CN112120694B - 一种基于神经网络的运动想象脑电信号分类方法 - Google Patents

一种基于神经网络的运动想象脑电信号分类方法 Download PDF

Info

Publication number
CN112120694B
CN112120694B CN202010838957.9A CN202010838957A CN112120694B CN 112120694 B CN112120694 B CN 112120694B CN 202010838957 A CN202010838957 A CN 202010838957A CN 112120694 B CN112120694 B CN 112120694B
Authority
CN
China
Prior art keywords
electroencephalogram signal
motor imagery
network
neural network
classification 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
CN202010838957.9A
Other languages
English (en)
Other versions
CN112120694A (zh
Inventor
罗大鹏
张婧
王沁轩
雷思源
徐慧敏
魏龙生
陈应
殷蔚明
李金生
程卓
董蓓
郭鹏
彭建铖
陈思微
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.)
China University of Geosciences
Second Construction Engineering Co Ltd of China Construction Third Engineering Division
China Construction Third Bureau Intelligent Technology Co Ltd
Original Assignee
China University of Geosciences
China Construction Third Bureau Intelligent Technology Co Ltd
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 China University of Geosciences, China Construction Third Bureau Intelligent Technology Co Ltd filed Critical China University of Geosciences
Priority to CN202010838957.9A priority Critical patent/CN112120694B/zh
Publication of CN112120694A publication Critical patent/CN112120694A/zh
Application granted granted Critical
Publication of CN112120694B publication Critical patent/CN112120694B/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
    • A61B5/725—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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (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神经网络的运动想象脑电信号分类方法，包括：敏感时间段提取；敏感通道提取；离散小波变换分解并进行脑电信号时空变换；基于残差网络提出全卷积残差网络，用于提取脑电信号的时域特征并执行分类任务。本发明建立MI识别框架来识别和判断人类在不同情况下产生的运动想象脑电波，利用EEG时空转换，以使计算机视觉技术可以用于时间序列分类和归因，构建了全卷积残差网络，以提取脑电信号的时间上下文特征，完成分类任务，解决了EEG信号与其他脑信号采集方法相比信噪比低和空间定位分辨率低的缺点，且提高了分类性能并极大地提高了网络的训练速度。

Description

一种基于神经网络的运动想象脑电信号分类方法
技术领域
本发明属于模式识别、信息技术领域，可用于医疗服务。更具体地说，本发明涉及一种基于神经网络的运动想象脑电信号分类方法。
背景技术
脑机接口(BCI)是一种通信系统，用于根据脑电图(EEG)和诱发电位等脑信号生成控制信号。BCI系统旨在通过一种界面来作为大脑与计算机之间的交流渠道，帮助患有严重运动障碍的人改善生活。在医疗服务，BCI系统可以为肢体有缺陷的人设计脑控假肢和机械臂。并且有研究专家已经证实，BCI将成为脑中风患者再次“正常交谈”生活的一种可能，用自己的脑电信号将所想表达的事情展现在屏幕等虚拟环境中。目前，BCI系统中使用的神经成像技术通常包括功能性磁共振成像(fMRI)、皮质电图(EcoG)、脑磁图(MEG)和脑电图(EEG)。由于其低成本、易于携带和时间分辨率高等优点，EEG已变得越来越受欢迎。
然而，与其他脑信号采集方法相比，EEG信号具有信噪比低和空间定位分辨率低的缺点。因此，需要对脑电信号进行预处理，以消除来自大脑深处的原始信号的干扰。在EEG时间序列分析任务中，鲜有工作涉及时间上下文的特征学习。其主要原因可能是缺乏有效的时空变换编码方法，这阻碍了计算机视觉技术在脑电信号分类中的应用。此外，在对运动想象(MI)脑电时间序列进行分类时，即使是最先进的深度分类模型也常常表现不佳，这可能是因为网络中的最大池化操作破坏了脑电信号的完整性。因此，现有分类方法不能对脑电信号进行良好分类。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种基于神经网络的运动想象脑电信号分类方法，建立MI识别框架(MIRF)来识别和判断人类在不同情况下产生的运动想象脑电波，利用EEG时空转换(ESTT)模块，以使计算机视觉技术可以用于时间序列分类和归因，构建了全卷积残差网络(ACRN)，以提取脑电信号的时间上下文特征，完成分类任务。解决了EEG信号与其他脑信号采集方法相比信噪比低和空间定位分辨率低的缺点，并且提高了分类性能并极大地提高了网络的训练速度
为了实现根据本发明的这些目的和其它优点，提供了一种基于神经网络的运动想象脑电信号分类方法，包括：
敏感时间段提取；
敏感通道提取；
离散小波变换分解并进行脑电信号时空变换；
基于残差网络提出全卷积残差网络，用于提取脑电信号的时域特征并执行分类任务；
其中，全卷积残差网络包括6个卷积层和4个全连接层；
删除全卷积残差网络结构中的最大池化层，利用运动想象脑电信号中的上下文信息；
在全卷积残差网络模型中，把Dropout层的参数设置为0.5；
在卷积层之后实现空间丢失，在全连接层之后部署常规丢失；
使用校正线性单元激活函数来避免梯度消失的问题；
利用交叉熵作为损失函数来度量所需分类模型与所提出方法之间的差异；
使用Adam优化器通过反向传播算法最小化损失函数并更新权重和偏差。
优选的是，敏感时间段提取受试者前三秒的运动想象脑电信号；
运动想象脑电信号采样频率为160Hz，得到的数据长度为480个点/段。
优选的是，敏感通道提取的具体方法为：训练每个电极通道脑电信号数据，测试每个电极通道的平均正确率，选取性能排序前十六位的电极通道。
优选的是，离散小波变换分解的具体方法为：使用离散小波变换滤除电极通道中脑电信号的高频噪声。
优选的是，离散小波变换分解的具体方法为：采用高通滤波器和低通滤波器对电极通道脑电信号进行卷积，然后进行降采样下采样到原来的一半，依次获得分解后的信号。
优选的是，分解后的信号按时间上下文存在于记录的脑电信号时间序列中，将脑电信号时间序列划分为多个子序列。
优选的是，在实现空间丢失之后使用批处理归一化，对每一批数据进行归一化。
优选的是，交叉熵损失函数用于计算网络损失，其原理如下公式所示。
Figure GDA0003069195030000031
其中，m是批次的大小，n是类别的数量，p(x)是实际标签的概率分布函数，而q(x)是预测标签的概率分布函数。
本发明至少包括以下有益效果：
本发明提出基于神经网络的运动想象脑电信号分类方法，与其他脑电信号采集方法相比，解决了脑电图(EEG)信号具有信噪比低和空间定位分辨率低的缺点；
本发明对脑电信号进行预处理，以消除来自大脑深处的原始信号的干扰；
在EEG时间序列分析任务中，涉及时间上下文的特征学习；
本发明提出的全卷积残差网络(ACRN)结构中的最大池化层被删除，从而提高了分类性能。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明其中一个技术方案的脑电信号分类方法的流程图；
图2为本发明其中一个技术方案的运动想象识别框架(MIRF)方法概述图；
图3为本发明其中一个技术方案的离散小波分解(DWT)效果显示图；
图4为本发明其中一个技术方案的EEG时空变换(ESTT)过程图；
图5为本发明其中一个技术方案的全卷积残差网络(ACRN)网络结构图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本实施例提供一种基于神经网络的运动想象脑电信号分类方法，这种方法属于迁移学习领域。
首先，只截取了前三秒的运动想象实验数据用于研究，以避免受到受试者主观意识的干扰。其次，为了降低特征提取的复杂性，仅使用对MI任务敏感的16个电极通道数据。第三，离散小波变换(DWT)模块用于滤除16个电极通道中EEG信号的高频噪声，以提取有用信号。第四，EEG时间序列信号中的每个数据都可以通过EEG时空变换模块(ESTT)映射到二维图像上。这可以使机器在“视觉上”识别和分类EEG时间序列。然后，构建了全卷积残差网络(ACRN)，来提取脑电信号的时域特征并执行分类任务。在ACRN中，采用了dropout层、批处理规范化层和特征融合层，这可以使网络的训练速度更快、在整个分层过程中减少信息丢失，并根据网络的性质避免过度拟合。为了最大程度利用MI EEG信号中的上下文信息，删除了ACRN结构中的所有最大池化层，并精心设计了ACRN结构的适当深度。如图1所示，包括：
S1、敏感时间段提取
受试者专注于运动想象(MI)实验，MI实验每次执行大约4s，将前三秒的数据用作研究数据。实验采样频率为160Hz，得到的数据长度为480个点/段。
S2、敏感通道提取
MI实验得到的数据集根据国际10-10系统安置电极，从64个电极记录原始数据，并以160Hz采样。由于当受试者执行MI任务时，并非每个电极信号都在起作用，仅使用对MI任务敏感的16个电极通道数据。将所有64个电极通道输入到分类网络中进行多次训练，并测试每个电极通道的平均正确率。基于多次实验并遵循对称原理，从64个通道中选择了一组16个性能最佳的电极，以简化数据集。
S3、离散小波变换(DWT)
最相关的大脑振荡存在于α(8-13Hz)和β(13-30Hz)频带中。这些频带属于低频频段。因此使用DWT滤除16个电极通道中EEG信号的高频噪声，以提取有用信号。即采用高通滤波器G(n)和低通滤波器H(n)对16个电极通道数据X(n)信号进行卷积，然后对滤波后的信号进行降采样下采样到原来的一半，依次获得分解后的信号X1,H(n)和X1,L(n)。一个通道的信号经DWT滤波器的结果图2所示。
S4、EEG时空变换(ESTT)
信号的时间上下文存在于记录的EEG时间序列中，但很难直接提取它。将步骤S3得到的长度为480的一维EEG信号时间序列划分为20个长度为24的子序列；每个子序列是图像的一行，这些图像按顺序排列为24×20尺寸的图像。图3显示了电极通道信号的转换过程。其中x(k)表示EEG信号时间序列的第k个采样值，f(m，n)表示在(m，n)位置的图像的像素值。使机器在“视觉上”识别和分类EEG时间序列。
S5、全卷积残差网络(ACRN)
S51、ACRN网络结构包括6个卷积层和4个全连接层。本发明在卷积层之间穿插了融合层，以减少卷积层之间的信息丢失。然后将第一层和第二层的输出融合到第三层，并将第四层和第五层的输出融合到第六层，避免了丢失特征并保持原始信息。
S52、删除ACRN结构中的最大池化层，以最大程度地利用运动想象EEG信号中的上下文信息。删除最大池化层后，网络中的参数骤增，从而延长了每个epoch的运算时间。但是，达到相同准确率所需的epoch数大大减少，从而抵消了不利因素并达到了加快收敛速度的目的。设计了ACRN网络结构的适当深度，从而提高了分类性能并极大地提高了网络的训练速度。
S53、由于EEG信号的信噪比低，并且被记录对象之间的差异较大，导致分布不一致。在ACRN模型中，把Dropout层的参数设置为0.5。在卷积层之后实现空间丢失，在全连接层之后部署常规丢失。在卷积层之后实现的空间缺失意味着将取代整个2D特征图，而不是单个元素，从而有助于促进特征图之间的独立性。此外，在卷积运算后使用批处理归一化，对每一批数据进行归一化，有利于拟合模型和提高准确性。
S54、使用Leaky ReLu(校正线性单元)激活函数来避免梯度消失的问题。利用交叉熵作为损失函数来度量所需分类模型与所提出方法之间的差异。Adam优化器通过反向传播算法最小化损失函数并更新权重和偏差。交叉熵损失函数用于计算网络损失，其原理如公式所示。
Figure GDA0003069195030000051
其中m是批次的大小，n是类别的数量，p(x)是实际标签的概率分布函数，而q(x)是预测标签的概率分布函数。
本发明提出基于神经网络的运动想象脑电信号分类方法，与其他脑电信号采集方法相比，解决了脑电图(EEG)信号具有信噪比低和空间定位分辨率低的缺点。本发明对脑电信号进行预处理，以消除来自大脑深处的原始信号的干扰。在EEG时间序列分析任务中，鲜有工作涉及时间上下文的特征学习，本发明的研究将填补这一空白。此外，在对运动想象(MI)脑电时间序列进行分类时，即使是最先进的深度分类模型也常常表现不佳，这可能是因为网络中的最大池化操作破坏了脑电信号的完整性。本发明提出的全卷积残差网络(ACRN)结构中的最大池化层被删除，从而提高了分类性能。
本发明可成功应用于医疗服务，通常面向神经或肌肉失能的病人，也可应用于科技领域，用于强化虚拟现实、增强现实。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (8)

1.一种基于神经网络的运动想象脑电信号分类方法，其特征在于，包括：
敏感时间段提取；
敏感通道提取；
离散小波变换分解并进行脑电信号时空变换；
基于残差网络提出全卷积残差网络，用于提取脑电信号的时域特征并执行分类任务；
其中，全卷积残差网络包括6个卷积层和4个全连接层；
删除全卷积残差网络结构中的最大池化层，利用运动想象脑电信号中的上下文信息；
在全卷积残差网络模型中，把Dropout层的参数设置为0.5；
在卷积层之后实现空间丢失，在全连接层之后部署常规丢失；
使用校正线性单元激活函数来避免梯度消失的问题；
利用交叉熵作为损失函数来度量所需分类模型与所提出方法之间的差异；
使用Adam优化器通过反向传播算法最小化损失函数并更新权重和偏差。
2.如权利要求1所述的基于神经网络的运动想象脑电信号分类方法，其特征在于，敏感时间段提取受试者前三秒的运动想象脑电信号；
运动想象脑电信号采样频率为160Hz，得到的数据长度为480个点/段。
3.如权利要求1所述的基于神经网络的运动想象脑电信号分类方法，其特征在于，敏感通道提取的具体方法为：训练每个电极通道脑电信号数据，测试每个电极通道的平均正确率，选取性能排序前十六位的电极通道。
4.如权利要求1所述的基于神经网络的运动想象脑电信号分类方法，其特征在于，离散小波变换分解的具体方法为：使用离散小波变换滤除电极通道中脑电信号的高频噪声。
5.如权利要求1所述的基于神经网络的运动想象脑电信号分类方法，其特征在于，离散小波变换分解的具体方法为：采用高通滤波器和低通滤波器对电极通道脑电信号进行卷积，然后进行降采样下采样到原来的一半，依次获得分解后的信号。
6.如权利要求5所述的基于神经网络的运动想象脑电信号分类方法，其特征在于，分解后的信号按时间上下文存在于记录的脑电信号时间序列中，将脑电信号时间序列划分为多个子序列。
7.如权利要求1所述的基于神经网络的运动想象脑电信号分类方法，其特征在于，在实现空间丢失之后使用批处理归一化，对每一批数据进行归一化。
8.如权利要求1所述的基于神经网络的运动想象脑电信号分类方法，其特征在于，交叉熵损失函数用于计算网络损失，其原理如下公式所示：
Figure FDA0003069195020000021
其中，m是批次的大小，n是类别的数量，p(x)是实际标签的概率分布函数，而q(x)是预测标签的概率分布函数。
CN202010838957.9A 2020-08-19 2020-08-19 一种基于神经网络的运动想象脑电信号分类方法 Active CN112120694B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010838957.9A CN112120694B (zh) 2020-08-19 2020-08-19 一种基于神经网络的运动想象脑电信号分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010838957.9A CN112120694B (zh) 2020-08-19 2020-08-19 一种基于神经网络的运动想象脑电信号分类方法

Publications (2)

Publication Number Publication Date
CN112120694A CN112120694A (zh) 2020-12-25
CN112120694B true CN112120694B (zh) 2021-07-13

Family

ID=73851115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010838957.9A Active CN112120694B (zh) 2020-08-19 2020-08-19 一种基于神经网络的运动想象脑电信号分类方法

Country Status (1)

Country Link
CN (1) CN112120694B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112932504B (zh) * 2021-01-16 2022-08-02 北京工业大学 偶极子成像与识别方法
CN112884062B (zh) * 2021-03-11 2024-02-13 四川省博瑞恩科技有限公司 一种基于cnn分类模型和生成对抗网络的运动想象分类方法及系统
CN113057657B (zh) * 2021-03-22 2022-09-13 华南理工大学 基于多尺度连通性特征和元迁移学习的脑电情绪分类方法
CN113197585B (zh) * 2021-04-01 2022-02-18 燕山大学 一种神经肌肉信息交互模型构建及参数辨识优化方法
CN113239734A (zh) * 2021-04-15 2021-08-10 中南大学 基于stft和卷积神经网络的模式识别方法、系统和介质
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
CN113065526B (zh) * 2021-05-06 2022-05-31 吉林大学 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
CN113261980B (zh) * 2021-05-14 2022-10-21 清华大学 一种基于脑电联合特征学习的大规模视觉分类方法及装置
CN114330457A (zh) * 2022-01-06 2022-04-12 福州大学 基于dscnn和elm的eeg信号mi任务分类方法
CN114533066B (zh) * 2022-04-28 2022-08-19 之江实验室 基于复合表情加工脑网络的社交焦虑评估方法和系统
CN115081489A (zh) * 2022-07-13 2022-09-20 重庆大学 基于小波分解矩阵和残差网络的时间序列分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711383A (zh) * 2019-01-07 2019-05-03 重庆邮电大学 基于时频域的卷积神经网络运动想象脑电信号识别方法
CN110929581A (zh) * 2019-10-25 2020-03-27 重庆邮电大学 一种基于时空特征加权卷积神经网络的脑电信号识别方法
KR102096565B1 (ko) * 2018-11-08 2020-04-02 광운대학교 산학협력단 움직임 상상 뇌신호 인식을 위한 웨이블릿 변환 기반의 컨볼루션 신경망 분석 방법
CN111012336A (zh) * 2019-12-06 2020-04-17 重庆邮电大学 时空特征融合的并行卷积网络运动想象脑电图分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7127100B2 (en) * 2001-06-25 2006-10-24 National Instruments Corporation System and method for analyzing an image

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102096565B1 (ko) * 2018-11-08 2020-04-02 광운대학교 산학협력단 움직임 상상 뇌신호 인식을 위한 웨이블릿 변환 기반의 컨볼루션 신경망 분석 방법
CN109711383A (zh) * 2019-01-07 2019-05-03 重庆邮电大学 基于时频域的卷积神经网络运动想象脑电信号识别方法
CN110929581A (zh) * 2019-10-25 2020-03-27 重庆邮电大学 一种基于时空特征加权卷积神经网络的脑电信号识别方法
CN111012336A (zh) * 2019-12-06 2020-04-17 重庆邮电大学 时空特征融合的并行卷积网络运动想象脑电图分类方法

Also Published As

Publication number Publication date
CN112120694A (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
CN112120694B (zh) 一种基于神经网络的运动想象脑电信号分类方法
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
CN107844755B (zh) 一种结合dae和cnn的脑电信号特征提取与分类方法
CN112022153B (zh) 基于卷积神经网络的脑电信号检测方法
Mashhadi et al. Deep learning denoising for EOG artifacts removal from EEG signals
CN111544256A (zh) 基于图卷积和迁移学习的脑控智能全肢体康复方法
KR20190033972A (ko) 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치
KR20190073330A (ko) 심층신경망을 이용한 자동 뇌파 잡음 제거 방법 및 장치
CN111523617B (zh) 基于白质融合特征图和残差注意力网络的癫痫检测系统
Yue et al. Exploring BCI control in smart environments: intention recognition via EEG representation enhancement learning
CN115221969A (zh) 基于emd数据增强和并行scn的运动想象脑电信号识别方法
CN113143261B (zh) 基于肌电信号的身份识别系统、方法及设备
CN114145744A (zh) 基于跨设备前额脑电情绪识别的方法和系统
CN111543983B (zh) 一种基于神经网络的脑电信号通道选择方法
Kanna et al. Smart Detection and Removal of Artifacts in Cognitive Signals Using Biomedical Signal Intelligence Applications
CN117520891A (zh) 一种运动想象脑电信号分类方法及系统
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
CN115374831B (zh) 多模态配准和时空特征注意的动静结合速度想象分类方法
CN115813409A (zh) 一种超低延迟的运动图像脑电图解码方法
CN115721323A (zh) 一种脑机接口信号识别方法、系统及电子设备
CN114580464A (zh) 基于变分模态分解和约束独立分量分析的人体心率变异性与呼吸率测量方法
CN114569116A (zh) 基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统
Yu et al. PGMM—pre-trained Gaussian mixture model based convolution neural network for electroencephalography imagery analysis
CN114533083B (zh) 基于多融合式卷积神经网络的运动想象状态识别方法
Ince et al. ECoG based brain computer interface with subset selection

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220105

Address after: 430000 Lu Mill Road, Hongshan District, Wuhan, Hubei Province, No. 388

Patentee after: CHINA University OF GEOSCIENCES (WUHAN CITY)

Patentee after: CHINA CONSTRUCTION THIRD ENGINEERING BUREAU INTELLIGENT TECHNOLOGY Co.,Ltd.

Patentee after: THE SECOND CONSTRUCTION Co.,Ltd. OF CHINA CONSTRUCTION THIRD ENGINEERING BUREAU

Address before: 430000 Lu Mill Road, Hongshan District, Wuhan, Hubei Province, No. 388

Patentee before: CHINA University OF GEOSCIENCES (WUHAN CITY)

Patentee before: China Construction Third Engineering Bureau Intelligent Technology Co., Ltd