CN114081506A - 一种基于长短期记忆网络的稳态视觉诱发电位分类方法 - Google Patents

一种基于长短期记忆网络的稳态视觉诱发电位分类方法 Download PDF

Info

Publication number
CN114081506A
CN114081506A CN202111111589.9A CN202111111589A CN114081506A CN 114081506 A CN114081506 A CN 114081506A CN 202111111589 A CN202111111589 A CN 202111111589A CN 114081506 A CN114081506 A CN 114081506A
Authority
CN
China
Prior art keywords
data
electroencephalogram
frequency
signal
stimulation
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
CN202111111589.9A
Other languages
English (en)
Inventor
沈安澜
王刚
陶怡
陈霸东
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202111111589.9A priority Critical patent/CN114081506A/zh
Publication of CN114081506A publication Critical patent/CN114081506A/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
    • A61B5/24—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
    • 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
    • A61B5/72—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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (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)
  • Artificial Intelligence (AREA)
  • Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种基于长短期记忆网络的稳态视觉诱发电位分类方法，首先，在液晶显示屏上刺激频闪的诱发下，采集被试枕叶9通道脑电信号；其次，对采集到的脑电信号通过降采样、带通滤波、陷波进行预处理；然后，对预处理后的脑电信号使用三层长短期记忆神经网络进行预测；最后，使用滤波器组典型相关分析算法对预测延长后的脑电信号进行特征提取与分类；本发明计算所需数据长度较短，可避免被试视觉疲劳，同时，特征提取更有效，分类准确率更高；此外，还提供了一种脑电预测的方法，兼顾了脑电数据的时序性和非线性特征，可以有效地预测脑电数据的变化趋势。

Description

一种基于长短期记忆网络的稳态视觉诱发电位分类方法
技术领域
本发明涉及生物医学信号处理技术领域，尤其涉及一种基于长短期记忆网络的稳态视觉诱发电位分类方法，具体是指融合长短期记忆网络(Long Short-Term Memory，LSTM)和滤波器组典型相关分析算法(Filter Bank Canonical CorrespondenceAnalysis，FBCCA)，来提取稳态视觉诱发电位(Steady-State Visual Evoked Potentials，SSVEP)信号的特征，并对信号做出分类。
背景技术
脑机接口(Brian-Computer Interface，BCI)是一种不依赖于正常的外周神经和肌肉组成的输出通路的通讯系统，它能够直接为大脑提供一种新的信息交换和控制通路，创造性地帮助大脑和外界环境或体外设备进行直接交互。BCI的几种常见的范式包括SSVEP、运动想象、P300等。
SSVEP是当人眼注视大于4Hz频率调制的周期性视觉刺激时，在大脑中所诱发的一种周期性响应，它具有与视觉刺激频率相同的基频及其谐波频率。此外，SSVEP的响应强度随着刺激频率的升高呈下降趋势，在不同的频段有不同的谐振峰。基于SSVEP的BCI系统不仅能够实现较高的分类识别率和信息传输率，还相对简单且实用性强，因此它一直是BCI研究领域的热门话题。
典型相关性分析(Canonical Correlation Analysis，CCA)算法在SSVEP分类领域中一直得到广泛应用，能够实现很高的传输率。在此基础上，为了充分考虑SSVEP中的谐波信息，FBCCA通过设计带通滤波器组，将原有的SSVEP信号分解成多个子带信号，成为了目前非监督学习类识别算法中识别率最高的算法之一。
一般来说，用于分类的脑电信号长度越长，算法的分类识别率也就越高。但在基于SSVEP的BCI实验中，为了避免被试的视觉疲劳，往往要求采集的脑电信号长度越短越好。因此，本发明希望对有限长度的脑电数据进行适当预测，以期实现识别率的突破。然而，脑电序列具有不确定性和高噪声特性，准确预测非常困难。LSTM是具有记忆长短期信息能力的神经网络，在挖掘序列数据长期依赖关系中极具优势，被广泛应用于语音识别、机器翻译等领域。由于LSTM能够兼顾数据的时序性和非线性特征，有望能够应用于脑电信号预测领域中。
发明内容
针对现有技术中存在的问题，本发明的目的在于提供了一种基于长短期记忆网络的稳态视觉诱发电位分类方法，通过用液晶显示屏上闪烁刺激来诱发SSVEP，获取脑电信号后，融合LSTM和FBCCA算法来对脑电信号进行特征提取和分类，从而有效解决所需脑电数据较长、特征无法有效提取的问题。
为实现上述目的，本发明采用的技术方案如下：
一种基于长短期记忆网络的稳态视觉诱发电位分类方法，包括以下步骤：
(一)采集液晶显示屏上闪烁刺激诱发的SSVEP；
(二)对采集到的脑电信号通过降采样、带通滤波、陷波进行预处理；
(三)对预处理后的脑电信号使用三层LSTM网络进行预测；
(四)使用FBCCA算法对预测延长后的脑电信号进行特征提取与分类。
所述的步骤一具体为：
(1.1)按照国际10-20系统电极放置标准，将9个脑电极放置在被试头部枕叶区P3、PZ、P4、PO3、POZ、PO4、O1、OZ和O2位置上，耳根部作为参考电极，接地电极接地，使用导电膏使得电极阻抗保持低于5kΩ；
(1.2)被试在注视液晶显示屏上闪烁刺激时，枕叶区就会诱发出和闪烁刺激相同的频率以及谐波成分的脑电波，使用生物信号记录仪进行放大、A/D转换处理，然后将脑电信号传输至计算机。
所述的步骤二具体为：
(2.1)将实际采集到的脑电信号降采样到250Hz；
(2.2)对脑电信号进行4-95Hz的带通滤波处理；
(2.3)对脑电信号进行50Hz的陷波处理，经过以上预处理步骤，得到预处理后的脑电信号X。
所述的步骤三具体为：
(3.1)结合LSTM对输入数据的要求，对脑电信号X进行处理，其步骤如下：先将通道n的脑电信号xn正则化到[-1，1]，得到数据xn′，然后以150为数据窗长度，即每150个脑电数据预测下一个脑电数据，将该数据窗窗头对齐xn′第一个数据，并从xn′第一个数据向后滑动，直至窗尾对齐xn′倒数第二个数据，将滑动数据窗截到的数据合并成一个150×(训练数据长度-150)大小的矩阵，再将该矩阵添加一维度，得到150×(训练数据长度-150)×1大小的训练数据Xt，每个滑动数据窗预测得到的脑电数据合并成一个(训练数据长度-150)×1大小的训练数据Yt；
(3.2)构建三层LSTM网络模型，其结构如下：第一个LSTM层有40个隐藏神经元，然后跟一个Dropout率为0.3的Dropout层；第二个LSTM层有30个隐藏神经元，然后跟一个Dropout率为0.2的Dropout层；第三个LSTM层有20个隐藏神经元，然后跟一个Dropout率为0.1的Dropout层；最后，添加一个全连接层，输出节点为1；将均方误差函数作为损失函数，优化器选用Adam，利用训练数据Xt和Yt对该网络进行训练；
(3.3)使用训练好的网络对脑电信号进行预测，其步骤如下：先将数据xn′的最后150个数据作为网络的输入值，预测得到下一个脑电数据，并将该数据添到xn′的末尾，重复以上步骤，直至得到目标长度的预测值xp′，并将其反归一化，得到脑电预测值xp，该预测值与xn共同构成预测延长后的脑电数据xl，9通道预测延长后的脑电数据为Xl。
所述的步骤四具体为：
(4.1)从脑电数据Xl中提取各子带成分，以SSVEP成分的上界频率作为截止频率，刺激信号带宽作为初始频率的公差，设置通带频率(Hz)分别为[8,88]、[16,88]、[24,88]、[32,88]、[40,88]、[48,88]、[56,88]、[64,88]和[72,88]，利用切比雪夫Ⅰ型滤波器对脑电信号进行滤波处理，得到脑电信号Xi(i＝1，2，...，M)，M为滤波器组数，最大为9；
(4.2)构造模板信号Yf如下所示，它是与刺激频率f相关的参考信号：
Figure BDA0003274084100000051
其中，Nh是f的谐波个数。
(4.3)对Xi和模板信号Yf进行CCA处理，寻找一对向量WX和WY，通过WX和WY来最大化相关变量xi＝Xi TWX和yf＝Yf TWY之间的相关性，相关系数表示如下所示：
Figure BDA0003274084100000052
(4.4)：对每个刺激频率f，构造目标判别式如下所示：
Figure BDA0003274084100000053
其中，由于SSVEP谐波成分的信噪比随着频率的增加而下降，因此各子带成分的权重系数w(i)定义如下所示：
w(i)＝i-1.25+0.25
(4.5)计算各个刺激频率f的ρf，最大的ρf所对应的刺激频率就被认为是SSVEP的频率。
采用网格搜索法进行确定滤波器组数M和谐波数Nh的最优值，M在[1，9]间以1为步长增加，Nh在[1，8]间以1为步长增加，计算不同M和Nh组合下的SSVEP分类准确率，则最大的分类准确率对应的组合就被确定为最优值。
本发明具有下列创新点：
1、提供了一种脑电预测的方法，并搭建了用于脑电预测的LSTM网络，兼顾了脑电数据的时序性和非线性特征，可以有效地预测脑电数据的变化趋势。
2、融合了LSTM和FBCCA算法来对脑电数据进行特征提取与分类，所需信号长度较短，避免被试在基于SSVEP的BCI实验中的视觉疲劳，同时，特征提取更有效，分类准确率更高。
附图说明
图1是本发明的流程图。
图2是液晶显示屏上的刺激界面。
图3是LSTM网络模型结构。
图4是被试1的试次1脑电预测值与真实值的对比图。
图5是网格搜索法寻优结果。
具体实施方式
下面结合附图对本发明做详细叙述。
参照图1，本发明的方法，包括以下步骤：
(1)采集被试枕叶9通道脑电数据
(1.1)被试需安静放松地坐在椅子上，按照国际10-20系统电极放置标准将9个脑电极放置在被试头部枕叶区P3、PZ、P4、PO3、POZ、PO4、O1、OZ和O2位置上，耳根部作为参考电极，接地电极接地，使用导电膏使得电极阻抗保持低于5kΩ。
(1.2)运用MATLAB中Psychtoolbox工具箱来编写刺激界面，调用工具箱中Screen函数可以呈现以不同频率闪烁的方块和设置训练指导语。使用LCD显示屏作为刺激器，其屏幕刷新频率为60Hz，分辨率为1920×1080。呈现刺激时，参见图2，在屏幕上出现四个黑白闪烁的矩形图片，分别位于屏幕的上方，下方，左方和右方，并分别以不同的频率闪烁，刺激频率依次是8Hz、10Hz、12Hz和15Hz。被试眼睛距离液晶显示屏约60厘米，被试注视液晶显示屏上闪烁刺激1秒，枕叶区就会诱发出和闪烁刺激相同的频率以及谐波成分的脑电波，使用Synamps2(Neuroscan)数字脑电记录仪进行放大、A/D转换等处理，放大器的通频带范围为0.15Hz至200Hz，采样率设置为1000Hz，然后将脑电信号传输至计算机，这样就得到了一组1秒时间长的脑电信号。本实例参照此要求共采集29位被试的9导联脑电数据来构造数据集，该数据集共有6个试次，以下所述步骤以被试1的试次1的脑电数据为例。
(2)对脑电信号进行预处理
(2.1)将实际采集到的脑电信号降采样到250Hz。
(2.2)在脑电信号实验中，经常受到低于4Hz的低频噪声干扰，且刺激频率远小于95Hz，故对脑电信号进行4～95Hz的带通滤波处理。
(2.3)为了消除常见的工频噪声干扰，对脑电信号进行50Hz的陷波处理。经过以上预处理步骤，得到预处理后的脑电信号X，矩阵大小为9×250。
(3)搭建LSTM网络对预处理后脑电数据进行预测
(3.1)结合LSTM对输入数据的要求，对脑电信号X进行处理，其步骤如下：先将通道n(n＝1，2，...，9)的脑电信号xn正则化到[-1，1]，得到数据xn′，然后以150为数据窗长度，即每150个脑电数据预测下一个脑电数据，将该数据窗窗头对齐xn′第一个数据，并从xn第一个数据向后滑动，直至窗尾对齐xn′倒数第二个数据，将滑动数据窗截到的数据合并成一个150×100大小的矩阵，再将该矩阵添加一维度，得到150×100×1大小的训练数据Xt，每个滑动数据窗预测得到的脑电数据合并成一个100×1大小的训练数据Yt。
(3.2)构建三层LSTM网络模型，参照图3，其结构如下：第一个LSTM层有40个隐藏神经元，然后跟一个Dropout率为0.3的Dropout层；第二个LSTM层有30个隐藏神经元，然后跟一个Dropout率为0.2的Dropout层；第三个LSTM层有20个隐藏神经元，然后跟一个Dropout率为0.1的Dropout层；最后，添加一个全连接层，输出节点为1。将均方误差函数作为损失函数，优化器选用Adam，利用训练数据Xt和Yt对该网络进行训练，批处理大小为32，总的训练epoch个数为200。
(3.3)使用训练好的网络对脑电信号进行预测，其步骤如下：先将数据xn′的最后150个数据作为网络的输入值，预测得到下一个脑电数据，并将该数据添到xn′的末尾，重复以上步骤，直至得到数据长度为50的预测值xp′，并将其反归一化，得到脑电预测值xp。参照图4，被试1的试次1脑电预测值与脑电真实值走势基本一致，表明该网络可以学习到脑电数据的频率特征。该预测值与xn共同构成预测延长后的脑电数据xl，9通道预测延长后的脑电数据为Xl，矩阵大小为9×300。
(4)使用FBCCA算法对预测延长后的脑电数据进行特征提取与分类
(4.1)从脑电信号Xl中提取各子带成分，以SSVEP成分的上界频率作为截止频率，刺激信号带宽作为初始频率的公差，设置通带频率(Hz)分别为[8,88]、[16,88]、[24,88]、[32,88]、[40,88]、[48,88]、[56,88]、[64,88]和[72,88]，利用切比雪夫Ⅰ型滤波器对脑电信号进行滤波处理，得到脑电信号Xi(i＝1，2，...，M)，M为滤波器组数，最大为9。
(4.2)构造模板信号Yf如下所示，它是与刺激频率f(f＝8Hz，10Hz，12Hz，15Hz相关的参考信号。
Figure BDA0003274084100000091
其中，Nh是f的谐波个数。
(4.3)对Xi和模板信号Yf进行CCA处理，寻找一对向量WX和WY，通过WX和WY来最大化相关变量xi＝Xi TWX和yf＝Yf TWY之间的相关性，相关系数表示如下所示：
Figure BDA0003274084100000101
(4.4)对每个刺激频率f(f＝8Hz，10Hz，12Hz，15Hz)，构造目标判别式如下所示：
Figure BDA0003274084100000102
其中，由于SSVEP谐波成分的信噪比随着频率的增加而下降，因此各子带成分的权重系数w(i)定义如下所示：
w(i)＝i-1.25+0.25
(4.5)计算各个刺激频率f的ρf，最大的ρf所对应的刺激频率就被认为是SSVEP的频率。
为了寻找步骤(4)中滤波器组数M和谐波数Nh的最优值，基于步骤(1)中的离线数据集采用网格搜索法进行确定，M在[1，9]间以1为步长增加，Nh在[1，8]间以1为步长增加，计算不同M和Nh组合下的SSVEP分类准确率。参照图5，M为6，Nh为4时，分类准确率最高，此时特征提取最有效。本实例证明，在仅使用1秒长度的脑电数据情况下，使用本发明所提出的分类方法，SSVEP分类准确率高达92.4％。

Claims (6)

1.一种基于长短期记忆网络的稳态视觉诱发电位分类方法，其特征在于，包括以下步骤：
(一)采集液晶显示屏上闪烁刺激诱发的SSVEP；
(二)对采集到的脑电信号通过降采样、带通滤波、陷波进行预处理；
(三)对预处理后的脑电信号使用三层LSTM网络进行预测；
(四)使用FBCCA算法对预测延长后的脑电信号进行特征提取与分类。
2.根据权利要求1所述的一种基于长短期记忆网络的稳态视觉诱发电位分类方法，其特征在于，所述的步骤一具体为：
(1.1)按照国际10-20系统电极放置标准将9个脑电极放置在被试头部枕叶区P3、PZ、P4、PO3、POZ、PO4、O1、OZ和O2位置上，耳根部作为参考电极，接地电极接地，使用导电膏使得电极阻抗保持低于5kΩ；
(1.2)被试在注视液晶显示屏上闪烁刺激时，枕叶区就会诱发出和闪烁刺激相同的频率以及谐波成分的脑电波，使用生物信号记录仪进行放大、A/D转换处理，然后将脑电信号传输至计算机。
3.根据权利要求1所述的一种基于长短期记忆网络的稳态视觉诱发电位分类方法，其特征在于，所述的步骤二具体为：
(2.1)将实际采集到的脑电信号降采样到250Hz；
(2.2)对脑电信号进行4-95Hz的带通滤波处理；
(2.3)对脑电信号进行50Hz的陷波处理，经过以上预处理步骤，得到预处理后的脑电信号X。
4.根据权利要求1所述的一种基于长短期记忆网络的稳态视觉诱发电位分类方法，其特征在于，所述的步骤三具体为：
(3.1)结合LSTM对输入数据的要求，对脑电信号X进行处理，其步骤如下：先将通道n的脑电信号xn正则化到[-1，1]，得到数据xn′，然后以150为数据窗长度，即每150个脑电数据预测下一个脑电数据，将该数据窗窗头对齐xn′第一个数据，并从xn′第一个数据向后滑动，直至窗尾对齐xn′倒数第二个数据，将滑动数据窗截到的数据合并成一个150×(训练数据长度-150)大小的矩阵，再将该矩阵添加一维度，得到150×(训练数据长度-150)×1大小的训练数据Xt，每个滑动数据窗预测得到的脑电数据合并成一个(训练数据长度-150)×1大小的训练数据Yt；
(3.2)构建三层LSTM网络模型，其结构如下：第一个LSTM层有40个隐藏神经元，然后跟一个Dropout率为0.3的Dropout层；第二个LSTM层有30个隐藏神经元，然后跟一个Dropout率为0.2的Dropout层；第三个LSTM层有20个隐藏神经元，然后跟一个Dropout率为0.1的Dropout层；最后，添加一个全连接层，输出节点为1；将均方误差函数作为损失函数，优化器选用Adam，利用训练数据Xt和Yt对该网络进行训练；
(3.3)使用训练好的网络对脑电信号进行预测，其步骤如下：先将数据xn′的最后150个数据作为网络的输入值，预测得到下一个脑电数据，并将该数据添到xn′的末尾，重复以上步骤，直至得到目标长度的预测值xp′，并将其反归一化，得到脑电预测值xp，该预测值与xn共同构成预测延长后的脑电数据xl，9通道预测延长后的脑电数据为Xl。
5.根据权利要求1所述的一种基于长短期记忆网络的稳态视觉诱发电位分类方法，其特征在于，所述的步骤四具体为：
(4.1)从脑电数据Xl中提取各子带成分，以SSVEP成分的上界频率作为截止频率，刺激信号带宽作为初始频率的公差，设置通带频率(Hz)分别为[8,88]、[16,88]、[24,88]、[32,88]、[40,88]、[48,88]、[56,88]、[64,88]和[72,88]，利用切比雪夫Ⅰ型滤波器对脑电信号进行滤波处理，得到脑电信号Xi(i＝1，2，...，M)，M为滤波器组数，最大为9；
(4.2)构造模板信号Yf如下所示，它是与刺激频率f相关的参考信号：
Figure FDA0003274084090000031
其中，Nh是f的谐波个数；
(4.3)对Xi和模板信号Yf进行CCA处理，寻找一对向量WX和WY，通过WX和WY来最大化相关变量xi＝Xi TWX和yf＝Yf TWY之间的相关性，相关系数表示如下所示：
Figure FDA0003274084090000041
(4.4)对每个刺激频率f，构造目标判别式如下所示：
Figure FDA0003274084090000042
其中，由于SSVEP谐波成分的信噪比随着频率的增加而下降，因此各子带成分的权重系数w(i)定义如下所示：
w(i)＝i-1.25+0.25
(4.5)计算各个刺激频率f的ρf，最大的ρf所对应的刺激频率就被认为是SSVEP的频率。
6.根据权利要求5所述的一种基于长短期记忆网络的稳态视觉诱发电位分类方法，其特征在于，采用网格搜索法进行确定滤波器组数M和谐波数Nh的最优值，M在[1，9]间以1为步长增加，Nh在[1，8]间以1为步长增加，计算不同M和Nh组合下的SSVEP分类准确率，则最大的分类准确率对应的组合就被确定为最优值。
CN202111111589.9A 2021-09-23 2021-09-23 一种基于长短期记忆网络的稳态视觉诱发电位分类方法 Pending CN114081506A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111111589.9A CN114081506A (zh) 2021-09-23 2021-09-23 一种基于长短期记忆网络的稳态视觉诱发电位分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111111589.9A CN114081506A (zh) 2021-09-23 2021-09-23 一种基于长短期记忆网络的稳态视觉诱发电位分类方法

Publications (1)

Publication Number Publication Date
CN114081506A true CN114081506A (zh) 2022-02-25

Family

ID=80296177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111111589.9A Pending CN114081506A (zh) 2021-09-23 2021-09-23 一种基于长短期记忆网络的稳态视觉诱发电位分类方法

Country Status (1)

Country Link
CN (1) CN114081506A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115024684A (zh) * 2022-05-23 2022-09-09 天津大学 刺激范式生成系统、脑-机接口系统、检测方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115024684A (zh) * 2022-05-23 2022-09-09 天津大学 刺激范式生成系统、脑-机接口系统、检测方法及装置

Similar Documents

Publication Publication Date Title
CN101596101B (zh) 依据脑电信号判定疲劳状态的方法
CN110969108B (zh) 一种基于自主运动想象脑电的肢体动作识别方法
CN107168524B (zh) 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
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
CN101515200B (zh) 基于瞬态视觉诱发脑电的目标选择方法
CN109325586B (zh) 一种用于脑电信号去噪的系统
CN109299751B (zh) 基于emd数据增强的卷积神经模型的ssvep脑电分类方法
CN109770900B (zh) 基于卷积神经网络的脑机接口指令下发方法、系统、装置
Thomas et al. Adaptive tracking of discriminative frequency components in electroencephalograms for a robust brain–computer interface
CN112515685A (zh) 基于时频共融的多通道脑电信号通道选择方法
CN1556450A (zh) 基于瞬态视觉诱发电位提取脑机接口控制信号的方法
CN111820876A (zh) 一种脑电空间滤波器的动态构建方法
CN117064409A (zh) 经颅直流电干预刺激效果实时评估方法、装置及终端
CN114081506A (zh) 一种基于长短期记忆网络的稳态视觉诱发电位分类方法
CN116340824A (zh) 基于卷积神经网络的肌电信号动作识别方法
CN113128353B (zh) 面向自然人机交互的情绪感知方法及其系统
Zhao et al. Incremental common spatial pattern algorithm for BCI
CN204759349U (zh) 一种基于稳态视觉诱发电位的飞行器控制装置
CN113935380A (zh) 一种基于模板匹配的自适应运动想象脑机接口方法与系统
CN117435955A (zh) 基于小波包分解和fbcca的脑控机械臂脑电频率检测方法
CN116531661A (zh) 基于脑电网络引导的闭环电刺激系统
CN114052752B (zh) 多通道表面肌电信号中心电qrs波群干扰的滤除方法
Melinda et al. The effect of power spectral density on the electroencephalography of autistic children based on the welch periodogram method
CN106778475B (zh) 一种最优导联集选择方法及系统
Mahmood et al. Frequency recognition of short-time SSVEP signal using CORRCA-based spatio-spectral feature fusion framework

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