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 PDF

Info

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
Application number
CN202011186221.4A
Other languages
English (en)
Other versions
CN112381124A (zh
Inventor
张智军
孙健声
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202011186221.4A priority Critical patent/CN112381124B/zh
Publication of CN112381124A publication Critical patent/CN112381124A/zh
Application granted granted Critical
Publication of CN112381124B publication Critical patent/CN112381124B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/2415—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

一种基于动态逆学习网络的提高脑机接口性能的方法
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。
CN202011186221.4A 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 Active CN112381124B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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