CN113159222A - 脑电信号分类方法、装置及存储介质 - Google Patents
脑电信号分类方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113159222A CN113159222A CN202110531895.1A CN202110531895A CN113159222A CN 113159222 A CN113159222 A CN 113159222A CN 202110531895 A CN202110531895 A CN 202110531895A CN 113159222 A CN113159222 A CN 113159222A
- Authority
- CN
- China
- Prior art keywords
- target
- neighborhood
- electroencephalogram signal
- classification
- 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
- G06F18/23—Clustering techniques
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种脑电信号分类方法、装置及存储介质,属于计算机技术领域,该方法包括:获取待分类的n个目标脑电信号;基于自适应邻域搜索算法,确定n个目标脑电信号中每个目标脑电信号的邻域;基于局部切空间排列算法,使用每个目标脑电信号的邻域将每个目标脑电信号的高维数据映射至同一低维子空间中,得到降维后的数据特征;使用聚类算法对降维后的数据特征进行分类,得到n个目标脑电信号的分类结果;可以解决由于信号衰减导致的分类边界漂移,脑电信号被错误分类的问题;通过自适应邻域搜索算法可以度量局部线性度扩大邻域,将由于衰减而漂移的类边界点正确分类,提高脑电信号分类的准确性。
Description
【技术领域】
本申请涉及一种脑电信号分类方法、装置及存储介质,属于计算机技术领域。
【背景技术】
脑电信号是非线性、非平稳的时序信号,可通过头皮上电极的传感器检测,这些信号是神经元膜电位的外部表现。通过对脑电信号进行分类,可以实现对动作或疾病的识别。
由于脑电信号从产生到收集会由于网络、通信、设备、环境等干扰、以及采集对象的状态等因素产生信号衰减,信号衰减能够使原始的脑电信号的密度降低,从而导致不同分类的脑电信号的边界模糊,对信号的特征提取和分类产生不良影响的问题。
【发明内容】
本申请提供了一种脑电信号分类方法、装置及存储介质,可以解决由于信号衰减导致的分类边界漂移,脑电信号被错误分类的问题。本申请提供如下技术方案:
第一方面,提供一种脑电信号分类方法,所述方法包括:
获取待分类的n个目标脑电信号,所述n为大于1的整数;
基于自适应邻域搜索算法,确定所述n个目标脑电信号中每个目标脑电信号的邻域;
基于局部切空间排列算法,使用所述每个目标脑电信号的邻域将每个目标脑电信号的高维数据映射至同一低维子空间中,得到降维后的数据特征;
使用聚类算法对所述降维后的数据特征进行分类,得到所述n个目标脑电信号的分类结果。
可选地,每个目标脑电信号在邻域上局部线性,所述基于自适应邻域搜索算法,确定所述n个目标脑电信号中每个目标脑电信号的邻域,包括:
对于每个目标脑电信号,构造所述目标脑电信号的候选邻居集,所述候选邻居集中候选邻居的数量为预设数值,所述预设数值大于或等于所述低维子空间的维数;
确定所述候选邻居集中的候选邻居加入所述目标脑电信号的邻域后,所述邻域是否保持局部线性;所述候选邻居在加入所述邻域之前不属于所述邻域;
在所述邻域保持局部线性时,确定将所述候选邻居加入所述邻域,并触发执行所述确定所述候选邻居集中的候选邻居加入所述目标脑电信号的邻域后,所述邻域是否保持局部线性的步骤,直至扩张后的邻域不再保持局部线性时停止,得到所述目标脑电信号的邻域。
可选地,所述确定所述候选邻居集中的候选邻居加入所述目标脑电信号的邻域后,所述邻域是否保持局部线性,通过下式表示:
其中,k是所述候选邻居集s中的一个候选邻居,满足d<k≤j;d为所述低维子空间的维数;j为所述预设数值;λi是第i个邻居的特征值;η为用于判断近似线性的判断阈值,η为预设常数。
可选地,所述基于局部切空间排列算法,使用所述每个目标脑电信号的邻域将每个目标脑电信号的高维数据映射至同一低维子空间中,得到降维后的数据特征,包括:
计算每个目标脑电信号的d维切空间的正交基;d为所述低维子空间的维数;
根据所述正交基得到所述邻域中每个邻居在切空间上的正交投影,得到所述邻域的局部坐标矩阵;
根据n个目标脑电信号的局部坐标矩阵,计算得到全局坐标矩阵;
通过优化所述全局坐标矩阵和所述局部坐标矩阵使全局重构误差最小,得到误差总和;
基于所述误差总和计算所述n个目标脑电信号中低维非线性嵌入流形的全局坐标映射,得到所述降维后的数据特征。
可选地,所述通过优化所述全局坐标矩阵和所述局部坐标矩阵使全局重构误差最小,得到误差总和,通过下式表示:
相应地,所述降维后的数据特征为第2个到第d+1个最优的全局坐标。
可选地,所述使用聚类算法对所述降维后的数据特征进行分类,得到所述n个目标脑电信号的分类结果,包括:
使用K最近邻分类算法对所述降维后的数据特征进行分类,得到所述n个目标脑电信号的分类结果。
可选地,所述使用K最近邻分类算法对所述降维后的数据特征进行分类,得到所述n个目标脑电信号的分类结果,包括:
计算不同的降维后的数据特征之间的欧式距离;
对于每个降维后的数据特征,选取与所述降维后的数据特征之间欧式距离最近的k个降维后的数据特征;
确定所述k个降维后的数据特征所属的类别中占比最大的类别,得到所述降维后的数据特征的分类结果。
可选地,所述获取待分类的n个目标脑电信号,包括:
获取初始脑电信号;
对所述初始脑电新信号进行预处理,得到所述n个目标脑电信号,所述预处理包括滤波处理和独立成分分析。
第二方面,提供一种脑电信号分类装置,所述装置包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现第一方面所述的脑电信号分类方法。
第三方面,提供一种计算机可读存储介质,所述存储介质中存储有程序,所述程序由所述处理器加载并执行以实现第一方面所述的脑电信号分类方法。
本申请的有益效果在于:通过获取待分类的n个目标脑电信号;基于自适应邻域搜索算法,确定n个目标脑电信号中每个目标脑电信号的邻域;基于局部切空间排列算法,使用每个目标脑电信号的邻域将每个目标脑电信号的高维数据映射至同一低维子空间中,得到降维后的数据特征;使用聚类算法对降维后的数据特征进行分类,得到n个目标脑电信号的分类结果;可以解决由于信号衰减导致的分类边界漂移,脑电信号被错误分类的问题;通过自适应邻域搜索算法可以度量局部线性度扩大邻域,将由于衰减而漂移的类边界点正确分类,提高脑电信号分类的准确性。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
【附图说明】
图1是本申请一个实施例提供的脑电信号分类方法的流程图;
图2是本申请一个实施例提供的脑电信号分类装置的框图;
图3是本申请另一个实施例提供的脑电信号分类装置的框图。
【具体实施方式】
下面结合附图和实施例,对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
脑电信号(Electroencephalogram,EEG)衰减包括数据丢失和数据失真两种情况。
对于数据丢失情况,目前的技术方案包括通过构建数学模型和数据结构,对丢失的数据进行仿真和模拟,删除丢失段落等。然而,这些方案由于难以对衰减的数据进行定位,而在数据丢失的情况中,主要通过已知的问题数据的位置来模拟丢失的数据。因此,这些方案不适用于更加广泛的数据衰减问题,如:不适用于由于衰减而漂移的类边界点被错误的分类的问题。
对于数据失真情况,目前的技术方案主要集中在去除伪影的技术上,但脑电信号衰减产生的原因复杂,只通过关注伪影并不能全面地反映这一问题,因此,去除伪影也无法解决由于衰减而漂移的类边界点被错误的分类的问题。
基于上述技术问题,本申请提供的脑电信号分类方法,通过改进的流形学习算法对衰减数据进行特征提取,该方法能够选取到每个脑电信号的尽可能大的邻域,从而防止由于衰减而漂移的类边界点被错误的分类的问题,从而提高脑电信号分类的准确性。
下面对本申请提供的脑电信号分类方法进行详细介绍。
可选地,本申请以各个实施例的执行主体为具有计算能力的电子设备为例进行说明,该电子设备可以为终端或服务器,该终端可以为计算机、笔记本电脑、平板电脑等,本实施例不对终端的类型和电子设备的类型作限定。电子设备与至少一个传感器通信相连,该传感器用于采集目标对象的脑电信号,目标对象可以为人、动物等生物,本实施例不对目标对象的类型作限定。
图1是本申请一个实施例提供的脑电信号分类方法的流程图。该方法至少包括以下几个步骤:
步骤101,获取待分类的n个目标脑电信号。n为大于1的整数。
可选地,n个目标脑电信号为至少一个传感器在预设时长内采集到的脑电信号,至少一个传感器用于采集脑电信号,比如:传感器为脑电记录电极。
比如:传感器的数量为22个,采样频率为250Hz,预设时长为事件指令发出后的3s,则每个传感器可以采集到250*3=750个脑电信号(或称采样点数据)。其中,事件指令是根据脑电信号的分类发出的,比如:脑电信号的分类包括左手运动想象任务,则事件指令包括左手指令;又比如:脑电信号的分类包括右手运动想象任务,则事件指令包括右手指令;又比如:脑电信号的分类包括双脚运动想象任务,则事件指令包括双脚指令;又比如:脑电信号的分类包括舌头运动想象任务,则事件指令包括舌头指令。在实际实现时,脑电信号的分类也可以为其它分类,本实施例不对脑电信号的分类方式作限定和采集脑电信号的时机作限定。
可选地,由于传感器采集脑电信号时,可能会采集到其它信号成分,比如:还会采集到肌电信号、眼电信号和/或心电信号等,为了避免其它信号成分的干扰,电子设备还需要获取初始脑电信号;对初始脑电新信号进行预处理,得到n个目标脑电信号。其中,所述预处理包括滤波处理和独立成分分析(Independent Component Correlation Algorithm,ICA)。通过滤波处理可以剔除噪声,通过独立成分分析可以剔除其它信号成分。
假设N个传感器中采集到的初始脑电信号为其中,为第M个传感器采集到的初始脑电信号,M依次为1至N的整数;i=1,2,…,m表示采样的时间顺序。根据ICA的假设,各个信号成分是统计独立的,则各个独立分量s(t)可以通过下式中的独立信号表示:
s(t)=Wx(t)
其中,W为解混矩阵,W是使用训练数据预先训练得到的。
步骤102,基于自适应邻域搜索算法,确定n个目标脑电信号中每个目标脑电信号的邻域。
本实施例中,通过自适应邻域搜索算法(Adaptive Neighborhood Select basedon Local Linearity,ANSLL)可以确定出每个目标脑电信号尽可能大的邻域,从而避免分类边界漂移时,信号分类结果不准确的问题。
假设每个目标脑电信号在邻域上局部线性,此时,对每一个目标脑电信号x构造一个包含j(j≥d)个邻居的候选邻居集s,其中,d为低维子空间的维数。具体地,基于自适应邻域搜索算法,确定n个目标脑电信号中每个目标脑电信号的邻域,包括:对于每个目标脑电信号(或者称为数据点或者采样点),构造目标脑电信号的候选邻居集,候选邻居集中候选邻居的数量为预设数值,预设数值大于或等于低维子空间的维数;确定候选邻居集中的候选邻居加入目标脑电信号的邻域后,邻域是否保持局部线性;候选邻居在加入邻域之前不属于邻域;在邻域保持局部线性时,确定将候选邻居加入邻域,并触发执行确定候选邻居集中的候选邻居加入目标脑电信号的邻域后,邻域是否保持局部线性的步骤,直至扩张后的邻域不再保持局部线性时停止,得到目标脑电信号的邻域。
本实施例中,确定候选邻居集中的候选邻居加入目标脑电信号的邻域后,邻域是否保持局部线性,通过下式表示:
其中,k是候选邻居集s中的一个候选邻居,满足d<k≤j;d为低维子空间的维数;j为预设数值;λi是第i个邻居的特征值;η为用于判断近似线性的判断阈值,η为预设常数。
在一个示例中,电子设备中设置的特征维度d、候选邻居集s的尺寸j和判断阈值η的取值参考下表一所示。需要补充说明的是,表一中的取值仅是示意性的,在实际实现时,上述参数也可以为其它数值,本实施例不对d、j和η的取值作限定。
表一:
参数 | 数值设置 |
特征维度d | 6 |
候选邻居集尺寸j | 13 |
判断阈值η | 0.95 |
步骤103,基于局部切空间排列算法,使用每个目标脑电信号的邻域将每个目标脑电信号的高维数据映射至同一低维子空间中,得到降维后的数据特征。
本实施例中,通过局部切空间排列算法(Local Tangent Space Alignment,LTSA)使用每个目标脑电信号的邻域先构造局部切空间,再基于该局部切空间构建全局坐标,得到降维后的数据特征。
具体地,电子设备计算每个目标脑电信号的d维切空间的正交基,d为低维子空间的维数;根据正交基得到邻域中每个邻居在切空间上的正交投影,得到邻域的局部坐标矩阵;根据n个目标脑电信号的局部坐标矩阵,计算得到全局坐标矩阵;通过优化全局坐标矩阵和局部坐标矩阵使全局重构误差最小,得到误差总和;基于误差总和计算n个目标脑电信号中低维非线性嵌入流形的全局坐标映射,得到降维后的数据特征。
本实施例中,根据正交基得到邻域中每个邻居在切空间上的正交投影,通过下式表示:
其中,Xi为点xi的邻域,Xi的下标集为I={i1,···,ik},θi为目标脑电信号xi的d维正交投影,Qi是目标脑电信号xi的d维正交基。
通过优化全局坐标矩阵和局部坐标矩阵使全局重构误差最小,得到误差总和,通过下式表示:
其中,表示Ti的Moor-Penrose广义逆,Ti为全局坐标矩阵,k为数据点数,I为单位矩阵,e为全1向量,Ei为局部重构误差矩阵;相应地,降维后的数据特征为第2个到第d+1个最优的全局坐标。其中,最优的全局坐标是指特征值最小的d个特征向量。
步骤104,使用聚类算法对降维后的数据特征进行分类,得到n个目标脑电信号的分类结果。
可选地,本实施例中,使用K最近邻分类(K-Nearest Neighbor,KNN)算法对降维后的数据特征进行分类,得到n个目标脑电信号的分类结果。
具体地,使用K最近邻分类算法对降维后的数据特征进行分类,得到n个目标脑电信号的分类结果,包括:计算不同的降维后的数据特征之间的欧式距离;对于每个降维后的数据特征,选取与降维后的数据特征之间欧式距离最近的k个降维后的数据特征;确定k个降维后的数据特征所属的类别中占比最大的类别,得到降维后的数据特征的分类结果。
不同的降维后的数据特征之间的欧式距离通过下式计算得到:
其中,j≠i,xi和xj为不同的降维后的数据特征。
综上所述,本实施例提供的脑电信号分类方法,通过获取待分类的n个目标脑电信号;基于自适应邻域搜索算法,确定n个目标脑电信号中每个目标脑电信号的邻域;基于局部切空间排列算法,使用中每个目标脑电信号的邻域将每个目标脑电信号的高维数据映射至同一低维子空间中,得到降维后的数据特征;使用聚类算法对降维后的数据特征进行分类,得到n个目标脑电信号的分类结果;可以解决由于信号衰减导致的分类边界漂移,脑电信号被错误分类的问题;通过自适应邻域搜索算法可以度量局部线性度扩大邻域,将由于衰减而漂移的类边界点正确分类,提高脑电信号分类的准确性。
为了更清楚地说明本实施例提供的脑电信号分类方法的准确性,将本申请提供的脑电信号分类方法与仅通过LTSA进行数据分类的精度进行比较,参考下表二。表二中,T01~T09表示对正常数据集S01~S09分别进行5%衰减后得到的数据集。根据表二可知,通过本申请提供的脑电信号分类方法处理5%信号衰减的数据集的分类精度优于仅使用LTSA进行数据分类方案。
表二:
图2是本申请一个实施例提供的脑电信号分类装置的框图。该装置至少包括以下几个模块:信号获取模块210、邻居搜索模块220、数据降维模块230和数据分类模块240。
信号获取模块210,用于获取待分类的n个目标脑电信号,所述n为大于1的整数;
邻居搜索模块220,用于基于自适应邻域搜索算法,确定所述n个目标脑电信号中每个目标脑电信号的邻域;
数据降维模块230,用于基于局部切空间排列算法,使用所述每个目标脑电信号的邻域将每个目标脑电信号的高维数据映射至同一低维子空间中,得到降维后的数据特征;
数据分类模块240,用于使用聚类算法对所述降维后的数据特征进行分类,得到所述n个目标脑电信号的分类结果。
相关细节参考上述方法实施例。
需要说明的是:上述实施例中提供的脑电信号分类装置在进行脑电信号分类时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将脑电信号分类装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的脑电信号分类装置与脑电信号分类方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图3是本申请一个实施例提供的脑电信号分类装置的框图,该装置可以是智能手机、平板电脑、笔记本电脑、台式电脑或服务器等。脑电信号分类装置还可能被称为用户设备、便携式终端、膝上型终端、台式终端、控制终端等,本实施例对此不作限定。该装置至少包括处理器301和存储器302。
处理器301可以包括一个或多个处理核心,比如:4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器301可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器301还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的脑电信号分类方法。
在一些实施例中,脑电信号分类装置还可选包括有:外围设备接口和至少一个外围设备。处理器301、存储器302和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地,外围设备包括但不限于:射频电路、触摸显示屏、音频电路、和电源等。
当然,脑电信号分类装置还可以包括更少或更多的组件,本实施例对此不作限定。
可选地,本申请还提供有一种计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的脑电信号分类方法。
可选地,本申请还提供有一种计算机产品,该计算机产品包括计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的脑电信号分类方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
上述仅为本申请的一个具体实施方式,其它基于本申请构思的前提下做出的任何改进都视为本申请的保护范围。
Claims (10)
1.一种脑电信号分类方法,其特征在于,所述方法包括:
获取待分类的n个目标脑电信号,所述n为大于1的整数;
基于自适应邻域搜索算法,确定所述n个目标脑电信号中每个目标脑电信号的邻域;
基于局部切空间排列算法,使用所述每个目标脑电信号的邻域将每个目标脑电信号的高维数据映射至同一低维子空间中,得到降维后的数据特征;
使用聚类算法对所述降维后的数据特征进行分类,得到所述n个目标脑电信号的分类结果。
2.根据权利要求1所述的方法,其特征在于,每个目标脑电信号在邻域上局部线性,所述基于自适应邻域搜索算法,确定所述n个目标脑电信号中每个目标脑电信号的邻域,包括:
对于每个目标脑电信号,构造所述目标脑电信号的候选邻居集,所述候选邻居集中候选邻居的数量为预设数值,所述预设数值大于或等于所述低维子空间的维数;
确定所述候选邻居集中的候选邻居加入所述目标脑电信号的邻域后,所述邻域是否保持局部线性;所述候选邻居在加入所述邻域之前不属于所述邻域;
在所述邻域保持局部线性时,确定将所述候选邻居加入所述邻域,并触发执行所述确定所述候选邻居集中的候选邻居加入所述目标脑电信号的邻域后,所述邻域是否保持局部线性的步骤,直至扩张后的邻域不再保持局部线性时停止,得到所述目标脑电信号的邻域。
4.根据权利要求1所述的方法,其特征在于,所述基于局部切空间排列算法,使用所述每个目标脑电信号的邻域将每个目标脑电信号的高维数据映射至同一低维子空间中,得到降维后的数据特征,包括:
计算每个目标脑电信号的d维切空间的正交基;d为所述低维子空间的维数;
根据所述正交基得到所述邻域中每个邻居在切空间上的正交投影,得到所述邻域的局部坐标矩阵;
根据n个目标脑电信号的局部坐标矩阵,计算得到全局坐标矩阵;
通过优化所述全局坐标矩阵和所述局部坐标矩阵使全局重构误差最小,得到误差总和;
基于所述误差总和计算所述n个目标脑电信号中低维非线性嵌入流形的全局坐标映射,得到所述降维后的数据特征。
6.根据权利要求1所述的方法,其特征在于,所述使用聚类算法对所述降维后的数据特征进行分类,得到所述n个目标脑电信号的分类结果,包括:
使用K最近邻分类算法对所述降维后的数据特征进行分类,得到所述n个目标脑电信号的分类结果。
7.根据权利要求6所述的方法,其特征在于,所述使用K最近邻分类算法对所述降维后的数据特征进行分类,得到所述n个目标脑电信号的分类结果,包括:
计算不同的降维后的数据特征之间的欧式距离;
对于每个降维后的数据特征,选取与所述降维后的数据特征之间欧式距离最近的k个降维后的数据特征;
确定所述k个降维后的数据特征所属的类别中占比最大的类别,得到所述降维后的数据特征的分类结果。
8.根据权利要求1所述的方法,其特征在于,所述获取待分类的n个目标脑电信号,包括:
获取初始脑电信号;
对所述初始脑电新信号进行预处理,得到所述n个目标脑电信号,所述预处理包括滤波处理和独立成分分析。
9.一种脑电信号分类装置,其特征在于,所述装置包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现如权利要求1至8任一项所述的脑电信号分类方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有程序,所述程序被处理器执行时用于实现如权利要求1至8任一项所述的脑电信号分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110531895.1A CN113159222A (zh) | 2021-05-17 | 2021-05-17 | 脑电信号分类方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110531895.1A CN113159222A (zh) | 2021-05-17 | 2021-05-17 | 脑电信号分类方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113159222A true CN113159222A (zh) | 2021-07-23 |
Family
ID=76876181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110531895.1A Pending CN113159222A (zh) | 2021-05-17 | 2021-05-17 | 脑电信号分类方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159222A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
US20160242699A1 (en) * | 2013-09-19 | 2016-08-25 | Tata Consultancy Services Limited | System and method for evaluating a cognitive load on a user corresponding to a stimulus |
CN107479685A (zh) * | 2016-06-07 | 2017-12-15 | 林闯 | 脑电控制方法和脑电控制装置 |
CN107748791A (zh) * | 2017-11-01 | 2018-03-02 | 西安交通大学 | 一种基于权值局部切空间排列改进算法的数据降维方法 |
CN111008590A (zh) * | 2019-12-03 | 2020-04-14 | 北方工业大学 | 基于多维特征提取无监督eeg信号分类方法 |
-
2021
- 2021-05-17 CN CN202110531895.1A patent/CN113159222A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
US20160242699A1 (en) * | 2013-09-19 | 2016-08-25 | Tata Consultancy Services Limited | System and method for evaluating a cognitive load on a user corresponding to a stimulus |
CN107479685A (zh) * | 2016-06-07 | 2017-12-15 | 林闯 | 脑电控制方法和脑电控制装置 |
CN107748791A (zh) * | 2017-11-01 | 2018-03-02 | 西安交通大学 | 一种基于权值局部切空间排列改进算法的数据降维方法 |
CN111008590A (zh) * | 2019-12-03 | 2020-04-14 | 北方工业大学 | 基于多维特征提取无监督eeg信号分类方法 |
Non-Patent Citations (1)
Title |
---|
詹宇斌 等: "流形学习中基于局部线性结构的自适应邻域选择", 《计算机研究与发展》, pages 578 - 579 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639535B (zh) | 基于深度学习的人脸识别方法及装置 | |
CN110672323B (zh) | 一种基于神经网络的轴承健康状态评估方法及装置 | |
CN110232318A (zh) | 穴位识别方法、装置、电子设备及存储介质 | |
CN110069129B (zh) | 确定系统和确定方法 | |
CN114305333A (zh) | 一种基于脑网络和深度学习的脑电信号识别方法 | |
CN102880862A (zh) | 一种人脸表情的识别方法及系统 | |
CN111950408A (zh) | 基于规则图的手指静脉图像识别方法、装置及存储介质 | |
CN111954250A (zh) | 一种轻量级Wi-Fi行为感知方法和系统 | |
CN111046969A (zh) | 数据筛选方法、装置、存储介质及电子设备 | |
Abdi Alkareem Alyasseri et al. | EEG channel selection using multiobjective cuckoo search for person identification as protection system in healthcare applications | |
JP6950504B2 (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
CN110910325B (zh) | 一种基于人工蝴蝶优化算法的医疗影像处理方法及装置 | |
Miah et al. | Movie Oriented Positive Negative Emotion Classification from EEG Signal using Wavelet transformation and Machine learning Approaches | |
CN113159222A (zh) | 脑电信号分类方法、装置及存储介质 | |
CN111700592A (zh) | 一种癫痫脑电自动分类模型的获取方法、系统及分类系统 | |
CN116662876A (zh) | 多模态认知决策方法、系统、装置、设备及存储介质 | |
CN112446307B (zh) | 基于局部约束的非负矩阵分解的心电身份识别方法及系统 | |
CN114548262A (zh) | 一种情感计算中多模态生理信号的特征级融合方法 | |
CN109614854B (zh) | 视频数据处理方法及装置、计算机装置及可读存储介质 | |
Zhao et al. | Manifold-based denoising, outlier detection, and dimension reduction algorithm for high-dimensional data | |
CN111638803A (zh) | 基于联邦迁移的脑电数据处理方法、装置、设备及介质 | |
CN113408556B (zh) | 身份识别方法及装置 | |
CN113842152B (zh) | 脑电信号分类网络训练方法、分类方法、设备及存储介质 | |
CN117056788B (zh) | 一种基于有监督对比学习的eeg信号分类方法、装置 | |
CN117076994B (zh) | 一种多通道生理时间序列分类方法 |
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 |