CN113229828A - 一种运动想象脑电信号分类方法及系统 - Google Patents

一种运动想象脑电信号分类方法及系统 Download PDF

Info

Publication number
CN113229828A
CN113229828A CN202110454184.9A CN202110454184A CN113229828A CN 113229828 A CN113229828 A CN 113229828A CN 202110454184 A CN202110454184 A CN 202110454184A CN 113229828 A CN113229828 A CN 113229828A
Authority
CN
China
Prior art keywords
classification
motor imagery
imagery electroencephalogram
time
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
CN202110454184.9A
Other languages
English (en)
Inventor
牛屹
陈凌云
秦雪
刘玉雪
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.)
Shandong Normal University
Original Assignee
Shandong Normal University
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 Shandong Normal University filed Critical Shandong Normal University
Priority to CN202110454184.9A priority Critical patent/CN113229828A/zh
Publication of CN113229828A publication Critical patent/CN113229828A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Veterinary Medicine (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种运动想象脑电信号分类方法及系统，利用第一分类模型对运动想象脑电原始数据进行时间空间特征的提取和分类；利用第二分类模型对运动想象脑电微分熵进行时间空间特征的提取和分类；利用第三分类模型对运动想象脑电似熵进行时间空间特征的提取和分类；将不同维度的分类结果进行融合，得到最终分类结果。本发明根据信号的不同，进行分别处理，再融合不同维度的特征分类结果，能够提升运动想象脑电信号的分类精度。

Description

一种运动想象脑电信号分类方法及系统
技术领域
本发明属于信息分类技术领域，具体涉及一种运动想象脑电信号分类方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着机器学习与深度学习的发展，越来越多的训练模型已经进入公众视野，包括CNN、SVM等，这些模型被广泛用于信息处理、分类和分析上。
脑电运动想象是通过脑机接口技术，将采集到的EEG进行分析，从而推断受试者在采集信号时的想法，并把受试者原本意图转化为指令信号与外部设备进行通信。即将大脑与外部设备连接，建立一个使其能够实现与外界进行信息交互的通信系统，这可以作为严重运动失能患者与外界通信的有效手段，对其的分析具有重要意义。
但是据发明人了解，现有的研究方法如SVM,CNN,LSTM等方法，需要做预处理操作，过程较为繁琐和复杂，响应时间慢，且在特征提取过程不够，导致对于脑电运动想象信号的响应速度慢，分类精度无法达到要求。
发明内容
本发明为了解决上述问题，提出了一种运动想象脑电信号分类方法及系统，本发明根据信号的不同，进行分别处理，再融合不同维度的特征分类结果，能够提升运动想象脑电信号的分类精度。
根据一些实施例，本发明采用如下技术方案：
一种运动想象脑电信号分类方法，包括以下步骤：
利用第一分类模型对运动想象脑电原始数据进行时间空间特征的提取和分类；
利用第二分类模型对运动想象脑电微分熵进行时间空间特征的提取和分类；
利用第三分类模型对运动想象脑电近似熵进行时间空间特征的提取和分类；
将不同维度的分类结果进行融合，得到最终分类结果。
作为可选择的实施方式，所述第一分类模型、第二分类模型和第三分类模型的结构相同，均为图卷积神经网络模型。
作为进一步的限定，所述图卷积神经网络模型包括依次交替连接的时间空间注意力和空间图卷积与时间卷积的卷积层，进行不断提取时间空间特征，最后一层卷积层连接有全连接层，将最终提取出的时间空间特征进行训练和分类，输出分类结果。
作为进一步的限定，所述全连接层替换为分类器。
作为可选择的实施方式，所述第一分类模型、第二分类模型和第三分类模型中至少有两个分类模型结构不相同。
一种运动想象脑电信号分类系统，包括：
第一分类单元，被配置为利用图卷积神经网络模型对运动想象脑电原始数据进行时间空间特征的提取和分类；
第二分类单元，被配置为利用图卷积神经网络模型对运动想象脑电微分熵进行时间空间特征的提取和分类；
第三分类单元，被配置为利用图卷积神经网络模型对运动想象脑电近似熵进行时间空间特征的提取和分类；
融合单元，被配置为将上述所有分类单元的分类结果进行融合，得到最终分类结果。
作为可选择的实施方式，所述第一分类单元、第二分类单元和第三分类单元的结构相同，均包括依次交替连接的时间空间注意力和空间图卷积与时间卷积的卷积层，进行不断提取时间空间特征，最后一层卷积层连接有全连接层，将最终提取出的时间空间特征进行训练和分类，输出分类结果。
作为可选择的实施方式，所述第一分类单元、第二分类单元和第三分类单元中至少有两个分类单元的结构不同，采用不同的分类模型结构。
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述一种基于图卷积神经网络的运动想象脑电信号分类方法中的步骤。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述一种基于图卷积神经网络的运动想象脑电信号分类方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明通过保留脑电信号的原始数据为特征，通过原始数据计算微分熵和近似熵作为脑电信号的另外两个特征，微分熵和近似熵都可以较好的描述脑电信号的非线性性，有利于提高分类的准确度。
本发明通过对脑电信号原始数据、微分熵、近似熵三个不同的特征进行建模，再融合每个模型的分类结果，能够降低单个模型的网络深度，提高响应速度。
本发明通过对不同路径的分类结果进行融合，能够提升分类精度。
本发明通过对时间和空间图结构数据的卷积思想，时空注意力机制与卷积层都用来进行特征提取，这样不仅节省了预处理步骤并且提高了特征提取效率，从而达到一个较好的分类效果。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本实施例第一分类单元的结构示意图；
图2是本实施例第二分类单元的结构示意图；
图3是本实施例第三分类单元的结构示意图；
图4是本实施例流程示意图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
一种运动想象脑电信号分类方法，包括以下步骤：
利用第一分类模型对运动想象脑电原始数据进行时间空间特征的提取和分类；
利用第二分类模型对运动想象脑电微分熵进行时间空间特征的提取和分类；
利用第三分类模型对运动想象脑电近似熵进行时间空间特征的提取和分类；
将不同维度的分类结果进行融合，得到最终分类结果。
在本实施例中，第一分类模型、第二分类模型和第三分类模型(也可以称为第一分类单元、第二分类单元和第三分类单元)的结构相似，均为图卷积神经网络模型。
如图1所示，第一分类单元用原始数据进行输入，结构包括依次交替连接的多个图卷积的时间空间注意力和卷积层，进行不断提取时间空间特征，最后一层卷积层连接有全连接层，将最终提取出的时间空间特征进行训练和分类，输出分类结果。
如图2所示，第二分类单元用微分熵作为输入，结构包括依次交替连接的多个图卷积的时间空间注意力和卷积层，进行不断提取时间空间特征，最后一层卷积层连接有全连接层，将最终提取出的时间空间特征进行训练和分类，输出分类结果。
如图3所示，第三分类单元用近似熵作为输入数据，结构包括依次交替连接的多个图卷积的时间空间注意力和卷积层，进行不断提取时间空间特征，最后一层卷积层连接有全连接层，将最终提取出的时间空间特征进行训练和分类，输出分类结果。
如图4所示，在本实施例中，对不同数据进行分类后，将结果再做一个加权融合，其中权重系数通过神经网络负反馈调节学习得到，这样使分类效果大大提升。
上述方案同时提供了对时间和空间图结构数据的卷积思想，时空注意力机制与卷积层都用来进行特征提取，这样不仅节省了预处理步骤并且提高了特征提取效率，从而达到一个较好的分类效果；也提供了关于时间与空间注意力机制的提取，从时间空间方面分别进行提取。
在本实施例中，每个分类单元采用了基于注意力机制的图卷积神经网络来对图像进行分类，这个模型中应用ASTGCN的框架，其中包括时间注意力、空间注意力、卷积层、全连接层，将所需数据输入之后，进入图卷积的时间空间注意力，然后通过卷积层不断提取时间空间特征最后，提取出的特征会进入到全连接层(分类器)进行训练和分类，最后输出分类结果，与其他传统机器学习深度学习方式相比，GCN更易提取空间特征，因而分类效果更好，节省了预处理的步骤，使实验变得相对比较简单，且提高分类效果。
当然，在其他实施例中，可以选用其他的分类模型对始数据、微分熵、近似熵进行同时/分别的分类。
在具体实现时，可以通过使用脑机接口得出数据集将格式一一对应起来，然后输入到图卷积神经网络中，卷积模型中共有三个组件，包括不同的时间空间注意力提取机制和不同的卷积层，进行注意力机制和卷积层的不断特征提取，然后在全连接层进行训练分类，得出分类结果，最后再进行结果的融合，有三条路径进行全连接训练，最后得出的结果再进行融合，从而就可以提高分类效果，得出一个分类效果比较好的脑电运动图像的分类结果。
只需要将图像数据按向量或矩阵格式输入后就可完成训练，数据集包括公共数据集和实验数据集。
公共数据集
使用BCI Cmopetition IV的Data set 1数据集作为公共数据集，该数据集采集了两名健康被试人员(Dsla和Dslf)的EEG。使用德国慕尼黑Brain Products公司的BrainAmpMR plus放大器和 EASYCAP公司的Ag/AgCl电极盖，采集了59个通道的EEG数据，这些电极放置位置主要分布于大脑皮层的感觉运动区。设置数字化频率为1000Hz，精度为16bit(0.1μV)，高通滤波为0.05Hz，低通滤波为200Hz。同时，还提供了在采样频率为100Hz下采样的数据：首先对原始数据进行低通滤波(10阶切比雪夫II型滤波器，截止频带波下降50dB，截止频带边缘频率为49Hz)，然后计算10个采样连续块的平均值。
在整个实验中，每位被试人员需要完成200次基于视觉提示的实验，其中想象左手运动和脚运动各100次。每次试验持续8s， 0s～2s内，屏幕中心出现位置固定的“十”字线；2s～6s内，屏幕中心的“十”字线变为随机产生的向左或向下的箭头，被试人员根据箭头指向想象左手运动或脚运动；6s～8s内，屏幕变为空白。每15次试验后，有15s的休息时间，以防被试人员疲劳。
实验数据集
实验对象与数据采集。实验招募了4名男性和4名女性被试人员，8名志愿者身体健康，无脑部和其它方面疾病，平均年龄为22.7 岁，均为右利手(通过爱丁堡利手问卷评定。所有被试都是第一次参加EEG采集实验，实验开始前未被告知任何的实验假设，对实验内容、实验范式和在实验中会给出的提示均不知情。实验前自愿签订了采集同意书。
EEG信号的采集设备使用荷兰BioSemi公司的ActiveTwo 64 通道脑电信号采集系统。在实验过程中，我们根据10/20系统法采集28个通道的脑电数据，电极分别为FC5、FC3、FC1、FCz、FC2、 FC4、FC6、C5、C3、C1、Cz、C2、C4、C6、CP5、CP3、CP1、CPz、 CP2、CP4、CP6、P5、P3、P1、Pz、P2、P4和P6。参考电极安置在左耳乳突处；接地电极由CMS和DRL两个独立电极替代。设置采样频率为1000Hz，高通滤波截止频率为1Hz，低通滤波截止频率为100Hz 工频陷波为50Hz。
通过不同的数据集进行实验，都可以证明，本实施例提供的方法，能够提高特征提取效率，达到一个较好的分类效果。
本实施例还提供以下产品实施例：
一种运动想象脑电信号分类系统，包括：
第一分类单元，被配置为利用图卷积神经网络模型对运动想象脑电原始数据进行时间空间特征的提取和分类；
第二分类单元，被配置为利用图卷积神经网络模型对运动想象脑电微分熵进行时间空间特征的提取和分类；
第三分类单元，被配置为利用图卷积神经网络模型对运动想象脑电近似熵进行时间空间特征的提取和分类；
融合单元，被配置为将上述所有分类单元的分类结果进行融合，得到最终分类结果。
在部分实施例中，第一分类单元、第二分类单元和第三分类单元的结构相似，均包括依次交替连接的多个图卷积的时间空间注意力和卷积层，进行不断提取时间空间特征，最后一层卷积层连接有全连接层，将最终提取出的时间空间特征进行训练和分类，输出分类结果。
在部分实施例中，第一分类单元、第二分类单元和第三分类单元中至少有两个分类单元的结构不同，采用不同的分类模型结构。
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述一种基于图卷积神经网络的运动想象脑电信号分类方法中的步骤。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述一种基于图卷积神经网络的运动想象脑电信号分类方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种运动想象脑电信号分类方法，其特征是：包括以下步骤：
利用第一分类模型对运动想象脑电原始数据进行时间空间特征的提取和分类；
利用第二分类模型对运动想象脑电微分熵进行时间空间特征的提取和分类；
利用第三分类模型对运动想象脑电近似熵进行时间空间特征的提取和分类；
将不同维度的分类结果进行融合，得到最终分类结果。
2.如权利要求1所述的一种运动想象脑电信号分类方法，其特征是：所述第一分类模型、第二分类模型和第三分类模型的结构相似，均为图卷积神经网络和卷积神经网络模型。
3.如权利要求2所述的一种运动想象脑电信号分类方法，其特征是：所述神经网络模型包括依次交替连接的时间空间注意力和空间图卷积与时间卷积的卷积层，进行不断提取时间空间特征，最后一层卷积层连接有全连接层，将最终提取出的时间空间特征进行训练和分类，输出分类结果。
4.如权利要求2所述的一种运动想象脑电信号分类方法，其特征是：所述全连接层替换为分类器。
5.如权利要求1所述的一种运动想象脑电信号分类方法，其特征是：所述第一分类模型、第二分类模型和第三分类模型中至少有两个分类模型结构不相同。
6.一种运动想象脑电信号分类系统，其特征是：包括：
第一分类单元，被配置为利用图卷积神经网络模型对运动想象脑电原始数据进行时间空间特征的提取和分类；
第二分类单元，被配置为利用图卷积神经网络模型对运动想象脑电微分熵进行时间空间特征的提取和分类；
第三分类单元，被配置为利用图卷积神经网络模型对运动想象脑电似熵进行时间空间特征的提取和分类；
融合单元，被配置为将上述所有分类单元的分类结果进行融合，得到最终分类结果。
7.如权利要求6所述的一种运动想象脑电信号分类系统，其特征是：所述第一分类单元、第二分类单元和第三分类单元的结构相同，均包括依次交替连接的多个图卷积的空间注意力和卷积层，进行不断提取时间空间特征，最后一层卷积层连接有全连接层，将最终提取出的时间空间特征进行训练和分类，输出分类结果。
8.如权利要求6所述的一种运动想象脑电信号分类系统，其特征是：所述第一分类单元、第二分类单元和第三分类单元中至少有两个分类单元的结构不同，采用不同的分类模型结构。
9.一种电子设备，其特征是：包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-5中任一项所述的一种基于图卷积神经网络的运动想象脑电信号分类方法中的步骤。
10.一种计算机可读存储介质，其特征是：用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-5中任一项所述的一种基于图卷积神经网络的运动想象脑电信号分类方法中的步骤。
CN202110454184.9A 2021-04-26 2021-04-26 一种运动想象脑电信号分类方法及系统 Pending CN113229828A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110454184.9A CN113229828A (zh) 2021-04-26 2021-04-26 一种运动想象脑电信号分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110454184.9A CN113229828A (zh) 2021-04-26 2021-04-26 一种运动想象脑电信号分类方法及系统

Publications (1)

Publication Number Publication Date
CN113229828A true CN113229828A (zh) 2021-08-10

Family

ID=77129283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110454184.9A Pending CN113229828A (zh) 2021-04-26 2021-04-26 一种运动想象脑电信号分类方法及系统

Country Status (1)

Country Link
CN (1) CN113229828A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092887A (zh) * 2017-04-21 2017-08-25 重庆邮电大学 一种基于Multi‑bands FDBN的运动想象脑电信号的特征提取方法
KR20190027617A (ko) * 2017-09-07 2019-03-15 고려대학교 산학협력단 로봇팔 장치를 제어하기 위한 뇌-컴퓨터 인터페이싱 방법 및 그 뇌-컴퓨터 인터페이스 장치
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
CN112329525A (zh) * 2020-09-27 2021-02-05 中国科学院软件研究所 一种基于时空图卷积神经网络的手势识别方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092887A (zh) * 2017-04-21 2017-08-25 重庆邮电大学 一种基于Multi‑bands FDBN的运动想象脑电信号的特征提取方法
KR20190027617A (ko) * 2017-09-07 2019-03-15 고려대학교 산학협력단 로봇팔 장치를 제어하기 위한 뇌-컴퓨터 인터페이싱 방법 및 그 뇌-컴퓨터 인터페이스 장치
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
CN112329525A (zh) * 2020-09-27 2021-02-05 中国科学院软件研究所 一种基于时空图卷积神经网络的手势识别方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张腾，等: "引入深度强化学习思想的脑-机协作精密操控方法", 《西安交通大学学报》 *
王煜文: "基于运动想象脑机接口的算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
程鹏: "基本几何构型的脑电信号表征模式", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Similar Documents

Publication Publication Date Title
CN114266276B (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
EP4212100A1 (en) Electroencephalogram signal classification method and apparatus, and device, storage medium and program product
CN106227341A (zh) 基于深度学习的无人机手势交互方法及系统
CN109934125B (zh) 一种半监督手术视频流程识别方法
CN106725452A (zh) 基于情感诱发的脑电信号识别方法
CN104166548A (zh) 基于运动想象脑电数据的深度学习方法
CN111488805B (zh) 一种基于显著性特征提取的视频行为识别方法
CN110477907B (zh) 一种智能辅助识别痫性发作的建模方法
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
CN112651360B (zh) 一种小样本下骨架动作识别方法
CN109583334B (zh) 一种基于时空关联神经网络的动作识别方法及其系统
CN108364062B (zh) 基于memd的深度学习模型构建方法及在运动想象中的应用
Lade et al. Simulation of self driving car using deep learning
CN111273767A (zh) 一种基于深度迁移学习的助听脑机接口系统
CN114863572B (zh) 一种多通道异构传感器的肌电手势识别方法
Abibullaev et al. A brute-force CNN model selection for accurate classification of sensorimotor rhythms in BCIs
CN115238796A (zh) 基于并行damscn-lstm的运动想象脑电信号分类方法
CN114781441A (zh) Eeg运动想象分类方法及多空间卷积神经网络模型
CN112184555B (zh) 一种基于深度交互学习的立体图像超分辨率重建方法
CN113229828A (zh) 一种运动想象脑电信号分类方法及系统
CN115546491B (zh) 一种跌倒报警方法、系统、电子设备及存储介质
CN116503959A (zh) 基于不确定性感知的弱监督时序动作定位方法及系统
CN116758090A (zh) 一种基于多尺度减法的医学图像分割方法
CN116115240A (zh) 基于多分支图卷积网络的脑电情绪识别方法
Zhang et al. A pruned deep learning approach for classification of motor imagery electroencephalography signals

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