CN112022153A - 基于卷积神经网络的脑电信号检测方法 - Google Patents

基于卷积神经网络的脑电信号检测方法 Download PDF

Info

Publication number
CN112022153A
CN112022153A CN202011032598.4A CN202011032598A CN112022153A CN 112022153 A CN112022153 A CN 112022153A CN 202011032598 A CN202011032598 A CN 202011032598A CN 112022153 A CN112022153 A CN 112022153A
Authority
CN
China
Prior art keywords
convolutional neural
neural network
feature vector
sample
layer
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
CN202011032598.4A
Other languages
English (en)
Other versions
CN112022153B (zh
Inventor
王晓甜
吴智泽
李小俚
党敏
陈世宇
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202011032598.4A priority Critical patent/CN112022153B/zh
Publication of CN112022153A publication Critical patent/CN112022153A/zh
Application granted granted Critical
Publication of CN112022153B publication Critical patent/CN112022153B/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
    • A61B5/72—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
    • 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

Landscapes

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

Abstract

本发明公开了一种基于卷积神经网络的脑电信号检测方法。该方法通过训练卷积神经网络获得深度卷积神经网络用于脑电信号的特征提取，运用XGBoost模型对提取的特征进行筛选组合，用逻辑回归模型做检测。具体步骤包括：构建卷积神经网络，生成训练集和测试集，构成深度卷积神经网络，提取特征向量，特征筛选和组合，移动目标检测。本发明克服了现有技术不能充分保留脑电信号特征，存在大量重要特征丢失，使得检测的精度低的问题，使得本发明更为全面的提取脑电信号的特征，降低脑电信号的重要特征丢失的概率的缺陷，具有改善脑电信号重要特征提取的优点，可以应用于脑电信号移动目标检测。

Description

基于卷积神经网络的脑电信号检测方法
技术领域
本发明属于信息处理技术领域，更进一步涉及脑-机接口技术领域中的一种基于卷积神经网络的脑电信号检测方法。本发明可通过在自然环境下对人的脑电信号进行的检测，用于判断人视野中是否有移动目标出现。
背景技术
脑-机接口BCI(Brain-Computer Interface)技术实现了利用工程技术手段让思想付诸行动的对外信息交流和控制的新途径，是一种涉及医学、神经学、信号检测、信号处理、模式识别等多个领域的交叉技术。BCI系统通过采集大脑的信息并直接转换成能够驱动外部设备的命令，代替人的肢体或语言器官实现人与外界的交流以及控制外部设备。由于脑电信号是一种非平稳、非线性的随机弱生理电信号，幅度一般在100μV左右，且掺杂着各类工频噪声和伪迹。传统的分析方法很难对其特征进行有效表征，无法对脑电信号进行高精度的分类检测。
中国电子科技集团公司第三十八研究所在其申请的专利文献“一种异常脑电信号检测装置及检测方法”(专利申请号CN202010425472.7，公开号CN111528838A)中公开了一种脑电异常信号检测检测方法。该方法包括以下步骤：(1)脑电信号预处理单元，用以获取原始脑电信号，并对原始脑电信号进行去噪处理，得到目标脑电信号；(2)小波分解重构单元，用以获取目标脑电信号，根据异常波形的覆盖频率以及脑电检测设备采样频率采用Daubechies小波进行X层分解，得到X层频带及各个频带的特征分量；(3)非线性动力学参数估计单元，通过计算小波分解后每个频带的脑电信号的样本熵特征。(4)归一化单元，用以将特征分量和样本熵特征进行归一化处理，得到特征向量。该方法存在的不足之处是：由于该方法利用小波分解重构单元获取目标脑电信号，分解重构中易丢失有效的脑电信号，导致对脑电信号的检测精度降低。
Lawhern V J在其发表的论文“EEGNet:A Compact Convolutional NeuralNetwork for EEG-based Brain-Computer Interfaces”(Journal of neuralengineering,2018,15(5):056013)中提出了一个基于分类和解释的卷积网络(EEGNet)的脑电信号检测方法。引用了深度和分离卷积网络，封装特定脑电信号特征提取概念，从而构建了EEGNet模型。EEGNet模型从时间卷积开始学习频率滤波器，然后使用深度卷积分别连接到每个特征图，学习特定频率的空间滤波器。可分离卷积是深度卷积的组合，深度卷积分别学习每个特征图的综合时态，然后是点态卷积，学习将最优的混合特征合并在一起。EEGNet模型引入深度和可分离的卷积网络封装特定脑电信号体征提取来检测脑电信号。该方法存在的不足之处是：脑电信号自身存在不稳定性，被试者的脑电信号的特征都具有一定的实时性，该模型提取的特征不能充分保留所有的脑电信号特征，存在特征丢失，降低了后期脑电信号检测的精度。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于卷积神经网络的脑电信号检测方法，用于解决脑电信号重要特征信息丢失，检测脑电信号的精度低的问题。
实现本发明目的的思路是：将构建的卷积神经网络用训练集进行100次训练，得到100个不同的卷积神经网络组成一个深度卷积神经网络，深度卷积神经网络会提取比卷积神经网络多100倍的特征信息，降低了特征信息丢失量；提取的特征向量在XGBoost模型中特征筛选和组合，得到高的相关性和重要性的40维特征向量，提高了脑电信号检测精度。
本发明的具体步骤如下：
(1)搭建一个九层的卷积神经网络并设置卷积神经网络中各层的参数；
(2)生成训练集和测试集：
采集每一位被试者注视电脑屏幕呈现的特定范式连续五分钟的脑电信号，采样频率为256Hz，将至少采集的8位被试者的脑电信号组成一个数据集，将数据集按照7:3的比例随机分为训练数据集和测试数据集；
(3)训练卷积神经网络：
(3a)将训练集输入到卷积神经网络中，卷积神经网络用Adam算法更新权值500次，得到一个初步训练好的卷积神经网络；
(3b)调用random.shuffle函数随机打乱训练集中的样本顺序，重复步骤(3a)100次，将得到的不同的100个卷积神经网络组成一个训练好的深度卷积神经网络；
(4)提取测试数据集的特征向量
将测试集的每个样本输入到训练好的深度卷积神经网络中，得到该样本的一个200维特征向量；
(5)进行特征筛选和组合：
(5a)将每个样本的200维特征向量送入到XGBoost模型中，该模型依据该特征向量的每一维的重要性逆序排序后从中筛选前30维，组成筛选后的特征向量；
(5b)将每个筛选后的特征向量送入XGBoost模型，对输入的每个特征向量自主学习构造了一个10维特征向量，将该10维特征向量与输入的30维特征向量组合，得到一个组合的40维特征向量；
(6)进行移动目标检测：
将测试数据集每个样本的组合特征向量送入到逻辑回归模型中进行检测，每个样本输出为0或1，若输出为1，则检测出被试者的视野中有移动目标出现，若输出为0，则检测出被试者视野中无移动目标出现。
本发明与现有技术相比较，具有以下优点：
第一，由于本发明训练卷积神经网络，训练集重了100次，得到的100个不一样的卷积神经网络，构成了深度卷积神经网络来进行特征提取，克服了现有技术不能充分保留脑电信号特征，存在大量重要特征丢失的问题，使得本发明较更为全面充分提取脑电信号的特征信息，降低了脑电信号的重要特征丢失的概率。
第二，由于本发明进行特征筛选和组合，提取的特征在XGBoost模型进行特征筛选和组合，克服了现有技术中脑电信号检测精度的问题，使得本发明利用筛选和组合的特征来改善脑电信号检测结果的精度。
附图说明
图1为本发明的流程图；
图2是本发明训练卷积神经网络的流程图。
具体实施方式
下面结合附图1对本发明做进一步的描述。
参照图1对本发明实现的具体步骤做进一步的描述。
步骤1，构建卷积神经网络。
搭建一个九层的卷积神经网络，其结构依次为：第一个卷积层→第一个池化层→第二个卷积层→第二个池化层→第三个卷积层→第三个池化层→第四个卷积层→第四个池化层→第一个全连接层。
设置卷积神经网络中各层的参数如下：
将第一至第四卷积层中卷积核的个数分别设置为16，16，8，8，卷积核的大小分别设置3×3，5×5，3×3，5×5，卷积步长均设置为1。
第一至第四池化层均采用平均池化的方式，池化区域大小分别设置为1×4，1×4，1×1，1×1，步长均设置为1。
将第一全连接层的神经元个数设置为2。
步骤2，生成训练集和测试集。
利用视觉刺激诱发脑电信号的操作范式，采集被试者的脑电信号，在采集每一位被试者注视电脑屏幕呈现的特定范式连续五分钟的脑电信号，采样频率为256Hz，将至少采集的8位被试者的脑电信号组成一个数据集，将数据集按照7:3的比例随机分为训练数据集和测试数据集。
采集每一位被试者注视电脑屏幕呈现的特定范式连续五分钟的脑电信号的具体步骤如下：
第一步，选择被试者，被试必须视力正常或已校正到正常，且无神经问题病史。
第二步，被试提供书面知情同意书。
第三步，实验中使用特定范式，用显示器呈现在被试者视野正前方，被试者被要求在出现随机移动目标时用惯用手按下空格键，实验期间连续五分钟随机出现15个移动目标。
第四步，范式系统中可选路线为五种，其中任选一条开始记录被试者的脑电信号。
第五步，第一轮采集结束后，被试者休息2分钟后，在剩余四条路线中任选一条路线再采集一次被试者的脑电信号。
第六步，依次采集8位以上被试者每人两次实验的脑电信号。
步骤3，训练卷积神经网络。
参考图2，对本发明训练卷积神经网络的过程做进一步的描述。
第一步，训练卷积神经，将复制的原始训练集打乱输入到卷积神经网络，开始训练。
第二步，Adam算法依次更新每一个权值。
第二步，判断Adam算法更新权值次数是否满足500次，若是，满足500次，得到一个训练好的卷积神经网络，否则执行第三步。
第三步，判断得到训练好的神经网络是否有100个，若是，满足100个，得到一个深度卷积神经网络，否则，执行第一步。
训练集输入到卷积神经网络中，卷积神经网络用Adam算法更新权值500次，得到一个训练好的卷积神经网络；调用random.shuffle函数随机打乱训练集中的样本顺序，输入到卷积神经网络，将得到不同的卷积神经网络，这样重复操作组成一个训练好的深度卷积神经网络。
使用随机梯度下降算法Adam更新权值，利用它的自适应调节学习率的特点，更新每一次权值使用不同的学习率进行更新，打破了所有参数使用同一学习率进行更新的束缚，同时也减少权值更新震荡，提高收敛效果，进而能识别出非常具有价值但易被忽略的微小特征。
所述调用random.shuffle函数随机打乱训练集中的样本顺序的具体步骤如下。
第1步，调用python中的深拷贝函数复制生成的原始训练集的样本，得到复制后的训练集。
第2步，调用python中的random.shuffle函数，对复制后的训练集的每个样本进行随机排序，得到当前打乱顺序后的训练集。
步骤4，提取测试数据集的特征向量。
将测试集的每个样本输入到训练好的深度卷积神经网络中，得到该样本的一个200维特征向量。
步骤5，进行特征筛选和组合。
将每个样本的200维特征向量送入到XGBoost模型中，XGBoost是一种集成树模型，利用不同单个决策树的组合的特质，得出特征向量的每一元素的重要性，根据元素的重要性逆序排序后从中筛选前30维，组成筛选后的特征向量。
将每个筛选后的特征向量送入XGBoost模型，对输入的每个特征向量自主学习构造了一个10维特征向量，将该10维特征向量与输入的30维特征向量组合，得到一个组合的40维特征向量。
所述将每个筛选后的特征向量送入XGBoost模型，对输入的每个特征向量自主学习构造了一个10维特征向量的具体步骤如下。
第一步，将每个样本筛选后的30维特征向量送入XGBoost模型，XGBoost模型通过自主学习获知每个特征向量中缺失哪些特征元素，再通过枚举构造10个缺失的特征元素。
第二步，将构造的缺失的10个特征元素和输入模型的30维特征向量组合在一起，组成一个40维的特征向量。
第三步，XGBoost模型对40维特征向量进行相关性逆序排序，选取相关性高的前10维，得到每个样本的10维特征向量。
步骤6，进行移动目标检测。
将测试数据集每个样本的组合特征向量送入到逻辑回归模型中进行检测，每个样本输出为0或1，若输出为1，则检测出被试者的视野中有移动目标出现，若输出为0，则检测出被试者视野中无移动目标出现。

Claims (5)

1.一种基于卷积神经网络的脑电信号检测方法，其特征在于，利用生成的训练集重复训练卷积神经网络100次，得到的100个不同的卷积神经网络组成深度卷积神经网络，测试集在深度卷积神经网络提取特征，将提取的特征向量用XGBoost进行特征筛选和组合；该方法的步骤包括如下：
(1)搭建一个四层的卷积神经网络并设置每层的参数；
(2)生成训练集和测试集：
采集每一位被试者注视电脑屏幕呈现的特定范式连续五分钟的脑电信号，采样频率为256Hz，将至少采集的8位被试者的脑电信号组成一个数据集，将数据集按照7:3的比例随机分为训练数据集和测试数据集；
(3)训练卷积神经网络：
(3a)将训练集输入到卷积神经网络中，卷积神经网络用Adam算法更新权值500次，得到一个初步训练好的卷积神经网络；
(3b)调用random.shuffle函数随机打乱训练集中的样本顺序，重复步骤(3a)100次，将得到的不同的100个卷积神经网络组成一个训练好的深度卷积神经网络；
(4)提取测试数据集的特征向量
将测试集的每个样本输入到训练好的深度卷积神经网络中，得到该样本的一个200维特征向量；
(5)进行特征筛选和组合：
(5a)将每个样本的200维特征向量送入到XGBoost模型中，该模型依据该特征向量的每一维的重要性逆序排序后从中筛选前30维，组成筛选后的特征向量；
(5b)将每个筛选后的特征向量送入XGBoost模型，对输入的每个特征向量自主学习构造了一个10维特征向量，将该10维特征向量与输入的30维特征向量组合，得到一个组合的40维特征向量；
(6)进行移动目标检测：
将测试数据集每个样本的组合特征向量送入到逻辑回归模型中进行检测，每个样本输出为0或1，若输出为1，则检测出被试者的视野中有移动目标出现，若输出为0，则检测出被试者视野中无移动目标出现。
2.根据权利要求1所述的基于卷积神经网络的脑电信号检测方法，其特征在于：步骤(1)中所述的九层卷积神经网络结构依次为：第一个卷积层→第一个池化层→第二个卷积层→第二个池化层→第三个卷积层→第三个池化层→第四个卷积层→第四个池化层→第一个全连接层。
3.根据权利要求1所述的基于卷积神经网络的脑电信号检测方法，其特征在于：步骤(1)中所述的设置卷积神经网络中各层的参数如下：
将第一至第四卷积层中卷积核的个数分别设置为16，16，8，8，卷积核的大小分别设置3×3，5×5，3×3，5×5，卷积步长均设置为1；
第一至第四池化层均采用平均池化的方式，池化区域大小分别设置为1×4，1×4，1×1，1×1，步长均设置为1；
将第一全连接层的神经元个数设置为2。
4.根据权利要求1所述的基于卷积神经网络的脑电信号检测方法，其特征在于：步骤(3b)中所述调用random.shuffle函数随机打乱训练集中的样本顺序的具体步骤如下：
第一步，调用python中的深拷贝函数复制生成的原始训练集的样本，得到复制后的训练集；
第二步，调用python中的random.shuffle函数，对复制后的训练集的每个样本进行随机排序，得到当前打乱顺序后的训练集。
5.根据权利要求1所述的基于卷积神经网络的脑电信号检测方法，其特征在于：步骤(5b)中所述将每个筛选后的特征向量送入XGBoost模型，对输入的每个特征向量自主学习构造了一个10维特征向量的具体步骤如下：
第一步，将每个样本筛选后的30维特征向量送入XGBoost模型，XGBoost模型通过自主学习获知每个特征向量中缺失哪些特征元素，再通过枚举构造10个缺失的特征元素；
第二步，将构造的缺失的10个特征元素和输入模型的30维特征向量组合在一起，组成一个40维的特征向量；
第三步，XGBoost模型对40维特征向量进行相关性逆序排序，选取相关性高的前10维，得到每个样本的10维特征向量。
CN202011032598.4A 2020-09-27 2020-09-27 基于卷积神经网络的脑电信号检测方法 Active CN112022153B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011032598.4A CN112022153B (zh) 2020-09-27 2020-09-27 基于卷积神经网络的脑电信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011032598.4A CN112022153B (zh) 2020-09-27 2020-09-27 基于卷积神经网络的脑电信号检测方法

Publications (2)

Publication Number Publication Date
CN112022153A true CN112022153A (zh) 2020-12-04
CN112022153B CN112022153B (zh) 2021-07-06

Family

ID=73574505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011032598.4A Active CN112022153B (zh) 2020-09-27 2020-09-27 基于卷积神经网络的脑电信号检测方法

Country Status (1)

Country Link
CN (1) CN112022153B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113116306A (zh) * 2021-04-21 2021-07-16 复旦大学 一种基于听觉诱发脑电信号分析的意识障碍辅助诊断系统
CN113253850A (zh) * 2021-07-05 2021-08-13 中国科学院西安光学精密机械研究所 一种基于眼动追踪与脑电信号的多任务协同操作方法
CN113425312A (zh) * 2021-07-30 2021-09-24 清华大学 脑电数据处理方法及装置
CN113988122A (zh) * 2021-10-19 2022-01-28 杭州电子科技大学 一种基于深度学习及图像特征的脑电数据分类方法
CN114021605A (zh) * 2021-11-02 2022-02-08 深圳市大数据研究院 一种风险预测方法、装置、系统、计算机设备及存储介质
CN117725490A (zh) * 2024-02-08 2024-03-19 山东大学 跨被试被动式音高感知eeg自动分类方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392241A (zh) * 2017-07-17 2017-11-24 北京邮电大学 一种基于加权列抽样XGBoost的图像目标分类方法
CN109325410A (zh) * 2018-08-16 2019-02-12 广东工业大学 一种基于卷积神经网络的脑电信号eeg特征提取方法
CN110472649A (zh) * 2019-06-21 2019-11-19 中国地质大学（武汉） 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
KR20190130808A (ko) * 2018-05-15 2019-11-25 연세대학교 산학협력단 뇌파와 얼굴 이미지의 특징 융합을 이용한 감정 분류 장치 및 방법
WO2020006263A1 (en) * 2018-06-27 2020-01-02 Cortexxus Inc. System and methods for brain health monitoring and seizure detection and prediction
WO2020051816A1 (en) * 2018-09-13 2020-03-19 Intel Corporation Condense-expansion-depth-wise convolutional neural network for face recognition
CN111222449A (zh) * 2020-01-02 2020-06-02 上海中安电子信息科技有限公司 一种基于固定摄像头图像的驾驶员行为检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392241A (zh) * 2017-07-17 2017-11-24 北京邮电大学 一种基于加权列抽样XGBoost的图像目标分类方法
KR20190130808A (ko) * 2018-05-15 2019-11-25 연세대학교 산학협력단 뇌파와 얼굴 이미지의 특징 융합을 이용한 감정 분류 장치 및 방법
WO2020006263A1 (en) * 2018-06-27 2020-01-02 Cortexxus Inc. System and methods for brain health monitoring and seizure detection and prediction
CN109325410A (zh) * 2018-08-16 2019-02-12 广东工业大学 一种基于卷积神经网络的脑电信号eeg特征提取方法
WO2020051816A1 (en) * 2018-09-13 2020-03-19 Intel Corporation Condense-expansion-depth-wise convolutional neural network for face recognition
CN110472649A (zh) * 2019-06-21 2019-11-19 中国地质大学（武汉） 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
CN111222449A (zh) * 2020-01-02 2020-06-02 上海中安电子信息科技有限公司 一种基于固定摄像头图像的驾驶员行为检测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113116306A (zh) * 2021-04-21 2021-07-16 复旦大学 一种基于听觉诱发脑电信号分析的意识障碍辅助诊断系统
CN113253850A (zh) * 2021-07-05 2021-08-13 中国科学院西安光学精密机械研究所 一种基于眼动追踪与脑电信号的多任务协同操作方法
CN113425312A (zh) * 2021-07-30 2021-09-24 清华大学 脑电数据处理方法及装置
CN113988122A (zh) * 2021-10-19 2022-01-28 杭州电子科技大学 一种基于深度学习及图像特征的脑电数据分类方法
CN114021605A (zh) * 2021-11-02 2022-02-08 深圳市大数据研究院 一种风险预测方法、装置、系统、计算机设备及存储介质
CN117725490A (zh) * 2024-02-08 2024-03-19 山东大学 跨被试被动式音高感知eeg自动分类方法及系统
CN117725490B (zh) * 2024-02-08 2024-04-26 山东大学 跨被试被动式音高感知eeg自动分类方法及系统

Also Published As

Publication number Publication date
CN112022153B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN112022153B (zh) 基于卷积神经网络的脑电信号检测方法
CN110069958B (zh) 一种密集深度卷积神经网络的脑电信号快速识别方法
CN111329474B (zh) 基于深度学习的脑电身份识别方法、系统及信息更新方法
Cecotti et al. Convolutional neural network with embedded Fourier transform for EEG classification
CN112120694A (zh) 一种基于神经网络的运动想象脑电信号分类方法
US9345413B2 (en) Heart rate extraction using neural wavelet adaptive gain control and neural pattern processing
CN113128353B (zh) 面向自然人机交互的情绪感知方法及其系统
CN109620218A (zh) 脑电波智能筛查方法及系统
KR102105002B1 (ko) 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치
KR20190033972A (ko) 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치
CN111797747A (zh) 一种基于eeg、bvp和微表情的潜在情绪识别方法
CN112450947A (zh) 一种针对情绪唤醒度的动态脑网络分析方法
CN107704881A (zh) 一种基于动物脑电识别的数据可视化处理方法及装置
Abibullaev et al. A brute-force CNN model selection for accurate classification of sensorimotor rhythms in BCIs
CN113180659A (zh) 一种基于三维特征和空洞全卷积网络的脑电情感识别系统
CN117520891A (zh) 一种运动想象脑电信号分类方法及系统
CN111616702A (zh) 一种基于认知负荷增强的测谎分析系统
CN112168167B (zh) 一种脑磁图单次听觉诱发信号检测方法及电子装置
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
CN115392287A (zh) 一种基于自监督学习的脑电信号在线自适应分类方法
CN112450946A (zh) 一种基于循环生成对抗网络的脑电伪迹修复的方法
Yu et al. PGMM—pre-trained Gaussian mixture model based convolution neural network for electroencephalography imagery analysis
CN113111697B (zh) 虚拟现实环境中三维静态图像的脑电信号识别系统及方法
Shojaedini et al. Sparse Representation-Based Classification (SRC): A Novel Method to Improve the Performance of Convolutional Neural Networks in Detecting P300 Signals
CN117860201B (zh) 一种基于深度学习分析模型的特征分类方法及系统

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