CN116244633A - 一种运动想象脑电信号分类方法及系统 - Google Patents
一种运动想象脑电信号分类方法及系统 Download PDFInfo
- Publication number
- CN116244633A CN116244633A CN202310238546.XA CN202310238546A CN116244633A CN 116244633 A CN116244633 A CN 116244633A CN 202310238546 A CN202310238546 A CN 202310238546A CN 116244633 A CN116244633 A CN 116244633A
- Authority
- CN
- China
- Prior art keywords
- signal
- matrix
- signals
- training
- motor imagery
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Signal Processing (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)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种运动想象脑电信号分类方法及系统,涉及脑电信号分类识别研究技术领域。该运动想象脑电信号分类方法,包括以下步骤,S1:采集获取被试者不同运动想象状态下脑电波信号,S2:对采集的脑电波信号进行滤波、降噪预处理,S3:对预处理后的信号进行特征提取,构建联合特征矩阵,S4:对信号进行降维处理后,再分别进行训练和测试,获取最优分类器模型。通过对可编辑数字滤波器与期望信号产生的误差信号进行梯度计算和修正,改善了信号输出质量,构建时频域特征向量,避免了经验模态分解中的“模态混叠”问题,提高了脑电信号识别准确率,更好地满足处理需求。
Description
技术领域
本发明涉及脑电信号分类识别研究技术领域,具体为一种运动想象脑电信号分类方法及系统。
背景技术
脑机接口技术(BrainComputerInterface,BCI)是一种新的人机接口方式,通过分析提取人类的进行思维活动时脑电信号,实现脑意识与人的交流以及对外部设备的控制,在医疗康复、军事作战、教育娱乐和智能家居等领域有着广阔的发展前景,常见的BCI系统有基于稳态视觉诱发电位、基于P300成分和基于运动想象的BC系统等。
运动想象是一种脑机接口经典的范式,使用者可自主发出控制指令。其生理学基础是身体运动可在大脑运动感觉区产生mu(8-12Hz)和beta(13-30Hz)节律,出现事件相关同步化和事件相关去同步化现象。相较于其他范式,具有不需要外界刺激诱发的优点。基于运动想象的脑机接口系统可用于脑卒中康复、控制电动轮椅、文本拼写器和假肢等设备,除了能简化正常人与机器交互的流程之外,还能够帮助残障人士提高生活自理能力。运动想象脑电信号的分类准确率因受信号特性和用户认知程度等多种因素影响,难以达到较高值,而且不同用户的分类准确率差异较大。运动想象系统要实时地应用在实际问题中,就必须要求其拥有很高的分类精度以及很快的反应速度。
常见的分类方法有支持向量机、线性判别分析和K最近邻等,研究人员根据分类的样本特征和种类选择最合适的分类算法,通过寻优算法确定分类器超参数,训练出最优分类器,最终实现对运动想象脑电信号的识别分类,然而,大部分的研究都只是对脑电信号的特征进行单一的时域或频域的特征提取,会出现经验模态分解中的“模态混叠”问题,对脑电信号的识别准确率不高。
发明内容
针对现有技术的不足,本发明提供了一种运动想象脑电信号分类方法及系统,通过矩阵乘以一个随机矩阵来实现联合特征矩阵的降维处理,避免经验模态分解中的“模态混叠”问题,对脑电信号的识别准确率更高。
为实现以上目的,本发明通过以下技术方案予以实现:一种运动想象脑电信号分类方法,包括以下步骤:
S1:采集获取被试者不同运动想象状态下脑电波信号;
S2:对采集的脑电波信号进行滤波、降噪预处理;
S3:对预处理后的信号进行特征提取,构建联合特征矩阵;
S4:对信号进行降维处理后,再分别进行训练和测试,获取最优分类器模型。
优选的,采用对可编辑数字滤波器与期望信号产生的误差信号进行梯度计算和修正,输出最终降噪后的信号,包括以下步骤:
S21:脑电波信号X(n)输送至可编辑数字滤波器中,经过算法处理和补偿后得到滤波器输出信号y(n),同时期望输出信号Y(n)也输入至可编辑数字滤波器中;
