CN111898526B - 基于多流卷积神经网络的肌电手势识别方法 - Google Patents

基于多流卷积神经网络的肌电手势识别方法 Download PDF

Info

Publication number
CN111898526B
CN111898526B CN202010744969.5A CN202010744969A CN111898526B CN 111898526 B CN111898526 B CN 111898526B CN 202010744969 A CN202010744969 A CN 202010744969A CN 111898526 B CN111898526 B CN 111898526B
Authority
CN
China
Prior art keywords
data
signal
layer
method based
recognition method
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
CN202010744969.5A
Other languages
English (en)
Other versions
CN111898526A (zh
Inventor
郭剑
杨镛
杨琳
姚敏
褚萍萍
韩崇
王娟
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010744969.5A priority Critical patent/CN111898526B/zh
Publication of CN111898526A publication Critical patent/CN111898526A/zh
Application granted granted Critical
Publication of CN111898526B publication Critical patent/CN111898526B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F2218/12—Classification; Matching
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

基于多流卷积神经网络的肌电手势识别方法，采用的技术方案为基于多流CNN网络架构的肌电手势识别方法，使用双层CNN网络提取肌电信号特征，其次将两层获取到的特征进行融合。针对肌电信号时序性，将处理的融合数据利用RNN网络进行再次训练最后分类。该模型架构可以获取更多的原始肌电信号特征进行训练来提高识别率，另一方面又减少了训练的时长。

Description

基于多流卷积神经网络的肌电手势识别方法
技术领域
本发明属于生物特征领域，具体涉及一种基于多流卷积神经网络的肌电手势识别方法。
背景技术
肌电信号由人体脊柱神经在运动时产生，并且沿着肌肉纤维向两端传播。信号在传播的同时产生电场，针电极收集到的肌电信号称为针肌电信号，而通过表面电极所获取到的信号称为表面肌电信号。表面肌电信号是一种宝贵的生理信号。由于表面肌电信号和人体肌肉状态存在紧密的联系，可以利用肌电信号对手部动作进行识别。目前主流的识别方法包括基于机器学习手势识别与基于深度学习识别方法。
对于机器学习，肌电信号的一般处理流程包括肌电信号的采集、预处理、特征提取、分类。信号采集中首先使用的为时域信号，这种信号应用广但稳定性很差。其次为频域信号，这种信号稳定性较好但其幅值随时间变化较大。因此，目前使用较多的为时频域混合信号。预处理环节是非常重要的环节。在原始的肌电信号里，存在环境噪音、传感器设备噪音、电极片自身噪音等干扰噪音。针对原始肌电信号，必须将其进行降噪处理否则会极大影响手势的识别。特征提取环节中需要从肌电信号中提取出要识别的特征，常见的特征有谱距、中值频率、平均绝对值等。分类为环节的最后一步也是最为关键的一步，过去中最为常见的为机器学习方法，例如支持向量机、K近邻算法、主成分分析等方法。近年来随着计算机硬件水平提升，深度学习重回大众视野。深度学习分为两个部分，特征提取与分类。特征提取主要包括预处理和构建合适的网络模型，分类主要负责对构造好的模型进行训练获得最后的结果。
对于深度学习，目前使用较频繁的深度学习网络为卷积神经网络(ConvolutionalNeural Network，CNN)。与传统的神经网络不同，在含有卷积层的单元中使用卷积运算取代原来的矩阵乘积运算。其优点是可以更好地提取出原始数据的高维特征。另有一种深度学习网络为循环神经网络(Recurrent Neural Network，RNN)，其主要处理基于序列的数据，例如文本信息等。常见的CNN网络或RNN网络处理流程一般包括对数据的预处理、数据标记、特征提取，最后利用Softmax等函数进行分类。
目前，这两种方法处理表面肌电信号都还存在着缺陷。对于传统的机器学习方法，使用的特征大多为浅层特征。没有对肌电信号的深层特征进行训练，因此往往得到的准确率较低而且识别的手势种类数较少。传统的单层CNN网络在多次训练后得到原始数据的高维信息，与此同时会丢弃掉许多有关的有用特征信息。肌电信号是一种时序性信号，其信号之间具有很强的时间关联性。传统的CNN网络不能利用其时序性，训练精度不能得到进一步提高。
发明内容
针对目前问题，本发明提出一种基于多流卷积神经网络的肌电手势识别方法，利用CNN与RNN混合网络架构来对肌电信号进行特征提取和训练。本发明使用双层CNN网络提取肌电信号特征，其次将两层获取到的特征进行融合。针对肌电信号时序性，将处理的融合数据利用RNN网络进行再次训练最后分类。该模型架构可以获取更多的原始肌电信号特征进行训练来提高识别率，另一方面又减少了训练的时长。
基于多流卷积神经网络的肌电手势识别方法，包括如下步骤：
步骤1：数据预处理；对原始的肌电信号首先进行降噪处理，然后通过数据析取排除干扰，最后对数据进行标记，并将一维肌电信号转换为二维格式；
步骤2：CNN架构获取预处理数据的高维特征；使用双并行CNN网络架构。每一层都包含卷积层、池化层等，但其内部参数例如卷积核大小等不同。将处理过的肌电信号分别输入到两层获得其特征。
步骤3：数据特征融合；对上述两层CNN网络产生的数据进行降维处理，最后使用拼接函数将处理过的数据进行拼接；
步骤4：RNN网络处理融合数据；使用由两层GRU网络组成的串行RNN网络变体，门控循环单元GRU处理融合后的数据，并在GRU后加入Attention机制来分析处理数据获得其时序特征；
步骤5：手势分类；引入全连接层和Softmax层对上述时序特征进行分类。
进一步地，步骤1中，使用EMD自相关方法进行降噪处理，将一个肌电信号分解为有限个固有模态函数分量IMF，将高频IMF信号利用自相关函数处理得到方差，若方差小于阈值则使用CTW小波对其去噪，将最终处理得到的两种信号融合就得到去噪的表面肌电信号。
进一步地，步骤1中，将表面肌电信号按照频谱图信号规律丢弃出异常部分以进行数据析取。
进一步地，步骤1中，对数据进行标记，针对每种手势对相应的肌电信号添加标签，由此来获得网络训练需要的训练集、测试集和验证集。
进一步地，步骤1中，将一维肌电信号转换为二维格式，设肌电信号采样频率为FHz，采样手势时间为Tms，利用滑动窗口法来实现；设置窗口长度Kms、滑动步长Sms，针对Tms手势采样时间，使用滑动窗口划分产生(T-K)/S+1个子段信号B，每个子段信号Bi(i∈{1,2,…,(T-K)/S+1})中含有K*F个数据点，设处理后得到图片宽为W高为H则W*H＝K*F，对于采集设备为多通道，假设通道数为C则最后得到的数据格式为W*H*C。
进一步地，步骤2中，CNN网络架构的上下两层网络均分为三层卷积层、三层池化层，卷积层在前池化层在后以次相互间隔，卷积层与池化层之间使用批量归一化BN处理数据，同时在归一化处理之后使用ReLu激活函数。
进一步地，步骤3中，使用Concatenate函数将处理过的数据进行拼接。
进一步地，步骤5中，对RNN网络得到的数据进行Flatten处理使其数据一维化，设置一层全连接层其神经元个数为R，全连接层后加入Dropout层，之后引入Softmax分类层，内部神级元个数为Q大小等于需分类的手势个数，该层对每种手势类别进行概率计算，分值最大的即为该信号的手势类别。
本发明的有益效果为：
1，对表面肌电信号没有使用单一种类信号，使用了时频域混合信号可以更好地提取到肌电信号双重特征即时域特征与频域特征，提升识别率。
2，在CNN层使用并行架构。对于双层网络架构，一层设置大卷积核提取特征，另一层设置小卷积核提取特征。这样可以更好地利用肌肉相关性提取出更多有益特征，提升识别率。
3，加入RNN网络变体GRU单元处理肌电信号获得肌电信号时序特征，并使用Attention机制辅助提取，从而提高识别准确率。除此之外，与长短时记忆(Long ShortTerm Memory，LSTM)网络相比，GRU取得的效果基本相同且具有更少的门函数，因此会缩短网络的训练时长。
附图说明
图1是本发明实施例中所述的sEMG信号预处理流程图。
图2是本发明实施例中所述的多流CNN网络模型架构说明图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
针对目前问题，本发明提出一种多流CNN网络架构，利用CNN与RNN混合网络架构来对肌电信号进行特征提取和训练。本发明采用的技术方案为基于多流CNN网络架构的肌电手势识别方法，使用双层CNN网络提取肌电信号特征，其次将两层获取到的特征进行融合。针对肌电信号时序性，将处理的融合数据利用RNN网络进行再次训练最后分类。该模型架构可以获取更多的原始肌电信号特征进行训练来提高识别率，另一方面又减少了训练的时长。
步骤1：如图1数据预处理所示，首先对原始的表面肌电信号进行降噪处理，这里使用的方法为EMD自相关方法肌电信号属于非平稳信号，EMD能够将一个复杂的非平稳信号分解为有限个固有模态函数分量(Intrinsic Mode Function，IMF)。此时将高频IMF信号利用自相关函数处理得到方差，若方差小于阈值则使用CTW小波对其去噪。将最终处理得到的两种信号融合就得到去噪的表面肌电信号。
去噪之后，进行数据析取。针对环境、设备等因素干扰问题，需要将表面肌电信号按照频谱图信号规律丢弃出异常部分。最后需要对数据进行标记，针对每种手势对相应的肌电信号添加标签，由此来获得网络训练需要的训练集、测试集和验证集。
由于CNN网络善于处理图片格式数据，故将一维肌电信号转换为二维格式。假设肌电信号采样频率为F Hz，采样手势时间为Tms，这里利用滑动窗口法来实现。设置窗口长度Kms、滑动步长Sms,针对Tms手势采样时间，使用滑动窗口划分产生(T-K)/S+1个子段信号B，每个子段信号Bi(i∈{1,2,…,(T-K)/S+1})中含有K*F个数据点，设处理后得到图片宽为W高为H则W*H＝K*F。对于采集设备为多通道，假设通道数为C则最后得到的数据格式为W*H*C。
步骤2：如图2中的多流CNN网络模块所示，上下两层网络均分为三层卷积层、三层池化层(一般使用Max pooling层)。卷积层在前池化层在后以次相互间隔，卷积层与池化层之间还使用了批量归一化(Batch Normalization，BN)处理数据使其具有更好的泛化能力。同时在归一化处理之后使用了ReLu激活函数主要可以防止在训练时发生梯度消失同时可以提升训练的速度。网络的具体参数设置如下：以卷积层一、池化层一举例，卷积层一卷积核个数为F1，卷积核大小为E11*G11，滑动步长为S1*S2。池化层一过滤器大小为K11*L11，滑动步长为M1*M2。由此得六层卷积层参数卷积核个数为Fi(i∈{1,2,…,6})，卷积核大小为Eij*Gij(i∈{1,2},j∈{1,2,3})，滑动步长为Si*Sj(i∈{1,3,5,7,9,11},j∈{2,4,6,8,10,12})。六层池化层过滤器大小为Kij*Lij(i∈{1,2},j∈{1,2,3})，滑动步长为Mi*Mj(i∈{1,3,5,7,9,11},j∈{2,4,6,8,10,12})。
步骤3：如图2中的数据融合模块所示，CNN网络每层最终的输出结果均为三维。对于第一层可设为W1*H1*C1，W1为新宽度、H1为新高度、C1为新的通道数。对新数据进行降维处理来匹配对下层网络的输入，降维产生数据为N1*P1，N1为时间步长，P1为所含神经元数，满足W1*H1*C1＝N1*P1。同理对第二层也可得类似数据，最后使用Concatenate函数将处理过的数据进行拼接。
步骤4：如图2中RNN模块所示，RNN网络对产生的融合数据进行特征提取。RNN网络为线性结构由两层GRU网络组成，GRU单元与LSTM相比具有更少的门函数，只具有更新门与重置门。训练过程中网路进行前向传播与反向传播更新门函数及其他网络参数。在GRU最后加入Attention模块来帮助网络更好地提取出融合数据的时序特征。
步骤5：如图2中的手势分类模块，对上层RNN网络得到的数据进行Flatten处理使其数据一维化，设置一层全连接层其神经元个数为R，全连接层后加入Dropout层来防止训练过拟合，神经单元保留概率为P。最后引入Softmax分类层，内部神级元个数为Q大小等于需分类的手势个数。该层对每种手势类别进行概率计算，分值最大的即为该信号的手势类别。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (8)

1.基于多流卷积神经网络的肌电手势识别方法，其特征在于：所述方法包括如下步骤：
步骤1：数据预处理；对原始的肌电信号首先进行降噪处理，然后通过数据析取排除干扰，最后对数据进行标记，并将一维肌电信号转换为二维格式；
步骤2：CNN架构获取预处理数据的高维特征；使用双并行CNN网络架构；每一层都包含卷积层、池化层，但其内部参数不同；将处理过的肌电信号分别输入到两层获得其特征；
步骤3：数据特征融合；对上述两层CNN网络产生的数据进行降维处理，最后使用拼接函数将处理过的数据进行拼接；
步骤4：RNN网络处理融合数据；使用由两层GRU网络组成的串行RNN网络变体，门控循环单元GRU处理融合后的数据，并在GRU后加入Attention机制来分析处理数据获得其时序特征；
步骤5：手势分类；引入全连接层和Softmax层对上述时序特征进行分类。
2.根据权利要求1所述的基于多流卷积神经网络的肌电手势识别方法，其特征在于：步骤1中，使用EMD自相关方法进行降噪处理，将一个肌电信号分解为有限个固有模态函数分量IMF，将高频IMF信号利用自相关函数处理得到方差，若方差小于阈值则使用CTW小波对其去噪，将最终处理得到的两种信号融合就得到去噪的表面肌电信号。
3.根据权利要求1所述的基于多流卷积神经网络的肌电手势识别方法，其特征在于：步骤1中，将表面肌电信号按照频谱图信号规律丢弃出异常部分以进行数据析取。
4.根据权利要求1所述的基于多流卷积神经网络的肌电手势识别方法，其特征在于：步骤1中，对数据进行标记，针对每种手势对相应的肌电信号添加标签，由此来获得网络训练需要的训练集、测试集和验证集。
5.根据权利要求1所述的基于多流卷积神经网络的肌电手势识别方法，其特征在于：步骤1中，将一维肌电信号转换为二维格式，设肌电信号采样频率为FHz，采样手势时间为Tms，利用滑动窗口法来实现；设置窗口长度Kms、滑动步长Sms，针对Tms手势采样时间，使用滑动窗口划分产生(T-K)/S+1个子段信号B，每个子段信号Bi中含有K*F个数据点，i∈{1,2,…,(T-K)/S+1}，设处理后得到图片宽为W高为H则W*H＝K*F，对于采集设备为多通道，假设通道数为C则最后得到的数据格式为W*H*C。
6.根据权利要求1所述的基于多流卷积神经网络的肌电手势识别方法，其特征在于：步骤2中，CNN网络架构的上下两层网络均分为三层卷积层、三层池化层，卷积层在前池化层在后以次相互间隔，卷积层与池化层之间使用批量归一化BN处理数据，同时在归一化处理之后使用ReLu激活函数。
7.根据权利要求1所述的基于多流卷积神经网络的肌电手势识别方法，其特征在于：步骤3中，使用Concatenate函数将处理过的数据进行拼接。
8.根据权利要求1所述的基于多流卷积神经网络的肌电手势识别方法，其特征在于：步骤5中，对RNN网络得到的数据进行Flatten处理使其数据一维化，设置一层全连接层其神经元个数为R，全连接层后加入Dropout层，之后引入Softmax分类层，内部神级元个数为Q大小等于需分类的手势个数，该层对每种手势类别进行概率计算，分值最大的即为该信号的手势类别。
CN202010744969.5A 2020-07-29 2020-07-29 基于多流卷积神经网络的肌电手势识别方法 Active CN111898526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010744969.5A CN111898526B (zh) 2020-07-29 2020-07-29 基于多流卷积神经网络的肌电手势识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010744969.5A CN111898526B (zh) 2020-07-29 2020-07-29 基于多流卷积神经网络的肌电手势识别方法

Publications (2)

Publication Number Publication Date
CN111898526A CN111898526A (zh) 2020-11-06
CN111898526B true CN111898526B (zh) 2022-07-22

Family

ID=73182430

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010744969.5A Active CN111898526B (zh) 2020-07-29 2020-07-29 基于多流卷积神经网络的肌电手势识别方法

Country Status (1)

Country Link
CN (1) CN111898526B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113312994A (zh) * 2021-05-18 2021-08-27 中国科学院深圳先进技术研究院 一种手势分类识别方法及其应用
CN115670446A (zh) * 2022-11-10 2023-02-03 福州大学 基于生物电信号融合的身份识别方法
CN116738295B (zh) * 2023-08-10 2024-04-16 齐鲁工业大学(山东省科学院) sEMG信号分类方法、系统、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608432A (zh) * 2015-12-21 2016-05-25 浙江大学 一种基于瞬时肌电图像的手势识别方法
CN110399846A (zh) * 2019-07-03 2019-11-01 北京航空航天大学 一种基于多通道肌电信号相关性的手势识别方法
CN110610172A (zh) * 2019-09-25 2019-12-24 南京邮电大学 一种基于rnn-cnn架构的肌电手势识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608432A (zh) * 2015-12-21 2016-05-25 浙江大学 一种基于瞬时肌电图像的手势识别方法
CN110399846A (zh) * 2019-07-03 2019-11-01 北京航空航天大学 一种基于多通道肌电信号相关性的手势识别方法
CN110610172A (zh) * 2019-09-25 2019-12-24 南京邮电大学 一种基于rnn-cnn架构的肌电手势识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于时序二维化和卷积特征融合的表面肌电信号分类方法;骆俊锦等;《模式识别与人工智能》;20200715(第07期);全文 *

Also Published As

Publication number Publication date
CN111898526A (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
Abdullah et al. Multimodal emotion recognition using deep learning
Salama et al. EEG-based emotion recognition using 3D convolutional neural networks
CN111898526B (zh) 基于多流卷积神经网络的肌电手势识别方法
CN111134666B (zh) 一种多通道脑电数据的情绪识别方法及电子装置
CN110353673B (zh) 一种基于标准互信息的脑电通道选择方法
CN110472649B (zh) 基于多尺度分析和集成树模型的脑电情感分类方法及系统
CN112244873A (zh) 一种基于混合神经网络的脑电时空特征学习与情感分类方法
CN110610172B (zh) 一种基于rnn-cnn架构的肌电手势识别方法
CN113191225B (zh) 一种基于图注意力网络的情绪脑电识别方法及系统
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
Zhang et al. Human identification driven by deep CNN and transfer learning based on multiview feature representations of ECG
CN114176607B (zh) 一种基于视觉Transformer的脑电信号分类方法
CN113554110B (zh) 一种基于二值胶囊网络的脑电情绪识别方法
CN112783327B (zh) 基于表面肌电信号进行手势识别的方法及系统
Jinliang et al. EEG emotion recognition based on granger causality and capsnet neural network
An et al. Electroencephalogram emotion recognition based on 3D feature fusion and convolutional autoencoder
Xu et al. Intelligent emotion detection method based on deep learning in medical and health data
Diykh et al. Texture analysis based graph approach for automatic detection of neonatal seizure from multi-channel EEG signals
CN109977810A (zh) 基于helm并结合ptsne和lda特征融合的脑电分类方法
CN113069117A (zh) 一种基于时间卷积神经网络的脑电情绪识别方法及系统
CN114578963B (zh) 一种基于特征可视化和多模态融合的脑电身份识别方法
CN114129163B (zh) 基于脑电信号的多视图深度学习的情绪分析方法和系统
CN113011330B (zh) 一种基于多尺度神经网络和空洞卷积的脑电信号分类方法
Li et al. A novel motor imagery EEG recognition method based on deep learning
Gurve et al. Deep learning of EEG time–frequency representations for identifying eye states

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