的方形图片,但不影响分类效果。本发明的主要创新在于利用卷积神经网络在脑电信号中的应用,有效地解决了传统方法存在的小样本问题以及分类准确率不够理想的情况,在提高方法稳定性的情况下有效地提高了分类准确率。
本发明的有益效果:
1解决了传统方法存在的小样本问题;2增加了系统分类准确率,使脑-计算机接口系统更加完善;3系统训练完成以后,需要较短的时间完成分类结果,提高系统的时效性。
附图说明
图1是卷积与下采样过程示意图;
图2是本发明检测方法示意图;
图3是实验结果对比图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明主要借鉴卷积神经网络方法的权值共享与局部感受野思想。由于传统的神经网络权重参数繁多,当隐藏层数较多时,计算量巨大,而反向传播方法通过多层隐藏层之后对神经网络的影响也微乎其微,神经网络无法达到好的效果。卷积神经网络通过权值共享与局部感受野思想充分解决了这个不足。每个神经元对不同的特征图进行卷积时采用相同的卷积核,将大大减少权重参数;同时卷积核对特征图卷积时,设计卷积核的大小,每次提取特征图的局部特征。通过以上思想,我们对每层的神经网络进行相同的处理计算,同时利用随机梯度方法进行后向传播方法进行权重调优,最后将得到的全连接图像当作普通的神经网络进行处理,最终得到非常好的分类效果。
如图2所示,本发明的卷积神经网络特征提取分类方法,具体包括以下步骤:
(1)获取样本数据,采用6×6的矩阵视觉刺激器,进行1-12标号,每行或者每列随机闪烁,每次闪烁100ms,重复15次,采样频率为240Hz;
(2)进行信号预处理,假设样本表示为s(k)=x(k)+n(k),s(k)为获取信号,x(k)为P300脑电信号,n(k)为噪音信号,采用6阶Butterworth滤波器,频率设为0.1-15Hz,过滤掉高频信号以及部分噪音。由于P300脑电信号随机性强、信号容易淹没在噪声中,所以对样本信号进行等权平均叠加滤波,进一步过滤噪音,增大信噪比,设N个样本原始信号:si(k)=x(k)+ni(k),x(k)是要提取的信号,ni(k)为相互独立的白噪声,且ni(k)与nj(k)互不相关。采用等权平均叠加滤波: 可得噪声被缩小为原来的对处理后的样本信号进行下采样,原来的采样频率为240Hz,通过6阶下采样并经过700ms的时间窗,将每个样本定位28个值;
(3)设计网络结构,第一层为输入层,获取样本数据时我们采用16个信道,每个信道样本经过下采样为28个值,因此我们重构为28×16的图像。第二层为卷积层,采用5×5大小的卷积核,定义6个特征图,卷积核权重初始化为随机值,偏置初始化为0。第三层为下采样层,将相邻四个像素(2×2)加权求和,然后增加偏置bx+1,通过Relu激活函数后,得到6个特征映射图。第四层为卷积层,采用5×5大小的卷积核,定义12个特征图,卷积核权重初始化为随机值,偏置初始化为0。第五层为下采样层,将相邻四个像素(2×2)加权求和,然后增加偏置bx+1,通过Relu激活函数后,得到12个特征映射图。第六层为全连接层,将以上的特征图转换为向量形式。最后一层为输出层,得到我们需要的输出结果;
(4)训练网络,本发明采用平方误差代价函数作为评判标准, 其中N代表样本个数,c代表样本类数,表示第n个样本对应标签的第k维,表示第n个样本对应网络输出的第k个输出。
1)第二层为卷积层,每次输入一个样本图像,用大小为5×5、步长为1并且随机初始化的6个卷积核对输入图像进行卷积,得到6个特征图,其中,为第l层的第j个特征图,Mj为输入的特征图集合,这里只有一个输入图像,为本层选用的卷积核,为第l层偏置,f为激活函数Relu函数;
2)第三层为子采样层,由于有6个特征输入图,所以会得到6个特征输出图,其中,为第l层权重,down(.)表示一个下采样函数,这里是将相邻2×2个像素值等权平均为一个,所以下采样函数为常数
3)第四层为卷积层,此时的输入为上层的6个特征图,但是却不是与所有的特征图全连接卷积,而是与其中的几个相互组合连接。同样采用5×5大小的卷积核进行卷积, 同步骤1);
4)第四层为子采样层, 同步骤2);
5)第五层为全连接层,其将第四层的12个特征图全连接,并转化为向量形式;
(5)第六层为输出层,通过sigmoid激活函数输出我们需要的分类结果,进行反向传播方法,调整各层权重参数,首先计算各层残差:
1)对于输出层nl,我们可以直接算出网络产生的激活值与实际值之间的误差, 其中第nl层表示输出层,表示输出层未经过激活函数的权重加权,hw,b(x)表示输出结果,y表示标准输出,表示nl层的第i个输出,表示求导;
2)对于l=nl-1,nl-2,nl-3,…,2各层的残差,通用公式为
如果第l层为卷积层,该层下层为下采样层,采样层的一个像素对应卷积层的输出图的一块像素(2×2),因此层l中的一个图的每个节点只与l+1层中相应图的一个节点连接,那么就出现大小不匹配现象。因此需要将下采样层进行上采样,表示第l+1层权重,up(.)表示一个上采样操作,这个函数可以用Kronecker乘积来实现,使得上采样后的图大小与卷积层图大小一样,通过原始公式计算残差δl=((wl)Tδ(l+1))·f′(zl);
如果第l层为下采样层,则第l+1层为卷积层,由于卷积层的输出图是由输入层的图组合以后进行卷积得到的,所以我们必须找到输入图的哪个patch对应输出图的哪个像素,另外需要乘以输入patch与输出像素之间连接的权值,这个权值实际上就是卷积核的权值(已旋转的),
conv2为卷积实现函数,rot180表示将卷积核翻转180度;
(6)计算最终需要的偏导数,并更新权重参数:
1)对于卷积层,权重更新公式为
2)对于子采样层,权重更新公式为
其中
(7)测试网络,加入测试数据以及标签,对输出结果进行分析。
本发明的效果可以通过实验结果进一步说明。
实验的测试数据采用BCI竞赛的官方数据,我们选用185个字符的样本数据进行实验,其中160个字符的所有样本作为训练样本,25个字符的所有样本作为测试样本,等权平均叠加滤波为5次平均。图3给出了本发明提出的方法与传统方法(LDA)分类性能比较,由最终结果可见,采用本发明后,P300脑电信号的分类准确率明显提高。
Claims (2)
1.一种基于卷积神经网络的P300脑电信号检测方法,具体步骤如下:
(1)通过6×6的视觉刺激器产生P300脑电信号,利用EPOC设备获取信号并采用6阶Butterworth滤波器其进行预处理,获取6-15Hz内的低频信号;
(2)随机打乱原始样本,将采样得到的五维信号重构为常见的两维矩阵信号,通过加权平均增大信噪比,减少噪声对信号的影响;
(3)设计网络结构,选用一个输入层、两个卷积层、两个下采样层、一个全连接层以及一个输出层,卷积核大小为5×5,下采样层大小为2×2;
(4)训练网络,采用平方误差代价函数N代表样本个数,c代表样本类数,表示第n个样本对应标签的第k维,表示第n个样本对应网络输出的第k个输出,循环执行以下操作:
如果该层为卷积层,用大小为5×5、步长为1的卷积核对上层进行卷积操作,提取样本特征,然后加上本层偏置bx,并通过Relu激活函数后作为下层输出;如果该层为下采样层,将相邻四个像素点进行加权求和,然后通过权重参数Wx+1相乘,加上本层偏重bx+1,通过激活函数后作为下层输入;
(5)卷积层与下采样层之后便是全连接层,最后得到结果输出,与标准结果相减得到误差代价函数,进行后向传播方法;
(6)测试网络,加入测试数据以及标签,对输出结果进行分析。
2.如权利要求1所述的方法,其中步骤(5)的具体步骤为:
1)计算输出层即第nl层的残差, 其中第nl层表示输出层,表示输出层未经过激活函数的权重加权,hw,b(x)表示输出结果,y表示标准输出,表示nl层的第i个输出,表示求导;
2)计算l=nl-1,nl-2,nl-3,…,2各层的残差
如果第l层为卷积层,则l+1层为下采样层,由于卷积层与下采样层的特征图大小不同,所以下采样层需要先进行一个上采样的过程,使得第l层与第l+1层的特征图大小一致,然后计算残差,δl=((wl)Tδ(l+1))·f′(zl),其中wl为第l层的权重参数,δ(l+1)为第l+1层的残差,f′(zl)表示对第l层求导;
如果第l层为下采样层,则l+1层为卷积层,由于卷积层是由卷积核对下采样层不同的特征图进行卷积加偏置并通过激活函数得到的,所以需要找到卷积时的特征图组合方式,然后计算残差,δl=((wl)Tδ(l+1))·f′(zl)
3)计算最终需要的偏导数值,并更新权重参数,
其中,a为权重学习率,λ为权重衰减系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510445894.XA CN105068644A (zh) | 2015-07-24 | 2015-07-24 | 一种基于卷积神经网络的p300脑电信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510445894.XA CN105068644A (zh) | 2015-07-24 | 2015-07-24 | 一种基于卷积神经网络的p300脑电信号检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105068644A true CN105068644A (zh) | 2015-11-18 |
Family
ID=54498030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510445894.XA Pending CN105068644A (zh) | 2015-07-24 | 2015-07-24 | 一种基于卷积神经网络的p300脑电信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105068644A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718953A (zh) * | 2016-01-25 | 2016-06-29 | 西北工业大学 | 一种基于矩阵灰建模的单次p300检测方法 |
CN105787510A (zh) * | 2016-02-26 | 2016-07-20 | 华东理工大学 | 基于深度学习实现地铁场景分类的系统及方法 |
CN105825225A (zh) * | 2016-03-11 | 2016-08-03 | 中国人民解放军信息工程大学 | 一种机器视觉辅助脑电目标判决的方法 |
CN105944233A (zh) * | 2016-04-18 | 2016-09-21 | 清华大学 | 基于深度学习的视神经仿真方法及系统 |
CN106251299A (zh) * | 2016-07-25 | 2016-12-21 | 电子科技大学 | 一种高效降噪视觉图像重构方法 |
CN106821681A (zh) * | 2017-02-27 | 2017-06-13 | 浙江工业大学 | 一种基于运动想象的上肢外骨骼控制方法及系统 |
CN107961007A (zh) * | 2018-01-05 | 2018-04-27 | 重庆邮电大学 | 一种结合卷积神经网络和长短时记忆网络的脑电识别方法 |
CN107967497A (zh) * | 2017-08-28 | 2018-04-27 | 苏州明逸智库信息科技有限公司 | 基于卷积神经网络和极限学习机的手写体识别方法 |
CN108209870A (zh) * | 2017-12-25 | 2018-06-29 | 河海大学常州校区 | 基于卷积神经网络的长程脑电图自动癫痫检测方法 |
CN108256633A (zh) * | 2018-02-06 | 2018-07-06 | 苏州体素信息科技有限公司 | 一种测试深度神经网络稳定性的方法 |
CN108364062A (zh) * | 2018-02-28 | 2018-08-03 | 天津大学 | 基于memd的深度学习模型构建方法及在运动想象中的应用 |
CN108433722A (zh) * | 2018-02-28 | 2018-08-24 | 天津大学 | 便携式脑电采集设备及其在ssvep和运动想象中的应用 |
CN108814585A (zh) * | 2018-05-03 | 2018-11-16 | 深圳竹信科技有限公司 | 心电信号处理方法、装置和计算机可读存储介质 |
CN108960182A (zh) * | 2018-07-19 | 2018-12-07 | 大连理工大学 | 一种基于深度学习的p300事件相关电位分类识别方法 |
CN109299751A (zh) * | 2018-11-26 | 2019-02-01 | 南开大学 | 基于emd数据增强的卷积神经模型的ssvep脑电分类方法 |
CN110059565A (zh) * | 2019-03-20 | 2019-07-26 | 杭州电子科技大学 | 一种基于改进卷积神经网络的p300脑电信号识别方法 |
CN110069958A (zh) * | 2018-01-22 | 2019-07-30 | 北京航空航天大学 | 一种密集深度卷积神经网络的脑电信号快速识别方法 |
WO2020093211A1 (zh) * | 2018-11-05 | 2020-05-14 | 中国科学院计算技术研究所 | 基于克罗内克卷积的场景分割方法和系统 |
CN111543982A (zh) * | 2020-04-01 | 2020-08-18 | 五邑大学 | 一种疲劳驾驶检测方法、装置及存储介质 |
