CN112784892A - 一种脑电运动意图识别方法及系统 - Google Patents
一种脑电运动意图识别方法及系统 Download PDFInfo
- Publication number
- CN112784892A CN112784892A CN202110050376.3A CN202110050376A CN112784892A CN 112784892 A CN112784892 A CN 112784892A CN 202110050376 A CN202110050376 A CN 202110050376A CN 112784892 A CN112784892 A CN 112784892A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- dimensional convolution
- data set
- network
- data
- 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.)
- Pending
Links
Images
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
- G06F18/2413—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]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出一种脑电运动意图识别方法及系统,包括:获取基于运动意图的脑电数据集;将所述脑电数据集分别经过至少两个不同维度的特征提取后,将得到的各维度的特征拼接后进行分类,获取分类准确率最高的运动意图识别模型并输出分类结果;本发明可有效提高运动意图分类识别的准确性。
Description
技术领域
本发明涉及脑电信号识别应用领域,尤其涉及一种脑电运动意图识别方法及系统。
背景技术
脑-机接口(BCI)是一种直接通过人脑与计算机或外部设备进行交流的人机交互方式。典型的脑-机接口系统由脑电信号提取与采集模块、脑电信号处理模块、脑电信号输出模块以及脑电信号反馈模块组成。常用的脑电信号特征提取方法主要分为三类,第一类是针对时域、频域、时频域的特征提取方法,主要包括有快速傅里叶变换,自回归模型,小波变换和经验模态分解;第二类为空间特征提取方法,主要有共空间模式法和独立分量分析法;第三类就是使用深度学习的方法提取脑电的特征。常见的脑电信号分类方法主要分两类,一类是模式分类方法,包括线性判别式分析,支持向量机和K近邻;第二类是基于深度学习的分类方法,包括深度信念网络,卷积神经网络和自编码机。由于深度学习方法可以自动提取输入信号特征,避免了人工设计特征的局限性,因此将深度学习算法应用于运动想象脑电信号分类,为脑-机接口中脑电信号的特征提取及识别提供了一种新的思路。
在深度学习中,一般使用的是卷积神经网络CNN,该网络能自动的提取特征信息并且进行分类,在计算过程中,计算量也大大减少,非常适用于存在随机性和非平稳性的脑电信号。但是基于CNN的方法仍然面临两个问题。首先,在先前的工作中大多使用单一尺度的卷积提取脑电信号特征,并且没有考虑到单个通道上的特征提取,这限制了分类的准确性。其次,CNN训练时需要大量的训练数据才能实现较高的分类准确率,但是在获取脑电数据样本的时候需要遵循严格的规则,因此很难获得较好的用于脑电想象分类的训练样本。
发明内容
鉴于以上现有技术存在的问题,本发明提出一种脑电运动意图识别方法及系统,主要解决现有脑电信号处理结构复杂且分类准确性不高的问题。
为了实现上述目的及其他目的,本发明采用的技术方案如下。
一种脑电运动意图识别方法,包括:
获取基于运动意图的脑电数据集;
将所述脑电数据集分别经过至少两个不同维度的特征提取后,将得到的各维度的特征拼接后进行分类,获取分类准确率最高的运动意图识别模型并输出分类结果。
可选地,获取基于运动意图的脑电数据集,包括:
目标对象进行运动想象过程中,采集目标对象的多通道脑电数据,并对所述多通道脑电数据进行预处理,得到所述基于运动意图的脑电数据集;其中,预处理包括通道筛选、脑电数据滤波、数据归一化、数据集构建。
可选地,所述运动想象过程包括想象执行指定动作,不执行任何指定动作。
可选地,经过通道筛选后,将筛选出的各通道数据减去不执行任何指定动作情况下预设时间段内数据幅度均值,得到各通道的脑电数据并输出。
可选地,构建多尺度混合卷积模块,通过所述多尺度混合卷积神经网络中的至少一个一维卷积子网络和一个二维卷积子网络对所述脑电数据进行特征提取。
可选地,所述一维卷积子网络至少包括三个一维卷积支路,通过所述三个一维卷积支路相互独立地获取所述脑电数据集的全局信息、局部信息以及原始数据信息,且每条支路只针对三种信息中的一种进行特征提取;
所述三个一维卷积支路通过不同大小的一维卷积核对所述脑电数据集进行特征提取后,分别输入一个最大池化层,保持各卷积支路输出维度一致。
可选地,所述二维卷积子网络至少包括三个二维卷积支路,通过所述三个二维卷积支路相互独立地获取所述脑电数据集的全局信息、局部信息以及原始数据信息,且每条支路只针对三种信息中的一种进行特征提取;
所述三个二维卷积支路通过不同大小的二维卷积核对所述脑电数据集进行特征提取后,分别输入一个最大池化层,保持各卷积支路输出维度一致。
可选地,所述多尺度混合卷积神经网络包括特征拼接层,将各卷积子网络获取的特征输入所述特征拼接层,获取融合特征作为所述多尺度混合卷积神经网络的输出。
可选地,构建分类模块,并设置所述分类模块的损失函数阈值,在进行网络更新迭代时,所述损失函数的值大于所述损失函数阈值时,通过梯度下降更新网络参数;当所述损失函数的值小于所述损失函数阈值时,通过梯度上升,使损失函数值保持在阈值附近指定范围对网络参数进行更新。
一种脑电运动意图识别系统,包括:
数据获取模块,用于获取基于运动意图的脑电数据集;
运动意图识别模块,用于将所述脑电数据集分别经过至少两个不同维度的特征提取后,将得到的各维度的特征拼接后进行分类,获取分类准确率最高的运动意图识别模型并输出分类结果。
如上所述,本发明一种脑电运动意图识别方法及系统,具有以下有益效果。
对脑电信号进行不同维度的特征提取,保留脑电信号数据之间的关联性的同时,也保留了每个通道的独立特征信息,有利于提高分类识别准确性。
附图说明
图1为本发明一实施例中脑电运动意图识别方法的流程示意图。
图2为本发明一实施例中多尺度混合卷积神经模块的网络结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明提供一种脑电运动意图识别方法。
图1为一实施例中脑电运动意图识别方法的流程示意图。包括以下步骤:
在步骤S01中,运动想象脑电信号采集。具体地,采集脑电信号的原始数据,脑电信号采集装置可采用的是Emotiv脑电信号采集仪。Emotiv总共包含34个电极,其中CMS和DRL为两个参考电极,其余32个为信号采集通道,电极根据国际10-20标准电极安放法安放。信号的采样频率为128Hz,采集到的脑电信号经过放大和滤波之后,通过无线的方式将数据传输到电脑端的USB接收器上,进而计算机可以通过USB获取数据。
实验在一个空旷安静的环境下进行,受试者执行运动想象过程包括根据提示执行指定动作或不执行任何指定动作。具体地,实验开始时(t=0s),受试者静坐在椅子上,闭上眼睛保持放松状态,该状态下不执行任何指定想象动作;t=4s时,受试者根据电脑发出微弱的提示音开始反复想象执行指定动作,如想象左手或右手拿起一个杯子的运动实验任务;当t=24s时,停止想象任务,每个受试者对每类想象任务完成后,稍作休息再重复以上试验。
在步骤S02中,对运动想象脑电数据进行预处理。其中,预处理包括通道筛选定位、脑电信号数据滤波、数据归一化、数据集构建等。因为设备有32个通道,因此需要选择对运动想象比较敏感的通道,这样能大大减少训练的数据量,减少训练时间,在这里我们选择对运动想象比较敏感的6个通道(分别表示为F3,FC5,T7,F4,FC6,T8)。将选出的6个通道中每个通道获取的每个样本的幅值都减去其前4s安静时的平均幅值,这样可以来分辨刺激事件到底让被试者产生了怎样的活动,并且还可以防止数据漂移带来的影响,便于对其过程进行分析。进一步地,对六个通道的脑电信号进行8~30Hz的带通滤波。为了更好的得到训练模型,提升模型地收敛速度,提升模型地精度和防止出现梯度爆炸的情况,将上面处理过的数据归一化到[-1,1]区间。然后对20s的数据进行分段,如可分别采用0.5、1、1.5、2、2.5、3、3.5、4、4.5、5(单位s)的窗口大小以50%的重叠取出实验样本,最后得到10个窗口大小不同的数据集,完成数据集构建过程。
在步骤S03中,构建多尺度混合卷积神经模块。多尺度混合卷积神经模块至少包括一个一维卷积子网络和一个二维卷积子网络。一维卷积子网络至少包括三个一维卷积支路,通过三个一维卷积支路相互独立地获取脑电数据的全局信息、局部信息以及原始数据信息,且每条支路只针对三种信息中的一种进行特征提取;三个一维卷积支路通过不同大小的一维卷积核对脑电数据集进行特征提取后,分别输入一个最大池化层,保持各卷积支路输出维度一致。二维卷积子网络至少包括三个二维卷积支路,通过所述三个二维卷积支路相互独立地分别获取脑电数据集的全局信息、局部信息以及原始数据;三个二维卷积支路通过不同大小的二维卷积核对脑电数据集进行特征提取后,分别输入一个最大池化层,保持各卷积支路输出维度一致。
在一实施例中,用于提取全局信息的卷积核>用于提取局部信息的卷积核>用于提取原始数据信息的卷积核。
多尺度混合卷积神经网络还包括特征拼接层,将各卷积子网络获取的特征输入特征拼接层,获取融合特征作为多尺度混合卷积神经网络的输出。
具体地,请参阅图2,以一个一维卷积子网络和一个二维卷积子网络构成的多尺度混合卷积神经网络为例,将步骤S02中预处理的数据分别送入2D卷积子网络和1D卷积子网络进行特征提取。经过预处理的数据分为两个输入,在一维卷积子网络中,样本数据经过一个较大卷积核的一维卷积Conv1D-1,后面加一个最大池化层Pooling1-1,提取样本每个通道的整体信息(即全局信息);接着使用较小卷积核的一维卷积Conv1D-2,后面加一个最大池化层Pooling1-2,提取样本每个通道的细节信息(即局部信息);最后使用核为1的一维卷积Conv1D-3,最大化的保留原始数据的信息,并且通过Pooling1-3调整其数据的通道,使其与前面的输出的维度一致。可选地,Conv1D-2可设置多个并行结构,进行特征提取,以丰富细节信息。
在2D卷积子网络中,首先样本数据经过一个较大卷积核的二维卷积Conv2D-1,后面加一个最大池化层Pooling2-1,提取样本的整体信息;接着使用较小卷积核的二维卷积Conv2D-2,后面加一个最大池化层Pooling2-2,提取样本的细节信息;最后使用1*1的卷积核的二维卷积Conv2D-3,最大化的保留原始数据的信息,并通过Pooling2-3能改变其数据的通道,使其与前面的输出的维度一样。可选地,Conv2D-2可设置多个并行结构,进行特征提取,以丰富细节信息。经过多尺度混合卷积模块,提取了样本的整体信息和细节信息,并且将原始数据的特征信息最大化的向下传递,在二维卷积中还保留了通道与通道之间的相互联系。
在一实施例中,在进行特征拼接时,将一维和二维卷积子网络的输出进行三个维度的拼接。三个维度分别为:第一个维度是数据批次batch,第二个维度是通道数,第三个维度是每个通道上的数据量。通过三个维度拼接保持最终输出数据的一致性。
在步骤S04中,构建分类模块,分类模块可采用将多尺度混合卷积模块提取的特征数据送入LSTM网络进行分类。LSTM网络适合处理时间序列信号,并且可以防止梯度爆炸和梯度消失。LSTM网络包括遗忘门,输入门,更新门和输出门。
遗忘门:ft=δ(Wf·[ht-1,xt]+bf)
输出门:ht=δ(Wo·[ht-1,xt]+bo)·tanh(Ct)
其中ft表示遗忘门的输出,Wf、Wi、Wc、Wo表示权重矩阵,ht-1表示前一时刻隐藏层的输出,xt表示当前时刻的输入,bf、bi、bc、bo表示偏置,it和表示输出门经过不同激活函数的输出,Ct-1表示上一时刻更新门的输出,Ct表示这一时刻更新门的输出;δ表示Sigmod激活函数,其表达式是其中z表示的是输入样本数据;tanh表示的是双曲正切激活函数,其表达式是同样z表示输入样本数据。
在反向传播中使用随机梯度下降,训练模型参数使其收敛。损失函数使用交叉熵损失函数,其标准形式如下:
其中x表示该样本预测的概率,y表示实际的标签,n表示样本总数量。
在损失Loss上使用Flooding的改进方法,改进的方法如下:当训练的Loss大于一个阈值时,模型进行正常的梯度下降;当训练的Loss低于阈值时,反过来进行梯度上升,让训练Loss保持在阈值附近,让模型持续进行随机梯度下降,使模型能被优化到一个平坦的损失区域,这样能使验证的Loss达到更好的下降效果,其数学表达式为:
Loss=|Loss-b|+b
其中,b为损失函数阈值。
重复迭代上述过程,调整梯度下降中的数据批次大小、学习率和迭代次数等超参数,使模型有更好的泛化能力和准确率。
在步骤S05中,输入测试集测试模型性能。模型训练完成之后,分别将不同窗口取样的测试数据集送入相应的训练模型,得出不同窗口取样数据集的准确率,然后绘制每个数据集训练、验证、测试的准确率,选择准确率最高,并且泛化能力强的模型,实现对脑电信号的分类。由于该网络模型层数少,参数量小,可以将该模型部署在实时的控制设备上,比如轮椅和机械臂,为实现脑-机接口提出了一种新颖的方法。
本实施例中还提供了一种运动意图识别系统,用于执行前述方法实施例中所述的脑电运动意图识别方法。由于系统实施例的技术原理与前述方法实施例的技术原理相似,因而不再对同样的技术细节做重复性赘述。
在一实施例中,运动意图识别系统,包括:
数据获取模块,用于获取基于运动意图的脑电数据;
运动意图识别模块,用于将所述脑电数据分别经过至少两个不同维度的特征提取后,将得到的各维度的特征拼接后进行分类,获取分类准确率最高的运动意图识别模型并输出分类结果。
综上所述,本发明一种脑电运动意图识别方法及系统,将卷积核大小不同的一维与二维卷积神经网络进行结合对预处理的数据进行特征提取,既保留了脑电信号通道间的相互关联,也保留了每个通道的独立特征信息;并且使用不同大小的卷积核,提取了脑电信号的整体特征以及细节特征信息,不同尺度的特征信息可有效丰富脑电信号的特征表达,进而有效提高识别的准确性;将多尺度混合卷积神经网络提取的特征传入LSTM进行分类,充分利用LSTM网络对时间序列特征提取的优势,同时使用Flooding方法改进的交叉熵损失函数,让模型持续进行随机梯度下降,使模型能被优化到一个平坦的损失区域,有利于提高脑电信号分类的识别率。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种脑电运动意图识别方法,其特征在于,包括:
获取基于运动意图的脑电数据集;
将所述脑电数据集分别经过至少两个不同维度的特征提取后,将得到的各维度的特征拼接后进行分类,获取分类准确率最高的运动意图识别模型并输出分类结果。
2.根据权利要求1所述的脑电运动意图识别方法,其特征在于,获取基于运动意图的脑电数据集,包括:
目标对象进行运动想象过程中,采集目标对象的多通道脑电数据,并对所述多通道脑电数据进行预处理,得到所述基于运动意图的脑电数据集;其中,预处理包括通道筛选、脑电数据滤波、数据归一化、数据集构建。
3.根据权利要求2所述的脑电运动意图识别方法,其特征在于,所述运动想象过程包括想象执行指定动作,不执行任何指定动作。
4.根据权利要求3所述的脑电运动意图识别方法及系统,其特征在于,经过通道筛选后,将筛选出的各通道数据减去不执行任何指定动作情况下预设时间段内数据幅度均值,得到各通道的脑电数据并输出。
5.根据权利要求1所述的脑电运动意图识别方法,其特征在于,构建多尺度混合卷积模块,通过所述多尺度混合卷积神经网络中的至少一个一维卷积子网络和一个二维卷积子网络对所述脑电数据集进行特征提取。
6.根据权利要求5所述的脑电运动意图识别方法,其特征在于,所述一维卷积子网络至少包括三个一维卷积支路,通过所述三个一维卷积支路相互独立地获取所述脑电数据集的全局信息、局部信息以及原始数据信息,且每条支路只针对三种信息中的一种进行特征提取;
所述三个一维卷积支路通过不同大小的一维卷积核对所述脑电数据集进行特征提取后,分别输入一个最大池化层,保持各卷积支路输出维度一致。
7.根据权利要求5所述的脑电运动意图识别方法,其特征在于,所述二维卷积子网络至少包括三个二维卷积支路,通过所述三个二维卷积支路分别相互独立地获取所述脑电数据集的全局信息、局部信息以及原始数据信息,且每条支路只针对三种信息中的一种进行特征提取;
所述三个二维卷积支路通过不同大小的二维卷积核对所述脑电数据集进行特征提取后,分别输入一个最大池化层,保持各卷积支路输出维度一致。
8.根据权利要求5所述的脑电运动意图识别方法,其特征在于,所述多尺度混合卷积神经网络包括特征拼接层,将各卷积子网络获取的特征输入所述特征拼接层,获取融合特征作为所述多尺度混合卷积神经网络的输出。
9.根据权利要求1所述的脑电运动意图识别方法,其特征在于,构建分类模块,并设置所述分类网络的损失函数阈值,在进行网络更新迭代时,所述损失函数的值大于所述损失函数阈值时,通过梯度下降更新网络参数;当所述损失函数的值小于所述损失函数阈值时,通过梯度上升,使损失函数值保持在阈值附近指定范围对网络参数进行更新。
10.一种脑电运动意图识别系统,其特征在于,包括:
数据获取模块,用于获取基于运动意图的脑电数据集;
运动意图识别模块,用于将所述脑电数据集分别经过至少两个不同维度的特征提取后,将得到的各维度的特征拼接后进行分类,获取分类准确率最高的运动意图识别模型并输出分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110050376.3A CN112784892A (zh) | 2021-01-14 | 2021-01-14 | 一种脑电运动意图识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110050376.3A CN112784892A (zh) | 2021-01-14 | 2021-01-14 | 一种脑电运动意图识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112784892A true CN112784892A (zh) | 2021-05-11 |
Family
ID=75756771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110050376.3A Pending CN112784892A (zh) | 2021-01-14 | 2021-01-14 | 一种脑电运动意图识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784892A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113426015A (zh) * | 2021-06-30 | 2021-09-24 | 北京脑陆科技有限公司 | 深部脑内刺激的干预方法、装置、电子设备及存储介质 |
CN113655884A (zh) * | 2021-08-17 | 2021-11-16 | 河北师范大学 | 设备控制方法、终端及系统 |
CN113925517A (zh) * | 2021-09-22 | 2022-01-14 | 北京脑陆科技有限公司 | 基于脑电信号的认知障碍识别方法、装置及介质 |
CN114209342A (zh) * | 2022-01-28 | 2022-03-22 | 南京邮电大学 | 一种基于时空特征的脑电信号运动想象分类方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107961007A (zh) * | 2018-01-05 | 2018-04-27 | 重庆邮电大学 | 一种结合卷积神经网络和长短时记忆网络的脑电识别方法 |
CN109998532A (zh) * | 2019-06-04 | 2019-07-12 | 广州视源电子科技股份有限公司 | 基于多导联多结构聚合网络的心电信号识别方法和装置 |
CN110163180A (zh) * | 2019-05-29 | 2019-08-23 | 长春思帕德科技有限公司 | 运动想象脑电数据分类方法及系统 |
CN110309797A (zh) * | 2019-07-05 | 2019-10-08 | 齐鲁工业大学 | 融合CNN-BiLSTM模型和概率协作的运动想象识别方法及系统 |
CN110765920A (zh) * | 2019-10-18 | 2020-02-07 | 西安电子科技大学 | 基于卷积神经网络的运动想象分类方法 |
CN111012336A (zh) * | 2019-12-06 | 2020-04-17 | 重庆邮电大学 | 时空特征融合的并行卷积网络运动想象脑电图分类方法 |
-
2021
- 2021-01-14 CN CN202110050376.3A patent/CN112784892A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107961007A (zh) * | 2018-01-05 | 2018-04-27 | 重庆邮电大学 | 一种结合卷积神经网络和长短时记忆网络的脑电识别方法 |
CN110163180A (zh) * | 2019-05-29 | 2019-08-23 | 长春思帕德科技有限公司 | 运动想象脑电数据分类方法及系统 |
CN109998532A (zh) * | 2019-06-04 | 2019-07-12 | 广州视源电子科技股份有限公司 | 基于多导联多结构聚合网络的心电信号识别方法和装置 |
CN110309797A (zh) * | 2019-07-05 | 2019-10-08 | 齐鲁工业大学 | 融合CNN-BiLSTM模型和概率协作的运动想象识别方法及系统 |
CN110765920A (zh) * | 2019-10-18 | 2020-02-07 | 西安电子科技大学 | 基于卷积神经网络的运动想象分类方法 |
CN111012336A (zh) * | 2019-12-06 | 2020-04-17 | 重庆邮电大学 | 时空特征融合的并行卷积网络运动想象脑电图分类方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113426015A (zh) * | 2021-06-30 | 2021-09-24 | 北京脑陆科技有限公司 | 深部脑内刺激的干预方法、装置、电子设备及存储介质 |
CN113655884A (zh) * | 2021-08-17 | 2021-11-16 | 河北师范大学 | 设备控制方法、终端及系统 |
CN113925517A (zh) * | 2021-09-22 | 2022-01-14 | 北京脑陆科技有限公司 | 基于脑电信号的认知障碍识别方法、装置及介质 |
CN114209342A (zh) * | 2022-01-28 | 2022-03-22 | 南京邮电大学 | 一种基于时空特征的脑电信号运动想象分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784892A (zh) | 一种脑电运动意图识别方法及系统 | |
CN110069958B (zh) | 一种密集深度卷积神经网络的脑电信号快速识别方法 | |
CN108491077B (zh) | 一种基于多流分治卷积神经网络的表面肌电信号手势识别方法 | |
CN110367967B (zh) | 一种基于数据融合的便携型轻量化人脑状态检测方法 | |
CN114052735B (zh) | 一种基于深度领域自适应的脑电情绪识别方法及系统 | |
CN109598222B (zh) | 基于eemd数据增强的小波神经网络运动想象脑电分类方法 | |
CN110163180A (zh) | 运动想象脑电数据分类方法及系统 | |
CN111832416A (zh) | 一种基于增强卷积神经网络的运动想象脑电信号识别方法 | |
CN109740544B (zh) | 听觉注意状态觉醒度识别方法、装置及存储介质 | |
CN112450947B (zh) | 一种针对情绪唤醒度的动态脑网络分析方法 | |
CN110399846A (zh) | 一种基于多通道肌电信号相关性的手势识别方法 | |
CN112465069B (zh) | 一种基于多尺度卷积核cnn的脑电情绪分类方法 | |
CN113705398B (zh) | 基于卷积-长短期记忆网络音乐脑电时空特征分类方法 | |
CN113180659A (zh) | 一种基于三维特征和空洞全卷积网络的脑电情感识别系统 | |
CN114129163B (zh) | 基于脑电信号的多视图深度学习的情绪分析方法和系统 | |
CN113133769A (zh) | 基于运动想象脑电信号的设备控制方法、装置及终端 | |
CN115238796A (zh) | 基于并行damscn-lstm的运动想象脑电信号分类方法 | |
CN115273236A (zh) | 一种多模态的人体步态情感识别方法 | |
CN114781441A (zh) | Eeg运动想象分类方法及多空间卷积神经网络模型 | |
CN113128384B (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
CN114091529A (zh) | 一种基于生成对抗网络数据增强的脑电情感识别方法 | |
CN112259228B (zh) | 一种动态注意力网络非负矩阵分解的抑郁症筛选方法 | |
CN110321856B (zh) | 一种时频多尺度散度csp的脑机接口方法及装置 | |
CN117193537A (zh) | 一种基于自适应迁移学习的双分支卷积神经网络运动想象意图解码方法 | |
CN116628420A (zh) | 一种基于lstm神经网络元学习的脑电波信号处理方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210511 |
|
RJ01 | Rejection of invention patent application after publication |