CN112650386B - 一种基于pca-pcn的脑机接口字符输出系统 - Google Patents
一种基于pca-pcn的脑机接口字符输出系统 Download PDFInfo
- Publication number
- CN112650386B CN112650386B CN202011439217.4A CN202011439217A CN112650386B CN 112650386 B CN112650386 B CN 112650386B CN 202011439217 A CN202011439217 A CN 202011439217A CN 112650386 B CN112650386 B CN 112650386B
- Authority
- CN
- China
- Prior art keywords
- pca
- data
- pcn
- convolution
- output system
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- 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
- G06F18/24—Classification techniques
-
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Dermatology (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Human Computer Interaction (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PCA‑PCN的脑机接口字符输出系统,包括放大器、电极帽,其中,放大器、电极帽用于对受试者进行数据采集;所述字符输出系统实现步骤如下:步骤一:使用NuAmps放大器采集EEG信号,受试者带上电极帽,向电极帽中注射导电胶使阻抗下降;点击开始按钮采集数据,同时受试者正视字符拼写界面;本发明的有益效果是:在数据预处理部分,提出的P300脑电信号使用PCA算法去消除数据中的噪声和伪像,提高数据处理速度;P300检测目标字符与非目标字符分类采用PCN网络框架,提高对P300脑电信号输出目标字符的能力,所提出的算法由2个被试的实验结果证明;模块化设计,有助于进一步提高数据的处理能力,提高了系统运行的效率。
Description
技术领域
本发明属于字符输出技术领域,具体涉及一种基于PCA-PCN的脑机接口字符输出系统。
背景技术
P300是一种记录于EEG信号中的事件相关电位,是脑机接口中一种重要的信息交互方案,它可以在人脑和计算机之间建立一种不依赖于外周神经和肌肉系统的字符输出通路。P300字符输出系统的关键任务是识别出受试者所注视的具体字符,这是由前一个分类任务的结果进行组合之后来确定的。
当前,对P300脑电信号进行特征提取和降维与提高目标字符的分类的能力已成为研究提高P300的分类准确性的两个基本问题。一般来说,所收集到的P300脑电信号通常是高维的且与特征相关,因此研究者们会提出一些增强特征提取的方法,例如独立成分分析,主成分分析方法PCA以及线性判别分析;有研究人员分别使用了上述三种算法对P300脑电信号进行数据处理和降维,实验证明PCA对P300信号降维效果最好,越来越多的研究人员开始青睐于PCA算法,一方面,它不仅消除了原信号矩阵中的噪声和无关的特征;另一方面,还减轻了加权分类器的计算负担,即达到降维的目的。
此外,P300检测目标字符与非目标字符的分类算法主要使用传统的机器学习方法,比如支持向量机,但是,随着深度学习的快速发展,许多学者开始使用卷积神经网络对P300脑电信号对目标字符进行分类,有学者开发了一个4层CNN,将输入的P300信号的时域和空域特征由CNN的第一层和第二层来提取,使用全连接层来分类,实现了在深度学习中使用CNN来识别和分类P300脑电信号对目标字符的检测;在索哈尼实验中,他对从多个通道提取到的P300脑电信号采用深度信念网络处理,只有个别数据有较好的准确性,有学者在上述算法的基础上改进CNN提出了BN3算法,它利用批处理归一化层和Dropout层加深了网络层且克服了过拟合,BN3算法在分类上取得了良好的结果,但是在减少实验次数的情况下仍然需要提高识别精度。
为了提高PCN网络对脑电信号对目标字符与非目标字符分类的能力,达到系统界面输出目标字符的目的,为此我们提出一种基于PCA-PCN的脑机接口字符输出系统。
发明内容
本发明的目的在于提供一种基于PCA-PCN的脑机接口字符输出系统,提高PCN网络对脑电信号对目标字符与非目标字符分类的能力,达到系统界面输出目标字符的目的。
为实现上述目的,本发明提供如下技术方案:一种基于PCA-PCN的脑机接口字符输出系统,包括放大器、电极帽,其中,
放大器、电极帽用于对受试者进行数据采集;
所述字符输出系统实现步骤如下:
步骤一:使用NuAmps放大器采集EEG信号,受试者带上电极帽,向电极帽中注射导电胶使阻抗下降;点击开始按钮采集数据,同时受试者正视字符拼写界面,随后字符矩阵以5.7Hz的频率随机地闪烁字符矩阵中的6个字符,当受试者注视系统给出的字符开始闪烁时,大脑诱发出P300电位;
步骤二:使用8阶带通巴特沃斯滤波器来过滤收集的原始数据,并获取0.1-20Hz的潜在频率;
步骤三:平衡样本数,将P300脑电信号数量增加到与非P300脑电信号的数量等同,防止由正负样品的不平衡引起的分类问题;
步骤四:预处理后获得数据矩阵,将矩阵X输入到PCA算法中,并计算出协方差矩阵Cov(X);然后,获得协方差矩阵的特征值和特征向量,对特征值进行从大到小排序,然后选择最大的k,使用对应的k个特征向量作为行向量形成特征向量矩阵P,并将数据转换为由k个特征向量构成的新矩阵,其中Y是降维后的矩阵;
步骤五:将矩阵输入到PCA算法中,并计算出协方差矩阵Cov(X);然后,获得协方差矩阵的特征值和特征向量,对特征值进行从大到小排序,然后选择最大的k。使用对应的k个特征向量作为行向量形成特征向量矩阵P,并将数据转换为由k个特征向量构成的新矩阵,其中Y是降维后的矩阵;
步骤六:将经过L2层空间滤波后的时域滤波进行卷积计算,卷积计算后,将得到特征向量组合成16*1*44个特征向量,在卷积层之后添加一个dropout层;
步骤七:在步骤五的基础上,继续进行卷积内核计算,将得到的特征向量组合成个特征向量,在卷积层之后添加一个dropout(DP)层;
步骤八:将所得结果在池化过滤器过滤;
步骤九:将池化层之后的数据与神经元相连,然后按softmax层分类,使用整流线性单位(ReLU)作为激活函数;
步骤十:将检测出的最终目标字符输出在屏幕上。
作为本发明的一种优选的技术方案,所述步骤二中,获取0.1-20Hz的潜在频率。
作为本发明的一种优选的技术方案,所述步骤四中,使用PCA降维后,特征向量的大小从64*240变为64*120。
作为本发明的一种优选的技术方案,所述步骤六中,选取16*5*1,16*10*1和16*15*1卷积核进行卷积计算,卷积后,得到16*1*24,16*1*12和16*1*8个特征向量。
作为本发明的一种优选的技术方案,所述步骤七中,选取16*2*1,16*4*1和16*11*1卷积内核进行卷积计算,卷积后,得到16*1*22,16*1*11和16*1*4个特征向量。
作为本发明的一种优选的技术方案,还包括清洗模块,清洗模块用于对数据冗余的信息进行清洗。
作为本发明的一种优选的技术方案,还包括提取模块,该模块用于对数据的特征进行提取。
作为本发明的一种优选的技术方案,还包括监控模块,该模块用于对系统进行监控。
与现有技术相比,本发明的有益效果是:
(1)在数据预处理部分,提出的P300脑电信号使用PCA算法去消除数据中的噪声和伪像,提高数据处理速度;
(2)P300检测目标字符与非目标字符分类采用PCN网络框架,提高对P300脑电信号输出目标字符的能力,所提出的算法由2个被试的实验结果证明;
(3)模块化设计,有助于进一步提高数据的处理能力,提高了系统运行的效率。
(4)在本系统中,受试者按照要求注视系统提示的字符,当受试者注视系统提示的字符开始闪烁时,受试者大脑会诱发出P300电位。在理想的无干扰的情况下,其他字符闪烁时不会诱发出P300;然后经过算法处理,系统界面输出目标字符。在本算法中,读取采集的原始EEG数据,由于原始数据中噪声较多,因此首先对EEG数据预处理,再平衡目标和非目标的样本数,之后使用PCA算法对P300脑电信号降维,使用PCN单卷积内核模型对数据分析,在卷积层中对P300脑电信号进行目标字符与非目标字符的分类,提高了P300脑电信号对目标字符的分类和识别。而两个被试的实验结果验证了系统的可靠性。
附图说明
图1为本发明的系统步骤图;
图2为本发明的应用在被试I上的各算法准确率对比图;
图3为本发明的应用在被试II上的各算法准确率对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1、图2和图3,本发明提供一种技术方案:一种基于PCA-PCN的脑机接口字符输出系统,包括放大器、电极帽,其中,
放大器、电极帽用于对受试者进行数据采集;
字符输出系统包括如下步骤:
步骤一:使用NuAmps放大器采集EEG信号,受试者带上电极帽,向电极帽中注射导电胶使阻抗下降;点击开始按钮采集数据,同时受试者正视字符拼写界面,随后字符矩阵以5.7Hz的频率随机地闪烁字符矩阵中的6个字符,当受试者注视系统给出的字符开始闪烁时,大脑诱发出P300电位;
步骤二:使用8阶带通巴特沃斯滤波器来过滤收集的原始数据,并获取潜在频率;
步骤三:平衡样本数,将P300脑电信号数量增加到与非P300脑电信号的数量等同,防止由正负样品的不平衡引起的分类问题;
步骤四:预处理后获得数据矩阵,将矩阵X输入到PCA算法中,并计算出协方差矩阵Cov(X);然后,获得协方差矩阵的特征值和特征向量,对特征值进行从大到小排序,然后选择最大的k,使用对应的k个特征向量作为行向量形成特征向量矩阵P,并将数据转换为由k个特征向量构成的新矩阵,其中Y是降维后的矩阵;
步骤五:将降维后的数据通过输入层L1加载到PCN网络中,再通过输入信号所有通道的空间滤波器卷积层L2提高信噪比以及去除空间域中的冗余信号;
步骤六:将经过L2层空间滤波后的时域滤波进行卷积计算,卷积计算后,将得到特征向量组合成16*1*44个特征向量,在卷积层之后添加一个dropout层,以防止在模型参数过多的情况下过拟合;
步骤七:在步骤五的基础上,继续进行卷积内核计算,将得到的特征向量组合成个特征向量,在卷积层之后添加一个dropout(DP)层;
步骤八:将所得结果在池化过滤器过滤,以减少网络参数;
步骤九:将池化层之后的数据与神经元相连,然后按softmax层分类,使用整流线性单位(ReLU)作为激活函数;
步骤十:将P300检测出的最终目标字符输出在屏幕上。
本实施例中,优选的,步骤二中,获取0.1-20Hz的潜在频率。
本实施例中,优选的,步骤四中,使用PCA降维后,特征向量的大小从64*240变为64*120。
本实施例中,优选的,步骤六中,选取16*5*1,16*10*1和16*15*1卷积核进行卷积计算,卷积后,得到16*1*24,16*1*12和16*1*8个特征向量。
本实施例中,优选的,步骤七中,选取16*2*1,16*4*1和16*11*1卷积内核进行卷积计算,卷积后,得到16*1*22,16*1*11和16*1*4个特征向量。
本实施例中,优选的,步骤九中,当计算出的网络输出概率大于或等于0.5时,当前输入信号确定为P300信号,否则不是P300。
本发明在传统的卷积神经网络的基础上,构建了P300脑电信号检测目标字符的单个字符输出系统的新算法PCA-PCN,与传统的深度学习神经算法相比,PCA-PCN算法对P300脑电信号的识别具有更高的分类准确率。
实施例2
请参阅图1、图2和图3,本发明提供一种技术方案:一种基于PCA-PCN的脑机接口字符输出系统,包括放大器、电极帽,8阶带通巴特沃斯滤波器,其中,
放大器、电极帽用于对受试者进行数据采集;
字符输出系统包括如下步骤:
步骤一:使用NuAmps放大器采集EEG信号,受试者带上电极帽,向电极帽中注射导电胶使阻抗下降;点击开始按钮采集数据,同时受试者正视字符拼写界面,随后字符矩阵以5.7Hz的频率随机地闪烁字符矩阵中的6个字符,当受试者注视系统给出的字符开始闪烁时,大脑诱发出P300电位;
步骤二:使用8阶带通巴特沃斯滤波器来过滤收集的原始数据,并获取潜在频率;
步骤三:平衡样本数,将P300脑电信号数量增加到与非P300脑电信号的数量等同,防止由正负样品的不平衡引起的分类问题;
步骤四:预处理后获得数据矩阵,将矩阵X输入到PCA算法中,并计算出协方差矩阵Cov(X);然后,获得协方差矩阵的特征值和特征向量,对特征值进行从大到小排序,然后选择最大的k,使用对应的k个特征向量作为行向量形成特征向量矩阵P,并将数据转换为由k个特征向量构成的新矩阵,其中Y是降维后的矩阵;
步骤五:将降维后的数据通过输入层L1加载到PCN网络中,再通过输入信号所有通道的空间滤波器卷积层L2提高信噪比以及去除空间域中的冗余信号;
步骤六:将经过L2层空间滤波后的时域滤波进行卷积计算,卷积计算后,将得到特征向量组合成16*1*44个特征向量,在卷积层之后添加一个dropout层,以防止在模型参数过多的情况下过拟合;
步骤七:在步骤五的基础上,继续进行卷积内核计算,将得到的特征向量组合成个特征向量,在卷积层之后添加一个dropout(DP)层;
步骤八:将所得结果在池化过滤器过滤,以减少网络参数;
步骤九:将池化层之后的数据与神经元相连,然后按softmax层分类,使用整流线性单位(ReLU)作为激活函数;
步骤十:将P300检测出的最终目标字符输出在屏幕上。
本实施例中,优选的,步骤二中,获取0.1-20Hz的潜在频率。
本实施例中,优选的,步骤四中,使用PCA降维后,特征向量的大小从64*240变为64*120。
本实施例中,优选的,步骤六中,选取16*5*1,16*10*1和16*15*1卷积核进行卷积计算,卷积后,得到16*1*24,16*1*12和16*1*8个特征向量。
本实施例中,优选的,步骤七中,选取16*2*1,16*4*1和16*11*1卷积内核进行卷积计算,卷积后,得到16*1*22,16*1*11和16*1*4个特征向量。
本实施例中,优选的,步骤九中,当计算出的网络输出概率大于或等于0.5时,当前输入信号确定为P300信号,否则不是P300。
本实施例中,优选的,还包括清洗模块,清洗模块用于对数据冗余的信息进行清洗。
本实施例中,优选的,还包括提取模块,该模块用于对数据的特征进行提取。
本实施例中,优选的,还包括监控模块,该模块用于对系统进行监控,方便系统的监控维护。
本发明在传统的卷积神经网络的基础上,构建了P300脑电信号检测目标字符的单个字符输出系统的新算法PCA-PCN,与传统的深度学习神经算法相比,PCA-PCN算法对P300脑电信号的识别具有更高的分类准确率。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于PCA-PCN的脑机接口字符输出系统,其特征在于:包括放大器、电极帽,其中,
放大器、电极帽用于对受试者进行数据采集;
所述字符输出系统实现步骤如下:
步骤一:使用NuAmps放大器采集EEG信号,受试者带上电极帽,向电极帽中注射导电胶使阻抗下降;点击开始按钮采集数据,同时受试者正视字符拼写界面,随后字符矩阵以5.7Hz的频率随机地闪烁字符矩阵中的6个字符,当受试者注视系统给出的字符开始闪烁时,大脑诱发出P300电位;
步骤二:使用8阶带通巴特沃斯滤波器来过滤收集的原始数据,并获取潜在频率;
步骤三:平衡样本数,将脑电信号数量增加到与非脑电信号的数量等同;
步骤四:预处理后获得数据矩阵,将矩阵X输入到PCA算法中,并计算出协方差矩阵Cov(X);然后,获得协方差矩阵的特征值和特征向量,对特征值进行从大到小排序,然后选择最大的k,使用对应的k个特征向量作为行向量形成特征向量矩阵P,并将数据转换为由k个特征向量构成的新矩阵,其中Y是降维后的矩阵;
步骤五:将降维后的数据通过输入层L1加载到PCN网络中,再通过输入信号所有通道的空间滤波器卷积层L2提高信噪比以及去除空间域中的冗余信号;
步骤六:将经过L2层空间滤波后的时域滤波进行卷积计算,卷积计算后,将得到特征向量组合成16*1*44个特征向量,在卷积层之后添加一个dropout层,以防止在模型参数过多的情况下过拟合;
步骤七:在步骤五的基础上,继续进行卷积内核计算,将得到的特征向量组合成个特征向量,在卷积层之后添加一个dropout(DP)层;
步骤八:将所得结果在池化过滤器过滤,以减少网络参数;
步骤九:将池化层之后的数据与神经元相连,然后按softmax层分类,使用整流线性单位(ReLU)作为激活函数;
步骤十:将P300检测出的最终目标字符输出在屏幕上。
2.根据权利要求1所述的一种基于PCA-PCN的脑机接口字符输出系统,其特征在于:所述步骤二中,获取0.1-20Hz的潜在频率。
3.根据权利要求1所述的一种基于PCA-PCN的脑机接口字符输出系统,其特征在于:所述步骤四中,使用PCA降维后,特征向量的大小从64*240变为64*120。
4.根据权利要求1所述的一种基于PCA-PCN的脑机接口字符输出系统,其特征在于:所述步骤六中,选取16*5*1,16*10*1和16*15*1卷积核进行卷积计算,卷积后,得到16*1*24,16*1*12和16*1*8个特征向量。
5.根据权利要求1所述的一种基于PCA-PCN的脑机接口字符输出系统,其特征在于:所述步骤七中,选取16*2*1,16*4*1和16*11*1卷积内核进行卷积计算,卷积后,得到16*1*22,16*1*11和16*1*4个特征向量。
6.根据权利要求1所述的一种基于PCA-PCN的脑机接口字符输出系统,其特征在于:还包括清洗模块,清洗模块用于对数据冗余的信息进行清洗。
7.根据权利要求1所述的一种基于PCA-PCN的脑机接口字符输出系统,其特征在于:还包括提取模块,该模块用于对数据的特征进行提取。
8.根据权利要求1所述的一种基于PCA-PCN的脑机接口字符输出系统,其特征在于:还包括监控模块,该模块用于对系统进行监控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011439217.4A CN112650386B (zh) | 2020-12-07 | 2020-12-07 | 一种基于pca-pcn的脑机接口字符输出系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011439217.4A CN112650386B (zh) | 2020-12-07 | 2020-12-07 | 一种基于pca-pcn的脑机接口字符输出系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112650386A CN112650386A (zh) | 2021-04-13 |
CN112650386B true CN112650386B (zh) | 2023-05-16 |
Family
ID=75350839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011439217.4A Active CN112650386B (zh) | 2020-12-07 | 2020-12-07 | 一种基于pca-pcn的脑机接口字符输出系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112650386B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110059565A (zh) * | 2019-03-20 | 2019-07-26 | 杭州电子科技大学 | 一种基于改进卷积神经网络的p300脑电信号识别方法 |
CN110262658A (zh) * | 2019-06-14 | 2019-09-20 | 长春理工大学 | 一种基于强化注意的脑机接口字符输入系统及实现方法 |
-
2020
- 2020-12-07 CN CN202011439217.4A patent/CN112650386B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110059565A (zh) * | 2019-03-20 | 2019-07-26 | 杭州电子科技大学 | 一种基于改进卷积神经网络的p300脑电信号识别方法 |
CN110262658A (zh) * | 2019-06-14 | 2019-09-20 | 长春理工大学 | 一种基于强化注意的脑机接口字符输入系统及实现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112650386A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960182B (zh) | 一种基于深度学习的p300事件相关电位分类识别方法 | |
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 | |
CN112884063B (zh) | 基于多元时空卷积神经网络的p300信号检测识别方法 | |
CN112528819B (zh) | 基于卷积神经网络的p300脑电信号分类方法 | |
CN113536882B (zh) | 一种多类运动想象脑电信号特征提取及分类方法 | |
CN113662560B (zh) | 发作间期痫样放电的检测方法、存储介质和设备 | |
CN114266276A (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 | |
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 | |
CN114595725B (zh) | 一种基于加法网络和监督对比学习的脑电信号分类方法 | |
CN111428601B (zh) | 一种基于ms-cnn的p300信号识别方法、装置及存储介质 | |
CN113869382A (zh) | 基于领域嵌入概率的半监督学习癫痫脑电信号识别方法 | |
CN112650386B (zh) | 一种基于pca-pcn的脑机接口字符输出系统 | |
CN114861738B (zh) | 一种基于脑电溯源和偶极子选择的运动想象分类方法 | |
Chavan et al. | A review on BCI emotions classification for EEG signals using deep learning | |
Ferariu et al. | Using Hand-Crafted and Learned EEG Features for the Detection of Epileptic Seizures | |
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 | |
CN112450946A (zh) | 一种基于循环生成对抗网络的脑电伪迹修复的方法 | |
CN113367705A (zh) | 基于改进的微状态分析的运动想象脑电信号分类方法 | |
Okreghe et al. | A deep neural network-based spike sorting with improved channel selection and artefact removal | |
Li et al. | A Novel Artifact Removal Strategy and Spatial Attention-based Multiscale CNN for MI Recognition | |
CN114098757B (zh) | 一种基于量子粒子群优化的ecg信号监测方法 | |
CN112016415B (zh) | 结合集成学习与独立分量分析的运动想象分类方法 | |
Jamunadevi et al. | Estimating the Efficiency of Machine Learning Algorithms in Predicting Seizure With Convolutional Neural Network Architecture: Classification of Machine Learning Algorithms | |
Mehta et al. | A Robust Classification Approach for Character Detection Using P300-Based Brain-Computer Interface | |
Sridevi | A COMPREHENSIVE STUDY ON EEG SIGNAL PROCESSING-METHODS, CHALLENGES AND APPLICATIONS |
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 |