CN107169462A - 一种基于层次分析的脑电信号特征分类的二分类方法 - Google Patents
一种基于层次分析的脑电信号特征分类的二分类方法 Download PDFInfo
- Publication number
- CN107169462A CN107169462A CN201710357978.7A CN201710357978A CN107169462A CN 107169462 A CN107169462 A CN 107169462A CN 201710357978 A CN201710357978 A CN 201710357978A CN 107169462 A CN107169462 A CN 107169462A
- Authority
- CN
- China
- Prior art keywords
- eeg signals
- feature
- different time
- time sections
- frequency band
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Dermatology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Human Computer Interaction (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层次分析的脑电信号特征分类的二分类方法,该方法的具体步骤包括:脑机接口系统采集运动想象脑电信号;进行格式转换和数据预处理;用特征提取算法分别提取不同时间段和频率段的脑电信号特征;将特征提取后的脑电信号征和其对应的标记按照合适比例分为训练集和测试集;根据训练集采用二分类算法得到预测分类模型;采用预测分类模型计算测试集的测试集分类结果,分别得出不同时间段和频率段结果的正确率;并与实际结果进行两两比较,构造判断矩阵;对判断矩阵进行一致性检验;确定不同时间段或者不同频率段判断矩阵的权重;用权重对不同时间段或者频率段训练结果加权得到最后结果及其对应的可信度。
Description
技术领域
本发明属于脑电信号处理的技术领域,尤其涉及一种基于层次分析的脑电信号特征分类的二分类方法。
背景技术
脑机接口(Brain Computer Interface,BCI)是指能够使人不依赖周围神经系统和肌肉,而与外界进行通信或控制的设备。脑机接口技术作为一种全新的通信和控制技术,可以为思维正常但有严重运动障碍的患者提供语言交流和环境控制手段。此外,脑机接口技术不仅应用于未患者提供语言交流和环境控制,在自动控制、军事认知等科学领域也有潜在的应用价值。鉴于其巨大的应用前景,脑机接口已经引起国际科学界的高度重视,称为脑科学、康复工程、生物医学工程及人机控制领域的一个研究热点。
在所有能够被监测到的反映大脑活动的信号中,由于脑电信号(Electroencephalogram,EEG)具有较好的时间分辨率,监测仪器较简单,非入侵等优点,被大部分脑机接口系统所采纳。
目前,对脑电信号特征分类的算法有神经网络、支持向量机、线性判别式分析和朴素贝叶斯等等分类器。这些分类器可以较为准确的根据脑电信号分类出结果。但也存在一些问题,例如,每次只会得到简单的分类结果而没有分类结果的可信度。
不同时间段或者不同频率段提取的特征对于分类准确度的贡献不同。而目前分类结果一般仅仅参考单一时间段或者频率,或者以不同时间段或者频率段的分类结果做专家投票机制,得出最后的分类结果。