S22:计算Y(n)和y(n)的差值得到误差信号e(n),随后将每次的输入信号和误差信号同时输入到梯度计算与系数修正模块,计算出下一轮滤波所使用的系数;
S23:通过可编程数字滤波器不断更新滤波器的系数,用滤波器模拟得到的反馈量和实际反馈量之间的误差,并最终输出得到最终输出信号L(n)。
优选的,对每导联信号进行互补集合经验模态分解,并利用皮尔逊相关系数筛选每个导联脑电信号的本征模态函数分量,构建时频域特征向量,包括以下步骤:
S31:信号经预处理后,对每个导联信号进行互补集合经验模态分解,并利用皮尔逊相关系数筛选每个导联脑电信号的本征模态函数分量;
S32:提取筛选后每个导联信号的时域和频域特征向量;
S33:通过共同空间模式算法获得空间滤波器,提取每个导联脑电信号的空域特征向量,构建联合特征矩阵。
优选的,通过矩阵乘以一个随机矩阵来实现联合特征矩阵的降维处理,包括以下步骤:
记描述该运动想象特征向量m的矩阵为D∈IRd×p,其中,d为关键点模块的特征向量长度,p为关键点模块的数量;
将维数为d的向量投影到一个维数为n的子空间中,其中n<<d;
通过矩阵D乘以一个随机矩阵R来实现特征向量矩阵的降维处理,将特征向量矩阵维数降低为n×p:
Y=RD
其中,Y∈IRn×p为降维后的特征向量矩阵,R为随机投影矩阵,R∈IRn×d,均值为0,方差为1。
优选的,所述步骤S4中,通过训练和测试获取最优分类器模型的方法为将处理后的信号分为训练组和测试组,训练组将脑电信号作为训练数据进行格式转换、特征点提取、特征向量计算、降维和类别直方图计算后,得到训练数据的分类器模型最优参数,测试组将脑电信号作为训练数据进行格式转换、特征点提取、特征向量计算、降维和类别直方图计算后,利用训练组中的分类器模型最优参数进行稀疏表达,得到最优分类器模型,随后将测试组数据输入训练好的分类器模型中进行分类,完成对多类运动想象的识别分类。
具体的,对训练数据进行格式转换的方法为将采集的运动想象脑电信号由二维信号转换为三维信号:将第一脑电信号存储模块中存储的脑机接口系统采集的运动想象脑电信号X∈IRn×m×T构建二维空间矩阵。
对特征点提取和特征向量计算的方法为:(1)关键点检测,第一脑电信号存储模块中存储的脑机接口系统采集的运动想象脑电信号X∈IRn×m×T表示为X=[X1,X2,...,XT],对于X中的每个值利用Harris关键点检测器检测关键点,针对检测到的所有关键点提取大小为(η×η×T)的模块,(2)特征值提取,针对(1)中的模块所有值去均值,针对模块里面的每一个像素沿着时间方向计算其方差M2,偏态M3和峰度M4,组成与模块对应的时间矩阵Mr,r={2,3,4},其中Mr=[mij],i,j=1,2,...,η,(3)特征向量计算,将(2)中的每一个时间矩阵转化为一个长度为η2的向量,时间矩阵Mr,r={2,3,4}中r的三个值组成特征向量m∈IRd,其中d=3η2为关键点模块的特征向量长度。
一种运动想象脑电信号分类系统,包括:
脑电波信号采集模块,用于采集获取被试者不同运动想象状态下脑电波信号;
预处理模块,用于对采集的脑电波信号进行滤波、降噪预处理;
特征提取模块,对预处理后的信号进行特征提取,构建联合特征矩阵;
特征处理模块,对信号进行降维处理,所述特征处理模块包括训练模块和测试模块,用于对脑电信号数据进行训练和测试,获取结果数据,所述特征处理模块还包括分类器模型获取模块和分类结果确定模块,用于获取训练和测试过程中的最优分类器模型和对分类结构进行确认。
本发明提供了一种运动想象脑电信号分类方法及系统。具备以下有益效果:
本发明采用对可编辑数字滤波器与期望信号产生的误差信号进行梯度计算和修正,输出最终降噪后的信号,能够快速精确定位反馈频率,极大地改善了信号输出质量,并利用皮尔逊相关系数筛选每个导联脑电信号的本征模态函数分量,构建时频域特征向量,通过矩阵乘以一个随机矩阵来实现联合特征矩阵的降维处理,避免了经验模态分解中的“模态混叠”问题,最后利用对信号进行格式转换、特征点提取、特征向量计算、降维和类别直方图计算进行训练测试来得到最优分类器模型,可以提高了脑电信号识别准确率,更好地满足处理需求。
附图说明
图1为本发明的方法流程框图;
图2为本发明中步骤S2的方法流程图;
图3为本发明中步骤S3的方法流程图;
图4为本发明中步骤S2的系统流程图;
图5为本发明的整体系统流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
请参阅附图1-附图4,本发明实施例提供一种运动想象脑电信号分类方法,包括以下步骤:
S1:采集获取被试者不同运动想象状态下脑电波信号;
S2:对采集的脑电波信号进行滤波、降噪预处理;
S3:对预处理后的信号进行特征提取,构建联合特征矩阵;
S4:对信号进行降维处理后,再分别进行训练和测试,获取最优分类器模型。
本实施例中,请参阅图2并结合图4,采用对可编辑数字滤波器与期望信号产生的误差信号进行梯度计算和修正,输出最终降噪后的信号,包括以下步骤:
S21:脑电波信号X(n)输送至可编辑数字滤波器中,经过算法处理和补偿后得到滤波器输出信号y(n),同时期望输出信号Y(n)也输入至可编辑数字滤波器中;
S22:计算Y(n)和y(n)的差值得到误差信号e(n),随后将每次的输入信号和误差信号同时输入到梯度计算与系数修正模块,计算出下一轮滤波所使用的系数;
S23:通过可编程数字滤波器不断更新滤波器的系数,用滤波器模拟得到的反馈量和实际反馈量之间的误差,并最终输出得到最终输出信号L(n)。
具体的,用收敛快速运算简单的最小均方误差算法,不断修正和更新滤波器的系数,使得输出信号和参考信号的误差达到最小,这样模拟得到的信号越接近实际的反馈信号,从而达到降噪处理的目的。
进一步的,请参阅图3,对每导联信号进行互补集合经验模态分解,并利用皮尔逊相关系数筛选每个导联脑电信号的本征模态函数分量,构建时频域特征向量,包括以下步骤:
S31:信号经预处理后,对每个导联信号进行互补集合经验模态分解,并利用皮尔逊相关系数筛选每个导联脑电信号的本征模态函数分量;
S32:提取筛选后每个导联信号的时域和频域特征向量;
S33:通过共同空间模式算法获得空间滤波器,提取每个导联脑电信号的空域特征向量,构建联合特征矩阵。
具体的,通过对每导联信号进行互补集合经验模态分解,并利用皮尔逊相关系数筛选每个导联脑电信号的本征模态函数分量,构建时频域特征向量,准确率更高。
进一步的,通过矩阵乘以一个随机矩阵来实现联合特征矩阵的降维处理,包括以下步骤:
(1)记描述该运动想象特征向量m的矩阵为D∈IRd×p,其中,d为关键点模块的特征向量长度,p为关键点模块的数量;
(2)将维数为d的向量投影到一个维数为n的子空间中,其中n<<d;
(3)通过矩阵D乘以一个随机矩阵R来实现特征向量矩阵的降维处理,将特征向量矩阵维数降低为n×p:
Y=RD
其中,Y∈IRn×p为降维后的特征向量矩阵,R为随机投影矩阵,R∈IRn×d,均值为0,方差为1。
具体的,矩阵乘以一个随机矩阵来实现联合特征矩阵的降维处理,避免了经验模态分解中的“模态混叠”问题。
进一步的,步骤S4中,通过训练和测试获取最优分类器模型的方法为将处理后的信号分为训练组和测试组,训练组将脑电信号作为训练数据进行格式转换、特征点提取、特征向量计算、降维和类别直方图计算后,得到训练数据的分类器模型最优参数,测试组将脑电信号作为训练数据进行格式转换、特征点提取、特征向量计算、降维和类别直方图计算后,利用训练组中的分类器模型最优参数进行稀疏表达,得到最优分类器模型,随后将测试组数据输入训练好的分类器模型中进行分类,完成对多类运动想象的识别分类。
请参阅图5,一种运动想象脑电信号分类系统,包括:
脑电波信号采集模块,用于采集获取被试者不同运动想象状态下脑电波信号;
预处理模块,用于对采集的脑电波信号进行滤波、降噪预处理;
特征提取模块,对预处理后的信号进行特征提取,构建联合特征矩阵;
特征处理模块,对信号进行降维处理,特征处理模块包括训练模块和测试模块,用于对脑电信号数据进行训练和测试,获取结果数据,特征处理模块还包括分类器模型获取模块和分类结果确定模块,用于获取训练和测试过程中的最优分类器模型和对分类结构进行确认。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种运动想象脑电信号分类方法,其特征在于,包括以下步骤:
S1:采集获取被试者不同运动想象状态下脑电波信号;
S2:对采集的脑电波信号进行滤波、降噪预处理;
S3:对预处理后的信号进行特征提取,构建联合特征矩阵;
S4:对信号进行降维处理后,再分别进行训练和测试,获取最优分类器模型。
2.根据权利要求1所述的一种运动想象脑电信号分类方法,其特征在于,采用对可编辑数字滤波器与期望信号产生的误差信号进行梯度计算和修正,输出最终降噪后的信号,包括以下步骤:
S21:脑电波信号X(n)输送至可编辑数字滤波器中,经过算法处理和补偿后得到滤波器输出信号y(n),同时期望输出信号Y(n)也输入至可编辑数字滤波器中;
S22:计算Y(n)和y(n)的差值得到误差信号e(n),随后将每次的输入信号和误差信号同时输入到梯度计算与系数修正模块,计算出下一轮滤波所使用的系数;
S23:通过可编程数字滤波器不断更新滤波器的系数,用滤波器模拟得到的反馈量和实际反馈量之间的误差,并最终输出得到最终输出信号L(n)。
3.根据权利要求1所述的一种运动想象脑电信号分类方法,其特征在于,对每导联信号进行互补集合经验模态分解,并利用皮尔逊相关系数筛选每个导联脑电信号的本征模态函数分量,构建时频域特征向量,包括以下步骤:
S31:信号经预处理后,对每个导联信号进行互补集合经验模态分解,并利用皮尔逊相关系数筛选每个导联脑电信号的本征模态函数分量;
S32:提取筛选后每个导联信号的时域和频域特征向量;
S33:通过共同空间模式算法获得空间滤波器,提取每个导联脑电信号的空域特征向量,构建联合特征矩阵。
4.根据权利要求1所述的一种运动想象脑电信号分类方法,其特征在于,通过矩阵乘以一个随机矩阵来实现联合特征矩阵的降维处理,包括以下步骤:
(1)记描述该运动想象特征向量m的矩阵为D∈IRd×p,其中,d为关键点模块的特征向量长度,p为关键点模块的数量;
(2)将维数为d的向量投影到一个维数为n的子空间中,其中n<<d;
(3)通过矩阵D乘以一个随机矩阵R来实现特征向量矩阵的降维处理,将特征向量矩阵维数降低为n×p:
Y=RD
其中,Y∈IRn×p为降维后的特征向量矩阵,R为随机投影矩阵,R∈IRn×d,均值为0,方差为1。
5.根据权利要求1所述的一种运动想象脑电信号分类方法,其特征在于,所述步骤S4中,通过训练和测试获取最优分类器模型的方法为将处理后的信号分为训练组和测试组,训练组将脑电信号作为训练数据进行格式转换、特征点提取、特征向量计算、降维和类别直方图计算后,得到训练数据的分类器模型最优参数,测试组将脑电信号作为训练数据进行格式转换、特征点提取、特征向量计算、降维和类别直方图计算后,利用训练组中的分类器模型最优参数进行稀疏表达,得到最优分类器模型,随后将测试组数据输入训练好的分类器模型中进行分类,完成对多类运动想象的识别分类。
6.一种基于权利要求1-5任一项所述的运动想象脑电信号分类方法的分类系统,其特征在于,包括:
脑电波信号采集模块,用于采集获取被试者不同运动想象状态下脑电波信号;
预处理模块,用于对采集的脑电波信号进行滤波、降噪预处理;
特征提取模块,对预处理后的信号进行特征提取,构建联合特征矩阵;
特征处理模块,对信号进行降维处理,所述特征处理模块包括训练模块和测试模块,用于对脑电信号数据进行训练和测试,获取结果数据,所述特征处理模块还包括分类器模型获取模块和分类结果确定模块,用于获取训练和测试过程中的最优分类器模型和对分类结构进行确认。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310238546.XA CN116244633A (zh) | 2023-03-14 | 2023-03-14 | 一种运动想象脑电信号分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310238546.XA CN116244633A (zh) | 2023-03-14 | 2023-03-14 | 一种运动想象脑电信号分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116244633A true CN116244633A (zh) | 2023-06-09 |
Family
ID=86633034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310238546.XA Pending CN116244633A (zh) | 2023-03-14 | 2023-03-14 | 一种运动想象脑电信号分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116244633A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116942184A (zh) * | 2023-07-24 | 2023-10-27 | 山东睿芯半导体科技有限公司 | 一种脑电图生物特征核验方法、装置、芯片及终端 |
CN117725490A (zh) * | 2024-02-08 | 2024-03-19 | 山东大学 | 跨被试被动式音高感知eeg自动分类方法及系统 |
-
2023
- 2023-03-14 CN CN202310238546.XA patent/CN116244633A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116942184A (zh) * | 2023-07-24 | 2023-10-27 | 山东睿芯半导体科技有限公司 | 一种脑电图生物特征核验方法、装置、芯片及终端 |
CN116942184B (zh) * | 2023-07-24 | 2024-04-26 | 山东睿芯半导体科技有限公司 | 一种脑电图生物特征核验方法、装置、芯片及终端 |
CN117725490A (zh) * | 2024-02-08 | 2024-03-19 | 山东大学 | 跨被试被动式音高感知eeg自动分类方法及系统 |
CN117725490B (zh) * | 2024-02-08 | 2024-04-26 | 山东大学 | 跨被试被动式音高感知eeg自动分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116244633A (zh) | 一种运动想象脑电信号分类方法及系统 | |
CN109299751B (zh) | 基于emd数据增强的卷积神经模型的ssvep脑电分类方法 | |
CN111832416B (zh) | 一种基于增强卷积神经网络的运动想象脑电信号识别方法 | |
CN112120694B (zh) | 一种基于神经网络的运动想象脑电信号分类方法 | |
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 | |
CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
CN109598222B (zh) | 基于eemd数据增强的小波神经网络运动想象脑电分类方法 | |
CN104200441B (zh) | 基于高阶奇异值分解的磁共振图像去噪方法 | |
CN112022153B (zh) | 基于卷积神经网络的脑电信号检测方法 | |
CN112043473A (zh) | 智能假肢脑-肌电融合感知的并行嵌套与自主择优分类器 | |
CN114041795A (zh) | 基于多模态生理信息与深度学习的情绪识别方法及系统 | |
CN110101384A (zh) | 用于复杂网络的功能性网络分析系统及分析方法 | |
CN114190953A (zh) | 针对脑电采集设备的脑电信号降噪模型的训练方法和系统 | |
CN112401905A (zh) | 一种基于源定位和脑网络的自然动作脑电识别方法 | |
CN117520891A (zh) | 一种运动想象脑电信号分类方法及系统 | |
CN116541751B (zh) | 一种基于脑功能连接网络特征的脑电信号分类方法 | |
CN117612710A (zh) | 一种基于脑电信号和人工智能分类的医疗诊断辅助系统 | |
CN116421200A (zh) | 一种基于并行训练的多任务混合模型的脑电情感分析方法 | |
CN115251909B (zh) | 基于时空卷积神经网络的脑电信号评估听力的方法及装置 | |
CN116089799A (zh) | 一种基于多源信息的立体定向脑电图脑网络生成方法 | |
CN113361484A (zh) | 针对eeg信号分类任务的深度学习网络架构搜索方法 | |
Zhang et al. | A pruned deep learning approach for classification of motor imagery electroencephalography signals | |
Wu et al. | A study for the effectiveness of the deep feature of EOG in emotion recognition | |
CN116269437B (zh) | 一种神经内科用护理监控系统和方法 | |
CN114533083B (zh) | 基于多融合式卷积神经网络的运动想象状态识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |