CN114983439A - 一种融合脉冲神经网络和二值动态网络的脑状态识别方法 - Google Patents
一种融合脉冲神经网络和二值动态网络的脑状态识别方法 Download PDFInfo
- Publication number
- CN114983439A CN114983439A CN202210672689.7A CN202210672689A CN114983439A CN 114983439 A CN114983439 A CN 114983439A CN 202210672689 A CN202210672689 A CN 202210672689A CN 114983439 A CN114983439 A CN 114983439A
- Authority
- CN
- China
- Prior art keywords
- network
- brain
- neural network
- dynamic
- binary
- 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
-
- 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]
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种融合脉冲神经网络和二值动态网络的脑状态识别方法,本发明的方法包括脑电信号预处理,构建动态脑网络结构,对动态脑网络结构进行稀疏化处理获得二值动态脑网络,搭建脉冲神经网络结构,利用脉冲神经网络对二值动态脑网络进行特征提取,结合监督方式训练脉冲神经网络,获取脑状态识别分类模型。本发明通过融合脉冲神经网络和脑动态活动特性,不仅为脑活动模式的识别任务提供了新技术方案,也实现了对脑状态的有效识别和分类。
Description
技术领域
本发明属于脑神经活动状态识别技术领域,具体涉及一种脑状态识别方法。
背景技术
脉冲神经网络是起源于脑科学的新一代神经网络,也是第三代人工智能核心。脉冲神经网络通过准确模拟生物大脑神经元的运作机制,从脑功能工作原理的角度构建神经网络结构。因其丰富的时空领域动力学特性、多样的编码机制以及事件驱动等优势,目前脉冲神经网络在动态图像的识别任务中表现不凡。脉冲神经网络的时空信息编码能力,使得其在提取脑活动动态特征,识别脑状态任务中具有超强潜力。目前如何有效利用脉冲神经网络识别脑活动状态仍缺乏系统的算法框架,其核心技术难点在于如何将脑活动状态量化成脉冲神经网络可识别的动态变换图像结构,这极大限制了脉冲神经网络的应用和发展。
已有研究证据表明,脑神经活动具有丰富、复杂的时空动力学特征,不同状态下的脑活动时空动态特征差异较大,具有状态特异性。时空动态特性是大脑神经活动的根本属性,也是人们认识脑、探索脑以及调控脑的理论基础。目前表征脑动态活动属性的指标较多,尤其是基于滑动时间窗的动态脑功能网络分析技术。然而在传统动态脑功能网络中,脑网络动态变换图像结构中的时空信息较复杂,且冗余信息较多,这导致直接融合传统动态脑功能网络结构和脉冲神经网络进行脑状态的识别分析比较困难。因此,如何有效筛选出动态脑功能网络中的有效信息,实现动态网络结构的稀疏化处理,对实现脉冲神经网络在脑状态识别分类的实际应用至关重要。
发明内容
针对当前脑状态的分类识别技术未能充分融合脑动态活动动力学性质的问题,满足从脑动态活动特征角度识别不同脑状态的需求,本发明提出了一种融合脉冲神经网络和二值动态网络的脑状态识别方法。
本发明的技术方案为:一种融合脉冲神经网络和二值动态网络的脑状态识别方法,具体包括以下步骤:
S1.对多通道脑电信号进行预处理分析,包括对多通道脑电信号重参考以及对多通道脑电信号特定频段带通滤波;
S2.构建动态功能脑网络结构,具体包括如下分步骤:
S21.结合滑动时间窗和重叠率,将多通道脑电信号片段化;
S22.基于相位锁时值功能连接分析手段,估计不同片段内多通道脑电间的功能连接,形成动态脑功能网络;
S3.对步骤S2构建的动态脑功能网络稀疏化,生成二值动态脑网络结构;
S4.将不同脑状态下的二值动态脑网络送入脉冲神经网络中进行训练,构建识别模型,用于脑状态识别,具体包括如下分步骤:
S41.搭建脉冲神经网络结构,并初始化网络参数;
S42.将二值动态功能脑网络传入脉冲神经网络中,进行特征提取;
S43.基于网络输出与数据标签的监督误差,进行脉冲神经网络的训练;
S44.脉冲神经网络精度稳定后,结束训练,获取最终识别模型。
本发明的有益效果:本发明的脑状态识别方法包括脑电信号预处理,构建动态脑网络结构,对动态脑网络结构进行稀疏化处理获得二值动态脑网络,搭建脉冲神经网络结构,利用脉冲神经网络对二值动态脑网络进行特征提取,结合监督方式训练脉冲神经网络,获取脑状态识别分类模型。本发明通过融合脉冲神经网络和脑动态活动特性,不仅为脑活动模式的识别任务提供了新技术方案,达到对脑状态的有效识别和分类,也进一步为脉冲神经网络的脑科学实际应用提供了系统的算法框架。
附图说明
图1是本发明的融合脉冲神经网络和二值动态网络的脑状态识别方法的流程图;
图2是本发明实施例的不同阈值条件下脑状态的分类准确率;
图3是本发明实施例在ρ=50%条件下200个epoch训练后脑状态的分类准确率。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
动态脑网络是大脑活动时空特征的内在表现,也是大脑状态的本质特征。脉冲神经网络是充分融合时空信息特征的新一代人工智能神经网络。因此,融合动态脑网络和脉冲神经网络,挖掘脑活动的时空特征,为识别脑状态提供了新的技术手段和方案。
本发明实施例的融合脉冲神经网络和二值动态网络的脑状态识别方法的流程图如图1所示,包括以下步骤:
S1.对多通道脑电信号进行预处理分析,包括对多通道脑电信号重参考以及对多通道脑电信号特定频段带通滤波;
S2.构建动态功能脑网络结构,具体包括如下分步骤:
S21.结合滑动时间窗和重叠率,将多通道脑电信号片段化;
S22.基于相位锁时值功能连接分析手段,估计不同片段内多通道脑电间的功能连接,形成动态脑功能网络;
S3.对步骤S2构建的动态脑功能网络稀疏化,生成二值动态脑网络结构;
S4.将不同脑状态下的二值动态脑网络送入脉冲神经网络中进行训练,构建识别模型,用于脑状态识别,具体包括如下分步骤:
S41.搭建脉冲神经网络结构,并初始化网络参数;
S42.将二值动态功能脑网络传入脉冲神经网络中,进行特征提取;
S43.基于网络输出与数据标签的监督误差,进行脉冲神经网络的训练;
S44.脉冲神经网络精度稳定后,结束训练,获取最终识别模型。
在上述步骤S1中,本发明设定多通道脑电信号为Y(t)=x(n,t),其中,n∈[1N],N表示通道个数,t表示时间点,x(n,t)表示第n个通道在t时刻点的电活动值。
多通道脑电信号带通滤波处理:在本实施例中,将重参考后的脑电信号进行离散傅里叶变换其中,f(ejω)表示频率为ω,周期为2π的周期函数,表征脑电信号Y′(t)在频域上的分布,j是虚数单位;接着对周期函数f(ejω)在特定频段上进行反傅里叶变换其中,f1和f2分别表示带通滤波器的最低频率和最高频率,Y″(t)即为步骤S1预处理后的多通道脑电信号。
在本实施例中,步骤S21将脑电信号进行滑动时间窗片段化处理:
Yi={Y″((i-1)*overlap+1),Y″((i-1)*overlap+2),…,Y″((i-1)*overlap+win)}
其中,win表示滑动时间窗的长度,overlap表示相邻时间窗的重合长度,i表示第i个时间窗。
在本实施例中,步骤S22采用相位锁时值手段刻画每个时间窗内脑电信号的功能连接网络其中,n1,n2分别表示通道n1和通道n2,Δθ(n1,n2)表示两个通道间的信号瞬时相位差;最后将所有时间窗内的功能脑网络整合到一起,形成了最终的动态功能脑网络结构。
在本实施例中,步骤S3采用保留部分强连接的手段对动态功能脑网络进行稀疏化处理,获得二值动态网络结构。其中,设定连接强度在全部连接强度中前ρ(ρ∈[0,100%])的功能连接值为1,剩余的功能连接值为0。
在本实施例中,步骤S41脉冲神经网络包括四层全连接的网络结构,包括一个编码层,两个隐藏层以及一个解码层,其中编码层包含30*30个神经元接收二值动态功能脑网络,两个隐藏层均包含1024个神经元,通过全连接结构进行信息处理,解码层包含2个神经元,对应2种输出类别。神经元采用脉冲神经元进行时空信息的动态处理。设置权值服从均匀分布,阈值为0.2mV,初始膜电位为0mV,膜时间常数为2.5ms,优化器具体参数(学习率初始值为0.001,并服从衰减系数为0.93的指数衰减,Batch Size为32,epoch数量为200),时间窗为30ms。
在本实施例中,步骤S42将二值动态功能脑网络中每一层网络的每一个连接强度用一个神经元表示,神经元进一步根据连接强度值(0或1)在设定的时间窗内生成特定的脉冲序列。
在本实施例中,步骤S43损失函数采用均方误差刻画,通过数据标签和网络输出,得到监督误差,并通过时空反向传播方法进行脉冲神经网络的训练。
在本实施例中,步骤S44当网络精度稳定后,停止脉冲神经网络的训练,否则重复步骤S42和S43。
为验证本发明的实现效果,将该方法应用到强迫症患者和健康被试的静息态脑电数据集。该数据集中包含50例正常被试静息态脑电数据和36例强迫症被试静息态脑电数据(30个脑区,采样率为1000Hz),每例被试的数据中分别有4段,每段10s的脑电数据,不同阈值条件下健康被试和强迫症被试的分类准确率如图2所示。
从图2中可以看出,动态脑功能网络二值化对分类准确率的影响较大。在较低的ρ值下(ρ<50%),分类准确率随着ρ增加而上升,并在ρ=50%是分类准确率最高,可以达到87.5%。此外,在较高的ρ值下(ρ>50%),随着ρ值的增加,分类准确率逐渐降低;而在较长的ρ值范围内(30%<ρ<70%),分类准确率都高于80%,表明本发明的方法对脑状态的识别分类具有较高的鲁棒性。
以ρ=50%为例,不同epoch下的分类准确率如图3所示,从图3中可以看出,本发明的方法可以在少量epoch情况下实现快速收敛,其分类准确率达到80%以上。融合动态脑网络和脉冲神经网络的脑状态识别算法分类结果表明,该方法能够有效、快速地分类识别出不同脑状态。
可以看出,结合脑电活动的丰富动力学属性及其动态变化规律的状态特异性等特点,本发明的方法基于动态脑网络来表征脑活动的动力学性质,同时利用脉冲神经网络来提取动态脑网络的特征,并通过学习和训练,达到分类识别不同脑状态的目的。通过将该方法应用到强迫症患者和正常被试的脑电信号数据集中,该算法能够有效地识别分类出强迫症患者和正常被试,并具有较强的收敛性。
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。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种融合脉冲神经网络和二值动态网络的脑状态识别方法,具体包括以下步骤:
S1.对多通道脑电信号进行预处理分析,包括对多通道脑电信号重参考以及对多通道脑电信号特定频段带通滤波;
S2.构建动态功能脑网络结构,具体包括如下分步骤:
S21.结合滑动时间窗和重叠率,将多通道脑电信号片段化;
S22.基于相位锁时值功能连接分析手段,估计不同片段内多通道脑电间的功能连接,形成动态脑功能网络;
S3.对步骤S2构建的动态脑功能网络稀疏化,生成二值动态脑网络结构;
S4.将不同脑状态下的二值动态脑网络送入脉冲神经网络中进行训练,构建识别模型,用于脑状态识别,具体包括如下分步骤:
S41.搭建脉冲神经网络结构,并初始化网络参数;
S42.将二值动态功能脑网络传入脉冲神经网络中,进行特征提取;
S43.基于网络输出与数据标签的监督误差,进行脉冲神经网络的训练;
S44.脉冲神经网络精度稳定后,结束训练,获取最终识别模型。
4.根据权利要求3所述的一种融合脉冲神经网络和二值动态网络的脑状态识别方法,其特征在于,步骤S21将脑电信号进行滑动时间窗片段化处理:
Yi={Y″((i-1)*overlap+1),Y″((i-1)*overlap+2),...,Y″((i-1)*overlap+win)}
其中,win表示滑动时间窗的长度,overlap表示相邻时间窗的重合长度,i表示第i个时间窗。
6.根据权利要求1-5任一权利要求所述的一种融合脉冲神经网络和二值动态网络的脑状态识别方法,步骤S3采用保留部分强连接的手段对动态功能脑网络进行稀疏化处理,获得二值动态网络结构,其中,设定连接强度在全部连接强度中前ρ(ρ∈[0,100%])的功能连接值为1,剩余的功能连接值为0。
7.根据权利要求1-6任一权利要求所述的一种融合脉冲神经网络和二值动态网络的脑状态识别方法,其特征在于,步骤S41所述的脉冲神经网络包括四层全连接的网络结构,包括一个编码层,两个隐藏层以及一个解码层,其中,编码层包含30*30个神经元接收二值动态功能脑网络,两个隐藏层均包含1024个神经元,通过全连接结构进行信息处理,解码层包含2个神经元,对应2种输出类别;神经元采用脉冲神经元进行时空信息的动态处理,设置权值服从均匀分布,阈值为0.2mV,初始膜电位为0mV,膜时间常数为2.5ms,学习率初始值为0.001,并服从衰减系数为0.93的指数衰减,Batch Size为32,epoch数量为200,时间窗为30ms。
8.根据权利要求7所述的一种融合脉冲神经网络和二值动态网络的脑状态识别方法,其特征在于,步骤S43损失函数采用均方误差刻画,通过数据标签和网络输出,得到监督误差,并通过时空反向传播方法进行脉冲神经网络的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210672689.7A CN114983439A (zh) | 2022-06-15 | 2022-06-15 | 一种融合脉冲神经网络和二值动态网络的脑状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210672689.7A CN114983439A (zh) | 2022-06-15 | 2022-06-15 | 一种融合脉冲神经网络和二值动态网络的脑状态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114983439A true CN114983439A (zh) | 2022-09-02 |
Family
ID=83034314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210672689.7A Pending CN114983439A (zh) | 2022-06-15 | 2022-06-15 | 一种融合脉冲神经网络和二值动态网络的脑状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114983439A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115429293A (zh) * | 2022-11-04 | 2022-12-06 | 之江实验室 | 一种基于脉冲神经网络的睡眠类型分类方法和装置 |
CN115587321A (zh) * | 2022-12-09 | 2023-01-10 | 中国科学院苏州生物医学工程技术研究所 | 一种脑电信号识别分类方法、系统及电子设备 |
CN117311516A (zh) * | 2023-11-28 | 2023-12-29 | 北京师范大学 | 一种运动想象脑电通道选择方法和系统 |
CN118021324A (zh) * | 2024-04-11 | 2024-05-14 | 安徽大学 | 一种基于混合脉冲深层网络的癫痫脑电信号识别方法 |
-
2022
- 2022-06-15 CN CN202210672689.7A patent/CN114983439A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115429293A (zh) * | 2022-11-04 | 2022-12-06 | 之江实验室 | 一种基于脉冲神经网络的睡眠类型分类方法和装置 |
CN115429293B (zh) * | 2022-11-04 | 2023-04-07 | 之江实验室 | 一种基于脉冲神经网络的睡眠类型分类方法和装置 |
CN115587321A (zh) * | 2022-12-09 | 2023-01-10 | 中国科学院苏州生物医学工程技术研究所 | 一种脑电信号识别分类方法、系统及电子设备 |
CN117311516A (zh) * | 2023-11-28 | 2023-12-29 | 北京师范大学 | 一种运动想象脑电通道选择方法和系统 |
CN117311516B (zh) * | 2023-11-28 | 2024-02-20 | 北京师范大学 | 一种运动想象脑电通道选择方法和系统 |
CN118021324A (zh) * | 2024-04-11 | 2024-05-14 | 安徽大学 | 一种基于混合脉冲深层网络的癫痫脑电信号识别方法 |
CN118021324B (zh) * | 2024-04-11 | 2024-06-21 | 安徽大学 | 一种基于混合脉冲深层网络的癫痫脑电信号识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114983439A (zh) | 一种融合脉冲神经网络和二值动态网络的脑状态识别方法 | |
Nuntalid et al. | EEG classification with BSA spike encoding algorithm and evolving probabilistic spiking neural network | |
Abdelhameed et al. | Epileptic seizure detection using deep convolutional autoencoder | |
Abdelhameed et al. | Semi-supervised deep learning system for epileptic seizures onset prediction | |
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 | |
Leibig et al. | Unsupervised neural spike sorting for high-density microelectrode arrays with convolutive independent component analysis | |
CN114492513B (zh) | 跨用户场景下对抗域适应的脑电情绪识别方法 | |
CN111436929A (zh) | 一种神经生理信号的生成和识别方法 | |
or Rashid et al. | Epileptic seizure classification using statistical features of EEG signal | |
CN110222592A (zh) | 一种基于互补时序行为提案生成的时序行为检测网络模型的构建方法 | |
CN114841191A (zh) | 基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法 | |
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 | |
CN113867533B (zh) | 多脑协同脑机接口系统及基于该系统实现的视频目标检测方法 | |
Fukuda et al. | Analysis of dynamics in chaotic neural network reservoirs: Time-series prediction tasks | |
CN114936583B (zh) | 基于教师-学生模型的双步领域自适应的跨用户肌电模式识别方法 | |
CN116842361A (zh) | 基于时频注意力混合深度网络的癫痫脑电信号识别方法 | |
CN117158994A (zh) | 一种基于运动想象的脑卒中患者脑电信号分类方法及系统 | |
CN111543985A (zh) | 一种基于新型深度学习模型的脑控混合智能康复方法 | |
Singam et al. | A just resembling translations of feed forward and back propagation neural networks | |
CN115414054A (zh) | 基于前馈脉冲神经网络的癫痫脑电检测系统 | |
CN111490945A (zh) | 一种基于深度学习方法和dfi的vpn隧道流量识别方法 | |
CN109919171A (zh) | 一种基于小波神经网络的红外图像识别方法 | |
Wang et al. | Epileptic seizures prediction based on unsupervised learning for feature extraction | |
CN113887365A (zh) | 一种基于多模态数据融合的特殊人员情感识别方法及系统 | |
Mayer et al. | Unsupervised neural decoding of signals recorded by thin-film electrode arrays implanted in muscles using autoencoding with a physiologically derived optimisation criterion |
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 |