CN112381124B - 一种基于动态逆学习网络的提高脑机接口性能的方法 - Google Patents
一种基于动态逆学习网络的提高脑机接口性能的方法 Download PDFInfo
- Publication number
- CN112381124B CN112381124B CN202011186221.4A CN202011186221A CN112381124B CN 112381124 B CN112381124 B CN 112381124B CN 202011186221 A CN202011186221 A CN 202011186221A CN 112381124 B CN112381124 B CN 112381124B
- Authority
- CN
- China
- Prior art keywords
- output
- learning network
- layer
- signal
- dynamic inverse
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 230000001537 neural effect Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F18/2415—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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Machine Translation (AREA)
Abstract
本发明提供了一种基于动态逆学习网络的提高脑机接口性能的方法。所述方法包括如下步骤:对采集的P300信号进行预处理及特征提取得到数据集;将得到的数据集构建对应的动态逆学习网络进行训练、识别和分类;将构建的动态逆学习网络对待测P300信号输出的类别概率进行均值处理,进而得到待测P300信号分类结果;将得到的识别分类结果结合P300拼写器界面得到最终的拼写字符。本发明采用预处理和特征提取、神经网络模型识别分类以及集成平均后结合P300拼写界面进行字符识别。在第二届BCI竞赛数据集IIb和第三届的BCI竞赛数据集II上,分别实现了100%和98%的准确率。
Description
技术领域
本发明涉及脑电信号识别控制领域,特别涉及一种基于动态逆学习网络的提高脑机接口性能的方法。
背景技术
脑机接口系统致力于为运动障碍患者建立一个简单、直接的交流平台。视觉刺激是从大脑活动中获取行为意向的有效途径。被试者由于受到视觉刺激,会产生P300信号,比其他脑电图信号更容易被检测到。一般来说,字符拼写被认为是一项具有挑战性的研究,需要较高的准确性和信息传输率。而P300信号在字符拼写中面临的主要挑战是低信噪比、高维数、分类器变异性以及过拟合问题导致分类困难。
现有的系统中(S.Kundu and S.Ari,"P300 detection with brain-computerinterface application using PCA and ensemble of weighted SVMs,"IETE Journalof Research,vol.64,no.3,pp.406-414,2018.)预处理采用降采样的方法对原始信号进行处理,容易导致信号失真。
发明内容
本发明的目的在于克服一般技术的不足,提供了一种基于动态逆学习网络的提高脑机接口性能的方法。
本发明的目的至少通过如下技术方案之一实现。
一种基于动态逆学习网络的提高脑机接口性能的方法,包括如下步骤:
S1、对采集的P300信号进行预处理及特征提取得到数据集;
S2、将步骤S1中得到的数据集构建对应的动态逆学习网络进行训练、识别和分类;
S3、将步骤S2中构建的动态逆学习网络对待测P300信号输出的类别概率进行均值处理,进而得到待测P300信号分类结果;
S4、将步骤S3中得到的识别分类结果结合P300拼写器界面得到最终的拼写字符。
进一步地,步骤S1包括以下步骤:
S1.1、通过预先设定的时间窗来捕捉P300信号发生时刻;
S1.2、然后对时间窗内捕捉的信号进行带通滤波筛选P300信号频段,以及通过滑动平均滤波减少信号维度;
S1.3、针对训练数据集的不平衡正负类做平衡处理,基于所有的P300信号正样本和随机的若干个非P300信号负样本构建单一数据集,为了减少分类器的可变性,所有原始训练数据的可能组合被使用;
S1.4、对步骤S1.3中构建的数据集进行主成分分析降维处理。
进一步地,步骤S2中,所述动态逆学习网络为三层前馈网络,动态逆学习网络的输入为xi(i=1,2,…,m),其中m为数据集特征维度;隐含层输出为 其中vji、bj分别为第j个隐含层神经元的权重和偏置,g(·)为softsign激活函数;输出层输出为/>其中wrj表示输出层第r个神经元的权重,p表示样本类别数;
为了更好地表示网络模型,定义新符号,具体如下:
X=(x1,x2,…,xm,1)T
表示动态逆学习网络的输入;
表示输入层与隐含层之间的权值矩阵;
表示隐含层与输出层之间的权值矩阵;
H=(h1,h2,…,hn)T
表示隐含层的输出;
O=(y1,y2,…,yp)T
表示输出层的输出。
进一步地,动态逆学习网络的构建包括以下步骤:
S2.1、定义误差函数:
e(t)=W2(t)H(t)-Y=O(t)-Y;
其中,H(t)=g(W1(t)X)为隐含层输出,O(t)为输出层输出,X、Y分别为样本集的特征和标签,W1(t)、W2(t)分别为输入层和隐含层之间的权重以及隐含层和输出层之间的权重,g(·)为隐含层激活函数;W1(t)、W2(t)、H(t)和O(t)是显式时间t下的矩阵W1、W2、H和O,该学习算法的目标是通过修正权矩阵W1(t)和W2(t)来最小化误差e(t);
S2.2、为使误差e(t)收敛并趋近于零,选取神经动力学公式,具体如下:
其中,Φ(·)为误差激活函数,设计参数λ>0,具体根据实验的需要设置;
S2.3、根据误差函数和神经动力学公式,得到隐式动力学方程的神经动力学模型,具体如下:
其中,分别为W1(t)、H(t)的导数形式;
S2.4、固定步骤S3中的神经动力学模型可以转换成:
其中,I(t)=W1(t)X;因此可以得到:
由于计算机的限制,所有变量均进行离散化,经过离散化之后,W1(k)(Δk=1),由此可以得出输入层和隐含层之间的权重W1的迭代公式:
W1(k+1)=W1(k)+ΔW1(k);
S2.5、对于隐含层和输出层之间的权重W2,采用伪逆法求解迭代值,其迭代公式为:
W2(k+1)=YH+(k);
其中,H+(k)为隐含层输出H(k)的伪逆。
进一步地,步骤S3中,将待测P300信号输入到所有的分类器即动态逆学习网络中,然后对分类器的得分即待测P300信号的类别概率进行集成平均,降低分类器之间的差异性,使输出稳定。
进一步地,步骤S4中,选择分类器输出中最大的两个值,结合P300拼写器界面,判断预测字符的行和列,具体如下:
每个周期之后,所有行和列的输出分数sl都由第l个分类器计算,将所有分类器的平均分数Qr|c定义为:
其中,L和J分别表示分类器的数量和周期数,表示第j个epoch中主成分分析后所有行和列的测试集;则字符的位置可以确定如下:
其中Cpos和Rpos分别表示预测字符的列号和行号,其交叉位置即为预测字符。
相比于现有技术,本发明的优点在于:
本发明使用神经动力学方法和伪逆法进行参数矩阵的更新,且整个神经网络只包含一层隐藏层,因此具有更好的收敛性的同时拥有更快的收敛速度。
附图说明
图1为P300拼写器用户界面,其中图1a为拼写器屏幕示意图,图1b为字符所在行列位置信息示意图;
图2为本发明的总体流程图;
图3为本发明的数据预处理流程图;
图4为提出的动态逆学习网络算法原理图。
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:
图1a和图1b所示为P300拼写器用户界面,本实施例中,用户界面由36个字符(6×6矩阵)组成。拼写原则描述如下:字符的位置由矩阵的行和列的交点决定。用户始终将注意力放在需要的字符上。在这个过程中,字符矩阵的所有行和列都被依次随机点亮。当所需字符的行或列被点亮时,由于视觉刺激产生P300信号。通过检测用户的P300信号,可以得到所需字符的位置。对于一个epoch或一轮,有12个闪烁(每次一行或一列,拼字板有六行六列),所需字符只需要其中两行。一个历元重复15次。此外,每次闪烁表示单行或列点亮100ms,空白75ms。由64通道数据采集系统采集,所有信号以240hz采样,从0.1到60hz滤波。
本实施例中,本发明对BCI竞赛II和III数据集进行测试。BCI竞赛II数据集包括来自单一对象的数据,包括42个训练字符和31个测试字符。BCI2000系统收集的BCI竞赛III数据集包含来自两个对象的数据,即分别给出了85个训练字符和100个测试字符。
一种基于动态逆学习网络的提高脑机接口性能的方法,如图2所示,包括以下步骤:
S1、对采集的P300信号进行预处理及特征提取得到数据集,如图3所示,包括以下步骤:
S1.1、通过预先设定的时间窗来捕捉P300信号发生时刻;根据P300信号的定义,在视觉刺激后约300ms出现一个P300信号的正峰,本实施例中,0~667ms的时间窗范围足以获得关于P300信号的有用信息。
S1.2、然后对时间窗内捕捉的信号进行带通滤波筛选P300信号频段,以及通过滑动平均滤波减少信号维度;
本实施例中,在时间窗截取之后,每个通道的信号使用一个0.1~20Hz的8阶Chebyshev类型I滤波器。由于原始信号在667ms期间以240hz采样,因此每个单通道获得160个样本。对于64通道,每个数据样本的维数为64×160=10240。然后,以5个离散样本为间隔,进行滑动平均滤波,以减小数据维数,保证所有信号工作。现在,单个数据样本的维度是10240/5=2048,这是P300或非P300对象的维度。因为一个周期包括12个闪烁,其中两个闪烁下产生的信号包括所需的P300信号。这样,可以在一个周期内获得2个P300目标和10个非P300目标,显然,训练数据集是不平衡的。
S1.3、本实施例中,针对训练数据集的不平衡正负类做平衡处理,基于所有的P300信号正样本和随机的10个非P300信号负样本构建单一数据集,为了减少分类器的可变性,所有原始训练数据的可能组合被使用;因此,从10个非P300目标中随机选择2个,有45种不同的组合,得到C10 2=45个数据集。
S1.4、对步骤S1.3中构建的数据集进行主成分分析降维处理,本实施例中,以99%的贡献率对数据集中属性的主成分进行提取。
S2、将步骤S1中得到的数据集构建对应的动态逆学习网络进行训练、识别和分类;
如图4所示,所述动态逆学习网络为三层前馈网络,动态逆学习网络的输入为xi(i=1,2,...,m),其中m为数据集特征维度;隐含层输出为 其中vji、bj分别为第j个隐含层神经元的权重和偏置,g(·)为softsign激活函数;输出层输出为/>其中wrj表示输出层第r个神经元的权重,p表示样本类别数;
为了更好地表示网络模型,定义新符号,具体如下:
X=(x1,x2,...,xm,1)T
表示动态逆学习网络的输入;
表示输入层与隐含层之间的权值矩阵;
表示隐含层与输出层之间的权值矩阵;
H=(h1,h2,...,hn)T
表示隐含层的输出;
O=(y1,y2,...,yp)T
表示输出层的输出。
动态逆学习网络的构建包括以下步骤:
S2.1、定义误差函数:
e(t)=W2(t)H(t)-Y=O(t)-Y;
其中,H(t)=g(W1(t)X)为隐含层输出,O(t)为输出层输出,X、Y分别为样本集的特征和标签,W1(t)、W2(t)分别为输入层和隐含层之间的权重以及隐含层和输出层之间的权重,g(·)为隐含层激活函数;W1(t)、W2(t)、H(t)和O(t)是显式时间t下的矩阵W1、W2、H和O,该学习算法的目标是通过修正权矩阵W1(t)和W2(t)来最小化误差e(t);
S2.2、为使误差e(t)收敛并趋近于零,选取神经动力学公式,具体如下:
其中,Φ(·)为误差激活函数,设计参数λ>0,具体根据实验的需要设置
本实施例中,Φ(·)采用能量激活函数,即:
式中设计参数n≥2和r≥2为整数。本实施例中,,参数n=2和r=4。
S2.3、根据误差函数和神经动力学公式,得到隐式动力学方程的神经动力学模型,具体如下:
其中,分别为W1(t)、H(t)的导数形式;
S2.4、固定步骤S3中的神经动力学模型可以转换成:
其中,I(t)=W1(t)X;因此可以得到:
由于计算机的限制,所有变量均进行离散化,经过离散化之后,W1(k)(Δk=1),由此可以得出输入层和隐含层之间的权重W1的迭代公式:
W1(k+1)=W1(k)+ΔW1(k);
S2.5、对于隐含层和输出层之间的权重W2,采用伪逆法求解迭代值,其迭代公式为:
W2(k+1)=YH+(k);
其中,H+(k)为隐含层输出H(k)的伪逆。
S3、将步骤S2中构建的动态逆学习网络对待测P300信号输出的类别概率进行均值处理,进而得到待测P300信号分类结果;
将待测P300信号输入到所有的分类器即动态逆学习网络中,然后对分类器的得分即待测P300信号的类别概率进行集成平均,降低分类器之间的差异性,使输出稳定。本实施例中,假设第l个分类器的输出分数为sl,其维数为12。也就是说,sl表示第l个分类器的6行与6列的输出分数。因此,在平均45个分类器输出后的12个结果中,最大的2个分数是最有可能的行和列,因为所需的字符位置是由行和列的交叉位置提供的。
S4、将步骤S3中得到的识别分类结果结合P300拼写器界面得到最终的拼写字符;
选择分类器输出中最大的两个值,结合P300拼写器界面,判断预测字符的行和列,具体如下:
每个周期之后,所有行和列的输出分数sl都由第l个分类器计算,将所有分类器的平均分数Qr|c定义为:
其中,L和J分别表示分类器的数量和周期数,表示第j个epoch中主成分分析后所有行和列的测试集;则字符的位置可以确定如下:
其中Cpos和Rpos分别表示预测字符的列号和行号,其交叉位置即为预测字符。
Claims (4)
1.一种基于动态逆学习网络的提高脑机接口性能的方法,其特征在于,包括如下步骤:
S1、对采集的P300信号进行预处理及特征提取得到数据集;
S2、将步骤S1中得到的数据集构建对应的动态逆学习网络进行训练、识别和分类;所述动态逆学习网络为三层前馈网络,动态逆学习网络的输入为xi,i=1,2,…,m,其中m为数据集特征维度;隐含层输出为 其中vji、bj分别为第j个隐含层神经元的权重和偏置,g(·)为softsign激活函数;输出层输出为其中wrj表示输出层第r个神经元的权重,p表示样本类别数;
为了更好地表示网络模型,定义新符号,具体如下:
X=(x1,x2,…,xm,1)T
表示动态逆学习网络的输入;
表示输入层与隐含层之间的权值矩阵;
表示隐含层与输出层之间的权值矩阵;
H=(h1,h2,…,hn)T
表示隐含层的输出;
O=(y1,y2,…,yp)T
表示输出层的输出;
动态逆学习网络的构建包括以下步骤:
S2.1、定义误差函数:
e(t)=W2(t)H(t)-Y=O(t)-Y;
其中,H(t)=g(W1(t)X)为隐含层输出,O(t)为输出层输出,X、Y分别为样本集的特征和标签,W1(t)、w2(t)分别为输入层和隐含层之间的权重以及隐含层和输出层之间的权重,g(·)为隐含层激活函数;W1(t)、W2(t)、H(t)和O(t)是显式时间t下的矩阵W1、W2、H和O,该步骤的目标是通过修正权矩阵W1(t)和W2(t)来最小化误差e(t);
S2.2、为使误差e(t)收敛并趋近于零,选取神经动力学公式,具体如下:
其中,Φ(·)为误差激活函数,设计参数λ>0,具体根据实验的需要设置;
S2.3、根据误差函数和神经动力学公式,得到隐式动力学方程的神经动力学模型,具体如下:
其中,分别为W1(t)、H(t)的导数形式;
S2.4、固定步骤S3中的神经动力学模型转换成:
其中,I(t)=W1(t)X;因此得到:
由于计算机的限制,所有变量均进行离散化,经过离散化之后, Δk=1,由此得出输入层和隐含层之间的权重W1的迭代公式:
W1(k+1)=W1(k)+ΔW1(k);
S2.5、对于隐含层和输出层之间的权重W2,采用伪逆法求解迭代值,其迭代公式为:
W2(k+1)=YH+(k);
其中,H+(k)为隐含层输出H(k)的伪逆;
S3、将步骤S2中构建的动态逆学习网络对待测P300信号输出的类别概率进行均值处理,进而得到待测P300信号分类结果;
S4、将步骤S3中得到的识别分类结果结合P300拼写器界面得到最终的拼写字符。
2.根据权利要求1所述的一种基于动态逆学习网络的提高脑机接口性能的方法,其特征在于,步骤S1包括以下步骤:
S1.1、通过预先设定的时间窗来捕捉P300信号发生时刻;
S1.2、然后对时间窗内捕捉的信号进行带通滤波筛选P300信号频段,以及通过滑动平均滤波减少信号维度;
S1.3、针对训练数据集的不平衡正负类做平衡处理,基于所有的P300信号正样本和随机的若干个非P300信号负样本构建单一数据集,为了减少分类器的可变性,所有原始训练数据形成的组合被使用;
S1.4、对步骤S1.3中构建的数据集进行主成分分析降维处理。
3.根据权利要求1所述的一种基于动态逆学习网络的提高脑机接口性能的方法,其特征在于,步骤S3中,将待测P300信号输入到所有的分类器即动态逆学习网络中,然后对分类器的得分即待测P300信号的类别概率进行集成平均,降低分类器之间的差异性,使输出稳定。
4.根据权利要求3所述的一种基于动态逆学习网络的提高脑机接口性能的方法,其特征在于,步骤S4中,选择分类器输出中最大的两个值,结合P300拼写器界面,判断预测字符的行和列,具体如下:
每个周期之后,所有行和列的输出分数sl都由第l个分类器计算,将所有分类器的平均分数Qr|c定义为:
其中,L和J分别表示分类器的数量和周期数,表示第j个epoch中主成分分析后所有行和列的测试集;则字符的位置确定如下:
其中Cpos和Rpos分别表示预测字符的列号和行号,其交叉位置即为预测字符。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011186221.4A CN112381124B (zh) | 2020-10-30 | 2020-10-30 | 一种基于动态逆学习网络的提高脑机接口性能的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011186221.4A CN112381124B (zh) | 2020-10-30 | 2020-10-30 | 一种基于动态逆学习网络的提高脑机接口性能的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381124A CN112381124A (zh) | 2021-02-19 |
CN112381124B true CN112381124B (zh) | 2023-11-14 |
Family
ID=74576774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011186221.4A Active CN112381124B (zh) | 2020-10-30 | 2020-10-30 | 一种基于动态逆学习网络的提高脑机接口性能的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381124B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887374B (zh) * | 2021-09-27 | 2024-04-16 | 华南理工大学 | 一种基于动态收敛微分神经网络的脑控喝水系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304917A (zh) * | 2018-01-17 | 2018-07-20 | 华南理工大学 | 一种基于lstm网络的p300信号检测方法 |
CN108960182A (zh) * | 2018-07-19 | 2018-12-07 | 大连理工大学 | 一种基于深度学习的p300事件相关电位分类识别方法 |
CN109389059A (zh) * | 2018-09-26 | 2019-02-26 | 华南理工大学 | 一种基于cnn-lstm网络的p300检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110072730A (ko) * | 2009-12-23 | 2011-06-29 | 한국과학기술원 | 적응형 뇌-컴퓨터 인터페이스 장치 |
EP3672478A4 (en) * | 2017-08-23 | 2021-05-19 | Neurable Inc. | BRAIN COMPUTER INTERFACE WITH HIGH SPEED EYE TRACKING |
-
2020
- 2020-10-30 CN CN202011186221.4A patent/CN112381124B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304917A (zh) * | 2018-01-17 | 2018-07-20 | 华南理工大学 | 一种基于lstm网络的p300信号检测方法 |
CN108960182A (zh) * | 2018-07-19 | 2018-12-07 | 大连理工大学 | 一种基于深度学习的p300事件相关电位分类识别方法 |
CN109389059A (zh) * | 2018-09-26 | 2019-02-26 | 华南理工大学 | 一种基于cnn-lstm网络的p300检测方法 |
Non-Patent Citations (1)
Title |
---|
面向人机交互的运动想象脑电信号感知算法研究;王康;翟弟华;夏元清;;无人系统技术(01);第35-41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112381124A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389059B (zh) | 一种基于cnn-lstm网络的p300检测方法 | |
CN108960182B (zh) | 一种基于深度学习的p300事件相关电位分类识别方法 | |
Kremic et al. | Performance of random forest and SVM in face recognition. | |
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 | |
CN111709267B (zh) | 深度卷积神经网络的脑电信号情感识别方法 | |
CN111000553B (zh) | 一种基于投票集成学习的心电数据智能分类方法 | |
CN112884063B (zh) | 基于多元时空卷积神经网络的p300信号检测识别方法 | |
CN113017645B (zh) | 一种基于空洞卷积神经网络的p300信号检测方法 | |
CN113221655B (zh) | 基于特征空间约束的人脸欺骗检测方法 | |
CN113208593A (zh) | 基于相关性动态融合的多模态生理信号情绪分类方法 | |
CN112381124B (zh) | 一种基于动态逆学习网络的提高脑机接口性能的方法 | |
Kundu et al. | Score normalization of ensemble SVMs for brain-computer interface P300 speller | |
CN114081505A (zh) | 基于皮尔逊相关系数和卷积神经网络的脑电信号识别方法 | |
CN112446289B (zh) | 一种提高p300拼写器性能的方法 | |
Kwon et al. | Friend-guard adversarial noise designed for electroencephalogram-based brain–computer interface spellers | |
WO2021184599A1 (zh) | 一种基于ms-cnn的p300信号识别方法、装置及存储介质 | |
Lakshmi et al. | An Empirical Analysis of CNN for American Sign Language Recognition | |
CN116340825A (zh) | 一种基于迁移学习的跨被试rsvp脑电信号的分类方法 | |
CN113408444B (zh) | 一种基于cnn-svm的事件相关电位信号分类方法 | |
CN107153807A (zh) | 一种二维主成分分析的非贪婪人脸识别方法 | |
Leong et al. | Noisy component extraction (NoiCE) | |
Tang et al. | A channel selection method for event related potential detection based on random forest and genetic algorithm | |
CN112668424B (zh) | 基于rbsagan的数据增广方法 | |
Goel et al. | On the use of spiking neural network for EEG classification | |
CN114469137B (zh) | 基于空时特征融合模型的跨领域脑电情感识别方法及系统 |
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 |