CN111012335A - 基于非负cp分解模型的脑电意图解码方法 - Google Patents

基于非负cp分解模型的脑电意图解码方法 Download PDF

Info

Publication number
CN111012335A
CN111012335A CN201911194961.XA CN201911194961A CN111012335A CN 111012335 A CN111012335 A CN 111012335A CN 201911194961 A CN201911194961 A CN 201911194961A CN 111012335 A CN111012335 A CN 111012335A
Authority
CN
China
Prior art keywords
electroencephalogram
matrix
data
train
test
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
CN201911194961.XA
Other languages
English (en)
Other versions
CN111012335B (zh
Inventor
付荣荣
于宝
王世伟
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.)
Yanshan University
Original Assignee
Yanshan 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 Yanshan University filed Critical Yanshan University
Priority to CN201911194961.XA priority Critical patent/CN111012335B/zh
Publication of CN111012335A publication Critical patent/CN111012335A/zh
Application granted granted Critical
Publication of CN111012335B publication Critical patent/CN111012335B/zh
Priority to US17/105,752 priority patent/US11937934B2/en
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]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • 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
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • 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
    • G06F18/2411—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Abstract

本发明提供一种基于非负CP分解模型的脑电意图解码方法，该方法提取了边界规避任务中不同受试者脑电的时间组分特征，利用2‑DPCA对特征维度进行优化，并使用支持向量机对特征进行分类，能够反应出受试者不同状态下的脑电的差异，单个受试者的脑电分类准确率高；并且该方法利用脑电各模式间的相互作用，利用通道组分和频率组分获得脑电的时间组分特征，获取的脑电时间组分的特征可分性好，通过对其维度进行优化，可以有效的对边界规避任务中左、右手二类运动的脑电意图进行解码。

Description

基于非负CP分解模型的脑电意图解码方法
技术领域
本发明涉及生物信号处理和模式识别领域，具体涉及一种基于非负CP分解模型的脑电意图解码方法。
背景技术
脑电图是通过精密的电子仪器，从头皮上将脑部的自发性生物电位加以放大而记录获得的图形，是通过电极记录下来的脑细胞群的自发性、节律性电活动。对脑部活动的评估具有重要的意义，是研究脑部功能状态、神经疾病诊断和检测的重要临床工具。在脑电的研究中，一个关键的步骤就是从脑电图中有效地提取和识别特定受试者的特征参数。
在认知神经康复中，常用“运动想象”疗法来改善中风患者的认知功能障碍，中风患者在运动想象的过程依靠自身的想象激发脑电，脑部损伤的运动功能有可能通过运动想象来激活，并对神经通路进行修复。近年来，研究指出在边界规避任务过程中采集脑电，参与度高，受试者的脑电携带特征更明显。脑电信号特征参数的提取对神经疾病的诊断意义重大，传统的张量判别分析算法在脑-机接口领域应用中，通常侧重于提取单次运动想象脑电的频率分量，构建包含通道、频率和时间模式的三阶张量脑电数据，实现了对包含时间、频率和空间三个模式的脑电数据不同维度优化投影，提高了运动想象意图识别效果，然而这种本质上属于脑电特征的增强，忽略了脑电各模式间的相互作用。
发明内容
本发明的目的在于解决技术问题如何利用脑电张量各模式的相互作用，从边界规避任务中受试者的脑电中提取易被识别的时间组分的特征。
为解决上述技术问题，本发明提出一种基于非负CP分解模型的脑电意图解码方法，该方法基于非负CP分解模型提取受试者脑电的时间组分特征，利用2-DPCA对特征维度进行优化，并使用支持向量机对特征进行分类，能够有效的识别受试者在边界规避任务中的左、右手二类运动的脑电信号。
所述方法内容包括以下步骤：
步骤1、采用带宽参数为fb＝2Hz的复Morlet小波获取脑电的频率分量，构建包含通道、频率、时间和试验四个模式的四阶张量数据集，将所述数据集划分为训练集
Figure BDA00022944580500000214
和测试集
Figure BDA00022944580500000215
计算所述训练集
Figure BDA00022944580500000216
的均值
Figure BDA0002294458050000021
将
Figure BDA0002294458050000022
分解得到三个组分矩阵，
Figure BDA0002294458050000023
其中，
Figure BDA0002294458050000024
表示通道组分矩阵，
Figure BDA0002294458050000025
表示频率组分矩阵，
Figure BDA0002294458050000026
表示时间组分矩阵，
Figure BDA0002294458050000027
表示单位立方张量，
Figure BDA0002294458050000028
表示误差张量，c表示通道数量，f表示频率，t表示时间，m表示单位立方张量
Figure BDA00022944580500000217
的维度；
步骤2、基于张量各模式的相互作用，利用所述组分矩阵A和组分矩阵B从所述
Figure BDA00022944580500000218
和所述
Figure BDA00022944580500000219
提取时间组分的特征，表示为：
Figure BDA00022944580500000210
式中，⊙表示矩阵的Khatri-Rao乘积，上标
Figure BDA00022944580500000211
表示矩阵的伪逆，下标“3”表示张量的第三个模式，
Figure BDA00022944580500000212
其中，t表示时间，m表示单位立方张量
Figure BDA00022944580500000213
的维度，sr表示训练试验的数目，se表示测试试验的数目；
步骤3、采用2-DPCA算法对所述时间组分特征的维度进行优化；
步骤4、利用优化后的训练特征去训练支持向量机，得到一个分类模型，再用优化后的测试特征测试这个分类模型的分类性能，得到分类精度。
优选地，所述步骤1中，采用带宽参数为fb＝2Hz的复Morlet小波获取脑电的频率分量。
优选地，所述步骤1中，首先将所述脑电数据进行逐次截断，并选用8-13Hz带通滤波器进行滤波，再采用带宽参数为fb＝2Hz的所述复Morlet小波获取脑电的频率分量。
优选地，所述步骤1中，采用5折交叉验证来选取所述测试集和训练集，将左、右手二类脑电数据沿着实验模式方向随机划分成5组，分别将每一组数据用作测试集，用
Figure BDA0002294458050000031
表示，其余组数据用作训练集，用
Figure BDA0002294458050000032
表示。
优选地，所述步骤3包括以下具体步骤：
步骤31、计算所述Ctrain的协方差矩阵：
Figure BDA0002294458050000033
计算所述Gt的特征值和特征向量，取所述特征向量中特征值累计贡献率为0.97的l(l＜m)个特征向量来构成列方向投影空间
Figure BDA0002294458050000034
列方向投影结果为Ftrain,j＝Ctrain,jP，Ftest,j＝Ctest,jP；
式中，Gt是Ctrain中样本协方差矩阵的均值，
Figure BDA0002294458050000035
为Ctrain中样本的均值，sr表示训练试验的数目，t表示时间，m表示单位立方张量
Figure BDA00022944580500000312
的维度；
步骤32、计算Ftrain的协方差矩阵：
Figure BDA0002294458050000037
式中，
Figure BDA0002294458050000038
是Ftrain中样本协方差矩阵的均值，
Figure BDA0002294458050000039
为Ftrain中样本的均值，sr表示训练试验的数目，t表示时间，m表示单位立方张量
Figure BDA00022944580500000313
的维度；
步骤33、求所述
Figure BDA00022944580500000311
的特征值和特征向量，取所述特征向量中特征值累计贡献率为0.97的d(d＜t)个特征向量来构成行方向投影空间
Figure BDA0002294458050000041
步骤34、得到投影结果为：
Qtrain,j＝VTCtrain,jP，Qtest,j＝VTCtest,jP；
式中，V是行方向的投影空间，P是列方向的投影空间，Ctrain,j是单个的时间组分特征，Qtrain,j是优化后的特征，上标T表示矩阵的转置。
与现有技术相比，本发明具有以下有益效果：
根据本发明提取边界规避任务中不同受试者脑电的时间组分特征，利用2-DPCA对特征维度进行优化，并使用支持向量机进行分类，能够反应出受试者不同状态下的脑电的差异，单个受试者的脑电分类准确率高。基于非负CP分解模型利用脑电各模式间的相互作用，利用通道组分和频率组分获得脑电的时间组分特征；获取的脑电时间组分的特征可分性好，通过对其维度进行优化，可以有效的对边界规避任务中左、右手二类运动的脑电意图进行解码。
附图说明
图1是本发明的一个实施方式的总体的流程图；以及
图2是不同受试者的ROC曲线图和交叉验证箱线图。
具体实施方式
以下，参照附图对本发明的实施方式进行说明。
本发明的一种基于非负CP分解模型的脑电意图解码方法，其总体的流程图如图1所示，该方法内容包括以下步骤：
步骤1、将脑电数据进行逐次截断，并选用8-13Hz带通滤波器进行滤波、采用带宽参数为fb＝2Hz的复Morlet小波获取脑电的频率分量，构建四阶张量数据
Figure BDA0002294458050000042
其中，c表示通道，f表示频率，t表示时间，s表示实验，本实施例中s为120，包含左、右手运动脑电数据各60个；
采用5折交叉验证来选取测试集和训练集，将左、右手二类脑电数据沿着实验模式方向随机划分成5组，分别将每一组数据用作测试集，用
Figure BDA0002294458050000051
表示，其余组数据用作训练集，用
Figure BDA0002294458050000052
表示。首先计算训练数据的均值
Figure BDA0002294458050000053
然后将
Figure BDA0002294458050000054
表示为张量与矩阵的乘积：
Figure BDA0002294458050000055
得到三个组分矩阵。其中，
Figure BDA0002294458050000056
表示通道组分矩阵，
Figure BDA0002294458050000057
表示频率组分矩阵，
Figure BDA00022944580500000522
表示时间组分矩阵，
Figure BDA0002294458050000059
表示单位立方张量，
Figure BDA00022944580500000510
表示误差张量，c表示通道，f表示频率，t表示时间，m表示单位立方张量的维度；
步骤2、基于脑电各模式的相互作用，利用组分矩阵A和组分矩阵B从
Figure BDA00022944580500000511
和
Figure BDA00022944580500000523
提取时间组分的特征，表示为：
Figure BDA00022944580500000513
式中，⊙表示矩阵的Khatri-Rao乘积，上标
Figure BDA00022944580500000514
表示矩阵的伪逆，下标“3”表示张量的第三个模式，
Figure BDA00022944580500000515
其中，t表示时间，m表示单位立方张量
Figure BDA00022944580500000521
的维度，sr表示训练试验的数目，se表示测试试验的数目；
步骤3、采用2-DPCA算法对时间组分的特征的维度进行优化，包括以下具体步骤：
步骤31、计算Ctrain的协方差矩阵：
Figure BDA00022944580500000517
计算Gt的特征值和特征向量，取特征向量中特征值累计贡献率为0.97的l(l＜m)个特征向量来构成列方向投影空间
Figure BDA00022944580500000518
列方向投影结果为Ftrain,j＝Ctrain,jP，Ftest,j＝Ctest,jP；
式中，Gt是Ctrain中样本协方差矩阵的均值，
Figure BDA00022944580500000519
为Ctrain中样本的均值，sr表示训练试验的数目，t表示时间，m表示单位立方张量
Figure BDA00022944580500000520
的维度；
步骤32、计算Ftrain的协方差矩阵：
Figure BDA0002294458050000061
式中，
Figure BDA0002294458050000067
是Ftrain中样本协方差矩阵的均值，
Figure BDA0002294458050000063
为Ftrain中样本的均值，sr表示训练试验的数目，t表示时间，m表示单位立方张量
Figure BDA0002294458050000064
的维度；
步骤33、求
Figure BDA0002294458050000065
的特征值和特征向量，取特征向量中特征值累计贡献率为0.97的d(d＜t)个特征向量来构成行方向投影空间
Figure BDA0002294458050000066
步骤34、得到投影结果表示为：
Qtrain,j＝VTCtrain,jP，Qtest,j＝VTCtest,jP；
式中，V是行方向的投影空间，P是列方向的投影空间，Ctrain,j是单个的时间组分特征，Qtrain,j和Qtest,j分别是优化后的训练数据和测试数据的特征，上标“T”表示矩阵的转置。
步骤4、利用训练数据Qtrain训练支持向量机，得到一个分类模型，用测试数据Qtest验证这个模型的分类性能，得到分类精度。利用本发明对边界规避任务中10名受试者的左、右手二类运动脑电特征进行提取与识别，单个受试者的脑电分类准确率达90％以上，10名受试者的脑电平均识别准确率达到95.42％。
本实施例采用ROC曲线来评价分类的准确率。ROC曲线是以假阳性率(falsepositive rate，FPR)为横坐标、真阳性率(true positive rate，TPR)为纵坐标绘制的曲线。ROC曲线都应该处于(0，0)和(1，1)连线的上方，ROC曲线下方面积(area under curve)记为AUC，取值范围[0，1]，AUC的值越大，分类准确率越高。图2给出了S1～S10受试者的ROC曲线图及5折交叉验证箱线图，从图中看到S1～S10受试者的ROC曲线下方面积均较大，在0.95以上，说明分类有较好的准确率。每个受试者的AUC取值的中位数较高，极差小，说明识别效果较好。本实施例比较了不同分类器的分类效果，如表1所示，结果表明采用SVM分类器对脑电数据的分类效果更好。采用秩和校验来验证SVM分类器的分类效果，对于每个受试者的脑电数据，SVM分类结果存在一行向量判别分数(score)，通过类别标签可以把score分为两组，会得到两组行向量，每组代表一类，通过秩和校验两组数据是否来自同一分布，在统计学上认为这两组数据有95％的可能性来自不同的分布，即有区分度(有95％的把握认为分类结果是有效的)。
表1不同分类方法的准确率
Figure BDA0002294458050000071
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.一种基于非负CP分解模型的脑电意图解码方法，其特征在于，该方法包括以下具体步骤：
步骤1、获取脑电数据的频率分量，构建包含通道、频率、时间和试验四个模式的四阶张量数据，将所述四阶张量数据划分为训练集
Figure FDA0002294458040000011
和测试集
Figure FDA0002294458040000012
计算训练数据的均值
Figure FDA0002294458040000013
将
Figure FDA0002294458040000014
分解得到三个组分矩阵，
Figure FDA0002294458040000015
其中，
Figure FDA00022944580400000117
表示通道组分矩阵，
Figure FDA0002294458040000017
表示频率组分矩阵，
Figure FDA0002294458040000018
表示表示时间组分矩阵，
Figure FDA0002294458040000019
表示单位立方张量，
Figure FDA00022944580400000110
表示误差张量，c表示通道数量，f表示脑电数据的频率，t表示时间，m表示单位立方张量
Figure FDA00022944580400000111
的维度；
步骤2、基于张量各模式的相互作用，利用组分矩阵A和组分矩阵B从
Figure FDA00022944580400000112
和
Figure FDA00022944580400000113
提取时间组分的特征，表示为：
Figure FDA00022944580400000114
式中，⊙表示矩阵的Khatri-Rao乘积，上标
Figure FDA00022944580400000115
表示矩阵的伪逆，下标“3”表示张量的第三个模式，
Figure FDA00022944580400000116
sr表示训练试验的数目，se表示测试试验的数目；
步骤3、采用经典2-DPCA算法对时间组分的特征维度进行优化；
步骤4、利用训练数据训练支持向量机，得到一个分类模型，再用测试数据验证这个模型的分类性能，得到分类精度。
2.根据权利要求1所述基于非负CP分解模型的脑电意图解码方法，其特征在于，所述步骤1中，采用带宽参数为fb＝2Hz的复Morlet小波获取脑电的频率分量。
3.根据权利要求2所述基于非负CP分解模型的脑电意图解码方法，其特征在于，所述步骤1中，首先将所述脑电数据进行逐次截断，并选用8-13Hz带通滤波器进行滤波，再采用带宽参数为fb＝2Hz的所述复Morlet小波获取脑电的频率分量。
4.根据权利要求1所述基于非负CP分解模型的脑电意图解码方法，其特征在于，所述步骤1中，采用5折交叉验证来选取所述测试集和训练集，将左、右手二类脑电数据沿着实验模式方向随机划分成5组，分别将每一组数据用作测试集，用
Figure FDA0002294458040000021
表示，其余组数据用作训练集，用
Figure FDA0002294458040000022
表示。
5.根据权利要求1所述基于非负CP分解模型的脑电意图解码方法，其特征在于，所述步骤3包括以下具体步骤：
步骤31、计算所述Ctrain的协方差矩阵：
Figure FDA0002294458040000023
计算所述Gt的特征值和特征向量，取所述特征向量中特征值累计贡献率为0.97的l个特征向量来构成列方向投影空间
Figure FDA0002294458040000024
所述l＜m，列方向投影结果为Ftrain,j＝Ctrain,jP，Ftest,j＝Ctest,jP；
步骤32、计算Ftrain的协方差矩阵：
Figure FDA0002294458040000025
步骤33、求所述
Figure FDA0002294458040000026
的特征值和特征向量，取所述特征向量中特征值累计贡献率为0.97的d个特征向量来构成行方向投影空间
Figure FDA0002294458040000027
所述d＜t；
步骤34、得到投影结果为：
Qtrain,j＝VTCtrain,jP，Qtest,j＝VTCtest,jP。
CN201911194961.XA 2019-11-28 2019-11-28 基于非负cp分解模型的脑电意图解码方法 Active CN111012335B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911194961.XA CN111012335B (zh) 2019-11-28 2019-11-28 基于非负cp分解模型的脑电意图解码方法
US17/105,752 US11937934B2 (en) 2019-11-28 2020-11-27 EEG decoding method based on a non-negative CP decomposition model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911194961.XA CN111012335B (zh) 2019-11-28 2019-11-28 基于非负cp分解模型的脑电意图解码方法

Publications (2)

Publication Number Publication Date
CN111012335A true CN111012335A (zh) 2020-04-17
CN111012335B CN111012335B (zh) 2020-10-20

Family

ID=70203218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911194961.XA Active CN111012335B (zh) 2019-11-28 2019-11-28 基于非负cp分解模型的脑电意图解码方法

Country Status (2)

Country Link
US (1) US11937934B2 (zh)
CN (1) CN111012335B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115268747A (zh) * 2022-07-26 2022-11-01 中国医学科学院生物医学工程研究所 脑机接口数据处理方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090093964A1 (en) * 2005-11-17 2009-04-09 Universite De Rennes 1 Multi-dimensional parameter identification method and device: application to the location and reconstruction of deep electrical activities by means of surface observations
CN101947356A (zh) * 2010-10-22 2011-01-19 上海交通大学 基于脑机交互的损伤脑功能康复装置
CN103258215A (zh) * 2013-05-10 2013-08-21 杭州电子科技大学 一种多导联间相关性分析的脑电特征提取方法
CN105160154A (zh) * 2015-08-07 2015-12-16 武汉大学 一种基于平行因子的多维数据分析方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9480583B2 (en) * 2010-05-17 2016-11-01 Commissariat A L'energie Atomique Et Aux Energies Alternatives Direct neural interface system and method of calibrating it
US10531806B2 (en) * 2013-12-17 2020-01-14 University Of Florida Research Foundation, Inc. Brain state advisory system using calibrated metrics and optimal time-series decomposition
US10726311B2 (en) * 2017-09-13 2020-07-28 Hrl Laboratories, Llc Independent component analysis of tensors for sensor data fusion and reconstruction

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090093964A1 (en) * 2005-11-17 2009-04-09 Universite De Rennes 1 Multi-dimensional parameter identification method and device: application to the location and reconstruction of deep electrical activities by means of surface observations
CN101947356A (zh) * 2010-10-22 2011-01-19 上海交通大学 基于脑机交互的损伤脑功能康复装置
CN103258215A (zh) * 2013-05-10 2013-08-21 杭州电子科技大学 一种多导联间相关性分析的脑电特征提取方法
CN105160154A (zh) * 2015-08-07 2015-12-16 武汉大学 一种基于平行因子的多维数据分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUNFA FU 等: "Single-trial decoding of imagined grip force parameters involving the right or left hand based on movement-related cortical potentials", 《INFORMATION PROCESSING》 *
吴小培 等: "基于脑电四阶积累量的运动意识分类研究", 《生物物理学报》 *
徐鑫秀: "基于投影式非负张量分解方法的脑功能图像分类研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115268747A (zh) * 2022-07-26 2022-11-01 中国医学科学院生物医学工程研究所 脑机接口数据处理方法、装置、电子设备及存储介质
CN115268747B (zh) * 2022-07-26 2023-04-14 中国医学科学院生物医学工程研究所 脑机接口数据处理方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
US20210161478A1 (en) 2021-06-03
US11937934B2 (en) 2024-03-26
CN111012335B (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
Ozdemir et al. Epileptic eeg classification by using time-frequency images for deep learning
Subasi et al. EEG signal classification using PCA, ICA, LDA and support vector machines
Oikonomou et al. Comparative evaluation of state-of-the-art algorithms for SSVEP-based BCIs
Boashash et al. A methodology for time-frequency image processing applied to the classification of non-stationary multichannel signals using instantaneous frequency descriptors with application to newborn EEG signals
US8315970B2 (en) Method and rhythm extractor for detecting and isolating rhythmic signal features from an input signal using the wavelet packet transform
Mahajan et al. Classification of EEG using PCA, ICA and Neural Network
Mehla et al. A novel approach for automated alcoholism detection using Fourier decomposition method
US10299694B1 (en) Method of classifying raw EEG signals
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
CN109657646B (zh) 生理时间序列的特征表示与提取方法、装置及存储介质
Cura et al. Classification of epileptic EEG signals using synchrosqueezing transform and machine learning
Woon et al. Techniques for early detection of Alzheimer's disease using spontaneous EEG recordings
CN111368884B (zh) 一种基于矩阵变量高斯模型的运动想象脑电特征提取方法
CN110390272A (zh) 一种基于加权主成分分析的eeg信号特征降维方法
KavitaMahajan et al. A comparative study of ANN and SVM for EEG classification
Rodrigues et al. Multivariate time-series analysis via manifold learning
CN111012335B (zh) 基于非负cp分解模型的脑电意图解码方法
Nakra et al. Feature Extraction and Dimensionality Reduction Techniques with Their Advantages and Disadvantages for EEG-Based BCI System: A Review.
Carrión-Ojeda et al. A method for studying how much time of EEG recording is needed to have a good user identification
Cohen et al. Ensemble learning for alcoholism classification using eeg signals
CN109117790B (zh) 一种基于频空指标的脑纹识别方法
Zhang et al. Four-classes human emotion recognition via entropy characteristic and random Forest
Awang et al. Analysis of EEG signals by eigenvector methods
Puri et al. Detection of Alcoholism from EEG signals using Spectral and Tsallis Entropy with SVM
CN113780162A (zh) 一种结合多时段多频段csp算法的运动想象脑电解码方法

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
GR01 Patent grant
GR01 Patent grant