CN111783942A (zh) * | 2020-06-08 | 2020-10-16 | 北京航天自动控制研究所 | 一种基于卷积循环神经网络的脑认知过程模拟方法 |
CN112001314A (zh) * | 2020-08-25 | 2020-11-27 | 江苏师范大学 | 变速提升机的早期故障检测方法 |
CN112842362A (zh) * | 2021-02-05 | 2021-05-28 | 杭州诺为医疗技术有限公司 | 用于植入式电刺激装置的自响应检测参数优化方法及系统 |
TWI734222B (zh) * | 2019-10-17 | 2021-07-21 | 孫光天 | 結合腦波與人工智慧進行閱讀障礙診斷之系統 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544506A (zh) * | 2013-10-12 | 2014-01-29 | Tcl集团股份有限公司 | 一种基于卷积神经网络的图像分类方法和装置 |
CN104281853A (zh) * | 2014-09-02 | 2015-01-14 | 电子科技大学 | 一种基于3d卷积神经网络的行为识别方法 |
CN104484658A (zh) * | 2014-12-30 | 2015-04-01 | 中科创达软件股份有限公司 | 一种基于多通道卷积神经网络的人脸性别识别方法及装置 |
-
2015
- 2015-07-24 CN CN201510445894.XA patent/CN105068644A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544506A (zh) * | 2013-10-12 | 2014-01-29 | Tcl集团股份有限公司 | 一种基于卷积神经网络的图像分类方法和装置 |
CN104281853A (zh) * | 2014-09-02 | 2015-01-14 | 电子科技大学 | 一种基于3d卷积神经网络的行为识别方法 |
CN104484658A (zh) * | 2014-12-30 | 2015-04-01 | 中科创达软件股份有限公司 | 一种基于多通道卷积神经网络的人脸性别识别方法及装置 |
Non-Patent Citations (2)
Title |
---|
HUBERT CECOTTI等: "Convolutional Neural Networks for P300 Detection with Application to Brain-Computer Interfaces", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
陈先昌: "基于卷积神经网络的深度学习算法与应用研究", 《中国优秀硕士论文全文数据库信息科技辑》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718953B (zh) * | 2016-01-25 | 2019-07-05 | 西北工业大学 | 一种基于矩阵灰建模的单次p300检测方法 |
CN105718953A (zh) * | 2016-01-25 | 2016-06-29 | 西北工业大学 | 一种基于矩阵灰建模的单次p300检测方法 |
CN105787510A (zh) * | 2016-02-26 | 2016-07-20 | 华东理工大学 | 基于深度学习实现地铁场景分类的系统及方法 |
CN105825225A (zh) * | 2016-03-11 | 2016-08-03 | 中国人民解放军信息工程大学 | 一种机器视觉辅助脑电目标判决的方法 |
CN105825225B (zh) * | 2016-03-11 | 2019-06-28 | 中国人民解放军信息工程大学 | 一种机器视觉辅助脑电目标判决的方法 |
CN105944233A (zh) * | 2016-04-18 | 2016-09-21 | 清华大学 | 基于深度学习的视神经仿真方法及系统 |
CN105944233B (zh) * | 2016-04-18 | 2018-04-10 | 清华大学 | 基于深度学习的视神经仿真方法及系统 |
CN106251299B (zh) * | 2016-07-25 | 2019-05-10 | 电子科技大学 | 一种高效降噪视觉图像重构方法 |
