CN113221831A - 解码标签预测方法、模型建立方法、装置及电子设备 - Google Patents

解码标签预测方法、模型建立方法、装置及电子设备 Download PDF

Info

Publication number
CN113221831A
CN113221831A CN202110605787.4A CN202110605787A CN113221831A CN 113221831 A CN113221831 A CN 113221831A CN 202110605787 A CN202110605787 A CN 202110605787A CN 113221831 A CN113221831 A CN 113221831A
Authority
CN
China
Prior art keywords
feature vector
electroencephalogram signal
optimization
manifold
model
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
Application number
CN202110605787.4A
Other languages
English (en)
Inventor
刘泉影
尹万广
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.)
Southwest University of Science and Technology
Southern University of Science and Technology
Original Assignee
Southwest University of Science and Technology
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 Southwest University of Science and Technology filed Critical Southwest University of Science and Technology
Priority to CN202110605787.4A priority Critical patent/CN113221831A/zh
Publication of CN113221831A publication Critical patent/CN113221831A/zh
Pending legal-status Critical Current

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
    • G06F2218/02—Preprocessing
    • 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
    • G06F2218/16—Classification; Matching by matching signal segments
    • G06F2218/20—Classification; Matching by matching signal segments by applying autoregressive analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请公开一种解码标签预测方法、模型建立方法、装置及电子设备，涉及数据处理的技术领域。该解码标签预测方法包括获取人体进行动作想象时的目标脑电信号；对所述目标脑电信号进行滤波处理，得到滤波后的脑电信号；基于所述滤波处理后的脑电信号和预设的预测模型，得到预测的用于表征动作意图的解码标签，所述预测模型为利用黎曼流形优化后的偏最小二乘回归模型。本方案通过黎曼流形优化后的偏最小二乘回归模型对脑电信号进行解码，从而实现将欧氏空间的优化问题转化为黎曼流形空间的最优化问题，以便获得全局最优解，进而提高了预测解码标签的准确度。

Description

解码标签预测方法、模型建立方法、装置及电子设备
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种解码标签预测方法、模型建立方法、装置及电子设备。
背景技术
脑电(EEG，Electroencephalogram)信号是一种由脑细胞群之间以电离子形式传递信息而产生的生物电现象，是神经元电生理活动在头皮表面的总体反映。对BCI(BrainComputer Interface，脑机接口)进行EEG信号的解码从而得到对应的解码标签是实现脑与设备信息交换必不可少的过程，而现有的基于欧氏空间逐列求解隐因子的解码技术很难得到最优的解码标签。
发明内容
本申请提供一种解码标签预测方法、模型建立方法、装置及电子设备，以解决现有技术很难得到最优解码标签的问题。
第一方面，本申请提供一种解码标签预测方法，包括：获取人体进行动作想象时的目标脑电信号；对所述目标脑电信号进行滤波处理，得到滤波后的脑电信号；基于滤波处理后的脑电信号和预设的预测模型，得到预测的用于表征动作意图的解码标签，所述预测模型为利用黎曼流形优化后的偏最小二乘回归模型。
本申请实施例中，首先获取人体进行动作想象时的脑电信号，并对获取到的脑电信号进行滤波处理，然后通过黎曼流形优化后的偏最小二乘回归模型对脑电信号进行解码，从而实现将欧氏空间的优化问题转化为黎曼流形空间的最优化问题，以便获得全局最优解，进而提高预测解码标签的准确度。
结合上述第一方面提供的技术方案，在一些可能的实施方式中，建立所述预设的预测模型的步骤，包括：获取样本数据，所述样本数据包括脑电信号和所述脑电信号对应的解码标签；基于所述样本数据，构建所述脑电信号和所述解码标签的协方差矩阵；通过矩阵流形优化方法对所述协方差矩阵进行优化，得到目标函数模型，目标函数模型为表征脑电信号和解码标签的最大相关性的投影子空间的优化模型，所述目标函数模型包括第一特征向量、第二特征向量，所述第一特征向量表征脑电信号对应的投影子空间，所述第二特征向量表征解码标签对应的投影子空间；基于黎曼流形优化方法，对所述第一特征向量、所述第二特征向量进行优化，得到黎曼流形优化后的第一特征向量、第二特征向量；基于所述黎曼流形优化后的第一特征向量、第二特征向量和预设的偏最小二乘回归模型，得到表征所述脑电信号和所述解码标签对应关系的预测模型。
本申请实施例中，通过获取的样本数据构建脑电信号和解码标签的协方差矩阵，然后利用矩阵流形优化方法对协方差矩阵进行优化，得到目标函数模型，然后基于黎曼流形优化方法，对目标函数模型中包含的第一特征向量、所述第二特征向量进行优化，得到黎曼流形优化后的第一特征向量、第二特征向量，最后基于黎曼流形优化后的第一特征向量、第二特征向量和预设的偏最小二乘回归模型，得到脑电信号和解码标签的预测模型。通过黎曼流形优化方法对第一特征向量和第二特征向量进行优化，并结合预设的偏最小二乘回归模型，以得到黎曼流形优化后的预测模型，使得通过该预测模型得到的解码标签更精准。
结合上述第一方面提供的技术方案，在一些可能的实施方式中，所述通过矩阵流形优化方法对所述协方差矩阵进行优化，得到目标函数模型，包括：对所述协方差矩阵进行因子分解，得到残差项；基于矩阵流形优化方法对所述残差项进行迭代更新，得到目标函数模型。
本申请实施例中，通过对协方差矩阵进行因子分解，得到残差项，然后基于矩阵流形优化方法对残差项进行迭代更新，得到目标函数模型，通过多次迭代，使得得到的目标函数模型更加准确，进而使后续得到的黎曼流形优化后的第一特征向量和第二特征向量更精确。
结合上述第一方面提供的技术方案，在一些可能的实施方式中，所述第一特征向量和所述第二特征向量满足正交条件，所述基于黎曼流形优化方法，对所述第一特征向量、所述第二特征向量进行优化，得到黎曼流形优化后的第一特征向量、第二特征向量，包括：对所述第一特征向量、所述第二特征向量进行乘积流形优化；基于乘积流形优化后的第一特征向量和乘积流形优化后的第二特征向量，获得乘积空间，并基于所述乘积空间获得在流形切空间上的黎曼度量；基于所述黎曼度量，构建切空间投影的李雅普诺夫方程，并基于所述切空间投影的李雅普诺夫方程，得到切空间的黎曼梯度或者黎曼海森；基于所述切空间的黎曼梯度或者所述切空间的黎曼海森，构建水平空间投影的李雅普诺夫方程，并基于所述水平空间投影的李雅普诺夫方程，得到水平空间的黎曼梯度和水平空间的黎曼海森；基于所述水平空间的梯度和所述水平空间的海森矩阵利用共轭梯度算法或者信赖域方法求解所述目标函数模型，得到所述黎曼流形优化后的第一特征向量、第二特征向量。
本申请实施例中，首先通过乘积流形优化方法对第一特征向量、第二特征向量进行乘积流形优化，然后基于乘积流形优化后的第一特征向量和乘积流形优化后的第二特征向量，获得乘积空间，即欧式空间，再依次通过切空间投影的李雅普诺夫方程和水平空间投影的李雅普诺夫方程将乘积空间转换为水平空间的黎曼梯度或者水平空间的黎曼海森，最后基于水平空间的黎曼梯度或者黎曼海森，通过共轭梯度或者信赖域方法求解目标函数模型，得到黎曼流形优化后的第一特征向量、第二特征向量。通过切空间投影的李雅普诺夫方程和水平空间投影的李雅普诺夫方程将欧式空间的梯度或者海森矩阵投影到黎曼空间，转化为黎曼空间的黎曼梯度或者黎曼海森，因而将欧氏空间的优化问题转化为黎曼流形空间的最优化问题，以获得全局最优解，进而得到最优的解码标签。
结合上述第一方面提供的技术方案，在一些可能的实施方式中，在得到所述黎曼流形优化后的第一特征向量、第二特征向量后，所述方法还包括：将所述黎曼流形优化后的第一特征向量与预设的第一特征向量阈值进行比较，判断所述黎曼流形优化后的第一特征向量是否收敛到所述第一特征向量阈值；将所述黎曼流形优化后的第二特征向量与预设的第二特征向量阈值进行比较，判断所述黎曼流形优化后的第二特征向量是否收敛到所述第二特征向量阈值；若所述黎曼流形优化后的第一特征向量没有收敛到所述第一特征向量阈值和/或所述黎曼流形优化后的第二特征向量没有收敛到所述第二特征向量阈值，将所述黎曼流形优化后的第一特征向量、第二特征向量代入所述目标函数模型，再次进行黎曼流形优化，直至黎曼流形优化后的第一特征向量、第二特征向量分别收敛到所述第一特征向量阈值、所述第二特征向量阈值。
本申请实施例中，通过将黎曼流形优化后的第一特征向量、第二特征向量分别与预设的第一特征向量阈值、第二特征向量阈值进行比较，判断黎曼流形优化后的第一特征向量、第二特征向量是否分别收敛到第一特征向量阈值、第二特征向量阈值；若其中存在一项为否，将黎曼流形优化后的第一特征向量、第二特征向量代入目标函数模型，再次进行黎曼流形优化，直至黎曼流形优化后的第一特征向量、第二特征向量分别收敛到第一特征向量阈值、第二特征向量阈值，使得最终获得的黎曼流形优化后的第一特征向量、第二特征向量更加准确，进而使最终得到的预测模型能获得更优的解码标签。
第二方面，本申请提供一种模型建立方法，包括：获取样本数据，所述样本数据包括脑电信号和所述脑电信号对应的解码标签；基于所述样本数据，构建所述脑电信号和所述解码标签的协方差矩阵；通过矩阵流形优化方法对所述协方差矩阵进行优化，得到目标函数模型，目标函数模型为表征脑电信号和解码标签最大相关性的投影子空间的优化模型，所述目标函数模型包括第一特征向量、第二特征向量，所述第一特征向量表征脑电信号对应的投影子空间，所述第二特征向量表征解码标签对应的投影子空间；基于黎曼流形优化方法，对所述第一特征向量、所述第二特征向量进行优化，得到黎曼流形优化后的第一特征向量、第二特征向量；基于所述黎曼流形优化后的第一特征向量、第二特征向量和预设的偏最小二乘回归模型，得到表征所述脑电信号和所述解码标签对应关系的预测模型。
第三方面，本申请提供一种解码标签预测装置，包括：获取模块、处理模块，获取模块用于获取人体进行动作想象时的目标脑电信号；处理模块用于对所述目标脑电信号进行滤波处理，得到滤波后的脑电信号，并基于滤波处理后的脑电信号和预设的预测模型，得到预测的用于表征动作意图的解码标签，所述预测模型为利用黎曼流形优化后的偏最小二乘回归模型。
第四方面，本申请提供一种模型建立装置，包括：获取模块和优化模块，获取模块用于获取样本数据，所述样本数据包括脑电信号和所述脑电信号对应的解码标签；优化模块用于基于所述样本数据，构建所述脑电信号和所述解码标签的协方差矩阵；进而通过矩阵流形优化方法对所述协方差矩阵进行优化，得到目标函数模型，目标函数模型为表征脑电信号和解码标签最大相关性的投影子空间优化模型，所述目标函数模型包括第一特征向量、第二特征向量，所述第一特征向量表征脑电信号对应的投影子空间，所述第二特征向量表征解码标签对应的投影子空间；并基于黎曼流形优化方法，对所述第一特征向量、所述第二特征向量进行优化，得到黎曼流形优化后的第一特征向量、第二特征向量；最后基于所述黎曼流形优化后的第一特征向量、第二特征向量和预设的偏最小二乘回归模型，得到表征所述脑电信号和所述解码标签对应关系的预测模型。
第五方面，本申请实施例提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器连接；所述存储器，用于存储程序；所述处理器，用于调用存储于所述存储器中的程序，以执行如上述第一方面实施例和/或结合上述第一方面实施例的任一种可能的实施方式提供的方式，或者执行如上述第二方面实施例的方法。
第六方面，本申请实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序被计算机运行时，执行如上述第一方面实施例和/或结合上述第一方面实施例的任一种可能的实施方式提供的方式，或者执行如上述第二方面实施例的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请一实施例示出的解码标签预测方法的流程示意图；
图2为本申请一实施例示出的黎曼流形优化原理图；
图3为本申请一实施例示出的模型建立方法的流程示意图；
图4为本申请一实施例示出的另一种模型建立方法的流程示意图；
图5为本申请一实施例示出的一种解码标签预测装置的结构框图；
图6为本申请一实施例示出的一种模型建立装置的结构框图；
图7为本申请一实施例示出的电子设备的结构示意图。
图标：100-解码标签预测装置；110-获取模块；120-处理模块；200-模型建立装置；210-获取模块；220-优化模块；300-电子设备；310-收发器；320-存储器；330-通讯总线；340-处理器。
具体实施方式
术语“第一”、“第二”等仅用于区分描述，并不表示排列序号，也不能理解为指示或暗示相对重要性。
下面将结合附图对本申请的技术方案进行清楚、完整地描述。
由于脑电信号是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映，其中包含了大量的生理信息，因而可以通过对脑电信号进行解码分析，达到某种控制目的。但现有的BCI(脑电接口)解码技术无法得到最优的解码标签，本申请提供一种解码标签预测方法，以解决上述技术问题。
请参阅图1，图1为本申请实施例提供的一种解码标签预测方法，下面将结合图1对其所包含的步骤进行说明。
步骤S110：获取人体进行动作想象时的目标脑电信号。
获取人体在进行动作想象时的目标脑电信号，此时获取的脑电信号中包含了动作想象的信息，其中，目标脑电信号可以是预先获取的，存储在数据库中，在需要时直接调用即可；或者是在需要时，实时获取的。其中，动作想象指人想象的例如前、后、左、右、上、下等动作，此处的前、后、左、右、上、下的示例仅是为了便于理解方案，不应作为对本申请的限制。
可选的，采集脑电信号的方式可以是深度电极(Depth electrode)、脑电图(Electroencephalography,EEG)、皮层脑电图(Electrocorticography,ECoG)、功能磁共振成像(FunctionalMagnetic Resonance Imaging,fMRI)中的任意一种。
步骤S120：对获取的脑电信号进行滤波处理，得到滤波后的脑电信号。
由于脑电信号是不具备各态历经性的非平稳随机信号，而且在进行脑电信号采集时，会受到周围噪声的干扰以及工频噪声的影响，导致采集到的脑电信号的背景噪声很强，因此，需要对获取的脑电信号进行滤波处理。其中，可以通过邻域比较数字滤波或巴特沃斯带通滤波器等方法对脑电信号进行滤波处理，以滤除其中的干扰噪声。
步骤S130：基于滤波处理后的脑电信号和预设的预测模型，得到预测的用于表征动作意图的解码标签。
将滤波处理后的脑电信号作为观测变量输入预设的预测模型中，从而得到用于表征动作意图的解码标签，该解码标签与作为观测变量的脑电信号的动作意图相同。
其中，黎曼流形优化方法的原理如图2所示，利用偏最小二乘回归(PLSR，Partialleast squares regression)的约束条件，将欧氏空间的PLSR求解转化成黎曼流形空间的矩阵流形优化问题，然后将其应用于运动想象脑机接口的EEG信号解码。如果流形与欧氏空间的某个子流形同胚，那么这个流形可以嵌入到欧氏空间。利用子流形嵌入定理，可以将计算空间分割为正交补的切空间和法空间，然后利用等价类关系，将切空间分割为正交补的水平空间和垂直空间。
其中，[x]表示等价类，
Figure BDA0003092612240000091
表示商空间，Rx(ξx)表示收缩算子，ξx表示切向量。将
Figure BDA0003092612240000092
称为全空间(total space)，或者计算空间(computationalspace)，其中R表示脑电信号X的R个潜在分量，M和N为常数，
Figure BDA0003092612240000093
表示实数。对2个Stiefel流形St(U,V)＝{UTU＝IM,VTV＝IN}进行同时优化，首先将计算空间分解成切空间和法空间
Figure BDA0003092612240000094
然后将切空间分解成水平空间和垂直空间
Figure BDA0003092612240000095
符号
Figure BDA0003092612240000096
表示直和运算，U和V为Stiefel流形，IN表示N维的单位阵，IM表示M维的单位阵。
其中，预测模型为利用黎曼流形优化后的偏最小二乘回归模型：
Ynew＝CXnew＝TnewQ*T＝XnewW(P*TW)-1DQT
其中C＝W*DQT＝W(P*TW)-1DQT表示回归系数，W表示权重矩阵，P和Q表示载荷矩阵，D为线性相关系数。
其中，该预设的预测模型，用于预测与脑电信号对应的用于表征动作意图的解码标签。在步骤S130之前，需要事先建立的该预测模型。一种实施方式下，建立上述预设的预测模型的步骤可以如图3所示。下面将结合图3所示的模型建立方法对建立该预测模型的过程进行说明。
步骤S210：获取样本数据。
其中，获取的样本数据中包含有脑电信号和所述脑电信号对应的解码标签。
步骤S220：基于样本数据，构建脑电信号和解码标签的协方差矩阵。
其中，协方差矩阵可以表示为M＝XTY，其中，X表示脑电信号，Y表示解码标签。
步骤S230：通过矩阵流形优化方法对协方差矩阵进行优化，得到目标函数模型，目标函数模型包括第一特征向量、第二特征向量。
一种实施方式下，通过矩阵流形优化方法对协方差矩阵进行优化，得到目标函数模型的步骤可以是：先对协方差矩阵进行因子分解，得到残差项；然后基于矩阵流形优化方法对残差项进行迭代更新，得到目标函数模型。其中，当满足预设的终止阈值条件时，即停止迭代更新，得到目标函数。一种实施方式下，终止阈值条件可以是残差小于预设的阈值。
其中，通过矩阵流形优化方法对协方差矩阵进行优化，得到目标函数模型
Figure BDA0003092612240000111
其中，U表示协方差矩阵M(k)的左特征向量(第一特征向量)；V表示M(k)的右特征向量(第二特征向量)；S作为M(k)的低维表征，即由潜在分量构成的相关系数；k表示迭代更新的次数；符号F表示Frobenius范数(弗罗贝尼乌斯范数)；S×1U×2V表示矩阵S的模1乘矩阵U，模2乘矩阵V。
步骤S240：基于黎曼流形优化方法，对第一特征向量、第二特征向量进行优化，得到黎曼流形优化后的第一特征向量、第二特征向量。
一种实施方式下，第一特征向量和第二特征向量满足正交条件，基于黎曼流形优化方法，对第一特征向量、第二特征向量进行优化，得到黎曼流形优化后的第一特征向量、第二特征向量的步骤可以是：首先对第一特征向量、第二特征向量进行乘积流形优化；然后基于乘积流形优化后的第一特征向量和乘积流形优化后的第二特征向量，获得乘积空间，并基于该乘积空间获得在流形切空间的黎曼度量；再基于黎曼度量，构建切空间投影的李雅普诺夫方程，并基于切空间投影的李雅普诺夫方程，得到切空间的黎曼梯度或者切空间的黎曼海森；再基于切空间的梯度和切空间的海森矩阵，构建水平空间投影的李雅普诺夫方程，并基于所述水平空间投影的李雅普诺夫方程，得到水平空间的黎曼梯度或者水平空间的黎曼海森，最后通过共轭梯度或者信赖域方法在水平空间求解目标函数的全局最优解，得到黎曼流形优化后的第一特征向量、第二特征向量。
由于第一特征向量U和第二特征向量V满足正交条件，将其看作两个Stiefel流形进行乘积流形优化，即St(U,V)＝{UTU＝IN,VTV＝IM}，其中，IN表示N维的单位阵，IM表示M维的单位阵。其中，乘积流形优化可以是进行交叉积的乘积流形优化。
然后通过计算空间
Figure BDA0003092612240000121
的在切空间与水平空间的二次投影来求解空间的搜索范围，R表示脑电信号X的R个潜在分量。
为了在流形上计算曲率、角度、距离等相关物理量，基于该乘积空间获得在流形切空间的黎曼度量
Figure BDA0003092612240000122
其中，ξM和ηM表示乘积空间
Figure BDA0003092612240000123
上任意的两个切向量，ξU和ηU、ξV和ηS、ξS和ηS分别表示子流形U、S、V切空间上的任意两个切向量，SST和STS作为对称正定矩阵分别用于子流形U和V在切空间上黎曼度量的自适应调节，即黎曼预处理。
基于黎曼度量，构建切空间投影的李雅普诺夫方程，得到：
Figure BDA0003092612240000124
Figure BDA0003092612240000125
其中，ΩU表示切空间成分，
Figure BDA0003092612240000126
表示法空间成分。
然后基于黎曼度量和切空间投影的李雅普诺夫方程得到的切空间的黎曼梯度或者切空间的黎曼海森，构建水平空间投影的李雅普诺夫方程：
ΩUSST+SSTΩU＝2skew(UTξUSST)
ΩVSTS+STSΩV＝2kew(VTξVSTS)
基于该水平空间投影的李雅普诺夫方程，得到水平空间的黎曼梯度和水平空间的黎曼海森，然后基于水平空间的黎曼梯度和水平空间的黎曼海森利用共轭梯度算法或者信赖域方法求解所述目标函数模型，即可得到黎曼流形优化后的第一特征向量、第二特征向量。
其中，求解第一特征向量和第二特征向量的具体过程为，在建立切空间投影的李雅普诺夫方程后，根据该切空间投影的李雅普诺夫方程得到
Figure BDA00030926122400001313
和
Figure BDA00030926122400001312
然后计算切空间投影：
Figure BDA0003092612240000131
其中，
Figure BDA0003092612240000132
表示切空间投影。
利用Stiefel流形性质求子流形U和V在水平空间上的投影。首先将切向量分解成水平空间投影和垂直空间投影两部分：
Figure BDA0003092612240000133
其中，
Figure BDA0003092612240000134
表示水平空间投影，
Figure BDA0003092612240000135
表示垂直空间投影，垂直空间投影满足条件：
Figure BDA0003092612240000136
其中，ZU表示水平空间上的一个任意切向量。
基于
Figure BDA0003092612240000137
得到水平空间投影的李雅普诺夫方程，然后根据该水平空间投影的李雅普诺夫方程得到ΩU，进一步计算水平空间投影：
Figure BDA0003092612240000138
为了缩小搜索空间的求解范围，上述方法首先将乘积空间分解成切空间和法空间，然后将切空间分解成水平空间和垂直空间。对于实施具体的优化过程，首先需要对原目标函数求变量U、S、V的一阶导数：
Figure BDA0003092612240000139
Figure BDA00030926122400001310
Figure BDA00030926122400001311
符号k表示第k次迭代过程，然后通过上述提到的切空间投影和水平空间投影方法，进一步计算黎曼梯度：
Gradf(U)＝∏Ugradf(U)＝(gradf(U)-UBU)(SST)-1
Gradf(V)＝∏Vgradf(V)＝(gradf(V)-VBV)(SST)-1
其中
Figure BDA0003092612240000141
最后利用计算得到的黎曼梯度或者黎曼Hessian调用共轭梯度或者信赖域方法求解目标函数，得到黎曼流形优化后的第一特征向量U、第二特征向量V。
步骤S250：基于黎曼流形优化后的第一特征向量、第二特征向量和预设的偏最小二乘回归模型，得到表征脑电信号和解码标签的对应关系的预测模型。
一种实施方式下，预设的偏最小二乘回归模型为：
Figure BDA0003092612240000142
Figure BDA0003092612240000143
其中，
Figure BDA0003092612240000144
表示脑电信号X包含的R个潜在分量，满足正交条件TTT＝I。P和Q表示载荷矩阵(loading matrix)，E和F表示误差项。而
Figure BDA0003092612240000145
表示解码标签Y的潜在分量。
一种实施方式下，基于黎曼流形优化后的第一特征向量、第二特征向量和预设的偏最小二乘回归模型，得到脑电信号和解码标签的预测模型的过程是，将黎曼流形优化得到的U和V代入预设的偏最小二乘回归模型，令权值矩阵W＝U；潜在分量T＝XW，并作归一化处理使得T＝T/||T||F。然后令潜在分量Z＝YV，并将对角矩阵D＝ZTT作为潜在分量T和Z的线性相关系数，P＝XTT和Q＝YTT表示载荷矩阵。最终得到新来脑电信号Xnew所对应解码标签Ynew的回归模型：Ynew＝TnewQ*T＝XnewW(P*TW)-1DQT。其中C＝W*DQT＝W(P*TW)-1DQT表示回归系数。
一种实施方式下，在得到黎曼流形优化后的第一特征向量、第二特征向量后，还需要将所述黎曼流形优化后的第一特征向量与预设的第一特征向量阈值进行比较，判断黎曼流形优化后的第一特征向量是否收敛到该第一特征向量阈值；以及将黎曼流形优化后的第二特征向量与预设的第二特征向量阈值进行比较，判断黎曼流形优化后的第二特征向量是否收敛到第二特征向量阈值。若黎曼流形优化后的第一特征向量没有收敛到第一特征向量阈值和/或黎曼流形优化后的第二特征向量没有收敛到第二特征向量阈值，将黎曼流形优化后的第一特征向量、第二特征向量代入目标函数模型，再次进行黎曼流形优化，直至黎曼流形优化后的第一特征向量、第二特征向量分别收敛到第一特征向量阈值、第二特征向量阈值。
为了便于理解，请参阅图4，首先建立脑电信号X和解码标签Y的协方差矩阵M＝XTY，基于该协方差矩阵得到目标函数模型
Figure BDA0003092612240000151
然后先进行梯度求解，得到gradf(U)、gradf(V)、gradf(S)，再依次建立切空间的李雅普诺夫方程和水平空间的李雅普诺夫方程，基于gradf(U)、gradf(V)、gradf(S)得到水平空间的梯度和水平空间的海森矩阵，然后对目标函数模型进行求解，得到第一特征向量U和第二特征向量V，当第一特征向量U和第二特征向量V没有分别收敛到第一特征向量阈值和第二特征向量阈值时，将得到的第一特征向量U和第二特征向量V代入目标函数模型，再次进行黎曼流形优化，直至第一特征向量U和第二特征向量V分别收敛到第一特征向量阈值和第二特征向量阈值，输出第一特征向量U和第二特征向量V。
可选的，还可以同时对矩阵S进行矩阵流形优化。
请参阅图5，图5为本申请实施例提供的一种解码标签预测装置100，该装置包括获取模块110、处理模块120。
获取模块110用于获取人体进行动作想象时的目标脑电信号。
处理模块120用于对目标脑电信号进行滤波处理，得到滤波后的脑电信号，并基于滤波处理后的脑电信号和预设的预测模型，得到预测的用于表征动作意图的解码标签，预测模型为利用黎曼流形优化后的偏最小二乘回归模型。
解码标签预测装置100还包括建模模块，建模模块：
用于获取样本数据，所述样本数据包括脑电信号和所述脑电信号对应的解码标签；基于所述样本数据，构建所述脑电信号和所述解码标签的协方差矩阵；通过矩阵流形优化方法对所述协方差矩阵进行优化，得到目标函数模型，目标函数模型为表征脑电信号和解码标签最大相关性的投影子空间的优化模型，所述目标函数模型包括第一特征向量、第二特征向量，所述第一特征向量表征脑电信号对应的投影子空间，所述第二特征向量表征解码标签对应的投影子空间；基于黎曼流形优化方法，对所述第一特征向量、所述第二特征向量进行优化，得到黎曼流形优化后的第一特征向量、第二特征向量；基于所述黎曼流形优化后的第一特征向量、第二特征向量和预设的偏最小二乘回归模型，得到表征所述脑电信号和所述解码标签的对应关系的预测模型。
可选地，建模模块具体用于：对所述协方差矩阵进行因子分解，得到残差项；基于矩阵流形优化方法对所述残差项进行迭代更新，得到目标函数模型。
可选地，建模模块具体用于：对所述第一特征向量、所述第二特征向量进行乘积流形优化；基于乘积流形优化后的第一特征向量和乘积流形优化后的第二特征向量，获得乘积空间，并基于所述乘积空间获得在流形切空间的黎曼度量；基于所述黎曼度量，构建切空间投影的李雅普诺夫方程，并基于所述切空间投影的李雅普诺夫方程，得到切空间的黎曼梯度或者切空间的黎曼海森；基于所述切空间的梯度和所述切空间的海森矩阵，构建水平空间投影的李雅普诺夫方程，并基于所述水平空间投影的李雅普诺夫方程，得到水平空间的黎曼梯度和水平空间的黎曼海森；基于所述水平空间的黎曼梯度和所述水平空间的黎曼海森利用共轭梯度算法或者信赖域方法求解所述目标函数模型，得到所述黎曼流形优化后的第一特征向量、第二特征向量。
可选地，建模模块具体用于：将所述黎曼流形优化后的第一特征向量与预设的第一特征向量阈值进行比较，判断所述黎曼流形优化后的第一特征向量是否收敛到所述第一特征向量阈值；将所述黎曼流形优化后的第二特征向量与预设的第二特征向量阈值进行比较，判断所述黎曼流形优化后的第二特征向量是否收敛到所述第二特征向量阈值；若所述黎曼流形优化后的第一特征向量没有收敛到所述第一特征向量阈值和/或所述黎曼流形优化后的第二特征向量没有收敛到所述第二特征向量阈值，将所述黎曼流形优化后的第一特征向量、第二特征向量代入所述目标函数模型，再次进行黎曼流形优化，直至黎曼流形优化后的第一特征向量、第二特征向量分别收敛到所述第一特征向量阈值、所述第二特征向量阈值。
请参阅图6，图6为本申请实施例提供的一种模型建立装置200，该装置包括获取模块210、优化模块220。
获取模块210，用于获取样本数据，所述样本数据包括脑电信号和所述脑电信号对应的解码标签。
优化模块220，用于基于所述样本数据，构建所述脑电信号和所述解码标签的协方差矩阵，通过矩阵流形优化方法对所述协方差矩阵进行优化，得到目标函数模型，目标函数模型为表征脑电信号和解码标签最大相关性的投影子空间优化模型，所述目标函数模型包括第一特征向量、第二特征向量，所述第一特征向量表征脑电信号对应的投影子空间，所述第二特征向量表征解码标签对应的投影子空间，基于黎曼流形优化方法，对所述第一特征向量、所述第二特征向量进行优化，得到黎曼流形优化后的第一特征向量、第二特征向量，基于所述黎曼流形优化后的第一特征向量、第二特征向量和预设的偏最小二乘回归模型，得到表征所述脑电信号和所述解码标签的对应关系的预测模型。
可选地，优化模块220具体用于：对所述协方差矩阵进行因子分解，得到残差项；基于矩阵流形优化方法对所述残差项进行迭代更新，得到目标函数模型。
可选地，优化模块220具体用于：对所述第一特征向量、所述第二特征向量进行乘积流形优化；基于乘积流形优化后的第一特征向量和乘积流形优化后的第二特征向量，获得乘积空间，并基于所述乘积空间获得在流形切空间的黎曼度量；基于所述黎曼度量，构建切空间投影的李雅普诺夫方程，并基于所述切空间投影的李雅普诺夫方程，得到切空间的黎曼梯度或者切空间的黎曼海森；基于所述切空间的梯度和所述切空间的海森矩阵，构建水平空间投影的李雅普诺夫方程，并基于所述水平空间投影的李雅普诺夫方程，得到水平空间的黎曼梯度和水平空间的黎曼海森矩阵；基于所述水平空间的黎曼梯度和所述水平空间的黎曼海森利用共轭梯度方法或者信赖域方法求解所述目标函数模型，得到所述黎曼流形优化后的第一特征向量、第二特征向量。
可选地，优化模块220具体用于：将所述黎曼流形优化后的第一特征向量与预设的第一特征向量阈值进行比较，判断所述黎曼流形优化后的第一特征向量是否收敛到所述第一特征向量阈值；将所述黎曼流形优化后的第二特征向量与预设的第二特征向量阈值进行比较，判断所述黎曼流形优化后的第二特征向量是否收敛到所述第二特征向量阈值；若所述黎曼流形优化后的第一特征向量没有收敛到所述第一特征向量阈值和/或所述黎曼流形优化后的第二特征向量没有收敛到所述第二特征向量阈值，将所述黎曼流形优化后的第一特征向量、第二特征向量代入所述目标函数模型，再次进行黎曼流形优化，直至黎曼流形优化后的第一特征向量、第二特征向量分别收敛到所述第一特征向量阈值、所述第二特征向量阈值。
请参阅图7，其为本申请实施例提供的一种电子设备。所述电子设备300包括：收发器310、存储器320、通讯总线330、处理器340。
所述收发器310、所述存储器320、处理器340各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线330或信号线实现电性连接。其中，收发器310用于收发数据。存储器320用于存储计算机程序，如存储有图5或图6中所示的软件功能模块，即图5中的解码标签预测装置100或图6中的模型建立装置200。其中，解码标签预测装置100或模型建立装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器320中或固化在所述电子设备300的操作系统(operating system，OS)中的软件功能模块。所述处理器340，用于执行存储器320中存储的可执行模块，例如解码标签预测装置100或模型建立装置200包括的软件功能模块或计算机程序。
例如，处理器340在执行解码标签预测装置100包括的软件功能模块或计算机程序时，用于：获取人体进行动作想象时的目标脑电信号；对所述目标脑电信号进行滤波处理，得到滤波后的脑电信号；基于所述滤波处理后的脑电信号和预设的预测模型，得到预测的用于表征动作意图的解码标签，所述预测模型为利用黎曼流形优化后的偏最小二乘回归模型。
或者，处理器340在执行模型建立装置200包括的软件功能模块或计算机程序时，用于：获取样本数据，所述样本数据包括脑电信号和所述脑电信号对应的解码标签；基于所述样本数据，构建所述脑电信号和所述解码标签的协方差矩阵；通过矩阵流形优化方法对所述协方差矩阵进行优化，得到目标函数模型，目标函数模型为表征脑电信号和解码标签最大相关性的投影子空间优化模型，所述目标函数模型包括第一特征向量、第二特征向量，所述第一特征向量表征脑电信号对应的投影子空间，所述第二特征向量表征解码标签对应的投影子空间；基于黎曼流形优化方法，对所述第一特征向量、所述第二特征向量进行优化，得到黎曼流形优化后的第一特征向量、第二特征向量；基于所述黎曼流形优化后的第一特征向量、第二特征向量和预设的偏最小二乘回归模型，得到表征所述脑电信号和所述解码标签的对应关系的预测模型。
其中，存储器320可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器340可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器340也可以是任何常规的处理器等。
其中，上述的电子设备300，包括但不限于个人电脑、服务器等。
本申请实施例还提供了一种非易失性计算机可读取存储介质(以下简称存储介质)，该存储介质上存储有计算机程序，该计算机程序被计算机如上述的电子设备300运行时，执行上述所示的解码标签预测方法和/或模型建立方法。
其中，上述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种解码标签预测方法，其特征在于，包括：
获取人体进行动作想象时的目标脑电信号；
对所述目标脑电信号进行滤波处理，得到滤波后的脑电信号；
基于所述滤波处理后的脑电信号和预设的预测模型，得到预测的用于表征动作意图的解码标签，所述预测模型为利用黎曼流形优化后的偏最小二乘回归模型。
2.根据权利要求1所述的方法，其特征在于，建立所述预设的预测模型的步骤，包括：
获取样本数据，所述样本数据包括脑电信号和所述脑电信号对应的解码标签；
基于所述样本数据，构建所述脑电信号和所述解码标签的协方差矩阵；
通过矩阵流形优化方法对所述协方差矩阵进行优化，得到目标函数模型，目标函数模型为表征脑电信号和解码标签最大相关性的投影子空间的优化模型，所述目标函数模型包括第一特征向量、第二特征向量，所述第一特征向量表征脑电信号对应的投影子空间，所述第二特征向量表征解码标签对应的投影子空间；
基于黎曼流形优化方法，对所述第一特征向量、所述第二特征向量进行优化，得到黎曼流形优化后的第一特征向量、第二特征向量；
基于所述黎曼流形优化后的第一特征向量、第二特征向量和预设的偏最小二乘回归模型，得到表征所述脑电信号和所述解码标签对应关系的预测模型。
3.根据权利要求2所述的方法，其特征在于，所述通过矩阵流形优化方法对所述协方差矩阵进行优化，得到目标函数模型，包括：
对所述协方差矩阵进行因子分解，得到残差项；
基于矩阵流形优化方法对所述残差项进行迭代更新，得到目标函数模型。
4.根据权利要求2所述的方法，其特征在于，所述第一特征向量和所述第二特征向量满足正交条件，所述基于黎曼流形优化方法，对所述第一特征向量、所述第二特征向量进行优化，得到黎曼流形优化后的第一特征向量、第二特征向量，包括：
对所述第一特征向量、所述第二特征向量进行乘积流形优化；
基于乘积流形优化后的第一特征向量和乘积流形优化后的第二特征向量，获得乘积空间，并基于所述乘积空间获得在流形切空间的黎曼度量；
基于所述黎曼度量，构建切空间投影的李雅普诺夫方程，并基于所述切空间投影的李雅普诺夫方程，得到切空间的黎曼梯度或黎曼海森；
基于所述切空间的黎曼梯度或者黎曼海森，构建水平空间投影的李雅普诺夫方程，并基于水平空间投影的李雅普诺夫方程，得到水平空间的黎曼梯度或者黎曼海森；
基于所述水平空间的黎曼梯度或水平空间的黎曼海森，利用共轭梯度方法或者信赖域方法求解目标函数模型，得到所述黎曼流形优化后的第一特征向量、第二特征向量。
5.根据权利要求2所述的方法，其特征在于，在得到所述黎曼流形优化后的第一特征向量、第二特征向量后，所述方法还包括：
将所述黎曼流形优化后的第一特征向量与预设的第一特征向量阈值进行比较，判断所述黎曼流形优化后的第一特征向量是否收敛到所述第一特征向量阈值；
将所述黎曼流形优化后的第二特征向量与预设的第二特征向量阈值进行比较，判断所述黎曼流形优化后的第二特征向量是否收敛到所述第二特征向量阈值；
若所述黎曼流形优化后的第一特征向量没有收敛到所述第一特征向量阈值和/或所述黎曼流形优化后的第二特征向量没有收敛到所述第二特征向量阈值，将所述黎曼流形优化后的第一特征向量、第二特征向量代入所述目标函数模型，再次进行黎曼流形优化，直至黎曼流形优化后的第一特征向量、第二特征向量分别收敛到所述第一特征向量阈值、所述第二特征向量阈值。
6.一种模型建立方法，其特征在于，包括：
获取样本数据，所述样本数据包括脑电信号和所述脑电信号对应的解码标签；
基于所述样本数据，构建所述脑电信号和所述解码标签的协方差矩阵；
通过矩阵流形优化方法对所述协方差矩阵进行优化，得到目标函数模型，目标函数模型为表征脑电信号和解码标签最大相关性的投影子空间优化模型，所述目标函数模型包括第一特征向量、第二特征向量，所述第一特征向量表征脑电信号对应的投影子空间，所述第二特征向量表征解码标签对应的投影子空间；
基于黎曼流形优化方法，对所述第一特征向量、所述第二特征向量进行优化，得到黎曼流形优化后的第一特征向量、第二特征向量；
基于所述黎曼流形优化后的第一特征向量、第二特征向量和预设的偏最小二乘回归模型，得到表征所述脑电信号和所述解码标签对应关系的预测模型。
7.一种解码标签预测装置，其特征在于，包括：
获取模块，用于获取人体进行动作想象时的目标脑电信号；
处理模块，用于对所述目标脑电信号进行滤波处理，得到滤波后的脑电信号，并基于所述滤波处理后的脑电信号和预设的预测模型，得到预测的用于表征动作意图的解码标签，所述预测模型为利用黎曼流形优化后的偏最小二乘回归模型。
8.一种模型建立装置，其特征在于，包括：
获取模块，用于获取样本数据，所述样本数据包括脑电信号和所述脑电信号对应的解码标签；
优化模块，用于基于所述样本数据，构建所述脑电信号和所述解码标签的协方差矩阵，通过矩阵流形优化方法对所述协方差矩阵进行优化，得到目标函数模型，目标函数模型为表征脑电信号和解码标签最大相关性的投影子空间的优化模型，所述目标函数模型包括第一特征向量、第二特征向量，所述第一特征向量表征脑电信号对应的投影子空间，所述第二特征向量表征解码标签对应的投影子空间，基于黎曼流形优化方法，对所述第一特征向量、所述第二特征向量进行优化，得到黎曼流形优化后的第一特征向量、第二特征向量，基于所述黎曼流形优化后的第一特征向量、第二特征向量和预设的偏最小二乘回归模型，得到表征所述脑电信号和所述解码标签对应关系的预测模型。
9.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器连接；
所述存储器，用于存储程序；
所述处理器，用于调用存储于所述存储器中的程序，以执行如权利要求1-5中任一项所述的方法，或者执行如权利要求6所述的方法。
10.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被计算机运行时，执行如权利要求1-5中任一项所述的方法，或者执行如权利要求6所述的方法。
CN202110605787.4A 2021-05-31 2021-05-31 解码标签预测方法、模型建立方法、装置及电子设备 Pending CN113221831A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110605787.4A CN113221831A (zh) 2021-05-31 2021-05-31 解码标签预测方法、模型建立方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110605787.4A CN113221831A (zh) 2021-05-31 2021-05-31 解码标签预测方法、模型建立方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN113221831A true CN113221831A (zh) 2021-08-06

Family

ID=77081982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110605787.4A Pending CN113221831A (zh) 2021-05-31 2021-05-31 解码标签预测方法、模型建立方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113221831A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020042511A1 (zh) * 2018-08-28 2020-03-05 天津大学 基于空间滤波与模版匹配的运动电位脑机接口编解码方法
CN111338483A (zh) * 2020-03-20 2020-06-26 海南大学 一种设备控制的方法、系统、控制设备及可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020042511A1 (zh) * 2018-08-28 2020-03-05 天津大学 基于空间滤波与模版匹配的运动电位脑机接口编解码方法
CN111338483A (zh) * 2020-03-20 2020-06-26 海南大学 一种设备控制的方法、系统、控制设备及可读存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"针对基于脑电图的脑机接口的黎曼几何分析", pages 47 - 52, Retrieved from the Internet <URL:https://blog.csdn.net/TURBOTX/article/details/113843731?ops_request_misc=&request_id=&biz_id=102&utm_term=%E8%84%91%E7%94%B5%E4%BF%A1%E5%8F%B7%20%E9%BB%8E%E6%9B%BC%E6%B5%81%E5%BD%A2&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-0-113843731.142^v96^pc_search_result_base9&spm=1018.2226.3001.4187> *
FLORIAN YGER ET.AL.: "Riemannian Approaches in Brain-Computer Interfaces", EEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING, vol. 25, no. 10, 31 October 2017 (2017-10-31), pages 1753 - 1762, XP011672254, DOI: 10.1109/TNSRE.2016.2627016 *
FLORIAN YGER ET.AL.: "Riemannian Approaches in Brain-Computer Interfaces", IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING, vol. 25, no. 10, pages 1753 - 1762, XP011672254, DOI: 10.1109/TNSRE.2016.2627016 *
QIBIN ZHAO ET AL.: "Higher-Order Partial Least Squares (HOPLS):A Generalized Multi-Linear Regression Method", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, vol. 35, no. 7, 31 July 2013 (2013-07-31), pages 1660 - 1672 *

Similar Documents

Publication Publication Date Title
Zhang et al. An MR brain images classifier system via particle swarm optimization and kernel support vector machine
Huang et al. Iterative weighted sparse representation for X‐ray cardiovascular angiogram image denoising over learned dictionary
US20230301542A1 (en) Brain atlas individualization method and system based on magnetic resonance and twin graph neural network
CN109063190B (zh) 用于处理数据序列的方法和装置
CN110263880B (zh) 脑疾病分类模型的构建方法、装置及智能终端
Yao et al. Physics-driven spatiotemporal regularization for high-dimensional predictive modeling: A novel approach to solve the inverse ECG problem
CN115211869A (zh) 一种基于经验模态分解和卡尔曼滤波的脑电信号去噪方法、装置及系统
Seghouane et al. The adaptive block sparse PCA and its application to multi-subject FMRI data analysis using sparse mCCA
CN110910325A (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
Santana et al. Extraction of signals with specific temporal structure using kernel methods
Liu et al. An efficient collaborative filtering method for image noise and artifact removal
Kim et al. Wavelet-based functional clustering for patterns of high-dimensional dynamic gene expression
CN113221831A (zh) 解码标签预测方法、模型建立方法、装置及电子设备
CN108009586B (zh) 封顶概念分解方法及图像聚类方法
Graßhoff et al. Scalable Gaussian process separation for kernels with a non-stationary phase
CN111785379B (zh) 脑功能连接预测方法、装置、计算机设备及存储介质
Korobkov et al. Robust multi-dimensional model order estimation using LineAr regression of global eigenvalues (LaRGE)
Özdemir et al. A multiscale approach for tensor denoising
Urbanowicz et al. Noise reduction in chaotic time series by a local projection with nonlinear constraints
Kulikova et al. Data-driven parameter estimation in stochastic dynamic neural fields by state-space approach and continuous-discrete extended Kalman filtering
CN111383217B (zh) 大脑成瘾性状评估的可视化方法、装置及介质
Tuyen et al. An optimized algorithm for peak detection in noisy periodic and quasi-periodic signals
CN112950654A (zh) 基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法
CN110472233B (zh) 基于知识库内头尾实体分布的关系相似度度量方法及系统
Feng et al. Fast automated on‐chip artefact removal of EEG for seizure detection based on ICA‐R algorithm and wavelet denoising

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