CN114372490A - 一种基于BiLSTM和WGAN-GP网络的sEMG数据增强方法 - Google Patents
一种基于BiLSTM和WGAN-GP网络的sEMG数据增强方法 Download PDFInfo
- Publication number
- CN114372490A CN114372490A CN202111632627.5A CN202111632627A CN114372490A CN 114372490 A CN114372490 A CN 114372490A CN 202111632627 A CN202111632627 A CN 202111632627A CN 114372490 A CN114372490 A CN 114372490A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- wgan
- semg
- sample
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于BiLSTM和WGAN‑GP网络的sEMG数据增强方法,其具体步骤如下:步骤S1,采集表面肌电信号,进行预处理;步骤S2,对预处理后的真实肌电数据进行标准化,并划分为训练数据集和测试数据集;步骤S3,建立基于BiLSTM网络的WGAN‑GP网络模型并输入训练数据集进行训练,输出得到生成样本集;步骤S4,将生成样本集和测试数据集比较进行模型误差分析,判断模型的稳定性。本发明基于WGAN‑GP的神经网络框架结合BiLSTM来生成表面肌电信号(sEMG),一方面提高模型训练过程的稳定性,另一方面提高生成样本的质量。
Description
技术领域
本发明属于计算机与信息科学技术领域,具体涉及一种基于BiLSTM和WGAN-GP网络的sEMG数据增强方法。
背景技术
表面肌电信号是一种测量由神经刺激的肌肉电活动的技术。由于其无创性和低成本,在运动分类和假肢控制领域具有良好的前景。近年来,使用深度学习模型研究生物信号分类的分类精确度急剧提高,但深度学习的发展受训练数据量的限制。表面肌电信号本身是一种较微弱的电信号,采集过程非常耗时且易受噪声干扰,因此无法收集到足够的sEMG数据以建立大型数据库来充分训练手势识别模型。此外,真实数据受到严格监管,共享数据会造成志愿者隐私泄露。因此,基于少量sEMG进行数据扩充并应用到深度学习研究工作中,对生物信号的识别与分析具有重要意义。
生成对抗网络已经作为一种小样本处理的主流神经网络框架应用于各种领域(图像、音频等)。原始的GAN网络具有梯度耗散、模式崩溃等问题。WGAN-GP网络引入Wasserstein距离来衡量两个概率分布的相似性,同时对判别器的梯度规范提出了一种截断修剪策略,加入正则项,即梯度约束(gradient penalty)。
由于传统GAN主要以全连接层(Fully Connected,FC)搭建,而FC无法捕捉时序信号的特征和相关属性之间的复杂关联,导致模型在处理SEMG时容易丢失时间相关性信息。
发明内容
针对上述背景技术介绍中存在的问题,本发明的目的在于提供了一种提高模型训练过程的稳定性、提高生成样本的质量的基于BiLSTM和WGAN-GP网络的sEMG数据增强方法。
本发明采用的技术方案是:
一种基于BiLSTM和WGAN-GP网络的sEMG数据增强方法,其具体步骤如下:
步骤S1,采集表面肌电信号,进行预处理;
步骤S2,对预处理后的真实肌电数据进行标准化,并划分为训练数据集和测试数据集;
步骤S3,建立基于BiLSTM网络的WGAN-GP网络模型并输入训练数据集进行训练,输出得到生成样本集;
步骤S4,将生成样本集和测试数据集比较进行模型误差分析,判断模型的稳定性。
进一步,步骤S1中的表面肌电信号的预处理,包括:
步骤S11,进行去噪处理;
步骤S12,滑动窗口分割数据,进行特征提取。
进一步,步骤S12中的特征提取包括平均绝对值、斜率变化次数、波形长度、过零点次数,其中
(1)平均绝对值MAV:
其中,N表示sEMG信号长度,k=1,2,3,…,N,xk是第k个sEMG的幅值;
(2)波长WL:
(3)过零点次数ZC:
要引入阈值a,对于连续的两个sEMG信号xk和xk+1,过零点次数为:
(4)斜率变化次数SSC:
给定三个连续的sEMG信号xk-1,xk,xk+1,如果公式(4)成立,斜率变化次数SSC就增加一个;
(xk-xk-1)×(xk-xk+1)≥a (4)。
进一步,步骤S2中的标准化的具体步骤如下:
对经特征提取后的真实肌电数据进行标准化,使用sklearn库中MinMaxScale函数对真实肌电数据样本进行标准化至[0,1]
Xscaled表示归一化结果,X表示该点样本值,Xmax表示最大样本值,Xmin表示最小样本值,(max-min)表示放缩范围,min表示放缩最小值。
进一步,步骤S3中的WGAN-GP网络模型包括生成器网络和判别器网络,所述生成器网络由1层Bidirectional LSTM、5层conv1d、2层up_sampling构成,每层conv1d层加入激活函数LeackyReLu激活;所述判别器网络由1个由4层conv1d、2层max_pooling构成,每层conv1d层加入激活函数LeackyReLu激活。
进一步,步骤S3中的模型训练步骤如下:
将生成器网络输出的生成样本数据,和标准化后的训练数据集输入到WGAN-GP网络模型的判别器网络中,输出每个样本被判断为真实样本的概率;WGAN-GP的目标函数设置为:
其中E(·)表示期望,真实数据样本xr的分布为pr(x),生成器网络输出的假数据样本xg的分布为pg(x),||·||2为2范数,▽表示梯度;λ表示梯度约束的系数,通过计算真实数据样本xr和假数据样本xg的连线上随机差值的采样值ε为(0,1)间的随机数;
计算当前迭代时WGAN-GP网络模型中生成器网络的损失值,计算当前迭代时WGAN-GP网络模型中判别器网络的损失值,利用随机梯度下降方法,用当前迭代时WGAN-GP网络中判别器网络的损失值、生成器网络的损失值依次更新WGAN-GP网络模型中判别器网络、生成器网络的参数;
更改WGAN-GP的训练参数,判断WGAN-GP网络模型中判别器网络的损失值、生成器网络的损失值是否趋于稳定低值,此时生成的样本质量较高。
进一步,步骤S3中生成样本集的步骤包括:
从正态分布中随机产生M个噪声样本组成噪声样本集,将M个噪声样本输入到WGAN-GP网络模型中,输出生成样本数据,其中M和P取值相等;将生成样本数据逆标准化输出得到生成样本集。
进一步,步骤S4中模型误差分析的具体步骤如下:
将WGAN-GP网络模型的生成样本集与测试数据集进行比较分析,衡量模型优劣;
均方根误差RMSE:
对称平均绝对百分比误差SMAPE:
进一步,还包括步骤S5,通过定性或定量来验证模型进行肌电数据增强的有效性和多样性。
进一步,步骤S5中定性验证为主成分分析PCA衡量生成样本集的分布和真实数据样本的分布;
定量验证为引入不同的分类算法的比较分类器,在不同训练集:真实数据、合成数据、真实数据与合成数据,相同测试集条件下获得的准确率,将训练集为真实数据,测试集为真实数据,得到的分类器准确率1作为实验基线,与训练集为合成数据和混合数据、测试集为真实数据,分别得到的分类器准确率2、3作比较。
本发明与现有技术相比,其显著优点包括:提高模型训练过程的稳定性,提高生成样本的质量;将合成的sEMG信号添加到训练数据库,验证本发明进行sEMG信号数据增强的有效性和多样性。
附图说明
图1是本发明的流程结构原理图。
图2是本发明的BiLSTM网络的结构示意图;
图3是本发明的生成器网络和判别器网络的结构示意图;
图4是本发明的WGAN-GP网络模型的框架结构示意图;
图5是本发明的用不同分类算法验证sEMG数据扩充的有效性的比较示意图。
具体实施方式
下面结合具体实施例来对本发明进行进一步说明,但并不将本发明局限于这些具体实施方式。本领域技术人员应该认识到,本发明涵盖了权利要求书范围内所可能包括的所有备选方案、改进方案和等效方案。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上,除非另有明确的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
参见图1~5,本实施例提供了一种基于BiLSTM和WGAN-GP网络的sEMG数据增强方法,其具体步骤如下:
步骤S1,采集表面肌电信号,进行预处理;
其中采集表面肌电信号为采集多个手势的肌电信号,例手势1握拳、手势2张开、手势3休息。
其中表面肌电信号的预处理,包括:
步骤S11,进行去噪处理:一般来说采集到的肌电信号由于设备和自身人体的影响不可避免地含有噪声,这些噪声主要包括工频干扰、肌电干扰,利用低通滤波进行去噪;
步骤S12,滑动窗口分割数据,进行特征提取,包括平均绝对值(Average absolutevalue,MAV)、斜率变化次数(Slope Sign Changes,SSC)、波形长度(Waveform length,WL)、过零点次数(Zero crossing,ZC),将提取的特征向量作为GAN网络的输入样本,例如100个MAV特征向量,维度为128。
其中
(1)平均绝对值MAV:
其中,N表示sEMG信号长度,k=1,2,3,…,N,xk是第k个sEMG的幅值。
(2)波长WL:波形长度N点信号长度简单累加,它可以反应肌电信号波形复杂度。
(3)过零点次数ZC:过零点次数通过计算信号波形经过零点的次数来估计频域特性,为了减少噪声引起的对过零点的影响,需要引入阈值a,对于连续的两个sEMG信号xk和xk+1,过零点次数为:
(4)斜率变化次数SSC:这个参数计算信号斜率符号变化的次数。同样,它需要一个阈值a来减少由噪声引起的对斜率符号变化数的干扰。给定三个连续的sEMG信号xk-1,xk,xk+1,如果公式(4)成立,斜率变化次数SSC就增加一个。
(xk-xk-1)×(xk-xk+1)≥a (4)。
步骤S2,对预处理后的真实肌电数据进行标准化,并划分为训练数据集和测试数据集;
其中标准化的具体步骤如下:
对经特征提取后的真实肌电数据进行标准化,使用sklearn库中MinMaxScale函数对真实肌电数据样本进行标准化至[0,1]
Xscaled表示归一化结果,X表示该点样本值,Xmax表示最大样本值,Xmin表示最小样本值,(max-min)表示放缩范围,min表示放缩最小值。
步骤S3,建立基于BiLSTM网络的WGAN-GP网络模型并输入训练数据集进行训练,输出得到生成样本集;
其中所述WGAN-GP网络模型包括生成器网络和判别器网络,所述生成器网络由1层Bidirectional LSTM、5层conv1d、2层up_sampling构成,每层conv1d层加入激活函数LeackyReLu激活,其网络结构及输出的维度,如附图3所示;所述判别器网络由1个由4层conv1d、2层max_pooling构成,每层conv1d层加入激活函数LeackyReLu激活,其网络结构及输出的维度,如附图3所示。
生成对抗网络采用WGAN-GP作为基础框架,生成器网络基于BiLSTM开发,以适应sEMG序列。BiLSTM网络结构如图2所示。
BiLSTM网络:LSTM单元处理时序预测问题,而BiLSTM网络是在LSTM层的基础上添加了另一后向LSTM层,进一步处理后向信息,提高网络的预测性能。
BiLSTM网络处理过程:BiLSTM网络使用前向forward LSTM正常顺序读取时序数据,并且利用后向backward LSTM沿着相反顺序读取时序数据;
BiLSTM网络输出:将前向和后向LSTM层的输出拼接,并输入到卷积层。
一种基于WGAN-GP的神经网络框架结合BiLSTM的sEMG数据增强方法在于构建梯度惩罚Wasserstein生成对抗网络WGAN-GP,将真实数据样本划分为训练数据集和测试数据集,将随机噪声样本集作为WGAN-GP网络生成器的输入,输出生成样本集,即假数据。将训练数据集和生成样本集作为WGAN-GP网络模型中判别器的输入。
具体如下:
真实数据样本:一次WGAN-GP网络训练一个类别的手势、每个类型的手势是由P个样本组成的小样本集,P=100;对真实肌电数据构成的小样本集中每个样本进行标准化,将处理后的所有样本按8:2划分为训练数据集和测试数据集。
将生成器网络输出的生成样本数据,和标准化后的训练数据集输入到WGAN-GP网络模型的判别器网络中,输出每个样本被判断为真实样本的概率;WGAN-GP的目标函数设置为:
其中E(·)表示期望,真实数据样本xr的分布为pr(x),生成器网络输出的假数据样本xg的分布为pg(x),||·||2为2范数,▽表示梯度;λ表示梯度约束的系数,优选λ=10。通过计算真实数据样本xr和假数据样本xg的连线上随机差值的采样值ε为(0,1)间的随机数;
计算当前迭代时WGAN-GP网络模型中生成器网络的损失值,计算当前迭代时WGAN-GP网络模型中判别器网络的损失值,利用随机梯度下降方法,用当前迭代时WGAN-GP网络中判别器网络的损失值、生成器网络的损失值依次更新WGAN-GP网络模型中判别器网络、生成器网络的参数;
更改WGAN-GP的训练参数,包括但不限于学习率、批尺寸BATCHSIZE、迭代次数,判断WGAN-GP网络模型中判别器网络的损失值、生成器网络的损失值是否趋于稳定低值,此时生成的样本质量较高。
其中生成样本集的步骤包括:
从正态分布中随机产生M个噪声样本组成噪声样本集,将M个噪声样本输入到WGAN-GP网络模型中,输出生成样本数据,其中M和P取值相等;将生成样本数据逆标准化输出得到生成样本集。
步骤S4,将生成样本集和测试数据集比较进行模型误差分析,判断模型的稳定性。
其中模型误差分析的具体步骤如下:
将WGAN-GP网络模型的生成样本集与测试数据集进行比较分析,衡量模型优劣;
均方根误差RMSE:
对称平均绝对百分比误差SMAPE:
步骤S5,通过定性或定量来验证模型进行肌电数据增强的有效性和多样性。
其中定性验证为主成分分析PCA衡量生成样本集的分布和真实数据样本的分布;
定量验证为引入不同的分类算法(分类算法包括支持向量机(SVM)、决策树(DT)、随机森林(rf)、多层感知器(MLP)、和K最近邻算法(KNN))的比较分类器,在不同训练集:真实数据、合成数据、真实数据与合成数据,相同测试集条件下获得的准确率,将训练集为真实数据,测试集为真实数据,得到的分类器准确率1作为实验基线,与训练集为合成数据和混合数据、测试集为真实数据,分别得到的分类器准确率2、3作比较。
本发明基于WGAN-GP的神经网络框架结合BiLSTM来生成表面肌电信号(sEMG),一方面提高模型训练过程的稳定性,另一方面提高生成样本的质量。将合成的sEMG信号添加到训练数据库,验证本发明进行sEMG信号数据增强的有效性。
Claims (10)
1.一种基于BiLSTM和WGAN-GP网络的sEMG数据增强方法,其具体步骤如下:
步骤S1,采集表面肌电信号,进行预处理;
步骤S2,对预处理后的真实肌电数据进行标准化,并划分为训练数据集和测试数据集;
步骤S3,建立基于BiLSTM网络的WGAN-GP网络模型并输入训练数据集进行训练,输出得到生成样本集;
步骤S4,将生成样本集和测试数据集比较进行模型误差分析,判断模型的稳定性。
2.根据权利要求1所述的一种基于BiLSTM和WGAN-GP网络的sEMG数据增强方法,其特征在于:步骤S1中的表面肌电信号的预处理,包括:
步骤S11,进行去噪处理;
步骤S12,滑动窗口分割数据,进行特征提取。
5.根据权利要求1所述的一种基于BiLSTM和WGAN-GP网络的sEMG数据增强方法,其特征在于:步骤S3中的WGAN-GP网络模型包括生成器网络和判别器网络,所述生成器网络由1层Bidirectional LSTM、5层conv1d、2层up_sampling构成,每层conv1d层加入激活函数LeackyReLu激活;所述判别器网络由1个由4层conv1d、2层max_pooling构成,每层conv1d层加入激活函数LeackyReLu激活。
6.根据权利要求5所述的一种基于BiLSTM和WGAN-GP网络的sEMG数据增强方法,其特征在于:步骤S3中的模型训练步骤如下:
将生成器网络输出的生成样本数据,和标准化后的训练数据集输入到WGAN-GP网络模型的判别器网络中,输出每个样本被判断为真实样本的概率;WGAN-GP的目标函数设置为:
其中E(·)表示期望,真实数据样本xr的分布为pr(x),生成器网络输出的假数据样本xg的分布为pg(x),||·||2为2范数,表示梯度;λ表示梯度约束的系数,通过计算真实数据样本xr和假数据样本xg的连线上随机差值的采样值ε为(0,1)间的随机数;
计算当前迭代时WGAN-GP网络模型中生成器网络的损失值,计算当前迭代时WGAN-GP网络模型中判别器网络的损失值,利用随机梯度下降方法,用当前迭代时WGAN-GP网络中判别器网络的损失值、生成器网络的损失值依次更新WGAN-GP网络模型中判别器网络、生成器网络的参数;
更改WGAN-GP的训练参数,判断WGAN-GP网络模型中判别器网络的损失值、生成器网络的损失值是否趋于稳定低值,此时生成的样本质量较高。
7.根据权利要求6所述的一种基于BiLSTM和WGAN-GP网络的sEMG数据增强方法,其特征在于:步骤S3中生成样本集的步骤包括:
从正态分布中随机产生M个噪声样本组成噪声样本集,将M个噪声样本输入到WGAN-GP网络模型中,输出生成样本数据,其中M和P取值相等;将生成样本数据逆标准化输出得到生成样本集。
9.根据权利要求1所述的一种基于BiLSTM和WGAN-GP网络的sEMG数据增强方法,其特征在于:还包括步骤S5,通过定性或定量来验证模型进行肌电数据增强的有效性和多样性。
10.根据权利要求1所述的一种基于BiLSTM和WGAN-GP网络的sEMG数据增强方法,其特征在于:步骤S5中定性验证为主成分分析PCA衡量生成样本集的分布和真实数据样本的分布;
定量验证为引入不同的分类算法的比较分类器,在不同训练集:真实数据、合成数据、真实数据与合成数据,相同测试集条件下获得的准确率,将训练集为真实数据,测试集为真实数据,得到的分类器准确率1作为实验基线,与训练集为合成数据和混合数据、测试集为真实数据,分别得到的分类器准确率2、3作比较。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111632627.5A CN114372490A (zh) | 2021-12-29 | 2021-12-29 | 一种基于BiLSTM和WGAN-GP网络的sEMG数据增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111632627.5A CN114372490A (zh) | 2021-12-29 | 2021-12-29 | 一种基于BiLSTM和WGAN-GP网络的sEMG数据增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114372490A true CN114372490A (zh) | 2022-04-19 |
Family
ID=81141372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111632627.5A Pending CN114372490A (zh) | 2021-12-29 | 2021-12-29 | 一种基于BiLSTM和WGAN-GP网络的sEMG数据增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372490A (zh) |
-
2021
- 2021-12-29 CN CN202111632627.5A patent/CN114372490A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188836B (zh) | 一种基于变分自编码器的脑功能网络分类方法 | |
CN113158793B (zh) | 一种基于多特征融合的多类运动想象脑电信号识别方法 | |
Gibson et al. | Comparison of spike-sorting algorithms for future hardware implementation | |
CN106108894A (zh) | 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法 | |
CN109480833A (zh) | 基于人工智能的癫痫患者脑电信号的预处理和识别方法 | |
CN113295702B (zh) | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 | |
CN111476158A (zh) | 一种基于pso-pca-svm的多通道生理信号体感手势识别方法 | |
CN111310656A (zh) | 基于多线性主成分分析的单次运动想象脑电信号识别方法 | |
CN110522412A (zh) | 基于多尺度脑功能网络分类脑电信号的方法 | |
CN116361688A (zh) | 用于心电节律自动分类的多模态特征融合模型构建方法 | |
CN107045624B (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
CN115273236A (zh) | 一种多模态的人体步态情感识别方法 | |
Lee et al. | Improved segmentation through dynamic time warping for signature verification using a neural network classifier | |
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 | |
Jose et al. | DWT-based electromyogram signal classification using maximum likelihood-estimated features for neurodiagnostic applications | |
CN113705645A (zh) | 一种针对脑电信号的自适应联合模型半监督学习分类方法 | |
CN113128384A (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
CN112205990A (zh) | 一种基于sEMG的不同负载下手腕角度预测方法及装置 | |
CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
CN114372490A (zh) | 一种基于BiLSTM和WGAN-GP网络的sEMG数据增强方法 | |
CN112733727B (zh) | 基于线性分析的特征决策融合的脑电意识动态分类方法 | |
Haggag et al. | Cepstrum based unsupervised spike classification | |
Plub-in et al. | Estimation of Granger causality of state-space models using a clustering with Gaussian mixture model | |
CN113907770A (zh) | 基于特征融合的棘慢复合波检测识别方法及系统 | |
CN113421546A (zh) | 基于跨被试多模态的语音合成方法及相关设备 |
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 |