CN110109543A - 基于被试迁移的c-VEP识别方法 - Google Patents

基于被试迁移的c-VEP识别方法 Download PDF

Info

Publication number
CN110109543A
CN110109543A CN201910358854.XA CN201910358854A CN110109543A CN 110109543 A CN110109543 A CN 110109543A CN 201910358854 A CN201910358854 A CN 201910358854A CN 110109543 A CN110109543 A CN 110109543A
Authority
CN
China
Prior art keywords
subject
vep
task
tested
source
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
Application number
CN201910358854.XA
Other languages
English (en)
Other versions
CN110109543B (zh
Inventor
黄志华
王益文
彭发强
杨雪
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN201910358854.XA priority Critical patent/CN110109543B/zh
Publication of CN110109543A publication Critical patent/CN110109543A/zh
Application granted granted Critical
Publication of CN110109543B publication Critical patent/CN110109543B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Human Computer Interaction (AREA)
  • Neurosurgery (AREA)
  • Neurology (AREA)
  • Dermatology (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (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被试迁移的c‑VEP识别方法，涉及脑电信号中的c‑VEP识别问题。识别c‑VEP是实现脑机接口的一种方式，本方法采用迁移学习的思想，从已有的大规模数据集合中挑选被试模型为新被试建构识别模型，从而大幅降低为新被试收集训练数据的时间，提高建构c‑VEP识别模型的效率。具体做法为：采集少量的新被试任务态脑电信号，在大规模数据集合中检索与新被试任务态脑电特征相似的源被试，把挑选出的源被试所对应的识别模型按相似程度加权融合为针对新被试的识别模型。

Description

基于被试迁移的c-VEP识别方法
技术领域
本发明涉及与视觉诱发电位相关的脑机接口技术领域，与机器学习领域中的迁移学习的关系特别密切。
背景技术
基于视觉诱发电位的脑机接口是一种性能较可靠的脑机接口技术，常见的实现范式包括基于稳态视觉诱发电位(SSVEP)的范式和基于编码视觉诱发电位(c-VEP)的范式。本发明针对c-VEP范式的脑机接口提出了基于迁移学习的识别方法，可以大幅减少采集训练数据的时间，减轻被试负担，提高此类脑机接口技术的实现效率。
发明内容
有鉴于此，本发明的目的是提出一种基于被试迁移的c-VEP识别方法，能够大幅降低为新被试收集训练数据的时间，提高建构c-VEP识别模型的效率。
本发明采用以下方案实现：构建一个大规模c-VEP任务脑电数据集合，每当遇到新被试时仅采集少量的c-VEP任务脑电信号，再比较数据集合中源被试与新被试关于c-VEP任务脑电信号的相似性，依据相似性确定各个源被试的权重，用权重把相关源被试的识别模型融合为一个针对新被试的识别模型。
进一步地，所述构建一个大规模c-VEP任务脑电数据集合具体为：所有源被试都执行相同的c-VEP任务，采集源被试执行任务期间的脑电信号，对脑电信号进行任务标识和规范化处理后形成与每个源被试对应的脑电数据子集，在每个子集上训练一个识别模型，大规模c-VEP任务脑电数据集合由所有的源被试所对应的脑电数据子集和识别模型共同组成。
进一步地，所述所述的每当遇到新被试时仅采集少量的c-VEP任务脑电信号，其含义是：每当遇到新被试时，要求新被试执行与源被试一样的c-VEP任务，采集新被试执行任务期间的脑电信号；但是为了节省时间，仅采集少量的脑电信号，不足以训练新被试的c-VEP识别模型。
进一步地，所述再比较数据集合中源被试与新被试关于c-VEP任务脑电信号的相似性，其中的计算相似性的具体方法为：
令矩阵Xi＝[x1,x2,…,xN],i＝1,…,C代表一个源被试的脑电信号，从大规模c-VEP任务脑电数据集合取出该被试对应的脑电数据子集，将第i类c-VEP任务对应的脑电信号叠加平均得到，x1,x2,…,xN分别对应N个导联；将Xi转化为向量形式xi＝[x′1,x′2,…,x′N]′,i＝1,…,C，再把对应C个类的向量拼接为一个向量x＝[x′1,x′2,…,x′C]′；
同样地，令矩阵Yi＝[y1,y2,…,yN],i＝1,…,C代表新被试的脑电信号，将新被试执行第i类c-VEP任务对应的脑电信号叠加平均得到，y1,y2,…,yN分别对应N个导联；将Yi转化为向量形式yi＝[y′1,y′2,…,y′N]′,i＝1,…,C，再把对应C个类的向量拼接为一个向量y＝[y′1,y′2,…,y′C]′；
计算向量x和y的相关系数作为该源被试与新被试的相似性度量。
进一步地，所述依据相似性确定各个源被试的权重，具体方法为：
依据相似性，从大到小排序源被试，取前M个被试，为每个被试分配权重λi,i＝1,…,M，其中M,k,l为参数，可在实施过程中设定。
进一步地，所述用权重把相关源被试的识别模型融合为一个针对新被试的识别模型，具体方法为：
令f1(·),…,fM(·)代表依相似性度量挑选出的与新被试最相似的M个源被试的识别模型，针对新被试的识别模型为
与现有技术相比，本发明有以下有益效果：本发明应用于与视觉诱发电位相关的脑机接口的实验中，能够大幅降低为新被试收集训练数据的时间，提高建构c-VEP识别模型的效率。
附图说明
图1为本发明实施例的原理示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了基于被试迁移的c-VEP识别方法，构建一个大规模c-VEP任务脑电数据集合，每当遇到新被试时仅采集少量的c-VEP任务脑电信号，再比较数据集合中源被试与新被试关于c-VEP任务脑电信号的相似性，依据相似性确定各个源被试的权重，用权重把相关源被试的识别模型融合为一个针对新被试的识别模型。
在本实施例中，所述构建一个大规模c-VEP任务脑电数据集合具体为：所有源被试都执行相同的c-VEP任务，采集源被试执行任务期间的脑电信号，对脑电信号进行任务标识和规范化处理后形成与每个源被试对应的脑电数据子集，在每个子集上训练一个识别模型，大规模c-VEP任务脑电数据集合由所有的源被试所对应的脑电数据子集和识别模型共同组成。
在本实施例中，所述所述的每当遇到新被试时仅采集少量的c-VEP任务脑电信号，其含义是：每当遇到新被试时，要求新被试执行与源被试一样的c-VEP任务，采集新被试执行任务期间的脑电信号；但是为了节省时间，仅采集少量的脑电信号，不足以训练新被试的c-VEP识别模型。
在本实施例中，所述再比较数据集合中源被试与新被试关于c-VEP任务脑电信号的相似性，其中的计算相似性的具体方法为：
令矩阵Xi＝[x1,x2,…,xN],i＝1,…,C代表一个源被试的脑电信号，从大规模c-VEP任务脑电数据集合取出该被试对应的脑电数据子集，将第i类c-VEP任务对应的脑电信号叠加平均得到，x1,x2,…,xN分别对应N个导联；将Xi转化为向量形式xi＝[x′1,x′2,…,x′N]′,i＝1,…,C，再把对应C个类的向量拼接为一个向量x＝[x′1,x′2,…,x′C]′；
同样地，令矩阵Yi＝[y1,y2,…,yN],i＝1,…,C代表新被试的脑电信号，将新被试执行第i类c-VEP任务对应的脑电信号叠加平均得到，y1,y2,…,yN分别对应N个导联；将Yi转化为向量形式yi＝[y′1,y′2,…,y′N]′,i＝1,…,C，再把对应C个类的向量拼接为一个向量y＝[y′1,y′2,…,y′C]′；
计算向量x和y的相关系数作为该源被试与新被试的相似性度量。
在本实施例中，所述依据相似性确定各个源被试的权重，具体方法为：
依据相似性，从大到小排序源被试，取前M个被试，为每个被试分配权重λi,i＝1,…,M，其中M,k,l为参数，可在实施过程中设定。
在本实施例中，所述用权重把相关源被试的识别模型融合为一个针对新被试的识别模型，具体方法为：
令f1(·),…,fM(·)代表依相似性度量挑选出的与新被试最相似的M个源被试的识别模型，针对新被试的识别模型为
如图1所示，本实施例通过采集少量的新被试训练数据集，在大规模数据集合中检索与新被试任务态脑电特征相似的源被试，然后把挑选出的源被试所对应的识别模型按相似程度加权融合为针对新被试的识别模型。在线实验前，直接将针对新被试的识别模型加载到在线实验系统中。在线实验时，用此模型实时处理新被试的任务态脑电信号，得到识别结果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (6)

1.基于被试迁移的c-VEP识别方法，其特征在于：构建一个大规模c-VEP任务脑电数据集合，每当遇到新被试时仅采集少量的c-VEP任务脑电信号，再比较数据集合中源被试与新被试关于c-VEP任务脑电信号的相似性，依据相似性确定各个源被试的权重，用权重把相关源被试的识别模型融合为一个针对新被试的识别模型。
2.根据权利要求1所述的基于被试迁移的c-VEP识别方法，其特征在于，所述构建一个大规模c-VEP任务脑电数据集合具体为：所有源被试都执行相同的c-VEP任务，采集源被试执行任务期间的脑电信号，对脑电信号进行任务标识和规范化处理后形成与每个源被试对应的脑电数据子集，在每个子集上训练一个识别模型，大规模c-VEP任务脑电数据集合由所有的源被试所对应的脑电数据子集和识别模型共同组成。
3.根据权利要求1所述的基于被试迁移的c-VEP识别方法，其特征在于，所述的每当遇到新被试时仅采集少量的c-VEP任务脑电信号，具体为：每当遇到新被试时，仅要求新被试执行少量的与源被试一样的c-VEP任务，采集新被试执行任务期间的脑电信号。
4.根据权利要求1所述的基于被试迁移的c-VEP识别方法，其特征在于，所述的再比较数据集合中源被试与新被试关于c-VEP任务脑电信号的相似性，其中的计算相似性的具体方法为：
令矩阵Xi＝[x1,x2,…,xN],i＝1,…,C代表一个源被试的脑电信号，从大规模c-VEP任务脑电数据集合取出该被试对应的脑电数据子集，将第i类c-VEP任务对应的脑电信号叠加平均得到，x1,x2,…,xN分别对应N个导联；将Xi转化为向量形式xi＝[x′1,x′2,…,x′N]′,i＝1,…,C，再把对应C个类的向量拼接为一个向量x＝[x′1,x′2,…,x′C]′；
同样地，令矩阵Yi＝[y1,y2,…,yN],i＝1,…,C代表新被试的脑电信号，将新被试执行第i类c-VEP任务对应的脑电信号叠加平均得到，y1,y2,…,yN分别对应N个导联；将Yi转化为向量形式yi＝[y′1,y′2,…,y′N]′,i＝1,…,C，再把对应C个类的向量拼接为一个向量y＝[y′1,y′2,…,y′C]′；
计算向量x和y的相关系数作为该源被试与新被试的相似性度量。
5.根据权利要求1所述的基于被试迁移的c-VEP识别方法，其特征在于，所述依据相似性确定各个源被试的权重，具体方法为：
依据相似性，从大到小排序源被试，取前M个被试，为每个被试分配权重λi,i＝1,…,M，其中M,k,l为参数。
6.根据权利要求1所述的基于被试迁移的c-VEP识别方法，其特征在于，所述用权重把相关源被试的识别模型融合为一个针对新被试的识别模型，具体方法为：
令f1(·),…,fM(·)代表依相似性度量挑选出的与新被试最相似的M个源被试的识别模型，针对新被试的识别模型为
CN201910358854.XA 2019-04-30 2019-04-30 基于被试迁移的c-VEP识别方法 Expired - Fee Related CN110109543B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910358854.XA CN110109543B (zh) 2019-04-30 2019-04-30 基于被试迁移的c-VEP识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910358854.XA CN110109543B (zh) 2019-04-30 2019-04-30 基于被试迁移的c-VEP识别方法

Publications (2)

Publication Number Publication Date
CN110109543A true CN110109543A (zh) 2019-08-09
CN110109543B CN110109543B (zh) 2021-08-31

Family

ID=67487672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910358854.XA Expired - Fee Related CN110109543B (zh) 2019-04-30 2019-04-30 基于被试迁移的c-VEP识别方法

Country Status (1)

Country Link
CN (1) CN110109543B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851783A (zh) * 2019-11-12 2020-02-28 华中科技大学 一种用于脑机接口校准的异构标签空间迁移学习方法
CN111134662A (zh) * 2020-02-17 2020-05-12 武汉大学 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置
CN111803028A (zh) * 2020-06-19 2020-10-23 天津大学 一种基于网络参数迁移的个性化癫痫发作检测装置
CN112274154A (zh) * 2020-09-18 2021-01-29 杭州电子科技大学 基于脑电样本权重调整的跨被试疲劳驾驶分类方法
CN113986017A (zh) * 2021-12-27 2022-01-28 深圳市心流科技有限公司 一种肌电手势模板的生成方法、装置及存储介质
CN114298097A (zh) * 2021-12-27 2022-04-08 福州大学 无负担问答式c-VEP身份识别方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699230A (zh) * 2014-01-14 2014-04-02 东南大学 一种基于图标脑电控制的数字界面交互方法
CN104523269A (zh) * 2015-01-15 2015-04-22 江南大学 一种面向癫痫脑电信号迁移环境的自适应识别方法
CN106200984A (zh) * 2016-07-21 2016-12-07 天津大学 运动想象脑‑机接口模型建模方法
CN106886792A (zh) * 2017-01-22 2017-06-23 北京工业大学 一种基于分层机制构建多分类器融合模型的脑电情感识别方法
CN106933353A (zh) * 2017-02-15 2017-07-07 南昌大学 一种基于运动想象和编码调制视觉诱发电位的二维光标运动控制系统及方法
CN107316049A (zh) * 2017-05-05 2017-11-03 华南理工大学 一种基于半监督自训练的迁移学习分类方法
KR20180097359A (ko) * 2017-02-23 2018-08-31 이상호 BCI(Brain Computer Interface)를 위한 웨어러블 디바이스
CN108564128A (zh) * 2018-04-19 2018-09-21 重庆大学 一种融合数据结构信息的脑电信号在线识别方法
CN108665001A (zh) * 2018-05-10 2018-10-16 河南工程学院 一种基于深度置信网络的跨被试空闲态检测方法
CN108681585A (zh) * 2018-05-14 2018-10-19 浙江工业大学 一种基于NetSim-TL的多源迁移学习标签流行性预测模型的构建方法
CN108830254A (zh) * 2018-06-27 2018-11-16 福州大学 一种基于数据均衡策略和密集注意网络的细粒度车型检测与识别方法
CN109299751A (zh) * 2018-11-26 2019-02-01 南开大学 基于emd数据增强的卷积神经模型的ssvep脑电分类方法
CN109598292A (zh) * 2018-11-23 2019-04-09 华南理工大学 一种不同辅助样本正负比例的迁移学习方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699230A (zh) * 2014-01-14 2014-04-02 东南大学 一种基于图标脑电控制的数字界面交互方法
CN104523269A (zh) * 2015-01-15 2015-04-22 江南大学 一种面向癫痫脑电信号迁移环境的自适应识别方法
CN106200984A (zh) * 2016-07-21 2016-12-07 天津大学 运动想象脑‑机接口模型建模方法
CN106886792A (zh) * 2017-01-22 2017-06-23 北京工业大学 一种基于分层机制构建多分类器融合模型的脑电情感识别方法
CN106933353A (zh) * 2017-02-15 2017-07-07 南昌大学 一种基于运动想象和编码调制视觉诱发电位的二维光标运动控制系统及方法
KR20180097359A (ko) * 2017-02-23 2018-08-31 이상호 BCI(Brain Computer Interface)를 위한 웨어러블 디바이스
CN107316049A (zh) * 2017-05-05 2017-11-03 华南理工大学 一种基于半监督自训练的迁移学习分类方法
CN108564128A (zh) * 2018-04-19 2018-09-21 重庆大学 一种融合数据结构信息的脑电信号在线识别方法
CN108665001A (zh) * 2018-05-10 2018-10-16 河南工程学院 一种基于深度置信网络的跨被试空闲态检测方法
CN108681585A (zh) * 2018-05-14 2018-10-19 浙江工业大学 一种基于NetSim-TL的多源迁移学习标签流行性预测模型的构建方法
CN108830254A (zh) * 2018-06-27 2018-11-16 福州大学 一种基于数据均衡策略和密集注意网络的细粒度车型检测与识别方法
CN109598292A (zh) * 2018-11-23 2019-04-09 华南理工大学 一种不同辅助样本正负比例的迁移学习方法
CN109299751A (zh) * 2018-11-26 2019-02-01 南开大学 基于emd数据增强的卷积神经模型的ssvep脑电分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
G. BIN 等: "VEP-based brain-computer interfaces: time, frequency, and code modulations [Research Frontier]", 《IEEE COMPUTATIONAL INTELLIGENCE MAGAZINE》 *
蔡涵书: "基于脑电反馈的情感障碍调节机制及关键技术研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851783A (zh) * 2019-11-12 2020-02-28 华中科技大学 一种用于脑机接口校准的异构标签空间迁移学习方法
CN111134662A (zh) * 2020-02-17 2020-05-12 武汉大学 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置
CN111134662B (zh) * 2020-02-17 2021-04-16 武汉大学 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置
CN111803028A (zh) * 2020-06-19 2020-10-23 天津大学 一种基于网络参数迁移的个性化癫痫发作检测装置
CN112274154A (zh) * 2020-09-18 2021-01-29 杭州电子科技大学 基于脑电样本权重调整的跨被试疲劳驾驶分类方法
CN112274154B (zh) * 2020-09-18 2022-05-17 杭州电子科技大学 基于脑电样本权重调整的跨被试疲劳驾驶分类方法
CN113986017A (zh) * 2021-12-27 2022-01-28 深圳市心流科技有限公司 一种肌电手势模板的生成方法、装置及存储介质
CN114298097A (zh) * 2021-12-27 2022-04-08 福州大学 无负担问答式c-VEP身份识别方法
CN113986017B (zh) * 2021-12-27 2022-05-17 深圳市心流科技有限公司 一种肌电手势模板的生成方法、装置及存储介质

Also Published As

Publication number Publication date
CN110109543B (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN110109543A (zh) 基于被试迁移的c-VEP识别方法
CN108304921A (zh) 卷积神经网络的训练方法及图像处理方法、装置
CN106951499B (zh) 一种基于翻译模型的知识图谱表示方法
CN103310012B (zh) 一种分布式网络爬虫系统
CN110675475A (zh) 一种人脸模型生成方法、装置、设备及存储介质
CN114332984B (zh) 训练数据处理方法、装置和存储介质
JP7191443B2 (ja) 機械学習に基づくターゲットオブジェクト属性予測方法、関連機器及びコンピュータプログラム
CN110069502A (zh) 基于Spark架构的数据均衡分区方法及计算机存储介质
CN110163262A (zh) 模型训练方法、业务处理方法、装置、终端及存储介质
CN106796533A (zh) 自适应地选择执行模式的系统和方法
CN114332545A (zh) 一种基于低比特脉冲神经网络的图像数据分类方法和装置
CN107506350A (zh) 一种识别信息的方法和设备
CN109448795A (zh) 一种circRNA的识别方法及装置
CN109583594A (zh) 深度学习训练方法、装置、设备及可读存储介质
CN108830100A (zh) 基于多任务学习的用户隐私泄漏检测方法、服务器及系统
CN110135524A (zh) 自动化的模型训练方法、装置、设备及介质
CN110188780A (zh) 用于定位多目标特征点的深度学习模型的构建方法及装置
Soutif-Cormerais et al. On the importance of cross-task features for class-incremental learning
CN118211268A (zh) 基于扩散模型的异构联邦学习隐私保护方法及系统
He Advances in data mining: History and future
CN104077524B (zh) 用于病毒鉴定的训练方法和病毒鉴定方法及装置
CN113255701B (zh) 一种基于绝对-相对学习架构的小样本学习方法和系统
Peng et al. Conceptual reinforcement learning for language-conditioned tasks
CN114297041A (zh) 网络异构计算平台测试方法、装置和计算机设备
Toppo et al. A review of generative pretraining from pixels

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210831

CF01 Termination of patent right due to non-payment of annual fee