CN108498092B - 基于脑电特征的错误预警方法及系统 - Google Patents

基于脑电特征的错误预警方法及系统 Download PDF

Info

Publication number
CN108498092B
CN108498092B CN201710111062.3A CN201710111062A CN108498092B CN 108498092 B CN108498092 B CN 108498092B CN 201710111062 A CN201710111062 A CN 201710111062A CN 108498092 B CN108498092 B CN 108498092B
Authority
CN
China
Prior art keywords
electroencephalogram
feature
early warning
data
error
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.)
Active
Application number
CN201710111062.3A
Other languages
English (en)
Other versions
CN108498092A (zh
Inventor
肖毅
卢敏
唐伟财
梁栗炎
孙晨卉
徐凤刚
韩东旭
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.)
Beijing Qinyang Guanghui Technology Co ltd
China Astronaut Research and Training Center
Original Assignee
Beijing Qinyang Guanghui Technology Co ltd
China Astronaut Research and Training Center
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 Beijing Qinyang Guanghui Technology Co ltd, China Astronaut Research and Training Center filed Critical Beijing Qinyang Guanghui Technology Co ltd
Priority to CN201710111062.3A priority Critical patent/CN108498092B/zh
Publication of CN108498092A publication Critical patent/CN108498092A/zh
Application granted granted Critical
Publication of CN108498092B publication Critical patent/CN108498092B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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脑电特征的错误预警方法及系统。该方法包括以下步骤：获取脑电数据，并对所述脑电数据进行预处理；从所述脑电数据中提取脑电特征；对所述脑电特征进行筛选以剔除所述脑电特征中的干扰信息；根据分类器对所述脑电特征进行分类，以根据分类结果进行错误预警。本发明的基于脑电特征的错误预警方法可以对操作结果进行直接预测，具有较强的实时性，而且准确度较高，可以实现对任务执行人员的状态实时监测，并且预测未来行为趋势，可提高工业部门，如驾驶，电厂操作人员等作业效率和工作可靠性，提高工业系统的安全性，避免不必要的经济损失和政治影响。

Description

基于脑电特征的错误预警方法及系统
技术领域
本发明涉及生命科学技术领域，特别涉及一种基于脑电特征的错误预警方法及系统。
背景技术
相关技术中，有脑力负荷监测、预测、脑力疲劳监测与预测方法。这些方法本质上并不针对作业绩效，而是对行为的一种趋势预测，因此，其准确性和实时性并不是很高。
发明内容
本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种基于脑电特征的错误预警方法。该方法可以对操作结果进行直接预测，具有较强的实时性，而且准确度较高，可以实现对任务执行人员的状态实时监测，并且预测未来行为趋势，可提高工业部门，如驾驶，电厂操作人员等作业效率和工作可靠性，提高工业系统的安全性，避免不必要的经济损失和政治影响。
本发明的另一个目的在于提出一种基于脑电特征的错误预警系统。
为了实现上述目的，本发明的第一方面的实施例公开了一种基于脑电特征的错误预警方法，包括以下步骤：获取脑电数据，并对所述脑电数据进行预处理；从所述脑电数据中提取脑电特征；对所述脑电特征进行筛选以剔除所述脑电特征中的干扰信息；根据分类器对所述脑电特征进行分类，以根据分类结果进行错误预警。
根据本发明实施例的基于脑电特征的错误预警方法，可以对操作结果进行直接预测，具有较强的实时性，而且准确度较高，可以实现对任务执行人员的状态实时监测，并且预测未来行为趋势，可提高工业部门，如驾驶，电厂操作人员等作业效率和工作可靠性，提高工业系统的安全性，避免不必要的经济损失和政治影响。
另外，根据本发明上述实施例的基于脑电特征的错误预警方法还可以具有如下附加的技术特征：
在一些示例中，所述脑电数据包括操作或按键前的脑电数据和/或前N次操作发生时的脑电数据，以便操作或按键前的脑电数据进行即时错误预测和/或前N次操作发生时的脑电数据进行操作错误预测，其中，所述N为正整数。
在一些示例中，所述对所述脑电数据进行预处理的步骤，包括：对所述脑电数据进行滤波。
在一些示例中，所述脑电特征包括脑电信号的幂律、功率等相关特征。
在一些示例中，所述对脑电特征进行筛选以剔除所述脑电特征中的干扰信息的步骤，包括：计算脑电特征与类别标签的相关系数，按绝对值大小进行排序；排序自上而下依次引入一个脑电特征，并与与之前保留的脑电特征一同与类别标签建立线性回归模型，并检验回归方程的显著性，如果检验效果显著则保留新引入的脑电特征，如果不显著则剔除新引入的脑电特征；对每次更新后的回归模型中的每个脑电特征进一步做显著性检验、剔除、更新，直到回归模型中的每一个脑电特征都为显著时为止；重复上述过程，直至无法剔除已经引入的脑电特征，也无法再引入新的脑电特征。
本发明的第二方面的实施例公开了一种基于脑电特征的错误预警系统，包括：预处理模块，用于获取脑电数据，并对所述脑电数据进行预处理；提取模块，用于从所述脑电数据中提取脑电特征；筛选模块，用于对所述脑电特征进行筛选以剔除所述脑电特征中的干扰信息；预警模块，用于根据分类器对所述脑电特征进行分类，以根据分类结果进行错误预警。
根据本发明实施例的基于脑电特征的错误预警系统，可以对操作结果进行直接预测，具有较强的实时性，而且准确度较高，可以实现对任务执行人员的状态实时监测，并且预测未来行为趋势，可提高工业部门，如驾驶，电厂操作人员等作业效率和工作可靠性，提高工业系统的安全性，避免不必要的经济损失和政治影响。
另外，根据本发明上述实施例的基于脑电特征的错误预警系统还可以具有如下附加的技术特征：
在一些示例中，所述脑电数据包括操作或按键前的脑电数据和/或前N次操作发生时的脑电数据，以便操作或按键前的脑电数据进行即时错误预测和/或前N次操作发生时的脑电数据进行操作错误预测，其中，所述N为正整数。
在一些示例中，所述预处理模块用于对所述脑电数据进行滤波。
在一些示例中，所述脑电特征包括脑电信号的幂律、功率等相关特征。
在一些示例中，所述筛选模块用于：计算脑电特征与类别标签的相关系数，按绝对值大小进行排序；排序自上而下依次引入一个脑电特征，并与与之前保留的脑电特征一同与类别标签建立线性回归模型，并检验回归方程的显著性，如果检验效果显著则保留新引入的脑电特征，如果不显著则剔除新引入的脑电特征；对每次更新后的回归模型中的每个脑电特征进一步做显著性检验、剔除、更新，直到回归模型中的每一个脑电特征都为显著时为止；重复上述过程，直至无法剔除已经引入的脑电特征，也无法再引入新的脑电特征。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述的或附加的方面和优点结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一个实施例的基于脑电特征的错误预警方法的流程图；以及
图2是根据本发明一个实施例的基于脑电特征的错误预警系统的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
以下结合附图描述根据本发明实施例的基于脑电特征的错误预警方法及系统。
图1是根据本发明一个实施例的基于脑电特征的错误预警方法的流程图。如图1所示，根据本发明一个实施例的基于脑电特征的错误预警方法，包括如下步骤：
S101：获取脑电数据，并对所述脑电数据进行预处理。其中，对脑电数据进行预处理的步骤，包括：对脑电数据进行滤波。
具体而言，脑电数据首先经过50Hz陷波以及0.1-60Hz的带通滤波器滤波，左耳乳突电极所记录信号的一半作为离线重参考。以刺激的起始时刻作为所有刺激的起始(Onset)。将脑电数据从起始之前200ms到起始之后400ms进行分段，其中起始前200ms作为基线校正的时间窗。若受伪迹干扰幅度超过±100μV阈值时，此段EEG信号将被去掉。随后采用主成分分析法，对信号进行空域滤波处理。
在以上描述中，脑电数据包括操作或按键前的脑电数据和/或前N次操作发生时的脑电数据，以便操作或按键前的脑电数据进行即时错误预测和/或前N次操作发生时的脑电数据进行操作错误预测，其中，N为正整数，例如为1、2、3、4等。
也就是说，错误预测方法是指通过对操作前的脑电特征的分析，识别即将操作结果的方法。
具体的预测包括：即时错误预测和前向操作错误预测。
即时错误预测指通过对操作或按键前的脑电特征的分析，识别即将按键操作结果的预测方法。采用模式识别的方法对按键前的脑电特征进行识别，从而区分正确与错误操作。前向操作错误预测指从预测而言，及早发现及早预防应该是最佳的，为了获取更多的预测的时间提前量。通过对前N次操作特征识别，实现对即将进行的下一次操作结果的预测。此为基于前次操作的预测错误的方法，简称为前向操作错误预测。
S102：从脑电数据中提取脑电特征。其中，脑电特征包括脑电信号的幂律、功率等相关特征。
具体而言，提取特征包括脑电频谱特征及根据脑电功率谱计算的幂律(Power-law)。首先，利用前文所述的短时傅里叶变换(STFT)法求得EEG信号的功率谱。而后将其分成五个标准频段δ、θ、α、β(β1、β2)、γ，分别计算这五个频段的频谱能量Pδ、Pθ、Pα、Pβ(Pβ1、Pβ2)、Pγ及总能量P。各频段划分如表1所示：
表1功率谱计算中的谱分解
Figure BDA0001234411830000061
幂律是脑电信号的重要特征，它可以反应脑电频谱图的综合趋势。共提取每导联数据幂律、功率等相关特征两项。
采集数据为63导联('Fp1'、'AF3'、'AF7'、'Fz'、'F1'、'F3'、'F5'、'F7'、'FC1'、'FC3'、'FC5'、'FT7'、'Cz'、'C1'、'C3'、'C5'、'T7'、'CP1'、'CP3'、'CP5'、'TP7'、'TP9'、'Pz'、'P1'、'P3'、'P5'、'P7'、'PO3'、'PO7'、'Oz'、'O1'、'VEOG'、'Fpz'、'Fp2'、'AF4'、'AF8'、'F2'、'F4'、'F6'、'F8'、'FC2'、'FC4'、'FC6'、'FT8'、'C2'、'C4'、'C6'、'T8'、'CPz'、'CP2'、'CP4'、'CP6'、'TP8'、'TP10'、'P2'、'P4'、'P6'、'P8'、'POz'、'PO4'、'PO8'、'O2'、'HEOG')脑电及眼电数据，每导联数据共提取8个频谱特征及2个幂律、功率等相关特征，故共提取630项特征。
S103：对所述脑电特征进行筛选以剔除所述脑电特征中的干扰信息。
对脑电特征进行筛选以剔除所述脑电特征中的干扰信息的步骤，包括：计算脑电特征与类别标签的相关系数，按绝对值大小进行排序；排序自上而下依次引入一个脑电特征，并与与之前保留的脑电特征一同与类别标签建立线性回归模型，并检验回归方程的显著性，如果检验效果显著则保留新引入的脑电特征，如果不显著则剔除新引入的脑电特征；对每次更新后的回归模型中的每个脑电特征进一步做显著性检验、剔除、更新，直到回归模型中的每一个脑电特征都为显著时为止；重复上述过程，直至无法剔除已经引入的脑电特征，也无法再引入新的脑电特征。
