CN113288150B - 一种基于疲劳脑电信号组合特征的通道选择方法 - Google Patents
一种基于疲劳脑电信号组合特征的通道选择方法 Download PDFInfo
- Publication number
- CN113288150B CN113288150B CN202110712331.8A CN202110712331A CN113288150B CN 113288150 B CN113288150 B CN 113288150B CN 202110712331 A CN202110712331 A CN 202110712331A CN 113288150 B CN113288150 B CN 113288150B
- Authority
- CN
- China
- Prior art keywords
- fatigue
- data
- channel
- electroencephalogram
- signals
- 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.)
- Active
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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/168—Evaluating attention deficit, hyperactivity
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/20—Workers
- A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Developmental Disabilities (AREA)
- Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Educational Technology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基疲劳脑电信号组合特征的通道选择方法。针对现有技术的问题,提出的技术方案为:首先使用脑电采集设备采集疲劳驾驶信号,选取大脑皮层上能显著反映疲劳状态的电极通道并预处理;通过集合经验模态分解所获得的有限个本征模函数的功率谱值作为特征,并将样本熵作为辅助特征,再通过本文提出的通道选择方法分别筛选出在功率谱值和样本熵值作为特征下的理想通道;最后使用多层感知超限学习机和使用粒子群优化算法优化后的多层感知超限学习机分别对筛选出的理想通道数据进行二分类。本发明使用了组合特征提高了通道选择算法的泛化能力,最终使用了最优通道相比于全通道大幅提高了准确率。
Description
技术领域
本发明涉及驾驶疲劳脑电通道选择方法,具体一种通过疲劳脑电信号得到EEMD组合特征后进行通道选择的方法。
背景技术
疲劳是由长时间,高强度的工作条件下导致的一种生理现象,具体表现为:注意力涣散、反应迟钝、预测能力下降等,这在很大程度上影响了人们的日常生活。而驾驶疲劳更是交通安全面临的重要问题之一。脑电信号(EEG)作为人脑活动的直接体现,可以快速地反映出人的生理及心理变化过程,被广泛地用于疾病和心理状态的检测研究。因此,脑电信号也被认为是识别驾驶员疲劳最可靠和有效的测量方法之一。基于脑电的疲劳驾驶检测一般分为如下4个步骤:信号采集,预处理,特征提取,分类,通道选择方法是在信号采集和预处理中常用的处理方法。
目前已存在许多利用脑电信号分析的方法,并且取得了比较理想的结果。其中的一部分方法采用的仍是32通道的EEG信号。但是利用EEG全通道信号不仅会产生许多复杂的特征,而且还会引入不相关通道的干扰信息,降低系统的鲁棒性。因此,需要有效的通道选择算法来减少计算量,减少所需的硬件通道数,并且增加识别率。一种减少冗余通道的思路是使用几个固定的通道(4个及其以下)的数据用于疲劳监测,这些固定的通道需要满足疲劳和清醒状态特征差异性较大的性质。比如Z.L.Zhang等人使用了O1或者O2通道就能达到87.05%以上的识别率,H.Shabani,M.Mikaili等人只使用了F8通道就能够得到90.60%的识别率等。这类方法的优点就是:使用极少的电极数,极大的方便了实验操作,并且使用较少的数据量进行处理,可以大幅度降低程序运行时间,并且最后的识别率与全通道相近,大大增加了实用性。但是这类方法存在一定的缺陷:当受试者进行实验时,若这些固定的通道数据采集不佳时,就会必然导致识别率大幅下降。另外一种思路是使用通道选择的方法,通过算法筛选出最优通道,再使用最优通道的数据进行疲劳驾驶检测。这类方法相较于上一种方法的优点是:能够保证识别率不会受不同受试者,不同的时间的影响,并且识别率显著提高。但是缺点就是:需要固定的通道数仍然较多,例如需要24个固定通道才能选择出几个较好的通道。
发明内容
本发明针对现有技术的不足,提出了一种基于EEMD组合特征的通道选择方法,包括步骤如下:
步骤1.使用设备采集疲劳模拟驾驶脑电信号;
步骤2.根据疲劳脑电信号在大脑皮层中的相关区域选取若干个电极通道,并且对信号进行预处理;
步骤3.对预处理好后的信号进行经验模态分解(Ensemble Empirical ModeDecomposition,EEMD),提取所获得的本征模函数(Intrinsic Mode Function,IMF)的组合特征,对得到的组合特征进行通道选择,选取理想的通道;
所述的基于EEMD的IMF分量的组合特征的通道选择算法:
3-1.对预处理好的脑电数据分段;
3-2.采用的时频分析方法为EEMD,将每个片段的数据输入到EEMD中,得到每个片段的前3个IMF分量;
3-3.计算每个IMF分量的功率谱密度函数(Power Spectral Density,PSD)以及样本熵(Sample Entropy,SE)作为特征,使用STFT计算每个IMF分量的PSD,计算SE时,m=2,r=0.25*std,std是序列的标准差;
3-4.选择2个特征满足以下2个条件的通道作为理想通道:
正常和疲劳2种状态序列的标准差的比值Cstd:
其中σwake是正常样本的特征的标准差,分别有PSD和SE 2种特征;xi是正常状态下的样本点的特征值,也分别有上述2种特征,i=1,...,N,σfati是疲劳样本的特征的标准差,分别有PSD和SE 2种特征;x′i是疲劳状态下的样本点的特征值,也分别有上述2种特征,i=1,...,N′;Cstd是2种状态标准差的比值,正常和疲劳2种状态特征值的累加和比值Carea:
其中Awake是正常样本的特征的累加和,分别有PSD和SE 2种特征;Afati是疲劳样本的特征的累加和,也分别有PSD和SE 2种特征,Carea是2种状态特征的累加和的比值;
通过Cstd和Carea 2个指标,进行阈值分割,从而得到最优通道,
步骤4.对理想通道的数据放入使用粒子群优化(Particle Swarm Optimization,PSO)后的多层感知超限学习机(Multi layer perceptual Extreme learning machine,H-ELM)进行训练,得到训练模型;
步骤5.将通道选择后的测试数据输入到训练模型中进行分类。
按照本发明提供的技术方案,在原有数据上提取了基于EEMD的组合特征,并且在组合特征的基础上提出了通道选择的方法,大幅度降低所需的实验所需的电极数以及程序运行的时间,减少了原数据的信息冗余,提高了分类准确率。
作为优选,所述的步骤2中,疲劳脑电信号在大脑皮层中的相关区域选取若干个电极通道并且对信号进行预处理,16个固定的电极和预处理过程具体为:
疲劳脑电信号在大脑皮层中的相关区域选取C3、Cz、C4、FC1、FC2、FC3、FC4、FC5、FP1、FP2、F7、F3、F4、FZ、FT7、TP7作为处理信号,并且对信号进行200Hz的降采样,并且进行0.5~50Hz的带通滤波,每位受试者得到的数据是:16x240000x2。
作为优选,所述的步骤4中,使用PSO-H-ELM对分配好的样本进行分类测试:
4-1.
将理想通道的数据随机打乱,并将打乱的数据及其对应标签按照8:2的比例分为train data和test data;
4-2.RELM1层的输入节点数为360,隐节点数目为50;
4-3.RELM2层的输入节点数为360,隐节点数目为50;
4-4.RELM3层的输入节点数为360,隐节点数目为500;
4-5.计算输出节点的权值矩阵,并且得到相应的分类准确率;
4-6.更新S和C,使用PSO算法不断找寻最优解,得到最好的分类效果。
本发明有益效果如下:
采用EEMD的时频分析方法,将疲劳脑电信号时频域特征进行融合,进一步计算得到了PSD和SE特征;将模拟驾驶数据和公共数据集作为样本,在大脑皮层中的相关区域选取16个电极通道,对其中的数据进行基于2种特征组合的通道选择算法,通过Cstd和Carea判别最优通道,在大大减少所使用固定电极数的同时,也能提高分类准确率,并且使用互补的组合特征,不会因训练数据较少导致模型的泛化能力不好,鲁棒性大大降低,很大程度上的提高了实用性。
附图说明
图1为2种特征理想通道和非理想通道对比图;
图2为PSO-H-ELM基本结构图;
图3为疲劳驾驶检测的流程图;
具体实施方式
下面结合具体实施例对本发明进一步说明。以下描述仅作为示范和解释,并不对本发明作任何形式上的限制。
步骤1.使用脑电采集设备采集模拟疲劳驾驶信号,其中采集的脑电信号源从24名受试者所佩戴的国际10-20导联系统获得,采样频率为1000Hz;
步骤2.根据疲劳脑电信号在大脑皮层中的相关区域选取C3、Cz、C4、FC1、FC2、FC3、FC4、FC5、FP1、FP2、F7、F3、F4、FZ、FT7、TP7作为处理信号,并且对信号进行200Hz的降采样,并且进行0.5~50Hz的带通滤波。
步骤3.进行脑电数据的特征提取以及通道选择,具体步骤为:
3-1.对预处理好的脑电数据分段,每10s为一个片段,总共有240个片段,也就是说每个受试者的数据现在是16x240x2000;
3-2.采用EEMD对数据进行时频分析,将每个片段的数据输入到EEMD中,得到每个片段的前3个IMF分量,共有16x3=48个IMF分量,也就是说现在的数据是16x240x2000x3;
3-3.计算每个IMF分量的功率谱密度函数(Power Spectral Density,PSD)以及样本熵(Sample Entropy,SE)作为特征,每个特征都有48个特征分量,这意味着,对于每一个特征,每位受试者的数据为16x240x3。使用STFT计算每个IMF分量的PSD,计算SE时,m=2,r=0.25*std,std是序列的标准差;
3-4.如图1所示,选择2个特征中满足以下Cstd和Carea2个指标的通道,得到最优通道。
步骤4.采用使用PSO优化后的H-ELM算法进行分类,具体步骤如下:
4-1.将步骤3中得到的理想通道的数据随机打乱,并将打乱的数据及其对应标签按照8:2的比例分为traindata和testdata;
H-ELM结构如图2所示,具体参数如下:
4-2.RELM1层的输入节点数为360,隐节点数目为50;
4-3.RELM2层的输入节点数为360,隐节点数目为50;
4-4.RELM3层的输入节点数为360,隐节点数目为500;
4-5.计算输出节点的权值矩阵,并且得到相应的分类准确率;
4-6.更新S和C,使用PSO算法不断找寻最优解,得到最好的分类效果。
步骤5.将理想通道的testdata输入到训练模型中,与最优权值矩阵相乘,得到最优分类结果分类。
全部工作的流程图如图3所示,这里以18个受试者为实验对象,每个受试者1次实验,每次实验记录16个通道,采用上述方法进行组合特征提取以及最优通道选择,随机选取理想通道的80%作为训练数据,20%作为测试数据对比,最后使用PSO-H-ELM分类器对疲劳脑电进行二分类,类别分别是正常状态和疲劳状态。表一是记录H-ELM方法、PSO-E-ELM方法对:经过本发明所提出的通道选择算法得到的数据和全通道的数据进行二分类准确率(accuracy)的比较。
表1 18位受试者使用全通道和理想通道的识别率对比
相比于采用全通道的数据,采用理想通道的数据得到的识别率有显著提高,验证了基于EEMD-PSD特征和这2种分类器,此通道选择方法适用于不同的受试者,且分类效果很好,准确率高达99.75%。可见本发明所提出的模型对疲劳驾驶的识别能力有一定的提升。
Claims (3)
1.一种基于疲劳脑电信号组合特征的通道选择方法,其特征在于包括以下步骤:
步骤1.使用设备采集疲劳模拟驾驶脑电信号;
步骤2.根据疲劳脑电信号在大脑皮层中的相关区域选取16个电极通道并且对信号进行预处理;
步骤3.对预处理好后的信号进行集合经验模态分解(Ensemble Empirical ModeDecomposition,EEMD),提取所获得的本征模函数(Intrinsic Mode Function,IMF)的组合特征;对得到的组合特征进行通道选择,选取理想的通道;
基于EEMD的IMF分量的组合特征的通道选择算法,具体特征如下:
3-1.对预处理好的脑电数据分段,每10s为一个片段,总共有240个片段,每个受试者的数据现在是16x240x2000;
3-2.采用的时频分析方法为EEMD,将每个片段的数据输入到EEMD中,得到每个片段的前3个IMF分量,共有16x3=48个IMF分量,每个受试者的数据现在是16x240x2000x3;
3-3.计算每个IMF分量的功率谱密度函数(Power Spectral Density,PSD)以及样本熵(Sample Entropy,SE)作为特征,每个特征都有48个特征分量,对于每一个特征,每位受试者的数据为16x240x3;使用STFT计算每个IMF分量的PSD,计算SE时,m=2,r=0.25*std,std是序列的标准差;
3-4.针对PSD和SE2种特征选择理想通道,通道满足Cstd和Carea的阈值:
正常和疲劳2种状态序列的标准差的比值Cstd:
其中σwake是正常样本的特征的标准差,分别有PSD和SE 2种特征;xi是正常状态下的样本点的特征值,也分别有上述2种特征,i=1,...,N;σfati是疲劳样本的特征的标准差,分别有PSD和SE 2种特征;x′i是疲劳状态下的样本点的特征值,也分别有上述2种特征,i=1,...,N′;Cstd是2种状态标准差的比值;
正常和疲劳2种状态特征值的累加和比值Carea:
其中Awake是正常样本的特征的累加和,分别有PSD和SE 2种特征;Afati是疲劳样本的特征的累加和,也分别有PSD和SE 2种特征;Carea是2种状态特征的累加和的比值;
通过Cstd和Carea 2个指标,进行阈值分割,从而得到最优通道;
步骤4.对理想通道的数据放入使用粒子群优化后的多层感知超限学习机(Multi-layer perceptual Extreme learning machine,H-ELM)进行训练,得到训练模型;
步骤5.将通道选择后的测试数据输入到训练模型中进行分类。
2.根据权利要求1所述的一种基于疲劳脑电信号组合特征的通道选择方法,其特征在于:所述的步骤2中,16个固定的电极和预处理过程具体为:
疲劳脑电信号在大脑皮层中的相关区域选取C3、Cz、C4、FC1、FC2、FC3、FC4、FC5、FP1、FP2、F7、F3、F4、FZ、FT7、TP7作为处理信号,并且对信号进行200Hz的降采样,并且进行0.5~50Hz的带通滤波,每位受试者得到的数据是:16x240000x2。
3.根据权利要求1所述的一种基于疲劳脑电信号组合特征的通道选择方法,其特征在于:使用PSO-H-ELM对分配好的样本进行分类测试,具体特征为:
3-1.将理想通道的数据随机打乱,并将打乱的数据及其对应标签按照8:2的比例分为train data和test data;
3-2.RELM1层的输入节点数为360,隐节点数目为50;
3-3.RELM2层的输入节点数为360,隐节点数目为50;
3-4.RELM3层的输入节点数为360,隐节点数目为500;
3-5.计算输出节点的权值矩阵,并且得到相应的分类准确率;
3-6.更新S和C,使用PSO算法不断找寻最优解,得到最好的分类效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110712331.8A CN113288150B (zh) | 2021-06-25 | 2021-06-25 | 一种基于疲劳脑电信号组合特征的通道选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110712331.8A CN113288150B (zh) | 2021-06-25 | 2021-06-25 | 一种基于疲劳脑电信号组合特征的通道选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113288150A CN113288150A (zh) | 2021-08-24 |
CN113288150B true CN113288150B (zh) | 2022-09-27 |
Family
ID=77329569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110712331.8A Active CN113288150B (zh) | 2021-06-25 | 2021-06-25 | 一种基于疲劳脑电信号组合特征的通道选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113288150B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140009715A (ko) * | 2012-07-12 | 2014-01-23 | 중앙대학교 산학협력단 | Pso기반 최적의 eeg채널 결정 방법 및 장치 |
CN104000587A (zh) * | 2014-06-11 | 2014-08-27 | 北京邮电大学 | 一种基于边缘小波特征的脑电波(eeg)信号识别系统 |
WO2017101529A1 (zh) * | 2015-12-14 | 2017-06-22 | 广州视源电子科技股份有限公司 | 心电导联智能选择方法和系统 |
CN107920770A (zh) * | 2015-07-31 | 2018-04-17 | 美敦力公司 | 识别用于电生理映射的模糊心脏信号 |
CN110876626A (zh) * | 2019-11-22 | 2020-03-13 | 兰州大学 | 基于多导联脑电最优导联选择的抑郁检测系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3599999A1 (en) * | 2017-03-31 | 2020-02-05 | Bioserenity | Method for identification of pathological brain activity from scalp electroencephalogram |
CN108937921A (zh) * | 2018-04-11 | 2018-12-07 | 杭州电子科技大学 | 结合经验模态分解和能量谱密度的驾驶疲劳特征提取方法 |
EP3811861A1 (en) * | 2019-10-25 | 2021-04-28 | Tata Consultancy Services Limited | Method and system for optimum channel selection in twin radar for cardiopulmonary signal monitoring |
CN111543983B (zh) * | 2020-04-02 | 2023-04-18 | 天津大学 | 一种基于神经网络的脑电信号通道选择方法 |
CN111583954B (zh) * | 2020-05-12 | 2021-03-30 | 中国人民解放军国防科技大学 | 一种说话人无关单通道语音分离方法 |
CN112932502B (zh) * | 2021-02-02 | 2022-05-03 | 杭州电子科技大学 | 结合互信息通道选择与混合神经网络的脑电情感识别方法 |
-
2021
- 2021-06-25 CN CN202110712331.8A patent/CN113288150B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140009715A (ko) * | 2012-07-12 | 2014-01-23 | 중앙대학교 산학협력단 | Pso기반 최적의 eeg채널 결정 방법 및 장치 |
CN104000587A (zh) * | 2014-06-11 | 2014-08-27 | 北京邮电大学 | 一种基于边缘小波特征的脑电波(eeg)信号识别系统 |
CN107920770A (zh) * | 2015-07-31 | 2018-04-17 | 美敦力公司 | 识别用于电生理映射的模糊心脏信号 |
WO2017101529A1 (zh) * | 2015-12-14 | 2017-06-22 | 广州视源电子科技股份有限公司 | 心电导联智能选择方法和系统 |
CN110876626A (zh) * | 2019-11-22 | 2020-03-13 | 兰州大学 | 基于多导联脑电最优导联选择的抑郁检测系统 |
Non-Patent Citations (3)
Title |
---|
A review of channel selection algorithms for EEG signal processing;Alotaiby et al.;《EURASIP Journal on Advances in Signal Processing》;20150801;第1-21页 * |
EMG Channel Selection for Improved Hand Gesture Classification;Ali Samadani等;《 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC)》;20180828;第4297-4300页 * |
面向情绪识别的脑电特征组合及通道优化选择研究;王永宗;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20181115;I136-35 * |
Also Published As
Publication number | Publication date |
---|---|
CN113288150A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110432898A (zh) | 一种基于非线性动力学特征的癫痫发作脑电信号分类系统 | |
Lasefr et al. | Epilepsy seizure detection using EEG signals | |
CN104809434B (zh) | 一种基于单通道脑电信号眼电伪迹去除的睡眠分期方法 | |
Tarassenko et al. | Identification of inter-ictal spikes in the EEG using neural network analysis | |
CN104586387A (zh) | 一种时、频、空域多参数脑电特征提取与融合方法 | |
CN110236533A (zh) | 基于多深度神经网络迁移特征学习的癫痫发作预测方法 | |
Kumari et al. | Seizure detection in EEG using time frequency analysis and SVM | |
CN111523601B (zh) | 一种基于知识引导和生成对抗学习的潜在情绪识别方法 | |
Nishad et al. | Classification of epileptic electroencephalogram signals using tunable-Q wavelet transform based filter-bank | |
CN111931576A (zh) | 基于ewt和改进csp的癫痫信号分类方法 | |
CN110321783A (zh) | 一种基于1d卷积神经网络的meg棘波检测方法及系统 | |
CN104887222A (zh) | 可逆化脑电信号分析方法 | |
CN114492513B (zh) | 跨用户场景下对抗域适应的脑电情绪识别方法 | |
CN113158964B (zh) | 一种基于残差学习和多粒度特征融合的睡眠分期方法 | |
CN112674782B (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
CN108836322B (zh) | 一种裸眼3d显示视觉诱导晕动症检测方法 | |
Qi et al. | Driver fatigue assessment based on the feature fusion and transfer learning of EEG and EMG | |
CN113288150B (zh) | 一种基于疲劳脑电信号组合特征的通道选择方法 | |
Ebrahimpour et al. | Epileptic seizure detection using a neural network ensemble method and wavelet transform | |
Purnamasari et al. | Relative wavelet bispectrum feature for alcoholic EEG signal classification using artificial neural network | |
CN114532994B (zh) | 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法 | |
Tzallas et al. | A time-frequency based method for the detection of epileptic seizures in EEG recordings | |
Ge et al. | The classification of EEG signals with multi-domain fusion based on DS evidence theory | |
CN114916937A (zh) | 一种基于bdpca聚类算法的驾驶员脑电疲劳等级划分方法 | |
CN113598792B (zh) | 基于有监督特征融合算法的癫痫脑电分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |