CN114010208B - 适用于ssvep分类的零填充频域卷积神经网络方法 - Google Patents
适用于ssvep分类的零填充频域卷积神经网络方法 Download PDFInfo
- Publication number
- CN114010208B CN114010208B CN202111311799.2A CN202111311799A CN114010208B CN 114010208 B CN114010208 B CN 114010208B CN 202111311799 A CN202111311799 A CN 202111311799A CN 114010208 B CN114010208 B CN 114010208B
- Authority
- CN
- China
- Prior art keywords
- ssvep
- signals
- electroencephalogram
- frequency
- zero
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/378—Visual stimuli
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种适用于SSVEP分类的零填充频域卷积神经网络方法,应用于脑电信号处理领域,针对现有技术对SSVEP和SSVEP子类的SSMVEP脑电信号的分类准确率和信息传输速率较低的问题;本发明首先使用脑电采集设备采集人体大脑枕部九个电极的SSVEP脑电信号;其次对脑电信号进行预处理;之后在时域对预处理后的脑电信号进行补零填充,提取九个通道的SSVEP信号的功率谱密度中感兴趣的基频频带和二次谐波频带组合成一个特征矩阵;最后将该特征矩阵作为CNN深度学习模型的输入,使用非线性变换对不同类别的SSVEP信号进行识别;采用本发明的方法能获得较高的分类准确率。
Description
技术领域
本发明属于脑电信号处理领域,特别涉及一种脑电信号分类技术。
背景技术
脑机接口(Brain Computer Interface,BCI)是一种通信系统。它通过将大脑中的“意念”转换为指令,使得人脑能够直接传递指令给指定的机器终端。无需语言或动作,就能直接的表达意图和想法,或操纵机器设备。在过去的数十年之间,在各种模式的BCI中,通过脑电图(electroencephalogram,EEG)实现的稳态视觉诱发电位(Steady-State VisualEvoked Potentials,SSVEP)的BCI因具有高信息传输速率(ITR)、高信噪比(SNR)、训练时间少和可靠性而被广泛关注与研究。其已被广泛的应用在了助残康复、娱乐体验等多个领域之内,并且在改善残疾人的生活水平质量中有着巨大的贡献。基于SSVEP的BCI虽然已在各个领域内体现出了很高的应用价值,但是其在设计和应用等方面仍然有待研究,依然面临着巨大的挑战。
如何提高基于SSVEP的BCI的信息传输速率和识别准确率一直是BCI设计和应用中被研究的一个重点课题。根据SSVEP信号的特征,为了提高基于SSVEP的BCI的性能,研究人员从各个方面进行了创新。例如在刺激范式方面,联合频率相位调制(JFPM)的刺激编码方法被广泛的应用于SSVEP的BCI的视觉刺激中,用于提升SSVEP的BCI的性能。此外,有研究者采用亮度不变、周期径向收缩-扩张振荡运动的棋盘格视觉刺激方式诱发脑电信号。新的刺激范式在维持相同水平的识别准确率的同时,有效降低了使用者的视觉疲劳和提高了使用者的舒适度。同时,在算法层面上,脑机接口的研究人员也做出了创新和努力。
检测SSVEP信号的算法按照类型,可大体分为无监督方法和有监督训练方法两个类别。在无监督的方法中,一部分是以傅里叶变换为基础的频谱分析方法,比如快速傅里叶变换(FFT)算法、功率谱密度分析(PSDA)算法等在频域内分析的算法。该类算法虽然比较简单,运算时间少,适合单通道,但是计算时需要足够长的信号数据,且需要假设信号线性稳态,该类算法不能很好的处理具有非线性和非平稳特征的高度复杂的脑电信号。一部分是基于信号分解分析的方法。比如由Huang提出的以经验模态分解(EMD)为基础的希尔伯特-黄变换(HHT)算法。该类算法是在时频域内对信号进行分析,虽然相较于FFT在处理非线性和非平稳信号方面具有更好的通用性。但是面对高度复杂的SSVEP信号,性能表现依然不尽人意。一部分是基于典型相关分析的算法,包含多路典型相关分析(MwayCCA)、滤波器组典型相关分析算法(FBCCA)、基于个体模板的典型相关分析(IT-CCA)、L1正则化多路典型相关分析(L1-MCCA)等,虽然通过对脑电信号与参考信号的相关计算,这类算法对SSVEP信号的检测效率很高,但是该类算法也无法很好的处理真实信号中存在的非线性关系,且准确率和信息传输速率与监督训练中的方法比起来存在一定的差距。监督训练的方法中主要是以空间滤波器和模板匹配为基础的算法,该类算法是在基于个体校准数据的方法上,试图提取特定于被试和任务的相关信息,去除任务不相关的背景噪声,减少个体内信号的差异。包含相关成分分析(CORCA)、任务相关成分分析(TRCA)、相关性平方和(SSCOR)、多刺激任务相关成分分析(msTRCA)等。尽管独立于被试的监督训练方法优于无训练的方法,但在很多SSVEP的BCI的应用场景中,无法从个体校准数据中提取特定被试和任务相关的信息,这在一定程度限制了SSVEP的BCI的应用和发展,不利于SSVEP的BCI的应用和普及。同时视觉疲劳、注意力不集中等不独立于个体的影响因素也会影响独立于被试的算法的性能。
最近,深度学习已经成功的应用于许多领域的各种分类任务中。深度学习(DeepLearning,DL)随着计算机算力的提升已经在许多领域(例如图像、文本、语音、视频等领域)中取得了令人瞩目的成绩,于此同时,深度学习方法也逐渐应用于SSVEP信号的分类任务中。Zhang等人提出了一种浅层的卷积神经网络(CNN)以异步方式检测脑电中的故意控制(IC)状态和非故意控制(NC)状态,结果清晰地表明,所提出的浅层的CNN方法可以区分脑电中IC和NC状态。此外,为了检测稳态运动视觉诱发电位(Steady State Motion VisualEvoked Potential,SSMVEP)BCI系统中IC状态内存在的多个子状态。有研究人员提出了一种新颖的卷积神经网络(FFT-CNN-CCA)用于检测SSMVEP-BCI系统中的NC状态和多个IC子状态。实验结果表明该方法可用于异步SSMVEP-BCI中的脑电检测,对于实验室外BCI应用拥有巨大的潜力。Gao等人在基于SSMVEP信号设计的一种手推车控制系统中,引入深度学习(DL)方法。结果表明,构建的具有长短期记忆的卷积神经网络(CNN-LSTM)的深度学习模型不仅适用于“脑电文盲”的人,同时可以大大提高“脑电文盲”的人的性能,最终可以增强基于SSMVEP的BCI的鲁棒性和通用性。尽管如此,在SSVEP信号的分类任务中,深度学习模型的性能远远不及现有的一些空间滤波器算法,例如TRCA或者msTRCA算法。基于SSVEP的BCI应用的性能和信息传输速率在很大程度上取决于SSVEP信号在更多的刺激目标下、更短的时间窗口下的分类精度。然而,这些深度学习方法既没有在大量刺激目标上进行研究,也没有在标准的公开数据集上进行验证。且在深度学习方面,如何提高SSVEP的脑机接口的分类精度的解决方案仍然有待研究。
发明内容
为解决上述技术问题,本发明提出一种适用于SSVEP分类的零填充频域卷积神经网络方法,在信号的时域内使用零填充技术改善信号在频域内功率谱密度上的表现,使得信号在频域内频点之间的最小间隔与刺激目标之间的最小频率间隔达到一致。
本发明采用的技术方案为:一种适用于SSVEP分类的零填充频域卷积神经网络方法,包括:
S1、使用脑电采集设备采集人体大脑枕部九个电极(Pz、PO5、PO3、POz、PO4、PO6、O1、Oz、O2)的SSVEP脑电信号;
S2、对脑电信号进行预处理;
S3、在时域对预处理后的脑电信号进行补零填充;
S4、提取九个通道的SSMVEP信号的功率谱密度中感兴趣的基频频带和二次谐波频带组合成一个特征矩阵;
S5、将该特征矩阵作为CNN深度学习模型的输入,使用非线性变换对不同类别的SSMVEP信号进行识别。
所述步骤S2包括以下分步骤:
S21、对步骤S1采集的SSMVEP脑电信号进行滤波处理;
S22、经过滤波处理后的SSMVEP脑电数据,通过检索第65通道的标签对其进行裁切整理,将每个被试的数据保存为以下格式:
一个四维的矩阵,矩阵的每个维度分别代表的是通道索引数、采集的数据点数、block次数、刺激的序号数。
步骤S2还包括计算视觉延迟,具体的:将每个被试的九个电极(Pz、PO5、PO3、POz、PO4、PO6、O1、Oz、O2)下的35个刺激频率的脑电数据分别进行叠加平均,然后分析估计九个电极各自采集的脑电中存在的视觉延迟。
步骤S3包括以下分步骤:
S31、对于预处理后的脑电信号,使用滑动窗口在刺激开始加上视觉延迟的时刻与刺激结束加上视觉延迟的时刻之间的历元上进行单个脑电数据样本的截取;
S32、对截取的单个样本的脑电信号进行零填充,使信号的频谱频点间隔与刺激频率之间的最小频率间隔达到一致。
步骤S4具体为:
S41、对零填充后的脑电信号进行离散傅里叶变换;
S42、对经步骤S41离散傅里叶变换后的脑电信号,提取九个通道的SSMVEP信号的功率谱密度中感兴趣的基频频带和二次谐波频带组合成一个特征矩阵。
所述步骤S41在对脑电信号进行离散傅里叶变换时,还包括对信号添加在频域内具有最小主瓣的矩形窗。
步骤S5的神经网络包括五层,依次为:两个卷积层,两个全连接层,以及一个输出层;两个卷积层都使用Leaky ReLU作为激活函数,记两个卷积层分别为第一卷积层与第二卷积层,第一卷积层作为输入层,第一卷积层使用32个3×3的卷积核进行卷积,第二卷积层使用64个3×3的卷积核进行卷积;记两个全连接层分别为第一全连接层与第二全连接层,第一全连接层包括2000个神经元,第二全连接层的神经元的个数由分类类别数决定,两个全连接曾均使用Leaky ReLU激活函数;所述输出层使用softmax函数。
所述神经网络分类的损失函数为分类类别数个互斥类的交叉熵。
本发明的有益效果:本发明的方法在信号的时域内使用零填充技术改善信号在频域内功率谱密度上的表现,使得信号在频域内频点之间的最小间隔与刺激目标之间的最小频率间隔达到一致;本发明在改善信号在频谱内观察的同时,扩大了不同类别的SSVEP信号之间的“间隔”,同时,对被试大脑枕部九个通道的脑电信号进行了特征提取方法的处理,经多通道的信息融合提升算法模型的鲁棒性;然后选择九个通道的功率谱密度中刺激频率的基频频段和二次谐波频段的数据组合成了一个80×9的特征矩阵,作为卷积神经网络的输入;提取信号的特征矩阵后,使用具有非线性变换和高维处理能力、具有一定特征提取和学习能力的CNN深度学习模型对信号进行识别分类。
附图说明
图1为本发明提供的零填充频域卷积神经网络算法SSVEP识别流程图;
图2为所有被试10Hz视觉刺激频率下九个电极通道的时域波形;
图3为所有被试10Hz视觉刺激频率下Oz电极通道的时域波形;
图4为所有被试10Hz视觉刺激频率下Oz电极通道的功率谱密度;
图5为SSMVEP数据集中人工估计存在的视觉延迟及其平均值和标准差;
图6为不同类别的特征矩阵叠加平均的可视化图;
图7为BETA:SSVEP数据集平均分类准确率;
图8为BETA:SSVEP数据集在1.0s的时间窗口下10折交叉验证之一的混淆矩阵;
图9为SSMVEP数据集平均分类准确率;
图10为SSMVEP数据集在0.6s的时间窗口下10折交叉验证之一的混淆矩阵。
具体实施方式
SSVEP全称为Steady-State Visual Evoked Potentials(稳态视觉诱发电位)。SSVEP是指当受到一个固定频率的视觉刺激的时候,大脑视觉皮层会产生一个连续的与刺激频率有关(刺激频率的基频或倍频处)的响应。
而SSMVEP的全称为Steady-State Motion Visual Evoked Potentials(稳态运动视觉诱发电位)。SSMVEP是由固定频率下周期运动的视觉刺激范式诱发的脑电信号。因此,SSMVEP信号是SSVEP信号中的一个子类。SSMVEP名称的命名是由西安交通大学的徐光华老师的团队命名的。
以下分别以SSVEP信号或SSMVEP信号的处理过程为例,对本发明的内容做进一步的阐述:
如图1所示,本发明的方法包含三个部分,首先是对脑电信号进行截取,在信号的时域对信号进行补零填充,以改善信号的功率谱密度在频域上的观察值。然后提取九个通道的SSVEP信号或SSMVEP信号的功率谱密度中感兴趣的基频频带和二次谐波频带组合成一个特征矩阵,保留有用的信息的同时,去除了不必要的信息的干扰。最后将该特征矩阵作为算法模型的输入,使用非线性变换对不同类别的SSVEP信号或SSMVEP信号进行识别。
采用脑电采集设备采集人体大脑枕部九个电极(Pz、PO5、PO3、POz、PO4、PO6、O1、Oz、O2)的SSVEP脑电信号,为现有技术,具体可以参考:BETA:A Large Benchmark DatabaseToward SSVEP-BCI Application。本发明在此,不做详细说明。
以下结合图表对本发明内容做进一步阐释。
1、关于脑电信号,本实施例主要采用了BETA:SSVEP数据集与SSMVEP数据集
11、BETA:SSVEP数据集
使用Liu等人提供的BETA:SSVEP基准数据对提出的ZPFDCNN深度学习算法进行了评估。该数据集对应的实验中BCI拼写器的用户界面是5×8刺激矩阵,包含40个字符。使用线性增加的频率和相位对40个字符进行编码。频率范围为8Hz至15.8Hz,间隔为0.2Hz。相位值从0开始,间隔为0.5π。该数据集已经经过了3至100Hz之间的带通滤波以消除环境噪声,然后提取历元。从每个块开始,它们包括刺激开始前0.5秒,刺激2秒(对于S1-S15)或刺激3秒(对于S16-S70)和刺激后0.5秒,之后将所有时期的数据下采样到250Hz。表1显示了在数据集采集的BCI系统中为40个刺激目标指定的频率和初始相位值。
表1BETA:SSVEP数据集中为40个刺激目标指定的频率和初始相位值
12、SSMVEP数据集
SSMVEP数据集的数据来自2020年的世界机器人大赛BCI脑控机器人大赛的SSVEP有训练数据集。实验数据为采样频率1000Hz的EEG数据,原始数据未经过其它滤波处理。数据集包含两个部分,参考数据集和训练数据集,训练数据集又包含有训练A榜训练集和有训练B榜训练集。参考数据集中一共包含20个被试的实验数据,每个被试一共进行了三次脑电数据的采集,每次脑电数据采集包含35个刺激目标的刺激。有训练A榜训练集和有训练B榜训练集中都分别包含6个被试的实验数据,每个被试一共进行了两次脑电数据的采集,每次脑电数据采集也是包含35个刺激目标的刺激,每次实验刺激目标随机出现,每个刺激目标出现一次。
SSMVEP数据集的实验范式采用的是周期径向收缩-扩张运动的环形棋盘格作为视觉刺激的范式。该数据集的刺激范式一共包含35个刺激目标,刺激目标的刺激频率为3至20Hz,间隔0.5Hz,每个刺激目标的初始相位全部为0.5π。SSMVEP数据集中的实验数据以一个block为单位,每个block中均为连续采集的脑电数据。实验数据中的单个试次持续5秒,其中包含3秒的视觉刺激阶段,以及2秒的休息阶段。在实验视觉刺激的过程中,35个目标同时呈现,每个刺激目标的呈现是按照其预先设定的频率呈正弦变化,被试被要求严格注视提示的目标,从而在其脑电信号中产生稳态视觉诱发响应。每一个试次中,trigger被记录在刺激阶段启始位置。SSMVEP数据集中的35个刺激目标的频率和初始相位的对照表如表2所示。
表2SSMVEP数据集中35个刺激目标的频率和初始相位的对照表
2、对采集的脑电信号进行预处理,以下分别以BETA:SSVEP数据集与SSMVEP数据集为例对预处理过程进行说明:
21、BETA:SSVEP数据集预处理
BETA:SSVEP数据集中,因为Liu等人已经将每个被试的数据整理成了一个单独的mat文件,所以不需要从最原始的脑电信号开始整理。每个被试的mat文件中包含一个变量名为EEG的四维的double类型的矩阵和一个包含被试实验信息的名为suppl_info的结构体。其中矩阵的大小为64×750/1000×4×40,每个维度分别代表的是通道索引数、采集数据的点数、block次数、刺激的序列数。suppl_info结构体中包含一些被试的实验信息。
在评估算法模型的过程中,从九个电极(Pz、PO5、PO3、POz、PO4、PO6、O1、Oz、O2)中选择了EEG数据,并使用MATLAB中设计的5~100Hz的IIR带通滤波器在filtfilt函数中过滤掉不必要的噪声。并考虑到Liu等人提到的视觉延迟的影响,应用了130ms的延迟来抑制视觉延迟对模型分类的影响。
22、SSMVEP数据集预处理
221、滤波
SSMVEP数据集的数据是原始的脑电信号数据,未经过任何处理。该数据集中,一个被试的一次实验的数据存储在一个mat文件中,该mat文件由一个二维数组组成,数组的两个维度分别代表通道数和采样点数。其中,通道中的最后一通道保存的是实验中的标签,同步记录了实验中的事件信息,包含实验开始时刻的标签、结束时刻的标签、刺激开始时刻的标签和刺激结束时刻的标签。
评估模型的过程中,从九个电极(Pz、PO5、PO3、POz、PO4、PO6、O1、Oz、O2)中选择了EEG数据,将选择的SSMVEP数据集中的数据使用MATLAB中的designfilt函数设计的2~101Hz的IIR带通滤波器在filtfilt函数中过滤掉不必要的噪声。
222、数据整理
经过滤波处理后的SSMVEP脑电数据,通过检索第65通道的标签对其进行裁切整理,将每个被试的数据保存为像BETA:SSVEP数据集一样的格式:一个四维的矩阵,矩阵的每个维度分别代表的是通道索引数、采集的数据点数、block次数、刺激的序号数。其中,采集的数据点数包含刺激开始时刻前一秒的1000个采样点、视觉刺激中的采样点、以及视觉刺激结束时刻后一秒的1000个采样点。将数据整理为这样的格式后方便后期的处理。
223、视觉延迟
考虑到视觉延迟对脑电信号分类的影响,因此我们对SSMVEP数据集中的脑电数据进行了视觉延迟的考量。首先将所有脑电数据进行了前面所介绍的滤波处理和数据整理操作,然后将所有被试10Hz刺激频率下九个电极(Pz、PO5、PO3、POz、PO4、PO6、O1、Oz、O2)的脑电信号分别进行了叠加平均。经过整理后,10Hz视觉刺激频率下所有被试的九个电极通道叠加平均的时域波形图如图2所示,两条虚线分别为人工预估的刺激目标刺激开始的时刻和刺激目标刺激结束的时刻。
其中,10Hz视觉刺激频率下Oz电极通道的脑电信号的时域波形和功率谱密度如图3、图4所示,图3所示的时域波形中两条虚线分别为人工预估的刺激目标刺激开始的时刻和刺激目标刺激结束的时刻。通过信号的功率谱密度可以发现,SSMVEP信号在刺激目标的刺激频率的基频处具有非常显著的幅值表现,且SSMVEP信号在刺激频率的倍频处几乎没有对应的幅值响应,因此,这可能是该数据集进行数据采集的刺激范式中,并没有考虑刺激频率的倍频频率造成影响的原因。
使用人工的方式预估了SSMVEP数据集中所有受试者的视觉延迟,方法是将每个被试的九个电极(Pz、PO5、PO3、POz、PO4、PO6、O1、Oz、O2)下的35个刺激频率的脑电数据分别进行了叠加平均,然后分析估计他们采集的脑电中存在的视觉延迟,估计系统存在的平均视觉延迟和标准偏差如图5所示,人工估计的视觉延迟的平均值为107.61毫秒,标准差为16.63毫秒。
本领域的技术人员应注意,在实际应用中处理采集的九个电极的原始脑电信号时,其处理过程与上述SSMVEP数据集的处理过程一样,包含滤波、使用滑动窗口截取脑电信号获得单个样本并打好标签、去除视觉延迟带来的影响。
3、时域零填充特征提取,以下分别以BETA:SSVEP数据集与SSMVEP数据集为例对时域零填充特征提取过程进行说明:
31、SSVEP和SSMVEP信号的特征
SSVEP信号和SSMVEP信号都属于微弱的诱发脑电信号,易受到其它脑电的影响和噪声的干扰,同时被试状态、被试的注意策略等因素也会影响到SSVEP信号的检测,这使得SSVEP信号在不同的被试之间存在较大的差异。年龄和性别对SSVEP都有一定幅度的影响。因此,单纯的从时域波形的角度难以区分不同的SSVEP信号。
由于SSVEP信号和SSMVEP信号是分别由周期闪烁的视觉刺激和周期运动的视觉刺激诱发的脑电信号。因此,对于SSVEP信号,其存在的最大的特征之一是其在频域内频谱上对应刺激频率的基频点上和倍频的谐波频点上可能存在的相对强烈的幅值表现。而SSMVEP信号相较于SSVEP信号而言,其基频倍频的谐波的幅值响应没有SSVEP信号强烈,几乎看不见二次谐波,而且完全看不见高阶谐波。其最大的特征之一是其在频域频谱上对应刺激频率的基频点上可能存在相对强烈的幅值表现。
随着SSVEP信号检测算法技术的发展,最新的算法技术(例如TRCA、msTRCA等算法)可以实现一秒以内的时间窗口下达到较高的信息传输速率(ITR)。虽然频域的频谱图使得区分不同的SSVEP信号或者SSMVEP信号变得容易。但是,在频域频谱分析时需要信号达到一定的数据长度,才能区分不同刺激频率的SSVEP信号或者SSMVEP信号的目的。并且,虽然诱发SSVEP信号和SSMVEP信号的频带较宽,但是因为不同的刺激频率下诱发的脑电信号幅度的不同,且SSVEP同时还有谐波的影响,导致真正能使用于脑机接口的刺激频带和对应的响应频带都比较窄。同时,为了增加脑机接口的信息传输速率,更多的视觉刺激频率个数被选择了在SSVEP信号或SSMVEP信号较窄的刺激响应频带上,这使得不同类别的SSVEP信号和SSMVEP信号之间的频率间隔变得更小。这进一步增加了在频域频谱上区分不同类别的SSVEP信号或SSMVEP信号的难度。
32、零填充对功率谱密度的改善
离散傅里叶变换中频谱的频率分辨率可以理解为在使用离散傅里叶变换(DFT)时,在频轴上的所能得到的最小频率间隔
其中N为采样点数,Fs为采样率,ts为采样间隔。所以Nts就采样前模拟信号的时间长度T,因此,信号长度越长,信号频谱频率分辨率越好。而傅里叶变换(FourierTransform,FT)是一种线性积分变换,用于信号在时域和频域之间变换,连续傅里叶变换X(f)其定义为
其中x(t)是时域的连续信号,t表示信号的时间轴。离散傅里叶变换(DiscreteFourier Transform,DFT)是傅里叶变换的离散形式。离散傅里叶变换(DFT)在频域的离散序列X(m)的定义为
这是指数形式的离散傅里叶变换(DFT)方程式。其中,x(n)是时域连续变量x(t)的离散采样值,“e”是自然对数的基,虚数记号m表示信号在离散傅里叶变换后双边频谱中频轴上的离散采样点,取值范围为0,1,2,3至N-1;n表示t的离散采样点。
N点序列的DFT只能在有限的N个频点上观察频谱,则相当于从栅栏的缝隙中观察景色,有时候对于了解脑电信号在整个频域上的特性是不够的。为了观察到其他频点上的信息,需要对原信号x(n)做一些处理,以便得到更多频点上的采样。将原来在DTFT频域上的采样点数增加到M点,这样采样点位置变为
则对应的DFT成为
k表示M个离散采样点的信号在离散傅里叶变换后双边频谱中频轴上的离散采样点,取值范围为0,1,2,…,M-1。
若在序列x[n]之后补上M-N个零,设为x′[n],则上式变为
因此将x[n]补零再做DFT就可以得到x[n]的DTFT在其他频率点上的值,相当于移动了栅栏,因而能够在其他频率点上进行观察。
上述结论可用有限离散傅里叶变换的理论来验证。设脑电信号x(nΔ)=(x(0),(Δ),…,x((N-1)Δ)),其中脑电信号的采样间隔为Δ,则经傅里叶变换以后,x(nΔ)的频谱为
其中
d=1/NΔ (8)
d是脑电信号长度为N时的分辨率。
如果我们对脑电信号x(nΔ)补充M个零,即把
x′(nΔ)=(x(0),x(Δ),…,x(N-1)Δ,0,…,0) (9)
则变换后x′(nΔ)的频谱为
式中
d1=1/(M+N)Δ (11)
d1是脑电信号补M个零时的分辨率。
由公式(7)和公式(10)可见,对于同一m值
x(md)≠x′(md1) (12)
但在同一频率点上,即当
md=m1d1 (13)
时,则有
m1=md/d1=m(M+N)/N (14)
因而
经过上面公式推导证明可知,使用零填充技术和不使用零填充技术所观察的谱是一致的,但零填充技术能够减小信号离散傅里叶变换后频域频谱上各个频点之间的间隔,减小从连续傅里叶变换到离散傅里叶变换在频域内造成的“纱窗效应”的影响,改善信号在频域上的观察。
同时,由于离散傅里叶变换的性质,当截取的信号中的频率成分不在离散傅里叶变换频域频率最小间隔的整数倍上的所有输入信号成分,会泄漏到其他离散傅里叶变换输出频率的单元上。对于一个在N点输入时间序列上具有k个周期的余弦波,其N点离散傅里叶变换的频率单元振幅响应(频率单元指标用m表示)近似等于sinc函数
该式可以用于确定信号经过离散傅里叶变换后在频谱上泄漏的大小。信号在时域上的截断,相当于信号在时域上乘上一个矩形窗口,而信号在时域上的相乘相当于频域内的卷积,因此信号的离散傅里叶变换会在频域内的各个频率成分上卷积上一个sinc函数。因而频域内适当的频率间隔在一定程度上能减小由于频谱泄漏带来的影响。同时由于矩形窗的在离散傅里叶变换的单元上具有最小的主瓣宽度,所以,采用矩形窗相比于其他如汉明窗、三角窗等,更容易获得信号清晰可分辨的频谱。
本发明提出的零填充频域卷积神经网络(ZPFDCNN)算法模型的特征提取部分是对脑电信号的频域内的功率谱密度特征进行提取。功率谱密度谱是在傅里叶变换的基础上进行计算的,连续傅里叶变换下的功率谱密度的计算如下式。
其中,P(f)为信号的功率谱密度,X(f)为信号的离散傅里叶变换后的频谱,而离散情况下的功率谱密度的计算如下式所示。
其中,P(m)为信号离散情况下的功率谱密度,X(m)为信号的离散傅里叶变换下的频谱,Fs为信号在离散情况下的采样率,N为信号在离散情况下的采样点数。
33、特征提取的步骤
对于预处理后的脑电数据,我们使用滑动窗口在刺激开始加上视觉延迟的时刻与刺激结束加上视觉延迟的时刻之间的历元上进行单个脑电数据样本的获取。滑动窗口的步长大小为0.1秒的数据长度,数据的重叠时间为滑动窗口的大小减去滑动步长。然后对截取的信号进行零填充,使信号的频谱频点间隔与刺激频率之间的最小频率间隔达到一致。对BETA:SSVEP数据集和SSMVEP数据集中九个电极(Pz、PO5、PO3、POz、PO4、PO6、O1、Oz、O2)通道的数据进行特征提取。考虑到谐波子带数对模型分类的影响,两个数据集都采用了刺激范式刺激的基频频带和二次谐波频带的幅值数据组合成维度为80×9的特征矩阵。BETA:SSVEP数据集中,在零填充频域卷积神经网络(ZPFDCNN)算法模型最高信息传输速率(ITR)的1.0s时间窗口下,不同类别的特征矩阵叠加平均可视化图如图6所示。相较于未进行零填充的功率谱密度估计而言,进行零填充技术的功率谱密度估计进一步的扩大了不同类别之间的差异,使得不同类别的SSVEP信号更容易区分。
使用零填充技术(zero-padding)对截取的信号在时域上进行填充补零,同时使得截取的信号经过离散傅里叶变换后在频谱内的最小频率间隔(Fs/N,其中Fs为采样率,N为信号的采样点数)为各个数据集中刺激频率之间的最小间隔,以改善对信号频谱频率的分辨能力。与此同时,在对信号进行离散傅里叶变换时,对信号添加在频域内具有最小主瓣的矩形窗,减少加窗对信号在频域内各个频点间的相互影响,以改善信号在频域内各个频点上的表现,在此基础上进行信号离散情况下的功率谱密度的计算。在零填充频域卷积神经网络(ZPFDCNN)算法模型中,使用零填充(zero-padding)技术对功率谱密度(PSD)估计进行改进,用于信号的特征提取,各个通道进行功率谱密度计算后都分别进行了归一化的处理,以使数据分布更合理。对于深度学习模型而言,该方式的特征提取扩大了不同类别之间的差异,增大了类别与类别之间的“间距”,以使得具有非线性变换能力的深度学习模型能更好的区分不同的类别。此外,频率特征是SSVEP和SSMVEP最大特征之一。傅里叶变换能将信号从时域内中混叠的频率信息变换到频域内不同的维度上,进一步扩大了不同类别之间的差异。其次,对BETA:SSVEP和SSMVEP数据集而言,使用信号的时域数据作为模型的输入时,由于输入数据的维数较高,特征较多,设计的深度学习模型一般要比使用频域信息作为深度学习模型的输入要更加复杂,才能从高维度的数据中提取到有用的数据信息。而选用信号频域内有用的频段信息作为网络的输入,不仅减少了数据输入的维度,也减少了网络的设计复杂度。
4、频域卷积分类器
41、卷积网络结构
本研究根据提取的信号特征,设计了如表3所示的卷积神经网络(ConvolutionalNeural Networks,CNN),该神经网络由连续的五层组成,两个卷积层,两个全连接层,以及一个输出层。
表3BETA:SSVEP数据集中使用的CNN模型结构
/>
输入的数据如前面的小结所述进行了预处理和特征提取。Layer 1和Layer 2都是二维卷积层,都进行了批量标准化(Batch Normalization)的处理,通过批量标准化的处理将数据进行偏移和尺度的缩放调整,以使每层的数据输出分布更加合理,可以加快网络的训练速度,在一定程度上增加模型的泛化能力。在这两层中,都使用了Leaky ReLU作为激活函数,通过激活函数的非线性变换,可以增加分类别之间的间隔,以使得达到更好的分类效果。Layer 1和Layer 2中分别使用了32个和64个3×3的卷积核进行卷积。3×3的卷积核已经在图像领域被证实拥有很好的性能,在相同的感受野的情况下,多个3×3的卷积核比一个较大尺寸的卷积核拥有更多层的非线性函数,增加了非线性表达,使得分类判决函数更具有判决性。同时在拥有相感受野的情况下,前者拥有更少的参数,减少了卷积核中的计算量,更有利于模型深度的增加或者加快模型的训练速度。在两个卷积层中,卷积核在垂直和水平方向上的步长都为1,且指定卷积的Padding为same,以便输入输出的大小相同。在该CNN卷积网络中,Layer 3为全连接层,拥有2000个神经元,也进行了Batch Normalization的处理,也同样使用Leaky ReLU激活函数增加模型的非线性变化能力。Layer 4也是全连接层,该层的神经元的个数由分类类别数决定。在BETA:SSVEP数据集中,Layer 4的神经元的个数是40个,而在SSMVEP数据集中,Layer 4的神经元的个数为35个。同样的,对Layer 4的神经元依然进行了Batch Normalization的处理,也同样使用Leaky ReLU激活函数增加模型的非线性变化能力。最后的Layer 5作为输出层,使用了softmax函数。分类的损失函数为Kc(Kind of category)个互斥类的交叉熵。
42、训练参数Training parameters
网络权值的学习使用的是结合了动量梯度算法和RMSprop算法的Adam优化算法。该优化算法不仅可以进一步缩小更新的抖动,而且平衡了各个参数的更新速度,加快了收敛,也保证了收敛性,该算法在计算上是有效的,具有很少的存储器需求,并且非常适合于就数据和参数而言较大的问题。该算法也适用于非平稳目标和梯度非常嘈杂和稀疏的问题。该算法利用标准误差反向传播优化网络权值。损失函数采用交叉熵函数。学习率设置为0.0001。设置训练历元数为30,随机梯度下降小批处理的大小为512。
5、本发明方法的验证
51、评价指标
信息传输速率(Information Translate Rate,ITR)最初用于通信领域测量系统的通信和计算速率,由Wolpaw引入到BCI领域,是BCI领域中衡量BCIs性能的一个重要指标。其计算公式如下:
其中,T表示平均试次时长,其包含时间窗口的时长和注意力转移的时长,Q表示目标个数,P表示识别正确率。ITR的单位是bits/min。
52、BETA:SSVEP数据集
通过与基于TRCA和msTRCA的方法进行比较,研究了本发明提出的零填充频域卷积神经网络(ZPFDCNN)算法模型在BETA:SSVEP数据集上的性能。因为滤波器组技术(5个子带)可以显著提高基于TRCA和msTRCA方法的分类精度,因此,我们探索了5个子带下的基于TRCA和msTRCA的算法。为简单起见,我们将在下面将它们称为TRCA算法和msTRCA算法。图7显示了不同时间窗口下所有受试者的百分比分类准确率和ITR的比较。通过图7和表4的比较可以看出,我们提出的ZPFDCNN深度学习算法模型从0.7秒开始和之后的时间窗口下,分类的精度和ITR明显优于其它两种方法。且在1.0秒的时间窗口下,分类的平均准确率为89.99%,达到了最高的ITR:167.36bit/min。ZPFDCNN深度学习方法显著优于msTRCA方法在0.5秒的时间窗口下达到63.75%分类准确率,以及在该时间窗口下达到的ITR:140.65bit/min。同时通过如图8所示BETA:SSVEP数据集在1.0s的时间窗口下10折交叉验证之一的混淆矩阵图我们可以看出,ZPFDCNN算法模型能够非常有效的区分不同刺激频点之间的SSVEP信号,同时,也有足够的分类能力对两个相互邻近的刺激频点进行分辨。
表4BETA:SSVEP数据集0.55秒的视觉转移时间下的平均信息传输速率
53、SSMVEP数据集
在SSMVEP的数据集中,我们也同样通过与基于TRCA和msTRCA的方法进行比较,比较了我们提出的零填充频域卷积神经网络(ZPFDCNN)算法模型在SSMVEP数据集上的性能。也如同前面所提到的一样,使用了滤波器组技术(5个子带)提高基于TRCA和msTRCA方法的分类精度。图9显示了不同时间窗口下所有受试者的分类准确度和ITR的比较。通过图9和表5的比较可以看出,我们提出的零填充频域卷积神经网络(ZPFDCNN)算法模型从0.3秒开始和之后的时间窗口下,分类的精度和ITR都显著优于其它两种方法。且在0.6秒的时间窗口下,分类的平均准确率为88.43%,达到了最高的ITR:209.94bit/min。零填充频域卷积神经网络(ZPFDCNN)算法模型显著优于msTRCA方法在0.7秒的时间窗口下达到84.50%分类准确率时的最高ITR:178.49bit/min。同时如图10所示的混淆矩阵也显示了ZPFDCNN算法模型优异的分类性能。
表5SSMVEP数据集0.55秒的视觉转移时间下的平均信息传输速率
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。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权利要求范围之内。
Claims (5)
1.一种适用于SSVEP分类的零填充频域卷积神经网络方法,其特征在于,包括:
S1、使用脑电采集设备采集人体大脑枕部九个电极的SSVEP脑电信号或SSMVEP脑电信号;
S2、对脑电信号进行预处理;所述步骤S2包括以下分步骤:
S21、对步骤S1采集的SSVEP脑电信号或SSMVEP脑电信号进行滤波处理;
S22、经过滤波处理后的SSVEP脑电信号或SSMVEP脑电数据,通过检索第65通道的标签对其进行裁切整理,将每个被试的数据保存为以下格式:
一个四维的矩阵,矩阵的每个维度分别代表的是通道索引数、采集的数据点数、block次数、刺激的序号数;
步骤S2还包括计算视觉延迟,具体的:将每个被试的九个电极下的35个刺激频率的脑电数据分别进行叠加平均,然后分析估计九个电极各自采集的脑电中存在的视觉延迟;
S3、在时域对预处理后的脑电信号进行补零填充;步骤S3包括以下分步骤:
S31、对于预处理后的脑电信号,使用滑动窗口在刺激开始加上视觉延迟的时刻与刺激结束加上视觉延迟的时刻之间的历元上进行单个脑电数据样本的截取;
S32、对截取的单个样本的脑电信号进行零填充,使信号的频谱频点间隔与刺激频率之间的最小频率间隔达到一致;
S4、提取九个通道的SSVEP脑电信号或SSMVEP脑电信号的功率谱密度中感兴趣的基频频带和二次谐波频带组合成一个特征矩阵;
S5、将该特征矩阵作为CNN深度学习模型的输入,使用非线性变换对不同类别的SSVEP脑电信号或SSMVEP脑电信号进行识别。
2.根据权利要求1所述的一种适用于SSVEP分类的零填充频域卷积神经网络方法,其特征在于,步骤S4具体为:
S41、对零填充后的脑电信号进行离散傅里叶变换;
S42、对经步骤S41离散傅里叶变换后的脑电信号,提取九个通道的SSVEP脑电信号或SSMVEP脑电信号的功率谱密度中感兴趣的基频频带和二次谐波频带组合成一个特征矩阵。
3.根据权利要求2所述的一种适用于SSVEP分类的零填充频域卷积神经网络方法,其特征在于,所述步骤S41在对脑电信号进行离散傅里叶变换时,还包括对信号添加在频域内具有最小主瓣的矩形窗。
4.根据权利要求1所述的一种适用于SSVEP分类的零填充频域卷积神经网络方法,其特征在于,步骤S5的神经网络包括五层,依次为:两个卷积层,两个全连接层,以及一个输出层;两个卷积层都使用Leaky ReLU作为激活函数,记两个卷积层分别为第一卷积层与第二卷积层,第一卷积层作为输入层,第一卷积层使用32个3×3的卷积核进行卷积,第二卷积层使用64个3×3的卷积核进行卷积;记两个全连接层分别为第一全连接层与第二全连接层,第一全连接层包括2000个神经元,第二全连接层的神经元的个数由分类类别数决定,两个全连接曾均使用Leaky ReLU激活函数;所述输出层使用softmax函数。
5.根据权利要求4所述的一种适用于SSVEP分类的零填充频域卷积神经网络方法,其特征在于,所述神经网络分类的损失函数为分类类别数个互斥类的交叉熵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111311799.2A CN114010208B (zh) | 2021-11-08 | 2021-11-08 | 适用于ssvep分类的零填充频域卷积神经网络方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111311799.2A CN114010208B (zh) | 2021-11-08 | 2021-11-08 | 适用于ssvep分类的零填充频域卷积神经网络方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114010208A CN114010208A (zh) | 2022-02-08 |
CN114010208B true CN114010208B (zh) | 2023-09-08 |
Family
ID=80062154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111311799.2A Active CN114010208B (zh) | 2021-11-08 | 2021-11-08 | 适用于ssvep分类的零填充频域卷积神经网络方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114010208B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116010783A (zh) * | 2023-01-06 | 2023-04-25 | 上海大学 | 一种rsvp弱隐目标诱发脑电识别方法、装置及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107168524A (zh) * | 2017-04-19 | 2017-09-15 | 华南理工大学 | 一种基于深度学习混合模型的稳态视觉诱发电位分类方法 |
CN109065184A (zh) * | 2018-07-12 | 2018-12-21 | 山东建筑大学 | 基于脑机接口的脑卒中患者语音交流看护控制系统及方法 |
CN109271838A (zh) * | 2018-07-19 | 2019-01-25 | 重庆邮电大学 | 一种基于fmcw雷达的三参数特征融合手势识别方法 |
CN109299751A (zh) * | 2018-11-26 | 2019-02-01 | 南开大学 | 基于emd数据增强的卷积神经模型的ssvep脑电分类方法 |
WO2020055445A1 (en) * | 2018-09-13 | 2020-03-19 | Massachusetts Institute Of Technology | Methods and apparatus for inducing or modifying sleep |
US10849526B1 (en) * | 2016-10-13 | 2020-12-01 | University Of South Florida | System and method for bio-inspired filter banks for a brain-computer interface |
WO2021008086A1 (zh) * | 2019-07-17 | 2021-01-21 | 西安交通大学 | 基于运动视觉诱发电位的视敏度检测方法 |
CN112949533A (zh) * | 2021-03-15 | 2021-06-11 | 成都信息工程大学 | 一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法 |
CN113052099A (zh) * | 2021-03-31 | 2021-06-29 | 重庆邮电大学 | 一种基于卷积神经网络的ssvep分类方法 |
CN113288181A (zh) * | 2021-06-21 | 2021-08-24 | 杭州电子科技大学 | 基于稳态视觉诱发电位脑电信号识别的个体模板重构方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11373672B2 (en) * | 2016-06-14 | 2022-06-28 | The Trustees Of Columbia University In The City Of New York | Systems and methods for speech separation and neural decoding of attentional selection in multi-speaker environments |
-
2021
- 2021-11-08 CN CN202111311799.2A patent/CN114010208B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10849526B1 (en) * | 2016-10-13 | 2020-12-01 | University Of South Florida | System and method for bio-inspired filter banks for a brain-computer interface |
CN107168524A (zh) * | 2017-04-19 | 2017-09-15 | 华南理工大学 | 一种基于深度学习混合模型的稳态视觉诱发电位分类方法 |
CN109065184A (zh) * | 2018-07-12 | 2018-12-21 | 山东建筑大学 | 基于脑机接口的脑卒中患者语音交流看护控制系统及方法 |
CN109271838A (zh) * | 2018-07-19 | 2019-01-25 | 重庆邮电大学 | 一种基于fmcw雷达的三参数特征融合手势识别方法 |
WO2020055445A1 (en) * | 2018-09-13 | 2020-03-19 | Massachusetts Institute Of Technology | Methods and apparatus for inducing or modifying sleep |
CN109299751A (zh) * | 2018-11-26 | 2019-02-01 | 南开大学 | 基于emd数据增强的卷积神经模型的ssvep脑电分类方法 |
WO2021008086A1 (zh) * | 2019-07-17 | 2021-01-21 | 西安交通大学 | 基于运动视觉诱发电位的视敏度检测方法 |
CN112949533A (zh) * | 2021-03-15 | 2021-06-11 | 成都信息工程大学 | 一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法 |
CN113052099A (zh) * | 2021-03-31 | 2021-06-29 | 重庆邮电大学 | 一种基于卷积神经网络的ssvep分类方法 |
CN113288181A (zh) * | 2021-06-21 | 2021-08-24 | 杭州电子科技大学 | 基于稳态视觉诱发电位脑电信号识别的个体模板重构方法 |
Non-Patent Citations (1)
Title |
---|
郜东瑞.基于特征融合和粒子群优化算法的运动想象脑电信号识别方法.《电子科技大学学报》.2021,467-475. * |
Also Published As
Publication number | Publication date |
---|---|
CN114010208A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Low-complexity seizure prediction from iEEG/sEEG using spectral power and ratios of spectral power | |
Xu et al. | Pattern recognition of motor imagery EEG using wavelet transform | |
Adeli et al. | A wavelet-chaos methodology for analysis of EEGs and EEG subbands to detect seizure and epilepsy | |
Cheong et al. | Feature extraction of EEG signal using wavelet transform for autism classification | |
Kshirsagar et al. | Optimization of BPNN parameters using PSO for EEG signals | |
Kumari et al. | Seizure detection in EEG using time frequency analysis and SVM | |
KR101842750B1 (ko) | 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치 | |
CN109674468A (zh) | 一种单导脑电自动睡眠分期方法 | |
Ashokkumar et al. | Implementation of deep neural networks for classifying electroencephalogram signal using fractional S‐transform for epileptic seizure detection | |
Hosseini et al. | Emotional stress recognition system for affective computing based on bio-signals | |
Brockmeier et al. | Learning recurrent waveforms within EEGs | |
Bouallegue et al. | A dynamic filtering DF-RNN deep-learning-based approach for EEG-based neurological disorders diagnosis | |
CN101690659A (zh) | 脑电波分析方法 | |
CN109512442A (zh) | 一种基于LightGBM的EEG疲劳状态分类方法 | |
Jing et al. | Classification and identification of epileptic EEG signals based on signal enhancement | |
CN109009098B (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
CN114010208B (zh) | 适用于ssvep分类的零填充频域卷积神经网络方法 | |
Kaundanya et al. | Performance of k-NN classifier for emotion detection using EEG signals | |
Moser et al. | Classification and detection of single evoked brain potentials using time-frequency amplitude features | |
CN110338760A (zh) | 一种基于脑电图频域数据的精神分裂症三分类方法 | |
Upadhyay et al. | Application of wavelet fractal features for the automated detection of epileptic seizure using electroencephalogram signals | |
Sutharsan et al. | Electroencephalogram signal processing with independent component analysis and cognitive stress classification using convolutional neural networks | |
Murugappan et al. | Subtractive fuzzy classifier based driver drowsiness levels classification using EEG | |
Arslan et al. | Subject-dependent and subject-independent classification of mental arithmetic and silent reading tasks | |
CN116226624A (zh) | 一种基于张量分解的运动想象脑机接口的通道选择方法 |
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 |