CN113536882B - 一种多类运动想象脑电信号特征提取及分类方法 - Google Patents
一种多类运动想象脑电信号特征提取及分类方法 Download PDFInfo
- Publication number
- CN113536882B CN113536882B CN202110252049.6A CN202110252049A CN113536882B CN 113536882 B CN113536882 B CN 113536882B CN 202110252049 A CN202110252049 A CN 202110252049A CN 113536882 B CN113536882 B CN 113536882B
- Authority
- CN
- China
- Prior art keywords
- motor imagery
- class
- signal
- matrix
- electroencephalogram
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000000605 extraction Methods 0.000 title claims description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 241000282461 Canis lupus Species 0.000 claims abstract description 38
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 238000012706 support-vector machine Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 210000004556 brain Anatomy 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 230000002087 whitening effect Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- VKYKSIONXSXAKP-UHFFFAOYSA-N hexamethylenetetramine Chemical compound C1N(C2)CN3CN1CN2C3 VKYKSIONXSXAKP-UHFFFAOYSA-N 0.000 claims 1
- 210000004072 lung Anatomy 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 210000004185 liver Anatomy 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- VZCCETWTMQHEPK-QNEBEIHSSA-N gamma-linolenic acid Chemical compound CCCCC\C=C/C\C=C/C\C=C/CCCCC(O)=O VZCCETWTMQHEPK-QNEBEIHSSA-N 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多类运动想象脑电信号特征提取及分类方法,首先使用脑电采集设备采集多导联运动想象脑电信号,利用巴特沃斯滤波器和共平均参考对脑电信号进行预处理;然后采用局部均值分解算法将预处理后的信号分解为一系列PF分量,并根据云理论的熵和超熵两个特征参数选取有效PF分量;随后将各导联的有效PF分量依次排列,构成新的信号矩阵,进而通过共空间模式提取脑电信号特征;最后将特征向量输入多目标灰狼优化的孪生支持向量机,完成对多类运动想象脑电信号的识别。本发明的方法提高了多类运动想象脑电信号的识别准确率。
Description
技术领域
本发明涉及脑电信号分类识别,具体涉及一种多类运动想象脑电信号特征提取及分类方法。
背景技术
目前,脑-机接口(Brain Computer Interface,BCI)技术作为一种可以直接在人脑和计算机设备建立通讯和控制的技术。该技术在医疗康复、智能家居、大众娱乐和军事领域有着广泛的应用前景。目前脑-机接口技术的研究方向主要为以下几个方面:感知运动节律、P300时间相关电位、慢皮层电位、稳态视觉诱发电位。其中基于运动想象的感知运动节律被广泛的用来进行BCI控制。
运动想象脑电信号的特征提取算法主要有自回归模型、小波变换、经验模态分解和共空间模式等。自回归模型是利用AR谱特征来反应脑电信号的时变特性,但是该方法适合分析平稳信号,不适于脑电信号这种非线性非平稳信号。小波变换作为一种处理非平稳信号的有力工具受到众多研究人员的青睐,但是由于脑电信号的复杂机理,导致小波基函数选择困难,对于不同个体缺乏自适应能力。经验模态分解作为一种处理非线性非平稳信号的自适应分解算法在特征提取方面展现出巨大优势,但是由于端点效应和模态混叠等现象的存在,会导致分解结果严重失真。共空间模式作为一种提取运动想象脑电信号特征的有效方法,是根据矩阵同时对角化的理论去寻找一个空间滤波器,从而完成脑电信号空域特征的提取,但是其需要大量的输入通道,并且缺乏频率信息。模式识别方法主要有极限学习机、K近邻、支持向量机、最小二乘法支持向量机和孪生支持向量机等。研究人员根据样本大小、特征维数和分类复杂度等来选择分类器,并通过遗传算法、网格优化算法和粒子群优化算法等确定分类器参数,实现对运动想象状态的识别。
因此,提供一种特征提取能力强、分类性能高的多类运动想象脑电信号识别方法已成为本领域研究人员亟待解决的技术问题。
发明内容
本发明的主要目的在于提供一种多类运动想象脑电信号特征提取及分类方法,实现对多类运动想象脑电信号的高精度识别。
本发明采用的技术方案是:一种多类运动想象脑电信号特征提取及分类方法,包括以下步骤:
第一步,使用脑电采集设备采集被试者不同运动想象状态下的多导联脑电信号,并划分为训练集和测试集;
第二步,信号预处理,采用巴特沃斯滤波器和共平均参考去除训练集脑电信号中的工频干扰和基线漂移等噪声,并对降噪后的信号进行镜像延拓处理;
第三步,将镜像延拓后的脑电信号进行局部均值分解,得到一系列PF分量,截去各PF分量的延拓部分,获得原脑电信号的PF分量;
第四步,根据云理论中的熵和超熵两个特征参数确定阈值,通过阈值来筛选有效PF分量,并将各导联PF分量依次排列构成新的信号矩阵;
第五步,利用共空间模式对不同运动想象任务的信号矩阵进行特征提取,构造特征向量;
第六步,运用多目标灰狼优化算法优化孪生支持向量机参数,并进行训练学习,得到分类器模型;
第七步,提取测试集运动想象脑电信号特征,并通过第六步得到的孪生支持向量机进行分类,完成对多类运动想象脑电信号的识别。
进一步地,所述第二步的具体步骤如下:
更进一步地,所述第三步的具体步骤如下:
更进一步地,所述第四步的具体步骤如下:
更进一步地,所述第五步的具体步骤如下:
步骤1:针对第1类和第2类运动想象任务的信号矩阵和,首先分别计算和的平均协方差矩阵和,并求出混合协方差矩阵,然后计算白化矩阵,并对和进行白化处理,得到白化后矩阵和,最后对和进行特征分解,得到共同特征向量矩阵,并选取前行和后行组成矩阵,从而构造出空间滤波器;
更进一步地,所述第六步的具体步骤如下:
步骤1:通过总体识别准确率和单类识别准确率构造目标函数,目标函数定义如下:
步骤2:根据参数范围及约束条件初始化孪生支持向量机惩罚参数和径向基核函数参数,即多目标灰狼优化算法中的初始种群;
步骤4:根据多目标灰狼优化算法的狼群捕猎机制和头狼选择机制来更新档案库;
步骤5:重复步骤4直至最大迭代次数,输出帕累托解集,即孪生支持向量机惩罚因子和径向基核函数参数解集。
更进一步地,所述第七步具体步骤如下:
步骤4:最后将测试集特征输入第六步训练好的孪生支持向量机中,实现对多类运动想象脑电信号的识别。
本发明的优点:
本发明的方法使用镜像扩展技术抑制局部均值分解的端点效应,并通过云理论中熵和超熵两个特征参数确定阈值,以此筛选输入共空间模式的有效PF分量,消除不相干频段的影响,增强共空间模式的特征提取能力;其次通过多目标灰狼优化孪生支持向量机的惩罚参数以及核函数参数,改善了分类器性能,提高了多类运动想象脑电信号的识别准确率。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的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是本发明的方法流程框图;
图2是本发明实施例的实验时序图;
图3是本发明实施例的PF分量和频谱图;
图4是本发明实施例的被试者2的三类运动F3通道的PF分量的云理论特征参数;
图5是本发明实施例所提取的最重要两个特征分布图;
图6是本发明实施例的多目标灰狼算法流程框图;
图7是本发明实施例的不同方法识别率对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参考图1,一种多类运动想象脑电信号特征提取及分类方法,包括以下
步骤:
第一步,使用脑电采集设备采集被试者不同运动想象状态下的多导联脑电信号,并划分为训练集和测试集;
第二步,信号预处理,采用巴特沃斯滤波器和共平均参考去除训练集脑电信号中的工频干扰和基线漂移等噪声,并对降噪后的信号进行镜像延拓处理;
第三步,将镜像延拓后的脑电信号进行局部均值分解,得到一系列PF分量,截去各PF分量的延拓部分,获得原脑电信号的PF分量;
第四步,根据云理论中的熵和超熵两个特征参数确定阈值,通过阈值来筛选有效PF分量,并将各导联PF分量依次排列构成新的信号矩阵;
第五步,利用共空间模式对不同运动想象任务的信号矩阵进行特征提取,构造特征向量;
第六步,运用多目标灰狼优化算法优化孪生支持向量机参数,并进行训练学习,得到分类器模型;
第七步,提取测试集运动想象脑电信号特征,并通过第六步得到的孪生支持向量机进行分类,完成对多类运动想象脑电信号的识别。
第二步的具体步骤如下:
第三步的具体步骤如下:
第四步的具体步骤如下:
第五步的具体步骤如下:
步骤1:针对第1类和第2类运动想象任务的信号矩阵和,首先分别计算和的平均协方差矩阵和,并求出混合协方差矩阵,然后计算白化矩阵,并对和进行白化处理,得到白化后矩阵和,最后对和进行特征分解,得到共同特征向量矩阵,并选取前行和后行组成矩阵,从而构造出空间滤波器;
第六步的具体步骤如下:
步骤1:通过总体识别准确率和单类识别准确率构造目标函数,目标函数定义如下:
步骤2:根据参数范围及约束条件初始化孪生支持向量机惩罚参数和径向基核函数参数,即多目标灰狼优化算法中的初始种群;
步骤4:根据多目标灰狼优化算法的狼群捕猎机制和头狼选择机制来更新档案库;
步骤5:重复步骤4直至最大迭代次数,输出帕累托解集,即孪生支持向量机惩罚因子和径向基核函数参数解集。
第七步具体步骤如下:
步骤4:最后将测试集特征输入第六步训练好的孪生支持向量机中,实现对多类运动想象脑电信号的识别。
为证实本发明的有效性,本实施例设计了上肢单关节三类运动想象实验范式。Emotiv Epoc+设备用于脑电实验数据采集,该设备包括14个通道和2个参考电极,采样频率128Hz,遵循国际10-20标准布置电极。实验执行肩部前屈、后伸和外展三种运动想象任务,共有7名被试者参加。
实验时被试者双手自然放置,保持放松状态,在外界提示下作三类运动想象。实验时序图如图2所示,实验开始时,被试者注视白色空屏;在t=1s时,出现一个短暂的蜂鸣声,屏幕上出现一个“+”,提示被试者进行准备;在t=3s时,出现一个持续1.25s箭头,指向上边、下边和右边,这个箭头提示被试者想象肩部前屈、后伸和外展;在t=7s时,结束运动想象;下一次试验在休息2s后继续进行。每名受试者每类动作各采集80组数据,共计240组,其中训练数据与测试数据各120组(三种运动想象任务各40组)。
首先进行导联选取和预处理,由于F3、F4、FC5、FC6导联位于运动想象最敏感的大脑中央区,故本实施例选用上述四个导联4~7s的脑电信号进行运动想象分析;采用5阶巴特沃斯滤波器对原始信号进行8~30Hz的带通滤波,之后通过共平均参考对带通滤波后的脑电信号进行降噪处理,得到降噪后的脑电信号;随后对脑电信号执行镜像扩展,扩展序列。
然后对扩展序列执行局部均值分解,得到不同个数的PF分量,并截取各PF分量延拓部分的样本点(即中的第385~第768个点,共384个数据点),得到原始脑电信号的PF分量。以被试者2肩部外展运动想象脑电数据为例,执行局部均值分解得到的前四阶PF分量如图3(a)所示,对应频谱图如图3(b)所示。随之根据云理论计算各PF分量的熵En和超熵He两个特征参数来确定阈值,筛选出有效PF分量。图4为被试者2的三类运动F3通道的PF分量的熵和超熵两个特征参数。通过大量数据分析,本实施例选择第一阶PF分量作为有效PF分量。即选取所有通道第一阶PF分量组成新的信号矩阵。同理对不同运动想象任务的训练集数据重复上述操作,得到肩部外展运动的信号矩阵,肩部后伸运动的信号矩阵,肩部前屈运动的信号矩阵。
接着分别计算类和类运动想象任务信号矩阵的平均协方差矩阵和,进而求得混合协方差矩阵,求得特征向量矩阵和特征值对角矩阵,求出白化矩阵,接着分别对和进行白化处理,得到相应白化后矩阵和,经特征值分解后,得到公共特征向量,选取前2行和后2行组成矩阵,求得空间滤波器。同理在每两类间构造空间滤波器,共构造6个空间滤波器,并将属于每一类空间滤波器进行纵向拼接,构造C出每类的总体空间滤波器:
将A类的单次样本通过空间滤波得到,并进行特征提取,得到A类运动想象脑电信号8维特征向量。同理对A类其余样本进行空间滤波,得到A类运动想象任务的训练集特征。按照上述方式对E类和F类运动想象任务进行处理,得到训练集特征和。图5为所提取的最重要两个特征分布图。
同理按照上述方式提取测试数据特征,但是在有效PF分量筛选和空间滤波时,直接采用训练数据所确定的阈值和所构造的空间滤波器,完成测试数据的特征提取过程。将测试特征输入训练好的孪生支持向量机分类器中,实现对三类运动想象信号的分类识别,并与现有几种方法进行比较,证明了所提出的方法具有优越性。图7为不同方法识别率对比图。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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。
Claims (8)
1.一种多类运动想象脑电信号特征提取及分类方法,其特征在于,包括以下步骤:
第一步,使用脑电采集设备采集被试者不同运动想象状态下的多导联脑电信号,并划分为训练集和测试集;
第二步,信号预处理,采用巴特沃斯滤波器和共平均参考去除训练集脑电信号中的工频干扰和基线漂移这些噪声,并对降噪后的信号进行镜像延拓处理;
第三步,将镜像延拓后的脑电信号进行局部均值分解,得到一系列PF分量,截去各PF分量的延拓部分,获得原脑电信号的PF分量;
第四步,根据云理论中的熵和超熵两个特征参数确定阈值,通过阈值来筛选有效PF分量,并将各导联PF分量依次排列构成新的信号矩阵;
第五步,利用共空间模式对不同运动想象任务的信号矩阵进行特征提取,构造特征向量;
第六步,运用多目标灰狼优化算法优化孪生支持向量机参数,并进行训练学习,得到分类器模型;
第七步,提取测试集运动想象脑电信号特征,并通过第六步得到的孪生支持向量机进行分类,完成对多类运动想象脑电信号的识别。
6.根据权利要求1所述的多类运动想象脑电信号特征提取及分类方法,其特征在于,所述第五步的具体步骤如下:
步骤1:针对第1类和第2类运动想象任务的信号矩阵和,首先分别计算和的平均协方差矩阵和,并求出混合协方差矩阵,然后计算白化矩阵,并对和进行白化处理,得到白化后矩阵和,最后对和进行特征分解,得到共同特征向量矩阵,并选取前行和后行组成矩阵,从而构造出空间滤波器;
7.根据权利要求1所述的多类运动想象脑电信号特征提取及分类方法,其特征在于,所述第六步的具体步骤如下:
步骤1:通过总体识别准确率和单类识别准确率构造目标函数,目标函数定义如下:
步骤2:根据参数范围及约束条件初始化孪生支持向量机惩罚参数和径向基核函数参数,即多目标灰狼优化算法中的初始种群;
步骤4:根据多目标灰狼优化算法的狼群捕猎机制和头狼选择机制来更新档案库;
步骤5:重复步骤4直至最大迭代次数,输出帕累托解集,即孪生支持向量机惩罚因子和径向基核函数参数解集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110252049.6A CN113536882B (zh) | 2021-03-08 | 2021-03-08 | 一种多类运动想象脑电信号特征提取及分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110252049.6A CN113536882B (zh) | 2021-03-08 | 2021-03-08 | 一种多类运动想象脑电信号特征提取及分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113536882A CN113536882A (zh) | 2021-10-22 |
CN113536882B true CN113536882B (zh) | 2023-04-07 |
Family
ID=78124290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110252049.6A Active CN113536882B (zh) | 2021-03-08 | 2021-03-08 | 一种多类运动想象脑电信号特征提取及分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536882B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114129175A (zh) * | 2021-11-19 | 2022-03-04 | 江苏科技大学 | 基于lstm和bp的运动想象脑电信号的分类方法 |
CN114118175A (zh) * | 2021-12-21 | 2022-03-01 | 中元汇吉生物技术股份有限公司 | Maldi-tof质谱信号的预处理方法、设备及介质 |
CN116522103A (zh) * | 2022-11-21 | 2023-08-01 | 杭州电力设备制造有限公司 | 基于itd分解和麻雀优化的孪生支持向量机的电能质量扰动分类方法 |
CN116509337B (zh) * | 2023-06-27 | 2024-07-26 | 安徽星辰智跃科技有限责任公司 | 基于局部分解的睡眠周期性检测及调节方法、系统和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091172A (zh) * | 2014-07-04 | 2014-10-08 | 北京工业大学 | 一种运动想象脑电信号的特征提取方法 |
CN108573207A (zh) * | 2017-12-22 | 2018-09-25 | 南京邮电大学 | Emd和csp融合最优波长空间滤波脑电特征提取方法 |
CN108960299A (zh) * | 2018-06-15 | 2018-12-07 | 东华大学 | 一种多类运动想象脑电信号的识别方法 |
CN109480834A (zh) * | 2018-12-20 | 2019-03-19 | 浙江大学 | 一种基于快速多维经验模态分解的脑电信号分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101741739B1 (ko) * | 2016-02-19 | 2017-05-31 | 광주과학기술원 | 브레인 컴퓨터 인터페이스를 위한 장치 및 방법 |
WO2019068200A1 (en) * | 2017-10-06 | 2019-04-11 | Holland Bloorview Kids Rehabilitation Hospital | BRAIN INTERFACES PLATFORM AND METHOD FOR INNER SPEECH CLASSIFICATION |
-
2021
- 2021-03-08 CN CN202110252049.6A patent/CN113536882B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091172A (zh) * | 2014-07-04 | 2014-10-08 | 北京工业大学 | 一种运动想象脑电信号的特征提取方法 |
CN108573207A (zh) * | 2017-12-22 | 2018-09-25 | 南京邮电大学 | Emd和csp融合最优波长空间滤波脑电特征提取方法 |
CN108960299A (zh) * | 2018-06-15 | 2018-12-07 | 东华大学 | 一种多类运动想象脑电信号的识别方法 |
CN109480834A (zh) * | 2018-12-20 | 2019-03-19 | 浙江大学 | 一种基于快速多维经验模态分解的脑电信号分类方法 |
Non-Patent Citations (1)
Title |
---|
基于SJ-GDA和DT-KNN的人工智能多类运动设计与研究;林福,等;《机械设计》;20200731;第37卷(第7期);第110-115页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113536882A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113536882B (zh) | 一种多类运动想象脑电信号特征提取及分类方法 | |
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 | |
CN107961007A (zh) | 一种结合卷积神经网络和长短时记忆网络的脑电识别方法 | |
CN109598222B (zh) | 基于eemd数据增强的小波神经网络运动想象脑电分类方法 | |
Xu et al. | High accuracy classification of EEG signal | |
CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
CN101596101A (zh) | 依据脑电信号判定疲劳状态的方法 | |
CN109480834A (zh) | 一种基于快速多维经验模态分解的脑电信号分类方法 | |
CN110399846A (zh) | 一种基于多通道肌电信号相关性的手势识别方法 | |
CN108038429A (zh) | 一种运动执行的单次脑电特征提取分类方法 | |
CN109657646B (zh) | 生理时间序列的特征表示与提取方法、装置及存储介质 | |
CN111310656A (zh) | 基于多线性主成分分析的单次运动想象脑电信号识别方法 | |
CN112515685A (zh) | 基于时频共融的多通道脑电信号通道选择方法 | |
CN113208593A (zh) | 基于相关性动态融合的多模态生理信号情绪分类方法 | |
CN112674782B (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
CN113191395A (zh) | 一种基于双脑的多层次信息融合的目标检测方法 | |
CN111067517B (zh) | 基于静息态脑电特征的运动想象响应能力筛选方法 | |
CN117520891A (zh) | 一种运动想象脑电信号分类方法及系统 | |
CN107016355A (zh) | 一种低误触发率运动想象双层分类识别方法 | |
CN114218986A (zh) | 基于eeg脑电信号数据的状态分类方法 | |
Ahmed et al. | Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artefacts from electroencephalogram (EEG) mixtures | |
Imran et al. | Motor imagery EEG signal classification scheme based on wavelet domain statistical features | |
CN116796267A (zh) | 基于EEGNet和LSTM并行网络的脑电信号多分类方法及系统 | |
CN114721514B (zh) | 一种基于脑电信号的几何模型选择意图判别方法及系统 | |
Guo et al. | EEG signal analysis based on fixed-value shift compression algorithm |
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 |