CN109711383A - 基于时频域的卷积神经网络运动想象脑电信号识别方法 - Google Patents
基于时频域的卷积神经网络运动想象脑电信号识别方法 Download PDFInfo
- Publication number
- CN109711383A CN109711383A CN201910012447.3A CN201910012447A CN109711383A CN 109711383 A CN109711383 A CN 109711383A CN 201910012447 A CN201910012447 A CN 201910012447A CN 109711383 A CN109711383 A CN 109711383A
- Authority
- CN
- China
- Prior art keywords
- layer
- time
- frequency
- convolutional neural
- neural network
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000003340 mental effect Effects 0.000 title abstract 4
- 238000012706 support-vector machine Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims description 16
- 210000004556 brain Anatomy 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 239000012141 concentrate Substances 0.000 abstract 1
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明请求保护一种基于时频域的卷积神经网络运动想象脑电信号识别方法，包括以下步骤：S1，利用短时傅里叶变换将原始左右手运动想象脑电信号转换为二维时频图；S2，对得到的二维时频图设计了一种5层卷积神经网络结构，为了避免时间与频率信息的混杂，采取了一维卷积方式进行特征提取；S3，利用反向传播算法训练整个CNN网络；S4，以支持向量机作为整个模型的分类器，将支持向量机替换CNN中的输出层。本发明能够保证在脑电数据集中，提取的左右手运动想象脑电信号特征具有较高的识别率，鲁棒性好。
Description
技术领域
本发明属于脑电信号识别领域，特别是一种基于基于时频域的卷积神经网络运动想象脑电信号识别方法。
背景技术
当前在基于脑电信号(Electroencephalogram,EEG)的脑机接口(Brain ComputerInterface,BCI)研究主要集中于运动想象脑电信号方面，而BCI中信号如何进行特征提取的问题是最为重要的问题之一。运动想象是通过“想”的方式来产生相关信号，对运动想象的研究表明，单侧肢体运动或者想象运动会对波(8-13Hz)和波(14-30Hz)的节奏活动和功率谱产生抑制/增强的效果，即事件相关去同步/同步(ERD/ERS)现象。根据这一现象，迄今为止研究者们已经提出了许多特征提取方法，如AR模型(auto-regressive，自回归)、Wavelet变换、希尔伯特黄变换、CSP(Common Spatial Pattern，共同空间模式)等。近年来，卷积神经网络(Convolutional Neural Networks,CNN)在机器视觉、语音识别等领域被广泛应用，而在BCI领域仍处于起步阶段。相比于手工提取特征方法，CNN通过数据驱动的方式，提取抽象特征，减少了信息的损失，但是其对脑电信号的识别率有待进一步提升。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种提高脑电信号识别率的基于时频域的卷积神经网络运动想象脑电信号识别方法。本发明的技术方案如下：一种基于时频域的卷积神经网络运动想象脑电信号识别方法，其包括以下步骤：
S1、将原始左右手运动想象脑电信号的μ频带和β频带利用短时傅里叶变换转换为二维时频图；
S2、构建5层卷积神经网络结构，第一层为输入层，第二、三层为卷积层，第四层为全连接层，第五层为输出层，采取一维卷积方式进行特征提取；
S3、利用反向传播算法训练整个卷积神经网络；
S4、以支持向量机作为整个模型的分类器，将支持向量机替换CNN中的输出层。
进一步的，所述步骤S1脑原始左右手运动想象脑电信号数据为由C3、CZ和C4电极采集的左手和右手运动想象脑电数据。
进一步的，所述步骤S1运动想象脑电信号由C3、CZ和C4三个电极采集而成，设计了一种二维时频图作为CNN网络的输入，对每个电极采集到的2s长度脑电信号进行短时傅里叶变换：
