CN112381120B - 基于支持向量神经网络提高p300拼写器性能的方法 - Google Patents
基于支持向量神经网络提高p300拼写器性能的方法 Download PDFInfo
- Publication number
- CN112381120B CN112381120B CN202011170494.XA CN202011170494A CN112381120B CN 112381120 B CN112381120 B CN 112381120B CN 202011170494 A CN202011170494 A CN 202011170494A CN 112381120 B CN112381120 B CN 112381120B
- Authority
- CN
- China
- Prior art keywords
- neural network
- equation
- electroencephalogram
- quadratic programming
- signal
- 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
Links
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- 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
-
- 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
本发明提供了一种基于支持向量神经网络提高P300拼写器性能的方法。所述方法包括如下步骤:对P300脑电信号数据集进行预处理;将脑电信号和其对应的分类标签组成特征向量,基于分类间隔最大化的思想,将脑电信号的分类问题转化为对应的二次型规划问题,进而转换为分段线性投影方程;基于分段线性投影方程设计递归神经网络求解器求解二次型规划问题;将递归神经网络的求解结果传递给脑电信号的期望值估计函数,从而得到脑电信号是否包括P300信号的期望值;将得到的最大期望值的脑电信号所对应的行列信息映射到P300拼写器的字符表得到最终的字符拼写结果。本发明不涉及复杂的矩阵逆运算、网络参数并行更新、收敛速度快、准确率高。
Description
技术领域
本发明涉及脑电信号识别控制领域,特别涉及一种基于支持向量神经网络提高P300拼写器性能的方法。
背景技术
随着经济的发展,重度残疾人的自主护理问题越来越引起研究人员与市场的重视。脑计算机接口(BCI)P300拼写器可以帮助重度残疾的患者与外界进行交流并控制外部机器或机器人来完成任务,因此P300脑电图信号(EEG)的分类方法在BCI系统和技术的开发中起着重要作用。脑电信号的信噪比很低使得对于P300脑电信号的分类变得困难。之前的研究说明在P300脑电信号的分类上,支持向量机和卷积神经网络的应用取得了比较好的效果。但是传统的支持向量机是一种串行训练的方法,在大数据集下训练速度缓慢(Kundu S,Ari S.P300 Detection with Brain–Computer Interface Application Using PCA andEnsemble of Weighted SVMs[J].IETE Journal of Research,2017,64(3):406-414.);而卷积神经网络因为网络参数庞大,训练时对于硬件资源的需求大(Liu M,Wu W,Gu Z,etal.Deep Learning Based on Batch Normalization for P300 Signal Detection[J].NEUROCOMPUTING,2017:S0925231217314601.)。
发明内容
本发明的目的在于克服一般技术的不足,提供一种计算量小、实时性强、分类准确率高的基于支持向量神经网络的P300脑电信号分类解决方案,提高P300拼写器的性能。
本发明的目的至少通过如下技术方案之一实现。
基于支持向量神经网络提高P300拼写器性能的方法,包括如下步骤:
S1、对P300脑电信号数据集进行预处理;
S2、将步骤S1中预处理完成的脑电信号和其对应的分类标签组成特征向量,基于分类间隔最大化的思想,将脑电信号的分类问题转化为对应的二次型规划问题;
S3、将步骤S2中二次型规划问题转换为分段线性投影方程;
S4、基于步骤S3中的分段线性投影方程设计递归神经网络求解器求解二次型规划问题;
S5、将步骤S4中递归神经网络的求解结果传递给脑电信号的期望值估计函数,从而得到脑电信号是否包括P300信号的期望值;
S6、将步骤S5得到的最大期望值的脑电信号所对应的行列信息映射到P300拼写器的字符表得到最终的字符拼写结果。
进一步地,步骤S1中,给定一个包括m个样本的P3000脑电信号数据集:
S={(α1,y1),(α2,y2),…,(αi,yi),…,(αm,ym)} (1)
其中,αi是第i个脑电信号的特征向量,αi∈Rn,其中n代表特征向量αi所包括的特征维度,yi是第i个脑电信号的类别标签,yi∈{-1,1},i=1,2,...,m;对P300脑电信号数据集进行预处理的操作包括带通滤波和z-score归一化,使得处理后的数据均值为0、标准差为1。
进一步地,步骤S2中,P300脑电信号分类的决策函数为f(α)=sgn(ωT.α)+b),其中ω∈Rn是分类超平面方向的法向量,其中n代表特征向量α所包括的特征维度,b是位移项;设y=(y1,y2,...,ym)T∈Rm,q=(-1,-1,...,-1)T∈Rm,
其中K(αi,αj)是两个样本的高斯核函数计算结果;基于分类间隔最大化的思想,由P300脑电信号数据构建的二次型规划问题如下:
s.t.yTx=0,x≥0 (5)
0≤x≤C (6)
其中,x∈Rm是拉格朗日乘子,W=A·B∈Rm×m是权重矩阵,参数C是表示间隔和容错性的相对重要性的惩罚因子;若求解出二次型规划问题,则P300脑电信号分类决策函数的最优参数ω*和b*均可以由x计算得出,具体如下:
进一步地,步骤S3中,二次型规划问题可转化为分段线性投影方程,包括以下步骤:
S3.1、将二次型规划问题转化为一个线性变分不等式,具体如下:
二次型规划问题中的公式(4)、公式(5)和公式(6)等价于下列形式的方程:
其中,u∈R是对应于约束公式(5)的对偶决策变量,向量[x*,u*]T是需要寻找的最优解;方程(7)可变换为一个线性变分不等式问题;假设二次型规划问题存在最优解x*,则存在一个以下线性变分不等式的最优解d*={d|ζ-≤d≤ζ+}使得:
(d-d*)T(Hd*+p)≥0 (8)
其中的矩阵和向量是由方程(7)简写而来,定义如下:
其中,d是原对偶决策向量,d*是需要根据已知条件求解的包括最优解x*的向量;和/>是决策向量d的上界和下界,/>是一个足够大的正数用来代替+∞,1d∈Rm+1是一个与d维数相同的向量且每个元素均为1;
S3.2、将线性变分不等式转化为分段线性投影方程,具体如下:
线性变分不等式(8)可以等价地转化为如下分段线性投影方程:
PΩ(d-(Hd+p))-d=0 (11)
其中,PΩ(d)=[[PΩ(d)]1,[PΩ(d)]2,…,[PΩ(d)]m+1]T∈Rm+1是一个分段投影函数,其定义如下:
因此,求解二次型规划问题的公式(4)、公式(5)和公式(6)等价于分段线性投影方程问题(11),也相当于找到d*使得误差函数E(d)=PΩ(d-(Hd+p))-d收敛到零。
进一步地,步骤S4中,递归神经网络求解器的动力学方程如下:
其中β>0是设计参数,用于衡量递归神经网络的收敛率,I∈R(m+1)×(m+1)是单位矩阵;关于递归神经网络求解器的收敛性,有以下两个性质:
(1)假设二次规划问题(4)-(6)存在最优解x*,则对于任意初始值d(0),该递归神经网络都可以收敛到一个平衡点d*,且最优解x*是这个平衡点d*的前m个元素;
(2)如果存在一个常数η>0满足条件 那么问题(13)呈指数收敛于平衡点d*,并且收敛速度与βη成正比。
进一步地,步骤S5中,给定初值d(0)进行迭代,根据递归神经网络求解器及收敛理论,最终可以得到最优解d*,且二次型规划问题的最优解x*是d*的前m个元素,相应的P300脑电信号分类决策函数的最优参数ω*和b*也可以求出;对脑电信号是否包括有P300信号的期望值估计函数f(α)=ω*T·α+b*进行分类判断,f(α)越大,α对应的脑电信号包括P300信号可能性越高。
进一步地,步骤S6中,得到脑电信号的包括P300信号的期望值后,在用户拼写一个字符时,一共会产生6个包括字符表行信息的脑电信号,6个包括字符表列信息的脑电信号;设每个脑电信号包括P300信号的期望值为sr|c,根据以下公式:
其中rpos和cpos分别表示预测字符的列号和行号;将对应的行号和列号映射到P300拼写器的字符表得到最终的字符拼写结果。
相比于现有技术,本发明的优点在于:
本发明能有效克服现有P300拼写器识别准确率不高的问题,提供一种具有创新性、能并行计算、计算负担小、收敛速度快,准确率高、鲁棒性和实时性更好的基于支持向量神经网络的P300脑电信号的期望值估计方法,提高P300拼写器的性能。
附图说明
图1为本发明实施例中基于支持向量神经网络提高P300拼写器性能的方法的流程图;
图2为本发明实施例中P300拼写器在实验中使用的电极名称和通道分配编号示意图;
图3为实现本发明的支持向量神经网络框架的示意图;
图4为本发明实施例中P300拼写器对应的字符拼写表示意图。
具体实施方式
下面结合附图和实施例对本发明的具体实施做进一步的说明。
实施例:
本实施例中,如图2、图4所示的是P300拼写器在实验中使用的电极名称和通道分配编号和P300拼写器对应的字符拼写表。字符拼写表共有6行6列,用户在字符拼写时这6行6列都会被随机点亮并只点亮一次,用户在看到自己期望拼写字符被点亮时会产生一个刺激信号,这个信号大概在用户受到刺激后的300ms产生,被称为P300信号。每次拼写时需要使用分类器识别出包括有P300信号的脑电信号的行和列,对应P300拼写器的字符表得到最终的字符拼写结果。
基于支持向量神经网络提高P300拼写器性能的方法,如图1所示,包括如下步骤:
S1、对P300脑电信号数据集进行预处理;
给定一个包括m个样本的P3000脑电信号数据集:
S={(α1,y1),(α2,y2),…,(αi,yi),…,(αm,ym)} (1)
其中,αi是第i个脑电信号的特征向量,αi∈Rn,其中n代表特征向量αi所包括的特征维度,yi是第i个脑电信号的类别标签,yi∈{-1,1},i=1,2,...,m;对脑电信号数据集进行预处理的操作包括带通滤波和z-score归一化,使得处理后的数据均值为0、标准差为1。
S2、如图3所示,将步骤S1中预处理完成的脑电信号和其对应的分类标签组成特征向量,基于分类间隔最大化的思想,将脑电信号的分类问题转化为对应的二次型规划问题;
P300脑电信号分类的决策函数为f(α)=sgn(ωT·α)+b),其中ω∈Rn是分类超平面方向的法向量,其中n代表特征向量α所包括的特征维度,b是位移项;设y=(y1,y2,…,ym)T∈Rm,q=(-1,-1,…,-1)T∈Rm,
其中K(αi,αj)是两个样本的高斯核函数计算结果;基于分类间隔最大化的思想,由P300脑电信号数据构建的二次型规划问题如下:
s.t.yTx=0,x≥0 (5)
0≤x≤C (6)
其中,x∈Rm是拉格朗日乘子,W=A·B∈Rm×m是权重矩阵,参数C是表示间隔和容错性的相对重要性的惩罚因子;若求解出二次型规划问题,则P300脑电信号分类决策函数的最优参数ω*和b*均可以由x计算得出,具体如下:
S3、如图3所示,将步骤S2中二次型规划问题转换为分段线性投影方程,包括以下步骤:
S3.1、将二次型规划问题转化为一个线性变分不等式,具体如下:
二次型规划问题中的公式(4)、公式(5)和公式(6)等价于下列形式的方程:
其中,u∈R是对应于约束公式(5)的对偶决策变量,向量[x*,u*]T是需要寻找的最优解;方程(7)可变换为一个线性变分不等式问题;假设二次型规划问题存在最优解x*,则存在一个以下线性变分不等式的最优解d*={d|ζ-≤d≤ζ+}使得:
(d-d*)T(Hd*+p)≥0 (8)
其中的矩阵和向量是由方程(7)简写而来,定义如下:
其中,d是原对偶决策向量,d*是需要根据已知条件求解的包括最优解x*的向量;和/>是决策向量d的上界和下界,/>是一个足够大的正数用来代替+∞,1d∈Rm+1是一个与d维数相同的向量且每个元素均为1;
S3.2、将线性变分不等式转化为分段线性投影方程,具体如下:
线性变分不等式(8)可以等价地转化为如下分段线性投影方程:
PΩ(d-(Hd+p))-d=0 (11)
其中,PΩ(d)=[[PΩ(d)]1,[PΩ(d)]2,…,[PΩ(d)]m+1]T∈Rm+1是一个分段投影函数,其定义如下:
因此,求解二次型规划问题的公式(4)、公式(5)和公式(6)等价于分段线性投影方程问题(11),也相当于找到d*使得误差函数E(d)=PΩ(d-(Hd+p))-d收敛到零。
S4、如图3所示,基于步骤S3中的分段线性投影方程设计递归神经网络求解器求解二次型规划问题;
递归神经网络求解器的动力学方程如下:
其中β>0是设计参数,用于衡量递归神经网络的收敛率,I∈R(m+1)×(m+1)是单位矩阵;关于递归神经网络求解器的收敛性,有以下两个性质:
(1)假设二次规划问题(4)-(6)存在最优解x*,则对于任意初始值d(0),该递归神经网络都可以收敛到一个平衡点d*,且最优解x*是这个平衡点d*的前m个元素;
(2)如果存在一个常数η>0满足条件 那么问题(13)呈指数收敛于平衡点d*,并且收敛速度与βη成正比。
S5、将步骤S4中递归神经网络的求解结果传递给脑电信号的期望值估计函数,从而得到脑电信号是否包括P300信号的期望值;
给定初值d(0)进行迭代,根据递归神经网络求解器及收敛理论,最终可以得到最优解d*,且二次型规划问题的最优解x*是d*的前m个元素,相应的P300脑电信号分类决策函数的最优参数ω*和b*也可以求出;对脑电信号是否包括有P300信号的期望值估计函数f(α)=ω*T·α+b*进行分类判断,f(α)越大,α对应的脑电信号包括P300信号可能性越高。
S6、将步骤S5得到的最大期望值的脑电信号所对应的行列信息映射到P300拼写器的字符表得到最终的字符拼写结果;
得到脑电信号的包括P300信号的期望值后,在用户拼写一个字符时,一共会产生6个包括字符表行信息的脑电信号,6个包括字符表列信息的脑电信号;设每个脑电信号包括P300信号的期望值为sr|c,根据以下公式:
其中rpos和cpos分别表示预测字符的列号和行号;将对应的行号和列号映射到图4的P300拼写器字符表得到最终的字符拼写结果。