综上所述,目前脑电信号在特征分类方面存在如下问题:分类依据特征单一或无法较好地综合多特征,分类精度不高;分类结果可信度未知,即只能简单地得出分类结果而不能得出对应结果的可信性。针对脑电信号特征分类的问题,本发明提出了一种基于层次分析的脑电信号特征分类的二分类方法,该方法可以提高分类精度和得到分类结果的可信度。
发明内容
本发明为了解决上述问题,克服现有技术中脑电信号在特征分类方面存在的分类依据特征单一或无法较好地综合多特征、分类精度不高、分类结果可信度未知的问题,提供一种基于层次分析的脑电信号特征分类的二分类方法,该方法可以提高分类精度和得到分类结果的可信度。
为了实现上述目的,本发明采用如下技术方案:
一种基于层次分析的脑电信号特征分类的二分类方法,该方法的具体步骤包括:
(1)脑机接口系统采集运动想象脑电信号;
(2)将脑机接口系统采集的运动想象脑电信号进行格式转换,并进行数据预处理;
(3)采用特征提取算法分别提取不同时间段和频率段的脑电信号特征;
(4)将特征提取后的脑电信号征和其对应的标记按照合适比例分为训练集和测试集;
(5)根据训练集的脑电信号数据采用二分类算法得到预测分类模型;
(6)采用预测分类模型计算测试集的测试集分类结果,并且分别得出不同时间段和频率段结果的正确率;
(7)对不同时间段或频率段分类结果的正确率与实际结果进行两两比较,构造判断矩阵A;
(8)对判断矩阵A进行一致性检验,并判断是否通过一致性检验,若通过,进入步骤(9),否则,返回步骤(7);
(9)确定不同时间段或者不同频率段判断矩阵A的权重W;
(10)用权重W对不同时间段或者频率段训练结果加权得到最后结果及其对应的可信度。
进一步的,所述步骤(1)中脑机接口系统采集运动想象脑电信号的具体步骤为:
脑机接口系统对用户进行不同心理作业时的运动想象脑电信号进行采集,分别包括想象左手运动时的运动想象脑电信号和想象右手运动时的运动想象脑电信号,并将采集的运动想象脑电信号进行存储。
进一步的,所述步骤(2)中将脑机接口系统采集的运动想象脑电信号进行格式转换并进行数据预处理的具体步骤为:
(2-1)将采集的运动想象脑电信号由二维信号转换为三维信号:将步骤(1)中存储的脑机接口系统采集的运动想象脑电信号构建二维空间矩阵;
(2-2)对步骤(2-1)格式转换后的运动想象脑电信号进行空间滤波、频带的带通滤波、去除眼电和基线矫正预处理。
进一步的,所述步骤(3)中采用特征提取算法分别提取不同时间段和频率段的脑电信号特征的具体步骤为:
采用快速傅里叶变换、共空域模式或小波包变换方法提取不同时间段和频率段脑电信号特征。
进一步的,所述步骤(6)中分类结果分别为:
想象左手运动时的运动想象脑电信号对应的结果为1,想象右手运动时的运动想象脑电信号对应的结果为-1。
进一步的,所述步骤(7)中构造判断矩阵A的具体步骤为:
根据对不同时间段或频率段分类结果的正确率与实际结果进行两两比较得到的正确率大小的不同,引用数字1-9及其倒数作为标度构造出判断矩阵A。
进一步的,所述步骤(7)中,
数字1作为标度代表的含义为两个因素相比,具有相同的重要性,
数字3作为标度代表的含义为两个因素相比,前者比后者稍重要,
数字5作为标度代表的含义为两个因素相比,前者比后者明显重要,
数字7作为标度代表的含义为两个因素相比,前者比后者强烈重要,
数字9作为标度代表的含义为两个因素相比,前者比后者极端重要,
数字2、数字4、数字6和数字8分别表示上述相邻数字标度判断的中间值。
进一步的,所述步骤(8)中,对判断矩阵A进行一致性检验的具体步骤为:
(8-1)计算判断矩阵A的一致性指标CI:
其中,λmax为判断矩阵最大特征值,n为阶数;
(8-2)按照平均随机一致性指标表查找一致性指标RI;
(8-3)根据一致性指标CI与一致性指标RI的商计算一致性比例CR。
进一步的,所述步骤(9)中,采用几何平均法、算数平均法、特征向量法、或最小二乘法确定不同时间段或者不同频率段判断矩阵A的权重W。
进一步的,所述步骤(10)中,可信度分为非常好、较好、较差和非常差四个等级。
本发明的有益效果:
1.提高脑电信号在特征分类精度:本发明的一种基于层次分析的脑电信号特征分类的二分类方法,采用特征提取算法分别提取不同时间段和频率段的脑电信号特征,并采用二分类算法根据训练集的脑电信号数据得到预测分类模型,大大提高了分类精度;
2.得到分类结果性对应的可信度:本发明的一种基于层次分析的脑电信号特征分类的二分类方法,对不同时间段或频率段分类结果的正确率与实际结果进行两两比较,构造判断矩阵A;对判断矩阵A进行一致性检验,确定不同时间段或者不同频率段判断矩阵A的权重W;用权重W对不同时间段或者频率段训练结果加权得到最后结果及其对应的可信度。有效的得到了分类结果的可信度。
附图说明
图1是本发明的方法流程图。
具体实施方式:
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面结合附图与实施例对本发明作进一步说明。
实施例1:
正如背景技术所介绍的,现有技术中脑电信号在特征分类方面存在的分类依据特征单一或无法较好地综合多特征、分类精度不高、分类结果可信度未知的问题,提供一种基于层次分析的脑电信号特征分类的二分类方法,该方法可以提高分类精度和得到分类结果的可信度。
为了实现上述目的,本发明采用如下技术方案:
如图1所示,
一种基于层次分析的脑电信号特征分类的二分类方法,该方法的具体步骤包括:
(1)脑机接口系统采集运动想象脑电信号;
(2)将脑机接口系统采集的运动想象脑电信号进行格式转换,并进行数据预处理;
(3)采用特征提取算法分别提取不同时间段和频率段的脑电信号特征;
(4)将特征提取后的脑电信号征和其对应的标记按照合适比例分为训练集和测试集;
(5)根据训练集的脑电信号数据采用二分类算法得到预测分类模型;
(6)采用预测分类模型计算测试集的测试集分类结果,并且分别得出不同时间段和频率段结果的正确率;
(7)对不同时间段或频率段分类结果的正确率与实际结果进行两两比较,构造判断矩阵A;
(8)对判断矩阵A进行一致性检验,并判断是否通过一致性检验,若通过,进入步骤(9),否则,返回步骤(7);
(9)确定不同时间段或者不同频率段判断矩阵A的权重W;
(10)用权重W对不同时间段或者频率段训练结果加权得到最后结果及其对应的可信度。
所述步骤(1)中脑机接口系统采集运动想象脑电信号的具体步骤为:
脑机接口系统对用户进行不同心理作业时的运动想象脑电信号进行采集,分别包括想象左手运动时的运动想象脑电信号和想象右手运动时的运动想象脑电信号,并将采集的运动想象脑电信号进行存储。
在本实施例中,用户佩戴EEG电极帽进行不同心理作业的运动想象,想象左手运动和想象右手运动,采集相应的脑电信号为X=[XL:XR]。想象左手运动时的运动想象脑电信号对应的结果为1,想象右手运动时的运动想象脑电信号对应的结果为-1。
所述步骤(2)中将脑机接口系统采集的运动想象脑电信号进行格式转换并进行数据预处理的具体步骤为:
(2-1)将采集的运动想象脑电信号由二维信号转换为三维信号:将步骤(1)中存储的脑机接口系统采集的运动想象脑电信号构建二维空间矩阵;
为了体现EEG信号的空间信息,采集到的EEG信号存储为X∈IRn×m×T,其中M=n×m是为了体现EEG空间信息而构建的二维空间矩阵,其依据是国际10-20电极位置图。若是标准的10-20电极位置图,则构建的二维空间矩阵M为一个5*5的二维矩阵,相应位置上的值为该电极上在不同时间点测量到的脑电信号电压值,为0的位置则表示该点没有测量信号,该点的值始终为0。T是采集的时间点,若采集时间为1秒,采集频率为128,则T=128。
经过此种数据转换,测量到的脑电信号则为的三维信号,也可以看作一个的图像随着时间的变化而变化的录像。
在对运动想象脑电信号的分析训练中,建立能够描述脑电信号空间信息的二维矩阵,将采集的运动想象脑电信号由二维信号转换为三维信号,使得脑电信号描述过程中,不仅包含时间信息,也能够包含空间信息。
(2-2)对步骤(2-1)格式转换后的运动想象脑电信号进行空间滤波、频带的带通滤波、去除眼电和基线矫正预处理。
当大脑进行不同的运动想象时,不同电极位置上的脑电信号会随着时间的推移进行变化。同一种运动想象任务导致的这种变化是相似的,特征提取的任务就是针对某一种运动想象任务找到能够描述这种相似性的东西。
在本实施例中,所述步骤(3)中采用特征提取算法分别提取不同时间段和频率段的脑电信号特征的具体步骤为:
采用快速傅里叶变换(FFT)、共空域模式(CSP)或小波包变换(WPD)方法提取不同时间段和频率段脑电信号特征。
在本实施例中,所述步骤(4)中用适合的比率将数据随机分为训练集和测试集,70%的训练集和30%的测试集。
在本实施例中,所述步骤(5)中用支持向量机(SVM)二分类算法根据70%的训练集得出预测分类模型。
在本实施例中,所述步骤(6)中分类结果分别为:
想象左手运动时的运动想象脑电信号对应的结果为1,想象右手运动时的运动想象脑电信号对应的结果为-1。
在本实施例中,所述步骤(7)中构造判断矩阵A的具体步骤为:
在决策者心目中,不同时间段和频率段由于正确率不同,他们对最后分类贡献度不同。
根据对不同时间段或频率段分类结果的正确率与实际结果进行两两比较得到的正确率大小的不同,引用数字1-9及其倒数作为标度构造出判断矩阵
A=(aij)n×m。
在本实施例中,所述步骤(7)中,
如表1所示,
表1 判断矩阵标度定义
数字1作为标度代表的含义为两个因素相比,具有相同的重要性,
数字3作为标度代表的含义为两个因素相比,前者比后者稍重要,
数字5作为标度代表的含义为两个因素相比,前者比后者明显重要,
数字7作为标度代表的含义为两个因素相比,前者比后者强烈重要,
数字9作为标度代表的含义为两个因素相比,前者比后者极端重要,
数字2、数字4、数字6和数字8分别表示上述相邻数字标度判断的中间值。
在本实施例中,所述步骤(8)中,对判断矩阵A进行一致性检验的具体步骤为:
(8-1)计算判断矩阵A的一致性指标CI:
其中,λmax为判断矩阵最大特征值,n为阶数;
(8-2)按照平均随机一致性指标表查找一致性指标RI;
表2 平均随机一致性指标
(8-3)根据一致性指标CI与一致性指标RI的商计算一致性比例CR
当CR<0.10时,认为判断矩阵的一致性可以接受,否则判断矩阵需要修正,则回到步骤6,重新构造判断矩阵。
在本实施例中,所述步骤(9)中,采用几何平均法、算数平均法、特征向量法、或最小二乘法确定不同时间段或者不同频率段判断矩阵A的权重W。
1)几何平均法(方根法)
计算步骤:①A的元素按行相乘得一新的向量:
②将新的向量的每个分量开n次方;
③将所得向量归一化即为权重向量。
2)算术平均法(求和法)
由于判断矩阵A中的每一列都近似的反映了权值的分配情景,故可用全部向量的算术平局值来估计权向量,即:
计算步骤:①A的元素按列归一化,即求aij/
②将归一化后的各列相加;
③将相加后的向量除以n即得权重向量。
3)特征向量法
将权重向量W右乘权重比矩阵A,有:
AW=λmaxW
同上,λmax为判断矩阵的最大特征值,存在且唯一,W的分量均为正分量。最后,将求得的权重向量作归一化处理即为所求。
4)最小二乘法
用拟合的方法确定权重向量,使残差和平方最小。即求解以下模型:
wi>0,i=1,2,…n.
在本实施例中,所述步骤(10)中,可信度分为非常好、较好、较差和非常差四个等级。用权重W对不同时间段或者频率段训练结果加权得到最后结果及可信度,加权的的结果对应可信度如表3:
表3
本发明的有益效果:
1.提高脑电信号在特征分类精度:本发明的一种基于层次分析的脑电信号特征分类的二分类方法,采用特征提取算法分别提取不同时间段和频率段的脑电信号特征,并采用二分类算法根据训练集的脑电信号数据得到预测分类模型,大大提高了分类精度;
2.得到分类结果性对应的可信度:本发明的一种基于层次分析的脑电信号特征分类的二分类方法,对不同时间段或频率段分类结果的正确率与实际结果进行两两比较,构造判断矩阵A;对判断矩阵A进行一致性检验,确定不同时间段或者不同频率段判断矩阵A的权重W;用权重W对不同时间段或者频率段训练结果加权得到最后结果及其对应的可信度。有效的得到了分类结果的可信度。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于层次分析的脑电信号特征分类的二分类方法,其特征是:该方法的具体步骤包括:
(1)脑机接口系统采集运动想象脑电信号;
(2)将脑机接口系统采集的运动想象脑电信号进行格式转换,并进行数据预处理;
(3)采用特征提取算法分别提取不同时间段和频率段的脑电信号特征;
(4)将特征提取后的脑电信号征和其对应的标记按照合适比例分为训练集和测试集;
(5)根据训练集的脑电信号数据采用二分类算法得到预测分类模型;
(6)采用预测分类模型计算测试集的测试集分类结果,并且分别得出不同时间段和频率段结果的正确率;
(7)对不同时间段或频率段分类结果的正确率与实际结果进行两两比较,构造判断矩阵A;
(8)对判断矩阵A进行一致性检验,并判断是否通过一致性检验,若通过,进入步骤(9),否则,返回步骤(7);
(9)确定不同时间段或者不同频率段判断矩阵A的权重W;
(10)用权重W对不同时间段或者频率段训练结果加权得到最后结果及其对应的可信度。
2.如权利要求1所述的一种基于层次分析的脑电信号特征分类的二分类方法,其特征是:所述步骤(1)中脑机接口系统采集运动想象脑电信号的具体步骤为:
脑机接口系统对用户进行不同心理作业时的运动想象脑电信号进行采集,分别包括想象左手运动时的运动想象脑电信号和想象右手运动时的运动想象脑电信号,并将采集的运动想象脑电信号进行存储。
3.如权利要求1所述的一种基于层次分析的脑电信号特征分类的二分类方法,其特征是:所述步骤(2)中将脑机接口系统采集的运动想象脑电信号进行格式转换并进行数据预处理的具体步骤为:
(2-1)将采集的运动想象脑电信号由二维信号转换为三维信号:将步骤(1)中存储的脑机接口系统采集的运动想象脑电信号构建二维空间矩阵;
(2-2)对步骤(2-1)格式转换后的运动想象脑电信号进行空间滤波、频带的带通滤波、去除眼电和基线矫正预处理。
4.如权利要求1所述的一种基于层次分析的脑电信号特征分类的二分类方法,其特征是:所述步骤(3)中采用特征提取算法分别提取不同时间段和频率段的脑电信号特征的具体步骤为:
采用快速傅里叶变换、共空域模式或小波包变换方法提取不同时间段和频率段脑电信号特征。
5.如权利要求1所述的一种基于层次分析的脑电信号特征分类的二分类方法,其特征是:所述步骤(6)中分类结果分别为:
想象左手运动时的运动想象脑电信号对应的结果为1,想象右手运动时的运动想象脑电信号对应的结果为-1。
6.如权利要求1所述的一种基于层次分析的脑电信号特征分类的二分类方法,其特征是:所述步骤(7)中构造判断矩阵A的具体步骤为:
根据对不同时间段或频率段分类结果的正确率与实际结果进行两两比较得到的正确率大小的不同,引用数字1-9及其倒数作为标度构造出判断矩阵A。
7.如权利要求6所述的一种基于层次分析的脑电信号特征分类的二分类方法,其特征是:所述步骤(7)中,
数字1作为标度代表的含义为两个因素相比,具有相同的重要性,
数字3作为标度代表的含义为两个因素相比,前者比后者稍重要,
数字5作为标度代表的含义为两个因素相比,前者比后者明显重要,
数字7作为标度代表的含义为两个因素相比,前者比后者强烈重要,
数字9作为标度代表的含义为两个因素相比,前者比后者极端重要,
数字2、数字4、数字6和数字8分别表示上述相邻数字标度判断的中间值。
8.如权利要求1所述的一种基于层次分析的脑电信号特征分类的二分类方法,其特征是:所述步骤(8)中,对判断矩阵A进行一致性检验的具体步骤为:
(8-1)计算判断矩阵A的一致性指标CI:
<mrow>
<mi>C</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>n</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
其中,λmax为判断矩阵最大特征值,n为阶数;
(8-2)按照平均随机一致性指标表查找一致性指标RI;
(8-3)根据一致性指标CI与一致性指标RI的商计算一致性比例CR。
9.如权利要求1所述的一种基于层次分析的脑电信号特征分类的二分类方法,其特征是:所述步骤(9)中,采用几何平均法、算数平均法、特征向量法、或最小二乘法确定不同时间段或者不同频率段判断矩阵A的权重W。
10.如权利要求1所述的一种基于层次分析的脑电信号特征分类的二分类方法,其特征是:所述步骤(10)中,可信度分为非常好、较好、较差和非常差四个等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710357978.7A CN107169462B (zh) | 2017-05-19 | 2017-05-19 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710357978.7A CN107169462B (zh) | 2017-05-19 | 2017-05-19 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107169462A true CN107169462A (zh) | 2017-09-15 |
CN107169462B CN107169462B (zh) | 2020-12-22 |
Family
ID=59815756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710357978.7A Active CN107169462B (zh) | 2017-05-19 | 2017-05-19 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107169462B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109276243A (zh) * | 2018-08-31 | 2019-01-29 | 易念科技(深圳)有限公司 | 脑电心理测试方法及终端设备 |
CN110555457A (zh) * | 2019-07-24 | 2019-12-10 | 天津大学 | 发动机润滑油磨损信号特征处理系统及方法 |
CN112052793A (zh) * | 2020-09-04 | 2020-12-08 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种时间步进的农作物分类方法、装置及计算机设备 |
CN113143295A (zh) * | 2021-04-23 | 2021-07-23 | 河北师范大学 | 基于运动想象脑电信号的设备控制方法及终端 |
CN113343753A (zh) * | 2021-04-21 | 2021-09-03 | 中国科学院深圳先进技术研究院 | 一种信号分类方法、电子设备以及计算机可读存储介质 |
CN114974579A (zh) * | 2022-04-20 | 2022-08-30 | 山东大学齐鲁医院 | 消化道粘膜下肿瘤内镜治疗预后的辅助判定系统及设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1632816A (zh) * | 2003-12-23 | 2005-06-29 | 广州可夫医疗科技有限公司 | 一种脑电涨落信号分析方法及其设备 |
CN103793058A (zh) * | 2014-02-13 | 2014-05-14 | 山西大学 | 一种主动式脑机交互系统运动想象任务分类方法及装置 |
CN104077493A (zh) * | 2014-07-12 | 2014-10-01 | 东北电力大学 | 一种电力继电保护系统状态评估指标体系的构建方法 |
CN104605866A (zh) * | 2015-01-21 | 2015-05-13 | 中煤科工集团西安研究院有限公司 | 基于脑电检测的矿工生理与心理疲劳监测方法 |
CN104814734A (zh) * | 2015-05-13 | 2015-08-05 | 西安电子科技大学 | 基于csp和互相关的运动想象脑电信号分类方法 |
CN105559777A (zh) * | 2016-03-17 | 2016-05-11 | 北京工业大学 | 基于小波包和lstm型rnn神经网络的脑电识别方法 |
CN105800400A (zh) * | 2016-05-03 | 2016-07-27 | 昆明理工大学 | 一种优化电梯调度管理的方法 |
CN106371610A (zh) * | 2016-09-23 | 2017-02-01 | 重庆金瓯科技发展有限责任公司 | 一种基于脑电信号的驾驶疲劳的检测方法 |
CN106419909A (zh) * | 2016-09-12 | 2017-02-22 | 西安电子科技大学 | 特征重组和小波变换的多类运动想象脑电信号分类方法 |
CN106485205A (zh) * | 2016-09-20 | 2017-03-08 | 北京工业大学 | 基于多层超限学习机的运动想象脑电信号分类方法 |
CN106502405A (zh) * | 2016-10-24 | 2017-03-15 | 天津大学 | 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 |
CN106503616A (zh) * | 2016-09-20 | 2017-03-15 | 北京工业大学 | 一种基于分层超限学习机的运动想象脑电信号分类方法 |
-
2017
- 2017-05-19 CN CN201710357978.7A patent/CN107169462B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1632816A (zh) * | 2003-12-23 | 2005-06-29 | 广州可夫医疗科技有限公司 | 一种脑电涨落信号分析方法及其设备 |
CN103793058A (zh) * | 2014-02-13 | 2014-05-14 | 山西大学 | 一种主动式脑机交互系统运动想象任务分类方法及装置 |
CN104077493A (zh) * | 2014-07-12 | 2014-10-01 | 东北电力大学 | 一种电力继电保护系统状态评估指标体系的构建方法 |
CN104605866A (zh) * | 2015-01-21 | 2015-05-13 | 中煤科工集团西安研究院有限公司 | 基于脑电检测的矿工生理与心理疲劳监测方法 |
CN104814734A (zh) * | 2015-05-13 | 2015-08-05 | 西安电子科技大学 | 基于csp和互相关的运动想象脑电信号分类方法 |
CN105559777A (zh) * | 2016-03-17 | 2016-05-11 | 北京工业大学 | 基于小波包和lstm型rnn神经网络的脑电识别方法 |
CN105800400A (zh) * | 2016-05-03 | 2016-07-27 | 昆明理工大学 | 一种优化电梯调度管理的方法 |
CN106419909A (zh) * | 2016-09-12 | 2017-02-22 | 西安电子科技大学 | 特征重组和小波变换的多类运动想象脑电信号分类方法 |
CN106485205A (zh) * | 2016-09-20 | 2017-03-08 | 北京工业大学 | 基于多层超限学习机的运动想象脑电信号分类方法 |
CN106503616A (zh) * | 2016-09-20 | 2017-03-15 | 北京工业大学 | 一种基于分层超限学习机的运动想象脑电信号分类方法 |
CN106371610A (zh) * | 2016-09-23 | 2017-02-01 | 重庆金瓯科技发展有限责任公司 | 一种基于脑电信号的驾驶疲劳的检测方法 |
CN106502405A (zh) * | 2016-10-24 | 2017-03-15 | 天津大学 | 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 |
Non-Patent Citations (6)
Title |
---|
唐智川等: "基于运动想象脑电信号分类的上肢康复外骨骼控制方法研究", 《网络在线公开:HTTP://KNS.CNKI.NET/KCMS/DETAIL/11.2187.TH.20170418.1714.002.HTML》 * |
张瀚等: "基于最优化少量电极的思维任务脑机接口", 《东南大学学报(自然科学版)》 * |
李伟伟等: "基于改进LS-SVM的异步电机转子故障诊断", 《火力与指挥控制》 * |
杨秋红: "运动想象脑电信号的伪迹剔除算法及在线应用研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
颜世玉等: "基于小波方差的运动想象脑电信号特征提取", 《东北大学学报(自然科学版)》 * |
魏庆国等: "基于时间段和频带联合选择的 多类运动想象脑电数据分类", 《南昌大学学报(理科版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109276243A (zh) * | 2018-08-31 | 2019-01-29 | 易念科技(深圳)有限公司 | 脑电心理测试方法及终端设备 |
CN110555457A (zh) * | 2019-07-24 | 2019-12-10 | 天津大学 | 发动机润滑油磨损信号特征处理系统及方法 |
CN112052793A (zh) * | 2020-09-04 | 2020-12-08 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种时间步进的农作物分类方法、装置及计算机设备 |
CN113343753A (zh) * | 2021-04-21 | 2021-09-03 | 中国科学院深圳先进技术研究院 | 一种信号分类方法、电子设备以及计算机可读存储介质 |
CN113343753B (zh) * | 2021-04-21 | 2024-04-16 | 中国科学院深圳先进技术研究院 | 一种信号分类方法、电子设备以及计算机可读存储介质 |
CN113143295A (zh) * | 2021-04-23 | 2021-07-23 | 河北师范大学 | 基于运动想象脑电信号的设备控制方法及终端 |
CN114974579A (zh) * | 2022-04-20 | 2022-08-30 | 山东大学齐鲁医院 | 消化道粘膜下肿瘤内镜治疗预后的辅助判定系统及设备 |
CN114974579B (zh) * | 2022-04-20 | 2024-02-27 | 山东大学齐鲁医院 | 消化道粘膜下肿瘤内镜治疗预后的辅助判定系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107169462B (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169462A (zh) | 一种基于层次分析的脑电信号特征分类的二分类方法 | |
Gao et al. | A recurrence network-based convolutional neural network for fatigue driving detection from EEG | |
Lin et al. | EEG-based learning system for online motion sickness level estimation in a dynamic vehicle environment | |
CN104586387B (zh) | 一种时、频、空域多参数脑电特征提取与融合方法 | |
CN113158793B (zh) | 一种基于多特征融合的多类运动想象脑电信号识别方法 | |
CN104490390B (zh) | 基于神经电生理信号联合分析的人体运动能力判别方法 | |
CN108888264A (zh) | Emd和csp融合功率谱密度脑电特征提取方法 | |
CN106909784A (zh) | 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法 | |
CN104269025B (zh) | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 | |
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 | |
CN110503082B (zh) | 一种基于深度学习的模型训练方法以及相关装置 | |
CN105303771B (zh) | 一种疲劳判断系统及方法 | |
CN106991409A (zh) | 一种运动想象脑电信号特征提取与分类系统及方法 | |
Wang et al. | Classification of EEG signal using convolutional neural networks | |
CN104490391A (zh) | 一种基于脑电信号的战斗人员状态监测系统 | |
CN107977651A (zh) | 基于量化最小误差熵的共用空间模式空域特征提取方法 | |
CN113180692A (zh) | 一种基于特征融合和注意力机制的脑电信号分类识别方法 | |
CN106384129B (zh) | 一种基于闭环驾驶模型的驾驶员驾驶状态辨识方法 | |
CN110200626A (zh) | 一种基于投票分类器的视觉诱导晕动症检测方法 | |
AU2013100576A4 (en) | Human Identification with Electroencephalogram (EEG) for the Future Network Security | |
CN106073767B (zh) | Eeg信号的相位同步度量、耦合特征提取及信号识别方法 | |
CN114424941A (zh) | 疲劳检测模型构建方法、疲劳检测方法、装置及设备 | |
KR101345216B1 (ko) | 다수 피험자의 뇌전도 분석 방법 및 장치 | |
Porwal et al. | Retinal image analysis for disease screening through local tetra patterns | |
Tian et al. | A single accelerometer-based robust human activity recognition via wavelet features and ensemble feature selection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |