CN110477909B - 一种基于静息态脑电数据的性别分类方法 - Google Patents

一种基于静息态脑电数据的性别分类方法 Download PDF

Info

Publication number
CN110477909B
CN110477909B CN201910701025.7A CN201910701025A CN110477909B CN 110477909 B CN110477909 B CN 110477909B CN 201910701025 A CN201910701025 A CN 201910701025A CN 110477909 B CN110477909 B CN 110477909B
Authority
CN
China
Prior art keywords
electroencephalogram data
neural network
resting state
convolutional neural
data
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
CN201910701025.7A
Other languages
English (en)
Other versions
CN110477909A (zh
Inventor
何良华
任强
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN201910701025.7A priority Critical patent/CN110477909B/zh
Publication of CN110477909A publication Critical patent/CN110477909A/zh
Application granted granted Critical
Publication of CN110477909B publication Critical patent/CN110477909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种基于静息态脑电数据的性别分类方法，包括以下步骤：S1、采集各性别对应的原始静息态脑电数据；S2、对原始静息态脑电数据进行预处理，得到去除伪迹的静息态脑电数据；S3、重新组合去伪迹的静息态脑电数据；S4、构建卷积神经网络，并将去除伪迹的重组静息态脑电数据输入给卷积神经网络，对卷积神经网络进行训练和测试，得到训练好的卷积神经网络；S5、由训练好的卷积神经网络对实际静息态脑电数据进行分类。与现有技术相比，本发明将静息态脑电数据进行去伪迹和重组，基于大脑功能性连接的特征，通过卷积神经网络进行特征提取及分析，不仅降低了脑电数据预处理的复杂性，也解决了针对脑电数据无法选择合适模型的问题。

Description

一种基于静息态脑电数据的性别分类方法
技术领域
本发明涉及深度学习神经网络和脑科学技术领域，尤其是涉及一种基于静息态脑电数据的性别分类方法。
背景技术
在神经科学中，已经有大量研究表明不同性别的大脑存在差异。在对大脑性别差异进行研究的方法中，通常借助fMRI技术研究不同性别的大脑在结构、化学和功能性连接上的差异，现有的研究结果表明，男性的脑容量总体要比女性的脑容量大，然而女性大脑中的灰质比例更高，而男性大脑则是白质比例更高；同时女性大脑中的总体血流量也明显高于男性；对于大脑的网络连接，男性大脑中的连接多为左右脑半球各自的内部连接，而女性大脑中左右脑半球之间的连接更多。
从大脑组成成分上来看，大脑灰质是大脑的重要组成部分，神经元都包含在大脑灰质当中。通过对大脑生物构造的研究，研究人员发现在女性大脑中灰质较多，而男性大脑中则白质较多。由于神经元之间的连接是大脑活动的基础，因此这种大脑组成成分的差异也直接影响到大脑对信息的处理能力。
从大脑功能性差异上来看，Nature期刊中曾有研究表明，男性在进行语言活动时大脑的布罗卡区域激活较为明显，但是女性在进行同样的任务时，大脑中被激活的区域并不局限于布罗卡区域，这证明了不同性别的大脑在语言功能上存在的差异。
美国国家科学院院刊中曾发表过关于不同性别大脑功能性连接差异的研究，通过使用大样本量的数据集对大脑之间的连通性进行了研究，数据集中包含了949名受试者(男性428名，女性521名)，结果发现大脑连通性存在性别差异：在男性大脑中，这种连通性主要是半脑之内神经元的连接，而女性大脑中的连通关系则是左右半脑之间神经元的连接。
在对大脑性别差异进行研究时，目前的大脑性别分类技术通常从两个方面开展：一方面，可以较为直观地直接从大脑组成成分入手，通过fMRI等技术直接对比男性大脑和女性大脑脑容量、血流量以及大脑灰质等差异；另一方面，目前普遍认为男性和女性在语言能力、信息处理速度等方面存在一定差异，可以设计针对性的实验，通过受试者的实验表现来研究性别之间的差异。
综上所述，大脑组成成分、大脑功能性差异这两类研究可以通过fMRI或任务态fMRI来进行分析，而对于大脑功能性连接差异，却无法使用现有的fMRI技术进行分析，实际上大脑的功能性连接能够通过静息态脑电数据的激活过程来体现，只是由于脑电数据没有规范的采集步骤、具有难于预处理、表现抽象等特点，所以使用机器学习方法对脑电数据进行分析的时候，无法找到一个合适的模型：首先，脑电数据的采集过程中会伴随很多噪声，在预处理过程中很难对其进行过滤；其次，在选择机器学习分类器的时候，比如SVM或者决策树，不同的数据预处理对模型的结果会产生不同的影响，使得模型结果准确率不高，这也导致使用静息态脑电数据进行性别分类的研究还没有成果。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于静息态脑电数据的性别分类方法，大脑连通性存在的性别差异可以在静息态脑电数据中被体现，当大脑某一区域处于活跃状态时，与其连通的区域大脑活动水平应同样处于较为活跃的状态，根据这一现象，本发明基于静息态脑电数据，通过卷积神经网络进行静息态脑电数据的性别分类。
本发明的目的可以通过以下技术方案来实现：一种基于静息态脑电数据的性别分类方法，包括以下步骤：
S1、根据实际性别分类情况，采集各性别对应的原始静息态脑电数据；
S2、对原始静息态脑电数据进行预处理，得到去除伪迹的静息态脑电数据；
S3、选择左右半脑对应的导联个数，对去除伪迹的静息态脑电数据进行重新组合，得到去除伪迹的重组静息态脑电数据；
S4、构建卷积神经网络，并将去除伪迹的重组静息态脑电数据输入给卷积神经网络，对卷积神经网络进行训练和测试，得到训练好的卷积神经网络；
S5、由训练好的卷积神经网络对实际静息态脑电数据进行分类。
优选地，所述步骤S2具体是采用独立成分分析法，对原始静息态脑电数据进行分解，删除分解之后脑电数据中眼电信号对应的分量，以去除脑电数据的眼电信号，得到去除伪迹的静息态脑电数据。
优选地，所述步骤S3具体包括以下步骤：
S31、基于原始静息态脑电数据的采集频率和总导联个数，将去除伪迹的原始静息态脑电数据进行分段处理，得到分段数据矩阵；
S32、选择左右半脑对应的导联个数，对分段数据矩阵的元素进行重新组合，得到去除伪迹的重组静息态脑电数据。
优选地，所述步骤S31和步骤S32中分段数据矩阵由N列M行静息态脑电数据组成，其中，N的数值对应于总导联个数，M的数值对应于采集频率，即单位时间内采集静息态脑电数据的数量。
优选地，所述步骤S32中去除伪迹的重组静息态脑电数据的数据形式具体为A×B×C，其中，A对应于左右半脑，B对应于采集频率下的静息态脑电数据，C对应于左右半脑的导联个数。
优选地，所述步骤S4具体包括以下步骤：
S41、构建卷积神经网络，所述卷积神经网络包括依次连接的卷积层、平均池化层和softmax分类器；
S42、将去除伪迹的重组静息态脑电数据分为训练集和测试集；
S43、将训练集输入卷积神经网络，以预设的训练轮数进行训练；
S44、每完成一次预设的训练轮数，则将测试集输入卷积神经网络，记录一次卷积神经网络输出分类结果的准确率；
S45、重复步骤S34，并判断卷积神经网络输出分类结果的准确率是否收敛，若收敛，则该卷积神经网络已经训练好，否则返回步骤S43。
优选地，所述步骤S4中卷积层由多个子卷积层组成，用于从去除伪迹的重组静息态脑电数据中提取左右半脑功能性连接的特征，当左右半脑各自内部的功能性连接超过第一预设值时，卷积层提取的特征表现为横向激活状态，当左右半脑之间的功能性连接超过第二预设值时，卷积层提取的特征表现为纵向激活状态。
优选地，所述步骤S44和步骤S45中卷积神经网络输出分类结果的准确率是通过比较卷积神经网络输出分类结果与测试集的真实性别类别得到的。
优选地，所述步骤S45中判断卷积神经网络输出分类结果的准确率是否收敛的具体过程为：记录T次准确率数值，并依次比较第i个准确率数值与第i-1个准确率数值的变化率，得到T-1个变化率，判断这T-1个变化率是否均小于或等于预设的收敛阈值，若判断为是，则卷积神经网络输出分类结果的准确率已经收敛，否则判断不收敛，其中，T≥5，i∈T。
与现有技术相比，本发明根据大脑功能性连接存在性别差异这一理论，结合静息态脑电数据和卷积神经网络进行性别分类，通过卷积神经网络对静息态脑电数据中的激活过程进行拟合，能够充分体现男性、女性大脑不同的功能性连接差异，从而实现利用静息态脑电数据进行性别分类的目的；
本发明通过对静息态脑电数据进行去伪迹处理，并基于左右半脑各自的导联个数，对静息态脑电数据进行重新组合，克服了静息态脑电数据预处理的复杂性，有利于后续卷积神经网络从重组的静息态脑电数据中提取大脑功能性连接的特征；
本发明利用卷积神经网络自身的拟合性、采用反向传播算法自动学习适合于脑电数据的参数，能够对表现抽象的静息态脑电数据进行建模分析，解决了静息态脑电数据无法获得合适模型的问题。
附图说明
图1为本发明到的方法流程示意图；
图2为实施例中去除伪迹的重组静息态脑电数据形式示意图；
图3为实施例中卷积神经网络输出分类结果的准确率示意图；
图4为实施例中不同训练集和测试集比例下的分类结果准确率示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图1所示，一种基于静息态脑电数据的性别分类方法，包括以下步骤：
S1、根据实际性别分类情况，采集各性别对应的原始静息态脑电数据；
S2、对原始静息态脑电数据进行预处理，得到去除伪迹的静息态脑电数据；
S3、选择左右半脑对应的导联个数，对去除伪迹的静息态脑电数据进行重新组合，得到去除伪迹的重组静息态脑电数据；
S4、构建卷积神经网络，并将去除伪迹的重组静息态脑电数据输入给卷积神经网络，对卷积神经网络进行训练和测试，得到训练好的卷积神经网络；
S5、由训练好的卷积神经网络对实际静息态脑电数据进行分类。
本实施例是从56名包含不同性别的受试者采集其静息态脑电数据，其中，男性受试者有31名，女性受试者有25名，将21名男性和15名女性的静息态脑电数据用于卷积神经网络的训练，其余的静息态脑电数据用于卷积神经网络的测试。
本实施例中，步骤S3中对去伪迹的静息态脑电数据进行重新组合的具体过程为：原始静息态脑电数据经过预处理去除伪迹之后，将每一秒的静息态脑电数据进行分段处理，每一段的数据均为32x 1000的矩阵，其中，32代表导联的数量，1000代表1000Hz的采集频率，即一秒内采集的1000个静息态脑电数据，这32个导联中，位于左脑和右脑区域的各有13个，为了对左右半脑连通性进行研究，直接选出这26个导联，并对分段数据矩阵进行重新组合，图2所示为重组之后的静息态脑电数据形式，重组之后每个静息态脑电数据的数据形式为2x 1000x 13，其中，第一个维度表示左右两个半脑，第二个维度仍然是时序上的1000个点，第三个维度表示每个半脑上的13个导联。
步骤S4中的卷积神经网络结构如表1所示，包括了每一层卷积的卷积核大小、步长、输入卷积层的数据维度和输出卷积层的数据维度：
表1
Figure BDA0002150795160000051
步骤S4的具体过程为：
一、去伪迹的静息态脑电数据被重组之后，将训练集和数据集按照2:1的比例划分，之后通过表1所示的卷积神经网络结构进行分析，本实施例的卷积神经网络由8个卷积层、1个平均池化层和1个softmax分类器组成，由于原始卷积核大小为2，且输入数据没有进行填充，因此经过第一个卷积层之后，输出的每张特征图都是一个一维向量，后续用于特征提取的卷积层卷积核大小设置为1x 2，为了减少卷积层中的参数量，这里同样在1x 2卷积之前使用1x 1卷积进行降维，对于降采样操作，此处没有使用最大池化，而是采用大小为1x2，步长为2的卷积操作来进行降采样，首先数据的输入维度为(2，1000，26)，卷积层1有64个2*2的卷积核，它的步长为1，经过卷积层1的滤波后，得到维度为(1，999，64)的输出数据；接着数据输入有32个1*1卷积核的步长为1的卷积层2_1，得到维度为(1,999,32)的输出数据；再输入两个有128个1*2卷积核的，步长分别为1和2的卷积层2_2和卷积层3，得到维度为(1,499,128)的输出数据，随后数据输入有64个1*1卷积核和256个1*2卷积核，步长为1的卷积层4_1和卷积层4_2，得到维度为(1,498,256)的输出数据，最后，数据输入有256个1*2卷积核、步长为2的卷积层5和2个1*2卷积核、步长为1的卷积层6，得到维度为(1,248,2)的输出数据，该维度为(1,248,2)的输出数据经过平均池化层输出到softmax分类器进行分类；
二、输入到卷积神经网络模型中的静息态脑电数据尺寸为2x 1000x 13，由于内存的限制，本实施例将每个batch的大小设置为32，卷积神经网络模型使用Adam优化方法进行模型参数更新，学习率初始值设置为0.01，同时使用L2权重衰减进行正则化，正则化系数设置为10。性别分类结果的准确率如图3所示，图中横坐标代表训练的轮数，纵坐标代表性别分类的准确率，本实施例预设的训练轮数为三轮，即每三轮记录一次卷积神经网络分类结果的准确率，从图3可以看出，随着训练次数的增加，分类结果的准确率也不断增加，最终在经过35轮训练之后，卷积神经网络模型收敛之后分类结果的准确率为69.5％±0.2％。
为了研究不同比例数据集的随机划分方式下，本发明方法的输出结果是否稳定，本实施例还进行了多种划分比例：将训练集与测试集的人数比例从1:1开始进行随机划分，一直到8:1时停止实验，每次划分之后都使用新划分的数据重新进行卷积神经网络模型训练，直到模型收敛后，取最后五次测试结果的平均值作为最终模型的分类结果。不同比例划分数据集的分类结果如图4所示，图中的横坐标代表训练集和测试集的比例，纵坐标代表性别分类结果的准确率，从图4可以看出，从1:1到7:1的实验结果都是稳定的，证明本发明提出的基于静息态脑电数据的性别分类方法是可行的。

Claims (6)

1.一种基于静息态脑电数据的性别分类方法，其特征在于，包括以下步骤：
S1、根据实际性别分类情况，采集各性别对应的原始静息态脑电数据；
S2、对原始静息态脑电数据进行预处理，得到去除伪迹的静息态脑电数据；
S3、选择左右半脑对应的导联个数，对去除伪迹的静息态脑电数据进行重新组合，得到去除伪迹的重组静息态脑电数据；
S4、构建卷积神经网络，并将去除伪迹的重组静息态脑电数据输入给卷积神经网络，对卷积神经网络进行训练和测试，得到训练好的卷积神经网络；
S5、由训练好的卷积神经网络对实际静息态脑电数据进行分类；
所述步骤S3具体包括以下步骤：
S31、基于原始静息态脑电数据的采集频率和总导联个数，将去除伪迹的原始静息态脑电数据进行分段处理，得到分段数据矩阵；
S32、选择左右半脑对应的导联个数，对分段数据矩阵的元素进行重新组合，得到去除伪迹的重组静息态脑电数据；
所述步骤S31和步骤S32中分段数据矩阵由N列M行静息态脑电数据组成，其中，N的数值对应于总导联个数，M的数值对应于采集频率，即单位时间内采集静息态脑电数据的数量；所述步骤S32中去除伪迹的重组静息态脑电数据的数据形式具体为A×B×C，其中，A对应于左右半脑，B对应于采集频率下的静息态脑电数据，C对应于左右半脑的导联个数。
2.根据权利要求1所述的一种基于静息态脑电数据的性别分类方法，其特征在于，所述步骤S2具体是采用独立成分分析法，对原始静息态脑电数据进行分解，删除分解之后脑电数据中眼电信号对应的分量，以去除脑电数据的眼电信号，得到去除伪迹的静息态脑电数据。
3.根据权利要求1所述的一种基于静息态脑电数据的性别分类方法，其特征在于，所述步骤S4具体包括以下步骤：
S41、构建卷积神经网络，所述卷积神经网络包括依次连接的卷积层、平均池化层和softmax分类器；
S42、将去除伪迹的重组静息态脑电数据分为训练集和测试集；
S43、将训练集输入卷积神经网络，以预设的训练轮数进行训练；
S44、每完成一次预设的训练轮数，则将测试集输入卷积神经网络，记录一次卷积神经网络输出分类结果的准确率；
S45、重复步骤S44，并判断卷积神经网络输出分类结果的准确率是否收敛，若收敛，则该卷积神经网络已经训练好，否则返回步骤S43。
4.根据权利要求3所述的一种基于静息态脑电数据的性别分类方法，其特征在于，所述步骤S4中卷积层由多个子卷积层组成，用于从去除伪迹的重组静息态脑电数据中提取左右半脑功能性连接的特征，当左右半脑各自内部的功能性连接超过第一预设值时，卷积层提取的特征表现为横向激活状态，当左右半脑之间的功能性连接超过第二预设值时，卷积层提取的特征表现为纵向激活状态。
5.根据权利要求4所述的一种基于静息态脑电数据的性别分类方法，其特征在于，所述步骤S44和步骤S45中卷积神经网络输出分类结果的准确率是通过比较卷积神经网络输出分类结果与测试集的真实性别类别得到的。
6.根据权利要求4所述的一种基于静息态脑电数据的性别分类方法，其特征在于，所述步骤S45中判断卷积神经网络输出分类结果的准确率是否收敛的具体过程为：记录T次准确率数值，并依次比较第i个准确率数值与第i-1个准确率数值的变化率，得到T-1个变化率，判断这T-1个变化率是否均小于或等于预设的收敛阈值，若判断为是，则卷积神经网络输出分类结果的准确率已经收敛，否则判断不收敛，其中，T≥5，i∈T。
CN201910701025.7A 2019-07-31 2019-07-31 一种基于静息态脑电数据的性别分类方法 Active CN110477909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910701025.7A CN110477909B (zh) 2019-07-31 2019-07-31 一种基于静息态脑电数据的性别分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910701025.7A CN110477909B (zh) 2019-07-31 2019-07-31 一种基于静息态脑电数据的性别分类方法

Publications (2)

Publication Number Publication Date
CN110477909A CN110477909A (zh) 2019-11-22
CN110477909B true CN110477909B (zh) 2021-11-09

Family

ID=68548897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910701025.7A Active CN110477909B (zh) 2019-07-31 2019-07-31 一种基于静息态脑电数据的性别分类方法

Country Status (1)

Country Link
CN (1) CN110477909B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070177B (zh) * 2020-09-18 2021-10-15 中国科学院自动化研究所 基于多任务信息提高目标检测泛化能力的脑机接口系统
CN112991335B (zh) * 2021-04-23 2024-04-26 合肥中聚源智能科技有限公司 一种想像能力评估方法、系统及可读存储介质
CN115115038B (zh) * 2022-08-30 2022-11-08 合肥心之声健康科技有限公司 一种基于单导联心电信号的模型构建方法及性别识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101254098A (zh) * 2007-10-19 2008-09-03 北京舒普生工贸有限公司 一种脑电超慢波检测分析方法及其数据处理装置
CN102609618A (zh) * 2012-02-07 2012-07-25 清华大学 基于信息流增益的大脑不对称指数计算方法
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
CN103996054A (zh) * 2014-06-05 2014-08-20 中南大学 一种基于组合差异进化的脑电信号特征选择及分类方法
CN107025284A (zh) * 2017-04-06 2017-08-08 中南大学 网络评论文本情感倾向的识别方法及卷积神经网络模型
CN108433722A (zh) * 2018-02-28 2018-08-24 天津大学 便携式脑电采集设备及其在ssvep和运动想象中的应用

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110224571A1 (en) * 2009-11-16 2011-09-15 Alvaro Pascual-Leone Non-invasive methods for evaluating cortical plasticity impairments
US8684921B2 (en) * 2010-10-01 2014-04-01 Flint Hills Scientific Llc Detecting, assessing and managing epilepsy using a multi-variate, metric-based classification analysis
WO2014018661A1 (en) * 2012-07-24 2014-01-30 Cerephex Corporation Method and apparatus for diagnosing and assessing central pain
US10524683B2 (en) * 2013-04-16 2020-01-07 Korea University Research And Business Foundation EEG-based brain-machine interface apparatus and method for recognizing human-intention using flickering visual stimulus
CN109977923B (zh) * 2019-04-12 2020-12-29 江西科技学院 基于脑电信号的驾驶员性别检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101254098A (zh) * 2007-10-19 2008-09-03 北京舒普生工贸有限公司 一种脑电超慢波检测分析方法及其数据处理装置
CN102609618A (zh) * 2012-02-07 2012-07-25 清华大学 基于信息流增益的大脑不对称指数计算方法
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
CN103996054A (zh) * 2014-06-05 2014-08-20 中南大学 一种基于组合差异进化的脑电信号特征选择及分类方法
CN107025284A (zh) * 2017-04-06 2017-08-08 中南大学 网络评论文本情感倾向的识别方法及卷积神经网络模型
CN108433722A (zh) * 2018-02-28 2018-08-24 天津大学 便携式脑电采集设备及其在ssvep和运动想象中的应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Characterizing Population EEG Dynamics throughout Adulthood;Ali Hashemi,et al;《eNeuro》;20161231;全文 *
基于脑电的复杂网络性别差异性研究;徐桂芝，付灵弟，尹宁，等;《生命科学仪器》;20141231;第29页，附图1-3 *

Also Published As

Publication number Publication date
CN110477909A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN109784242B (zh) 基于一维残差卷积神经网络的脑电信号去噪方法
CN110477909B (zh) 一种基于静息态脑电数据的性别分类方法
CN106963369B (zh) 一种基于神经网络模型的脑电放松度识别方法及装置
CN111709267B (zh) 深度卷积神经网络的脑电信号情感识别方法
CN108959895B (zh) 一种基于卷积神经网络的脑电信号eeg身份识别方法
CN107468243A (zh) 一种评估昏迷程度的方法及装置
CN113065526B (zh) 一种基于改进深度残差分组卷积网络的脑电信号分类方法
CN111166327A (zh) 基于单通道脑电信号和卷积神经网络的癫痫诊断装置
CN114366124B (zh) 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法
CN112450885B (zh) 一种面向癫痫脑电的识别方法
CN112465069A (zh) 一种基于多尺度卷积核cnn的脑电情绪分类方法
CN111860306A (zh) 基于宽度深度回声状态网络的脑电信号去噪方法
CN114692698A (zh) 一种基于残差网络的一维心电数据分类方法
CN115736944A (zh) 一种基于短时单导联心电信号的房颤检测模型mcnn-blstm
CN115281685A (zh) 基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质
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
CN110327033A (zh) 一种基于深度神经网络的心肌梗死心电图的筛查方法
CN109325410B (zh) 一种基于卷积神经网络的脑电信号eeg特征提取方法
CN111428601B (zh) 一种基于ms-cnn的p300信号识别方法、装置及存储介质
CN115409764A (zh) 一种基于域自适应的多模态眼底血管分割方法及装置
Dai et al. Study of cardiac arrhythmia classification based on convolutional neural network
CN115017960B (zh) 一种基于时空联合mlp网络的脑电信号分类方法及应用
CN116421200A (zh) 一种基于并行训练的多任务混合模型的脑电情感分析方法
CN110458066B (zh) 一种基于静息态脑电数据的年龄段分类方法
CN111166328A (zh) 基于多通道脑电数据和cnn-svm的癫痫脑电识别装置

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