其中，X(w,t)表示原始脑电信号，w()表示窗口函数，采用汉明窗，最终通过上式得257×32的时频图，其中STFT采用长度为64的汉明窗，对得到的时频图提取8-13Hz频带和17-30Hz频带，分别得到12×32和29×32的二维时频图，通过立方插值法将17-30Hz频带的时频图调整为12×32，最后，将三个电极的所有频带进行组合构成(3×2×12)×32大小的时频图。
进一步的，所述步骤S2的5层卷积神经网络结构分别为L1-L5层，具体如下：
L1：该层为神经网络的输入层，以预处理中得到的72×32时频图作为输入I；
L2：该层为卷积层，采用一维卷积核进行计算，在L2中使用了8个卷积核，卷积核大小设置为72×1，通过与输入数据进行卷积运算得8个对应的特征图，进行卷积第k个卷积核对应的特征图被定义为：
其中，表示特征图，i表示卷积核中每个单元的序号，其范围依据卷积核大小而定，j表示特征图中的第j个神经元，为72×1的卷积核，为偏置，f()表示激活函数，本网络模型以修正线性单元ReLU作为激活函数，以a为输入时该激活函数表示如下：
f(a)＝ReLU(a)＝ln(1+ea)
L3：该层为卷积层，对L2层中得到的8个特征图分别使用5个卷积核，卷积核大小为8×1，设置卷积步长与卷积核长度相同，经过映射后，该层可得40个特征图，每个特征图的大小为4×1，特征图表示为：
其中，为8×1的卷积核，为偏置；
L4：该层为全连接层，神经元个数为30个，其作用为连接所有特征，并将输出值送给分类器，计算方式为：
其中，为L3、L4两层神经元的连接权值，b4(j)为偏置；
L5：该层为输出层，神经元个数为2，代表左右手运动想象的二分类问题，其与L4层的所有神经元以全连接的形式相连接：
其中，w5(j)为L4与L5两层之间的连接权值，b5(j)为偏置。
进一步的，所述步骤S3中CNN的训练采用反向传播算法，具体包括：先前向计算每层输出，根据输出层的结果与标签反向计算误差，据此误差求权值和偏置的梯度，以此更新各个权值和偏置：
w(l)＝w(l)-α·δ(l+1)(a(l))T
b(l)＝b(l)-α·δ(l+1)
其中，w(l)与分别表示第l层的权值和偏置，δ(l+1)表示偏差，a表示输出值。
进一步的，所述步骤S4以支持向量机作为整个模型的分类器，将支持向量机替换CNN中的输出层，并以全连接层得到的特征作为支持向量机的输入，以支持向量机的输出作为脑电信号的识别结果。
本发明的优点及有益效果如下：
本发明基于时频域的卷积神经网络运动想象脑电信号识别方法通过对脑电信号的μ频带和β频带进行短时傅里叶变换构造了一种时频域二维图作为卷积神经网络的输入。其次，针对时频特性，通过一维卷积的方法设计了一种新颖的卷积神经网络结构，并通过支持向量机对提取的特征进行分类。通过与普通CNN方法和CSP及其衍生算法进行分析比较，结果表明，基于时频域的卷积神经网络运动想象脑电信号识别方法在小样本的情况下，能保持较高的识别率和稳定性，优于普通CNN和CSP及其衍生算法。
本发明提供了一种基于基于时频域的卷积神经网络运动想象脑电信号识别方法，传统CNN并未考虑到脑电信号含有丰富的时间和频率信息这一特点。为此，本文充分结合时间与频率信息，将经过STFT得到的时频图作为CNN的输入，并使用一维卷积进行特征提取,避免了时间与频率信息的混杂；此外，本文利用支持向量机(Support Vector Machine,SVM)在处理小样本分类时的良好特性，将经过CNN提取到的特征利用SVM分类器进行分类。通过在BCI竞赛数据集上的实验表明，本文方法的在9个受试者上的平均识别率达86.5％，优于其他方法；在单个受试者上的识别率最高可达98.3％，亦优于其他方法。
附图说明
图1是本发明提供优选实施例基于时频域的卷积神经网络运动想象脑电信号识别方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
本发明提供了一种基于基于时频域的卷积神经网络运动想象脑电信号识别方法，其包括以下步骤：
S1，运动想象脑电信号由C3、CZ和C4三个电极采集而成)，设计了一种二维时频图作为CNN网络的输入。对每个电极采集到的2s长度脑电信号进行短时傅里叶变换：
其中，X(w,t)表示原始脑电信号，w()表示窗口函数，在本发明中采用汉明窗，最终通过上式子可得257×32的时频图，其中STFT采用长度为64的汉明窗。为了更好的数据表示，对得到的时频图提取8-13Hz频带和17-30Hz频带，分别得到12×32和29×32的二维时频图。此外，为了保证两个频带的一致性，通过立方插值法将17-30Hz频带的时频图调整为12×32。最后，本文将三个电极的所有频带进行组合构成(3×2×12)×32大小的时频图(即72×32)。
S2，构建了一种新的CNN网络，该CNN网络由5层网络构成，第一层为输入层，第二、三层为卷积层，第四层为全连接层，第五层为输出层。各网络层结构具体如下：
L1：该层为神经网络的输入层，本文以预处理中得到的72×32时频图作为输入I。
L2：该层为卷积层。传统的CNN往往使用二维卷积核进行运算，以时频图作为CNN的输入时，由于其横纵坐标分别代表了时间与频率分量，这种传统的二维卷积核会使得提取的特征中混杂频率与时间信息，对提取到的特征十分不利。为了避免时频信息的混杂，本文采用一维卷积核进行计算。在L2中使用了8个卷积核，卷积核大小设置为72×1，其通过与输入数据进行卷积运算可得8个对应的特征图，进行卷积第k个卷积核对应的特征图被定义为：
其中，i表示卷积核中每个单元的序号，其范围依据卷积核大小而定，下同；j表示特征图中的第j个神经元，为72×1的卷积核，为偏置，f()表示激活函数，本网络模型以修正线性单元ReLU作为激活函数，以a为输入时该激活函数表示如下：
f(a)＝ReLU(a)＝ln(1+ea)
L3：该层为卷积层。对L2层中得到的8个特征图分别使用5个卷积核，卷积核大小为8×1。为了减小过拟合的风险，该层设置卷积步长与卷积核长度相同以减少参数。经过映射后，该层可得40个特征图，每个特征图的大小为4×1。与L2层计算方式类似，特征图可表示为：
其中，为8×1的卷积核，为偏置。
L4：该层为全连接层，神经元个数为30个，其作用为连接所有特征，并将输出值送给分类器。计算方式为：
其中，为L3、L4两层神经元的连接权值，b4(j)为偏置。
L5：该层为输出层，神经元个数为2，代表左右手运动想象的二分类问题。其与L4层的所有神经元以全连接的形式相连接：
其中，w5(j)为L4与L5两层之间的连接权值，b5(j)为偏置。
S3，CNN的训练主要采用反向传播算法，即先前向计算每层输出，根据输出层的结果与标签反向计算误差，据此误差求权值和偏置的梯度，以此更新各个权值和偏置。
w(l)＝w(l)-α·δ(l+1)(a(l))T
b(l)＝b(l)-α·δ(l+1)
其中，w(l)与分别表示第l层的权值和偏置，δ(l+1)表示偏差，a表示输出值。
S4，将SVM替换原始CNN中的输出层，并以全连接层得到的特征作为SVM的输入。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (6)
1.一种基于时频域的卷积神经网络运动想象脑电信号识别方法，其特征在于，包括以下步骤：
S1、将原始左右手运动想象脑电信号的μ频带和β频带利用短时傅里叶变换转换为二维时频图；
S2、构建5层卷积神经网络结构，第一层为输入层，第二、三层为卷积层，第四层为全连接层，第五层为输出层，采取一维卷积方式进行特征提取；
S3、利用反向传播算法训练整个卷积神经网络；
S4、以支持向量机作为整个模型的分类器，将支持向量机替换CNN中的输出层。
2.根据权利要求1所述的基于时频域的卷积神经网络运动想象脑电信号识别方法，其特征在于，所述步骤S1脑原始左右手运动想象脑电信号数据为由C3、CZ和C4电极采集的左手和右手运动想象脑电数据。
3.根据权利要求2所述的基于时频域的卷积神经网络运动想象脑电信号识别方法，其特征在于，所述步骤S1运动想象脑电信号由C3、CZ和C4三个电极采集而成，设计了一种二维时频图作为CNN网络的输入，对每个电极采集到的2s长度脑电信号进行短时傅里叶变换：
其中，X(w,t)表示原始脑电信号，w()表示窗口函数，采用汉明窗，最终通过上式得257×32的时频图，其中STFT采用长度为64的汉明窗，对得到的时频图提取8-13Hz频带和17-30Hz频带，分别得到12×32和29×32的二维时频图，通过立方插值法将17-30Hz频带的时频图调整为12×32，最后，将三个电极的所有频带进行组合构成(3×2×12)×32大小的时频图。
4.根据权利要求3所述的基于时频域的卷积神经网络运动想象脑电信号识别方法，其特征在于，所述步骤S2的5层卷积神经网络结构分别为L1-L5层，具体如下：
L1：该层为神经网络的输入层，以预处理中得到的72×32时频图作为输入I；
L2：该层为卷积层，采用一维卷积核进行计算，在L2中使用了8个卷积核，卷积核大小设置为72×1，通过与输入数据进行卷积运算得8个对应的特征图，进行卷积第k个卷积核对应的特征图被定义为：
其中，表示特征图，i表示卷积核中每个单元的序号，其范围依据卷积核大小而定，j表示特征图中的第j个神经元，为72×1的卷积核，为偏置，f()表示激活函数，本网络模型以修正线性单元ReLU作为激活函数，以a为输入时该激活函数表示如下：
f(a)＝ReLU(a)＝ln(1+ea)
L3：该层为卷积层，对L2层中得到的8个特征图分别使用5个卷积核，卷积核大小为8×1，设置卷积步长与卷积核长度相同，经过映射后，该层可得40个特征图，每个特征图的大小为4×1，特征图表示为：
其中，为8×1的卷积核，为偏置；
L4：该层为全连接层，神经元个数为30个，其作用为连接所有特征，并将输出值送给分类器，计算方式为：
其中，为L3、L4两层神经元的连接权值，b4(j)为偏置；
L5：该层为输出层，神经元个数为2，代表左右手运动想象的二分类问题，其与L4层的所有神经元以全连接的形式相连接：
其中，w5(j)为L4与L5两层之间的连接权值，b5(j)为偏置。
5.根据权利要求4所述的基于时频域的卷积神经网络运动想象脑电信号识别方法，其特征在于，所述步骤S3中CNN的训练采用反向传播算法，具体包括：先前向计算每层输出，根据输出层的结果与标签反向计算误差，据此误差求权值和偏置的梯度，以此更新各个权值和偏置：
w(l)＝w(l)-α·δ(l+1)(a(l))T
b(l)＝b(l)-α·δ(l+1)
其中，w(l)与分别表示第l层的权值和偏置，δ(l+1)表示偏差，a表示输出值。
6.根据权利要求5所述的基于时频域的卷积神经网络运动想象脑电信号识别方法，其特征在于，所述步骤S4以支持向量机作为整个模型的分类器，将支持向量机替换CNN中的输出层，并以全连接层得到的特征作为支持向量机的输入，以支持向量机的输出作为脑电信号的识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910012447.3A CN109711383B (zh) | 2019-01-07 | 2019-01-07 | 基于时频域的卷积神经网络运动想象脑电信号识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910012447.3A CN109711383B (zh) | 2019-01-07 | 2019-01-07 | 基于时频域的卷积神经网络运动想象脑电信号识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109711383A true CN109711383A (zh) | 2019-05-03 |
| CN109711383B CN109711383B (zh) | 2023-03-31 |
Family
ID=66260944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910012447.3A Active CN109711383B (zh) | 2019-01-07 | 2019-01-07 | 基于时频域的卷积神经网络运动想象脑电信号识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109711383B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110192864A (zh) * | 2019-06-12 | 2019-09-03 | 北京交通大学 | 一种跨域心电图生物特征身份识别方法 |
| CN110598628A (zh) * | 2019-09-11 | 2019-12-20 | 南京邮电大学 | 一种基于集成深度学习的肌电信号手部运动识别方法 |
| CN110674738A (zh) * | 2019-09-23 | 2020-01-10 | 长沙理工大学 | 一种左右手脑电信号识别方法及相关装置 |
| CN111000557A (zh) * | 2019-12-06 | 2020-04-14 | 天津大学 | 一种应用于减压颅骨术后的无创脑电信号分析系统 |
| CN111184511A (zh) * | 2020-02-04 | 2020-05-22 | 西安交通大学 | 一种基于注意力机制和卷积神经网络的脑电信号分类方法 |
| CN111783857A (zh) * | 2020-06-18 | 2020-10-16 | 内蒙古工业大学 | 基于非线性网络信息图的运动想象脑机接口 |
| CN111882036A (zh) * | 2020-07-22 | 2020-11-03 | 广州大学 | 卷积神经网络训练方法、脑电信号识别方法、装置和介质 |
| CN111898469A (zh) * | 2020-07-09 | 2020-11-06 | 西北大学 | 一种基于缩放卷积层的信号时频特征提取方法及装置 |
| CN111938691A (zh) * | 2020-08-18 | 2020-11-17 | 中国科学院声学研究所 | 一种基础心音识别方法及设备 |
| CN112120694A (zh) * | 2020-08-19 | 2020-12-25 | 中国地质大学（武汉） | 一种基于神经网络的运动想象脑电信号分类方法 |
| CN112244878A (zh) * | 2020-08-31 | 2021-01-22 | 北京工业大学 | 用并联型多模块cnn和lstm识别关键频带图像序列的方法 |
| CN112732092A (zh) * | 2021-01-22 | 2021-04-30 | 河北工业大学 | 基于双视图多尺度卷积神经网络的表面肌电信号识别方法 |
| CN112799505A (zh) * | 2020-12-21 | 2021-05-14 | 杭州电子科技大学 | 一种基于脑电信号的音乐音调想象区分方法 |
| CN114081506A (zh) * | 2021-09-23 | 2022-02-25 | 西安交通大学 | 一种基于长短期记忆网络的稳态视觉诱发电位分类方法 |
| CN114492500A (zh) * | 2021-12-07 | 2022-05-13 | 浙江工业大学 | 基于一维卷积核的运动想象脑电信号分类方法 |
| CN114578963A (zh) * | 2022-02-23 | 2022-06-03 | 华东理工大学 | 一种基于特征可视化和多模态融合的脑电身份识别方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101732110A (zh) * | 2009-11-19 | 2010-06-16 | 杭州电子科技大学 | 用于手部动作识别的脑电和肌电信号混沌特征融合方法 |
| US20150046156A1 (en) * | 2012-03-16 | 2015-02-12 | Yale University | System and Method for Anomaly Detection and Extraction |
| US20150088024A1 (en) * | 2012-03-19 | 2015-03-26 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
| CN104473635A (zh) * | 2014-12-16 | 2015-04-01 | 重庆邮电大学 | 混合小波和共同空间模式的左右手运动想象脑电信号特征提取方法 |
| CN104887224A (zh) * | 2015-05-29 | 2015-09-09 | 北京航空航天大学 | 面向癫痫脑电信号的特征提取与自动识别方法 |
| CN106821681A (zh) * | 2017-02-27 | 2017-06-13 | 浙江工业大学 | 一种基于运动想象的上肢外骨骼控制方法及系统 |
| CN107799165A (zh) * | 2017-09-18 | 2018-03-13 | 华南理工大学 | 一种基于虚拟现实技术的心理评估方法 |
| CN207101480U (zh) * | 2017-02-27 | 2018-03-16 | 浙江工业大学 | 基于运动想象的上肢外骨骼控制系统 |
| CN107844755A (zh) * | 2017-10-23 | 2018-03-27 | 重庆邮电大学 | 一种结合dae和cnn的脑电信号特征提取与分类方法 |
| CN108256629A (zh) * | 2018-01-17 | 2018-07-06 | 厦门大学 | 基于卷积网络和自编码的eeg信号无监督特征学习方法 |
| CN108446020A (zh) * | 2018-02-28 | 2018-08-24 | 天津大学 | 融合可视图与深度学习的运动想象意念控制方法及应用 |
| CN108776788A (zh) * | 2018-06-05 | 2018-11-09 | 电子科技大学 | 一种基于脑电波的识别方法 |
| CN108875580A (zh) * | 2018-05-15 | 2018-11-23 | 杭州电子科技大学 | 一种基于因效网络的多类运动想象脑电信号识别方法 |
| CN108926349A (zh) * | 2017-05-24 | 2018-12-04 | 上海交通大学 | 基于脑电alpha波的日常睡眠开始时期检测方法 |
-
2019
- 2019-01-07 CN CN201910012447.3A patent/CN109711383B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101732110A (zh) * | 2009-11-19 | 2010-06-16 | 杭州电子科技大学 | 用于手部动作识别的脑电和肌电信号混沌特征融合方法 |
| US20150046156A1 (en) * | 2012-03-16 | 2015-02-12 | Yale University | System and Method for Anomaly Detection and Extraction |
| US20150088024A1 (en) * | 2012-03-19 | 2015-03-26 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
| CN104473635A (zh) * | 2014-12-16 | 2015-04-01 | 重庆邮电大学 | 混合小波和共同空间模式的左右手运动想象脑电信号特征提取方法 |
| CN104887224A (zh) * | 2015-05-29 | 2015-09-09 | 北京航空航天大学 | 面向癫痫脑电信号的特征提取与自动识别方法 |
| CN106821681A (zh) * | 2017-02-27 | 2017-06-13 | 浙江工业大学 | 一种基于运动想象的上肢外骨骼控制方法及系统 |
| CN207101480U (zh) * | 2017-02-27 | 2018-03-16 | 浙江工业大学 | 基于运动想象的上肢外骨骼控制系统 |
| CN108926349A (zh) * | 2017-05-24 | 2018-12-04 | 上海交通大学 | 基于脑电alpha波的日常睡眠开始时期检测方法 |
| CN107799165A (zh) * | 2017-09-18 | 2018-03-13 | 华南理工大学 | 一种基于虚拟现实技术的心理评估方法 |
| CN107844755A (zh) * | 2017-10-23 | 2018-03-27 | 重庆邮电大学 | 一种结合dae和cnn的脑电信号特征提取与分类方法 |
| CN108256629A (zh) * | 2018-01-17 | 2018-07-06 | 厦门大学 | 基于卷积网络和自编码的eeg信号无监督特征学习方法 |
| CN108446020A (zh) * | 2018-02-28 | 2018-08-24 | 天津大学 | 融合可视图与深度学习的运动想象意念控制方法及应用 |
| CN108875580A (zh) * | 2018-05-15 | 2018-11-23 | 杭州电子科技大学 | 一种基于因效网络的多类运动想象脑电信号识别方法 |
| CN108776788A (zh) * | 2018-06-05 | 2018-11-09 | 电子科技大学 | 一种基于脑电波的识别方法 |
Non-Patent Citations (6)
| Title |
|---|
| GELIANG TIAN: "Study on Classification of Left-Right Hands Motor Imagery EEG Signals Based on CNN", 《IEEE XPLORE》 * |
| ZHANGFANG HU: "Human limb motion real-time tracking based on CamShift for intelligent rehabilitation system", 《IEEE XPLORE》 * |
| 周仲兴: "复合下肢想象动作电位的特征识别新技术研究", 《CNKI中国知网》 * |
| 唐智川: "基于深度卷积神经网络的运动想象分类及其在脑控外骨骼中的应用", 《计算机学报》 * |
| 梁静坤: "《基于想象驾驶行为的脑机接口控制》", 31 December 2015 * |
| 范明莉: "基于卷积神经网络的运动想象脑电信号特征提取与分类", 《CNKI中国知网》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110192864A (zh) * | 2019-06-12 | 2019-09-03 | 北京交通大学 | 一种跨域心电图生物特征身份识别方法 |
| CN110598628A (zh) * | 2019-09-11 | 2019-12-20 | 南京邮电大学 | 一种基于集成深度学习的肌电信号手部运动识别方法 |
| CN110598628B (zh) * | 2019-09-11 | 2022-08-02 | 南京邮电大学 | 一种基于集成深度学习的肌电信号手部运动识别方法 |
| CN110674738A (zh) * | 2019-09-23 | 2020-01-10 | 长沙理工大学 | 一种左右手脑电信号识别方法及相关装置 |
| CN111000557A (zh) * | 2019-12-06 | 2020-04-14 | 天津大学 | 一种应用于减压颅骨术后的无创脑电信号分析系统 |
| CN111184511A (zh) * | 2020-02-04 | 2020-05-22 | 西安交通大学 | 一种基于注意力机制和卷积神经网络的脑电信号分类方法 |
| CN111783857A (zh) * | 2020-06-18 | 2020-10-16 | 内蒙古工业大学 | 基于非线性网络信息图的运动想象脑机接口 |
| CN111898469A (zh) * | 2020-07-09 | 2020-11-06 | 西北大学 | 一种基于缩放卷积层的信号时频特征提取方法及装置 |
| CN111898469B (zh) * | 2020-07-09 | 2024-04-26 | 西北大学 | 一种基于缩放卷积层的信号时频特征提取方法及装置 |
| CN111882036A (zh) * | 2020-07-22 | 2020-11-03 | 广州大学 | 卷积神经网络训练方法、脑电信号识别方法、装置和介质 |
| CN111882036B (zh) * | 2020-07-22 | 2023-10-31 | 广州大学 | 卷积神经网络训练方法、脑电信号识别方法、装置和介质 |
| CN111938691A (zh) * | 2020-08-18 | 2020-11-17 | 中国科学院声学研究所 | 一种基础心音识别方法及设备 |
| CN112120694A (zh) * | 2020-08-19 | 2020-12-25 | 中国地质大学（武汉） | 一种基于神经网络的运动想象脑电信号分类方法 |
| CN112120694B (zh) * | 2020-08-19 | 2021-07-13 | 中国地质大学（武汉） | 一种基于神经网络的运动想象脑电信号分类方法 |
| CN112244878A (zh) * | 2020-08-31 | 2021-01-22 | 北京工业大学 | 用并联型多模块cnn和lstm识别关键频带图像序列的方法 |
| CN112244878B (zh) * | 2020-08-31 | 2023-08-04 | 北京工业大学 | 用并联型多模块cnn和lstm识别关键频带图像序列的方法 |
| CN112799505B (zh) * | 2020-12-21 | 2022-08-26 | 杭州电子科技大学 | 一种基于脑电信号的音乐音调想象区分方法 |
| CN112799505A (zh) * | 2020-12-21 | 2021-05-14 | 杭州电子科技大学 | 一种基于脑电信号的音乐音调想象区分方法 |
| CN112732092A (zh) * | 2021-01-22 | 2021-04-30 | 河北工业大学 | 基于双视图多尺度卷积神经网络的表面肌电信号识别方法 |
| CN114081506A (zh) * | 2021-09-23 | 2022-02-25 | 西安交通大学 | 一种基于长短期记忆网络的稳态视觉诱发电位分类方法 |
| CN114492500A (zh) * | 2021-12-07 | 2022-05-13 | 浙江工业大学 | 基于一维卷积核的运动想象脑电信号分类方法 |
| CN114578963A (zh) * | 2022-02-23 | 2022-06-03 | 华东理工大学 | 一种基于特征可视化和多模态融合的脑电身份识别方法 |
| CN114578963B (zh) * | 2022-02-23 | 2024-04-05 | 华东理工大学 | 一种基于特征可视化和多模态融合的脑电身份识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109711383B (zh) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711383B (zh) | 基于时频域的卷积神经网络运动想象脑电信号识别方法 | |
| CN111012336B (zh) | 时空特征融合的并行卷积网络运动想象脑电图分类方法 | |
| Roy | Adaptive transfer learning-based multiscale feature fused deep convolutional neural network for EEG MI multiclassification in brain–computer interface | |
| Huang et al. | Accurate classification of ECG arrhythmia using MOWPT enhanced fast compression deep learning networks | |
| Xia et al. | A novel improved deep convolutional neural network model for medical image fusion | |
| CN110288018B (zh) | 一种融合深度学习模型的WiFi身份识别方法 | |
| Shovon et al. | Classification of motor imagery EEG signals with multi-input convolutional neural network by augmenting STFT | |
| CN105654037B (zh) | 一种基于深度学习和特征图像的肌电信号手势识别方法 | |
| Jang et al. | EEG-based video identification using graph signal modeling and graph convolutional neural network | |
| Yang et al. | SDDC-Net: A U-shaped deep spiking neural P convolutional network for retinal vessel segmentation | |
| CN113951900B (zh) | 一种基于多模态信号的运动想象意图识别方法 | |
| CN105844285A (zh) | 基于图像信息的黄瓜病害识别方法及装置 | |
| CN111898526B (zh) | 基于多流卷积神经网络的肌电手势识别方法 | |
| Karheily et al. | sEMG time–frequency features for hand movements classification | |
| Liao et al. | Effects of local and global spatial patterns in EEG motor-imagery classification using convolutional neural network | |
| CN111797674B (zh) | 基于特征融合和粒子群优化算法的mi脑电信号识别方法 | |
| CN111053552B (zh) | 一种基于深度学习的qrs波检测方法 | |
| Zhu et al. | FM-FCN: a neural network with filtering modules for accurate vital signs extraction | |
| CN113476056B (zh) | 一种基于频域图卷积神经网络的运动想象脑电信号分类方法 | |
| CN114692682A (zh) | 一种基于图嵌入表示的运动想象分类方法及系统 | |
| Dang et al. | Motor imagery EEG recognition based on generative and discriminative adversarial learning framework and hybrid scale convolutional neural network | |
| CN113128384B (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
| Li et al. | A novel motor imagery EEG recognition method based on deep learning | |
| CN112446307A (zh) | 基于局部约束的非负矩阵分解的心电身份识别方法及系统 | |
| Jagannath et al. | A novel Bayesian deep learning methodology for enhanced foetal cardiac signal mining |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240424 Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee after: Shenzhen Hongyue Information Technology Co.,Ltd. Country or region after: China Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240429 Address after: No. 101, Unit 6, 18th Floor, Zone 2, Tianbao Garden, Tianbao West Road, Yizhuang, Daxing District, Beijing, 102600 Patentee after: Zheng Xiaohai Country or region after: China Address before: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee before: Shenzhen Hongyue Information Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |