CN108042132A - 基于dwt和emd融合csp的脑电特征提取方法 - Google Patents
基于dwt和emd融合csp的脑电特征提取方法 Download PDFInfo
- Publication number
- CN108042132A CN108042132A CN201711441431.1A CN201711441431A CN108042132A CN 108042132 A CN108042132 A CN 108042132A CN 201711441431 A CN201711441431 A CN 201711441431A CN 108042132 A CN108042132 A CN 108042132A
- Authority
- CN
- China
- Prior art keywords
- csp
- emd
- dwt
- subband signal
- signal
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Abstract
本发明公开了一种基于DWT和EMD融合CSP的脑电特征提取方法,包括:将获取的脑电信号作为训练集和测试集,分别对训练集和测试集中所选取通道内的脑电信号进行预处理;对训练集中预处理后的脑电信号进行小波分解,得到小波变换后的子带信号,及选取在设定频率范围内的子带信号;对所选取的子带信号进行经验模式分解得到固有模态函数,以获得重构信号;将子带信号中的IMF分量合并构成矩阵,及对矩阵进行公共空间模式分解获得空间滤波器,经空间滤波器获得特征向量;对特征向量利用支持向量机进行特征分类训练,将预处理后的测试集输入训练好的支持向量机特征分类,获得特征分类结果。本发明可以可以有效解决CSP多输入、缺频域信息的问题。
Description
技术领域
本发明涉及一种基于DWT和EMD融合CSP的脑电特征提取方法,属于脑电信号处理的技术领域。
背景技术
传统的运动通道是由大脑神经和肌肉组成,神经传导冲动,肌肉配合完成相应的动作,而脑-机接口(Brain-Computer Interface,BCI)则提供了另一种运动通道,不依赖传统的运动通道,由大脑意识直接与外部设备相连,建立运动通道,用人的大脑意识直接控制外部设备,不需要经过神经传导和肌肉运动,为神经损伤或肌肉损伤的病人提供了一种新的运动方式,不再需要依靠别人的照顾,自己即可完成运动。脑机接口技术领域的发展不仅可以帮助瘫痪病人使用计算机、神经假体、机械臂等电子设备,也实现了包括:运动恢复、通信、环境控制甚至娱乐等其他功能。
脑机接口技术主要包含信号采集、预处理、特征提取、特征分类和接口设备控制等五个步骤。其中,由特征提取得到的特征信号可以标识不同想象运动脑电信号的判别信息,对后续的分类识别有很大的影响,因此特征提取在BCI研究界受到广泛的关注。
有效的特征提取方法是改善识别精度的关键,目前,时间-频率方法被广泛应用于脑信号的研究。传统的时间-频率方法包括:短时傅里叶变换(Short-timeFourierTransform,STFT),小波变换(WaveletTransform,WT)等,但是这些方法的本质都是基于傅里叶变换,根据海森堡不确定性原理,该方法不可能同时得到时间-频率的良好分辨率。近年,希尔伯特黄变换(Hilbert-Huang Transform,HHT)作为另一种时间-频率分析法已经变得越来越流行,同时它也十分适合分析非线性和非平稳信号。原信号经过经验模式分解(Empirical Mode Decomposition,EMD)被分解为一系列固有模态函数(Intrinsic ModeFunctions,IMFs),随后对每个固有模态函数进行希尔伯特黄变换,求其相应的能量谱和边际谱,作为特征进行分类。HHT不涉及海森堡不确定性原理可以获得时域和频域的高分辨率。目前被广泛应用于许多信号处理领域,如雷达探测、地震信号和生物医学信号等。
再者,由于EEG信号低空间分辨率,EEG信号构成的BCI系统需要进行有效的空间滤波,从而确保从受试的相关脑域中提取特征信息。在这一方面,常用的算法有:共空间模式(Common Spatial Pattern,CSP)、独立主成分分析(Independent ComponentAnalysis,ICA)和共域空间谱模式(Common Spatial Spectral Pattern,CSSP)、滤波器CSP(FilterBankCommon Spatial Pattern,FBCSP)、判别滤波CSP(Discriminant Filtering CommonSpatial Pattern,DFBCSP)等多种CSP改进算法。
