CN114330457B - 基于dscnn和elm的eeg信号mi任务分类方法 - Google Patents
基于dscnn和elm的eeg信号mi任务分类方法 Download PDFInfo
- Publication number
- CN114330457B CN114330457B CN202210007816.1A CN202210007816A CN114330457B CN 114330457 B CN114330457 B CN 114330457B CN 202210007816 A CN202210007816 A CN 202210007816A CN 114330457 B CN114330457 B CN 114330457B
- Authority
- CN
- China
- Prior art keywords
- elm
- neural network
- dscnn
- output
- layer
- 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 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000000926 separation method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 6
- 238000000537 electroencephalography Methods 0.000 description 40
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于DSCNN和ELM的EEG信号MI任务分类方法,包括以下步骤:步骤S1:获取EEG信号并进行预处理;步骤S2:构建深度分离卷积神经网络,并基于深度分离卷积神经网络对预处理后的EEG信号进行特征提取;步骤S3:将深度分离卷积神经网络提取的特征信息展平成一维的特征向量形式并传递给ELM分类器进行基于EEG信号MI任务的识别,获得识别结果。本发明实现快速有效的EEG信号MI任务分类,有效促进了基于EEG信号MI分类在BCI领域内的应用研究。
Description
技术领域
本发明涉及脑信息领域,具体涉及一种基于DSCNN和ELM的EEG信号MI任务分类方法。
背景技术
近年来,脑机接口(Brain-Computer Interface,BCI)已经成为脑信息领域和生物医学工程领域的研究热点,其中对于运动想象(Motor Imagery,MI)脑电(Electroencephalography,EEG)信号的探索是脑机接口领域的重点钻研目标。然而,脑电信号具有一定的复杂性,信号的采集很容易受到其他噪声的干扰。并且,基于EEG信号进行MI任务识别主要通过用户脑神经元活动产生的EEG信号来控制外部设备,但是解码这些神经元活动信号取得的识别结果在目前还不足以BCI实际中的应用。
发明内容
有鉴于此,本发明的目的在于提供一种基于DSCNN和ELM的EEG信号MI任务分类方法,实现快速有效的EEG信号MI任务分类,有效促进了基于EEG信号MI分类在BCI领域内的应用研究。
为实现上述目的,本发明采用如下技术方案:
一种基于DSCNN和ELM的EEG信号MI任务分类方法,包括以下步骤:
步骤S1:获取EEG信号并进行预处理;
步骤S2:构建深度分离卷积神经网络,并基于深度分离卷积神经网络对预处理后的EEG信号进行特征提取;
步骤S3:将深度分离卷积神经网络提取的特征信息展平成一维的特征向量形式并传递给ELM分类器进行基于EEG信号MI任务的识别,获得识别结果。
进一步的,所述预处理,具体为:通过网格的形式将采集到的EEG信号一维数据转换成二维矩阵的形式,得到的二维矩阵结构同时包含时间特征信息和空间特征信息。
进一步的,所述步骤S2具体为:
步骤S21:将预处理后的EEG信号进行相同任务下的滑窗操作增加数据量,经过滑窗以后形成二维数据片段;
步骤S22:采用DSCNN网络模型提取二维数据片段的特征。
进一步的,所述DSCNN网络模型包括两层分离的卷积和两层常规卷积操作,两层分离的卷积用来提取相应的时间特征和空间特征,之后形成具有抽象的高层次时空特征数据片段,随后利用两层的常规卷积对这些时空特征再次挖掘有效特征信息。
进一步的,所述ELM分类器包括三层,分别是输入层、隐含层和输出层,将前面经过卷积部分提取的时空特征信号经过全连接层传递给ELM的输入层,然后经过权值计算最后输出EEG信号的识别结果。
进一步的,所述ELM分类器采用的算法,具体如下:
将输入层定义为X,设定隐层节点数为L,输出层用O表示;针对N个任意不同的样本(Xi,ti),这里Xi=[xi1,xi2,xi3,xi4,...,xin]T∈Rn,ti=[ti1,ti2,ti3,ti4,...,tin]T∈Rm,根据ELM网络模型的隐层节点数L,则包含有隐层节点数L的单隐层前馈神经网络通过下面方程表示为:
其中g(x)表示激活函数,Wi=[wi1,wi2,wi3,...,wiN]T为输入权重,βi代表输出权重,bi代表第i个隐层单元的偏置;Wi*Xj表示Wi和Xj的内积;
此外,单隐层神经网络的目标就是最小化输出误差值,计算公式表示为:
即存在βi,Wi和bi使得
通过矩阵形式表示出来:
Hβ=T (4)
其中,隐层节点的输出用H代表,输出权重为β,期望输出用T表示;
为了能够成功训练单隐层神经网络,需要得到一些变量值使得
其中i=1,2,...,L,这等价于将损失函数最小化,损失函数计算方程式为
训练单隐层的神经网络通过转换一个线性系统的形式进行求解,即H*β=T,并且输出权值β可以被确定
求解的最后方程式为:
其中H+代表矩阵H的Moore-Penrose广义逆,求得的结果的范数是最小且唯一。
本发明与现有技术相比具有以下有益效果:
本发明实现快速有效的EEG信号MI任务分类,有效促进了基于EEG信号MI分类在BCI领域内的应用研究。
附图说明
图1是本发明一实施例中信号预处理示意图;
图2是本发明一实施例中特征的提取示意图;
图3是本发明一实施例中ELM分类器网络模型;
图4是本发明网络模型结构图;
图5是本发明一实施例中训练过程中损失曲线;
图6是本发明一实施例中结合DSCNN与ELM网络模型关于ELM分类器选取不同的隐层节点获得的训练曲线。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图4,本发明提供一种基于DSCNN和ELM的EEG信号MI任务分类方法,包括以下步骤:
步骤S1:获取EEG信号并进行预处理;
在本实施例中,通过采用公开的EEGMMIDB运动想象数据集验证了设计模型的有效性。首先,该数据集是通过招募109名用户进行MI任务产生的原始EEG信号,实验采用的设备主要是BCI2000系统。实验范式共包含五类MI任务,分别是,眼睛关闭、想象打开和关闭左拳、想象打开和关闭右拳、想象打开和关闭双拳、想象打开和关闭双脚。为了降低其他因素对信号造成干扰,采集的环境是一个密封性较好的屏蔽室,并在最后记录下信号的样本点数。然后,由于采集的EEG信号沿着时间序列进行的,具有较高的时间分辨率,但空间分辨率较差。为了解决电极位置引起的空间特征信息不足等问题,先前的算法模型都是直接采用以为的时间序列信号作为模型的输入,由于忽略了通道之间EEG信号的空间特征,最后得到的结果不是很好,基于此,本发明同时考虑了EEG信号的时间特征和电极位置存在的EEG空间特性,将一维的时间序列进行转换形成类似图片格式的二维的数组格式,形成的二维数组结构同时包含较多EEG信号的时间特征信息和空间特征信息。为了深度挖掘采集的EEG信号里面抽象的高层次特征信息,我们又采用滑窗等操作,以重叠率50%的方式进行滑窗以增加数据量,最后形成了很多同时包含时间特征和空间特征的二维的EEG数据片段,确保了大量与MI任务相关的特征信息用于模型的特征提取及分类,数据预处理过程如图1所示。
步骤S2:构建深度分离卷积神经网络,并基于深度分离卷积神经网络对预处理后的EEG信号进行特征提取;
在本实施例中,基于DSCNN与ELM进行EEG信号MI任务分类的方法在步骤1的二维数据基础上进行特征提取,设计的DSCNN网络模型主要利用两部分卷积网络分别沿着时间和通道方向进行特征的提取,如图2所示。首先图(a)是CNN1沿着时间序列提取EEG的时间特征信息,然后图(b)是CNN2沿着电极通道进行空间特征提取,最后形成同时具有抽象高层次时间特征和空间特征的EEG信号,然后再经过两层常规卷积层进行深度挖掘EEG信号里面更相关的与MI任务有关的时空特征信息。
步骤S3:将深度分离卷积神经网络提取的特征信息展平成一维的特征向量形式并传递给ELM分类器进行基于EEG信号MI任务的识别,获得识别结果。
在本实施例中,优选的,ELM分类器网络模型如图3所示,一共包含三层,分别是输入层、隐含层和输出层。将前面经过卷积部分提取的时空特征信号经过全连接层传递给ELM的输入层,然后经过权值计算等最后输出五种运动想象的识别结果。
此外,ELM分类器中的重要参数是隐含层神经元节点数,因为隐含层神经元节点数对模型的性能会产生一定的影响,为了确定最优的隐层神经元数使我们设计的模型具有较强的泛化性能,我们设计的网络模型首先通过少量的数据集进行模型的训练及测试,因为有相关研究利用20名用户的数据进行模型的验证,并取得了一定的效果。所以,选取20名用户的数据进行我们提出模型的训练及测试也是合理的,通过调节ELM隐层节点数验证我们设计的模型结果对比先前的算法模型是否有明显的提高。我们首先设定ELM隐层神经元的初始节点数为100,最后得到的模型识别率为96.41%,优于先前其他模型的识别率(96.32%)。为了确定不同ELM隐层节点对我们设计的模型产生的影响,我们分别将ELM隐层节点设定为150,200和250来验证我们设计模型的方法的合理性,获得的最后识别结果分别是96.26%,95.52%和95.27%。经过对识别结果分析可知,选取20名用户进行训练及测试的时候,本发明提出模型设定ELM隐层节点数为100时可以达到较好的识别率,并且在相同数据下优于其他算法模型的MI任务识别结果。随后,根据其他文献所用的数据进行模型训练,我们又选取了50名用户的数据进行训练及测试,设定ELM隐层节点数为100,150,200和250,设计的DSCNN结合ELM模型的识别结果分别为97.71%,97.69%,97.68%和97.80%,可以发现ELM隐层节点数设定为100时准确率获得了不错的效果,虽然ELM隐层节点数为250时,获得的识别结果略有提高,但是,模型训练所用的时间变长了,经过ELM隐层节点数和识别率间的权衡比较可知,本发明设计的DSCNN结合ELM算法模型将ELM隐层节点数设定为100获得的结果最优,如表格1所示。
表1:
优选的,在本实施例中,采用的ELM分类器算法的具体实现过程如下:
首先将输入层定义为X,设定隐层节点数为L,输出层用O表示。针对N个任意不同的样本(Xi,ti),这里Xi=[xi1,xi2,xi3,xi4,...,xin]T∈Rn,ti=[ti1,ti2,ti3,ti4,...,tin]T∈Rm,根据ELM网络模型的隐层节点数L,则包含有隐层节点数L的单隐层前馈神经网络可以通过下面方程表示为:
其中g(x)表示激活函数,Wi=[wi1,wi2,wi3,...,wiN]T为输入权重,βi代表输出权重,bi代表第i个隐层单元的偏置。Wi*Xj表示Wi和Xj的内积。此外,单隐层神经网络的目标就是最小化输出误差值,计算公式可以表示为:
即存在βi,Wi和bi使得
可以通过矩阵形式表示出来:
Hβ=T (4)
其中,隐层节点的输出用H代表,输出权重为β,期望输出用T表示。
为了能够成功训练单隐层神经网络,我们希望得到一些变量值使得
其中i=1,2,...,L,这等价于将损失函数最小化,损失函数计算方程式为
值得注意的是,在ELM分类器算法中,一旦输入权值和隐层偏置被随机确定,隐层的输出矩阵H就可以被唯一确定。此外,训练单隐层的神经网络也可以通过转换一个线性系统的形式进行求解,即H*β=T,并且输出权值β可以被确定。
求解的最后方程式为:
其中H+代表矩阵H的Moore-Penrose广义逆,求得的结果的范数是最小且唯一。
实施例1:
在本实施例中,参考图4,基于EEG信号的五类MI任务(Y1-Y5)识别,具体如下:
首先数据处理方面,为了同时考虑EEG信号的时间特征和空间特征,将一维的时间序列信号转换为二维类似于图片的数组形式,利用DSCNN提取EEG信号里面与MI任务有关的重要特征信息,随后采用ELM模型对这些特征进行分类。
在整个网络模型的训练测试中,针对数据集进行了分割等操作,选取75%的数据作为训练集,25%的数据用于测试。为了避免过拟合,Dropout策略也被采用于训练模型中,并且将它的概率设定为0.5可以更有效的训练出较好的模型。针对数据测试部分我们在进行相同任务下数据滑窗的时候进行了窗长的设定,将窗长设置为62.5ms性能最优,增大或减少窗长的长度都会降低模型的性能,所以在对数据处理的时候选择窗的尺寸P为10。滑窗操作时重叠率设定为0.5,最后形成数据长度为630104新数据集。值得注意的是,本发明设计的DSCNN结合ELM模型在训练中采用随机梯度下降Adam update rule优化交叉熵损失策略可以进一步提高模型的训练能力,网络的学习率设为1e-4,为了学习EEG更多的信息特征,构建的网络模型中全连接层的神经元数设置为1024。设定ELM的隐层神经元节点数为100时,设计模型的分类效果最佳。所有的网络模型训练都是在显卡型号为NvidiaGTX2080TiGPU、运行内存RAM为16G的计算机上运行的,并且采用的是Tensorflow网络框架。
基于DSCNN与ELM进行EEG信号MI任务分类的方法通过与其他先进的模型进行对比,不仅获得了较好的识别率,如表格2所示,而且可以有效缩短模型的训练时间。此外,针对选取部分用户的数据时,本实施例分别选取了不同用户的数据进行训练和测试,当选取前20名用户(S1-S20)的数据的时候,本发明的方案获得了96.41%的MI任务识别率,而采用相同用户的数据时候,传统方法获得MI任务识别率分别为88.57%,94.64%和96.32%,对比发现我们提出的DSCNN结合ELM模型在基于EEG信号的MI任务分类有明显的提升。为了验证在全部数据集的识别效果,我们又针对108名用户的全部数据导入设计的模型进行训练和测试,获得的MI任务识别率达到为97.84%,而传统模型的MI任务识别率分别为97.34%和97.36%,并且在相同电脑硬件配置下,传统模型在训练过程所用的时间大约在13个小时,而本发明提出的结合DSCNN与ELM所用的时间在9个小时左右,训练过程大约提升了44%。基于EEG信号的MI任务的算法模型获得的识别结果在表格2中用粗体实线表示。
表2
经过以上数据对比可以发现,针对多类别的任务识别,本发明提出的一种基于DSCNN与ELM进行EEG信号MI任务分类的方法是有效的,无论是采用部分用户的数据还是采用全部用户的数据,最后解码五种类别MI任务的准确率都超出了其他先进的模型结构,并且训练速度也提升了很多。如图5所示,本发明设计的一种基于DSCNN与ELM进行EEG信号MI任务分类的方法在训练过程中损失曲线明显下降的快,而且在准确率方面优于传统模型。图6表示的是本发明设计的结合DSCNN与ELM网络模型关于ELM分类器选取不同的隐层节点获得的训练曲线,实验表明当ELM隐层节点数选取100的时候,训练损失下降是最快的,而且获得的训练准确率也比较高。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (2)
1.一种基于DSCNN和ELM的EEG信号MI任务分类方法,其特征在于,包括以下步骤:
步骤S1:获取EEG信号并进行预处理;
步骤S2:构建深度分离卷积神经网络,并基于深度分离卷积神经网络对预处理后的EEG信号进行特征提取;
步骤S3:将深度分离卷积神经网络提取的特征信息展平成一维的特征向量形式并传递给ELM分类器进行基于EEG信号MI任务的识别,得识别结果;
所述步骤S2具体为:
步骤S21:将预处理后的EEG信号进行相同任务下的滑窗操作增加数据量,经过滑窗以后形成二维数据片段;
步骤S22:采用DSCNN网络模型提取二维数据片段的时空特征;
所述DSCNN网络模型包括两层分离的卷积和两层常规卷积操作,两层分离的卷积用来提取相应的时间特征和空间特征,之后形成具有抽象的高层次时空特征数据片段,随后利用两层的常规卷积对这些时空特征再次挖掘有效特征信息;
所述ELM分类器包括三层,分别是输入层、隐含层和输出层,将前面经过卷积部分提取的时空特征信号经过全连接层传递给ELM的输入层,然后经过权值计算最后输出EEG信号的识别结果;
所述ELM分类器采用的算法,具体如下:
将输入层定义为X,设定隐层节点数为L,输出层用O表示;针对N个任意不同的样本(Xi,ti),这里Xi=[xi1,xi2,xi3,xi4,...,xin]T∈Rn,ti=[ti1,ti2,ti3,ti4,...,tin]T∈Rm,根据ELM网络模型的隐层节点数L,则包含有隐层节点数L的单隐层前馈神经网络通过下面方程表示为:
其中g(x)表示激活函数,Wi=[wi1,wi2,wi3,...,wiN]T为输入权重,βi代表输出权重,bi代表第i个隐层单元的偏置;Wi*Xj表示Wi和Xj的内积;
此外,单隐层神经网络的目标就是最小化输出误差值,计算公式表示为:
即存在βi,Wi和bi使得
通过矩阵形式表示出来:
Hβ=T (4)
其中,隐层节点的输出用H代表,输出权重为β,期望输出用T表示;
为了能够成功训练单隐层神经网络,需要得到一些变量值使得
其中i=1,2,...,L,这等价于将损失函数最小化,损失函数计算方程式为
训练单隐层的神经网络通过转换一个线性系统的形式进行求解,即H*β=T,并且输出权值β可以被确定
求解的最后方程式为:
其中H+代表矩阵H的Moore-Penrose广义逆,求得的结果的范数是最小且唯一。
2.根据权利要求1所述的基于DSCNN和ELM的EEG信号MI任务分类方法,其特征在于,所述预处理,具体为:通过网格的形式将采集到的EEG信号一维数据转换成二维矩阵的形式,得到的二维矩阵结构同时包含时间特征信息和空间特征信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210007816.1A CN114330457B (zh) | 2022-01-06 | 2022-01-06 | 基于dscnn和elm的eeg信号mi任务分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210007816.1A CN114330457B (zh) | 2022-01-06 | 2022-01-06 | 基于dscnn和elm的eeg信号mi任务分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114330457A CN114330457A (zh) | 2022-04-12 |
CN114330457B true CN114330457B (zh) | 2024-07-02 |
Family
ID=81024767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210007816.1A Active CN114330457B (zh) | 2022-01-06 | 2022-01-06 | 基于dscnn和elm的eeg信号mi任务分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330457B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182475A (zh) * | 2017-12-29 | 2018-06-19 | 中南大学 | 一种基于自动编码机-超限学习机的多维度数据特征识别方法 |
CN110309797A (zh) * | 2019-07-05 | 2019-10-08 | 齐鲁工业大学 | 融合CNN-BiLSTM模型和概率协作的运动想象识别方法及系统 |
CN110472730A (zh) * | 2019-08-07 | 2019-11-19 | 交叉信息核心技术研究院(西安)有限公司 | 一种卷积神经网络的自蒸馏训练方法和可伸缩动态预测方法 |
CN112120694B (zh) * | 2020-08-19 | 2021-07-13 | 中国地质大学(武汉) | 一种基于神经网络的运动想象脑电信号分类方法 |
-
2022
- 2022-01-06 CN CN202210007816.1A patent/CN114330457B/zh active Active
Non-Patent Citations (1)
Title |
---|
"Comparative study of EEG motor imagery classification based on DSCNN and ELM";李吉祥;《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》;20230628;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114330457A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610168B (zh) | 一种基于注意力机制的脑电情绪识别方法 | |
CN110693493B (zh) | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测特征提取方法 | |
CN111553295B (zh) | 基于自注意力机制的多模态情感识别方法 | |
CN109447099B (zh) | 一种基于pca降维的多分类器融合方法 | |
CN114052735B (zh) | 一种基于深度领域自适应的脑电情绪识别方法及系统 | |
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 | |
CN110289081B (zh) | 深度网络堆栈模型自适应加权特征融合的癫痫检测方法 | |
CN111461201B (zh) | 基于相空间重构的传感器数据分类方法 | |
CN110399846A (zh) | 一种基于多通道肌电信号相关性的手势识别方法 | |
CN110018739B (zh) | 一种基于降维机制的脑电信号特征优选方法 | |
CN112037179B (zh) | 一种脑疾病诊断模型的生成方法、系统及设备 | |
CN114578967B (zh) | 一种基于脑电信号的情感识别方法及系统 | |
CN115105094B (zh) | 基于注意力和3d密集连接神经网络的运动想象分类方法 | |
CN115221969A (zh) | 基于emd数据增强和并行scn的运动想象脑电信号识别方法 | |
CN114209342A (zh) | 一种基于时空特征的脑电信号运动想象分类方法 | |
CN112259228B (zh) | 一种动态注意力网络非负矩阵分解的抑郁症筛选方法 | |
CN114330457B (zh) | 基于dscnn和elm的eeg信号mi任务分类方法 | |
CN117150346A (zh) | 基于eeg的运动想象脑电分类方法、装置、设备及介质 | |
CN116796267A (zh) | 基于EEGNet和LSTM并行网络的脑电信号多分类方法及系统 | |
Fan et al. | [Retracted] Accurate Recognition and Simulation of 3D Visual Image of Aerobics Movement | |
CN112926502B (zh) | 基于核化双群稀疏学习的微表情识别方法及系统 | |
Leon et al. | Analysis of EEG signal classification for application in SSVEP-based BCI using convolutional neural network | |
CN112132253B (zh) | 3d动作识别方法、装置、计算机可读存储介质及设备 | |
CN115700104B (zh) | 基于多尺度原型学习的本身可解释的脑电信号分类方法 | |
CN113688229B (zh) | 一种文本推荐方法、系统、存储介质和设备 |
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 |