也就是说，特征筛选是分类或模式识别问题中的重要步骤。目的是去除与目标不相关的干扰信息提高正确率，同时减少特征维度，提高算法运行效率。本发明的实施例采用逐步回归分析对样本特征进行筛选。逐步回归法是多元线性回归的一种。逐步回归的操作原理如下：
首先计算所有自变量(特征)与因变量(类别标签)的相关系数，按绝对值大小排序。
排序自上而下依次新引入一个自变量与之前保留的自变量一同与因变量做建立线性回归模型，并检验回归方程的显著性，如果检验效果显著则保留新引入的的自变量，如果不显著则剔除新引入的自变量。
对每次更新后的回归方程中的每个自变量仍需做显著性检验、剔除、更新，直到回归方程中的每一个自变量都显著为止，再进一步引入之前未曾引入的新自变量。
重复上述过程，直至无法剔除已经引入的自变量也无法再引入新的自变量。
如上文所述，逐步回归可以只保留那些与类别相关性高，且不会影响其他自变量与因变量相关性的特征，从而达到优化特征集的目的。
S104：根据分类器对所述脑电特征进行分类，以根据分类结果进行错误预警。
作为一个具体的示例，线性距离判别，支持向量机SVM两种判别方法进行分类器的设计。根据预测方法的不同分别探索了即时错误预测和前向操作错误预测方法。其中即时预测错误分类类别统计如表2所示：
表2报警监控实验类别分析统计表
Figure BDA0001234411830000081
Figure BDA0001234411830000091
根据本发明实施例的基于脑电特征的错误预警方法，可以对操作结果进行直接预测，具有较强的实时性，而且准确度较高，可以实现对任务执行人员的状态实时监测，并且预测未来行为趋势，可提高工业部门，如驾驶，电厂操作人员等作业效率和工作可靠性，提高工业系统的安全性，避免不必要的经济损失和政治影响。
图2是根据本发明一个实施例的基于脑电特征的错误预警系统的结构框图。如图2所示，根据本发明一个实施例的基于脑电特征的错误预警系统200，包括：预处理模块210、提取模块220、筛选模块230和预警模块240。
其中，预处理模块210用于获取脑电数据，并对所述脑电数据进行预处理。提取模块220用于从所述脑电数据中提取脑电特征。筛选模块230用于对所述脑电特征进行筛选以剔除所述脑电特征中的干扰信息。预警模块240用于根据分类器对所述脑电特征进行分类，以根据分类结果进行错误预警。
在本发明的一个实施例中，所述脑电数据包括操作或按键前的脑电数据和/或前N次操作发生时的脑电数据，以便操作或按键前的脑电数据进行即时错误预测和/或前N次操作发生时的脑电数据进行前向操作错误预测，其中，N为正整数。
在本发明的一个实施例中，所述预处理模块210用于对所述脑电数据进行滤波。
在本发明的一个实施例中，所述脑电特征包括脑电信号的幂律、功率等相关特征。
在本发明的一个实施例中，所述筛选模块230用于：计算脑电特征与类别标签的相关系数，按绝对值大小进行排序；排序自上而下依次引入一个脑电特征，并与与之前保留的脑电特征一同与类别标签建立线性回归模型，并检验回归方程的显著性，如果检验效果显著则保留新引入的脑电特征，如果不显著则剔除新引入的脑电特征；对每次更新后的回归模型中的每个脑电特征进一步做显著性检验、剔除、更新，直到回归模型中的每一个脑电特征都为显著时为止；重复上述过程，直至无法剔除已经引入的脑电特征，也无法再引入新的脑电特征。
根据本发明实施例的基于脑电特征的错误预警系统，瞄准的是对操作结果的直接预测，具有较强的实时性，而且准确度较高，可以实现对任务执行人员的状态实时监测，并且预测未来行为趋势，可提高工业部门，如驾驶，电厂操作人员等作业效率和工作可靠性，提高工业系统的安全性，避免不必要的经济损失和政治影响。
需要说明的是，本发明实施例的基于脑电特征的错误预警系统的具体实现方式与本发明实施例的基于脑电特征的错误预警系统的具体实现方式类似，具体请参见方法部分的描述，为了减少冗余，此处不做赘述。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种基于脑电特征的错误预警方法，其特征在于，包括以下步骤：
获取脑电数据，并对所述脑电数据进行预处理；其中，所述脑电数据包括操作或按键前的脑电数据和/或前N次操作发生时的脑电数据，以便操作或按键前的脑电数据进行即时错误预测和/或前N次操作发生时的脑电数据进行操作错误预测，所述N为正整数，所述对所述脑电数据进行预处理的步骤，包括：以刺激的起始时刻作为所有刺激的起始，将所述脑电数据从起始之前200ms到起始之后400ms进行分段，其中起始前200ms作为基线校正的时间窗；
从所述脑电数据中提取脑电特征；
对所述脑电特征进行筛选以剔除所述脑电特征中的干扰信息；
根据分类器对所述脑电特征进行分类，以根据分类结果进行错误预警；
其中，所述即时错误预测是指通过对操作或按键前的脑电特征的分析，识别即将按键操作的结果，所述操作错误预测是指通过对前N次操作特征识别，实现对即将进行的下一次操作结果的预测。
2.根据权利要求1所述的基于脑电特征的错误预警方法，其特征在于，所述对所述脑电数据进行预处理的步骤，包括：对所述脑电数据进行滤波。
3.根据权利要求1所述的基于脑电特征的错误预警方法，其特征在于，所述脑电特征包括脑电信号的幂律、功率等相关特征。
4.根据权利要求1-3任一项所述的基于脑电特征的错误预警方法，其特征在于，所述对脑电特征进行筛选以剔除所述脑电特征中的干扰信息的步骤，包括：
计算脑电特征与类别标签的相关系数，按绝对值大小进行排序；
排序自上而下依次引入一个脑电特征，并与之前保留的脑电特征一同与类别标签建立线性回归模型，并检验回归方程的显著性，如果检验效果显著则保留新引入的脑电特征，如果不显著则剔除新引入的脑电特征；
对每次更新后的回归模型中的每个脑电特征进一步做显著性检验、剔除、更新，直到回归模型中的每一个脑电特征都为显著时为止；
重复上述过程，直至无法剔除已经引入的脑电特征，也无法再引入新的脑电特征。
5.一种基于脑电特征的错误预警系统，其特征在于，包括：
预处理模块，用于获取脑电数据，并对所述脑电数据进行预处理；
提取模块，用于从所述脑电数据中提取脑电特征；
筛选模块，用于对所述脑电特征进行筛选以剔除所述脑电特征中的干扰信息；
预警模块，用于根据分类器对所述脑电特征进行分类，以根据分类结果进行错误预警；
其中，所述脑电数据包括操作或按键前的脑电数据和/或前N次操作发生时的脑电数据，以便操作或按键前的脑电数据进行即时错误预测和/或前N次操作发生时的脑电数据进行操作错误预测，其中，所述N为正整数，所述对所述脑电数据进行预处理的步骤，包括：以刺激的起始时刻作为所有刺激的起始，将所述脑电数据从起始之前200ms到起始之后400ms进行分段，其中起始前200ms作为基线校正的时间窗；
所述即时错误预测是指通过对操作或按键前的脑电特征的分析，识别即将按键操作的结果，所述操作错误预测是指通过对前N次操作特征识别，实现对即将进行的下一次操作结果的预测。
6.根据权利要求5所述的基于脑电特征的错误预警系统，其特征在于，所述预处理模块用于对所述脑电数据进行滤波。
7.根据权利要求5所述的基于脑电特征的错误预警系统，其特征在于，所述脑电特征包括脑电信号的幂律、功率等相关特征。
8.根据权利要求5-7任一项所述的基于脑电特征的错误预警系统，其特征在于，所述筛选模块用于：
计算脑电特征与类别标签的相关系数，按绝对值大小进行排序；
排序自上而下依次引入一个脑电特征，并与之前保留的脑电特征一同与类别标签建立线性回归模型，并检验回归方程的显著性，如果检验效果显著则保留新引入的脑电特征，如果不显著则剔除新引入的脑电特征；
对每次更新后的回归模型中的每个脑电特征进一步做显著性检验、剔除、更新，直到回归模型中的每一个脑电特征都为显著时为止；
重复上述过程，直至无法剔除已经引入的脑电特征，也无法再引入新的脑电特征。
CN201710111062.3A 2017-02-28 2017-02-28 基于脑电特征的错误预警方法及系统 Active CN108498092B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710111062.3A CN108498092B (zh) 2017-02-28 2017-02-28 基于脑电特征的错误预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710111062.3A CN108498092B (zh) 2017-02-28 2017-02-28 基于脑电特征的错误预警方法及系统