本实施例中,基于支持向量神经网络提高P300拼写器性能的方法应用于第二届BCI竞赛数据集IIb和第三届的BCI竞赛数据集II,分别实现了100%和98%的字符拼写准确率。
Claims (6)
1.基于支持向量神经网络提高P300拼写器性能的方法,其特征在于,包括如下步骤:
S1、对P300脑电信号数据集进行预处理;
S2、将步骤S1中预处理完成的脑电信号和其对应的分类标签组成特征向量,基于分类间隔最大化的思想,将脑电信号的分类问题转化为对应的二次型规划问题;P300脑电信号分类的决策函数为f(α)=sgn(ωT·α)+b),其中ω∈Rn是分类超平面方向的法向量,其中n代表特征向量α所包括的特征维度,b是位移项;设y=(y1,y2,…,ym)T∈Rm,q=(-1,-1,…,-1)T∈Rm,
其中K(αi,αj)是两个样本的高斯核函数计算结果;基于分类间隔最大化的思想,由P300脑电信号数据构建的二次型规划问题如下:
s.t.yTx=0,x≥0 (5)
0≤x≤C (6)
其中,x∈Rm是拉格朗日乘子,W=A·B∈Rm×m是权重矩阵,参数C是表示间隔和容错性的重要性的惩罚因子;若求解出二次型规划问题,则P300脑电信号分类决策函数的最优参数ω*和b*均可以由x计算得出,具体如下:
S3、将步骤S2中二次型规划问题转换为分段线性投影方程;
S4、基于步骤S3中的分段线性投影方程设计递归神经网络求解器求解二次型规划问题;
S5、将步骤S4中递归神经网络的求解结果传递给脑电信号的期望值估计函数,从而得到脑电信号是否包括P300信号的期望值;
S6、将步骤S5得到的最大期望值的脑电信号所对应的行列信息映射到P300拼写器的字符表得到最终的字符拼写结果。
2.根据权利要求1所述的基于支持向量神经网络提高P300拼写器性能的方法,其特征在于,步骤S1中,给定一个包括m个样本的P3000脑电信号数据集:
S={(α1,y1),(α2,y2),…,(αi,yi),…,(αm,ym)} (1)
其中,αi是第i个脑电信号的特征向量,αi∈Rn,其中n代表特征向量αi所包括的特征维度,yi是第i个脑电信号的类别标签,yi∈{-1,1},i=1,2,...,m;对P300脑电信号数据集进行预处理的操作包括带通滤波和z-score归一化,使得处理后的数据均值为0、标准差为1。
3.根据权利要求1所述的基于支持向量神经网络提高P300拼写器性能的方法,其特征在于,步骤S3中,二次型规划问题可转化为分段线性投影方程,包括以下步骤:
S3.1、将二次型规划问题转化为一个线性变分不等式,具体如下:
二次型规划问题中的公式(4)、公式(5)和公式(6)等价于下列形式的方程:
其中,u∈R是对应于约束公式(5)的对偶决策变量,向量[x*,u*]T是需要寻找的最优解;方程(7)变换为一个线性变分不等式问题;假设二次型规划问题存在最优解x*,则存在一个以下线性变分不等式的最优解d*={d|ζ-≤d≤ζ+}使得:
(d-d*)T(Hd*+p)≥0 (8)
其中的矩阵和向量是由方程(7)简写而来,定义如下:
其中,d是原对偶决策向量,d*是需要根据已知条件求解的包括最优解x*的向量;和/>是决策向量d的上界和下界,/>是一个正数用来代替+∞,1d∈Rmm+1是一个与d维数相同的向量且每个元素均为1;
S3.2、将线性变分不等式转化为分段线性投影方程,具体如下:
线性变分不等式(8)等价地转化为如下分段线性投影方程:
PΩ(d-(Hd+p))-d=0 (11)
其中,PΩ(d)=[[PΩ(d)]1,[PΩ(d)]2,…,[PΩ(d)]m+1]T∈Rm+1是一个分段投影函数,其定义如下:
因此,求解二次型规划问题的公式(4)、公式(5)和公式(6)等价于分段线性投影方程问题(11),也相当于找到d*使得误差函数E(d)=PΩ(d-(Hd+p))-d收敛到零。
4.根据权利要求3所述的基于支持向量神经网络提高P300拼写器性能的方法,其特征在于,步骤S4中,递归神经网络求解器的动力学方程如下:
其中β>0是设计参数,用于衡量递归神经网络的收敛率,I∈R(m+1)×(m+1)是单位矩阵;关于递归神经网络求解器的收敛性,有以下两个性质:
(1)假设二次规划问题(4)-(6)存在最优解x*,则对于任意初始值d(0),该递归神经网络都能收敛到一个平衡点d*,且最优解x*是这个平衡点d*的前m个元素;
(2)如果存在一个常数η>0满足条件 那么问题(13)呈指数收敛于平衡点d*,并且收敛速度与βη成正比。
5.根据权利要求4所述的基于支持向量神经网络提高P300拼写器性能的方法,其特征在于,步骤S5中,给定初值d(0)进行迭代,根据递归神经网络求解器及收敛理论,最终得到最优解d*,且二次型规划问题的最优解x*是d*的前m个元素,相应的P300脑电信号分类决策函数的最优参数ω*和b*也能求出;对脑电信号是否包括有P300信号的期望值估计函数f(α)=ω*T·α+b*进行分类判断。
6.根据权利要求5所述的基于支持向量神经网络提高P300拼写器性能的方法,其特征在于,步骤S6中,得到脑电信号的包括P300信号的期望值后,在用户拼写一个字符时,一共会产生6个包括字符表行信息的脑电信号,6个包括字符表列信息的脑电信号;设每个脑电信号包括P300信号的期望值为sr|c,根据以下公式:
其中rpos和cpos分别表示预测字符的列号和行号;将对应的行号和列号映射到P300拼写器的字符表得到最终的字符拼写结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011170494.XA CN112381120B (zh) | 2020-10-28 | 2020-10-28 | 基于支持向量神经网络提高p300拼写器性能的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011170494.XA CN112381120B (zh) | 2020-10-28 | 2020-10-28 | 基于支持向量神经网络提高p300拼写器性能的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381120A CN112381120A (zh) | 2021-02-19 |
CN112381120B true CN112381120B (zh) | 2023-07-18 |
Family
ID=74577786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011170494.XA Active CN112381120B (zh) | 2020-10-28 | 2020-10-28 | 基于支持向量神经网络提高p300拼写器性能的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381120B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107174203A (zh) * | 2017-05-10 | 2017-09-19 | 东华大学 | 一种脑电信号的识别方法 |
CN107463250A (zh) * | 2017-07-11 | 2017-12-12 | 天津大学 | 提高脑力负荷状态下p300拼写器使用效果的方法 |
CN107784180A (zh) * | 2017-11-13 | 2018-03-09 | 华南理工大学 | 一种时变凸二次规划求解器设计方法 |
CN108015766A (zh) * | 2017-11-22 | 2018-05-11 | 华南理工大学 | 一种非线性约束的原对偶神经网络机器人动作规划方法 |
CN109508735A (zh) * | 2018-10-29 | 2019-03-22 | 华南理工大学 | 一种基于神经动力学的软间隔支持向量机分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11717686B2 (en) * | 2017-12-04 | 2023-08-08 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to facilitate learning and performance |
US11318277B2 (en) * | 2017-12-31 | 2022-05-03 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to enhance emotional response |
-
2020
- 2020-10-28 CN CN202011170494.XA patent/CN112381120B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107174203A (zh) * | 2017-05-10 | 2017-09-19 | 东华大学 | 一种脑电信号的识别方法 |
CN107463250A (zh) * | 2017-07-11 | 2017-12-12 | 天津大学 | 提高脑力负荷状态下p300拼写器使用效果的方法 |
CN107784180A (zh) * | 2017-11-13 | 2018-03-09 | 华南理工大学 | 一种时变凸二次规划求解器设计方法 |
CN108015766A (zh) * | 2017-11-22 | 2018-05-11 | 华南理工大学 | 一种非线性约束的原对偶神经网络机器人动作规划方法 |
CN109508735A (zh) * | 2018-10-29 | 2019-03-22 | 华南理工大学 | 一种基于神经动力学的软间隔支持向量机分类方法 |
Non-Patent Citations (1)
Title |
---|
An EEG-based Mind Controlled Virtual-Human Obstacle-Avoidance Platform in Three Dimensional Virtual Environment;Chunhui Zhao 等;《8th International IEEE EMBS Conference on Neural Engineering》;第387-390页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112381120A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Friedman | Flexible metric nearest neighbor classification | |
US10827981B2 (en) | System and method for evaluating a cognitive load on a user corresponding to a stimulus | |
CN112905897B (zh) | 相似用户确定方法、向量转化模型、装置、介质及设备 | |
CN110851783B (zh) | 一种用于脑机接口校准的异构标签空间迁移学习方法 | |
CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及系统 | |
CN109330613A (zh) | 基于实时脑电的人体情绪识别方法 | |
CN112884063B (zh) | 基于多元时空卷积神经网络的p300信号检测识别方法 | |
CN114492513A (zh) | 跨用户场景下基于注意力机制的对抗域适应的脑电情绪识别方法 | |
CN114424940A (zh) | 基于多模态时空特征融合的情绪识别方法及系统 | |
CN110110724A (zh) | 基于指数型挤压函数驱动胶囊神经网络的文本验证码识别方法 | |
Moin et al. | Emotion recognition framework using multiple modalities for an effective human–computer interaction | |
CN113076437A (zh) | 一种基于标签重分配的小样本图像分类方法及系统 | |
Dai et al. | Classification of electroencephalogram signals using wavelet-CSP and projection extreme learning machine | |
CN111325288A (zh) | 基于聚类思想的多视角动态脑网络特征维度约减方法 | |
CN112381120B (zh) | 基于支持向量神经网络提高p300拼写器性能的方法 | |
Andrysiak | Machine learning techniques applied to data analysis and anomaly detection in ECG signals | |
CN112329633B (zh) | 基于张量分解的情感识别方法、装置、介质及电子设备 | |
Zhang et al. | Transfer learning algorithm design for feature transfer problem in motor imagery brain-computer interface | |
CN117290730A (zh) | 一种个体情绪识别模型的优化方法 | |
Aler et al. | Optimizing the number of electrodes and spatial filters for Brain–Computer Interfaces by means of an evolutionary multi-objective approach | |
Zou et al. | Multi-task motor imagery EEG classification using broad learning and common spatial pattern | |
CN115376614A (zh) | 基于卷积神经网络与注意力机制结合的关键路径识别方法 | |
US11289202B2 (en) | Method and system to improve clinical workflow | |
CN112733727A (zh) | 基于线性分析的特征决策融合的脑电意识动态分类方法 | |
WO2024055385A1 (zh) | 一种基于黎曼空间的手部自然动作脑电数据迁移方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |