CN114305333A - 一种基于脑网络和深度学习的脑电信号识别方法 - Google Patents
一种基于脑网络和深度学习的脑电信号识别方法 Download PDFInfo
- Publication number
- CN114305333A CN114305333A CN202111548036.XA CN202111548036A CN114305333A CN 114305333 A CN114305333 A CN 114305333A CN 202111548036 A CN202111548036 A CN 202111548036A CN 114305333 A CN114305333 A CN 114305333A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram data
- language
- brain
- data
- brain network
- 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.)
- Granted
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 110
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 230000001360 synchronised effect Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013145 classification model Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 11
- 238000011176 pooling Methods 0.000 description 8
- 230000005611 electricity Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于脑网络和深度学习的脑电信号识别方法，包括：获取运动想象脑电数据和语言想象脑电数据，进行预处理并得到对应的标签；基于多导联的脑电数据，分别计算多窄波段的导联间时间序列的相位同步性；设定阈值，得到多个窄带的基于相位同步性的连接矩阵；通过连接矩阵构建功能性脑网络；训练深度学习模型，多窄波的同步性脑网络同时作为卷积神经网络的输入，优化网络的结构和参数；通过同步性脑网络分类模型进行训练和分类，本申请充分利用了深度学习算法强大的特征提取能力和处理时序信号的能力，结合隐藏在脑电信号中的时序信息，完成基于多窄带的脑网络的脑电信号识别任务，合理设计了多输入卷积层以及卷积核的大小，提高分类效果。
Description
技术领域
本发明涉及信号处理领域，特别涉及一种基于脑网络和深度学习的脑电信号识别方法。
背景技术
人类的大脑是一个大型的网络，人脑的生物运作系统需要多个脑区的共同参与和相互作用，脑-机接口技术可以直接通过检测大脑神经活动来识别人的意图，并将其转换成计算机控制指令，从而实现人脑对外部设备操作控制，是一种新型的人机交互控制技术，然而传统方法没有考虑到电极间的拓扑关系，头皮上信号之间的相互作用可能无法被充分挖掘，对特定导联信号进行单独分析的研究方法无法反映想象过程中脑区间的信息流向或因果关系，无法精确地对不同想象进行识别和分类。
因此，如何提供一种有效的脑电信号识别方法，是本领域技术人员亟待解决的问题。
发明内容
本申请实施例提供了一种基于脑网络和深度学习的脑电信号识别方法，旨在解决现有技术无法对脑电信号进行精确识别的问题。
第一方面，本申请提供了一种基于脑网络和深度学习的脑电信号识别方法，该方法包括：
获取运动想象脑电数据和语言想象脑电数据，并进行预处理；
对预处理后的运动想象脑电数据和语言想象脑电数据进行时频分析和特征提取，构建全联通特征矩阵，并计算运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值；
根据运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值，计算运动想象脑电数据和语言想象脑电数据在相同的时间序列下导联间相位同步性差的绝对值，得到基于相位同步性的连接矩阵；
通过连接矩阵构建同步性脑网络；
将同步性脑网络并行输入进预先构建的卷积神经网络，利用深度学习中的神经网络对个体脑网络分别进行训练，然后通过全连接层进行融合，得到功能脑网络分类模型；
对功能脑网络分类模型进行训练，将待识别脑电信号输入训练后的功能脑网络分类模型，得到识别结果。
第二方面，本申请还提供了一种基于脑网络和深度学习的脑电信号识别装置，该装置包括：
脑电信号预处理模块，用于获取运动想象脑电数据和语言想象脑电数据，并进行预处理；
全联通特征矩阵构建模块，用于对预处理后的运动想象脑电数据和语言想象脑电数据进行时频分析和特征提取，构建全联通特征矩阵，并计算两类脑电数据各导联对相位同步性的平均值；
连接矩阵构建模块，用于根据两类脑电数据各导联对相位同步性的平均值，计算两类想象脑电信号在相同的时间序列下导联间相位同步性差的绝对值，得到基于相位同步性的连接矩阵；
同步性脑网络构建模块，用于通过连接矩阵构建同步性脑网络；
功能脑网络分类模型构建模块，用于将同步性脑网络并行输入进预先构建的卷积神经网络，利用深度学习中的神经网络对个体脑网络分别进行训练，然后通过全连接层进行融合，得到功能脑网络分类模型；
模型训练与识别模块，用于对功能脑网络分类模型进行训练，将待识别脑电信号输入训练后的功能脑网络分类模型，得到识别结果。
第三方面，本申请还提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现上述第一方面所述的一种基于脑网络和深度学习的脑电信号识别方法。
第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行上述第一方面所述的一种基于脑网络和深度学习的脑电信号识别方法。
本申请提出的一种基于脑网络和深度学习的脑电信号识别方法，根据信号多窄带的相位同步性构造的脑网络运用到两类想象识别上，并结合并行输入的神经网络模型对脑电信号进行分类。通过计算各导联之间的相位同步性，来描述脑电信号的时频关联度，识别大脑各区域之间的依赖程度，阈值化处理后构建同步性脑网络；通过同步性脑网络对神经网络进行训练搭建分类模型，充分利用了深度学习算法强大的特征提取能力和处理时序信号的能力，结合隐藏在脑电信号中的时序信息，完成基于多窄带的脑网络的脑电信号识别任务，合理设计了多输入卷积层以及卷积核的大小，提高分类效果。
附图说明
为了更清楚的说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见的，下面的描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本申请实施例提供的一种基于脑网络和深度学习的脑电信号识别方法流程图；
图2为本申请实施例提供的电极位置设置图；
图3为本申请实施例提供的实验流程图；
图4为本申请实施例提供的两类想象的最大差异导联对PLV对比图；
图5为本申请实施例提供的两类想象多窄波段的同步性脑网络各节点连接图；
图6位本申请实施例提供的参数解释图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
参见图1实施例所示一种基于脑网络和深度学习的脑电信号识别方法流程图，包括：
S101、获取运动想象脑电数据和语言想象脑电数据，并进行预处理。
采用10-20国际标准导联系统设置35个采样电极，分别获取想象身体左旋时的运动脑电数据和语言想象默读汉字“壹”时的脑电数据，记为运动想象脑电数据和语言想象脑电数据，采样频率是250Hz，采样电极遵照国际10-20导联系统的35导联设置，采集的运动想象脑电数据的35个导联和语言想象脑电数据的35个导联中，每两个对应的导联记为一个导联对。
如图2所示。其中每次想象采样时间8秒，前3秒为准备阶段，3到4秒为提示阶段，4到8秒为运动想象阶段，各项想象进行75次实验。数据格式为75*35*2001。
在获取想象身体左旋时的运动想象脑电数据和语言想象脑电数据后，对该两类想象脑电数据进行分类标记，得到对应的标签，使得后续使用卷积网络对上述两种脑电信号的特征进行训练分类时能够有效识别信号。
预处理包括：时间片校正、头动校正、伪迹去除、4～30Hz带通滤波等步骤，避免直接对原始的脑电数据直接处理，造成误差。
S102、对预处理后的运动想象脑电数据和语言想象脑电数据进行时频分析和特征提取，构建全联通特征矩阵，并计算该两类脑电数据各导联对相位同步性的平均值。
采用事件相关谱扰动(ERSP)对预处理后的运动想象脑电数据和语言想象脑电数据进行时频分析，选取运动想象脑电数据和语言想象脑电数据能量谱变化最明显的时间序列，在本实施例中，选取每次想象采样时间的第5～7秒；
对选定的时间序列使用快速傅里叶变换(FFT)对theta(4～7Hz)、mu(8～13Hz)、beta(14～30Hz)三个频段的运动想象脑电数据和语言想象脑电数据进行特征提取，得到三组不同的频段的脑电信号。
对运动想象脑电数据和语言想象脑电数据的多个窄波段，分别获取各对导联间时间序列的相位关系，记为Cx1,2,3、Dx1,2,3，构建全联通的相位同步性(PLV)特征矩阵，一次想象范式的数据格式为35*35，提取全连通连接矩阵的上三角特征作为功能连接特征，一共进行75次实验，总数据格式为3个75*35*35的矩阵。PLV定义公式为：
其中，Φn(t)＝(Φx(t)-Φy(t))表示导联x和y信号之间在时刻t的相位差，N为时间序列的长度。
求75次实验的各导联对相位同步性的平均值CM1,2,3、DM1,2,3。
S103、根据运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值，计算运动想象脑电数据和语言想象脑电数据在相同的时间序列下，导联间相位同步性差的绝对值，得到基于相位同步性的连接矩阵。
通过计算运动想象脑电数据和语言想象脑电数据在相同的时间序列下导联间相位同步性差的绝对值LMM(LMM＝abs(CM1,2,3、DM1,2,3))；
选取相位同步性差异较大的导联对(LMM较大的导联对)，滤除低同步性的导联对信息，即，在上述Cx1,2,3、Dx1,2,3中将需要滤除的导联对信息置零。此时经过阈值化处理后的Cx1,2,3、Dx1,2,3即基于相位同步性的连接矩阵。设定阈值为PLVT，阈值化处理后的相位锁定值为
计算公式为：
上述相位同步性差异运算中，相位同步性差异最大的导联对(LMMmax(x,y))随着实验事件的发生，两类想象的相位锁定值比较如图4所示(时间窗为2s)。
S104、通过连接矩阵构建同步性脑网络。
通过S103分别得到运动想象脑电数据和语言想象脑电数据的三个连接矩阵，定义连接矩阵为三个窄波段的同步性功能脑网络矩阵。其横纵坐标均为导联标号，矩阵的各元素值表示元素坐标对应的两个导联在相同时间序列上的同步性。基于此可绘制出功能性脑网络结构图，此脑网络结构图仅显示具有较高同步性的导联对。
如图5所示，由运动想象脑电数据和语言想象脑电数据的3个75*35*35的上三角功能脑网络矩阵，可以在分别画出运动想象脑电数据和语言想象脑电数据多窄波的同步性脑网络各节点连接图。节点连接图的作用是可视化不同想象的脑网络对比，更直观的看出运动想象脑电数据和语言想象脑电数据在不同窄波段下各脑区之间的依赖程度
S105、将同步性脑网络并行输入进预先构建的卷积神经网络，利用深度学习中的神经网络对个体脑网络分别进行训练，然后通过全连接层进行融合，得到功能脑网络分类模型。
具体包括以下步骤：
Step1：使用训练集多窄带的同步性脑网络多输入并行训练卷积神经网络，使用的神经网络为根据脑网络特征矩阵改进的EEGNet，匹配的Python IDE编辑器是Pycharm，网络结构图如图6所示，其中，N为N个窄波频段。
EEGNet是一种紧凑的基于脑电图的卷积神经网络，网络会自动地学习提取到有效的特征参数，并且把参数保存下来，当使用测试时，只需要加载保存的网络模型，然后使用测试集即可进行测试系统性能。
Step2：输入信号：将经过theta(4-7Hz)节律、mu(8-13Hz)节律、beta(14-30Hz)节律的带通滤波的每次试验的35×35的功能脑网络矩阵作为神经网络的输入。
Step3：获取的特征矩阵首先分别经过1×16的卷积层提取特征，卷积核的个数为4。输出格式为3个并行的4×35×35的数据。
Step4：深度卷积层：将上一卷积层的输出信号分别输入到深度卷积层，每个并行的深度卷积层有2个35×1的卷积核，则输出格式为3个并行的8×1×35的数据。
Step4：平均池化层：将深度卷积层的输出信号输入到池化层，进行数据降维，减小过拟合，同时提高模型容错性；池化层的卷积核为1×4，输出格式为3个并行的8×1×8的数据。
Step5：可分离卷积层：将池化层的输出信号并行输入到可分离卷积层，可分离卷积层有8个1×16的卷积核，则输出格式为3个并行的8×1×8的数据。
Step7：平均池化层：将可分离卷积层的输出信号分别输入到池化层，降低数据维度，池化层的卷积核1×8，则输出格式为3个并行的8×1×1的数据。
Step8：全连接层和输出层：将最后池化层的输出信号经过全连接层融合起来，然后通过softmax层的2分类输出就会得到识别结果。
根据脑网络特征矩阵改进的EEGNet神经网络模型各层输出特征的尺寸以及网络参数如图6所示。
S106、对功能脑网络分类模型进行训练，将待识别脑电信号输入训练后的功能脑网络分类模型，得到识别结果。
Step1：数据集的分配：把两类想象的75次数据集平均分成5份数据，取1份作为测试集，留下4份作为训练集，此时的训练集和测试集组成脑电信号的第一组数据集。然后取另外不同的1份作为测试集，留下的其他4份作为训练集，组成脑电信号的第二组数据集。如此往复5次形成5组数据集，对原始数据进行交叉验证。其中训练集用来训练运动想象脑电信号识别的模型，测试集用来测试模型识别的效果。
Step2：使用训练集脑电信号的多窄波段的同步性脑网络训练卷积神经网络，网络会自动地学习提取到有效的特征的参数，并且把参数保存下来，当使用测试时，只需要加载保存的网络模型，然后使用测试集即可进行测试系统性能。
本发明根据信号多窄带的相位同步性构造的脑网络运用到两类想象识别上，并结合并行输入的神经网络模型对脑电信号进行分类。通过计算各导联之间的相位同步性，来描述EEG信号的时频关联度，识别大脑各区域之间的依赖程度，阈值化处理后构建同步性脑网络；通过同步性脑网络对神经网络进行训练搭建分类模型，充分利用了深度学习算法强大的特征提取能力和处理时序信号的能力，结合隐藏在EEG信号中的时序信息，完成基于多窄带的脑网络的脑电信号识别任务，合理设计了多输入卷积层以及卷积核的大小，提高分类效果。
在一实施例中，本申请还提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现上述任一项所述的一种基于脑网络和深度学习的脑电信号识别方法。
在一实施例中，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行上述任一项所述的一种基于脑网络和深度学习的脑电信号识别方法。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。
Claims (10)
1.一种基于脑网络和深度学习的脑电信号识别方法，其特征在于，包括：
获取运动想象脑电数据和语言想象脑电数据，并进行预处理；
对预处理后的运动想象脑电数据和语言想象脑电数据进行时频分析和特征提取，构建全联通特征矩阵，并计算运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值；
根据运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值，计算运动想象脑电数据和语言想象脑电数据在相同的时间序列下导联间相位同步性差的绝对值，得到基于相位同步性的连接矩阵；
通过连接矩阵构建同步性脑网络；
将同步性脑网络并行输入进预先构建的卷积神经网络，利用深度学习中的神经网络对个体脑网络分别进行训练，然后通过全连接层进行融合，得到功能脑网络分类模型；
对功能脑网络分类模型进行训练，将待识别脑电信号输入训练后的功能脑网络分类模型，得到识别结果。
2.如权利要求1所述的一种基于脑网络和深度学习的脑电信号识别方法，其特征在于，所述预处理包括时间片校正、头动校正、伪迹去除和4～30Hz带通滤波处理。
3.如权利要求1所述的一种基于脑网络和深度学习的脑电信号识别方法，其特征在于，所述对预处理后的运动想象脑电数据和语言想象脑电数据进行时频分析，包括：
采用事件相关谱扰动对预处理后的运动想象脑电数据和语言想象脑电数据进行时频分析，选取运动想象脑电数据和语言想象脑电数据能量谱变化最明显的时间序列。
4.如权利要求3所述的一种基于脑网络和深度学习的脑电信号识别方法，其特征在于，所述对预处理后的运动想象脑电数据和语言想象脑电数据进行特征提取，包括：
对选取的时间序列使用快速傅里叶变换对三个频段的脑电信号进行特征提取，得到三组不同频段的脑电信号。
5.如权利要求4所述的一种基于脑网络和深度学习的脑电信号识别方法，其特征在于，所述构建全联通特征矩阵，包括：
根据三组不同频段的脑电信号中的窄波段信号，分别获取脑电信号的各对导联件时间序列的相位关系，并构建全联通特征矩阵。
6.如权利要求1所述的一种基于脑网络和深度学习的脑电信号识别方法，其特征在于，所述计算运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值，包括：
提取全连通连接矩阵的上三角特征作为功能连接特征，计算得到运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值。
7.如权利要求1所述的一种基于脑网络和深度学习的脑电信号识别方法，其特征在于，所述获取运动想象脑电数据和语言想象脑电数据，包括：
采用10-20国际标准导联系统设置35个采样电极，分别获取运动想象脑电数据和语言想象脑电数据的35个导联。
8.一种基于脑网络和深度学习的脑电信号识别装置，其特征在于，包括：
脑电信号预处理模块，用于获取运动想象脑电数据和语言想象脑电数据，并进行预处理；
全联通特征矩阵构建模块，用于对预处理后的运动想象脑电数据和语言想象脑电数据进行时频分析和特征提取，构建全联通特征矩阵，并计算运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值；
连接矩阵构建模块，用于根据运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值，计算运动想象脑电数据和语言想象脑电数据在相同的时间序列下导联间相位同步性差的绝对值，得到基于相位同步性的连接矩阵；
同步性脑网络构建模块，用于通过连接矩阵构建同步性脑网络；
功能脑网络分类模型构建模块，用于将同步性脑网络并行输入进预先构建的卷积神经网络，利用深度学习中的神经网络对个体脑网络分别进行训练，然后通过全连接层进行融合，得到功能脑网络分类模型；
模型训练与识别模块，用于对功能脑网络分类模型进行训练，将待识别脑电信号输入训练后的功能脑网络分类模型，得到识别结果。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-6中任一项所述的一种基于脑网络和深度学习的脑电信号识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器执行如权利要求1-6中任一项所述的一种基于脑网络和深度学习的脑电信号识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111548036.XA CN114305333B (zh) | 2021-12-16 | 2021-12-16 | 一种基于脑网络和深度学习的脑电信号识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111548036.XA CN114305333B (zh) | 2021-12-16 | 2021-12-16 | 一种基于脑网络和深度学习的脑电信号识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114305333A true CN114305333A (zh) | 2022-04-12 |
| CN114305333B CN114305333B (zh) | 2024-06-25 |
Family
ID=81053045
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111548036.XA Active CN114305333B (zh) | 2021-12-16 | 2021-12-16 | 一种基于脑网络和深度学习的脑电信号识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114305333B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081558A (zh) * | 2022-08-22 | 2022-09-20 | 北京元亦科技有限公司 | 一种基于图神经网络的脑网络数据分类方法和系统 |
| CN115238835A (zh) * | 2022-09-23 | 2022-10-25 | 华南理工大学 | 基于双空间自适应融合的脑电情感识别方法、介质及设备 |
| CN115577242A (zh) * | 2022-10-14 | 2023-01-06 | 成都信息工程大学 | 一种基于注意力机制及神经网络的脑电信号分类方法 |
| CN116269447A (zh) * | 2023-05-17 | 2023-06-23 | 之江实验室 | 一种基于语音调制和脑电信号的言语认知评估系统 |
| CN117056831A (zh) * | 2023-10-13 | 2023-11-14 | 南京龙垣信息科技有限公司 | 基于卷积神经网络的内心独白识别方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971124A (zh) * | 2014-05-04 | 2014-08-06 | 杭州电子科技大学 | 一种基于相位同步的多类别运动想象脑电信号分类方法 |
| CN105956546A (zh) * | 2016-04-28 | 2016-09-21 | 杭州电子科技大学 | 一种基于脑电信号的情绪识别方法 |
| CN107132915A (zh) * | 2017-04-19 | 2017-09-05 | 西北工业大学 | 一种基于动态脑功能网络连接的脑‑机接口方法 |
| CN108446020A (zh) * | 2018-02-28 | 2018-08-24 | 天津大学 | 融合可视图与深度学习的运动想象意念控制方法及应用 |
| CN108764043A (zh) * | 2018-04-26 | 2018-11-06 | 太原理工大学 | 基于动态功能连接的熵值的脑电分类方法 |
| US20200142481A1 (en) * | 2018-11-07 | 2020-05-07 | Korea University Research And Business Foundation | Brain-computer interface system and method for decoding user's conversation intention using the same |
| CN111584030A (zh) * | 2020-04-30 | 2020-08-25 | 天津大学 | 基于深度学习和复杂网络的意念控制智能康复系统及应用 |
| CN111736690A (zh) * | 2020-05-25 | 2020-10-02 | 内蒙古工业大学 | 基于贝叶斯网络结构辨识的运动想象脑机接口 |
| CN113157100A (zh) * | 2021-01-04 | 2021-07-23 | 河北工业大学 | 一种附加汉字默读与运动想象任务的脑-机接口方法 |
| CN113476056A (zh) * | 2021-06-25 | 2021-10-08 | 西北工业大学 | 一种基于频域图卷积神经网络的运动想象脑电信号分类方法 |
-
2021
- 2021-12-16 CN CN202111548036.XA patent/CN114305333B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971124A (zh) * | 2014-05-04 | 2014-08-06 | 杭州电子科技大学 | 一种基于相位同步的多类别运动想象脑电信号分类方法 |
| CN105956546A (zh) * | 2016-04-28 | 2016-09-21 | 杭州电子科技大学 | 一种基于脑电信号的情绪识别方法 |
| CN107132915A (zh) * | 2017-04-19 | 2017-09-05 | 西北工业大学 | 一种基于动态脑功能网络连接的脑‑机接口方法 |
| CN108446020A (zh) * | 2018-02-28 | 2018-08-24 | 天津大学 | 融合可视图与深度学习的运动想象意念控制方法及应用 |
| CN108764043A (zh) * | 2018-04-26 | 2018-11-06 | 太原理工大学 | 基于动态功能连接的熵值的脑电分类方法 |
| US20200142481A1 (en) * | 2018-11-07 | 2020-05-07 | Korea University Research And Business Foundation | Brain-computer interface system and method for decoding user's conversation intention using the same |
| CN111584030A (zh) * | 2020-04-30 | 2020-08-25 | 天津大学 | 基于深度学习和复杂网络的意念控制智能康复系统及应用 |
| CN111736690A (zh) * | 2020-05-25 | 2020-10-02 | 内蒙古工业大学 | 基于贝叶斯网络结构辨识的运动想象脑机接口 |
| CN113157100A (zh) * | 2021-01-04 | 2021-07-23 | 河北工业大学 | 一种附加汉字默读与运动想象任务的脑-机接口方法 |
| CN113476056A (zh) * | 2021-06-25 | 2021-10-08 | 西北工业大学 | 一种基于频域图卷积神经网络的运动想象脑电信号分类方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081558A (zh) * | 2022-08-22 | 2022-09-20 | 北京元亦科技有限公司 | 一种基于图神经网络的脑网络数据分类方法和系统 |
| CN115081558B (zh) * | 2022-08-22 | 2022-11-15 | 北京元亦科技有限公司 | 一种基于图神经网络的脑网络数据分类方法和系统 |
| CN115238835A (zh) * | 2022-09-23 | 2022-10-25 | 华南理工大学 | 基于双空间自适应融合的脑电情感识别方法、介质及设备 |
| CN115577242A (zh) * | 2022-10-14 | 2023-01-06 | 成都信息工程大学 | 一种基于注意力机制及神经网络的脑电信号分类方法 |
| CN116269447A (zh) * | 2023-05-17 | 2023-06-23 | 之江实验室 | 一种基于语音调制和脑电信号的言语认知评估系统 |
| CN116269447B (zh) * | 2023-05-17 | 2023-08-29 | 之江实验室 | 一种基于语音调制和脑电信号的言语认知评估系统 |
| CN117056831A (zh) * | 2023-10-13 | 2023-11-14 | 南京龙垣信息科技有限公司 | 基于卷积神经网络的内心独白识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114305333B (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114305333A (zh) | 一种基于脑网络和深度学习的脑电信号识别方法 | |
| CN110399857B (zh) | 一种基于图卷积神经网络的脑电情感识别方法 | |
| CN111012336B (zh) | 时空特征融合的并行卷积网络运动想象脑电图分类方法 | |
| US11354339B2 (en) | Method and system for clustering users using cognitive stress report for classifying stress levels | |
| CN110558975B (zh) | 一种心电信号分类方法及系统 | |
| CN104503592A (zh) | 头部动作确定方法和装置 | |
| CN110367976B (zh) | 脑电波信号检测方法、相关设备和存储介质 | |
| CN113191225A (zh) | 一种基于图注意力网络的情绪脑电识别方法及系统 | |
| CN114781442A (zh) | 基于四维注意力卷积循环神经网络的疲劳分类方法 | |
| CN113017627A (zh) | 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法 | |
| CN113476056B (zh) | 一种基于频域图卷积神经网络的运动想象脑电信号分类方法 | |
| CN113378650B (zh) | 一种基于脑电源成像和正则化共空间模式的情绪识别方法 | |
| CN113558644A (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 | |
| CN111931578B (zh) | 一种基于最小生成树和区域双层网络的脑电识别方法 | |
| CN117648604A (zh) | 一种基于动态图特征网络的脑机目标读取方法及系统 | |
| CN113627391A (zh) | 一种考虑个体差异的跨模式脑电信号识别方法 | |
| CN116919422A (zh) | 基于图卷积的多特征情感脑电识别模型建立方法及装置 | |
| CN116687406B (zh) | 情绪识别方法、装置、电子设备及存储介质 | |
| US20230315203A1 (en) | Brain-Computer Interface Decoding Method and Apparatus Based on Point-Position Equivalent Augmentation | |
| CN112259228A (zh) | 一种动态注意力网络非负矩阵分解的抑郁症筛选方法 | |
| Shojaedini et al. | A new method for detecting p300 signals by using deep learning: hyperparameter tuning in high-dimensional space by minimizing nonconvex error function | |
| CN111700592A (zh) | 一种癫痫脑电自动分类模型的获取方法、系统及分类系统 | |
| CN115631371A (zh) | 一种脑电信号核心网络的提取方法 | |
| CN115500807A (zh) | 基于小型卷积神经网络的心律失常分类检测方法及系统 | |
| CN114692682A (zh) | 一种基于图嵌入表示的运动想象分类方法及系统 |
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 |