CN112257658A - 一种脑电信号的处理方法、装置、电子设备及存储介质 - Google Patents
一种脑电信号的处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112257658A CN112257658A CN202011255922.9A CN202011255922A CN112257658A CN 112257658 A CN112257658 A CN 112257658A CN 202011255922 A CN202011255922 A CN 202011255922A CN 112257658 A CN112257658 A CN 112257658A
- Authority
- CN
- China
- Prior art keywords
- frequency
- channel
- time
- characteristic
- weight
- 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
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明实施例公开了一种脑电信号的处理方法、装置、电子设备及存储介质,该方法包括:获取预设信号通道的脑电信号的时频谱信号图,基于预设划分规则对时频谱信号图进行时频区间划分;基于划分的时频区间中的幅度系数,确定时频区间的平均幅度系数;基于频率特征模型分别提取各不同频率区间的平均幅度系数的频率特征,以及基于通道特征模型分别提取各不同通道的平均幅度系数的通道特征;基于权重确定模型分别对频率特征和通道特征进行处理得到频率权重和通道权重,基于频率特征、频率权重、通道特征和通道权重,确定脑电信号对应的融合特征。能提取大脑进行特定活动时的脑电时空特征,提高了对脑电信号的分类准确率,提高了脑电信号的处理效率。
Description
技术领域
本发明实施例涉及医疗健康领域,尤其涉及一种脑电信号的处理方法、装置、电子设备及存储介质。
背景技术
大脑进行特定活动时的脑电时空模式,可视化后提供给医生或者科研人员可用于分析大脑的活动状态。现有技术中,通常使用卷积神经网络(Convolutional NeuralNetworks,CNN)对脑电信号进行分析,通过网络输出分析大脑的活动状态。现有技术至少存在以下不足:CNN网络得到的结果只能体现所有训练数据的平均特征,不能针对每个样本进行独立分析,内含了空间距离相近的特征相关度较高的假设,而脑电作为复杂的系统,很多时候并不完全以这种规律组织,不便于对大脑进行特定活动时的脑电信号进行处理,降低了脑电信号的处理效率。
发明内容
本发明实施例提供了一种脑电信号的处理方法、装置、电子设备和存储介质,能够将大脑进行特定活动时的脑电信号进行处理得到可视化的特征,提高了脑电信号的处理效率。
第一方面,本发明实施例提供了一种脑电信号的处理方法,包括:
获取预设信号通道的脑电信号的时频谱信号图,基于预设划分规则对所述时频谱信号图进行时频区间划分;
基于划分的时频区间中的幅度系数,确定所述时频区间的平均幅度系数;
基于频率特征模型分别提取各不同频率区间的所述平均幅度系数的频率特征,以及基于通道特征模型分别提取各不同通道的所述平均幅度系数的通道特征;
基于权重确定模型分别对所述频率特征和所述通道特征进行处理得到频率权重和通道权重,基于所述频率特征、频率权重、所述通道特征和所述通道权重,确定所述脑电信号对应的融合特征。
第二方面,本发明实施例还提供了一种脑电信号的处理装置,包括:
时频区间划分模块,用于获取预设信号通道的脑电信号的时频谱信号图,基于预设划分规则对所述时频谱信号图进行时频区间划分;
平均幅度系数确定模块,用于基于划分的时频区间中的幅度系数,确定所述时频区间的平均幅度系数;
特征提取模块,用于基于频率特征模型分别提取各不同频率区间的所述平均幅度系数的频率特征,以及基于通道特征模型分别提取各不同通道的所述平均幅度系数的通道特征;
融合特征确定模块,用于基于权重确定模型分别对所述频率特征和所述通道特征进行处理得到频率权重和通道权重,基于所述频率特征、频率权重、所述通道特征和所述通道权重,确定所述脑电信号对应的融合特征。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例所提供的脑电信号的处理方法步骤。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的脑电信号的处理方法步骤。
本发明实施例提供的技术方案,通过获取预设信号通道的脑电信号的时频谱信号图,基于预设划分规则对时频谱信号图进行时频区间划分,基于划分的时频区间中的幅度系数,确定时频区间的平均幅度系数,基于频率特征模型分别提取各不同频率区间的平均幅度系数的频率特征,以及基于通道特征模型分别提取各不同通道的平均幅度系数的通道特征,基于权重确定模型分别对频率特征和通道特征进行处理得到频率权重和通道权重,基于频率特征、频率权重、通道特征和通道权重,确定脑电信号对应的融合特征。能够将大脑进行特定活动时的脑电信号进行处理得到可视化的特征,提高了脑电信号的处理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种脑电信号的处理方法的流程示意图;
图2是本发明实施例一所涉及的一种时频区间划分示意图;
图3是本发明实施例二提供的一种脑电信号的处理方法的流程示意图;
图4是本发明实施例二所涉及的一种确定频率特征和通道特征的网络模型示意图;
图5是本发明实施例二所涉及的一种确定脑电信号的分类信息的流程示意图;
图6是本发明实施例三提供的一种脑电信号的处理装置的结构框图;
图7是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种脑电信号的处理方法的流程示意图,本实施例可适用于提取大脑进行特定活动时的脑电时空特征,用于分析大脑的活动状态的情况。该方法可以由脑电信号的处理装置来执行,该装置可以由软件和/或硬件的方式来实现,集成于具有控制功能的设备中,比如计算机中。该方法具体包括以下步骤:
