CN112528819B - 基于卷积神经网络的p300脑电信号分类方法 - Google Patents

基于卷积神经网络的p300脑电信号分类方法 Download PDF

Info

Publication number
CN112528819B
CN112528819B CN202011410236.4A CN202011410236A CN112528819B CN 112528819 B CN112528819 B CN 112528819B CN 202011410236 A CN202011410236 A CN 202011410236A CN 112528819 B CN112528819 B CN 112528819B
Authority
CN
China
Prior art keywords
setting
layer
neural network
convolutional neural
channel
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
CN202011410236.4A
Other languages
English (en)
Other versions
CN112528819A (zh
Inventor
王晓甜
党敏
吴智泽
苗垟
陈世宇
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202011410236.4A priority Critical patent/CN112528819B/zh
Publication of CN112528819A publication Critical patent/CN112528819A/zh
Application granted granted Critical
Publication of CN112528819B publication Critical patent/CN112528819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (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卷积神经网络的P300脑电信号分类方法。该方法通过构造卷积神经网络，采用可设置标签权重和标签平滑参数的损失函数，使用被试的P300脑电信号来训练卷积神经网络，得到训练好的卷积神经网络，对P300脑电信号做二分类，以确定是否存在目标字符。具体步骤包括：构建卷积神经网络，生成训练集，训练卷积神经网络，处理待分类的P300脑电信号，输出P300脑电信号的分类结果。本发明克服了现有技术标签不平衡和标签人为误差导致分类方法的准确性低的问题，改善了在训练网络的过程不能充分保留P300脑电信号空间和时间信息的缺点，提高了P300脑电信号分类精度。

Description

基于卷积神经网络的P300脑电信号分类方法
技术领域
本发明属于信息检测技术领域，更进一步涉及生理信息智能检测技术领域中的一种基于卷积神经网络的P300脑电信号分类方法。本发明可通过在Oddball范式下使用被试的P300脑电信号训练好的模型，对P300脑电信号做二分类，以确定是否存在目标字符。
背景技术
随着脑机接口技术的日新月异，基于P300的脑机接口系统的使用在过去几年大幅增加。P300是在头皮记录的事件相关电位脑电信号对外部刺激的诱发响应的一个正峰值，在300ms出现并被记录。基于P300的脑机接口领域的一个主要的方法是基于Oddball范式，被试在一系列快速呈现的标准刺激中识别罕见的目标字符过程采集的P300脑电信号。因为P300脑电信号具有不稳定性和敏感性，而且存在严重的标签不平衡和人为标签误差，在现有的技术上基于P300脑电信号脑机接口技术，都会显著降低分类方法的性能。近年来，基于深度学习的脑电信号分类方法广泛使用，提高了脑机接口的分类精度。然而，这些方法，对噪声敏感性和非稳定性的脑电信号进行分类效果并不是很好，对使用Oddball范式采集的P300脑电信号，存在严重的标签不平衡和人为标签误差，更是加剧模型的过拟合和降低鲁棒性。这些方法要么过于专注于P300脑电信号预处理，将原始信号转换破坏原始脑电信号的微弱的时间性和空间性，将原始信号降噪丢失了原始脑电信号的重要信息；要么采集的P300脑电信号的数量级有限与模型的复杂度不匹配，直接导致模型的鲁棒性低，训练过程易过拟合，分类的精度不高。
西安工程大学在其申请的专利文献“一种人工蜂群优化BP神经网络的脑电信号分类方法”(专利申请号202010758691.7，申请公开号CN 111967506 A)中公开了一种脑电信号分类方法。该方法的特征提取阶段，对预处理后的脑电信号进行多元经验模态分解，得到更加集中的本征模函数信号分量，对所得的频带信号按照最大互信息系数，筛选出有效的本征模函数信号分量，重构所得有效的本征模函数信号分量，将重构的信号用模糊熵进行特征提取，构成特征矩阵。该方法存在两点不足之处：其一，该方法采取分解重构的方法，构建脑电信号特征矩阵，分解重构会减少大量脑电信号的时间性和空间性。由于P300脑电信号时间和空间特征很微弱，在分解重构过程中会丢失P300脑电信号大量时间和空间特征。其二，由于该方法忽略了P300数据的人为误差和标签不平衡特性，因此对P300脑电信号进行分类时性能不佳。
Lawhern V J在其发表的论文“EEGNet:ACompact Convolutional NeuralNetwork for EEG-based Brain-Computer Interfaces”(Journal of neuralengineering,2018,15(5):056013)中提出了一个基于卷积神经网络(EEGNet)的脑电信号检测方法。该方法有借助EEGNet对脑电信号进行分类，EEGNet分为三个块，空间特征提取块，时间特征提取块，分类块，来实现脑电信号的分类。空间特征提取块，时间特征提取块里的池化层都采用了平均池化，不记录空间特征，在反向传播时不能定位到具体空间位置。在选取特定视觉相关的八个通道的P300脑电信号，构成8*140的二维数据，到分类块时，是1*4二维数据直接压成一维输入全连接层。该方法存在的不足之处是：EEGNet对用于处理8通道的P300脑电信号时，在池化层不能保留空间特征，在输入全连接层时直接压缩为一维不能充分保留特征信息，导致得不到更好的P300脑电信号分类精确度。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于卷积神经网络的P300脑电信号分类方法，用于解决P300脑电信号的标签不平衡和人为的标签误差，预处理过程复杂，时间和空间特征信息丢失，最终导致P300脑电信号分类方法性能低的问题。
实现本发明目的的思路是：将使用log_softmax+nll_loss损失函数，设置标签权重为1:5来平衡标签，通过设置平滑标签参数为0.05，来改善人为的标签误差所带来的分类方法效果差的问题，搭建的卷积神经网络方法，来减少复杂的预处理，减少丢失P300脑电信号的时间和空间性，提高P300脑电信号分类的准确性。
本发明的具体步骤如下：
((1)构建卷积神经网络：
搭建一个由三个串联的模块组成的卷积神经网络；其中，
第1个模块的结构依次为：时间卷积层，归一化层，空间逐通道卷积层，归一化层，ELU激活层，Dropout层，最大池化层；
设置第1个模块各层参数：将时间卷积层的滤波器数设置为8，卷积核大小设置为1*64，步长设置为1，填补设置为0*32，偏置设置为否；将空间逐通道卷积层滤波器数设置为16，卷积核大小设置为8*1，步长为1，偏置设置为否，max_norm设置为1，组数设置为8，填补设置为0；将最大池化层下采样滤波器尺寸设置为1*4，步长设置为1*4；将归一化层动量设置为0.01，仿射设置为是，eps设置为1e-3；将Dropout层的drop_rate设置为0.05；
第2个模块的结构依次为：时间逐通道卷积层，时间逐点卷积层，归一化层，ELU激活层，Dropout层，最大池化层；
设置第2个模块各层参数：将时间逐通道卷积层滤波器数设置为16，卷积核大小设置为1*16，步长设置为1，填补设置为0*8，偏置设置为否，组数设置为16；将时间逐点卷积层滤波器设置为16，卷积核大小设置为1，步长设置为1，填补设置为0，偏置设置为否；将最大池化层滤波器尺寸设置为1*8，步长设置为1*8；将归一化层动量设置为0.01，仿射设置为是，eps设置为1e-3；将Dropout层的drop_rate设置为0.05；
第3个模块的结构依次为：空间逐通道卷积层，全连接层，LogSoftmax激活层；
设置第3个模块各层参数：将空间逐通道卷积层滤波器数设置为2，卷积核大小设置为1*4，步长为1，偏置设置为是，max_norm设置为0.25；将全连接层神经元数设置为2；将LogSoftmax激活层维数设置为1；
(2)生成训练集：
(2a)采集至少10名被试在Oddball范式刺激下的P300脑电信号，只保留每个被试Fz、Cz、Pz、Oz、P3、P4、PO7、PO8与视觉相关的八个通道的P300脑电信号；
(2b)将每个被试八个通道的P300脑电信号中分段截取，每一段P300脑电信号取每一次实验的0ms-1000ms，得到截取的该被试的P300脑电信号段；
(2c)对每个截取后的P300脑电信号段的每个通道进行Z_score归一化后再进行平均降采样，将所有通道降采样后的数据组成一个8*140的二维样本数据；
(2d)将10个被试8*140的二维样本数据随机打乱，从中随机抽取2/3的数据组成训练集；
(3)设置损失函数的标签权重和标签平滑参数：
采用Log_Softmax+NLLLoss作为损失函数，将损失函数的标签权重参数设置为1：5，标签平滑参数设置为epsilon＝0.05；
(4)训练卷积神经网络：
将训练集的所有样本输入到卷积神经网络中，利用Adam优化器对网络的权重进行迭代更新，直至损失函数收敛为止，得到训练好的卷积神经网络；
(5)对待分类的P300脑电信号进行处理：
(5a)将待分类的P300脑电信号，只保留Fz、Cz、Pz、Oz、P3、P4、PO7、PO8与视觉相关的八个通道的P300脑电信号；
(5b)将八个通道的P300脑电信号中分段截取，每一段P300脑电信号取1000ms，得到截取的P300脑电信号段；
(5c)对每个截取后的P300脑电信号段的每个通道进行Z_score归一化后再进行平均降采样，将所有通道降采样后的数据组成一个8*140的二维待分类数据；
(6)输出P300脑电信号的分类：
将每个待分类数据输入到训练好的卷积神经网络中，判断网络输出的每个待分类数据，若输出为1，则判定该数据存在目标字符，若输出为0，则不存在目标字符。
本发明与现有技术相比较，具有以下优点：
第一，由于本发明使用log_softmax+nll_loss损失函数，设置标签权重为1:5来平衡标签，设置参数为0.05，克服了现有技术中标签不平衡和标签人为误差导致分类方法的准确性低的问题，使得本发明通过平衡标签，平滑标签提高了分类的准确性。
第二，由于本发明搭建的卷积神经网络添加了一个空间逐通道卷积层，将平均池化层改为最大池化层，添加了LogSoftmax激活层，克服了现有技术中P300脑电信号空间特征和时间特征的丢失导致降低分类方法的性能，使得本发明利用最大池化层和空间逐通道卷积神经网络来保留空间特征，提高P300脑电信号分类精度。
附图说明
图1为本发明的流程图；
图2为本发明训练卷积神经网络的流程图。
具体实施方式
下面结合附图1对本发明做进一步的描述。
参照图1对本发明实现的具体步骤做进一步的描述。
步骤1，构建卷积神经网络。
搭建一个由三个串联的模块组成的卷积神经网络；其中：
第1个模块的结构依次为：时间卷积层，归一化层，空间逐通道卷积层，归一化层，ELU激活层，Dropout层，最大池化层。
设置第1个模块各层参数：将时间卷积层的滤波器数设置为8，卷积核大小设置为1*64，步长设置为1，填补设置为0*32，偏置设置为否；将空间逐通道卷积层滤波器数设置为16，卷积核大小设置为8*1，步长为1，偏置设置为否，max_norm设置为1，组数设置为8，填补设置为0；将最大池化层下采样滤波器尺寸设置为1*4，步长设置为1*4；将归一化层动量设置为0.01，仿射设置为是，eps设置为1e-3；将Dropout层的drop_rate设置为0.05。
第2个模块的结构依次为：时间逐通道卷积层，时间逐点卷积层，归一化层，ELU激活层，Dropout层，最大池化层。
设置第2个模块各层参数：将时间逐通道卷积层滤波器数设置为16，卷积核大小设置为1*16，步长设置为1，填补设置为0*8，偏置设置为否，组数设置为16；将时间逐点卷积层滤波器设置为16，卷积核大小设置为1，步长设置为1，填补设置为0，偏置设置为否；将最大池化层滤波器尺寸设置为1*8，步长设置为1*8；将归一化层动量设置为0.01，仿射设置为是，eps设置为1e-3，将Dropout层的drop_rate设置为0.05。
第3个模块的结构依次为：空间逐通道卷积层，全连接层，LogSoftmax激活层。
设置第3个模块各层参数：将空间逐通道卷积层滤波器数设置为2，卷积核大小设置为1*4，步长为1，偏置设置为是，max_norm设置为0.25；将全连接层神经元数设置为2；将LogSoftmax激活层维数设置为1。
步骤2，生成训练集。
采集至少10名被试在Oddball范式刺激下的P300脑电信号，只保留每个被试Fz、Cz、Pz、Oz、P3、P4、PO7、PO8与视觉相关的八个通道的P300脑电信号。
将每个被试八个通道的P300脑电信号中分段截取，每一段P300脑电信号取每一次实验的0ms-1000ms，得到截取的该被试的P300脑电信号段。
对每个截取后的P300脑电信号段的每个通道进行Z_score归一化后，再进行平均降采样，将所有通道降采样后的数据组成一个8*140的二维样本数据。
将10个被试的8*140的二维样本数据随机打乱，从中随机抽取2/3的数据组成训练集。
步骤3，设置损失函数的标签权重和标签平滑参数。
采用Log_Softmax+NLLLoss作为损失函数，将损失函数的标签权重参数设置为1：5，标签平滑参数设置为epsilon＝0.05。
步骤4，训练卷积神经网络。
参考图2，对本发明训练卷积神经网络的过程做进一步的描述。
将训练集的所有样本输入到卷积神经网络，利用Adam优化器对网络的权重进行迭代更新，直至损失函数收敛为止，得到训练好的卷积神经网络。
所述Adam优化器的初始学习率设置为0.01，权重衰减设置为0.0005，迭代次数每增加10次学习率衰减1/10，初始化权重方法使用Xavier。
步骤5，对待分类的P300脑电信号进行处理。
将待分类的P300脑电信号，只保留Fz、Cz、Pz、Oz、P3、P4、PO7、PO8与视觉相关的八个通道的P300脑电信号。
将八个通道的P300脑电信号中分段截取，每一段P300脑电信号取1000ms，得到截取的P300脑电信号段。
对每个截取后的P300脑电信号段的每个通道进行Z_score归一化后，再进行平均降采样，将所有通道降采样后的数据组成一个8*140的二维待分类数据。
步骤6，输出P300脑电信号的分类。
将每个待分类数据输入到训练好的卷积神经网络中，判断网络输出的每个待分类数据，若输出为1，则判定该数据存在目标字符，若输出为0，则不存在目标字符。

Claims (2)

1.一种基于卷积神经网络的P300脑电信号分类方法，其特征在于，构造卷积神经网络，采用可设置标签权重和标签平滑参数的损失函数，该方法的步骤包括如下：
(1)构建卷积神经网络：
搭建一个由三个串联的模块组成的卷积神经网络；其中，
第1个模块的结构依次为：时间卷积层，归一化层，空间逐通道卷积层，归一化层，ELU激活层，Dropout层，最大池化层；
设置第1个模块各层参数：将时间卷积层的滤波器数设置为8，卷积核大小设置为1*64，步长设置为1，填补设置为0*32，偏置设置为否；将空间逐通道卷积层滤波器数设置为16，卷积核大小设置为8*1，步长为1，偏置设置为否，max_norm设置为1，组数设置为8，填补设置为0；将最大池化层下采样滤波器尺寸设置为1*4，步长设置为1*4；将归一化层动量设置为0.01，仿射设置为是，eps设置为1e-3；将Dropout层的drop_rate设置为0.05；
第2个模块的结构依次为：时间逐通道卷积层，时间逐点卷积层，归一化层，ELU激活层，Dropout层，最大池化层；
设置第2个模块各层参数：将时间逐通道卷积层滤波器数设置为16，卷积核大小设置为1*16，步长设置为1，填补设置为0*8，偏置设置为否，组数设置为16；将时间逐点卷积层滤波器设置为16，卷积核大小设置为1，步长设置为1，填补设置为0，偏置设置为否；将最大池化层滤波器尺寸设置为1*8，步长设置为1*8；将归一化层动量设置为0.01，仿射设置为是，eps设置为1e-3；将Dropout层的drop_rate设置为0.05；
第3个模块的结构依次为：空间逐通道卷积层，全连接层，LogSoftmax激活层；
设置第3个模块各层参数：将空间逐通道卷积层滤波器数设置为2，卷积核大小设置为1*4，步长为1，偏置设置为是，max_norm设置为0.25；将全连接层神经元数设置为2；将LogSoftmax激活层维数设置为1；
(2)生成训练集：
(2a)采集至少10名被试在Oddball范式刺激下的P300脑电信号，只保留每个被试Fz、Cz、Pz、Oz、P3、P4、PO7、PO8与视觉相关的八个通道的P300脑电信号；
(2b)将每个被试八个通道的P300脑电信号中分段截取，每一段P300脑电信号取每一次实验的0ms-1000ms，得到截取的该被试的P300脑电信号段；
(2c)对每个截取后的P300脑电信号段的每个通道进行Z_score归一化后再进行平均降采样，将所有通道降采样后的数据组成一个8*140的二维样本数据；
(2d)将10个被试8*140的二维样本数据随机打乱，从中随机抽取2/3的数据组成训练集；
(3)设置损失函数的标签权重和标签平滑参数：
采用Log_Softmax+NLLLoss作为损失函数，将损失函数的标签权重参数设置为1：5，标签平滑参数设置为epsilon＝0.05；
(4)训练卷积神经网络：
将训练集的所有样本输入到卷积神经网络中，利用Adam优化器对网络的权重进行迭代更新，直至损失函数收敛为止，得到训练好的卷积神经网络；
(5)对待分类的P300脑电信号进行处理：
(5a)将待分类的P300脑电信号，只保留Fz、Cz、Pz、Oz、P3、P4、PO7、PO8与视觉相关的八个通道的P300脑电信号；
(5b)将八个通道的P300脑电信号中分段截取，每一段P300脑电信号取1000ms，得到截取的P300脑电信号段；
(5c)对每个截取后的P300脑电信号段的每个通道进行Z_score归一化后再进行平均降采样，将所有通道降采样后的数据组成一个8*140的二维待分类数据；
(6)输出P300脑电信号的分类：
将每个待分类数据输入到训练好的卷积神经网络中，判断网络输出的每个待分类数据，若输出为1，则判定该数据存在目标字符，若输出为0，则不存在目标字符。
2.根据权利要求1所述的基于卷积神经网络的P300脑电信号分类方法，其特征在于：步骤(3b)中所述Adam优化器的初始学习率设置为0.01，权重衰减设置为0.0005，迭代次数每增加10次学习率衰减1/10，初始化权重方法使用Xavier。
CN202011410236.4A 2020-12-05 2020-12-05 基于卷积神经网络的p300脑电信号分类方法 Active CN112528819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011410236.4A CN112528819B (zh) 2020-12-05 2020-12-05 基于卷积神经网络的p300脑电信号分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011410236.4A CN112528819B (zh) 2020-12-05 2020-12-05 基于卷积神经网络的p300脑电信号分类方法

Publications (2)

Publication Number Publication Date
CN112528819A CN112528819A (zh) 2021-03-19
CN112528819B true CN112528819B (zh) 2023-01-20

Family

ID=74998528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011410236.4A Active CN112528819B (zh) 2020-12-05 2020-12-05 基于卷积神经网络的p300脑电信号分类方法

Country Status (1)

Country Link
CN (1) CN112528819B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191395B (zh) * 2021-04-07 2024-02-09 杭州电子科技大学 一种基于双脑的多层次信息融合的目标检测方法
CN113253850A (zh) * 2021-07-05 2021-08-13 中国科学院西安光学精密机械研究所 一种基于眼动追踪与脑电信号的多任务协同操作方法
CN113598794A (zh) * 2021-08-12 2021-11-05 中南民族大学 一种冰毒成瘾者检测模型的训练方法和系统
CN114997315A (zh) * 2022-06-13 2022-09-02 西安交通大学 一种基于多通道脑电图集成的错误相关电位分类方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018028255A1 (zh) * 2016-08-11 2018-02-15 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN109247917A (zh) * 2018-11-21 2019-01-22 广州大学 一种空间听觉诱发p300脑电信号识别方法及装置
CN110069958A (zh) * 2018-01-22 2019-07-30 北京航空航天大学 一种密集深度卷积神经网络的脑电信号快速识别方法
CN110222643A (zh) * 2019-06-06 2019-09-10 西安交通大学 一种基于卷积神经网络的稳态视觉诱发电位信号分类方法
WO2020156348A1 (zh) * 2019-01-31 2020-08-06 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018028255A1 (zh) * 2016-08-11 2018-02-15 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN110069958A (zh) * 2018-01-22 2019-07-30 北京航空航天大学 一种密集深度卷积神经网络的脑电信号快速识别方法
CN109247917A (zh) * 2018-11-21 2019-01-22 广州大学 一种空间听觉诱发p300脑电信号识别方法及装置
WO2020156348A1 (zh) * 2019-01-31 2020-08-06 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN110222643A (zh) * 2019-06-06 2019-09-10 西安交通大学 一种基于卷积神经网络的稳态视觉诱发电位信号分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
EEGNet: A Compact Convolutional Neural Network for EEG-based Brain-Computer Interfaces;Vernon J. Lawhern et al;《arxiv》;20180516;1-30页 *
Emotion Recognition from Multi-Channel EEG through Parallel Convolutional Recurrent Neural Network;Yilong Yang et al;《2018 International Joint Conference on Neural Networks》;20181014;1-7页 *
基于卷积神经网络的P300电位检测及在脑机接口系统中的应用;李奇等;《吉林师范大学学报(自然科学版)》;20180717(第03期);116-122页 *
基于条件经验模式分解和串并行CNN的脑电信号识别;唐贤伦等;《电子与信息学报》;20200430;第42卷(第4期);1041-1048页 *

Also Published As

Publication number Publication date
CN112528819A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN112528819B (zh) 基于卷积神经网络的p300脑电信号分类方法
CN114266276B (zh) 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法
CN110353702A (zh) 一种基于浅层卷积神经网络的情感识别方法及系统
CN111329474A (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
CN108567418A (zh) 一种基于PCANet的脉搏信号亚健康检测方法及检测系统
CN113011493B (zh) 基于多核宽度学习脑电情绪分类方法、装置、介质及设备
CN111428601B (zh) 一种基于ms-cnn的p300信号识别方法、装置及存储介质
CN111616682A (zh) 基于便携式脑电采集设备的癫痫发作预警系统及应用
CN113536882B (zh) 一种多类运动想象脑电信号特征提取及分类方法
CN113180659B (zh) 一种基于三维特征和空洞全卷积网络的脑电情感识别方法
CN113076878B (zh) 基于注意力机制卷积网络结构的体质辨识方法
CN113180692A (zh) 一种基于特征融合和注意力机制的脑电信号分类识别方法
CN110974219A (zh) 一种基于侵入式bci的人脑意念识别系统
CN114533086A (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
CN115530847A (zh) 一种基于多尺度注意力的脑电信号自动睡眠分期方法
CN113768519A (zh) 基于深度学习和静息态脑电数据分析病人意识水平的方法
CN113558644B (zh) 一种3d矩阵与多维卷积网络的情感分类方法、介质和设备
CN113128353B (zh) 面向自然人机交互的情绪感知方法及其系统
CN110458066B (zh) 一种基于静息态脑电数据的年龄段分类方法
CN115969392A (zh) 基于张量化频空注意力域适应网络的跨时段脑纹识别方法
CN112438741B (zh) 一种基于脑电特征迁移学习的驾驶状态检测方法及系统
CN113662561A (zh) 子带级联共空间模式的脑电特征提取方法及装置
CN113180663A (zh) 一种基于卷积神经网络的情绪识别方法、系统
CN112650386B (zh) 一种基于pca-pcn的脑机接口字符输出系统
CN114611560A (zh) 基于卷积神经网络的ssvep脑电信号分类方法

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