CN108564128B - 一种融合数据结构信息的脑电信号在线识别方法 - Google Patents

一种融合数据结构信息的脑电信号在线识别方法 Download PDF

Info

Publication number
CN108564128B
CN108564128B CN201810354944.7A CN201810354944A CN108564128B CN 108564128 B CN108564128 B CN 108564128B CN 201810354944 A CN201810354944 A CN 201810354944A CN 108564128 B CN108564128 B CN 108564128B
Authority
CN
China
Prior art keywords
electroencephalogram
samples
online
sample
classification model
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
CN201810354944.7A
Other languages
English (en)
Other versions
CN108564128A (zh
Inventor
张莉
刘静
刘文倩
朱锐
文德仲
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN201810354944.7A priority Critical patent/CN108564128B/zh
Publication of CN108564128A publication Critical patent/CN108564128A/zh
Application granted granted Critical
Publication of CN108564128B publication Critical patent/CN108564128B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种融合数据结构信息的脑电信号在线识别方法，包括S1：利用由少量标记脑电样本组成的小训练集建立基于在线序贯极限学习机(online sequential extreme learning machine,OS‑ELM)算法的分类模型，作为半监督学习中的初始分类模型；S2：利用在线模糊聚类方法建立结构学习模型，基于标记脑电样本的先验信息估计在线采集脑电样本批量增加后数据分布的全局结构；S3：利用分类模型对在线采集的脑电样本进行标记，并采用批量学习的模式，基于由结构学习模型估计的结构信息，选择一批满足一定条件的在线采集脑电样本加入到训练集中，利用更新后的训练集重新训练分类模型；S4：利用更新后的分类模型对采集的脑电信号进行在线识别。

Description

一种融合数据结构信息的脑电信号在线识别方法
技术领域
本发明属于脑电信号处理技术领域，具体涉及一种融合数据结构信息的脑电信号在线识别方法。
背景技术
脑－机接口(brain-computer interface,BCI)作为一种基于大脑功能的电生理测量，实现人与外界信息交流和控制的全新通讯系统，在医疗、康复、航空、认知科学、教育、生活娱乐等多个领域具有极高的应用价值和广阔的应用前景，成为了目前研究的热点之一。其中，基于头皮脑电信号的非侵入式BCI是当今BCI研究中的主流模式。
研究者们对基于头皮脑电信号的BCI已经开展了广泛的研究。但发明人在实现本发明的过程中，发现在BCI分类识别这一关键技术研究中存在以下的不足：
1、采用监督学习的方法来实现模式分类是主流模式，但监督方法需要大量的标记脑电样本才能构建有效的分类器，并且分类器在工作期间是固化的，不具有在线适应性。
2、目前有少数采用半监督分类方法的研究，可以利用未标记脑电样本来训练和更新分类器，但现有方法采用逐一将样本用于分类器学习的方式，存在学习的盲目性、误标记的累积效应、泛化能力较低等影响信号在线识别性能的问题。
发明内容
有鉴于此，本发明的目的在于提供一种融合数据结构信息的脑电信号在线识别方法，以解决现有技术存在的上述问题。
为达到上述目的，本发明提供如下技术方案：
一种融合数据结构信息的脑电信号在线识别方法，包括：
S1：利用由少量标记脑电样本组成的小训练集建立基于OS-ELM算法的分类模型，作为半监督学习中的初始分类模型；
S2：利用在线模糊聚类方法建立结构学习模型，基于标记脑电样本的先验信息估计在线采集脑电样本批量增加后数据分布的全局结构；
S3：利用分类模型对在线采集的脑电样本进行标记，并采用批量学习的模式，基于由结构学习模型估计的结构信息，选择一批满足一定条件的在线采集脑电样本加入到训练集中，利用更新后的训练集重新训练分类模型；
S4：利用更新后的分类模型对采集的脑电信号进行在线识别。
进一步，在步骤S1中，包括：
S11：由标记脑电样本组成的初始训练集
Figure GDA0003217963020000021
样本个数N0，样本特征维数m，包含K个隐层节点的初始隐含层输出矩阵H0：
Figure GDA0003217963020000022
其中，aj,j＝1,2,…,K为隐层节点的输入权参数，bj,j＝1,2,…,K为隐层节点的偏移参数，N0≥K，aj和bj这两组参数随机生成，
Figure GDA0003217963020000023
为Sigmoidal激活函数；
计算初始输出权重：
Figure GDA0003217963020000024
式中，
Figure GDA0003217963020000025
为目标向量，
Figure GDA0003217963020000026
k＝0，k为加入训练集的脑电样本批次；
S12：利用初始分类器对在线采集未标记脑电样本进行分类识别：
fk(x)＝[G(a1,b1,x),…,G(aK,bK,x)]β0
式中x代表在线采集的未标记脑电样本。
进一步，在步骤S2中，对于一批在线采集未标记脑电样本X＝{x1,x2,…,xn},xj∈Rm，每一类的聚类中心为V＝[vl]2×m，建立如下结构学习模型目标函数：
Figure GDA0003217963020000027
式中，ulq表示第q个未标记样本属于第l类的隶属度，且满足
Figure GDA0003217963020000028
u′lz表示第z个标记样本属于第l类的隶属度，且满足u′lz≥u′sz,
Figure GDA0003217963020000029
dlq表示第q个未标记样本到第l类聚类中心vl的距离；d′lz表示第z个标记样本到第l类聚类中心vl的距离；p为模糊参数，取值为2；N为标记样本的个数，N≥N0；
通过拉格朗日乘子法最小化目标函数，可以获得数据结构属性，实现对样本的划分，具体步骤为：
1)初始化模糊聚类矩阵
Figure GDA0003217963020000031
且使其满足约束条件；计算初始聚类中心：
Figure GDA0003217963020000032
2)进行迭代计算：
标记样本隶属度采用如下公式进行更新：
Figure GDA0003217963020000033
未标记样本隶属度采用如下公式进行更新：
Figure GDA0003217963020000034
聚类中心更新公式为：
Figure GDA0003217963020000035
式中，n'为标记样本的数量，n为新增未标记样本的数量；
3)设定计算精度ε，如果Jr-Jr-1<ε,则停止迭代；否则，重复上一步；Jr-1表示第r-1次迭代计算的目标函数值J，Jr表示第r次迭代计算的目标函数值J。
进一步，在步骤S3中，根据由结构学习模型估计的样本结构信息并依据置信度准则，从第k批由分类器在线标记过的脑电样本中选择出Nk个隶属度大于设定阈值的脑电样本，组成集合
Figure GDA0003217963020000036
计算隐含层输出矩阵Hk：
Figure GDA0003217963020000037
目标向量为：
Figure GDA0003217963020000038
更新Mk和输出权重βk：
Figure GDA0003217963020000039
Figure GDA0003217963020000041
进一步，在步骤S4中，利用更新后的分类器对在线采集脑电信号进行分类识别：
fk(x)＝[G(a1,b1,x),…,G(aK,bK,x)]βk
式中，x代表在线采集的未标记脑电样本；
同时，重复步骤S2、S3和S4的在线学习。
本发明的有益效果在于：本发明针对现有BCI研究中脑电信号在线模式分类存在的问题，提出一种基于数据全局结构信息的脑电信号在线识别方法，解决分类器训练的盲目性问题，降低样本错误标记的风险，提高算法的泛化能力和在线学习的安全性。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明实施例所述的融合数据结构信息的脑电信号在线识别方法的逻辑框图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
如图1所示，本发明为了解决所述技术问题，采用了如下的技术方案：首先，采用在线序贯极限学习机(online sequential extreme learning machine,OS-ELM)算法构建能满足在线训练速度要求的半监督分类模型；其次，利用模糊聚类方法对由标记和未标记脑电样本共同构建的信号空间进行模糊划分，允许未标记样本同时属于多个类，对应不同的软隶属度，建立能在线学习的结构学习模型；最后，以分类模型的在线更新为接口，实现结构学习模型与半监督分类模型的融合，构建基于数据结构信息的在线自适应分类模型，提高分类模型的泛化能力和在线学习的安全性。
具体的，为了实现以上目的，本发明方法包括以下步骤：
101、利用由少量标记脑电样本组成的小训练集建立基于OS-ELM算法的分类模型，作为半监督学习中的初始分类模型。
102、利用在线模糊聚类方法建立结构学习模型，基于标记脑电样本的先验信息估计在线采集脑电样本批量增加后数据分布的全局结构。
103、利用分类模型对在线采集的脑电样本进行标记，并采用批量学习的模式，基于由结构学习模型估计的结构信息，选择一批满足一定条件的在线采集脑电样本加入到训练集中，利用更新后的训练集重新训练分类模型。
104、利用更新后的分类模型对采集的脑电信号进行在线识别。
本发明所述脑电信号在线识别方法包括了OS-ELM初始分类模型的建立、脑电数据结构信息的估计、分类模型的在线训练和更新、在线采集脑电信号的识别这几个关键步骤，下面对各个步骤进行详细的说明。
1、建立OS-ELM初始分类模型。设由标记脑电样本组成的初始训练集为
Figure GDA0003217963020000051
N0为样本个数，m为样本特征维数。计算包含K个隐层节点的初始隐含层输出矩阵H0：
Figure GDA0003217963020000052
其中，aj,j＝1,2,…,K为隐层节点的输入权参数，bj,j＝1,2,…,K为隐层节点的偏移参数，N0≥K，aj和bj这两组参数随机生成。
Figure GDA0003217963020000053
为Sigmoidal激活函数。
计算初始输出权重：
Figure GDA0003217963020000054
式中，
Figure GDA0003217963020000055
为目标向量，
Figure GDA0003217963020000056
设k＝0，k为加入训练集的脑电样本批次。
2、利用初始分类器对在线采集未标记脑电样本进行分类识别(标记)：
fk(x)＝[G(a1,b1,x),…,G(aK,bK,x)]β0
式中x代表在线采集的未标记脑电样本。
3、建立脑电数据结构学习模型，估计数据结构信息。对于一批在线采集未标记样本X＝{x1,x2,…,xn},xj∈Rm，每一类的聚类中心为V＝[vl]2×m，建立如下结构学习模型目标函数：
Figure GDA0003217963020000057
式中，ulq表示第q个未标记样本属于第l类的隶属度，且满足
Figure GDA0003217963020000058
u′lz表示第z个标记样本属于第l类的隶属度，且满足u′lz≥u′sz,
Figure GDA0003217963020000059
dlq表示第q个未标记样本到第l类聚类中心vl的距离；d′lz表示第z个标记样本到第l类聚类中心vl的距离；p为模糊参数，取值为2；N为标记样本的个数，N≥N0；。
通过拉格朗日乘子法最小化目标函数，可以获得数据结构属性，实现对样本的划分，具体步骤为：
1)初始化模糊聚类矩阵
Figure GDA0003217963020000061
且使其满足约束条件。计算初始聚类中心：
Figure GDA0003217963020000062
2)进行迭代计算。
标记样本隶属度采用如下公式进行更新：
Figure GDA0003217963020000063
未标记样本隶属度采用如下公式进行更新：
Figure GDA0003217963020000064
聚类中心更新公式为：
Figure GDA0003217963020000065
式中，n'为标记样本的数量，n为新增未标记样本的数量。
3)设定计算精度ε，如果Jr-Jr-1<ε,则停止迭代；否则，重复上一步。Jr-1表示第r-1次迭代计算的目标函数值J，Jr表示第r次迭代计算的目标函数值J。
4、采用批量学习模式对分类模型进行在线训练和更新。根据由结构学习模型估计的样本结构信息并依据置信度准则，从第k批由分类器在线标记过的脑电样本中选择出Nk个隶属度大于设定阈值的脑电样本，组成集合
Figure GDA0003217963020000066
计算隐含层输出矩阵Hk：
Figure GDA0003217963020000067
目标向量为：
Figure GDA0003217963020000068
更新Mk和输出权重βk：
Figure GDA0003217963020000071
Figure GDA0003217963020000072
5、利用更新后的分类器对在线采集脑电信号进行分类识别(标记)：
fk(x)＝[G(a1,b1,x),…,G(aK,bK,x)]βk
式中，x代表在线采集的未标记脑电样本。
同时，重复第3步、第4步和第5步的在线学习步骤。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (4)

1.一种融合数据结构信息的脑电信号在线识别方法，其特征在于：包括：
S1：利用由少量标记脑电样本组成的小训练集建立基于OS-ELM算法的分类模型，作为半监督学习中的初始分类模型；
S2：利用在线模糊聚类方法建立结构学习模型，基于标记脑电样本的先验信息估计在线采集脑电样本批量增加后数据分布的全局结构；对于一批在线采集未标记脑电样本X＝{x1,x2,…,xn},xj′∈Rm，每一类的聚类中心为V＝[vl]2×m，建立如下结构学习模型目标函数：
Figure FDA0003217963010000011
式中，ulq表示第q个未标记样本属于第l类的隶属度，且满足
Figure FDA0003217963010000012
u′lz表示第z个标记样本属于第l类的隶属度，且满足
Figure FDA0003217963010000013
dlq表示第q个未标记样本到第l类聚类中心vl的距离；d'lz表示第z个标记样本到第l类聚类中心vl的距离；p为模糊参数，取值为2；N为标记样本的个数，N≥N0；
通过拉格朗日乘子法最小化目标函数，可以获得数据结构属性，实现对样本的划分，具体步骤为：
1)初始化模糊聚类矩阵
Figure FDA0003217963010000014
且使其满足约束条件；计算初始聚类中心：
Figure FDA0003217963010000015
2)进行迭代计算：
标记样本隶属度采用如下公式进行更新：
Figure FDA0003217963010000016
未标记样本隶属度采用如下公式进行更新：
Figure FDA0003217963010000017
聚类中心更新公式为：
Figure FDA0003217963010000021
式中，n'为标记样本的数量，n为新增未标记样本的数量；
3)设定计算精度ε，如果Jr-Jr-1<ε,则停止迭代；否则，重复上一步；Jr-1表示第r-1次迭代计算的目标函数值J，Jr表示第r次迭代计算的目标函数值J
S3：利用分类模型对在线采集的脑电样本进行标记，并采用批量学习的模式，基于由结构学习模型估计的结构信息，选择一批满足一定条件的在线采集脑电样本加入到训练集中，利用更新后的训练集重新训练分类模型；
S4：利用更新后的分类模型对采集的脑电信号进行在线识别。
2.根据权利要求1所述的融合数据结构信息的脑电信号在线识别方法，其特征在于：在步骤S1中，包括：
S11：由标记脑电样本组成的初始训练集
Figure FDA0003217963010000022
样本个数N0，样本特征维数m，包含K个隐层节点的初始隐含层输出矩阵H0：
Figure FDA0003217963010000023
其中，aj,j＝1,2,…,K为隐层节点的输入权参数，bj,j＝1,2,…,K为隐层节点的偏移参数，N0≥K，aj和bj这两组参数随机生成，
Figure FDA0003217963010000024
为Sigmoidal激活函数；
计算初始输出权重：
Figure FDA0003217963010000025
式中，
Figure FDA0003217963010000026
为目标向量，
Figure FDA0003217963010000027
k＝0，k为加入训练集的脑电样本批次；
S12：利用初始分类器对在线采集未标记脑电样本进行分类识别：
fk(x)＝[G(a1,b1,x),…,G(aK,bK,x)]β0
式中x代表在线采集的未标记脑电样本。
3.根据权利要求1所述的融合数据结构信息的脑电信号在线识别方法，其特征在于：在步骤S3中，根据由结构学习模型估计的样本结构信息并依据置信度准则，从第k批由分类器在线标记过的脑电样本中选择出Nk个隶属度大于设定阈值的脑电样本，组成集合
Figure FDA0003217963010000031
计算隐含层输出矩阵Hk：
Figure FDA0003217963010000032
目标向量为：
Figure FDA0003217963010000033
更新Mk和输出权重βk：
Figure FDA0003217963010000034
Figure FDA0003217963010000035
4.根据权利要求3所述的融合数据结构信息的脑电信号在线识别方法，其特征在于：在步骤S4中，利用更新后的分类器对在线采集脑电信号进行分类识别：
fk(x)＝[G(a1,b1,x),…,G(aK,bK,x)]βk
式中，x代表在线采集的未标记脑电样本；
同时，重复步骤S2、S3和S4的在线学习。
CN201810354944.7A 2018-04-19 2018-04-19 一种融合数据结构信息的脑电信号在线识别方法 Active CN108564128B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810354944.7A CN108564128B (zh) 2018-04-19 2018-04-19 一种融合数据结构信息的脑电信号在线识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810354944.7A CN108564128B (zh) 2018-04-19 2018-04-19 一种融合数据结构信息的脑电信号在线识别方法

Publications (2)

Publication Number Publication Date
CN108564128A CN108564128A (zh) 2018-09-21
CN108564128B true CN108564128B (zh) 2021-10-08

Family

ID=63535971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810354944.7A Active CN108564128B (zh) 2018-04-19 2018-04-19 一种融合数据结构信息的脑电信号在线识别方法

Country Status (1)

Country Link
CN (1) CN108564128B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109645993A (zh) * 2018-11-13 2019-04-19 天津大学 一种提高跨个体脑-机接口识别性能的主动学习法
CN109858511B (zh) * 2018-11-30 2021-04-30 杭州电子科技大学 基于协同表示的安全半监督超限学习机分类方法
CN110109543B (zh) * 2019-04-30 2021-08-31 福州大学 基于被试迁移的c-VEP识别方法
CN112244877B (zh) * 2020-10-15 2021-09-07 燕山大学 一种基于脑机接口的大脑意图识别方法及系统
CN114098764B (zh) * 2021-11-05 2024-02-20 北京大学 数据处理方法、装置、电子设备和存储介质
CN114372538B (zh) * 2022-03-22 2023-04-18 中国海洋大学 拖曳式传感器阵列中尺度涡时间序列卷积分类方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992184A (zh) * 2015-07-02 2015-10-21 东南大学 一种基于半监督极限学习机的多类图像分类方法
CN105069479A (zh) * 2015-08-19 2015-11-18 西安电子科技大学 基于在线序列极限学习机的极化sar图像分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286838A1 (en) * 2016-03-29 2017-10-05 International Business Machines Corporation Predicting solar power generation using semi-supervised learning

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992184A (zh) * 2015-07-02 2015-10-21 东南大学 一种基于半监督极限学习机的多类图像分类方法
CN105069479A (zh) * 2015-08-19 2015-11-18 西安电子科技大学 基于在线序列极限学习机的极化sar图像分类方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A novel fuzzy clustering algorithm with non local adaptive spatial constraint for image segmentation;Feng Zhao et al.;《Signal Processing》;20101008;第988-999页 *
A semi-supervised online sequential extreme learning machine method;Xibin Jia et al.;《Neurocomputing》;20150810;第168-178页 *
Motor imagery signal classification using SemiSupervised and Unsupervised Extreme Learning Machines;M.Dharani et al.;《2017 International Conference on Innovations in information Embedded and Communication Systems》;20180201;第1-4页 *
一种基于增量加权平均的在线序贯极限学习机算法;张明洋 等;《控制与决策》;20171031;第32卷(第10期);第1889页 *
基于极限学习机的半监督分类;付华;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140115;第2014年卷(第1期);第三章 *
基于脑图谱和模糊聚类的磁共振图像分割标注;谭鸥 等;《软件学报》;19990630;第10卷(第6期);第652-657页 *

Also Published As

Publication number Publication date
CN108564128A (zh) 2018-09-21

Similar Documents

Publication Publication Date Title
CN108564128B (zh) 一种融合数据结构信息的脑电信号在线识别方法
Dahiwade et al. Designing disease prediction model using machine learning approach
Wang et al. Time series feature learning with labeled and unlabeled data
CN104573630B (zh) 基于双支持向量机概率输出的多类脑电模式在线识别方法
Moody et al. Fast learning in networks of locally-tuned processing units
Marinakis et al. Particle swarm optimization for pap-smear diagnosis
Chefrour Incremental supervised learning: algorithms and applications in pattern recognition
CN103489033A (zh) 融合自组织映射与概率神经网络的增量式学习方法
Zhang et al. A novel fuzzy hybrid quantum artificial immune clustering algorithm based on cloud model
Jaini et al. Online Bayesian transfer learning for sequential data modeling
CN111988329A (zh) 一种基于深度学习的网络入侵检测方法
Wan et al. Network traffic prediction based on LSTM and transfer learning
Chen et al. Negative-ResNet: noisy ambulatory electrocardiogram signal classification scheme
CN110851783A (zh) 一种用于脑机接口校准的异构标签空间迁移学习方法
Karthikeyan et al. A hybrid clustering approach using artificial bee colony (ABC) and particle swarm optimization
Inan et al. A method of classification performance improvement via a strategy of clustering-based data elimination integrated with k-fold cross-validation
Dwivedi et al. Peripheral blood cell classification using modified local-information weighted fuzzy C-means clustering-based golden eagle optimization model
CN114373093A (zh) 基于直推式半监督深度学习的细粒度图像分类方法
Hasan et al. Multistrategy self‐organizing map learning for classification problems
Yu et al. A hybrid incremental regression neural network for uncertain data streams
Zhang et al. Hand gesture recognition of double-channel EMG signals based on sample entropy and PSO-SVM
Angelin A roc curve based k-means clustering for outlier detection using dragon fly optimization
CN108399369B (zh) 基于分布式计算和深度学习的心电节拍分类方法
CN114997306A (zh) 一种基于动态贝叶斯网络的目标意图识别方法
EP3721445B1 (en) System to improve clinical workflow

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