S110、获取预设信号通道的脑电信号的时频谱信号图,基于预设划分规则对时频谱信号图进行时频区间划分。
预设信号通道是指利用脑电信号采集设备,采集不同大脑区域的活动信号的通道,示例性的,脑电采集设备可以是电极帽。预设划分规则是指对获取的时频谱信号图,根据时间和频率进行时频区间划分的规则。
利用脑电信号采集设备采集不同脑电信号通道的脑电信号,对采集的脑电信号进行预处理,示例性的,去除脑电信号的直流成分,再用低通滤波去除110Hz以上的成分。对采集的脑电信号进行预处理后,利用小波变换将每个通道信号都分解成多个不同频率成分的时间序列数据,即分解得到脑电信号的时频谱信号图。可以采用复morlet小波基对预处理后的脑电信息进行分解,复小波基使得获得小波系数不受脑电信号成分本体周期震荡的影响。
再基于预设划分规则,从时间和频率方面对分解得到的脑电信号的时频谱信号图进行时频区间划分。
可选的,基于预设划分规则对时频谱信号图进行时频区间划分,包括:基于预设时间间隔对时频谱信号图进行分段,得到分段信号;对于任一分段信号,基于至少一种时间划分方式和至少一种频率划分方式进行区间划分,得到多个时频区间。
基于预设划分规则对分解得到的时频谱信号图进行时频区间划分时,可以首先基于预设时间间隔对时频谱信号图进行分段,得到预设时间间隔长度的分段信号,对时频谱信号图进行分段时,可以是按预设时间间隔对时频谱信号图依次进行分割,也可以是按预设时间间隔,对时频谱信号图以存在重叠区域进行划分,示例性的,相邻分段信号可以包括50%的重叠区域。示例性的,预设时间间隔可以是1秒,对时频谱按1s的长度取数据片段。
获取到分段的脑电信号之后,分段的脑电信号对应的时频谱信号图中的横坐标为时间,纵坐标为频率,在横坐标方向以至少一种时间划分方式进行划分,纵坐标方向以至少一种频率划分方式进行划分,将不同时间划分方式与不同频率划分方式结合划分出多个时频区间,这样对一个分段信号,每个通道得到FT个时频区间,一个分段信号一共可以划分出C×FT个时频区间,其中C为脑电通道的数量。
示例性的,图2为时频区间划分示意图,参见图2,随着频率增大,进行划分的频率区域增大,随着时间增大,进行划分的时间区域越大,即越是低的频率上,其成分的时间划分方式的时间窗越宽,频率划分方式的频率窗越窄;反之,则时间窗越窄,频率窗越宽。具体设定上,可以是频率划分从1Hz开始,按(2^k×1.5,2^k×2)这样一对为单位划分频率宽度,k的逐步从1增加到4,即划分区间为1~4Hz、4~8Hz、8~14Hz、14~22Hz、22~34Hz、34~50Hz、50~74Hz以及74~106Hz,共8频率成分。在此基础上,对于不同频率划分方式下的不同时间划分方式的时间划分宽度分别为:1s,1/2s,1/4s,1/4s,1/8s,1/8s,1/16s,1/16s。由此,在1s的时间片段内,共有1+2+4×2+8×2+16×2=59个时频区间。
划分时频区间,便于后续基于划分的时频区间,确定脑电信号的时-频-空特征。
S120、基于划分的时频区间中的幅度系数,确定时频区间的平均幅度系数。
步骤S110中利用小波变换可以得到脑电信号的时频谱信号图,也可以确定每个时频区间中的时间段范围内的任一时刻、频率段范围内的任一频率对应的幅度系数,基于时频区间的所有幅度系数可以计算出该时频区间的平均幅度系数。
S130、基于频率特征模型分别提取各不同频率区间的平均幅度系数的频率特征,以及基于通道特征模型分别提取各不同通道的平均幅度系数的通道特征。
确定各脑电信号通道的划分的各时频区间的平均幅度系数之后,将不同信号通道的同一频率划分方式的时频区间对应的平均幅度系数输入频率特征模型,其中,不同信号通道的同一频率划分方式对应的平均幅度系数输入一个频率特征模型,示例性的,对于一共有8个频率成分的脑电信号,频率特征模型一共为8×C个,其中,C为脑电信号通道数。通过频率特征模型的输出确定不同信号通道的同一划分频率段的时频区间对应的频率特征。
确定各脑电信号通道的划分的各时频区间的平均幅度系数之后,还可以将同一信号通道的不同频率划分方式对应的时频区间的平均幅度系数输入通道特征模型,其中,同一信号通道的不同划分频率段对应的时频区间的平均幅度系数输入一个通道特征模型中,通过通道特征模型的输出确定同一信号通道的不同划分频率段对应的时频区间对应的通道特征。
S140、基于权重确定模型分别对频率特征和通道特征进行处理得到频率权重和通道权重,基于频率特征、频率权重、通道特征和通道权重,确定脑电信号对应的融合特征。
利用第一权重确定模型对频率特征和通道特征进行处理得到频率权重,利用第二权重确定模型对频率特征和通道特征进行处理得到通道权重,其中,第一权重确定模型和第二权重确定模型可以是参数不同的同一类模型。再基于频率特征和频率权重确定频率中间特征,基于通道特征和通道权重确定通道中间特征,然后根据频率中间特征和通道中间特征确定脑电信号对应的融合特征,基于脑电信号对应的融合特征经过变形输出后,可以用于确定大脑进行特定活动时对应的脑电信号的特征信息。
本实施例的技术方案,通过获取预设信号通道的脑电信号的时频谱信号图,基于预设划分规则对时频谱信号图进行时频区间划分,基于划分的时频区间中的幅度系数,确定时频区间的平均幅度系数,基于频率特征模型分别提取各不同频率区间的平均幅度系数的频率特征,以及基于通道特征模型分别提取各不同通道的平均幅度系数的通道特征,基于权重确定模型分别对频率特征和通道特征进行处理得到频率权重和通道权重,基于频率特征、频率权重、通道特征和通道权重,确定脑电信号对应的融合特征。能够将大脑进行特定活动时的脑电信号进行处理得到可视化的特征,提高了脑电信号的处理效率。
实施例二
图3为本发明实施例二提供的一种脑电信号的处理方法的流程示意图,本实施例在上述实施例的基础上进行了进一步优化和添加,具体是细化了确定频率特征和通道特征的步骤,确定频率权重和通道权重的步骤,以及添加了确定脑电信号对应的融合特征之后的步骤。其中与上述实施例相同或相应的术语的解释在此不再赘述。
参见图3,本实施例提供的脑电信号的处理方法,具体包括以下步骤:
S201、获取预设信号通道的脑电信号的时频谱信号图,基于预设划分规则对时频谱信号图进行时频区间划分。
S202、基于划分的时频区间中的幅度系数,确定时频区间的平均幅度系数。
S203、对于任一频率区间,计算频率区间对应的多个时频区间的第一平均幅度系数,将各不同频率区间的平均幅度系数分别输入至独立的各频率特征模型中,将各频率特征模型输出频率特征序列进行融合,得到频率特征。
对于至少一种频率划分方式划分的任一频率区间,可以对应一个时频区间,也可以对应多个时频区间,基于每个时频区间的时间段范围内的所有时刻在该频率区间的可取频率处的幅度系数,计算每个时频区间的第一平均幅度系数,将不同脑电信号通道在相同频率区间计算的时频区间的第一平均幅度系数输入至同一频率特征模型,每一个频率区间对应输入一个频率特征模型,且不同的频率区间对应的频率特征模型相互之间独立,每一个频率特征模型输出一个频率特征序列,对所有的频率特征模型输出的频率特征序列进行融合,得到不同脑电信号通道采集的脑电信号的频率特征。其中,对所有的频率特征模型输出的频率特征序列进行融合,示例性的,可以是采用concat方式融合,本发明实施例对于不同频率特征序列的融合方式不作具体限制,融合方式只需保留原频率特征序列的所有特征即可。
S204、对于任一通道,计算通道对应的多个时频区间的第二平均幅度系数,将各不同通道的平均幅度系数分别输入至独立的各通道特征模型中,将各通道特征模型输出通道特征序列进行融合,得到通道特征。
确定每个脑电信号通道采集的脑电信号的每个时频区间的时间段范围内的所有时刻在任一频率区间的所有频率处的幅度系数,计算每个时频区间的第二平均幅度系数,将同一脑电信号通道的不同频率区间计算的第二平均幅度系数输入至同一通道特征模型,每一个脑电信号通道对应的所有时频区间的第二平均幅度系数输入至一个通道特征模型,且不同脑电信号通道对应的通道特征模型相互之间独立,每一个通道特征模型输出一个通道特征序列,对所有的通道特征模型输出的通道特征序列进行融合,得到关于脑电信号通道的通道特征。
可选的,频率特征模型和通道特征模型分别为基于自注意力机制的图卷积神经网络。
注意力机制是一种将内部经验和外部感觉对齐从而增加部分区域的观察精细度的机制。而自注意力机制是注意力机制的改进,可以减少了对外部信息的依赖,便于捕捉不同信号采集通道采集的脑电信号的内部相关性。
可以是将基于自注意力机制的图卷积神经网络作为频率特征模型,将第一平均幅度系数作为该频率特征模型的节点输入,将参数不同的基于自注意力机制的图卷积神经网络作为通道特征模型,将第二平均幅度系数作为该通道特征模型的节点输入,通过频率特征模型和通道特征模型分别确定对应的频率特征和通道特征。
基于自注意力机制的图卷积神经网络确定频率特征和通道特征,可以充分考虑不同脑电信号采集通道采集的脑电信号以及不同频率段的脑电信号的相关性,提高脑电信号分类的准确率。
示例性的,图4为确定频率特征和通道特征的网络模型示意图,参见图4,通路1采用频率特征模型M1进行处理,通路1采用通道特征模型M2进行处理,M1处理所有通道某频段F下的时频区间数据,因此模型输入数据X的尺寸为C×T,其中T是F频段下的时间段。这个数据变形为1维向量,然后用基于自注意力机制的图卷积网络处理,每个向量元素为图的一个节点,图共C×T个节点,其图近邻矩阵为(C×T)×(C×T)的所有值都为1的矩阵。
基于自注意力机制的图卷积网络模型的配置可以是:3层图卷积层,其中只有第2、3层具有自注意力功能,采用多头的注意力机制,多头数量为3。3层设定的特征数量分别为4,8,8,由于多头机制,第3层输出的每个节点的特征数量为8×3=24,因此输出数据为(C×T)×24的2维数组。
因为每个频率输入的T数量都不同,每个频率的数据都用一个独立的M1模型进行处理,命名为M1 v1,M1 v2,……,M1 v8,最将每个独立的M1模型的输出进行融合,得到空间、时间、频率特征Y1,Y1即为本实施例提供的频率特征。
M2模型结构类似M1,但其配置不同。输入的数据是每个通道的所有时频区间值,即长度59的向量,其层数、自注意力层、多头数量的配置同M1,近邻矩阵为59×59的全1矩阵,但输出数据为59×24的2维数组。此外,所有通道共用一个M2模型对象,即参数共享,将所有M2模型的输出特征进行融合得到空间、时间、频率特征Y2,Y2即为本实施例提供的通道特征。
S205、将频率特征与通道特征进行融合,得到初始融合特征。
可以通过concat方式将频率特征和通道特征进行融合,得到初始融合特征,其中,初始融合特征的形式可以是[频率特征;通道特征]。
S206、将初始融合特征输入频率权重确定模型,确定频率权重。
将初始融合特征输入频率权重确定模型,通过频率权重确定模型的输出确定频率权重,示例性的频率权重确定模型可以是SEnet网络。
S207、将初始融合特征输入通道权重确定模型,确定通道权重。
将初始融合特征输入通道权重确定模型,通过通道权重确定模型的输出确定通道权重,示例性的,通道权重确定模型也可以是SEnet网络,需要说明的是,频率权重确定模型和通道权重确定模型可以是参数不同的SEnet网络。
将模型输入特定行为下的脑电信号时的频率权重和通道权重进行提取,可以可作为分析脑电活动时-空-频关系的可视化数据,可用于对比不同行为下的差异。
S208、基于频率权重对频率特征进行加权处理,得到第一加权特征,并基于通道权重对通道特征进行加权处理,确定第二加权特征。
将频率权重确定模型输出的频率权重和频率特征模型确定的频率特征进行加权,得到加权结果为第一加权特征,同时将通道权重确定模型输出的通道权重和通道特征模型确定的通道特征进行加权,得到加权结果为第二加权特征。
S209、对第一加权特征和第二加权特征进行数据融合,得到脑电信号对应的融合特征。
将第一加权特征和第二加权特征以得到初始融合特征相同的融合方法进行数据融合,得到融合结果为脑电信息对应的融合特征。
S210、获取分类权重,基于分类权重对特征融合数据进行全连接处理,确定脑电信号的分类信息。
分类权重可以是全连接网络的权重参数,获取全连接网络的权重参数之后,基于权重参数利用全连接网络对步骤S209确定的融合特征数据进行全连接处理,通过输出的值可以确定脑电信号对应的分类信息,其中,分类信息是指大脑的进行特定活动对应的活动类型,示例性的,大脑此时为兴奋状态,则根据全连接的输出值可以确定大脑此时是否确实处于兴奋状态,即分类信息为兴奋状态。
示例性的,图5为确定脑电信号的分类信息的流程示意图,参见图5,脑电信号的分类信息确定过程为:
将模型M1的输出Y1和模型M2的输出Y2进行数据融合,融合结果可以是Y’=[Y1;Y2]。频率权重确定模型为频率SEnet,通道权重确定模型为通道SEnet,将Y’分别输入频率SEnet和通道SEnet,生成对频率和通道进行整体加权的权重系数AF、AC。
其中,f为对应频率,为频率f对应的参数。AF长度为8的向量:AF=softmax([A1;A2;…;A8]),AC为:AC=softmax(Y'W(C)),这里同样每个频率采用不同形式的参数处理,因为每个频率对应的时空单元数量不同,而空间上每个通道的处理形式相同,所以用统一的形式。
然后权重乘以原来的输出特征:两者再一次按同样的方法融合成特征Y:Y=[Y1'f,Y2'c],融合后的输出网络处理采用2层全连接网络,得到融合后的特征为:R=softmax(W_o2 relu(W_o1 Y)),其中,W_o2、W_o1都是全连接网络的权重参数。
本发明实施例提供的各个网络模型可组合成一个统一的模型,由脑电图数据和对应的大脑行为标签进行“端到端”的训练。训练的数据如上所述为1s的时间窗内的信号,由于一般实验的脑电信号往往是连续的大段信号,因此可对其进行1s为单位的分段从而大大增加样本数量,其中,段与段之间还可以有一定的重叠,行为标签只需保证种类数量有限即可。本发明实施例提供的训练方法采用一般的神经网络的模型的梯度下降算法,具体配置可尝试多种方案后选取实际效果最佳的。
整个模型提取的注意力权值有4个:频率特征确定模型M1的注意力值,通道特征确定模型M2的注意力值,频率权重确定模型的频率注意力权重值AF和通道权重确定模型的通道注意力值AC。这些所有注意力权重值结合到一起:AF加权到M1的各个频率划分上,AC加权到M2的各个空间划分上,然后两者再相加。统一的空间、频率、时间注意力值最后通过整体归一化变成标准数据,可作为分析脑电活动时-空-频关系的可视化数据,可用于对比不同行为下的差异。
本实施例的技术方案,通过获取预设信号通道的脑电信号的时频谱信号图,基于预设划分规则对时频谱信号图进行时频区间划分,基于划分的时频区间中的幅度系数,确定时频区间的平均幅度系数,对于任一频率区间,计算频率区间对应的多个时频区间的第一平均幅度系数,将各不同频率区间的平均幅度系数分别输入至独立的各频率特征模型中,将各频率特征模型输出频率特征序列进行融合,得到频率特征,对于任一通道,计算通道对应的多个时频区间的第二平均幅度系数,将各不同通道的所述平均幅度系数分别输入至独立的各通道特征模型中,将各通道特征模型输出通道特征序列进行融合,得到通道特征,将频率特征与通道特征进行融合,得到初始融合特征,将初始融合特征输入频率权重确定模型,确定频率权重,将初始融合特征输入通道权重确定模型,确定通道权重,基于频率权重对频率特征进行加权处理,得到第一加权特征,并基于通道权重对通道特征进行加权处理,确定第二加权特征,对第一加权特征和第二加权特征进行数据融合,得到脑电信号对应的融合特征,获取分类权重,基于分类权重对所述特征融合数据进行全连接处理,确定脑电信号的分类信息,通过带注意力的模型统合各种因素,综合验算各个时-空-频元素间的关系,针对不同的元素组合优化,从而加强某一方面的识别,并在可视化时凸显某个元素尺度上的专门结果,能够将大脑进行特定活动时的脑电信号进行处理得到可视化的特征,提高了脑电信号的处理效率。
实施例三
图6是本发明实施例三提供的一种脑电信号的处理装置的结构框图,本实施例可适用于提取大脑进行特定活动时的脑电时空特征,用于分析大脑的活动状态的情况。应用脑电信号的处理装置可以实现本发明任一实施例所提供的脑电信号的处理方法。如图6所示,脑电信号的处理装置包括:
时频区间划分模块310,用于获取预设信号通道的脑电信号的时频谱信号图,基于预设划分规则对时频谱信号图进行时频区间划分;
平均幅度系数确定模块320,用于基于划分的时频区间中的幅度系数,确定时频区间的平均幅度系数;
特征提取模块330,用于基于频率特征模型分别提取各不同频率区间的平均幅度系数的频率特征,以及基于通道特征模型分别提取各不同通道的平均幅度系数的通道特征;
融合特征确定模块340,用于基于权重确定模型分别对所述频率特征和通道特征进行处理得到频率权重和通道权重,基于频率特征、频率权重、所述通道特征和通道权重,确定脑电信号对应的融合特征。
可选的,基于预设划分规则对时频谱信号图进行时频区间划分,包括:
基于预设时间间隔对时频谱信号图进行分段,得到分段信号;
对于任一分段信号,基于至少一种时间划分方式和至少一种频率划分方式进行区间划分,得到多个时频区间。
具体的,特征提取模块330,包括:
频率特征确定单元,用于对于任一频率区间,计算频率区间对应的多个时频区间的第一平均幅度系数,将各不同频率区间的平均幅度系数分别输入至独立的各频率特征模型中,将各频率特征模型输出频率特征序列进行融合,得到频率特征;
通道特征确定单元,用于对于任一通道,计算通道对应的多个时频区间的第二平均幅度系数,将各不同通道的平均幅度系数分别输入至独立的各通道特征模型中,将各通道特征模型输出通道特征序列进行融合,得到通道特征。
可选的,频率特征模型和通道特征模型分别为基于自注意力机制的图卷积神经网络。
具体的,融合特征确定模块340,包括:
初始融合特征确定单元,用于将频率特征与通道特征进行融合,得到初始融合特征。
频率权重确定单元,用于将初始融合特征输入频率权重确定模型,确定频率权重;
通道权重确定单元,用于将初始融合特征输入通道权重确定模型,确定通道权重。
加权特征确定单元,用于基于频率权重对频率特征进行加权处理,得到第一加权特征,并基于通道权重对通道特征进行加权处理,确定第二加权特征。
融合特征确定单元,用于对第一加权特征和第二加权特征进行数据融合,得到脑电信号对应的融合特征。
可选的,前一中间段信号和后一中间段信号存在第二预设数量的重叠分段信息,其中,第二预设数量小于第一预设数量。
可选的,脑电信号的处理模块,还包括:
分类信息确定模块,用于获取分类权重,基于分类权重对特征融合数据进行全连接处理,确定脑电信号的分类信息。
本发明实施例提供的脑电信号的处理装置可执行本发明任意实施例所提供的脑电信号的处理方法,具备执行脑电信号的处理方法相应的功能模块和有益效果。未详尽描述的技术细节,可参见本发明任一实施例所提供的脑电信号的处理方法。
实施例四
图7是本发明实施例四提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图7显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图7中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用,例如实现本发实施例所提供的一种脑电信号的处理方法步骤,该方法包括:获取预设信号通道的脑电信号的时频谱信号图,基于预设划分规则对所述时频谱信号图进行时频区间划分;基于划分的时频区间中的幅度系数,确定所述时频区间的平均幅度系数;基于频率特征模型分别提取各不同频率区间的所述平均幅度系数的频率特征,以及基于通道特征模型分别提取各不同通道的所述平均幅度系数的通道特征;基于权重确定模型分别对所述频率特征和所述通道特征进行处理得到频率权重和通道权重,基于所述频率特征、频率权重、所述通道特征和所述通道权重,确定所述脑电信号对应的融合特征。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的信号处理方法的技术方案。
实施例五
本实施例五提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的脑电信号的处理方法步骤,该方法包括:获取预设信号通道的脑电信号的时频谱信号图,基于预设划分规则对所述时频谱信号图进行时频区间划分;基于划分的时频区间中的幅度系数,确定所述时频区间的平均幅度系数;基于频率特征模型分别提取各不同频率区间的所述平均幅度系数的频率特征,以及基于通道特征模型分别提取各不同通道的所述平均幅度系数的通道特征;基于权重确定模型分别对所述频率特征和所述通道特征进行处理得到频率权重和通道权重,基于所述频率特征、频率权重、所述通道特征和所述通道权重,确定所述脑电信号对应的融合特征。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种脑电信号的处理方法,其特征在于,包括:
获取预设信号通道的脑电信号的时频谱信号图,基于预设划分规则对所述时频谱信号图进行时频区间划分;
基于划分的时频区间中的幅度系数,确定所述时频区间的平均幅度系数;
基于频率特征模型分别提取各不同频率区间的所述平均幅度系数的频率特征,以及基于通道特征模型分别提取各不同通道的所述平均幅度系数的通道特征;
基于权重确定模型分别对所述频率特征和所述通道特征进行处理得到频率权重和通道权重,基于所述频率特征、频率权重、所述通道特征和所述通道权重,确定所述脑电信号对应的融合特征。
2.根据权利要求1所述的方法,其特征在于,所述基于预设划分规则对所述时频谱信号图进行时频区间划分,包括:
基于预设时间间隔对所述时频谱信号图进行分段,得到分段信号;
对于任一分段信号,基于至少一种时间划分方式和至少一种频率划分方式进行区间划分,得到多个时频区间。
3.根据权利要求1所述的方法,其特征在于,所述基于频率特征模型分别提取各不同频率区间的所述平均幅度系数的频率特征,以及基于通道特征模型分别提取各不同通道的所述平均幅度系数的通道特征,包括:
对于任一频率区间,计算所述频率区间对应的多个时频区间的第一平均幅度系数,将各不同频率区间的所述平均幅度系数分别输入至独立的各频率特征模型中,将各频率特征模型输出频率特征序列进行融合,得到所述频率特征;
对于任一通道,计算所述通道对应的多个时频区间的第二平均幅度系数,将各不同通道的所述平均幅度系数分别输入至独立的各通道特征模型中,将各通道特征模型输出通道特征序列进行融合,得到所述通道特征。
4.根据权利要求3所述的方法,其特征在于,所述频率特征模型和所述通道特征模型分别为基于自注意力机制的图卷积神经网络。
5.根据权利要求1所述的方法,其特征在于,所述基于权重确定模型分别对所述频率特征和所述通道特征进行处理得到频率权重和通道权重,包括:
将所述频率特征与所述通道特征进行融合,得到初始融合特征;
将所述初始融合特征输入频率权重确定模型,确定所述频率权重;
将所述初始融合特征输入通道权重确定模型,确定所述通道权重。
6.根据权利要求1所述的方法,其特征在于,所述基于所述频率特征、频率权重、所述通道特征和所述通道权重,确定所述脑电信号对应的融合特征,包括:
基于所述频率权重对所述频率特征进行加权处理,得到第一加权特征,基于所述通道权重对所述通道特征进行加权处理,确定第二加权特征;
对所述第一加权特征和所述第二加权特征进行数据融合,得到所述脑电信号对应的融合特征。
7.根据权利要求1所述的方法,其特征在于,在基于所述频率特征、频率权重、所述通道特征和所述通道权重,确定所述脑电信号对应的融合特征之后,还包括:
获取分类权重,基于所述分类权重对所述特征融合数据进行全连接处理,确定所述脑电信号的分类信息。
8.一种脑电信号的处理装置,其特征在于,包括:
时频区间划分模块,用于获取预设信号通道的脑电信号的时频谱信号图,基于预设划分规则对所述时频谱信号图进行时频区间划分;
平均幅度系数确定模块,用于基于划分的时频区间中的幅度系数,确定所述时频区间的平均幅度系数;
特征提取模块,用于基于频率特征模型分别提取各不同频率区间的所述平均幅度系数的频率特征,以及基于通道特征模型分别提取各不同通道的所述平均幅度系数的通道特征;
融合特征确定模块,用于基于权重确定模型分别对所述频率特征和所述通道特征进行处理得到频率权重和通道权重,基于所述频率特征、频率权重、所述通道特征和所述通道权重,确定所述脑电信号对应的融合特征。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的脑电信号的处理方法步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的脑电信号的处理方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011255922.9A CN112257658B (zh) | 2020-11-11 | 2020-11-11 | 一种脑电信号的处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011255922.9A CN112257658B (zh) | 2020-11-11 | 2020-11-11 | 一种脑电信号的处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257658A true CN112257658A (zh) | 2021-01-22 |
CN112257658B CN112257658B (zh) | 2023-10-10 |
Family
ID=74265431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011255922.9A Active CN112257658B (zh) | 2020-11-11 | 2020-11-11 | 一种脑电信号的处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257658B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022179548A1 (zh) * | 2021-02-26 | 2022-09-01 | 腾讯科技(深圳)有限公司 | 脑电信号分类方法、装置、设备、存储介质及程序产品 |
CN115105094A (zh) * | 2022-07-15 | 2022-09-27 | 燕山大学 | 基于注意力和3d密集连接神经网络的运动想象分类方法 |
CN116369949A (zh) * | 2023-06-06 | 2023-07-04 | 南昌航空大学 | 一种脑电信号分级情绪识别方法、系统、电子设备及介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080080762A1 (en) * | 2006-10-02 | 2008-04-03 | Konica Minolta Holdings, Inc. | Image processing apparatus capable of operating correspondence between base image and reference image, method of controlling that image processing apparatus, and computer-readable medium recording program for controlling that image processing apparatus |
EP2027559A1 (en) * | 2006-06-09 | 2009-02-25 | Bracco S.P.A. | Method of processing multichannel and multivariate signals and method of classifying sources of multichannel and multivariate signals operating according to such processing method |
US20160128593A1 (en) * | 2014-11-06 | 2016-05-12 | Tata Consultancy Services Limited | Selection of electroencephalography (eeg) channels valid for determining cognitive load of a subject |
CN108829257A (zh) * | 2018-08-21 | 2018-11-16 | 北京工业大学 | 一种运动想象脑电信号的特征提取方法 |
CN109656366A (zh) * | 2018-12-19 | 2019-04-19 | 电子科技大学中山学院 | 一种情感状态识别方法、装置、计算机设备及存储介质 |
CN110236533A (zh) * | 2019-05-10 | 2019-09-17 | 杭州电子科技大学 | 基于多深度神经网络迁移特征学习的癫痫发作预测方法 |
CN110289081A (zh) * | 2019-05-14 | 2019-09-27 | 杭州电子科技大学 | 深度网络堆栈模型自适应加权特征融合的癫痫检测方法 |
CN111317468A (zh) * | 2020-02-27 | 2020-06-23 | 腾讯科技(深圳)有限公司 | 脑电信号分类方法、装置、计算机设备和存储介质 |
CN111387975A (zh) * | 2020-03-20 | 2020-07-10 | 徐州市健康研究院有限公司 | 基于机器学习的脑电信号识别方法 |
WO2020173133A1 (zh) * | 2019-02-27 | 2020-09-03 | 平安科技(深圳)有限公司 | 情感识别模型的训练方法、情感识别方法、装置、设备及存储介质 |
CN111783942A (zh) * | 2020-06-08 | 2020-10-16 | 北京航天自动控制研究所 | 一种基于卷积循环神经网络的脑认知过程模拟方法 |
CN111772629A (zh) * | 2020-06-08 | 2020-10-16 | 北京航天自动控制研究所 | 一种脑认知技能移植的方法 |
CN111832438A (zh) * | 2020-06-27 | 2020-10-27 | 西安电子科技大学 | 一种面向情感识别的脑电信号通道选择方法、系统及应用 |
US20220058801A1 (en) * | 2018-12-17 | 2022-02-24 | Georgia State University Research Foundation, Inc. | Predicting DCIS Recurrence Risk Using a Machine Learning-Based High-Content Image Analysis Approach |
-
2020
- 2020-11-11 CN CN202011255922.9A patent/CN112257658B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2027559A1 (en) * | 2006-06-09 | 2009-02-25 | Bracco S.P.A. | Method of processing multichannel and multivariate signals and method of classifying sources of multichannel and multivariate signals operating according to such processing method |
US20080080762A1 (en) * | 2006-10-02 | 2008-04-03 | Konica Minolta Holdings, Inc. | Image processing apparatus capable of operating correspondence between base image and reference image, method of controlling that image processing apparatus, and computer-readable medium recording program for controlling that image processing apparatus |
US20160128593A1 (en) * | 2014-11-06 | 2016-05-12 | Tata Consultancy Services Limited | Selection of electroencephalography (eeg) channels valid for determining cognitive load of a subject |
CN108829257A (zh) * | 2018-08-21 | 2018-11-16 | 北京工业大学 | 一种运动想象脑电信号的特征提取方法 |
US20220058801A1 (en) * | 2018-12-17 | 2022-02-24 | Georgia State University Research Foundation, Inc. | Predicting DCIS Recurrence Risk Using a Machine Learning-Based High-Content Image Analysis Approach |
CN109656366A (zh) * | 2018-12-19 | 2019-04-19 | 电子科技大学中山学院 | 一种情感状态识别方法、装置、计算机设备及存储介质 |
WO2020173133A1 (zh) * | 2019-02-27 | 2020-09-03 | 平安科技(深圳)有限公司 | 情感识别模型的训练方法、情感识别方法、装置、设备及存储介质 |
CN110236533A (zh) * | 2019-05-10 | 2019-09-17 | 杭州电子科技大学 | 基于多深度神经网络迁移特征学习的癫痫发作预测方法 |
CN110289081A (zh) * | 2019-05-14 | 2019-09-27 | 杭州电子科技大学 | 深度网络堆栈模型自适应加权特征融合的癫痫检测方法 |
CN111317468A (zh) * | 2020-02-27 | 2020-06-23 | 腾讯科技(深圳)有限公司 | 脑电信号分类方法、装置、计算机设备和存储介质 |
CN111387975A (zh) * | 2020-03-20 | 2020-07-10 | 徐州市健康研究院有限公司 | 基于机器学习的脑电信号识别方法 |
CN111783942A (zh) * | 2020-06-08 | 2020-10-16 | 北京航天自动控制研究所 | 一种基于卷积循环神经网络的脑认知过程模拟方法 |
CN111772629A (zh) * | 2020-06-08 | 2020-10-16 | 北京航天自动控制研究所 | 一种脑认知技能移植的方法 |
CN111832438A (zh) * | 2020-06-27 | 2020-10-27 | 西安电子科技大学 | 一种面向情感识别的脑电信号通道选择方法、系统及应用 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022179548A1 (zh) * | 2021-02-26 | 2022-09-01 | 腾讯科技(深圳)有限公司 | 脑电信号分类方法、装置、设备、存储介质及程序产品 |
CN115105094A (zh) * | 2022-07-15 | 2022-09-27 | 燕山大学 | 基于注意力和3d密集连接神经网络的运动想象分类方法 |
CN116369949A (zh) * | 2023-06-06 | 2023-07-04 | 南昌航空大学 | 一种脑电信号分级情绪识别方法、系统、电子设备及介质 |
CN116369949B (zh) * | 2023-06-06 | 2023-09-15 | 南昌航空大学 | 一种脑电信号分级情绪识别方法、系统、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112257658B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112257658B (zh) | 一种脑电信号的处理方法、装置、电子设备及存储介质 | |
Asghar et al. | EEG-based multi-modal emotion recognition using bag of deep features: An optimal feature selection approach | |
Mallat | Understanding deep convolutional networks | |
Fulcher et al. | Highly comparative time-series analysis: the empirical structure of time series and their methods | |
Daimi et al. | Classification of emotions induced by music videos and correlation with participants’ rating | |
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 | |
Hua et al. | A novel method of building functional brain network using deep learning algorithm with application in proficiency detection | |
US20230342611A1 (en) | Systems and methods for time series analysis using attention models | |
Torres et al. | Patient facial emotion recognition and sentiment analysis using secure cloud with hardware acceleration | |
Ma et al. | Predicting epileptic seizures from intracranial EEG using LSTM-based multi-task learning | |
Bernard et al. | Combining the Automated Segmentation and Visual Analysis of Multivariate Time Series. | |
Chikkankod et al. | On the dimensionality and utility of convolutional Autoencoder’s latent space trained with topology-preserving spectral EEG head-maps | |
Zhao et al. | Deep spatio-temporal sparse decomposition for trend prediction and anomaly detection in cardiac electrical conduction | |
Xu et al. | LSTM neural network for solar radio spectrum classification | |
Qin et al. | EEG signal classification based on improved variational mode decomposition and deep forest | |
Ampavathi | Research challenges and future directions towards medical data processing | |
EP3072296A1 (en) | Methods and systems for wavelet based representation | |
Nagar et al. | Orthogonal features-based eeg signal denoising using fractionally compressed autoencoder | |
Jacaruso | Accuracy improvement for Fully Convolutional Networks via selective augmentation with applications to electrocardiogram data | |
CN114795247A (zh) | 脑电信号分析方法、装置、电子设备和存储介质 | |
JP7471514B2 (ja) | 多様な人分析のための勾配分割によるマルチタスク学習 | |
Amodeo et al. | Unified embeddings of structural and functional connectome via a function-constrained structural graph variational auto-encoder | |
Jehosheba Margaret et al. | Performance analysis of EEG based emotion recognition using deep learning models | |
Zhang et al. | Label consistent non-negative representation of ECG signals for automated recognition of cardiac arrhythmias | |
Xu et al. | Graph-Regularized Tensor Regression: A Domain-Aware Framework for Interpretable Modeling of Multiway Data on Graphs |
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 |