Publications (2)

Publication Number Publication Date
CN108498092A CN108498092A (zh) 2018-09-07
CN108498092B true CN108498092B (zh) 2021-09-14

Family

ID=63373272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710111062.3A Active CN108498092B (zh) 2017-02-28 2017-02-28 基于脑电特征的错误预警方法及系统

Country Status (1)

Country Link
CN (1) CN108498092B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112405539B (zh) * 2020-11-11 2022-03-04 东南大学 一种基于肌电信号和脑电错误电位的机器人自然控制方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6496724B1 (en) * 1998-12-31 2002-12-17 Advanced Brain Monitoring, Inc. Method for the quantification of human alertness
CN101987017A (zh) * 2010-11-18 2011-03-23 上海交通大学 用于驾车司机警觉度测定的脑电信号识别检测方法
CN102058413B (zh) * 2010-12-03 2012-09-05 上海交通大学 基于连续小波变换的脑电信号警觉度检测方法
CN102106730A (zh) * 2011-03-16 2011-06-29 上海交通大学 基于分形特征的脑电信号处理及警觉度检测方法
CN102274032A (zh) * 2011-05-10 2011-12-14 北京师范大学 一种基于脑电信号的驾驶员疲劳检测系统
CN103505224B (zh) * 2012-06-27 2015-01-07 东北大学 基于生理信息分析的疲劳驾驶远程监测与报警系统和方法
CN104173045B (zh) * 2014-08-15 2016-09-14 浙江大学医学院附属第二医院 一种癫痫发作预警系统
CN104997507B (zh) * 2015-07-09 2019-11-12 郑以山 三位一体帽式智能监测预警系统
CN105577432A (zh) * 2015-12-14 2016-05-11 安徽工程大学 一种基于关联分析的网络丢包概率预测方法
CN105653039B (zh) * 2016-01-20 2018-12-18 同济大学 一种基于脑电信号检测的手部动作自动矫正识别方法
CN105726046B (zh) * 2016-01-29 2018-06-19 西南交通大学 一种驾驶员警觉度状态检测方法
CN105956623A (zh) * 2016-05-04 2016-09-21 太原理工大学 一种基于模糊熵的癫痫脑电信号分类方法

Also Published As

Publication number Publication date
CN108498092A (zh) 2018-09-07

Similar Documents

Publication Publication Date Title
Kaya et al. 1D-local binary pattern based feature extraction for classification of epileptic EEG signals
KR102051226B1 (ko) 원전 설비의 예측 진단 방법 및 시스템
Lasefr et al. Epilepsy seizure detection using EEG signals
CN112660745B (zh) 托辊故障智能诊断方法、系统及可读存储介质
Nkengfack et al. EEG signals analysis for epileptic seizures detection using polynomial transforms, linear discriminant analysis and support vector machines
Tzimourta et al. Wavelet based classification of epileptic seizures in EEG signals
Shi et al. Cutting sound signal processing for tool breakage detection in face milling based on empirical mode decomposition and independent component analysis
CN108498092B (zh) 基于脑电特征的错误预警方法及系统
CN112454008A (zh) 一种基于网络模型的切割平台寿命预测方法、系统及可读存储介质
Bhuiyan et al. Automatic acute lymphoblastic leukemia detection and comparative analysis from images
Matin et al. A hybrid scheme using pca and ica based statistical feature for epileptic seizure recognition from eeg signal
Ambika et al. Vibration signal based condition monitoring of mechanical equipment with scattering transform
CN109254654B (zh) 一种结合PCA和PCANet的驾驶疲劳特征提取方法
Diwaker et al. Classification of EEG signal using correlation coefficient among channels as features extraction method
Riyadi et al. Classification of EEG-based brain waves for motor imagery using support vector machine
Anastasiadou et al. Automatic detection and removal of muscle artifacts from scalp EEG recordings in patients with epilepsy
Hamad et al. A hybrid automated detection of epileptic seizures in EEG based on wavelet and machine learning techniques
de Assis Boldt et al. Binary feature selection classifier ensemble for fault diagnosis of submersible motor pump
As Comparisons of MFDFA, EMD and WT by neural network, Mahalanobis distance and SVM in fault diagnosis of gearboxes
KR102152352B1 (ko) 기계 결함 진단 장치 및 방법
Zheng et al. Effectiveness of tuned q-factor wavelet transform in emotion recognition among left-brain damaged stroke patients
Pham et al. Unsupervised discrimination of motor unit action potentials using spectrograms
Iscan Mlsp competition, 2010: description of second place method
Wu et al. Salient feature extraction for EEG pathology detection
Bousbia-Salah et al. Time-frequency processing method of epileptic EEG signals

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