CN111310656A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111310656A CN111310656A CN202010091776.4A CN202010091776A CN111310656A CN 111310656 A CN111310656 A CN 111310656A CN 202010091776 A CN202010091776 A CN 202010091776A CN 111310656 A CN111310656 A CN 111310656A
- Authority
- CN
- China
- Prior art keywords
- data
- principal component
- component analysis
- analysis
- tensor
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 18
- 238000013145 classification model Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 210000004556 brain Anatomy 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 238000011160 research Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- VZCCETWTMQHEPK-QNEBEIHSSA-N gamma-linolenic acid Chemical compound CCCCC\C=C/C\C=C/C\C=C/CCCCC(O)=O VZCCETWTMQHEPK-QNEBEIHSSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种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,该方法能够从时域、频域和空间域各找到一个投影矩阵对3维EEG张量数据进行投影从而实现对原始EEG张量数据的降维,然后再结合线性分类方法进行分类。与传统的主成分分析方法相比,本发明提出的多线性主成分分析的方法直接在多维张量中从多个维度进行降维,保留了信号的空间结构信息,经过降维后再展开成一维向量形式用于分类,因此相比于传统的基于主成分分析的方法,本发明提出的方法保留了EEG信号的空间特性;相比于EEG时域分析,频域分析,时频分析或时空分析,本发明从时域,频域,空间域多模态分析EEG信号,能够提取更加全面的特征,在小样本情况下脑电识别效果依然较高。
Description
技术领域
本发明涉及生物信号处理领域,具体涉及一种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。
背景技术
脑电信号(electroencephalography,EEG)是由大脑神经元活动产生的信号,其中包含了丰富的大脑状态信息,为实现脑-机接口(brain-computer interface,BCI)需要对脑电信号进行有效解码,解码过程包括对EEG信号进行特征提取和模式分类。近几年来,国际上许多研究小组投入了大量精力对单次运动想象脑电信号(motor imageryelectroencephalography,MI-EEG)的特征提取方法进行研究。直接从时域提取特征是最早发展起来的方法,因为它直观性强,物理意义比较明确。然而,由于脑电信号的波形过于复杂,目前还没有一个特别行之有效的EEG时域分析方法;由于EEG信号的很多主要特征是反映在频域上的,功率谱估计是频域分析的重要手段,因此谱分析技术在脑电信号处理中占有特别重要的位置,但是,功率谱估计不能反映出脑电频谱的时变性,所以对脑电这样的时变非平稳过程单从频域的功率谱估计会丢失时变的信息;信号的时频分析技术,不同于以往的单纯时域或者频域分析,它是一种同时在时间和频率域中对信号进行分析的技术,主要分为线性变化和非线性变换两类。目前应用最为广泛的方法是小波变换理论。小波分析在高频时使用短窗口,而在低频时使用宽窗口,充分体现了相对带宽频率分析和适应变分辨率分析的思想,从而为信号的实时分析提供了一条可能途径。目前,脑电信号的时频分析研究已取得了很多有价值的研究成果。但是小波变换效果严重依赖于连续小波变换时中心频率和带宽的选择,目前这些参数的选择往往依赖于经验或实验,对于个体差异较大的脑电信号,其效果不够稳定;考虑脑电在头皮的空间分布,将时间和空间的信息进行融合分析的时空分析方法有利于揭示和增强多导脑电信号中的隐含特征。时空分析方法能给人们提供更多的信息,是EEG信号分析中的一个重要研究方向,但是其忽略了脑电信号包含的频域信息。
发明内容
本发明要解决的技术问题在于提供一种能够获得更加全面EEG信号特征的信号分析方法。针对上述技术问题,本发明提出了一种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,该方法能够从时域、频域和空间域各找到一个投影矩阵对3维EEG张量数据进行投影从而实现对原始EEG张量数据的降维,然后再结合线性分类方法进行分类。
所述方法包括以下具体步骤:
步骤1、利用小波分析方法建立多次实验的三阶EEG张量数据,并将所述三阶EEG张量数据随机分成训练集和测试集,包括如下具体步骤:
步骤11、在受试者根据提示想象左右手的运动时,采集受试者的脑电数据,并将采集到的每次运动想象时的脑电数据依次根据提示的时间点开始截取一定时长的脑电数据,组成包括时间、空间两个维度的单次运动想象脑电数据矩阵,所述空间代表不同的采集通道;
步骤12、对所述脑电数据进行带通滤波;
步骤2、利用多线性主成分分析方法训练所述测试集得到多模态降维投影矩阵,并对所述训练集进行投影,得到降维的训练集数据,包括如下具体步骤:
步骤22、计算初始协方差矩阵Xm(n)Xm(n) T,式中Xm(n)为Xmn模展开后的矩阵,并对所述初始协方差矩阵进行特征分解,取最大的d'个特征值对应的特征向量组成投影矩阵U(n)(n=1,2,3),得到初始化的降维投影矩阵;
步骤23、对步骤22得到的所述初始化降维投影矩阵进行局部优化,包括如下具体步骤;
步骤234、判断是否成立,式中k为优化迭代次数,η为自定义的阈值,如果得到最终的投影矩阵1U(1),2U(2),3U(3),计算得到经过多线性主成分分析降维后的训练集数据;否则重复步骤231、232和233;
步骤3、利用所述降维的训练集数据进行特征选择后训练分类器,得到最优的分类模型,包括如下具体步骤:
步骤31、将所述降维后的多组三阶张量形式的训练集数据展开为一维数组,计算每一个特征分量的类内离散度类间离散度和二者的比值式中k=1,2,…,K,K为类别数;Mk为每类样本的样本数;Vm为第k类样本;为每类样本的均值;为全体样本的均值;
步骤32、将所述每一特征分量按照J的大小排序,只保留最大的前D组特征分量,所述D为自定义的特征数,可以多次尝试寻找最佳的特征数;
步骤33、利用得到的数据训练分类器得到分类投影矩阵Uclassify;
步骤4、用降维后的测试集数据检验最终的分类性能,得到分类准确率,包括如下具体步骤:
步骤42、经过分类矩阵Uclassify投影得到类别,最终得到分类准确率。
优选地,所述步骤11中将采集到的脑电数据依次根据提示的时间点截取时长为1秒的脑电数据。
优选地,所述步骤12中,所述带通滤波的通带范围为8~13Hz。
优选地,所述步骤13中,所述复Morlet小波的带宽参数为1Hz,中心频率为2Hz。
优选地,所述步骤234中,阈值η为10-6。
优选地,所述步骤32中,所述自定义的特征数D为35。
与现有技术相比,本发明有如下有益效果:
传统的主成分分析方法是通过将多维信号直接展开成一维向量形式,导致降维过程总是在一维向量中进行,丢失了脑电信号的空间结构,即信号采集的脑电通道信息。本发明提出的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直接在多维张量中从多个维度进行降维,保留了信号的空间结构信息,经过降维后再展开成一维向量形式用于分类,因此相比于传统的基于主成分分析的方法,本发明提出的方法保留了EEG信号的空间特性;
相比于EEG时域分析,频域分析,时频分析或时空分析,本发明从时域,频域,空间域多模态分析EEG信号,能够提取更加全面的特征,在小样本情况下脑电识别效果依然较高。
附图说明
图1是本发明实施例提出的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的总体流程图;
图2是本发明实施例的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的具体操作步骤示意图;以及
图3是本发明实施例的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的识别准确率示意图。
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。
本发明实施例提出的一种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的总体流程图如图1所示,该方法内容包括以下步骤:
步骤1、利用小波分析方法建立多次实验的三阶EEG张量数据,并随机分成训练集和测试集,包括如下具体步骤:
步骤11、受试者根据提示想象左右手的运动时,采用高精度移动式脑电波测试仪器EMOTIV EPOC+14采集受试者的脑电数据,将采集到的连续脑电信号根据提示的时间点截取成每个受试者每次运动想象时每个通道的脑电数据,最后组成每个受试者的时间×空间两维单次运动想象脑电数据矩阵,空间就是不同的采集通道,时间长度为从提示的时间点开始的1秒;
步骤12、对这些信号进行8~13Hz的带通滤波;
步骤2、利用多线性主成分分析方法训练测试集得到多模态降维投影矩阵,对训练集进行投影,如图2所示,包括如下具体步骤:
步骤22、计算初始协方差矩阵Xm(n)Xm(n) T,Xm(n)为Xmn模展开后的矩阵,并对其进行特征分解,取最大的d'个特征值对应的特征向量组成投影矩阵U(n)(n=1,2,3),得到初始化的降维投影矩阵;
步骤23、再对步骤22得到的初始化的降维投影矩阵进行局部优化,包括如下具体步骤;
步骤234、判断是否成立,式中k为优化迭代次数,η为自定义的阈值,如果得到最终的投影矩阵1U(1),2U(2),3U(3),计算得到经过多线性主成分分析降维后的训练集数据;否则重复步骤231、232和233;
步骤3、利用降维后的训练集数据进行特征选择后训练分类器,得到最优的分类模型,包括如下具体步骤:
步骤31、降维后的训练集数据为多组三阶张量形式,先将其展开为一维数组,计算每一个特征分量的类内离散度类间离散度和二者的比值式中k=1,2,…,K,K为类别数;Mk为每类样本的样本数;Vm为第k类样本;为每类样本的均值;为全体样本的均值;
步骤32、将每一特征分量按照J的大小排序,只保留最大的前D组特征分量,D为自定义的特征数,可以多次尝试寻找最佳的特征数;
步骤33、利用得到的数据训练分类器得到分类投影矩阵Uclassify。
步骤4、用降维后的测试集数据检验最终的分类性能,得到分类准确率,包括如下具体步骤:
步骤42、经过分类矩阵Uclassify投影得到类别,最终得到分类准确率。本实施例的识别准确率如图3所示,取多组准确率均值得到本方案准确率(ACC)为94.4%。
本发明设计了一种EEG张量多模态分析的方法,这种方法能够从复杂EEG信号中读取与任务相关的时域,空间,频域判别投影模式,相比于单纯的时域,频域分析或者时频分析,时空分析,能够获得更加全面的特征,从而能取得更好的模式识别效果,多次实验平均准确率能达到94.4%。
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 (7)
1.一种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,其特征在于,该方法包括以下具体步骤:
步骤1、利用小波分析方法建立多次实验的三阶EEG张量数据,并将所述三阶EEG张量数据随机分成训练集和测试集,包括如下具体步骤:
步骤11、在受试者根据提示想象左右手的运动时,采集受试者的脑电数据,并将采集到的每次运动想象时的脑电数据依次根据提示的时间点开始截取一定时长的脑电数据,组成包括时间、空间两个维度的单次运动想象脑电数据矩阵,所述空间代表不同的采集通道;
步骤12、对所述脑电数据进行带通滤波;
步骤2、利用多线性主成分分析方法训练所述测试集得到多模态降维投影矩阵,并对所述训练集进行投影,得到降维的训练集数据,包括如下具体步骤:
步骤22、计算初始协方差矩阵Xm(n)Xm(n) T,式中Xm(n)为Xm n模展开后的矩阵,并对所述初始协方差矩阵进行特征分解,取最大的d'个特征值对应的特征向量组成投影矩阵U(n)(n=1,2,3),得到初始化的降维投影矩阵;
步骤23、对步骤22得到的所述初始化降维投影矩阵进行局部优化,包括如下具体步骤;
步骤234、判断是否成立,式中k为优化迭代次数,η为自定义的阈值,如果得到最终的投影矩阵1U(1),2U(2),3U(3),计算得到经过多线性主成分分析降维后的训练集数据;否则重复步骤231、232和233;
步骤3、利用所述降维的训练集数据进行特征选择后训练分类器,得到最优的分类模型,包括如下具体步骤:
步骤31、将所述降维后的多组三阶张量形式的训练集数据展开为一维数组,计算每一个特征分量的类内离散度类间离散度和二者的比值式中k=1,2,…,K,K为类别数;Mk为每类样本的样本数;Vm为第k类样本;为每类样本的均值;为全体样本的均值;
步骤32、将所述每一特征分量按照J的大小排序,只保留最大的前D组特征分量,所述D为自定义的特征数,可以多次尝试寻找最佳的特征数;
步骤33、利用得到的数据训练分类器得到分类投影矩阵Uclassify;
步骤4、用降维后的测试集数据检验最终的分类性能,得到分类准确率,包括如下具体步骤:
步骤42、经过分类矩阵Uclassify投影得到类别,最终得到分类准确率。
2.根据权利要求1所述的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,其特征在于,所述步骤11中将采集到的脑电数据依次根据提示的时间点截取时长为1秒的脑电数据。
3.根据权利要求1所述的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,其特征在于,所述步骤12中,所述带通滤波的通带范围为8~13Hz。
4.根据权利要求1所述的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,其特征在于,所述步骤13中,所述复Morlet小波的带宽参数为1Hz,中心频率为2Hz。
6.根据权利要求1所述的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,其特征在于,所述步骤234中,阈值η为10-6。
7.根据权利要求1所述的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,其特征在于,所述步骤32中,所述自定义的特征数D为35。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010091776.4A CN111310656A (zh) | 2020-02-13 | 2020-02-13 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010091776.4A CN111310656A (zh) | 2020-02-13 | 2020-02-13 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111310656A true CN111310656A (zh) | 2020-06-19 |
Family
ID=71156589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010091776.4A Pending CN111310656A (zh) | 2020-02-13 | 2020-02-13 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310656A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036354A (zh) * | 2020-09-09 | 2020-12-04 | 东南大学 | 一种基于黎曼几何的自然动作脑电识别方法 |
CN113143295A (zh) * | 2021-04-23 | 2021-07-23 | 河北师范大学 | 基于运动想象脑电信号的设备控制方法及终端 |
CN113158793A (zh) * | 2021-03-15 | 2021-07-23 | 东北电力大学 | 一种基于多特征融合的多类运动想象脑电信号识别方法 |
CN113220120A (zh) * | 2021-04-27 | 2021-08-06 | 武汉理工大学 | 一种融合主客观评估的自适应运动想象脑机接口训练方法 |
CN113349795A (zh) * | 2021-06-15 | 2021-09-07 | 杭州电子科技大学 | 基于稀疏低秩张量分解的抑郁症脑电分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116764A (zh) * | 2013-03-02 | 2013-05-22 | 西安电子科技大学 | 一种基于多线性主元分析的大脑认知状态判定方法 |
CN104586387A (zh) * | 2015-01-19 | 2015-05-06 | 秦皇岛市惠斯安普医学系统有限公司 | 一种时、频、空域多参数脑电特征提取与融合方法 |
CN105956624A (zh) * | 2016-05-06 | 2016-09-21 | 东南大学 | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 |
CN108960299A (zh) * | 2018-06-15 | 2018-12-07 | 东华大学 | 一种多类运动想象脑电信号的识别方法 |
CN109472194A (zh) * | 2018-09-26 | 2019-03-15 | 重庆邮电大学 | 一种基于cblstm算法模型的运动想象脑电信号特征识别方法 |
CN109480834A (zh) * | 2018-12-20 | 2019-03-19 | 浙江大学 | 一种基于快速多维经验模态分解的脑电信号分类方法 |
-
2020
- 2020-02-13 CN CN202010091776.4A patent/CN111310656A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116764A (zh) * | 2013-03-02 | 2013-05-22 | 西安电子科技大学 | 一种基于多线性主元分析的大脑认知状态判定方法 |
CN104586387A (zh) * | 2015-01-19 | 2015-05-06 | 秦皇岛市惠斯安普医学系统有限公司 | 一种时、频、空域多参数脑电特征提取与融合方法 |
CN105956624A (zh) * | 2016-05-06 | 2016-09-21 | 东南大学 | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 |
CN108960299A (zh) * | 2018-06-15 | 2018-12-07 | 东华大学 | 一种多类运动想象脑电信号的识别方法 |
CN109472194A (zh) * | 2018-09-26 | 2019-03-15 | 重庆邮电大学 | 一种基于cblstm算法模型的运动想象脑电信号特征识别方法 |
CN109480834A (zh) * | 2018-12-20 | 2019-03-19 | 浙江大学 | 一种基于快速多维经验模态分解的脑电信号分类方法 |
Non-Patent Citations (1)
Title |
---|
王金甲 等: "脑机接口中多线性主成分分析的张量特征提取", 《生物医学工程学杂志》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036354A (zh) * | 2020-09-09 | 2020-12-04 | 东南大学 | 一种基于黎曼几何的自然动作脑电识别方法 |
CN112036354B (zh) * | 2020-09-09 | 2022-04-29 | 东南大学 | 一种基于黎曼几何的自然动作脑电识别方法 |
CN113158793A (zh) * | 2021-03-15 | 2021-07-23 | 东北电力大学 | 一种基于多特征融合的多类运动想象脑电信号识别方法 |
CN113158793B (zh) * | 2021-03-15 | 2023-04-07 | 东北电力大学 | 一种基于多特征融合的多类运动想象脑电信号识别方法 |
CN113143295A (zh) * | 2021-04-23 | 2021-07-23 | 河北师范大学 | 基于运动想象脑电信号的设备控制方法及终端 |
CN113220120A (zh) * | 2021-04-27 | 2021-08-06 | 武汉理工大学 | 一种融合主客观评估的自适应运动想象脑机接口训练方法 |
CN113220120B (zh) * | 2021-04-27 | 2022-08-30 | 武汉理工大学 | 一种融合主客观评估的自适应运动想象脑机接口训练方法 |
CN113349795A (zh) * | 2021-06-15 | 2021-09-07 | 杭州电子科技大学 | 基于稀疏低秩张量分解的抑郁症脑电分析方法 |
CN113349795B (zh) * | 2021-06-15 | 2022-04-08 | 杭州电子科技大学 | 基于稀疏低秩张量分解的抑郁症脑电分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Lakshmi et al. | Survey on EEG signal processing methods | |
Ince et al. | Adapting subject specific motor imagery EEG patterns in space–time–frequency for a brain computer interface | |
CN110781945A (zh) | 一种融合多种特征的脑电信号情感识别方法及系统 | |
Darvishi et al. | Brain-computer interface analysis using continuous wavelet transform and adaptive neuro-fuzzy classifier | |
Anderson et al. | Geometric subspace methods and time-delay embedding for EEG artifact removal and classification | |
CN104586387A (zh) | 一种时、频、空域多参数脑电特征提取与融合方法 | |
CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
CN113158793A (zh) | 一种基于多特征融合的多类运动想象脑电信号识别方法 | |
CN111184509A (zh) | 一种基于传递熵的情绪诱导脑电信号分类方法 | |
CN112890827B (zh) | 一种基于图卷积和门控循环单元的脑电识别方法及系统 | |
CN113536882B (zh) | 一种多类运动想象脑电信号特征提取及分类方法 | |
CN110399846A (zh) | 一种基于多通道肌电信号相关性的手势识别方法 | |
CN112515685A (zh) | 基于时频共融的多通道脑电信号通道选择方法 | |
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 | |
Jinliang et al. | EEG emotion recognition based on granger causality and capsnet neural network | |
CN109009098B (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
Taherisadr et al. | EEG signal dimensionality reduction and classification using tensor decomposition and deep convolutional neural networks | |
CN115414051A (zh) | 一种脑电信号自适应窗口的情绪分类识别方法 | |
CN106503733A (zh) | 基于na‑memd和gmm聚类的有用信号识别方法 | |
Nakra et al. | Feature Extraction and Dimensionality Reduction Techniques with Their Advantages and Disadvantages for EEG-Based BCI System: A Review. | |
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 | |
Azami et al. | Automatic signal segmentation based on singular spectrum analysis and imperialist competitive algorithm | |
CN114358090B (zh) | 一种基于psd和csp的运动想象脑电信号分类方法 | |
CN107423668A (zh) | 基于小波变换和稀疏表达的脑电信号分类系统与方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200619 |