CN110175510A - 基于脑功能网络特征的多模式运动想象识别方法 - Google Patents
基于脑功能网络特征的多模式运动想象识别方法 Download PDFInfo
- Publication number
- CN110175510A CN110175510A CN201910285096.3A CN201910285096A CN110175510A CN 110175510 A CN110175510 A CN 110175510A CN 201910285096 A CN201910285096 A CN 201910285096A CN 110175510 A CN110175510 A CN 110175510A
- Authority
- CN
- China
- Prior art keywords
- network
- brain function
- function
- network node
- connection
- 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
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]
- A61B5/377—Electroencephalography [EEG] using evoked responses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
Abstract
本发明提出了一种基于脑功能网络特征的多模式运动想象识别方法。本发明首先定义网络功能连通增率作为一种新的脑功能网络特征,然后依据神经生理学肢体运动与大脑皮层对应关系,构建以不同导联为中心的区域网络,计算各区域的网络功能连通增率组成多维特征向量,输入到支持向量机中,实现对多模式运动想象的识别。本发明可实时、准确识别出人体多种模式运动想象动作,识别结果可用于辅助康复训练的人机交互系统。
Description
技术领域
本发明属于模式识别领域,涉及一种多模式运动想象识别方法,特别涉及一种基于脑功能网络特征的多模式运动想象识别方法。
背景技术
运动想象是指人不需要借助肢体运动,只需在大脑中想象完成某一特定动作的思维活动,在一定程度上可以激活受损的运动神经元以及网络连接,甚至产生新的神经代偿功能。近年来随着脑科学的发展,运动想象训练逐渐替代传统的中医学方法,成为治疗运动功能障碍患者最具临床应用前景的方法。运动想象可以划分为涉及单个部位肢体运动的简单运动想象,以及涉及两个部位以上(包含两个)肢体运动的协调运动想象。传统的运动想象是指单个部位肢体的运动,比如左手、右手、左足和右足。但是在日常生活中,人的正常行为活动是多个部位肢体协调完成的,比如双手、左手左足和右手左足。而且大脑各个运动功能区是相互作用,相互联系的,多个肢体参与的协调运动想象可使多个功能区协同参与,更有利激活运动功能障碍患者与运动障碍相关的神经元,对受损的神经元产生替代,从而达到康复的目的。因此研究多模式运动想象,尤其是协调运动想象更贴合实际情况,对患者康复训练更具指导意义。从单个部位肢体的运动到多个肢体参与的协调运动想象模式的识别,不仅拓展了可识别的运动想象模式数量,而且有效提高了脑机接口控制外部设备的能力。
当人进行单侧肢体或协调运动想象时,其大脑皮层的活跃度会发生相应的改变。而脑功能网络是建立在复杂网络理论的基础上,它可以直观形象地展现出大脑内部各神经元、神经元集群和脑区之间的动态交互情况。因此脑功能网络可以构建大脑功能拓扑结构,整合不同区域之间的连通强度,进而反映出大脑皮层的全局活跃度,为区分多模式运动想象提供更高信度的测度。传统的复杂网络测度有节点度、节点介数、聚集系数和平均路径长度等。考虑到大脑是一个时变的耦合混沌神经系统,在不同模式的动作下,脑功能网络是动态变化的,网络的拓扑结构是不同的,因此脑功能网络特征是网络位置和网络连接变化共同作用的结果。传统的网络测度会造成网络信息的缺失,不能全面表示出网络特征。为提高网络测度的有效性,识别出单侧肢体或多肢体协调运动想象的多个动作模式,本发明定义网络功能连通增率作为一种新的脑功能网络特征。
发明内容
本发明设计多种模式的运动想象动作,依据神经生理学肢体运动与大脑皮层对应关系,并结合不同动作模式的脑功能网络拓扑结构图,构建以不同导联为中心的区域网络,计算各区域的网络功能连通增率组成多维特征向量,输入到支持向量机中,完成对多模式运动想象的分类识别。
为了实现以上目的,本发明方法主要包括以下步骤:
步骤1.设计多种模式的运动想象动作,具体为:静默状态、左手抬起动作、右手抬起动作、左足抬起动作、左手左足协同抬起动作、右手左足协同抬起动作和双手协同抬起动作。
步骤2.对步骤1中的各类运动想象动作构建脑功能网络,然后对脑功能网络进行阈值处理,得到无权脑功能网络结构拓扑图,具体步骤是:
2-1.选择合适的网络节点。不同的信号源有不同的网络节点选择方法,对于多通道的EEG信号,通常把头皮表面每个电极对应的脑区定义为一个网络节点。
2-2.量化网络节点之间的功能连接关系。本发明选择抑制噪声性能较好,鲁棒性较高的Pearson相关系数来量化两个网络节点之间的功能连接关系,Pearson相关系数的计算公式如下:
式中,xi(t)和xj(t)为网络节点i和网络节点j在t时刻的采样值,和为网络节点i和网络节点j的平均采样值,i,j=1,2,…,N,N为网络节点数。rij的绝对值越大,表示两网络节点之间相关性越强。计算网络节点之间的相关系数,可得到一个N×N的连接系数矩阵,该矩阵为对称矩阵,此时的脑功能网络为有权脑功能网络,rij即为权。
2-3.对2-2步骤中的有权脑功能网络进行阈值处理,可得到无权脑功能网络。阈值的选取还没有一个普适的规则,一般根据去除弱的连接边、保证网络的完整性和小世界属性等指导原则选取合适的阈值δ,可得到0-1邻接矩阵。
式中,aij=1表示网络节点i和j之间相关性很强,存在连接边,反之不存在连接边。
步骤3.依据神经生理学肢体运动与大脑皮层对应关系,并结合不同动作模式的脑功能网络拓扑结构图,构建以不同导联为中心的区域网络。
步骤4.对步骤3中各功能区域构建有权脑功能网络,并定义网络功能连通增率作为运动想象脑电(EEG)信号的特征,把各区域网络功能连通增率CR组成运动想象EEG信号的多维特征向量[CR1,CR2,…,CRn],具体步骤为:
4-1.选择合适的导联作为网络节点,对各导联的EEG信号进行8~13Hz带通滤波,提取出μ节律。
4-2.量化各个网络节点之间的功能连接关系,用步骤2-2求出网络节点i和网络节点j的功能连接系数rij。
4-3.定义有权脑功能网络任意两个网络节点之间的连接系数之和为网络功能连通值C,计算公式为:
式中,rij为网络节点i和网络节点j的连接系数,V为网络节点集合。
4-4.定义运动想象期间的网络功能连通值与想象开始前的静息期间的网络功能连通值的比值的绝对值为网络功能连通增率CR,公式如下:
式中,Cimage为运动想象期间的脑功能网络的网络功能连通值,Crest为静息期间的脑功能网络的网络功能连通值。
4-5.把各区域网络功能连通增率CR组成运动想象EEG信号的多维特征向量[CR1,CR2,…,CRn]。
步骤5.把步骤4组成运动想象EEG信号的多维特征向量[CR1,CR2,…,CRn]输入支持向量机分类器,获得识别结果。
支持向量机(support vector machine,SVM)的提出是基于统计学习理论知识和结构风险最小化原则。SVM的基本原理是借助非线性变换,把样本数据映射到高维特征空间,然后在高维空间中求出一个最优分类面,该分类面可以把样本数据线性分开。求解最优分类面问题,实质上是求解一个二次规划问题。最优分类函数为:
式中,x是样本测试集,xi是第i个训练样本,n为样本总数,αi是拉格朗日系数,b是阈值,K(xi,x)是核函数。常用的核函数有:线性核函数、多项式核函数、径向基核函数及Sigmod核函数等。
二分类SVM可以很好地对两种类别的数据集进行分类,但是对于多分类问题,需对二分类SVM进行扩展。目前解决多分类的问题通常有两种方法:第一种方法是从整体上分析各类样本的区别,建立复杂的约束条件,得到一个整体的决策函数,这个整体决策函数可以直接输出分类结果。这种方法的算法复杂度较高,随着类别数的增加,算法复杂度将呈指数级增长。另一种方法是将多分类问题分解成多个二分类问题,综合多个二分类问题的分类结果得出最终的多分类结果。多分类问题的分解策略有“一对多”、“一对一”和“二叉树”等。这种分解方法容易实现,算法复杂度较低,拓展性较高。
附图说明
图1为本发明实施的原理框图;
图2为本发明实例的电极位置分布图;
图3为本发明实例的EEG信号采集系统;
图4为本发明实施例的七类动作模式运动想象的脑功能网络结构拓扑图;
图5为本发明实施例的七类动作模式的网络功能连通增率分布图;
具体实施方式
下面结合附图对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。
如图1所示,本实施例包括如下步骤:
步骤一,设计七种模式的运动想象动作:静默状态、左手抬起动作、右手抬起动作、左足抬起动作、左手左足协同抬起动作、右手左足协同抬起动作和双手协同抬起动作。具体过程如下:
实验受试者为三位男学生,年龄在24~25岁之间,受试者均身体健康,无脑疾病相关病史,且为右手利。实验开始前先让受试者观看动作模式规范视频,熟悉每类动作模式,并演练每类动作模式的运动想象。实验在受试者意识清醒、休息充足的情况下进行。每名受试者在每类动作模式下进行20次运动想象,两个单次采集实验之间休息5秒。一类动作模式的EEG信号采集好后,休息5分钟,再采集下一类动作模式的EEG信号。实验共采集了七类动作模式(三类简单动作、三类协调动作以及静默状态)的420组运动想象EEG信号,即每类动作模式的EEG信号都为60组,由三位学生各20组数据所组成。实验所用电极帽电极位置分布如图2所示,实验采集系统如图3所示。
步骤二,对步骤1中的七类运动想象动作构建脑功能网络,然后对脑功能网络进行阈值处理,得到无权脑功能网络结构拓扑图,具体过程如下:
首先对步骤一中获得的各通道信号进行8~13Hz带通滤波,提取出μ节律。然后计算两两通道信号μ节律之间的Pearson相关系数,得到一个64×64的连接系数矩阵。在保证网络结构完整性和小世界属性的原则下,本发明选取阈值为0.9对连接系数矩阵进行阈值处理,得到0-1矩阵,进而得到脑功能网络拓扑结构图,如图4所示。
步骤三,依据神经生理学肢体运动与大脑皮层对应关系,并结合不同动作模式的脑功能网络拓扑结构图,构建以不同导联为中心的区域网络。
神经生理学研究表明,针对不同肢体动作进行的动作想象会激活大脑皮层相应的肢体运动区,如受试者在想象手部运动时,对侧主运动皮层和对侧背运动前皮层的活跃度明显增强,想象足部运动时,对侧主运动皮层和对侧补充运动区的足区活跃度明显增强。从图4可直观的看出,左手抬起运动想象时,对应的感觉运动区中C4导联附近网络成团化程度较高;右手抬起运动想象时,对应的感觉运动区中C3导联附近网络成团化程度较高;左足抬起运动想象时,对应的感觉运动区中Cz导联附近网络成团化程度较高;双手协调抬起运动想象时,对应的感觉运动区中C3和C4导联附近网络成团化程度较高;左手左足协调抬起运动想象时,对应的感觉运动区中C4和Cz导联附近网络成团化程度较高;右手左足协调抬起运动想象时,对应的感觉运动区中C3和Cz导联附近网络成团化程度较高;静默状态网络没有成团化趋势。可见C3、C4导联对应脑皮层的手部控制区,Cz导联对应脑皮层的足部控制区。因此,本发明提出一种基于功能分区的脑功能网络特征提取方法。以C3、C4和Cz导联为中心构建三个有权脑功能网络,称为C3区脑功能网络、C4区脑功能网络和Cz区脑功能网络。
步骤四,对步骤三中各功能区域构建有权脑功能网络,并定义网络功能连通增率CR作为运动想象脑电(EEG)信号的特征,把各区域网络功能连通增率CR组成运动想象EEG信号的多维特征向量[CR1,CR2,…,CRn],具体过程如下:
参照图2,本发明对电极的划分方式为,将F1/3/5、FC1/3/5、C1/3/5、CP1/3/5和P1/3/5这十五个以C3为中心的导联作为C3区脑功能网络的网络节点,将F1/2/z、FC1/2/z、C1/2/z、CP1/2/z和P1/2/z这十五个以Cz为中心的导联作为Cz区脑功能网络的网络节点,将F2/4/6、FC2/4/6、C2/4/6、CP2/4/6、和P2/4/6这十五个以C4为中心的导联作为C4区脑功能网络的网络节点。计算C3区网络功能连通增率CRC3的过程如下:首先对十五个C3区网络节点导联的EEG信号进行8~13Hz带通滤波,提取出μ节律,接着分别对静息期间和运动想象期间的μ节律构建有权脑功能网络,计算得到静息期间的网络功能连通值和运动想象期间的网络功能连通值,最后计算两者的比值得到C3区网络功能连通增率CRC3。计算C4区和Cz区网络功能连通增率过程相似,本发明不再赘述。把C3区脑功能网络连通增率CRC3、C4区脑功能网络连通增率CRC4和Cz区脑功能网络连通增率CRCz组成EEG信号的三维特征向量[CRC3,CRC4,CRCz]。本发明计算实验采集的420组EEG信号的三维特征向量[CRC3,CRC4,CRCz],得到七类动作模式的网络功能连通增率分布图,如图5所示。
步骤五,把步骤四组成运动想象EEG信号的三维特征向量[CRC3,CRC4,CRCz]输入支持向量机分类器,获得识别结果,具体实验过程如下:
第1步,提取420组EEG信号的网络功能连通增率特征向量[CRC3,CRC4,CRCz];
第2步,分别从每类动作模式中随机选取20组样本,合计140组样本作为验证集,余下的280组样本作为训练集;
第3步,采用“一对多”分解策略,七类动作模式的七分类问题,可分解成静默状态和其他动作、左手简单动作和其他动作、右手简单动作和其他动作、左足简单动作和其他动作、双手协调动作和其他动作、左手左足协调动作和其他动作以及右手左足协调动作和其他动作,这七个二分类问题。用训练集训练多分类SVM,本发明选用的核函数为适用范围较广的径向基核函数;
第4步,用训练好的多分类SVM对验证集进行分类。
第5步,为减小因训练集不同而产生的误差,重复进行第2-4步,进行十次分类实验,取十次实验的平均正确识别率。
用网络功能连通增率特征向量[CRC3,CRC4,CRCz]对七类动作模式的EEG信号进行分类,分类结果如表1所示,平均识别率达到83%以上,识别效果比较理想。
表1 SVM分类器分类结果
Claims (3)
1.基于脑功能网络特征的多模式运动想象识别方法,其特征在于:该方法包括如下步骤:
步骤1.设计多种模式的运动想象动作,具体为:静默状态、左手抬起动作、右手抬起动作、左足抬起动作、左手左足协同抬起动作、右手左足协同抬起动作和双手协同抬起动作;
步骤2.对步骤1中的各类运动想象动作构建脑功能网络,然后对脑功能网络进行阈值处理,得到无权脑功能网络结构拓扑图;
步骤3.依据神经生理学肢体运动与大脑皮层对应关系,并结合不同动作模式的脑功能网络拓扑结构图,构建以不同导联为中心的区域网络;
步骤4.对步骤3中各功能区域构建有权脑功能网络,并定义网络功能连通增率作为运动想象脑电信号的特征,把各区域网络功能连通增率CR组成运动想象EEG信号的多维特征向量[CR1,CR2,…,CRn];
步骤5.把步骤4组成运动想象EEG信号的多维特征向量[CR1,CR2,…,CRn]输入支持向量机分类器,获得识别结果。
2.根据权利要求1所述的基于脑功能网络特征的多模式运动想象识别方法,其特征在于:步骤2具体过程如下:
2-1.选择合适的网络节点;不同的信号源有不同的网络节点选择方法,对于多通道的EEG信号,把头皮表面每个电极对应的脑区定义为一个网络节点;
2-2.量化网络节点之间的功能连接关系;选择Pearson相关系数来量化两个网络节点之间的功能连接关系,Pearson相关系数的计算公式如下:
式中,xi(t)和xj(t)为网络节点i和网络节点j在t时刻的采样值,和为网络节点i和网络节点j的平均采样值,i,j=1,2,…,N,N为网络节点数;rij的值介于-1和1,当rij<0时,则取绝对值,rij的绝对值越大,表示两网络节点之间相关性越强;计算两两网络节点之间的相关系数,得到一个N×N的连接系数矩阵,该矩阵为对称矩阵,此时的脑功能网络为有权脑功能网络,rij即为权;
2-3.对2-2步骤中的有权脑功能网络进行阈值处理,可得到无权脑功能网络;选取合适的处理阈值δ,对连接系数矩阵进行阈值处理,可得到0-1邻接矩阵;
式中,aij=1表示网络节点i和j之间相关性很强,存在连接边,反之不存在连接边。
3.根据权利要求1所述的基于脑功能网络特征的多模式运动想象识别方法,其特征在于:步骤4具体过程如下:
4-1.选择合适的导联作为网络节点,对各导联的EEG信号进行8-13Hz带通滤波,提取出μ节律;
4-2.量化各个网络节点之间的功能连接关系,用步骤2-2求出网络节点i和网络节点j的功能连接系数rij;
4-3.定义有权脑功能网络任意两个网络节点之间的连接系数之和为网络功能连通值C,计算公式为:
式中,rij为网络节点i和网络节点j的连接系数,V为网络节点集合;
4-4.定义运动想象期间的网络功能连通值与想象开始前的静息期间的网络功能连通值的比值的绝对值为网络功能连通增率CR,公式如下:
式中,Cimage为运动想象期间的脑功能网络的网络功能连通值,Crest为静息期间的脑功能网络的网络功能连通值;
4-5.把各区域网络功能连通增率CR组成运动想象EEG信号的多维特征向量[CR1,CR2,…,CRn]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910285096.3A CN110175510B (zh) | 2019-04-10 | 2019-04-10 | 基于脑功能网络特征的多模式运动想象识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910285096.3A CN110175510B (zh) | 2019-04-10 | 2019-04-10 | 基于脑功能网络特征的多模式运动想象识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175510A true CN110175510A (zh) | 2019-08-27 |
CN110175510B CN110175510B (zh) | 2021-05-25 |
Family
ID=67689612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910285096.3A Active CN110175510B (zh) | 2019-04-10 | 2019-04-10 | 基于脑功能网络特征的多模式运动想象识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175510B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222578A (zh) * | 2020-01-09 | 2020-06-02 | 哈尔滨工业大学 | 一种运动想象eeg信号的在线处理方法 |
CN111931578A (zh) * | 2020-07-07 | 2020-11-13 | 杭州电子科技大学 | 一种基于最小生成树和区域双层网络的脑电识别方法 |
CN112205988A (zh) * | 2020-10-13 | 2021-01-12 | 北京理工大学 | 一种双手协同运动下的手部运动方向解码方法及系统 |
CN113064493A (zh) * | 2021-04-25 | 2021-07-02 | 北京理工大学 | 一种基于脑电信号的无人机紧急状况检测方法与系统 |
CN113558603A (zh) * | 2021-06-11 | 2021-10-29 | 杭州电子科技大学 | 一种基于深度学习的多模态认知障碍识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102613972A (zh) * | 2012-03-28 | 2012-08-01 | 西安电子科技大学 | 运动想象脑电信号特征的提取方法 |
CN102722727A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于脑功能网络邻接矩阵分解的脑电特征提取方法 |
CN103473294A (zh) * | 2013-09-03 | 2013-12-25 | 重庆邮电大学 | 基于msvm脑电信号特征分类的方法及智能轮椅系统 |
CN104814734A (zh) * | 2015-05-13 | 2015-08-05 | 西安电子科技大学 | 基于csp和互相关的运动想象脑电信号分类方法 |
US9373038B2 (en) * | 2013-02-08 | 2016-06-21 | Brain Corporation | Apparatus and methods for temporal proximity detection |
US20190073030A1 (en) * | 2017-09-07 | 2019-03-07 | Korea University Research And Business Foundation | Brain computer interface (bci) apparatus and method of generating control signal by bci apparatus |
-
2019
- 2019-04-10 CN CN201910285096.3A patent/CN110175510B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102613972A (zh) * | 2012-03-28 | 2012-08-01 | 西安电子科技大学 | 运动想象脑电信号特征的提取方法 |
CN102722727A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于脑功能网络邻接矩阵分解的脑电特征提取方法 |
US9373038B2 (en) * | 2013-02-08 | 2016-06-21 | Brain Corporation | Apparatus and methods for temporal proximity detection |
CN103473294A (zh) * | 2013-09-03 | 2013-12-25 | 重庆邮电大学 | 基于msvm脑电信号特征分类的方法及智能轮椅系统 |
CN104814734A (zh) * | 2015-05-13 | 2015-08-05 | 西安电子科技大学 | 基于csp和互相关的运动想象脑电信号分类方法 |
US20190073030A1 (en) * | 2017-09-07 | 2019-03-07 | Korea University Research And Business Foundation | Brain computer interface (bci) apparatus and method of generating control signal by bci apparatus |
Non-Patent Citations (6)
Title |
---|
GELIANG TIAN ET AL.: "Study on Classification of Left-Right Hands for Motor Imagery EEG Signals Based on CNN", 《2018 IEEE 17TH INTERNATIONAL CONFERENCE ON COGNITIVE INFORMATICS & COGNITIVE COMPUTING》 * |
RUIYANG GE ET AL.: "Motor Imagery Learning Induced Changes in Functional Connectivity of the Default Mode Network", 《IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING》 * |
佘青山 等: "基于邻接矩阵分解的脑电特征提取与分类方法", 《传感技术学报》 * |
孟明: "多类运动想象脑电信号的两级特征提取方法", 《自动化学报》 * |
张建强: "视听引导下运动想象脑电信号识别研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
耿雪青 等: "基于Copula的多变量运动想象脑电信号因果分析方法", 《航天医学与医学工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222578A (zh) * | 2020-01-09 | 2020-06-02 | 哈尔滨工业大学 | 一种运动想象eeg信号的在线处理方法 |
CN111931578A (zh) * | 2020-07-07 | 2020-11-13 | 杭州电子科技大学 | 一种基于最小生成树和区域双层网络的脑电识别方法 |
CN111931578B (zh) * | 2020-07-07 | 2023-09-22 | 杭州电子科技大学 | 一种基于最小生成树和区域双层网络的脑电识别方法 |
CN112205988A (zh) * | 2020-10-13 | 2021-01-12 | 北京理工大学 | 一种双手协同运动下的手部运动方向解码方法及系统 |
CN112205988B (zh) * | 2020-10-13 | 2021-08-20 | 北京理工大学 | 一种双手协同运动下的手部运动方向解码方法及系统 |
CN113064493A (zh) * | 2021-04-25 | 2021-07-02 | 北京理工大学 | 一种基于脑电信号的无人机紧急状况检测方法与系统 |
CN113558603A (zh) * | 2021-06-11 | 2021-10-29 | 杭州电子科技大学 | 一种基于深度学习的多模态认知障碍识别方法 |
CN113558603B (zh) * | 2021-06-11 | 2023-11-10 | 杭州电子科技大学 | 一种基于深度学习的多模态认知障碍识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110175510B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175510A (zh) | 基于脑功能网络特征的多模式运动想象识别方法 | |
Lynn et al. | A deep bidirectional GRU network model for biometric electrocardiogram classification based on recurrent neural networks | |
Yang et al. | Motor imagery EEG decoding method based on a discriminative feature learning strategy | |
CN106503799B (zh) | 基于多尺度网络的深度学习模型及在脑状态监测中的应用 | |
CN104586387B (zh) | 一种时、频、空域多参数脑电特征提取与融合方法 | |
Li et al. | Multi-modal bioelectrical signal fusion analysis based on different acquisition devices and scene settings: Overview, challenges, and novel orientation | |
CN102722728B (zh) | 基于通道加权支持向量的运动想象脑电分类方法 | |
CN102184415B (zh) | 一种基于脑电信号的疲劳状态识别方法 | |
CN105956624B (zh) | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 | |
CN108143411A (zh) | 一种面向孤独症诊断的静息态脑电分析系统 | |
CN107126193A (zh) | 基于滞后阶数自适应选择的多变量因果关系分析方法 | |
CN104360730A (zh) | 一种多模态非植入式脑机接口技术支撑下的人机交互方法 | |
Chiang et al. | A hidden Markov, multivariate autoregressive (HMM-mAR) network framework for analysis of surface EMG (sEMG) data | |
CN108596069A (zh) | 基于深度3d残差网络的新生儿疼痛表情识别方法及系统 | |
CN112488002B (zh) | 基于n170的情绪识别方法及识别系统 | |
CN105701336B (zh) | 基于脑电数据的中医辨证分型系统、模型建立的方法和系统 | |
Li et al. | EEG signal classification method based on feature priority analysis and CNN | |
CN110473611A (zh) | 一种静息态大脑信号分析方法 | |
CN110164524A (zh) | 一种偏瘫患者康复训练任务自适应匹配方法及其系统 | |
CN114145745B (zh) | 基于图的多任务自监督情绪识别方法 | |
Abibullaev et al. | A brute-force CNN model selection for accurate classification of sensorimotor rhythms in BCIs | |
CN105125213A (zh) | 一种大脑功能网络活跃程度的度量方法 | |
CN114027857B (zh) | 一种基于脑电信号测量运动能力的方法 | |
Zhang et al. | ERP-WGAN: A data augmentation method for EEG single-trial detection | |
KR20110098286A (ko) | 퍼지 추론기법을 이용한 한방 자가 진단방법 |
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 |