CN112932503A - 基于4d数据表达和3dcnn的运动想象任务解码方法 - Google Patents
基于4d数据表达和3dcnn的运动想象任务解码方法 Download PDFInfo
- Publication number
- CN112932503A CN112932503A CN202110058756.1A CN202110058756A CN112932503A CN 112932503 A CN112932503 A CN 112932503A CN 202110058756 A CN202110058756 A CN 202110058756A CN 112932503 A CN112932503 A CN 112932503A
- Authority
- CN
- China
- Prior art keywords
- dipole
- dimensional
- motor imagery
- matrix
- sampling
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 238000005070 sampling Methods 0.000 claims abstract description 32
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 210000004761 scalp Anatomy 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims abstract description 3
- 239000002131 composite material Substances 0.000 claims abstract description 3
- 238000013507 mapping Methods 0.000 claims abstract 2
- 238000012545 processing Methods 0.000 claims abstract 2
- 210000004556 brain Anatomy 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 210000003710 cerebral cortex Anatomy 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 2
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 238000012800 visualization Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Psychiatry (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Computer Vision & Pattern Recognition (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)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了基于4D数据表达和3DCNN的运动想象任务解码方法，对原始运动想象脑电信号MI‑EEG进行基线校正和带通滤波处理；将预处理后的MI‑EEG信号从低维头皮空间映射到高维脑皮层空间，获得偶极子源估计；结合偶极子坐标系转换、插值和体积下采样等操作，构建3D偶极子幅值矩阵；在TOI内设置滑窗，将窗内采样时刻对应的3D偶极子幅值矩阵按照采样顺序堆叠为4D偶极子特征矩阵；设计三模块级联结构的三维卷积神经网络3M3DCNN，对4DDFM含有的三维空间位置信息以及一维时间信息的复合特征进行提取和识别，实现运动想象任务解码；本发明避免了ROI的选择带来的大量信息丢失，并省去了时频分析等复杂操作步骤，有效提高了脑电信号的识别效果。
Description
技术领域
本发明涉及脑源成像(ESI)和三维卷积神经网络(3DCNN)，用于运动想象脑电信号(MI-EEG)识别技术领域。具体涉及：基于sLORETA算法解决脑电逆问题，结合偶极子坐标系转换、插值、体积下采样与时间段的优选(TOI)生成四维偶极子特征矩阵(4DDFM)，该矩阵包含了在真实的空间位置中偶极子幅值随时间的变化信息。最后，基于4DDFM特性设计了三模块级联结构的3DCNN(3M3DCNN)，对4DDFM进行特征提取与识别，实现运动想象脑电信号的分类。
背景技术
脑机接口(BCI)可以为大脑和计算机或其他外部设备之间建立连接，不依赖于外周神经和肌肉组织等常规大脑信息输出通路。EEG信号由于具有高时间分辨率、采集成本较低等特点，在康复系统中得到了广泛的应用。但因其空间分辨率低，使得很难从传感器域收集更多信息。利用ESI技术，将头皮层的电极转换为大脑皮层中具有高空间分辨率的偶极子，可以有效改善MI-EEG的不足。
CNN作为深度学习中最具有代表性算法之一，已被广泛应用于解码运动想象任务，在BCI研究中取得了重大进展。近些年，不少研究人员将ESI技术与CNN结合用于识别脑电信号，具有良好效果。能否成功识别运动意图的关键取决于该数据特征是否可以如实地反映由运动想象引起的头皮层活动。由于脑源域的偶极子信息庞大，现有研究均对偶极子进行感兴趣区域的选择(ROI)后进行时频分析，造成大量信息丢失。尽管现有研究中用到了最先进的3DCNN技术，其数据特征却为二维图沿时间维度或偶极子个数堆叠而构成的三维数据，与3DCNN的物理意义不匹配，识别效果并没有得到明显提升。
发明内容
针对上述不足之处，本发明提供一种基于4D数据表达和3D3MCNN在脑源域的MI-EEG识别方法。
(1)通过求解脑电逆问题，将传感器域的电极转换为源域中具有高空间分辨率的偶极子，改善由MI-EEG的低空间分辨率以及体积传导效应带来的不利影响。
(2)计算每类运动想象任务的偶极子平均成像图，根据平均成像图差异最大的采样时刻进行个性化TOI的选择。
(3)通过偶极子坐标变换、插值与体积下采样等操作，对TOI内每一采样时刻构建带有准确偶极子空间位置的3D偶极子幅值矩阵，并按照采样顺序堆叠为4DDFM，该特征矩阵包含了在真实的空间位置中偶极子幅值随时间的变化信息。
(4)利用滑动窗口技术将得到的4DDFM进行数据扩充，其数据量扩大为原来的三倍。并输入到设计的3M3DCNN中，对其复合特征进行提取与分类。
本发明的具体步骤如下：
Step1 EEG信号的预处理。
Step1.1假设
为头皮层的运动想象脑电信号，其中m∈{1，2，3，4}代表运动想象类别标签，Nc和T分别代表电极数量和采样时刻，R代表实数据集。
Step1.2选取运动想象静息态时段作为基准参考线，对每导联进行基线校正。并根据神经生理学理论，对校正后的脑电信号进行8-32Hz带通滤波，得到运动想象特征明显的脑电信号，记为
Step2基于sLORETA求解脑电逆问题。
Step2.1建立脑电正模型，假设脑电正问题可以表达为：
其中
由边界元法获得，代表导联场矩阵，
代表偶极子电流密度，n为噪声，Nd为偶极子个数。
Step2.2通过求解脑电逆问题，获得偶极子源估计，其分布模型表达为：
式中，k代表偶极子序列，t代表采样点个数。
科
表由下式求解：
式中，λ为正则化参数。
Step3四维偶极子特征矩阵4DDFM的构建。
Step3.1个性化TOI的挑选。将得到的偶极子成像图按运动想象类别计算各类任务的偶极子平均成像图，并将各类任务间偶极子平均成像图空间分布差异最大的采样时刻作为td，保留td前、后各两个采样时刻，形成TOI＝[td-2，td+2]。
Step3.2偶极子坐标系的转换。原始偶极子坐标建立在Subject CoordinateSystem(SCS)坐标系下，坐标值表示为Dscs，由于其坐标值存在负值，故通过转换矩阵Tf(4×4)将SCS坐标系转换至Magnetic Resonance Imaging(MRI)坐标系，该坐标值均为正值，可表示为DMRI，此变换可以更好地构建4DDFM。
Step3.3 TOI内三维偶极子幅值矩阵的生成。对TOI内每一个采样时刻，将全部偶极子的幅值赋于MRI坐标系对应位置，经插值与体积下采样，形成30×38×28大小的三维矩阵，该矩阵中含有10790个非零元素。
Step3.4四维特征矩阵的构成及数据增广。在TOI内设置滑窗，窗长为3，步长为1；将滑窗内的3个采样时刻对应的三维偶极子幅值矩阵(30×38×28)合并成一个四维特征矩阵(30×38×28×3)，记为4DDFM；利用滑窗，使特征数据扩大为原来的三倍。该特征矩阵包含了在真实的空间位置中偶极子幅值随时间的变化信息，如实地反映由运动想象引起的脑皮层神经电生理活动。
Step4三模块级联3DCNN识别特征矩阵。
Step4.1基于4DDFM的时、空信息特点的三模块级联3DCNN(3M3DCNN)的结构设计。模块1和模块2具有相同的结构：含有两个3D卷积层和一个最大池化层，他们具有相同大小的卷积核(3×3×3)和步长(3×3×3)，两个卷积层的激活函数分别为RELU和SoftMax；模块3含有两个全连接层，将提取的空间特征进行展平，并输出类别。为了避免网络过拟合，并加速网络的训练过程，在三模块中均利用了批量归一化(BatchNormalization，BN)和Dropout技术。网络结构如表1：
表1 3M3DCNN网络结构
Step4.2用3M3DCNN识别4DDFM。将每次脑电实验获得的增广后3个四维偶极子特征矩阵构成总数据集，用于3M3DCNN的训练与测试，实现运动想像任务解码。
与现有技术相比，本发明具有以下优点：
(1)本发明应用了全部偶极子的幅值信息，避免了ROI的选择带来的大量信息丢失，并省去了时频分析等复杂操作步骤。
(2)本发明创建了一种四维数据特征表达形式，该特征利用了偶极子的原始幅值，不仅包含了偶极子的三维空间位置信息，还体现了偶极子的一维时间特性。
(3)本发明根据四维数据特征的特性设计了三模块级联结构的3DCNN，可以充分地对该四维特征矩阵进行时、空特征的提取与识别，有效提高了脑电信号的识别效果。
附图说明
图1为脑电采集实验时序图。
图2为本发明的方法流程图。
图3为四类运动想象任务在td时刻下的平均偶极子成像图。
图4为偶极子在不同坐标系下位置图。
图5为三维偶极子幅值矩阵的可视化。
图6为四维偶极子特征矩阵的可视化。
图7为本发明的算法流程图。
具体实施方式
本发明具体是在Windows10(64位)操作系统下的MatlabR2014仿真环境和Tensorflow环境下进行。
本发明使用的数据集为“BCICompetition2008”的Dataset2a，该数据集记录了9名受试者的EEG信号，由国际10-20标准的22导电极帽采集，采样频率为250Hz。数据分为训练集和测试集，每个受试者均进行576次实验(每类任务144实验，共四类运动想象任务)。如图1所示，实验共计7.5s，在t＝0s时，屏幕出现“+”字并伴有短暂的报警声，代表实验开始。在t＝2s时，屏幕出现指示箭头并保留1.25s，分别为左、右、上或下，对应为想象任务为左手、右手、舌头和脚。在t＝3s直至t＝6s时，受试者按照提示进行运动想象任务，持续3s。t＝6-7.5s，受试者休息，进行下一次实验。
基于上述运动想象脑电数据集，本发明的方法流程图如图2所示，以受试者S1为例，本发明具体实施步骤如下：
Step1 EEG信号的预处理。
Step1.1根据运动想象任务标签左手(m＝1)、右手(m＝2)、脚(m＝3)和舌头(m＝4)，为每类运动想象任务提取Mm∈R22×1875 22导联EEG信号，共1875个采样时刻。
Step1.2将0-2s作为运动想象静息态进行基线校正，对校正后的信号进行8-32Hz带通滤波，得到运动想象特征明显的脑电信号，记为
Step2基于sLORETA算法的脑电逆变换
Step2.1选择ICBM152模板头模型，通过边界元法得到导联场矩阵G∈R22×15002。
Step2.2基于sLORETA算法，将预处理后的脑电信号
进行脑电逆变换，由式(2)得到15002个偶极子的时间序列估计
Step3四维偶极子特征矩阵4DDFM的构建。
Step3.1 TOI的选择。分别计算左手、右手、脚和舌头四类运动想象任务的偶极子平均成像图，并将各类任务间偶极子平均成像图空间分布差异最大的采样时刻作为td，如图3所示。对td向前、后各延伸两个采样时刻，形成TOI＝[td-2，td+2]，其中第一个受试者td＝551，TOI＝[549，553]。
Step3.2偶极子坐标系的转换。将原始偶极子在三维空间SCS坐标系下的坐标Dscs∈R15002×3，通过转换矩阵Tf(4×4)转换至MRI坐标系下，DMRI∈R15002×3。不同坐标系下的偶极子位置如图4所示。
Step3.3 TOI内三维偶极子幅值矩阵的生成。在选定采样时刻下，将15002个偶极子的幅值赋于MRI坐标系对应位置，进行插值和体积下采样操作。插值后形成的三维偶极子幅值矩阵大小为197×233×189，考虑到计算机内存限制，将体积下采样因子设置为5，表示在三维空间中，每五个体素保留一个，形成30×38×28大小的三维矩阵，该矩阵保留了10790个非零元素。三维矩阵可视化如图5所示。
Step3.4四维特征矩阵的构成及数据增广。在TOI内设置滑窗，窗长为3，步长为1；将滑窗内的3个采样时刻对应的三维偶极子幅值矩阵(30×38×28)合并成一个四维偶极子特征矩阵(30×38×28×3)，记为4DDFM；利用滑窗，使特征数据扩大为原来的三倍，每个受试者含1728次实验。四维偶极子特征矩阵的可视化如图6所示。
Step4基于3M3DCNN分类。
基于4DDFM的时空特性，设计了三模块级联结构的3DCNN(3M3DCNN)用于特征提取与分类，采用10折交叉验证得出平均分类正确率。
对受试者S2，S3，…，S9的MI-EEG信号进行上述过程处理，得到10折交叉验证平均识别正确率如表2所示。
表2九个受试者10折交叉验证正确率
Claims (5)
1.基于4D数据表达和3DCNN的运动想象任务解码方法，其特征在于：
首先，对原始运动想象脑电信号MI-EEG进行基线校正和带通滤波处理；然后，利用脑源成像技术，将预处理后的MI-EEG信号从低维头皮空间映射到高维脑皮层空间，获得偶极子源估计；进而，挑选个性化的最优时间段TOI，并结合偶极子坐标系转换、插值和体积下采样等操作，构建3D偶极子幅值矩阵；接着，在TOI内设置滑窗，将窗内采样时刻对应的3D偶极子幅值矩阵按照采样顺序堆叠为4D偶极子特征矩阵，即4DDFM；利用滑窗，使特征数据扩大为原来的三倍；最后，设计三模块级联结构的三维卷积神经网络3M3DCNN，对4DDFM含有的三维空间位置信息以及一维时间信息的复合特征进行提取和识别，实现运动想象任务解码；
Step1MI-EEG信号的预处理；
Step2脑源域偶极子的获取；
Step3四维偶极子特征矩阵(4DDFM)的构建；
Step4用三模块级联3DCNN识别特征矩阵。
2.根据权利要求1所述的基于4D数据表达和3DCNN的运动想象任务解码方法，其特征在于：Step1中，Step1.1假设
为头皮层的脑电信号，其中m∈{1，2，4，4}代表运动想象类别标签，Nc和T分别代表电极数量和采样时刻，R代表实数据集。
Step1.2选取运动想象静息态时段作为基准参考线，对每导联进行基线校正；并根据神经生理学理论，对校正后的脑电信号进行8-32Hz带通滤波，得到运动想象特征明显的脑电信号，记为
3.根据权利要求1所述的基于4D数据表达和3DCNN的运动想象任务解码方法，其特征在于：Step2中，Step2.1建立脑电正模型；脑电正问题表达为：
其中，
代表导联场矩阵，
代表偶极子电流密度，n为噪声，Nd为偶极子个数；
Step2.2求解偶极子源分布；通过求脑电逆问题，将传感器域内低空间分辨率的MI-EEG信号转换为脑源域内的偶极子，获得具有高空间分辨率的偶极子源分布，其分布模型表达为：
式中，k代表偶极子序列，t代表采样点个数；
和
由下式求解：
式中，λ为正则化参数。
4.根据权利要求1所述的基于4D数据表达和3DCNN的运动想象任务解码方法，其特征在于：Step3中，Step3.1个性化TOI的挑选；计算各类运动想象任务的偶极子成像图，并将其空间分布差异最大的采样时刻定义为td，对td向前、后各延伸两个采样时刻，作为最优时间段，记为TOI＝[td-2，td+2]；
Step3.2偶极子坐标系的转换；原始偶极子坐标建立在SCS坐标系下，坐标值表示为Dscs；由于其坐标值存在负值，故利用转换矩阵Tf(4×4)将SCS坐标系转换至MRI坐标系，使其坐标值均为正值，表示为DMRI；
Step3.3TOI内三维偶极子幅值矩阵的生成；针对TOI内每个采样时刻，将全部偶极子的幅值赋于MRI坐标系对应位置，再经插值与体积下采样，形成30×38×28大小的三维偶极子幅值矩阵，其中含有非零元素10790个；
Step3.4四维特征矩阵的构成及数据增广；在TOI内设置滑窗，窗长为3，步长为1；将滑窗内的采样时刻对应的三维偶极子幅值矩阵合并成一个四维特征矩阵，记为4DDFM；利用滑窗，使特征数据扩大为原来的三倍；该特征矩阵包含在真实的空间位置中偶极子幅值随时间的变化信息，如实反映由运动想象引起的脑皮层神经电生理活动。
5.根据权利要求1所述的基于4D数据表达和3DCNN的运动想象任务解码方法，其特征在于：Step4中，Step4.1基于4DDFM的时、空信息特点的三模块级联3DCNN的结构设计；模块1和模块2具有相同的结构：含有两个3D卷积层和一个最大池化层，具有相同大小的卷积核和步长，两个卷积层的激活函数分别为RELU和SoftMax；模块3含有两个全连接层，将提取的空间特征进行展平，并输出类别；为避免网络过拟合，并加速网络的训练过程，在三模块中均利用了批量归一化BN和Dropout技术；
Step4.2用3M3DCNN识别4DDFM；将每次脑电实验获得的增广后的3个四维偶极子特征矩阵构成总数据集，用于3M3DCNN的训练与测试，实现运动想象任务解码。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110058756.1A CN112932503B (zh) | 2021-01-16 | 2021-01-16 | 基于4d数据表达和3dcnn的运动想象任务解码方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110058756.1A CN112932503B (zh) | 2021-01-16 | 2021-01-16 | 基于4d数据表达和3dcnn的运动想象任务解码方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112932503A true CN112932503A (zh) | 2021-06-11 |
| CN112932503B CN112932503B (zh) | 2023-05-02 |
Family
ID=76235393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110058756.1A Active CN112932503B (zh) | 2021-01-16 | 2021-01-16 | 基于4d数据表达和3dcnn的运动想象任务解码方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112932503B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114631830A (zh) * | 2022-03-12 | 2022-06-17 | 北京工业大学 | 基于d-k分区的简化分布式偶极子模型建立与识别方法 |
| CN116491960A (zh) * | 2023-06-28 | 2023-07-28 | 南昌大学第一附属医院 | 脑瞬态监测设备、电子设备及存储介质 |
| CN116898455A (zh) * | 2023-07-06 | 2023-10-20 | 湖北大学 | 一种基于深度学习模型的睡眠脑电信号检测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180276822A1 (en) * | 2015-09-07 | 2018-09-27 | The Regents Of The University Of California | Ultra-dense electrode-based brain imaging system |
| CN108829257A (zh) * | 2018-08-21 | 2018-11-16 | 北京工业大学 | 一种运动想象脑电信号的特征提取方法 |
| CN109199376A (zh) * | 2018-08-21 | 2019-01-15 | 北京工业大学 | 基于oa-wmne脑源成像的运动想象脑电信号的解码方法 |
| CN109726751A (zh) * | 2018-12-21 | 2019-05-07 | 北京工业大学 | 基于深度卷积神经网络识别脑电成像图的方法 |
| CN109965869A (zh) * | 2018-12-16 | 2019-07-05 | 北京工业大学 | 基于脑源域空间的mi-eeg识别方法 |
| CN110584660A (zh) * | 2019-09-05 | 2019-12-20 | 北京工业大学 | 基于脑源成像与相关性分析的电极选择方法 |
-
2021
- 2021-01-16 CN CN202110058756.1A patent/CN112932503B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180276822A1 (en) * | 2015-09-07 | 2018-09-27 | The Regents Of The University Of California | Ultra-dense electrode-based brain imaging system |
| CN108829257A (zh) * | 2018-08-21 | 2018-11-16 | 北京工业大学 | 一种运动想象脑电信号的特征提取方法 |
| CN109199376A (zh) * | 2018-08-21 | 2019-01-15 | 北京工业大学 | 基于oa-wmne脑源成像的运动想象脑电信号的解码方法 |
| CN109965869A (zh) * | 2018-12-16 | 2019-07-05 | 北京工业大学 | 基于脑源域空间的mi-eeg识别方法 |
| CN109726751A (zh) * | 2018-12-21 | 2019-05-07 | 北京工业大学 | 基于深度卷积神经网络识别脑电成像图的方法 |
| CN110584660A (zh) * | 2019-09-05 | 2019-12-20 | 北京工业大学 | 基于脑源成像与相关性分析的电极选择方法 |
Non-Patent Citations (1)
| Title |
|---|
| YIMIN HOU 等: "A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN", 《JOURNAL OF NEURAL ENGINEERING》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114631830A (zh) * | 2022-03-12 | 2022-06-17 | 北京工业大学 | 基于d-k分区的简化分布式偶极子模型建立与识别方法 |
| CN114631830B (zh) * | 2022-03-12 | 2024-08-09 | 北京工业大学 | 基于d-k分区的简化分布式偶极子模型建立与识别方法 |
| CN116491960A (zh) * | 2023-06-28 | 2023-07-28 | 南昌大学第一附属医院 | 脑瞬态监测设备、电子设备及存储介质 |
| CN116491960B (zh) * | 2023-06-28 | 2023-09-19 | 南昌大学第一附属医院 | 脑瞬态监测设备、电子设备及存储介质 |
| CN116898455A (zh) * | 2023-07-06 | 2023-10-20 | 湖北大学 | 一种基于深度学习模型的睡眠脑电信号检测方法及系统 |
| CN116898455B (zh) * | 2023-07-06 | 2024-04-16 | 湖北大学 | 一种基于深度学习模型的睡眠脑电信号检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112932503B (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112932503A (zh) | 基于4d数据表达和3dcnn的运动想象任务解码方法 | |
| Armanious et al. | Unsupervised medical image translation using cycle-MedGAN | |
| CN110288018B (zh) | 一种融合深度学习模型的WiFi身份识别方法 | |
| CN108446730B (zh) | 一种基于深度学习的ct肺结节检测装置 | |
| Du et al. | Skeleton based action recognition with convolutional neural network | |
| WO2020133636A1 (zh) | 前列腺手术中外包膜智能检测和预警方法及系统 | |
| CN109965869B (zh) | 基于脑源域空间的mi-eeg识别方法 | |
| CN110969245B (zh) | 医学图像的目标检测模型训练方法和装置 | |
| CN106469316A (zh) | 基于超像素级信息融合的高光谱图像的分类方法及系统 | |
| CN111914925B (zh) | 一种基于深度学习的患者行为多模态感知与分析系统 | |
| CN112288645B (zh) | 一种颅骨面貌复原模型构建方法及复原方法与系统 | |
| CN113951883B (zh) | 基于脑电信号情绪识别的性别差异性检测方法 | |
| Shivashankara et al. | ECG-Image-Kit: a synthetic image generation toolbox to facilitate deep learning-based electrocardiogram digitization | |
| Li et al. | A novel decoding method for motor imagery tasks with 4D data representation and 3D convolutional neural networks | |
| Lee et al. | An EigenECG network approach based on PCANet for personal identification from ECG signal | |
| CN112932504B (zh) | 偶极子成像与识别方法 | |
| CN112884062B (zh) | 一种基于cnn分类模型和生成对抗网络的运动想象分类方法及系统 | |
| Li et al. | Learning to distill global representation for sparse-view CT | |
| Huang et al. | Geometry-aware GAN for face attribute transfer | |
| CN116035598B (zh) | 一种睡眠纺锤波智能识别方法及系统 | |
| CN112932497A (zh) | 一种不平衡单导联心电数据分类方法及系统 | |
| CN110432899B (zh) | 基于深度堆叠支持矩阵机的脑电信号识别方法 | |
| CN116421200A (zh) | 一种基于并行训练的多任务混合模型的脑电情感分析方法 | |
| CN105241813B (zh) | 压缩采样光声显微成像方法及装置 | |
| Jian et al. | Towards reliable object representation via sparse directional patches and spatial center cues |
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 |