CN109480834A - 一种基于快速多维经验模态分解的脑电信号分类方法 - Google Patents
一种基于快速多维经验模态分解的脑电信号分类方法 Download PDFInfo
- Publication number
- CN109480834A CN109480834A CN201811577102.4A CN201811577102A CN109480834A CN 109480834 A CN109480834 A CN 109480834A CN 201811577102 A CN201811577102 A CN 201811577102A CN 109480834 A CN109480834 A CN 109480834A
- Authority
- CN
- China
- Prior art keywords
- eeg signals
- signal
- signals
- feature
- decomposition
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于快速多维经验模态分解的脑电信号分类方法,包括:(1)采集若干组脑电信号并进行预处理;(2)对预处理后的信号通过快速多维经验模态分解,得到全部本征模态函数信号;(3)对每个本征模态函数信号的各个层进行频谱分析,选取平均功率谱集中在8~12Hz及18~26Hz频段的信号层,作为新多维信号;(4)将新多维信号通过空间滤波器,提取出脑电信号的特征;(5)将特征输入到分类器中进行分类,根据分类准确率选取CSP中最优参数,利用最优参数下的脑电特征对不同运动想象任务下的脑电信号进行分类。本发明解决了普通多维经验模式分解算法模式混叠、计算效率低等问题,分解结果的可解释性更强,提高了脑电信号的分类准确率。
Description
技术领域
本发明属于生物医学工程及计算机领域,尤其是涉及一种基于快速多维经验模态分解的脑电信号分类方法。
背景技术
已有研究表明,人在对肢体动作想象时,与该动作相关的大脑运动皮层区域会发生与该动作实施时相似的电生理响应,诱发想象动作电位。肢体动作准备或规划时能够引起皮质运动中枢大量神经细胞的活动状态变化,导致脑电信号中某些频率成分的同步增强(事件相关同步,ERS)或同步减弱(事件相关去同步,ERD)。
脑电信号的分析在神经科学、心理学、生物医学等领域均发挥着非常重要的作用。由于脑电信号中噪声较多,原始脑电信号的信噪比低,可靠性差,如何提取脑电信号的特征成为脑电信号分析、分类最为核心的难点。
共空间模式(Common Spatial Pattern,CSP)方法被认为是提取运动想象脑电信号特征最有效的方法之一。其原理为利用代数上矩阵同时对角化的理论,寻找一组空间滤波器,使得在这组滤波器的作用下,一类信号的方差达到极大,另一类信号的方差达到极小,从而实现特征提取的目的。然而,CSP方法没有考虑EEG信号中的频率特性,而频率特性恰恰是EEG信号分类的重要依据。
共空间模式在空域对EEG信号有很好的滤波作用,利用时频分析方法对信号进行频率分解能在时域和频域同时对信号进行处理。运动想象脑电信号的ERD和ERS发生在特定区域的特定频段,所以结合共空间模式和信号分解就成为一种有效的针对运动想象脑电信号处理的方法。
最为常用的多维脑电信号分解方法为多维经验模态分解方法(MEMD),经过此方法,源信号被转化为包含了原脑电数据信号的不同时频尺度特征的固有模态函数(IMF),能够反映脑电数据在不同时频尺度上的特征。可同时对多通道数据进行分解,相比于单维的EMD算法能够避免各变量分解出的IMFs数、频率不匹配问题,但仍然存在模式混叠、计算效率随纬度的上升而急剧下降等问题。
基于以上背景,找到一种计算效率高、分类准确率高、适用于非平稳非线性低信噪比的脑电数据特征提取与分类方法,对于脑电数据分析有重大意义,对于进一步深入研究基于运动想象脑电的在线实时脑机交互控制系统有非常重要的实用价值。
发明内容
本发明提供了一种基于快速多维经验模态分解的脑电信号分类方法,解决了普通多维经验模式分解算法模式混叠、计算效率低等问题,分解结果的可解释性更强,很大程度上提高了脑电信号的分类准确率。
一种基于快速多维经验模态分解的脑电信号分类方法,包括以下步骤:
(1)采集若干组K个通路的脑电信号,每组脑电信号带有一个分类标签,对采集的信号进行预处理;
(2)对预处理后的每组K维信号通过FMEMD(快速多维经验模态)分解,得到全部的本征模态函数信号和趋势项;
(3)对每个本征模态函数信号的各个层进行频谱分析,选取平均功率谱集中在8~12Hz(Mu节律)及18~26Hz(Beta节律)频段的信号层,作为新多维信号;
(4)将选取的新多维信号通过空间滤波器CSP,提取出脑电信号的特征向量;
(5)将特征向量输入到分类器中进行分类,根据分类准确率选取CSP中最优参数,利用最优参数下的脑电特征对不同运动想象任务下的脑电信号进行分类。
利用本发明的方法,只需较少的电极就可以进行脑电信号的特征提取,并且可根据每个被试者脑电信号的特点,将信号自适应地分解成多个固有模态函数信号,最终完成不同运动想象任务下信号的有效分类。
步骤(1)的具体过程为:
(1-1)通过脑电采集装置采集若干组K个通路的脑电信号,每组脑电信号带有一个分类标签,共有两类标签;
(1-2)将采集到的信号通过巴特沃滋滤波器进行8~30Hz带通滤波,滤波后信号为:
x(t)=[x1(t),x2(t),…,xK(t)]∈RN×K
其中,N为样本点总数,K为通道数,t=1,2,…,N。
步骤(2)的具体过程为:
(2-1)对于预处理后的第一组K维信号xi(t),i=1,利用低差异序列生成K维空间内均匀分布的方向向量集合为通道数;
(2-2)依次计算K维信号x(t)沿着方向矢量的投影,得到K个投影函数
(2-3)使用标准EMD算法提取所有K个投影函数的第一层本征模函数
(2-4)结合全部的第一层本征模函数及其对应的方向向量通过求解以下超定方程得到K维的独立方向多维本征模函数idi(t):
(2-5)通过从当前输入信号减去独立方向多维本征模函数,得到低频的新序列s(t):
s(t)=y(t)-idi(t)
(2-6)如果s(t)变为单调,或者少于3个极值,则停止迭代过程并获得趋势项r(t)=s(t),本征模态函数信号层数M=i;否则,将输入更新为下一组K维信号xi(t),i=i+1,然后转回步骤(2-2);
(2-7)得到全部的本征模态函数信号和趋势项r(t)。
步骤(3)的具体过程为:
(3-1)对全部本征模态函数信号利用加权交叠平均法进行功率谱估计;
(3-2)计算全部本征模态函数信号中每个层的平均功率谱;
(3-3)绘制平均功率谱图,选取平均功率谱集中在8~12Hz及18~26Hz频段的信号层,组成为新的多维信号完成后续的特征提取操作。
步骤(4)的具体步骤为:
(4-1)计算两个分类标签脑电信号数据的规范平均空间协方差:
其中,对应动作想象的两类任务,每一类都包含有此类任务中所有的试验次数;Xi∈RN×K代表某一类运动想象的第i次实验采集到的数据;trace(A)表示矩阵A的对角元素之和;表示矩阵Xi的转置,为所求的规范化的平均空间协方差;
(4-2)计算混合空间协方差矩阵R,并对混合空间协方差矩阵进行特征值分解:
分别表示两类动作想象的平均规范化空间协方差,U0表示矩阵R分解后的特征向量矩阵,λ表示R分解后与U0对应的特征值的对角矩阵;
(4-3)求出白化特征值矩阵P:
(4-4)使用白化特征值矩阵P对两类动作想象任务的平均规范化空间方差分别进行白化处理:
对矩阵白化后可以去掉各个分量间的相关性,进行更好的源信号分离。
(4-5)对白化后的两类矩阵进行分解,求出共同的特征向量:
(4-6)使用和特征值有对应关系的共同的特征向量Us,设计空间投影矩阵W:
(4-7)利用共空间滤波器分别对两类信号进行投影卷积:
Zl=WXl,Zr=WXr
(4-8)选取投影后信号的前m行和后m行进行特征提取,得到特征向量:
Fc=[v1,v2,…,vj,…,v2m]
即两类运动想象脑电信号的特征向量分别为:
步骤(5)中,获取最优参数的具体过程为:
(5-1)将采集的数据按一定比例分为训练数据和测试数据,按照步骤(1)至步骤(4)提取不同m值下的特征向量;
(5-2)利用训练数据提取的特征向量输入利用RBF核函数的SVM分类器,通过十折交叉检验确定分类器模型参数;
(5-3)计算测试集数据分类准确率,选取准确率最高一组由步骤(4)得到的特征向量,记录对应的m值为最优参数。
与现有技术相比,本发明具有以下有益效果:
1、本发明的方法可同时处理多维度信号,分解不同频段的数据用于特征提取,同时保留不同通道间的关联信息。
2、本发明信号分解的频域特点更符合先验知识的频段要求。
3、本发明应用于实际脑电数据中,提取特征的分类效果准确率、计算效率均优于现有其他基于时频分析的特征提取算法。
4、本发明能够提取不同运动想象任务的脑电信号的特征,为进一步深入研究基于运动想象脑电的在线实时脑机交互控制系统提供算法基础。
附图说明
图1为本发明实施例TE过程及控制策略流程图;
图2为本发明方法的流程示意图;
图3为本发明实施例第一组实验数据经过FMEMD分解结果图;
图4为前四层本征模态函数信号的平均功率谱图。
具体实施方式
下面以BCI Competition IV的Data Set I的运动想象分类问题为例,对此基于快速多维经验模式分解的脑电信号分类方法的实施方案及效果加以阐述。本实施例在Matlab2017a仿真环境下进行。
BCI Competition IV的Data Set I数据由7名健康受试者(a~g)面对电脑屏幕的相应提示,执行左手/右手/脚运动想象中的两类,其中两名受试者选择左手/脚运动想象,另外五名受试者选择左手/右手运动想象。本实施例采用BCI Competition IV的Data SetI实验者g的数据。
每组数据均包含59个通道的EEG信号,执行200次实验,如图1所示,每次实验包含2s安静准备时间,4s的运动想象任务执行时间,2s的黑屏休息时间。信号采样频率为100Hz,经过0.05~200Hz的带通滤波。
如图2所示,一种基于快速多维经验模式分解的脑电信号分类方法,包括:
步骤1,对采集到的脑电信号进行预处理。选取59个通道中的4个通道C3、C4、CCP3、CCP4,通过巴特沃滋滤波器进行8~30Hz带通滤波,滤波后信号为x(t)=[x1(t),x2(t),x3(t),x4(t)]∈R800×4;其中样本点总数为800,通道数为4,t=1,2,…,800。
步骤2,对每次实验得到的多维信号通过FMEMD分解,得到本征模态函数信号和趋势项,其中第一组实验数据分解结果如图3所示。图中的四列分别代表四个通道;第一行展示经过滤波后的多维信号随时间变化的情况;第二行至第六行展示经过FMEMD分解得到频率从高至低排序的第一层至第五层信号;第七行展示经过FMEMD分解得到的趋势项。可以看出,四维时序信号经过FMEMD分解,被分解成了频率不同的多层四维时序信号。
步骤3,对各层本征模态函数信号利用加权交叠平均法进行功率谱估计,计算每组实验、每个通道的本征模态函数信号的平均各层功率谱,绘制平均功率谱图如图4所示,可见第一、第二层信号的频率分别集中在18~26Hz(对应Beta节律)频段及8~12Hz(对应Mu节律)频段附近,可以认为这两层信号能够表征较多的与运动想象相关的脑电信息。因此,选择四个通道的第一、第二层信号组成新的多维信号完成后续的特征提取操作。
步骤4,将选取出的新多维信号通过CSP空间滤波器,依次选取m=1,2,3,4,5,分别提取出脑电信号的特征向量。
步骤5,将200组实验数据中随机选取140组作为训练集,其余60组作为测试集。将训练集通过m=1,2,3,4,5得到的特征向量分别输入到利用RBF核函数的SVM分类器中进行分类,通过十折交叉检验确定最优分类器模型参数,计算不同m值得到的模型在测试集上的分类准确率如表1所示。
表1
从表中可以看出,m=5时为最优的特征提取方案,此运动想象脑电信号分类方法的准确率可达到91.7%。此时,分类器模型中其它参数也为最优值。分类准确率高于现有基于MEMD算法的脑电信号分类方法的准确率88.3%。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于快速多维经验模态分解的脑电信号分类方法,其特征在于,包括以下步骤:
(1)采集若干组K个通路的脑电信号,每组脑电信号带有一个分类标签,对采集的信号进行预处理;
(2)对预处理后的每组K维信号通过快速多维经验模态分解,得到全部的本征模态函数信号和趋势项;
(3)对每个本征模态函数信号的各个层进行频谱分析,选取平均功率谱集中在8~12Hz及18~26Hz频段的信号层,作为新多维信号;
(4)将选取的新多维信号通过空间滤波器CSP,提取出脑电信号的特征向量;
(5)将特征向量输入到分类器中进行分类,根据分类准确率选取CSP中最优参数,利用最优参数下的脑电特征对不同运动想象任务下的脑电信号进行分类。
2.根据权利要求1所述的基于快速多维经验模态分解的脑电信号分类方法,其特征在于,步骤(1)的具体过程为:
(1-1)通过脑电采集装置采集若干组K个通路的脑电信号,每组脑电信号带有一个分类标签,共有两类标签;
(1-2)将采集到的信号通过巴特沃滋滤波器进行8~30Hz带通滤波,滤波后信号为:
x(t)=[x1(t),x2(t),…,xK(t)]∈RN×K
其中,N为样本点总数,K为通道数,t=1,2,…,N。
3.根据权利要求1所述的基于快速多维经验模态分解的脑电信号分类方法,其特征在于,步骤(2)的具体过程为:
(2-1)对于预处理后的第一组K维信号xi(t),i=1,利用低差异序列生成K维空间内均匀分布的方向向量集合K为通道数;
(2-2)依次计算K维信号x(t)沿着方向矢量的投影,得到K个投影函数
(2-3)使用标准EMD算法提取所有K个投影函数的第一层本征模函数
(2-4)结合全部的第一层本征模函数及其对应的方向向量通过求解以下超定方程得到K维的独立方向多维本征模函数idi(t):
(2-5)通过从当前输入信号减去独立方向多维本征模函数,得到低频的新序列s(t):
s(t)=y(t)-idi(t)
(2-6)如果s(t)变为单调,或者少于3个极值,则停止迭代过程并获得趋势项r(t)=s(t),本征模态函数信号层数M=i;否则,将输入更新为下一组K维信号xi(t),i=i+1,然后转回步骤(2-2);
(2-7)得到全部的本征模态函数信号和趋势项r(t)。
4.根据权利要求1所述的基于快速多维经验模态分解的脑电信号分类方法,其特征在于,步骤(3)的具体过程为:
(3-1)对全部本征模态函数信号利用加权交叠平均法进行功率谱估计;
(3-2)计算全部本征模态函数信号中每个层的平均功率谱;
(3-3)绘制平均功率谱图,选取平均功率谱集中在8~12Hz及18~26Hz频段的信号层,组成为新的多维信号完成后续的特征提取操作。
5.根据权利要求1所述的基于快速多维经验模态分解的脑电信号分类方法,其特征在于,步骤(4)的具体步骤为:
(4-1)计算两个分类标签脑电信号数据的规范平均空间协方差:
其中,对应动作想象的两类任务,每一类都包含有此类任务中所有的试验次数;Xi∈RN×K代表某一类运动想象的第i次实验采集到的数据;trace(A)表示矩阵A的对角元素之和;表示矩阵Xi的转置,为所求的规范化的平均空间协方差;
(4-2)计算混合空间协方差矩阵R,并对混合空间协方差矩阵进行特征值分解:
分别表示两类动作想象的平均规范化空间协方差,U0表示矩阵R分解后的特征向量矩阵,λ表示R分解后与U0对应的特征值的对角矩阵;
(4-3)求出白化特征值矩阵P:
(4-4)使用白化特征值矩阵P对两类动作想象任务的平均规范化空间方差分别进行白化处理:
(4-5)对白化后的两类矩阵进行分解,求出共同的特征向量:
(4-6)使用和特征值有对应关系的共同的特征向量Us,设计空间投影矩阵W:
(4-7)利用共空间滤波器分别对两类信号进行投影卷积:
Zl=WXl,Zr=WXr
(4-8)选取投影后信号的前m行和后m行进行特征提取,得到两类运动想象脑电信号的特征向量分别为:
其中,
6.根据权利要求5所述的基于快速多维经验模态分解的脑电信号分类方法,其特征在于,步骤(5)中,获取最优参数的具体过程为:
(5-1)将采集的数据按一定比例分为训练数据和测试数据,按照步骤(1)至步骤(4)提取不同m值下的特征向量;
(5-2)利用训练数据提取的特征向量输入利用RBF核函数的SVM分类器,通过十折交叉检验确定分类器模型参数;
(5-3)计算测试集数据分类准确率,选取准确率最高一组由步骤(4)得到的特征向量,记录对应的m值为最优参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811577102.4A CN109480834A (zh) | 2018-12-20 | 2018-12-20 | 一种基于快速多维经验模态分解的脑电信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811577102.4A CN109480834A (zh) | 2018-12-20 | 2018-12-20 | 一种基于快速多维经验模态分解的脑电信号分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109480834A true CN109480834A (zh) | 2019-03-19 |
Family
ID=65711396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811577102.4A Pending CN109480834A (zh) | 2018-12-20 | 2018-12-20 | 一种基于快速多维经验模态分解的脑电信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109480834A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188836A (zh) * | 2019-06-21 | 2019-08-30 | 西安交通大学 | 一种基于变分自编码器的脑功能网络分类方法 |
CN111310656A (zh) * | 2020-02-13 | 2020-06-19 | 燕山大学 | 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 |
CN111760194A (zh) * | 2020-07-06 | 2020-10-13 | 杭州诺为医疗技术有限公司 | 一种智能闭环神经调控系统和方法 |
CN111990992A (zh) * | 2020-09-03 | 2020-11-27 | 山东中科先进技术研究院有限公司 | 一种基于脑电的自主运动意图识别方法及系统 |
CN112244877A (zh) * | 2020-10-15 | 2021-01-22 | 燕山大学 | 一种基于脑机接口的大脑意图识别方法及系统 |
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 |
CN113486794A (zh) * | 2021-07-06 | 2021-10-08 | 燕山大学 | 基于混合模型的运动想象脑电信号分类方法 |
CN113536882A (zh) * | 2021-03-08 | 2021-10-22 | 东北电力大学 | 一种多类运动想象脑电信号特征提取及分类方法 |
CN115105093A (zh) * | 2022-05-27 | 2022-09-27 | 同济大学 | 基于功率谱密度预确定频率带的eeg信号分类识别方法 |
Citations (2)
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 |
CN108573207A (zh) * | 2017-12-22 | 2018-09-25 | 南京邮电大学 | Emd和csp融合最优波长空间滤波脑电特征提取方法 |
-
2018
- 2018-12-20 CN CN201811577102.4A patent/CN109480834A/zh active Pending
Patent Citations (2)
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 |
CN108573207A (zh) * | 2017-12-22 | 2018-09-25 | 南京邮电大学 | Emd和csp融合最优波长空间滤波脑电特征提取方法 |
Non-Patent Citations (1)
Title |
---|
XUN LANG,ET AL: "Fast Multivariate Empirical Mode Decomposition", 《IEEE ACCESS》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188836A (zh) * | 2019-06-21 | 2019-08-30 | 西安交通大学 | 一种基于变分自编码器的脑功能网络分类方法 |
CN111310656A (zh) * | 2020-02-13 | 2020-06-19 | 燕山大学 | 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 |
CN111760194A (zh) * | 2020-07-06 | 2020-10-13 | 杭州诺为医疗技术有限公司 | 一种智能闭环神经调控系统和方法 |
CN111990992A (zh) * | 2020-09-03 | 2020-11-27 | 山东中科先进技术研究院有限公司 | 一种基于脑电的自主运动意图识别方法及系统 |
CN112244877A (zh) * | 2020-10-15 | 2021-01-22 | 燕山大学 | 一种基于脑机接口的大脑意图识别方法及系统 |
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 |
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 |
CN113536882A (zh) * | 2021-03-08 | 2021-10-22 | 东北电力大学 | 一种多类运动想象脑电信号特征提取及分类方法 |
CN113536882B (zh) * | 2021-03-08 | 2023-04-07 | 东北电力大学 | 一种多类运动想象脑电信号特征提取及分类方法 |
CN113486794A (zh) * | 2021-07-06 | 2021-10-08 | 燕山大学 | 基于混合模型的运动想象脑电信号分类方法 |
CN115105093A (zh) * | 2022-05-27 | 2022-09-27 | 同济大学 | 基于功率谱密度预确定频率带的eeg信号分类识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Esfahani et al. | Classification of primitive shapes using brain–computer interfaces | |
CN104771163B (zh) | 基于csp和r‑csp算法的脑电信号特征提取方法 | |
Yong et al. | Sparse spatial filter optimization for EEG channel reduction in brain-computer interface | |
Bentlemsan et al. | Random forest and filter bank common spatial patterns for EEG-based motor imagery classification | |
Cai et al. | Study on feature selection methods for depression detection using three-electrode EEG data | |
Miao et al. | A spatial-frequency-temporal optimized feature sparse representation-based classification method for motor imagery EEG pattern recognition | |
CN108937968B (zh) | 基于独立分量分析的情感脑电信号的导联选择方法 | |
Yang et al. | Subject-specific channel selection using time information for motor imagery brain–computer interfaces | |
CN112084879B (zh) | 一种运动想象脑电的块选择共空间模式特征提取方法 | |
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 | |
CN108042132A (zh) | 基于dwt和emd融合csp的脑电特征提取方法 | |
Mousa et al. | A novel brain computer interface based on principle component analysis | |
Moin et al. | Emotion recognition framework using multiple modalities for an effective human–computer interaction | |
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 | |
CN109770900A (zh) | 基于卷积神经网络的脑机接口指令下发方法、系统、装置 | |
CN113191395A (zh) | 一种基于双脑的多层次信息融合的目标检测方法 | |
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 | |
Mingai et al. | A novel EEG feature extraction method based on OEMD and CSP algorithm | |
CN109009098A (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
Li et al. | Feature selection method based on Menger curvature and LDA theory for a P300 brain–computer interface | |
CN114218986A (zh) | 基于eeg脑电信号数据的状态分类方法 | |
Mu et al. | A channel selection method for motor imagery EEG based on Fisher score of OVR-CSP | |
Xiaozhong et al. | Research on EEG signal preprocessing based on ICA fusion EMD | |
CN114587384A (zh) | 一种结合低秩表示与流形学习的运动想象脑电信号特征提取方法 |
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 |
Application publication date: 20190319 |
|
RJ01 | Rejection of invention patent application after publication |