CN113780134B - 一种基于ShuffleNetV2网络的运动想象脑电解码方法 - Google Patents

一种基于ShuffleNetV2网络的运动想象脑电解码方法 Download PDF

Info

Publication number
CN113780134B
CN113780134B CN202111011961.9A CN202111011961A CN113780134B CN 113780134 B CN113780134 B CN 113780134B CN 202111011961 A CN202111011961 A CN 202111011961A CN 113780134 B CN113780134 B CN 113780134B
Authority
CN
China
Prior art keywords
network
brain
time
convolution
frequency energy
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
Application number
CN202111011961.9A
Other languages
English (en)
Other versions
CN113780134A (zh
Inventor
杨俊�
刘林涛
沈韬
冯泽林
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.)
Kunming University of Science and Technology
Original Assignee
Kunming 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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202111011961.9A priority Critical patent/CN113780134B/zh
Publication of CN113780134A publication Critical patent/CN113780134A/zh
Application granted granted Critical
Publication of CN113780134B publication Critical patent/CN113780134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (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于ShuffleNetV2网络的运动想象脑电解码方法，应用于解决嵌入式或移动端下的脑机接口系统需要大量计算时间和空间的资源问题，属于脑信息解码领域。本发明采用连续小波变换和ShuffleNetV2网络构建框架，对多通道运动想象脑电信号进行特征捕获。ShuffleNetV2网络被用于学习经连续小波变换转换后的脑电二维时频能量数据特征。本发明作为一种轻量级运动想象脑电识别系统，该学习模式的实现为嵌入式或移动端下的实时脑机接口系统的实际实现提供了新的思路。

Description

一种基于ShuffleNetV2网络的运动想象脑电解码方法
技术领域
本发明属于运动想象脑电领域，具体涉及一种基于ShuffleNetV2网络的运动想象脑电解码方法，应用于嵌入式或移动端下脑机接口系统以降低计算时间和空间。
背景技术
脑科学是公认的科技前沿，基于信息科学的脑研究与应用主要包括脑信息获取，脑信息解码和应用三个方面。脑信息解码又称脑意图信息特征提取与识别，是目前脑科学中最重要的研究领域之一。脑电解码是通过机器学习方法来解读脑意图，即通过计算机来代替人为经验进行脑电数据识别和分析，脑电解码的最主要应用是脑机接口技术。脑机接口技术旨在利用脑信息解码来解读大脑活动而理解人类认知模式。脑机接口技术作为一种新的人机交互技术，是一个多学科交叉的研究领域，涉及神经科学、信号处理，以及模式识别等多个方面。脑机接口技术最初适用于残疾人士的康复训练，如今在工业控制、医疗辅助、游戏娱乐等领域均有广泛的应用场景。根据脑电信号产生机制的不同，BCI系统有着不同的分类，其中基于运动想象的BCI系统被认为是最具有发展前景的一种脑机接口系统。与诱发脑电相比，运动想象不需要外部刺激，而是通过执行心理任务来激发脑电变化。该信号总体变化是无规律可循的，微小的刺激变化就需要进行大量的解码分析才能识别出。需要对大量的脑电特征进行有效的提取和表达，于是人们进行了大量的工作，通过合理的方法设计出或高效、或高速的解码方法。但是我们发现在实际应用中，浅层神经网络可以满足高速分类的要求，但精度无法保证，而深层或混合模型则以计算和资源消耗为代价获得更高的解码精度和鲁棒性。所以，保持高性能和计算成本之间的良好取舍一直是开发运动想象脑电解码深度模型的主要挑战。
发明内容
为了解决上述问题，本发明提供了基于ShuffleNetV2轻量级网络的运动想象脑电解码方案。
具体技术方案为：
Step1对原始脑电信号进行预处理：
运动想象任务(MI-EEG)下的脑电信号会产生事件相关同步/去同步(ERS/ERD)现象。该现象在C3，C4和Cz电极通道上的u节律(8-13Hz)和β节律(17-30Hz)上有显著的能量变化特征，将这三个通道作为目标通道。对预处理后的时序脑电信号通过CWT(连续小波变换)转换为二维时频能量图；
利用公式(1)-(2)对预处理后的时序脑电信号进行二维时频能量转换：
Figure BDA0003238718140000021
Figure BDA0003238718140000022
其中，ψ(*)为傅里叶变换，t为时间，α为尺度因子，β为平移因子，Φ为小波函数族，f(t)为给定的时域信号，CWT(α,β)为连续小波变换后最终得到的二维时频能量图。
Step2对二维时频能量图进行特征提取：利用ShuffleNetV2网络提取Step1中转换后的时频能量的时频特征信息；
Step3用提取出的特征信息进行ShuffleNetV2网络模型的训练，利用训练好的ShuffleNetV2网络模型对脑电信息进行解码。
首先利用Group Convolution对输入的特征图进行分组，然后每组分别卷积。在每一组的卷积中，使用Depthwise Convolution的一个卷积核负责一个通道，一个通道只被一个卷积核卷积，共生成3个特征图，然后将3个特征图输入为卷积核1*1*M的PointwiseConvolution中生成新的M个特征图，从而达到减少计算时间和空间的目的。其中利用公式(3)对网络进行卷积操作：
ai,j＝f((Wk*x)ij+bk)                  (3)
ai,j表示二维时间频谱图，x表示输入值，Wk表示权重，bk表示偏置，f(*)表示ReLu激活函数。
随后利用channelShuffle的机制将不同组内通道间的信息流动起来，使得提取到的特征信息具有代表性和泛化的能力。最后利用公式(4)进行多分类预测：
Figure BDA0003238718140000031
其中Softmax表示多分类预测函数，χ表示特征信息，χn表示提取到的第n个特征信息；
最后将分类预测的误差反向传播到ShuffleNetV2网络，从而对整个网络参数进行更新迭代，以得到最优化的参数，得到训练好的ShuffleNetV2网络模型。
有益效果：本发明提出的基于ShuffleNetV2轻量级网络的运动想象脑电解码方案用于解决嵌入式或移动端下的脑机接口系统需要大量计算时间和空间的资源问题。与传统的向量形式不同，本方案利用连续小波变换生成的脑电信号时频图，通过组合多个通道的视频图像作为分类网络的输入，可以保留多层次(时域，频域和空间)的特征信息。由于分类网络ShuffleNetV2体量远远小于传统深度学习网络，因此，该方案为嵌入式或移动端脑机接口系统的实现提供了新的思路。
附图说明
图1为MI-EEG解码框架；
图2为四分类运动想象脑电时频能量图；
图3为ChannelShuffle结构；
图4为4种分类模型在四分类任务的平均精度对比。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
1、基于ShuffleNetV2轻量级网络的运动想象脑电解码方法
1.1 MI-EEG特征表达与特征提取的MI-EEG解码框架
如图1所示，原始脑电信号首先经过带通滤波进行预处理，然后通过连续小波变换转化为二维时频能量图，最后导入轻量级深度学习模型ShuffleNetV2进行端到端学习分类，达到脑信息解码的目的。由于ShuffleNet模型相较于其他主流深度学习网络体量大大减小，因此本发明为嵌入式或移动端脑机接口系统的实现提供了新的思路。
1.2基于CWT的MI-EEG二维时频能量图
小波作为一种信号处理的工具在脑波分析中应用很多，常用的有连续小波变换、小波包分析、离散小波变换等等。用连续小波变换分解所得的各尺度结果,即使在严重的噪声信息、基线漂移和干扰的情况下，仍能较好地提取信号的特征信息。
运动想象任务下的脑电信号会产生事件相关同步(ERD)/去同步(ERD)现象。该现象在Cz，C3和C4电极通道上的u节律(8-13Hz)和β节律(17-30Hz)上有显著的能量变化特征。使用带通滤波器把原始EEG信号过滤到8-30Hz后利用式(1)、(2)对预处理后的时序脑电信号进行二维时频能量转换：
Figure BDA0003238718140000041
Figure BDA0003238718140000042
其中，ψ(*)为傅里叶变换，t为时间，α为尺度因子，β为平移因子，Φ为小波函数族，f(t)为给定的时域信号，CWT(α,β)为连续小波变换后最终得到的二维时频能量图，如图2所示。
1.3基于ShuffleNet轻量级神经网络的搭建
卷积神经网络(CNN)是将神经科学的研究成果引入深度学习研究的一个成功案例。CNN的结构和机制为处理复杂的多维数据提供了很大帮助。一般来说，每个卷积层通常包括三个处理阶段，即卷积阶段，检测阶段和池化阶段,由输入层、卷积层、池化层和全连接层组成。卷积过程可以在看作是对细分出的特征进行组合的过程，池化是将组合出的特征进行表达的过程，即以一定的分辨率进行还原特性的特征表达。引入了典型的CNN以识别2D图像形式的形状并捕获形状的局部不变性。在CNN过程中，输入在卷积层中与几个多维过滤器(也称为卷积核)进行卷积，并在池化层中下采样为较小的大小。通过反向传播算法学习CNN中的网络参数，以优化分类器。
在神经网络设计过程中，除了精度，计算复杂度是另一个很重要的因素。真实世界的任务往往都是在一个计算力预算下追求最好的精确度，这刺激了一系列在模型精确度和更好的速度间取得平衡的工作，Group Convolution和Depthwise Convolution在其中发挥了重要的作用。
如表1所示，首先利用Group Convolution对输入的特征图进行分组，然后每组分别卷积。在每一组的卷积中，使用Depthwise Convolution的一个卷积核负责一个通道，一个通道只被一个卷积核卷积，共生成3个特征图，然后将3个特征图输入为卷积核1*1*M的Pointwise Convolution中生成新的M个特征图，从而达到减少计算时间和空间的目的。其中卷积计算利用公式(3)对网络进行操作：
ai,j＝f((Wk*x)ij+bk)                      (3)
ai,j表示二维时间频谱图，x表示输入值，Wk表示权重，bk表示偏置，f(*)表示ReLu激活函数。
随后利用channelShuffle的机制，如图3。将不同组内通道间的信息流动起来，使得提取到的特征信息具有代表性和泛化的能力：对第一次组卷积之后的输出的每组分成多份，在下一次进行分组卷积的时候，每个组的输入是前面多个组的子输出组的组合结果，这样就保证了第二次组卷积的输入是前面多个组的输出的混合体，也就是进行了channel间的信息交互。然后利用式(4)进行多分类预测：
Figure BDA0003238718140000051
其中Softmax表示多分类预测函数，χ表示特征信息，χn表示提取到的第n个特征信息；
用提取出的特征信息进行ShuffleNetV2网络模型的训练，利用训练好的ShuffleNetV2网络模型对脑电信息进行解码。
表1拟议的ShuffleNet网络
Figure BDA0003238718140000052
Figure BDA0003238718140000061
2、实验及评估
2.1实验数据及超参数设置
我们使用公共数据集2008 BCI Competition Ⅳ 2a&2b数据集。该数据是使用BCI-EEG系统收集的，使用64个通道记录大脑信号。2a数据集为四分类数据集，包含左手，右手，舌头和双脚。参与实验共9名被试者，每名受试者均有两组数据，每组包含288次实验。2b数据集为二分类数据集，包含左手和右手。参与实验共9名被试者，每名受试者均有五组数据，每组包含120次实验。实验环境为Python3.7、独立显卡NVIDIA GeForce RTX 3060、Intel(R)Core(TM)i7-10700KF中央处理器。整个神经网络由TensorFlow框架实现。
在上述数据集下共进行了300个周期的批量训练，批次大小为16。对所有超参数进行了优化，以优化反馈性能。训练时使用的优化器为Adam，初始学习率为0.0001，并且在训练过程中使用余弦衰减改变学习率，学习率的变化率随epoch改变，即利用式(5)对学习率的变进行更新：
Figure BDA0003238718140000062
其中new_rate为更新后的学习率，now_epoch为当前训练时的周期，epochs为总训练周期，end_lr_rate为最终学习率，initial_lr为初始学习率。
2.2实验结果对比分析
为了验证本发明所提出的方法在MI-EEG上的解码性能，首先对ShuffleNet网络模型训练中的一些重要参数变化情况进行分析，然后把所提出的方法与其他方法进行比较。图4显示了4种分类模型在2a四分类任务数据上的平均对比精度，其中MobileNet网络也使用了Group Convolution和Depthwise Convolution模块，但是分类精度远不及ShufflenNetV2网络；虽然EfficientNet网络精度趋近于ShuffleNetV2网络，但是该网络参数远多于ShuffleNetV2网络。可见，本发明提出的方法有助于嵌入式或移动端脑机接口系统的实现。表2列出了4种分类模型的参数数量。
表2 4种分类模型的参数数量
Figure BDA0003238718140000071
3、总结
目前基于MI-EEG解码的主要挑战：一是如何从模糊的脑电信号中提取出正确有效的辨识特征；二是在较高的精度和鲁棒性下尽可能减小模型的大小以实现较高的时效性。从而为嵌入式或移动端下的脑机接口系统的实现提供可能。传统的脑接接口系统往往在精确性和时效性上难以找到良好的折中，精度很好的网络通常伴有庞大的计算量，时效性较好的网络在精度方面不尽人意。本发明在CWT将脑电信号转换为二维时频能量图后利用ShuffleNet网络的ChannelShuffle机制大大减小运算量，并保持较高的精度。实验结果表明，提出的CWT&ShuffleNet方法可以充分利用时频信息以达到脑信息解码，并且由于ShuffleNet网络具有体量小、运算快的特点为嵌入式或移动端的脑机接口系统的实现提供了新思路。此外，这项工作还可以为MI-EEG识别的进一步研究和其他实际应用做出贡献。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (2)

1.一种基于ShuffleNetV2网络的运动想象脑电解码方法，其特征在于，包括如下步骤：
Step1对原始脑电信号进行预处理：将原始MI-EEG数据过滤到ERS/ERD目标μ和β波段，对预处理后的时序脑电信号通过CWT转换为二维时频能量图；
Step2对二维时频能量图进行特征提取：利用ShuffleNetV2网络提取Step1中转换后的时频能量的时频特征信息；
Step3用提取出的特征信息进行ShuffleNetV2网络模型的训练，利用训练好的ShuffleNetV2网络模型对脑电信息进行解码；
所述Step2-Step3的具体过程为：
首先利用Group Convolution对输入的二维时频能量图进行分组，然后每组分别卷积，在每一组的卷积中，使用Depthwise Convolution的一个卷积核负责一个通道，一个通道只被一个卷积核卷积，共生成3个特征图，然后将3个特征图输入为卷积核1*1*M的PointwiseConvolution中生成新的M个特征图，其中利用公式(3)对ShuffleNetV2网络进行卷积操作：
ai,j＝f((Wk*x)ij+bk)   (3)
ai,j表示二维时频能量图，x表示输入值，Wk表示权重，bk表示偏置，f(*)表示ReLu激活函数；
然后利用channelShuffle的机制将不同组内通道间的信息流动起来，使得提取到的特征信息具有代表性和泛化的能力，最后利用公式(4)进行多分类预测：
Figure FDA0003914874810000011
其中Softmax表示多分类预测函数，χ表示特征信息，χn表示提取到的第n个特征信息；
最后将分类预测的误差反向传播到ShuffleNetV2网络，从而对整个网络参数进行更新迭代，以得到最优化的参数，得到训练好的ShuffleNetV2网络模型。
2.根据权利要求1所述的基于ShuffleNetV2网络的运动想象脑电解码方法，其特征在于，所述Step1的具体步骤为：
利用公式(1)-(2)对预处理后的时序脑电信号进行二维时频能量转换：
Figure FDA0003914874810000021
Figure FDA0003914874810000022
其中，ψ(*)为傅里叶变换，t为时间，α为尺度因子，β为平移因子，Φ为小波函数族，f(t)为给定的时域信号，CWT(α,β)为连续小波变换后最终得到的二维时频能量图。
CN202111011961.9A 2021-08-31 2021-08-31 一种基于ShuffleNetV2网络的运动想象脑电解码方法 Active CN113780134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111011961.9A CN113780134B (zh) 2021-08-31 2021-08-31 一种基于ShuffleNetV2网络的运动想象脑电解码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111011961.9A CN113780134B (zh) 2021-08-31 2021-08-31 一种基于ShuffleNetV2网络的运动想象脑电解码方法

Publications (2)

Publication Number Publication Date
CN113780134A CN113780134A (zh) 2021-12-10
CN113780134B true CN113780134B (zh) 2023-05-02

Family

ID=78840348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111011961.9A Active CN113780134B (zh) 2021-08-31 2021-08-31 一种基于ShuffleNetV2网络的运动想象脑电解码方法

Country Status (1)

Country Link
CN (1) CN113780134B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114533083B (zh) * 2022-01-24 2023-12-01 江苏省人民医院（南京医科大学第一附属医院） 基于多融合式卷积神经网络的运动想象状态识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598222A (zh) * 2018-11-26 2019-04-09 南开大学 基于eemd数据增强的小波神经网络运动想象脑电分类方法
CN111797855A (zh) * 2019-04-09 2020-10-20 腾讯科技（深圳）有限公司 图像处理、模型训练方法、装置、介质和设备
CN111860427A (zh) * 2020-07-30 2020-10-30 重庆邮电大学 基于轻量级类八维卷积神经网络的驾驶分心识别方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11556784B2 (en) * 2019-11-22 2023-01-17 Samsung Electronics Co., Ltd. Multi-task fusion neural network architecture
CN111582041B (zh) * 2020-04-14 2023-06-09 北京工业大学 基于cwt和mlmsffcnn的脑电识别方法
CN111584032B (zh) * 2020-04-30 2023-04-18 天津大学 基于胶囊网络的新型脑控智能康复方法及应用
CN112101248B (zh) * 2020-09-18 2022-04-22 中国海洋大学 一种用于视频时空表征学习的多分组多注意力建模方法
CN112990008B (zh) * 2021-03-13 2022-06-17 山东海量信息技术研究院 基于三维特征图和卷积神经网络的情绪识别方法及系统
CN113128459B (zh) * 2021-05-06 2022-06-10 昆明理工大学 一种基于多层次脑电信号表达下的特征融合方法
CN113065526B (zh) * 2021-05-06 2022-05-31 吉林大学 一种基于改进深度残差分组卷积网络的脑电信号分类方法
CN113158984B (zh) * 2021-05-18 2022-06-17 石家庄铁道大学 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598222A (zh) * 2018-11-26 2019-04-09 南开大学 基于eemd数据增强的小波神经网络运动想象脑电分类方法
CN111797855A (zh) * 2019-04-09 2020-10-20 腾讯科技（深圳）有限公司 图像处理、模型训练方法、装置、介质和设备
CN111860427A (zh) * 2020-07-30 2020-10-30 重庆邮电大学 基于轻量级类八维卷积神经网络的驾驶分心识别方法

Also Published As

Publication number Publication date
CN113780134A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
Zhu et al. Separated channel convolutional neural network to realize the training free motor imagery BCI systems
CN109299751B (zh) 基于emd数据增强的卷积神经模型的ssvep脑电分类方法
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
Li et al. Extracting the nonlinear features of motor imagery EEG using parametric t-SNE
CN108280414A (zh) 一种基于能量特征的运动想象脑电信号的识别方法
CN111544855A (zh) 基于蒸馏学习和深度学习纯意念控制智能康复方法及应用
CN114266276A (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
CN113780134B (zh) 一种基于ShuffleNetV2网络的运动想象脑电解码方法
Zhang et al. Bidirectional Siamese correlation analysis method for enhancing the detection of SSVEPs
CN108364062A (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
CN113558644B (zh) 一种3d矩阵与多维卷积网络的情感分类方法、介质和设备
Mu et al. EEG channel selection methods for motor imagery in brain computer interface
CN117520891A (zh) 一种运动想象脑电信号分类方法及系统
Guan et al. Multiclass motor imagery recognition of single joint in upper limb based on NSGA-II OVO TWSVM
CN117195099A (zh) 一种融合多尺度特征的脑电信号情感识别算法
Li et al. A transfer learning method based on VGG-16 convolutional neural network for MI classification
CN114997229A (zh) 一种基于脑电信号的运动想象分类方法和系统
Tang et al. Dynamic pruning group equivariant network for motor imagery EEG recognition
Liu et al. SincMSNet: a Sinc filter convolutional neural network for EEG motor imagery classification
Lin et al. A motor-imagery BCI system based on deep learning networks and its applications
Zhang et al. Classification of EEG signals based on GA-ELM optimization algorithm
Chen et al. Combine ICA and ensemble learning methods for motor imagery EEG classification
Yang et al. Multi-class feature extraction based on common spatial patterns of multi-band cross filter in BCIs
CN112016415B (zh) 结合集成学习与独立分量分析的运动想象分类方法
Liu et al. Motor imagery classification method based on long and short windows interception

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