CN116522210B - 基于脑网络差异性分析的运动想象脑电信号分类方法 - Google Patents
基于脑网络差异性分析的运动想象脑电信号分类方法 Download PDFInfo
- Publication number
- CN116522210B CN116522210B CN202310797681.8A CN202310797681A CN116522210B CN 116522210 B CN116522210 B CN 116522210B CN 202310797681 A CN202310797681 A CN 202310797681A CN 116522210 B CN116522210 B CN 116522210B
- Authority
- CN
- China
- Prior art keywords
- mutual information
- motor imagery
- standardized
- signals
- standardized mutual
- 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 48
- 210000004556 brain Anatomy 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000009471 action Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 56
- 239000013598 vector Substances 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000006998 cognitive state Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002582 magnetoencephalography Methods 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000008058 pain sensation Effects 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Dermatology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Human Computer Interaction (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了基于脑网络差异性分析的运动想象脑电信号分类方法,包括以下步骤:S1、采集多个信道的脑电信号;S2、对采集到的脑电信号进行预处理;S3、利用信道间的标准化互信息构建功能连接网络;S4、通过差异性分析选取功能连接网络中具有显著差异的标准化互信息值;S5、通过PCA方法对步骤S4中具有显著差异的标准化互信息值进行降维处理;S6、使用分类正确率最高的SVM模型作为运动想象脑电信号识别模型。本发明有益效果:使用采集数据进行通道选择和训练支持向量机分类器,找到被试在不同动作的运动想象过程中具有差异的通道连接,并使用这些通道连接的互信息参数进行运动想象脑电信号的识别和分类。
Description
技术领域
本发明属于脑机接口技术领域,尤其是涉及一种基于脑网络差异性分析的运动想象脑电信号分类方法。
背景技术
运动想象技术是通过研究事件相关去同步化和事件相关同步化现象而发展起来的,这项技术的核心是研究大脑在想象运动而不是实际运动时的电位活动,运动想象脑电信号可以反映大脑在想象运动时的活动情况,不同的运动想象任务会引发不同的大脑皮层区域的响应,运动想象脑电信号分类后,计算机可以产生用于脑机接口系统的控制信号。运动想象技术已经被广泛应用于康复治疗等医疗领域,通过运动想象脑机接口系统,可以将运动想象信号转化为控制信号,从而实现对外部设备的控制,例如,用于康复治疗中的肢体运动恢复,通过训练患者在想象运动时产生运动想象信号,然后将信号转化为肢体运动控制信号,从而帮助患者恢复肢体运动能力。运动想象技术还可以应用于疼痛管理等领域,通过想象疼痛减轻疼痛感觉。
脑连接网络是指大脑中不同区域之间的连接关系,可以用图论和网络科学的方法进行分析和研究,现有的脑连接网络的构建和分析通常基于脑成像技术,例如功能磁共振成像(fMRI)、脑电图(EEG)和脑磁图(MEG)等,通过对脑连接网络的分析,可以深入了解大脑的结构和功能,并探索不同疾病和认知状态下脑连接网络的变化和影响。随着MI技术的不断发展和完善,其在医疗领域的应用前景将更加广阔。但是目前在线识别患者的运动想象任务以及多类运动想象脑电信号的识别已经成为康复机器人设计中亟待解决的问题。
发明内容
有鉴于此,本发明旨在提出一种脑机接口,以期解决上述部分技术问题中的至少之一。
为达到上述目的,本发明的技术方案是这样实现的:
本发明第一方面提供了一种基于脑网络差异性分析的运动想象脑电信号分类方法,包括以下步骤:
S1、采集多个信道的脑电信号;
S2、对采集到的脑电信号进行预处理;
S3、利用信道间的标准化互信息构建功能连接网络,并将不同试次的功能连接网络划分训练集数据和测试集数据;
S4、通过差异性分析选取功能连接网络中具有显著差异的标准化互信息值;
S5、通过PCA方法对步骤S4中具有显著差异的标准化互信息值进行降维处理,得到训练集特征向量、测试集特征向量;
S6、使用训练集特征向量训练SVM模型,使用测试集特征向量对SVM模型进行测试选择出分类正确率最高的SVM模型作为运动想象脑电信号识别模型;
S7、采集患者多个信道的运动想象脑电信号;
S8、将采集到的运动想象脑电信号输入至运动想象脑电信号识别模型,识别出运动想象脑电信号。
进一步的,所述步骤S1中通过脑电采集设备采集64导联的多类运动想象脑电信号。
进一步的,所述步骤S3包括以下步骤:
S31、每个EEG导联对应的电极覆盖区域定义为一个节点;
S32、使用标准化互信息关系计算节点之间的相关性;
计算运动想象期间脑电信号的熵值,计算公式如下:
;
X,Y为运动想象期间两个不同导联脑电信号,p(x)为信号取值为x的概率,即信号X的边缘分布概率,H(X)为信号的熵;
利用两个信号的熵值可以计算两个导联信号间的互信息,计算公式如下:
;
其中,I(X,Y)为两个导联信号间的互信息,H(X,Y)为信号X和Y的联合熵;
将两个导联信号间的互信息进行标准化,计算公式如下:
;
NMI(X,Y)即为信号X和Y的标准化互信息,表示X与Y两个信号间的同步性大小;
S33、计算每个试次中两个信道间的标准化互信息,得到运动想象脑电信号标准化互信息网络;
S34、将所有试次的标准化互信息网络划分为训练集数据和测试集数据。
进一步的,所述步骤S4包括以下步骤:
S41、将训练集标准化互信息数据按照其脑电数据对应的真实标签划分为两类;
S42、每类标准化互信息中的一个值代表两个节点的同步性,将所有试次中每对节点的标准化互信息值分别提取出来,再合并成为每对节点的标准化互信息向量;
S43、训练集标准化互信息数据中每对连接节点组成的标准化互信息向量,分别对相同两个连接节点的标准化互信息向量进行配对T检验,并得到其p值;
S44、对可接受显著性差异p值设定一个阈值;
S45、比较两个连接节点在两个动作中的标准化互信息向量的显著性差异,若其p值小于设定的阈值,则表明两个连接节点的标准化互信息在两类运动想象过程中具有差异,记录两个连接节点;
否则忽略该连接;
S46、在训练集数据中,提取每一试次对应的标准化互信息网络中在步骤S45中选中通道连接的标准化互信息值;
在测试集数据中,提取每一试次对应的标准化互信息网络中在步骤S45中选中通道连接的标准化互信息值。
进一步的,所述步骤S6包括以下步骤:
S61、通过5折交叉验证的方法使用训练集数据特征向量训练SVM模型;
S62、使用测试集特征向量对SVM模型进行测试,统计SVM模型输出动作标签中正确分类的标签的个数,然后除以标签的总个数,得到分类正确率选择出分类正确率最高的SVM模型作为运动想象脑电信号识别模型。
进一步的,所述步骤S2中脑电信号的预处理包括时间窗口、降采样、基线矫正、信号分段;
并提取每个信道中8-30Hz频率范围EEG信号。
本发明第二方面提供了一种电子设备,包括处理器以及与处理器通信连接,且用于存储所述处理器可执行指令的存储器,其特征在于:所述处理器用于执行上述第一方面所述的方法。
本发明第三方面提供了一种服务器,其特征在于:包括至少一个处理器,以及与所述处理器通信连接的存储器,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述处理器执行,以使所述至少一个处理器执行如第一方面所述的方法。
本发明第四方面提供了一种计算机可读取存储介质,存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现第一方面所述的方法。
相对于现有技术,本发明所述的基于脑网络差异性分析的运动想象脑电信号分类方法具有以下有益效果:
(1)本发明所述的基于脑网络差异性分析的运动想象脑电信号分类方法,使用采集数据进行通道选择和训练支持向量机分类器,找到被试在不同动作的运动想象过程中具有差异的通道连接,并使用这些通道连接的互信息参数进行运动想象脑电信号的识别和分类。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的方法流程示意图;
图2为本发明实施例所述的多试次对应通道连接数值向量重组示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
实施例一:
一种基于脑网络差异性分析的运动想象脑电信号分类方法,包括以下步骤:
S1、采集多个信道的脑电信号;
S2、对采集到的脑电信号进行预处理;
S3、利用信道间的标准化互信息构建功能连接网络,并将不同试次的功能连接网络划分训练集数据和测试集数据;
S4、通过差异性分析选取功能连接网络中具有显著差异的标准化互信息值;
S5、通过PCA方法对步骤S4中具有显著差异的标准化互信息值进行降维处理,得到训练集特征向量、测试集特征向量;
S6、使用训练集特征向量训练SVM模型,使用测试集特征向量对SVM模型进行测试选择出分类正确率最高的SVM模型作为运动想象脑电信号识别模型;
S7、采集患者多个信道的运动想象脑电信号;
S8、将采集到的运动想象脑电信号输入至运动想象脑电信号识别模型,识别出运动想象脑电信号。
所述步骤S1中通过脑电采集设备采集64导联的多类运动想象脑电信号。设置脑电信号采集系统采样率为1000Hz,佩戴符合国际标准10-20导联系统的64通道脑电帽,在距离显示器1m的距离,按照试验提示进行运动想象,采集整个试验过程的脑电信号。
所述步骤S2中脑电信号的预处理包括时间窗口、降采样、基线矫正、信号分段;
并提取每个信道中8-30Hz频率范围EEG信号。
对原始脑电信号进行8-30Hz滤波处理,对上述获得的信号进行250Hz降采样处理,以试验前200ms的脑电信号均值作为基线,将降采样处理后获得的每个电极脑电信号减去每个电极的基线,得到基线矫正后的脑电信号,对矫正后的脑电信号,提取每个运动想象期间的脑电数据,把数据分段,对于数据分段,选取其第0.5-2.5秒的数据作为分析数据。
所述步骤S3包括以下步骤:
S31、每个EEG导联对应的电极覆盖区域定义为一个节点;
S32、使用标准化互信息关系计算节点之间的相关性;
计算运动想象期间脑电信号的熵值,计算公式如下:
;
X,Y为运动想象期间两个不同导联脑电信号,p(x)为信号取值为x的概率,即信号X的边缘分布概率,H(X)为信号的熵;
利用两个信号的熵值可以计算两个导联信号间的互信息,计算公式如下:
;
其中,I(X,Y)为两个导联信号间的互信息,H(X,Y)为信号X和Y的联合熵;
将两个导联信号间的互信息进行标准化,计算公式如下:
;
NMI(X,Y)即为信号X和Y的标准化互信息,表示X与Y两个信号间的同步性大小;
S33、计算每个试次中两个信道间的标准化互信息,得到运动想象脑电信号标准化互信息网络;
S34、将所有试次的标准化互信息网络划分为训练集数据和测试集数据,把S33获得的数据以7:1的比例划分训练集数据和测试集数据。
所述步骤S4包括以下步骤:
S41、将训练集标准化互信息数据按照其脑电数据对应的真实标签划分为两类;
S42、对于第一类类标签的标准化互信息网络,其每一个值代表两个节点的同步性。将所有试次中每对节点的标准化互信息值分别提取出来,再合并成为每对节点的标准化互信息向量,其提取和合并方式如图2所示。
对于第二类标签的标准化互信息网络,其每一个值代表两个节点的同步性。将所有试次中每对节点的标准化互信息值分别提取出来,再合并成为每对节点的标准化互信息向量,其提取和合并方式如图2所示。
S43、对于第一类和第二类每对连接节点组成的标准化互信息向量中,分别对相同两个连接节点的标准化互信息向量进行配对T检验,并得到其p值;
S44、对可接受显著性差异p值设定一个阈值;
S45、比较两个连接节点在两个动作中的标准化互信息向量的显著性差异,若其p值小于设定的阈值,则表明两个连接节点的标准化互信息在两类运动想象过程中具有差异,记录两个连接节点;否则忽略该连接;记录所有标准化互信息向量具有显著性差异的通道连接;
S46、在训练集数据中,提取每一试次对应的标准化互信息网络中在步骤S45中选中通道连接的标准化互信息值;
在测试集数据中,提取每一试次对应的标准化互信息网络中在步骤S45中选中通道连接的标准化互信息值。
步骤S5中,在训练集数据中,使用PCA方法将步骤S46所得到的互信息矩阵数据降维,得到每一试次对应的特征向量,即训练集特征向量。
在测试集数据中,使用PCA方法将步骤S46所得到的互信息矩阵数据降维,得到每一试次对应的特征向量,即测试集特征向量。
所述步骤S6包括以下步骤:使用支持向量机对提取的特征进行分类。具体的,选择径向基函数作为核函数,训练SVM模型,并使用测试集数据验证模型的泛用性。
S61、通过5折交叉验证的方法使用训练集数据特征向量训练SVM模型;
S62、使用测试集特征向量对SVM模型进行测试,统计SVM模型输出动作标签中正确分类的标签的个数,然后除以标签的总个数,得到分类正确率选择出分类正确率最高的SVM模型作为运动想象脑电信号识别模型。
使用采集数据进行通道选择和训练支持向量机分类器,找到被试在不同动作的运动想象过程中具有差异的通道连接,并使用这些通道连接的互信息参数进行运动想象脑电信号的识别和分类。
工作过程:
实施例二:
本发明第三方面提供了一种电子设备,包括处理器以及与处理器通信连接,且用于存储所述处理器可执行指令的存储器,所述处理器用于执行上述实施例一所述的方法。
实施例三:
本发明第四方面提供了一种服务器,包括至少一个处理器,以及与所述处理器通信连接的存储器,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述处理器执行,以使所述至少一个处理器执行如实施例一所述的方法。
实施例四:
本发明第五方面提供了一种计算机可读取存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现实施例一所述的方法。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和系统,可以通过其它的方式实现。例如,以上所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。上述单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于脑网络差异性分析的运动想象脑电信号分类方法,其特征在于:包括以下步骤:
S1、采集多个信道的脑电信号;
S2、对采集到的脑电信号进行预处理;
S3、利用信道间的标准化互信息构建功能连接网络,并将不同试次的功能连接网络划分训练集数据和测试集数据;
S4、通过差异性分析选取功能连接网络中具有显著差异的标准化互信息值;
S5、通过PCA方法对步骤S4中具有显著差异的标准化互信息值进行降维处理,得到训练集特征向量、测试集特征向量;
S6、使用训练集特征向量训练SVM模型,使用测试集特征向量对SVM模型进行测试选择出分类正确率最高的SVM模型作为运动想象脑电信号识别模型;
S7、采集患者多个信道的运动想象脑电信号;
S8、将采集到的运动想象脑电信号输入至运动想象脑电信号识别模型,识别出运动想象脑电信号;
所述步骤S3包括以下步骤:
S31、每个EEG导联对应的电极覆盖区域定义为一个节点;
S32、使用标准化互信息关系计算节点之间的相关性;
计算运动想象期间脑电信号的熵值,计算公式如下:
;
X,Y为运动想象期间两个不同导联脑电信号,p(x)为信号取值为x的概率,即信号X的边缘分布概率,H(X)为信号的熵;
利用两个信号的熵值可以计算两个导联信号间的互信息,计算公式如下:
;
其中,I(X,Y)为两个导联信号间的互信息,H(X,Y)为信号X和Y的联合熵;
将两个导联信号间的互信息进行标准化,计算公式如下:
;
NMI(X,Y)即为信号X和Y的标准化互信息,表示X与Y两个信号间的同步性大小;
S33、计算每个试次中两个信道间的标准化互信息,得到运动想象脑电信号标准化互信息网络;
S34、将所有试次的标准化互信息网络划分为训练集数据和测试集数据;
所述步骤S4包括以下步骤:
S41、将训练集标准化互信息数据按照其脑电数据对应的真实标签划分为两类;
S42、每类标准化互信息中的一个值代表两个节点的同步性,将所有试次中每对节点的标准化互信息值分别提取出来,再合并成为每对节点的标准化互信息向量;
S43、训练集标准化互信息数据中每对连接节点组成的标准化互信息向量,分别对相同两个连接节点的标准化互信息向量进行配对T检验,并得到其p值;
S44、对可接受显著性差异p值设定一个阈值;
S45、比较每对连接节点在两个动作中的标准化互信息向量的显著性差异,若其p值小于设定的阈值,则表明该对通道的标准化互信息在两类运动想象过程中具有差异,记录该连接通道对;否则忽略该连接;
S46、在训练集数据中,提取每一试次对应的标准化互信息网络中在步骤S45中选中通道连接的标准化互信息值;
在测试集数据中,提取每一试次对应的标准化互信息网络中在步骤S45中选中通道连接的标准化互信息值。
2.根据权利要求1所述的基于脑网络差异性分析的运动想象脑电信号分类方法,其特征在于:
所述步骤S1中通过脑电采集设备采集64导联的多类运动想象脑电信号。
3.根据权利要求1所述的基于脑网络差异性分析的运动想象脑电信号分类方法,其特征在于:步骤S6包括以下步骤:
S61、通过5折交叉验证的方法使用训练集数据特征向量训练SVM模型;
S62、使用测试集特征向量对SVM模型进行测试,统计SVM模型输出动作标签中正确分类的标签的个数,然后除以标签的总个数,得到分类正确率选择出分类正确率最高的SVM模型作为运动想象脑电信号识别模型。
4.根据权利要求1所述的基于脑网络差异性分析的运动想象脑电信号分类方法,其特征在于:所述步骤S2中脑电信号的预处理包括时间窗口、降采样、基线矫正、信号分段;
并提取每个信道中8-30Hz频率范围EEG信号。
5.一种电子设备,包括处理器以及与处理器通信连接,且用于存储所述处理器可执行指令的存储器,其特征在于:所述处理器用于执行上述权利要求1-4任一所述的方法。
6.一种服务器,其特征在于:包括至少一个处理器,以及与所述处理器通信连接的存储器,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述处理器执行,以使所述至少一个处理器执行如权利要求1-4任一所述的方法。
7.一种计算机可读取存储介质,存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310797681.8A CN116522210B (zh) | 2023-07-03 | 2023-07-03 | 基于脑网络差异性分析的运动想象脑电信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310797681.8A CN116522210B (zh) | 2023-07-03 | 2023-07-03 | 基于脑网络差异性分析的运动想象脑电信号分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116522210A CN116522210A (zh) | 2023-08-01 |
CN116522210B true CN116522210B (zh) | 2023-09-01 |
Family
ID=87390640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310797681.8A Active CN116522210B (zh) | 2023-07-03 | 2023-07-03 | 基于脑网络差异性分析的运动想象脑电信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116522210B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961259A (zh) * | 2017-05-25 | 2018-12-07 | 复旦大学 | 基于静息态功能磁共振的大脑功能区对侧定位方法 |
CN111616682A (zh) * | 2020-05-31 | 2020-09-04 | 天津大学 | 基于便携式脑电采集设备的癫痫发作预警系统及应用 |
CN111833966A (zh) * | 2020-07-07 | 2020-10-27 | 华东师范大学 | 一种基于自适应lasso的特征选择方法及系统 |
CN112244870A (zh) * | 2020-09-24 | 2021-01-22 | 杭州电子科技大学 | 基于符号化排列传递熵的癫痫脑电双向耦合分析方法 |
CN112560931A (zh) * | 2020-12-09 | 2021-03-26 | 中南民族大学 | 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统 |
CN112932502A (zh) * | 2021-02-02 | 2021-06-11 | 杭州电子科技大学 | 结合互信息通道选择与混合神经网络的脑电情感识别方法 |
CN113220120A (zh) * | 2021-04-27 | 2021-08-06 | 武汉理工大学 | 一种融合主客观评估的自适应运动想象脑机接口训练方法 |
CN114305449A (zh) * | 2021-12-25 | 2022-04-12 | 郑州大学 | 基于脑电导联互信息量的运动想象分类方法 |
CN115169067A (zh) * | 2021-04-02 | 2022-10-11 | 维智脑数据服务(天津)有限公司 | 脑网络模型构建方法、装置、电子设备及介质 |
CN115886735A (zh) * | 2022-12-12 | 2023-04-04 | 浙江大学 | 基于脑网络优化的重症脑炎患者癫痫发作自动检测装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10499823B2 (en) * | 2014-11-06 | 2019-12-10 | Tata Consultancy Services Limited | Selection of electroencephalography (EEG) channels valid for determining cognitive load of a subject |
-
2023
- 2023-07-03 CN CN202310797681.8A patent/CN116522210B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961259A (zh) * | 2017-05-25 | 2018-12-07 | 复旦大学 | 基于静息态功能磁共振的大脑功能区对侧定位方法 |
CN111616682A (zh) * | 2020-05-31 | 2020-09-04 | 天津大学 | 基于便携式脑电采集设备的癫痫发作预警系统及应用 |
CN111833966A (zh) * | 2020-07-07 | 2020-10-27 | 华东师范大学 | 一种基于自适应lasso的特征选择方法及系统 |
CN112244870A (zh) * | 2020-09-24 | 2021-01-22 | 杭州电子科技大学 | 基于符号化排列传递熵的癫痫脑电双向耦合分析方法 |
CN112560931A (zh) * | 2020-12-09 | 2021-03-26 | 中南民族大学 | 一种基于多通道fNIRS信号的冰毒成瘾者检测方法及系统 |
CN112932502A (zh) * | 2021-02-02 | 2021-06-11 | 杭州电子科技大学 | 结合互信息通道选择与混合神经网络的脑电情感识别方法 |
CN115169067A (zh) * | 2021-04-02 | 2022-10-11 | 维智脑数据服务(天津)有限公司 | 脑网络模型构建方法、装置、电子设备及介质 |
CN113220120A (zh) * | 2021-04-27 | 2021-08-06 | 武汉理工大学 | 一种融合主客观评估的自适应运动想象脑机接口训练方法 |
CN114305449A (zh) * | 2021-12-25 | 2022-04-12 | 郑州大学 | 基于脑电导联互信息量的运动想象分类方法 |
CN115886735A (zh) * | 2022-12-12 | 2023-04-04 | 浙江大学 | 基于脑网络优化的重症脑炎患者癫痫发作自动检测装置 |
Non-Patent Citations (1)
Title |
---|
"基于互信息特征提取的运动想象脑机接口";贾婷婷等;《中国医学物理学杂志》;63-68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116522210A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
O’Regan et al. | Automatic detection of EEG artefacts arising from head movements using EEG and gyroscope signals | |
US9107595B1 (en) | Node excitation driving function measures for cerebral cortex network analysis of electroencephalograms | |
WO2007138579A2 (en) | Neuropsychological spatiotemporal pattern recognition | |
US11693071B2 (en) | Systems and methods for mapping neuronal circuitry and clinical applications thereof | |
US20070225932A1 (en) | Methods, systems and computer program products for extracting paroxysmal events from signal data using multitaper blind signal source separation analysis | |
CN114129129A (zh) | 一种基于CNN与Transformer的癫痫检测系统 | |
Visalli et al. | Electroencephalographic correlates of temporal Bayesian belief updating and surprise | |
CN116541751B (zh) | 一种基于脑功能连接网络特征的脑电信号分类方法 | |
Llera et al. | Adaptive classification on brain-computer interfaces using reinforcement signals | |
Liu et al. | Network community structure detection for directional neural networks inferred from multichannel multisubject EEG data | |
CN111671420B (zh) | 一种从静息态脑电数据中提取特征的方法及终端设备 | |
CN112450947A (zh) | 一种针对情绪唤醒度的动态脑网络分析方法 | |
Das et al. | Neuro-current response functions: A unified approach to MEG source analysis under the continuous stimuli paradigm | |
CN116522210B (zh) | 基于脑网络差异性分析的运动想象脑电信号分类方法 | |
Prabhakar et al. | EM based non-linear regression and singular value decomposition for epilepsy classification | |
CN116098637A (zh) | 一种基于ica优化校正脑电微状态的大脑功能评测装置 | |
CN115392287A (zh) | 一种基于自监督学习的脑电信号在线自适应分类方法 | |
Ma et al. | An Adaptive Calibration Framework for mVEP‐Based Brain‐Computer Interface | |
Joadder et al. | A new way of channel selection in the motor imagery classification for BCI applications | |
CN117251807B (zh) | 一种神经网络的运动想象脑电信号分类方法 | |
Gabrielson et al. | Joint-IVA for identification of discriminating features in EEG: Application to a driving study | |
Vadivu et al. | An Novel Versatile Inspiring Wavelet Transform and Resilient Direct Neural Network Classification Techniques for Monitoring Brain Activity System Based on EEG Signal | |
CN113827256B (zh) | 基于脑电微状态的疲劳检测方法、装置、终端及存储介质 | |
Saini et al. | Information detection in brain using wavelet features and K-nearest neighbor | |
Gorshenin et al. | Statistical detection of movement activities in a human brain by moving separation of mixture distributions |
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 |