然而,传统的CSP需要大量的输入通道,同时缺乏频率信息。CSP算法主要是通过对脑电源的空间信息的判定来实现不同分类间的差异极大化,算法本质是利用代数上矩阵同时对角化的理论,寻找一组空间滤波器,脑电信号通过这组滤波器的投影获得较明显的特征向量。由于脑电信号是极复杂的非线性,不平稳信号,采集到的信号中,不止有脑电信号,还有其他的杂质信号,即使在脑电信号的频带范围内依旧存在其他的混叠信号,这些杂质与混叠信号将会影响特征提取的有效性,而单纯的CSP滤波,只是通过空间信息来判定脑电信号的有效性,存在一定的不足,可能不会将杂质与混叠信号从频段中去除干净,如果许多与运动想象无关的频率信号混在其中,严重影响了特征向量的有效性。
发明内容
本发明所要解决的技术问题在于克服现有技术的不足,提供一种基于DWT和EMD融合CSP的脑电特征提取方法,解决现有的脑电信号提取方法中CSP多输入、缺频域信息及无法将杂质与混叠信号从频段中去除的问题。
本发明具体采用以下技术方案解决上述技术问题:
基于DWT和EMD融合CSP的脑电特征提取方法,包括以下步骤:
步骤1、将获取的脑电信号作为训练集和测试集,分别对训练集和测试集中所选取通道内的脑电信号进行预处理;
步骤2、利用DWT算法对预处理后的训练集中脑电信号进行小波分解,得到小波变换后的子带信号,及选取频率设定频率范围内的子带信号;
步骤3、利用EMD算法对所选取的每个子带信号进行经验模式分解得到固有模态函数,选取频率设定频率范围内的固有模态函数,并组成所有子带信号的重构信号;
步骤4、利用CSP算法对重构信号进行公共空间模式分解,得到投影后的矩阵,选取矩阵中前m阶以及后m阶组成特征向量,其中m为1以上的自然数;
步骤5、对所获得的特征向量利用支持向量机进行分类训练,确定最优决策函数及最小化目标函数,并对最小化目标函数中的参数进行选择;将步骤1预处理后的测试集中脑电信号输入训练完毕的支持向量机进行特征分类,获得特征分类结果。
进一步地,作为本发明的一种优选技术方案,所述步骤1中所选取的通道为两路。
进一步地,作为本发明的一种优选技术方案,所述步骤2中设定频率范围为8Hz至30Hz。
进一步地,作为本发明的一种优选技术方案,所述步骤3中利用EMD算法对所选取的每个子带信号进行经验模式分解得到固有模态函数,具体为:
判断每个子带信号的局部极限值及求得其均值;
计算每个子带信号和求得均值的差值,根据差值是否满足IMF的定义截至条件,判断是否将该差值提取作为固有模态函数并计算获得剩余量;
根据每个子带信号所得固有模态函数和剩余量获得重构信号。
进一步地,作为本发明的一种优选技术方案,所述步骤3中获得的重构信号包括若干个固有模态函数和一个剩余函数量。
进一步地,作为本发明的一种优选技术方案,所述步骤5中采用网格化交叉验证方法对最小化目标函数中参数进行选择。
本发明采用上述技术方案,能产生如下技术效果:
本发明提供的基于DWT和EMD融合CSP的脑电特征提取方法,大大提供了模式识别的准确率。该方法是基于如下内容:1、基于小波分解的EEG信号处理;根据频谱筛选子带信号,组成新的信号矩阵2、基于经验模式分解的EEG信号处理;频谱分析筛选固有模态函数,组成新的信号矩阵3、对信号矩阵进行公共空间模式分解,解决CSP多输入、缺频域信息的问题;4、支持向量机分类。
该方法对预处理后的信号进行DWT小波分解,得到各个子带信号,选择频带合适的子带进行EMD经验模式分解,得到固有模态函数,观察并计算每个IMF分量的能量谱,筛选有效的IMF频段(5-28Hz),组成新的信号矩阵,对其进行CSP空间滤波,最后使用SVM支持向量机进行分类。分类结果得到9位受试的想象运动平均分类正确率为90%以上,保证了该方法的可行性与有效性。
附图说明
图1为本发明脑电特征提取方法的流程示意图。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图1所示,本发明提出一种基于DWT和EMD融合CSP的脑电特征提取方法,所述方法具体包括如下步骤:
步骤1:将获取的脑电信号作为训练集和测试集,分别对训练集和测试集中所选取通道内的脑电信号进行预处理。
本实施例中采集各位受试的脑电信号。选取9位受试的脑电信号作为训练集和测试集,分别对单个受试C3、C4两个通道中的EEG脑电信号x(t)进行预处理。