CN106251299A (zh) * | 2016-07-25 | 2016-12-21 | 电子科技大学 | 一种高效降噪视觉图像重构方法 |
CN106821681A (zh) * | 2017-02-27 | 2017-06-13 | 浙江工业大学 | 一种基于运动想象的上肢外骨骼控制方法及系统 |
CN107967497A (zh) * | 2017-08-28 | 2018-04-27 | 苏州明逸智库信息科技有限公司 | 基于卷积神经网络和极限学习机的手写体识别方法 |
CN108209870A (zh) * | 2017-12-25 | 2018-06-29 | 河海大学常州校区 | 基于卷积神经网络的长程脑电图自动癫痫检测方法 |
CN107961007A (zh) * | 2018-01-05 | 2018-04-27 | 重庆邮电大学 | 一种结合卷积神经网络和长短时记忆网络的脑电识别方法 |
CN110069958A (zh) * | 2018-01-22 | 2019-07-30 | 北京航空航天大学 | 一种密集深度卷积神经网络的脑电信号快速识别方法 |
CN110069958B (zh) * | 2018-01-22 | 2022-02-01 | 北京航空航天大学 | 一种密集深度卷积神经网络的脑电信号快速识别方法 |
CN108256633A (zh) * | 2018-02-06 | 2018-07-06 | 苏州体素信息科技有限公司 | 一种测试深度神经网络稳定性的方法 |
CN108433722A (zh) * | 2018-02-28 | 2018-08-24 | 天津大学 | 便携式脑电采集设备及其在ssvep和运动想象中的应用 |
CN108364062B (zh) * | 2018-02-28 | 2021-10-22 | 天津大学 | 基于memd的深度学习模型构建方法及在运动想象中的应用 |
CN108364062A (zh) * | 2018-02-28 | 2018-08-03 | 天津大学 | 基于memd的深度学习模型构建方法及在运动想象中的应用 |
CN108814585B (zh) * | 2018-05-03 | 2021-05-28 | 深圳竹信科技有限公司 | 心电信号处理方法、装置和计算机可读存储介质 |
CN108814585A (zh) * | 2018-05-03 | 2018-11-16 | 深圳竹信科技有限公司 | 心电信号处理方法、装置和计算机可读存储介质 |
CN108960182A (zh) * | 2018-07-19 | 2018-12-07 | 大连理工大学 | 一种基于深度学习的p300事件相关电位分类识别方法 |
CN108960182B (zh) * | 2018-07-19 | 2021-11-05 | 大连理工大学 | 一种基于深度学习的p300事件相关电位分类识别方法 |
WO2020093211A1 (zh) * | 2018-11-05 | 2020-05-14 | 中国科学院计算技术研究所 | 基于克罗内克卷积的场景分割方法和系统 |
CN109299751A (zh) * | 2018-11-26 | 2019-02-01 | 南开大学 | 基于emd数据增强的卷积神经模型的ssvep脑电分类方法 |
CN109299751B (zh) * | 2018-11-26 | 2022-05-31 | 南开大学 | 基于emd数据增强的卷积神经模型的ssvep脑电分类方法 |
CN110059565A (zh) * | 2019-03-20 | 2019-07-26 | 杭州电子科技大学 | 一种基于改进卷积神经网络的p300脑电信号识别方法 |
TWI734222B (zh) * | 2019-10-17 | 2021-07-21 | 孫光天 | 結合腦波與人工智慧進行閱讀障礙診斷之系統 |
CN111543982A (zh) * | 2020-04-01 | 2020-08-18 | 五邑大学 | 一种疲劳驾驶检测方法、装置及存储介质 |
CN111783942A (zh) * | 2020-06-08 | 2020-10-16 | 北京航天自动控制研究所 | 一种基于卷积循环神经网络的脑认知过程模拟方法 |
CN111783942B (zh) * | 2020-06-08 | 2023-08-01 | 北京航天自动控制研究所 | 一种基于卷积循环神经网络的脑认知过程模拟方法 |
CN112001314A (zh) * | 2020-08-25 | 2020-11-27 | 江苏师范大学 | 变速提升机的早期故障检测方法 |
CN112842362A (zh) * | 2021-02-05 | 2021-05-28 | 杭州诺为医疗技术有限公司 | 用于植入式电刺激装置的自响应检测参数优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105068644A (zh) | 一种基于卷积神经网络的p300脑电信号检测方法 | |
CN110069958B (zh) | 一种密集深度卷积神经网络的脑电信号快速识别方法 | |
CN111012336B (zh) | 时空特征融合的并行卷积网络运动想象脑电图分类方法 | |
Zhang et al. | A novel hybrid deep learning scheme for four-class motor imagery classification | |
CN106503799B (zh) | 基于多尺度网络的深度学习模型及在脑状态监测中的应用 | |
Lee et al. | A convolution neural networks scheme for classification of motor imagery EEG based on wavelet time-frequecy image | |
CN107194904B (zh) | 基于增补机制和pcnn的nsct域图像融合方法 | |
CN110353675B (zh) | 基于图片生成的脑电信号情感识别方法及装置 | |
CN109299751B (zh) | 基于emd数据增强的卷积神经模型的ssvep脑电分类方法 | |
Islam et al. | Multiband tangent space mapping and feature selection for classification of EEG during motor imagery | |
CN110059565A (zh) | 一种基于改进卷积神经网络的p300脑电信号识别方法 | |
Pan et al. | An efficient CNN-LSTM network with spectral normalization and label smoothing technologies for SSVEP frequency recognition | |
CN111584029B (zh) | 基于判别式对抗网络的脑电自适应模型及在康复中的应用 | |
CN107194426A (zh) | 一种基于Spiking神经网络的图像识别方法 | |
CN111461201B (zh) | 基于相空间重构的传感器数据分类方法 | |
CN113627401A (zh) | 融合双注意力机制的特征金字塔网络的肌电手势识别方法 | |
CN115880225A (zh) | 一种基于多尺度注意力机制的动态光照人脸图像质量增强方法 | |
Juneja et al. | A combination of singular value decomposition and multivariate feature selection method for diagnosis of schizophrenia using fMRI | |
CN109299647B (zh) | 一种面向车辆控制的多任务运动想象脑电特征提取及模式识别方法 | |
Gao et al. | Multi-ganglion ANN based feature learning with application to P300-BCI signal classification | |
CN113269048A (zh) | 基于深度学习和混合噪声数据增强的运动想象脑电信号分类方法 | |
CN116304558B (zh) | 癫痫脑磁图棘波检测方法及装置 | |
Lu et al. | Classification of EEG signal by STFT-CNN framework: identification of right-/left-hand motor imagination in BCI systems | |
CN110738660A (zh) | 基于改进U-net的脊椎CT图像分割方法及装置 | |
CN117520891A (zh) | 一种运动想象脑电信号分类方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151118 |