步骤2:对预处理后训练集中的EEG脑电信号x(t)进行4阶小波分解,得到一系列子带信号A4,D4,D3,D2,D1,其中对脑电信号x(t)的小波变换定义为:
其中,a代表尺度位移,τ代表时间位移,ψ(t)为小波基函数,包括Haar,db系列,Coiflet等,x(t)为输入的脑电信号。
并且,选取频率在设定频率范围8-30Hz内的子带信号D4,D3。
步骤3:采用EMD算法对所选取的子带信号D4,D3进行经验模式分解,得到一系列固有模态函数IMFi,其中i为固有模态函数的阶数,并绘制所有固有模态函数能谱图。及选取频率在8至30Hz之间的固有模态函数,最终组成所有子带信号的重构信号;对非8至30Hz频率之间的子带信号舍弃。
所述对EEG脑电信号进行经验模式分解的具体步骤如下:
(1)判断每个脑电信号x(t)的局部极值,用三次样条曲线进行曲线拟合,局部极大值形成上包络emax(t),局部极小值形成下包络emin(t)。
(2)求得所述emax(t)和emin(t)的均值:
(3)计算输入的脑电信号x(t)和均值m(t)的差值:
c(t)=x(t)-m(t) (3)
如果c(t)不能满足IMF的定义截至条件,重复上述过程(1)-(3),否则,提取c(t)作为固有模态函数,剩余量r(t)计算如下:
r(t)=x(t)-c(t) (4)
(4)剩余量作为一个新的数据经过相同的筛选过程以获得下一个更低频率的固有模态函数。直到剩余量r(t)为一个单调函数或者仅有一个极致时,分解过程停止。假设原始脑电信号x(t)被分解为n个固有模态函数和一个剩余函数量r(t),选取频率在8至30Hz之间的固有模态函数,可以组成所有子带信号的重构信号:
所述过程中,对于非8至30Hz频率之间的子带信号舍弃。
步骤4:选择频率在8至30Hz之间的固有模态函数,由能谱图可知,前两阶IMF分量符合条件,于是将单次试验的C3,C4通道信号经DWT分解之后,再经EMD分解,选取前2阶IMF分量,构成一个8*2000的矩阵Xi,其中i=L表示想象左手运动,i=R表示想象右手运动,并且8可看作通道数(2(C3,C4通道)*2(D4,D3子带)*2(2阶IMFs)),2000为一次试验的采样点个数,即窗口长度。并利用CSP算法对矩阵Xi进行公共空间模式分解;
所述利用CSP公共空间模式算法具体过程如下:
首先,对两类想象运动A和B分别进行TA,TB次实验,TA,TB为正整数。
(1)计算混合空间的协方差;
该过程首先计算两类运动想象信号每次实验的协方差,公式如下:
其中,trace(X XT)为矩阵X XT的迹,即矩阵X XT的对角线元素之和。
然后,分别计算两类运动想象的平均协方差:
其中,CA,i、CB,i分别表示运动想象A和B的第i次实验的协方差。
进而求得混合空间的协方差:
CM=CA+CB (8)
(2)对所述混合空间协方差进行特征值分解,公式如下:
其中,UM为特征向量矩阵,ΛM为特征值对角矩阵。
(3)再进行白化处理。
对所述ΛM进行降序排序得到ΛMd,并对UM做同样的行列变换得到UMd;令P为白化矩阵,对CA、CB分别进行白化处理,公式如下:
SA=PCAPT
SB=PCBPT (10)
利用SA、SB具有相同的特征向量的特点,经特征值分解后可得:
SA=BΛABT
SB=BΛBBT (11)
其中,B为SA与SB的共同特征向量,ΛA、ΛB分别为SA和SB的特征对角矩阵,且ΛA+ΛB=I,I为单位矩阵;
因此求得空间滤波器矩阵为:
W=BTP (12)
对所获得重构信号X经空间滤波器矩阵W滤波得到新的数据集Z0:
Z0=W·X (13)
(4)对数据集进行提取其中的向量构建矩阵,并求矩阵的特征向量f;
提取数据集Z0的前m行和后m行,构成矩阵Z=[z1,z2,…,z2m]T,然后进行特征提取,计算公式如下:
其中,var(·)表示方差,zi,zj分别为上述矩阵Z的列,i=1,2,…,2m,j=1,2,…,2m,则特征向量f=[f1,f2,…,f2m]T。
步骤5:对所获得的特征向量利用支持向量机进行特征分类训练,确定最优决策函数及最小化目标函数,并对最小化目标函数中的参数进行选择。所述使用支持向量机进行特征分类,其具体步骤如下:
(1)对于非线性EEG问题,将特征集Z0通过非线性变换转化为另一个空间中的线性问题,构造最优分类面。相应的最优决策函数为:
其中N为支持向量个数,αi为拉格朗日乘子,γi为函数间隔,b为偏移量,K为核函数。从而目标函数变为使下式最小化:
其中ω为方向向量,ξ为松弛变量,核参数γ和误差惩罚因子C是影响SVM性能的主要参数。γ的取值影响空间变换后的数据分布,惩罚因子C则决定了支持向量机的收敛速度及推广能力;因此,对γ和C的选择很大程度上影响了脑电信号的识别率。
(2)采用网格化交叉验证方法进行γ和C最优参数的选择,将训练集作为原始的数据集,在一定范围内改变核函数和惩罚因子的值,运用交叉验证方法进行分类,选择分类准确率最高的γ和C作为最佳参数。
(3)确定γ和C后,将将步骤1预处理后的测试集输入训练好的支持向量机,经过上述步骤后通过得到的SVM分类器进行特征分类,获得特征分类结果。
本发明利用两个通道小波分解后的子带信号进行EMD分解,在EMD的基础上加入DWT,很好地解决EMD分解时频带涵盖宽泛的问题。将经验模式分解后的多阶固有模态函数看作多输入信号进行公共空间模式分解,在仅使用C3,C4两个通道的情况下,获得较好的特征分类结果,解决一般CSP算法需要大量输入通道问题。
实验表明,在只选用2导导联的情况下,本发明9位受试者的分类准确率分别为98.1%,98.2%,96.6%,98%,97.5%,98%,97.9%,963.8%,97.5%,总体平均分类准确率达到了97.6%,相比传统CSP方法分类准确率提高了很多,成功解决了传统CSP在导联较少情况下分类准确率低的问题,为便携式BCI系统的应用打下了坚实的基础。
综上,本发明的分类结果得到9位受试的想象运动平均分类正确率为90%以上,保证了该方法的可行性与有效性。可以有效解决CSP多输入、缺频域信息的问题。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (6)
1.基于DWT和EMD融合CSP的脑电特征提取方法,其特征在于,包括以下步骤:
步骤1、将获取的脑电信号作为训练集和测试集,分别对训练集和测试集中所选取通道内的脑电信号进行预处理;
步骤2、利用DWT算法对预处理后的训练集中脑电信号进行小波分解,得到小波变换后的子带信号,及选取频率设定频率范围内的子带信号;
步骤3、利用EMD算法对所选取的每个子带信号进行经验模式分解得到固有模态函数,选取频率设定频率范围内的固有模态函数,并组成所有子带信号的重构信号;
步骤4、利用CSP算法对重构信号进行公共空间模式分解,得到投影后的矩阵,选取矩阵中前m阶以及后m阶组成特征向量,其中m为1以上的自然数;
步骤5、对所获得的特征向量利用支持向量机进行分类训练,确定最优决策函数及最小化目标函数,并对最小化目标函数中的参数进行选择;将步骤1预处理后的测试集中脑电信号输入训练完毕的支持向量机进行特征分类,获得特征分类结果。
2.根据权利要求1所述基于DWT和EMD融合CSP的脑电特征提取方法,其特征在于,所述步骤1中所选取的通道为两路。
3.根据权利要求1所述基于DWT和EMD融合CSP的脑电特征提取方法,其特征在于,所述步骤2中设定频率范围为8Hz至30Hz。
4.根据权利要求1所述基于DWT和EMD融合CSP的脑电特征提取方法,其特征在于,所述步骤3中利用EMD算法对所选取的每个子带信号进行经验模式分解得到固有模态函数,具体为:
判断每个子带信号的局部极限值及求得其均值;
计算每个子带信号和求得均值的差值,根据差值是否满足固有模态函数的定义截至条件,判断是否将该差值提取作为固有模态函数并计算获得剩余量;
根据每个子带信号所得固有模态函数和剩余量获得重构信号。
5.根据权利要求1所述基于DWT和EMD融合CSP的脑电特征提取方法,其特征在于:所述步骤3中获得的重构信号包括若干个固有模态函数和一个剩余函数量。
6.根据权利要求1所述基于DWT和EMD融合CSP的脑电特征提取方法,其特征在于:所述步骤5中采用网格化交叉验证方法对最小化目标函数中参数进行选择。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711441431.1A CN108042132A (zh) | 2017-12-27 | 2017-12-27 | 基于dwt和emd融合csp的脑电特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711441431.1A CN108042132A (zh) | 2017-12-27 | 2017-12-27 | 基于dwt和emd融合csp的脑电特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108042132A true CN108042132A (zh) | 2018-05-18 |
Family
ID=62128360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711441431.1A Pending CN108042132A (zh) | 2017-12-27 | 2017-12-27 | 基于dwt和emd融合csp的脑电特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108042132A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960299A (zh) * | 2018-06-15 | 2018-12-07 | 东华大学 | 一种多类运动想象脑电信号的识别方法 |
CN110888526A (zh) * | 2019-10-30 | 2020-03-17 | 西安理工大学 | 基于集成支持向量学习的脑机接口技术 |
CN111012336A (zh) * | 2019-12-06 | 2020-04-17 | 重庆邮电大学 | 时空特征融合的并行卷积网络运动想象脑电图分类方法 |
CN111160171A (zh) * | 2019-12-19 | 2020-05-15 | 哈尔滨工程大学 | 一种联合两域多特征的辐射源信号识别方法 |
CN112515685A (zh) * | 2020-11-10 | 2021-03-19 | 上海大学 | 基于时频共融的多通道脑电信号通道选择方法 |
CN114224360A (zh) * | 2021-12-27 | 2022-03-25 | 长春工程学院 | 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091172A (zh) * | 2014-07-04 | 2014-10-08 | 北京工业大学 | 一种运动想象脑电信号的特征提取方法 |
CN104771163A (zh) * | 2015-01-30 | 2015-07-15 | 杭州电子科技大学 | 基于csp和r-csp算法的脑电信号特征提取方法 |
CN106127191A (zh) * | 2016-07-06 | 2016-11-16 | 东南大学 | 基于小波包分解及逻辑回归的脑电分类方法 |
CN106803081A (zh) * | 2017-01-25 | 2017-06-06 | 东南大学 | 一种基于多分类器集成的脑电分类方法 |
CN107239142A (zh) * | 2017-06-01 | 2017-10-10 | 南京邮电大学 | 一种结合公共空间模式算法和emd的脑电信号特征提取方法 |
-
2017
- 2017-12-27 CN CN201711441431.1A patent/CN108042132A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091172A (zh) * | 2014-07-04 | 2014-10-08 | 北京工业大学 | 一种运动想象脑电信号的特征提取方法 |
CN104771163A (zh) * | 2015-01-30 | 2015-07-15 | 杭州电子科技大学 | 基于csp和r-csp算法的脑电信号特征提取方法 |
CN106127191A (zh) * | 2016-07-06 | 2016-11-16 | 东南大学 | 基于小波包分解及逻辑回归的脑电分类方法 |
CN106803081A (zh) * | 2017-01-25 | 2017-06-06 | 东南大学 | 一种基于多分类器集成的脑电分类方法 |
CN107239142A (zh) * | 2017-06-01 | 2017-10-10 | 南京邮电大学 | 一种结合公共空间模式算法和emd的脑电信号特征提取方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960299A (zh) * | 2018-06-15 | 2018-12-07 | 东华大学 | 一种多类运动想象脑电信号的识别方法 |
CN108960299B (zh) * | 2018-06-15 | 2021-05-14 | 东华大学 | 一种多类运动想象脑电信号的识别方法 |
CN110888526A (zh) * | 2019-10-30 | 2020-03-17 | 西安理工大学 | 基于集成支持向量学习的脑机接口技术 |
CN111012336A (zh) * | 2019-12-06 | 2020-04-17 | 重庆邮电大学 | 时空特征融合的并行卷积网络运动想象脑电图分类方法 |
CN111160171A (zh) * | 2019-12-19 | 2020-05-15 | 哈尔滨工程大学 | 一种联合两域多特征的辐射源信号识别方法 |
CN111160171B (zh) * | 2019-12-19 | 2022-04-12 | 哈尔滨工程大学 | 一种联合两域多特征的辐射源信号识别方法 |
CN112515685A (zh) * | 2020-11-10 | 2021-03-19 | 上海大学 | 基于时频共融的多通道脑电信号通道选择方法 |
CN112515685B (zh) * | 2020-11-10 | 2023-03-24 | 上海大学 | 基于时频共融的多通道脑电信号通道选择方法 |
CN114224360A (zh) * | 2021-12-27 | 2022-03-25 | 长春工程学院 | 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质 |
CN114224360B (zh) * | 2021-12-27 | 2023-10-10 | 长春工程学院 | 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108042132A (zh) | 基于dwt和emd融合csp的脑电特征提取方法 | |
CN104771163B (zh) | 基于csp和r‑csp算法的脑电信号特征提取方法 | |
Fabiani et al. | Conversion of EEG activity into cursor movement by a brain-computer interface (BCI) | |
CN110163180A (zh) | 运动想象脑电数据分类方法及系统 | |
CN104586387B (zh) | 一种时、频、空域多参数脑电特征提取与融合方法 | |
CN107239142A (zh) | 一种结合公共空间模式算法和emd的脑电信号特征提取方法 | |
CN108888264A (zh) | Emd和csp融合功率谱密度脑电特征提取方法 | |
CN105956624B (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 | |
CN109299751B (zh) | 基于emd数据增强的卷积神经模型的ssvep脑电分类方法 | |
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 | |
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 | |
CN104091172A (zh) | 一种运动想象脑电信号的特征提取方法 | |
CN107361766A (zh) | 一种基于emd域多维信息的情绪脑电信号识别方法 | |
CN106943140A (zh) | 一种基于RandomSelect‑RCSP的运动想象脑电信号特征提取方法 | |
CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
CN108143409A (zh) | 睡眠阶段分期方法及装置 | |
CN109480834A (zh) | 一种基于快速多维经验模态分解的脑电信号分类方法 | |
CN108959895A (zh) | 一种基于卷积神经网络的脑电信号eeg身份识别方法 | |
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 | |
CN109858537A (zh) | 改进的eemd与csp结合的脑电信号特征提取方法 | |
CN111310656A (zh) | 基于多线性主成分分析的单次运动想象脑电信号识别方法 | |
CN109657646B (zh) | 生理时间序列的特征表示与提取方法、装置及存储介质 | |
CN109730818A (zh) | 一种基于深度学习的假手控制方法 | |
CN109271887A (zh) | 一种用于脑电模式识别的复合空间滤波与模板匹配方法 | |
CN108523883A (zh) | 一种基于实际动作建模的左右食指连续运动想象识别系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180518 |