CN118141392A - 一种脑电图识别方法 - Google Patents
一种脑电图识别方法 Download PDFInfo
- Publication number
- CN118141392A CN118141392A CN202410567895.0A CN202410567895A CN118141392A CN 118141392 A CN118141392 A CN 118141392A CN 202410567895 A CN202410567895 A CN 202410567895A CN 118141392 A CN118141392 A CN 118141392A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- firefly
- population
- fitness
- decision tree
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003066 decision tree Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 241000254158 Lampyridae Species 0.000 claims description 109
- 230000000739 chaotic effect Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 15
- 230000008859 change Effects 0.000 abstract description 7
- 238000005065 mining Methods 0.000 abstract 1
- 210000004556 brain Anatomy 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000001020 rhythmical effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000001037 epileptic effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种脑电图识别方法,包括以下步骤:S1、获取脑电信号,对脑电信号进行预处理,得到脑电信号能量特征集;S2、将脑电信号能量特征集输入多决策树脑电图识别模型,得到各个决策树脑电图识别模型预测的结果;S3、根据各个决策树脑电图识别模型预测的结果得到最终的预测结果,完成脑电图的识别。构建脑电信号能量特征集用以有效提取能够表征脑电信号生理信息的特征,进一步根据多决策树脑电图识别模型识别异常的脑电波,能够挖掘隐藏在不同尺度上的微弱变化信息,及时发现脑电信号的异常现象,从而更加全面地监测脑电的异常变化,解决在实际应用中对脑电图进行识别判断主观性强且耗费时间的问题。
Description
技术领域
本发明属于脑电信号分类识别技术领域,具体涉及一种脑电图识别方法。
背景技术
脑电信号是大脑神经元电生理活动的综合反映,蕴含了大量有关正常生理和病理状态的潜在信息。因此,对常规脑电信号和异常脑电信号的常见节律波形及每种节律波形的特点、通常出现的脑区位置以及其具有的标志性作用进行分析对理解脑神经系统疾病的机制和常规脑功能状态是重要的。传统的处理方式往往需要专业医师依据经验对脑电图通过肉眼判定,该过程主观性强且耗费时间,并且脑电信号中还存在大量的冗余信息及强烈的噪声干扰脑电关键生理信息的表征,通过传统的信号处理方法难以完整准确地提取表征脑电信号动态节律变化的指标信息。因此如何对脑电信号进行量化处理,以便于识别出正常脑电信号和不正常脑电信号,开展各种脑神经机制和脑功能状态的探究是关键的。
发明内容
针对现有技术中的上述不足,本发明提供的一种脑电图识别方法解决了传统方法中对脑电图进行识别判断主观性强且耗费时间的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种脑电图识别方法,包括以下步骤:
S1、获取脑电信号,对脑电信号进行预处理,得到脑电信号能量特征集;
S2、将脑电信号能量特征集输入多决策树脑电图识别模型,得到各个决策树脑电图识别模型预测的结果;
S3、根据各个决策树脑电图识别模型预测的结果得到最终的预测结果,完成脑电图的识别。
进一步地:所述S1中,对脑电信号进行预处理的方法具体为:
S11、将脑电信号依次输入高通滤波器和低通滤波器,进行滤波操作得到初始的脑电信号;
S12、通过小波包分解法对初始的脑电信号进行特征提取,得到脑电信号能量特征集。
上述进一步方案的有益效果为:本发明通过高通滤波滤除高频噪声和直流成分的干扰,低通滤波用于通过低频信号,衰减和抑制高频信号,实现去除脑电信号中的噪声。
进一步地:所述S12中,得到脑电信号能量特征集的方法具体为:
通过小波包分解法对初始的脑电信号进行特征提取,得到各层高、低频率段上的小波包系数,根据各层高、低频率段上的小波包系数的能量值构建脑电信号能量特征集。
上述进一步方案的有益效果为:对脑电信号进行小波包分解,在小波包系数层次尺度上构建脑电信号能量特征集,能够挖掘隐藏在不同尺度上的微弱变化信息,更好的表征脑电信号。
进一步地:所述S2包括以下分步骤:
S21、通过有放回的随机抽样方式根据脑电信号能量特征集构建若干训练集;
S22、将每个训练集输入支持向量机进行训练,建立各训练集的决策树脑电图识别模型;
S23、将脑电信号能量特征集分别输入各个决策树脑电图识别模型,得到各个决策树脑电图识别模型的预测结果。
上述进一步方案的有益效果为:通过训练决策树的多个模型以捕捉不同的训练集的特征并独立完成自己的预测,再利用统计学中多数投票的思想对能量特征集进行预测,考虑到每个模型进行独立预测的时候即使得到的预测不是全局最优的,在其它的模型预测结果的作用下能够得到一个正确的预测结果,从而完成最终的预测,并且在决策树的建立过程中由于训练集以及训练集挑选特征的随机性,可进一步增强模型预测的泛化性能。
进一步地:所述S22中,建立任一训练集的决策树脑电图识别模型的方法包括以下分步骤:
S221、将训练集输入支持向量机,根据训练集设置萤火虫种群,设置迭代次数最大值,并初始化迭代次数;
S222、计算当前迭代次数下萤火虫种群中每个萤火虫的适应度,根据适应度设置每个萤火虫的光亮度;
S223、根据萤火虫的适应度值大小对种群中的萤火虫进行降序排列,选择前5个萤火虫作为精英个体,将剩余的萤火虫作为子代种群;
S224、根据萤火虫位移公式更新子代种群的萤火虫位置,得到当前的子代种群的萤火虫位置;
S225、计算当前的子代种群中每个萤火虫的适应度,将低于萤火虫种群平均适应度的个体向萤火虫种群最优适应度的萤火虫进行定向变异,得到更新后的子代种群;
S226、根据更新后的子代种群和精英个体组成新的萤火虫种群,通过适应度函数评估各萤火虫的位置,判断迭代次数是否达到迭代次数最大值,若是,则进入S227;若否,则迭代次数加1,并返回S222;
S227、根据萤火虫种群的萤火虫的位置输出最优的模型参数,得到决策树脑电图识别模型。
进一步地:所述S222中,计算当前迭代次数下萤火虫种群中第n个萤火虫的适应度Fn的表达式具体为:
式中,C为常数,t为当前迭代次数,为惩罚项,/>为第n个萤火虫与相邻萤火虫的相似度,/>为第n-1个萤火虫与相邻萤火虫的相似度,r为相似距离。
进一步地:所述S224中,进行定向变异的方法具体为:
根据萤火虫位移公式更新低于萤火虫种群平均适应度的个体位置,其表达式具体为:
式中,为当前迭代的第i个低于萤火虫种群平均适应度的萤火虫位置,/>为第i个低于萤火虫种群平均适应度的萤火虫更新后位置,/>为当前迭代的最优适应度的萤火虫位置,/>为常数,It为当前萤火虫的相对光强,/>为随机项系数,/>为随机扰动,/>为光强吸收系数,其表达式具体为:
式中,C为常数,t为当前迭代次数,tmax为最大迭代次数,ut为当前迭代的混沌变量,其表达式具体为:
式中,ut-1为上一次迭代的混沌变量。
上述进一步方案的有益效果为:本发明通过混沌变量来对光强吸收系数进行自适应改善,可以实现全局渐进收敛,提高收敛速度,有助于提高搜寻萤火虫最优位置的质量,更快地找到接近最优的模型参数。
进一步地:所述S3具体为:
对每个决策树脑电图识别模型预测的结果进行投票,计算出得票数最高的预测结果,并将其作为最终的预测结果。
上述进一步方案的有益效果为:在获得最终的预测结果过程中,通过每个决策树脑电图识别模型对脑电信号能量特征集进行预测,并对所有决策树脑电图识别模型的决策结果进行统计分析,以少数服从多数的决策机制得出对脑电信号能量特征集的判断,该方法对于脑电信号中的随机噪声有很强的抗干扰能力。
本发明的有益效果为:
(1)本发明提供了一种脑电图识别方法,构建脑电信号能量特征集用以有效提取能够表征脑电信号生理信息的特征,进一步根据多决策树脑电图识别模型识别异常的脑电波,能够挖掘隐藏在不同尺度上的微弱变化信息,降低脑电信号所含的噪声影响,及时发现脑电信号的异常现象,从而更加全面地监测脑电的异常变化,识别出正常脑电信号和不正常脑电信号,解决在实际应用中对脑电图进行识别判断主观性强且耗费时间的问题。
(2)本发明提出融合精英保留策略的萤火虫算法,寻找最优的支持向量机模型参数,引入混沌变量来使光强吸收系数能够随着迭代而自适应地进行调整,并引入定向变异机制增强算法的后期局部搜索能力,扩大算法的搜索范围,避免了早熟收敛现象,增加萤火虫个体向更多更具潜力的方向移动的可能性,保证生成的模型参数最优,提高脑电信号识别的精度。
(3)本发明可以辅助人工识别脑电图,减轻工作负担。
附图说明
图1为本发明的一种脑电图识别方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,在本发明的一个实施例中,一种脑电图识别方法,包括以下步骤:
S1、获取脑电信号,对脑电信号进行预处理,得到脑电信号能量特征集;
S2、将脑电信号能量特征集输入多决策树脑电图识别模型,得到各个决策树脑电图识别模型预测的结果;
S3、根据各个决策树脑电图识别模型预测的结果得到最终的预测结果,完成脑电图的识别。
所述S1中,对脑电信号进行预处理的方法具体为:
S11、将脑电信号依次输入高通滤波器和低通滤波器,进行滤波操作得到初始的脑电信号;
在本实施例中,对脑电信号进行合适的预处理是必要的,它直接关乎到后续处理分析结果的好坏,本发明通过高通滤波滤除高频噪声和直流成分的干扰,低通滤波用于通过低频信号,衰减和抑制高频信号,实现去除脑电信号中的噪声。
S12、通过小波包分解法对初始的脑电信号进行特征提取,得到脑电信号能量特征集。
小波包分解法可对原信号进行逐层分解,可得到各层对应的高频信号和低频信号,通过分解后的高频信号和低频信号可以对脑电信号进行重构。
所述S12中,得到脑电信号能量特征集的方法具体为:
通过小波包分解法对初始的脑电信号进行特征提取,得到各层高、低频率段上的小波包系数,根据各层高、低频率段上的小波包系数的能量值构建脑电信号能量特征集。
在本实施例中,对脑电信号进行小波包分解,在小波包系数层次尺度上构建脑电信号能量特征集,能够挖掘隐藏在不同尺度上的微弱变化信息,更好的表征脑电信号。
所述S2包括以下分步骤:
S21、通过有放回的随机抽样方式根据脑电信号能量特征集构建若干训练集;
S22、将每个训练集输入支持向量机进行训练,建立各训练集的决策树脑电图识别模型;
S23、将脑电信号能量特征集分别输入各个决策树脑电图识别模型,得到各个决策树脑电图识别模型的预测结果。
在本实施例中,通过训练决策树的多个模型以捕捉不同的训练集的特征并独立完成自己的预测,再利用统计学中多数投票的思想对能量特征集进行预测,考虑到每个模型进行独立预测的时候即使得到的预测不是全局最优的,在其它的模型预测结果的作用下能够得到一个正确的预测结果,从而完成最终的预测,并且在决策树的建立过程中由于训练集以及训练集挑选特征的随机性,可进一步增强模型预测的泛化性能。
所述S22中,建立任一训练集的决策树脑电图识别模型的方法包括以下分步骤:
S221、将训练集输入支持向量机,根据训练集设置萤火虫种群,设置迭代次数最大值,并初始化迭代次数;
S222、计算当前迭代次数下萤火虫种群中每个萤火虫的适应度,根据适应度设置每个萤火虫的光亮度;
S223、根据萤火虫的适应度值大小对种群中的萤火虫进行降序排列,选择前5个萤火虫作为精英个体,将剩余的萤火虫作为子代种群;
S224、根据萤火虫位移公式更新子代种群的萤火虫位置,得到当前的子代种群的萤火虫位置;
S225、计算当前的子代种群中每个萤火虫的适应度,将低于萤火虫种群平均适应度的个体向萤火虫种群最优适应度的萤火虫进行定向变异,得到更新后的子代种群;
S226、根据更新后的子代种群和精英个体组成新的萤火虫种群,通过适应度函数评估各萤火虫的位置,判断迭代次数是否达到迭代次数最大值,若是,则进入S227;若否,则迭代次数加1,并返回S222;
S227、根据萤火虫种群的萤火虫的位置输出最优的模型参数,得到决策树脑电图识别模型。
在本实施例中,本发明提出融合精英保留策略的萤火虫算法,寻找最优的支持向量机模型参数,引入混沌变量来使光强吸收系数能够随着迭代而自适应地进行调整,并引入定向变异机制增强算法的后期局部搜索能力,扩大算法的搜索范围,避免了早熟收敛现象,增加萤火虫个体向更多更具潜力的方向移动的可能性。
所述S222中,计算当前迭代次数下萤火虫种群中第n个萤火虫的适应度Fn的表达式具体为:
式中,C为常数,t为当前迭代次数,为惩罚项,/>为第n个萤火虫与相邻萤火虫的相似度,/>为第n-1个萤火虫与相邻萤火虫的相似度,r为相似距离。
在本实施例中,通过每个萤火虫与相邻萤火虫的相似度表示能量值的复杂性和规律性,用以表示脑电信号变化规律,本发明根据这一规律建立适应度函数。
所述S223中,保留5个萤火虫作为精英个体,不参与变异,可以防止优秀个体的基因被破坏。
所述S224中,进行定向变异的方法具体为:
根据萤火虫位移公式更新低于萤火虫种群平均适应度的个体位置,其表达式具体为:
式中,为当前迭代的第i个低于萤火虫种群平均适应度的萤火虫位置,/>为第i个低于萤火虫种群平均适应度的萤火虫更新后位置,/>为当前迭代的最优适应度的萤火虫位置,/>为常数,It为当前萤火虫的相对光强,/>为随机项系数,/>为随机扰动,/>为光强吸收系数,其表达式具体为:
式中,C为常数,t为当前迭代次数,tmax为最大迭代次数,ut为当前迭代的混沌变量,其表达式具体为:
式中,ut-1为上一次迭代的混沌变量。
在本实施例中,本发明通过混沌变量来对光强吸收系数进行自适应改善,可以实现全局渐进收敛,提高收敛速度,有助于提高搜寻萤火虫最优位置的质量,更快地找到接近最优的模型参数。
所述S3具体为:
对每个决策树脑电图识别模型预测的结果进行投票,计算出得票数最高的预测结果,并将其作为最终的预测结果,所述最终的预测结果具体为正常脑电信号和不正常脑电信号,不正常脑电信号包括癫痫脑电信号。
在本实施例中,在获得最终的预测结果过程中,通过每个决策树脑电图识别模型对脑电信号能量特征集进行预测,并对所有决策树脑电图识别模型的决策结果进行统计分析,以少数服从多数的决策机制得出对脑电信号能量特征集的判断,该方法对于脑电信号中的随机噪声有很强的抗干扰能力。
本发明的有益效果为:本发明提供了一种脑电图识别方法,构建脑电信号能量特征集用以有效提取能够表征脑电信号生理信息的特征,进一步根据多决策树脑电图识别模型识别异常的脑电波,能够挖掘隐藏在不同尺度上的微弱变化信息,降低脑电信号所含的噪声影响,及时发现脑电信号的异常现象,从而更加全面地监测脑电的异常变化,识别出正常脑电信号和不正常脑电信号,解决在实际应用中对脑电图进行识别判断主观性强且耗费时间的问题。
本发明可以辅助人工识别脑电图,减轻工作负担。
在本发明的描述中,需要理解的是,术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”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设备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”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此,限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。
Claims (8)
1.一种脑电图识别方法,其特征在于,包括以下步骤:
S1、获取脑电信号,对脑电信号进行预处理,得到脑电信号能量特征集;
S2、将脑电信号能量特征集输入多决策树脑电图识别模型,得到各个决策树脑电图识别模型预测的结果;
S3、根据各个决策树脑电图识别模型预测的结果得到最终的预测结果,完成脑电图的识别。
2.根据权利要求1所述的脑电图识别方法,其特征在于,所述S1中,对脑电信号进行预处理的方法具体为:
S11、将脑电信号依次输入高通滤波器和低通滤波器,进行滤波操作得到初始的脑电信号;
S12、通过小波包分解法对初始的脑电信号进行特征提取,得到脑电信号能量特征集。
3.根据权利要求2所述的脑电图识别方法,其特征在于,所述S12中,得到脑电信号能量特征集的方法具体为:
通过小波包分解法对初始的脑电信号进行特征提取,得到各层高、低频率段上的小波包系数,根据各层高、低频率段上的小波包系数的能量值构建脑电信号能量特征集。
4.根据权利要求1所述的脑电图识别方法,其特征在于,所述S2包括以下分步骤:
S21、通过有放回的随机抽样方式根据脑电信号能量特征集构建若干训练集;
S22、将每个训练集输入支持向量机进行训练,建立各训练集的决策树脑电图识别模型;
S23、将脑电信号能量特征集分别输入各个决策树脑电图识别模型,得到各个决策树脑电图识别模型的预测结果。
5.根据权利要求4所述的脑电图识别方法,其特征在于,所述S22中,建立任一训练集的决策树脑电图识别模型的方法包括以下分步骤:
S221、将训练集输入支持向量机,根据训练集设置萤火虫种群,设置迭代次数最大值,并初始化迭代次数;
S222、计算当前迭代次数下萤火虫种群中每个萤火虫的适应度,根据适应度设置每个萤火虫的光亮度;
S223、根据萤火虫的适应度值大小对种群中的萤火虫进行降序排列,选择前5个萤火虫作为精英个体,将剩余的萤火虫作为子代种群;
S224、根据萤火虫位移公式更新子代种群的萤火虫位置,得到当前的子代种群的萤火虫位置;
S225、计算当前的子代种群中每个萤火虫的适应度,将低于萤火虫种群平均适应度的个体向萤火虫种群最优适应度的萤火虫进行定向变异,得到更新后的子代种群;
S226、根据更新后的子代种群和精英个体组成新的萤火虫种群,通过适应度函数评估各萤火虫的位置,判断迭代次数是否达到迭代次数最大值,若是,则进入S227;若否,则迭代次数加1,并返回S222;
S227、根据萤火虫种群的萤火虫的位置输出最优的模型参数,得到决策树脑电图识别模型。
6.根据权利要求5所述的脑电图识别方法,其特征在于,所述S222中,计算当前迭代次数下萤火虫种群中第n个萤火虫的适应度Fn的表达式具体为:
式中,C为常数,t为当前迭代次数,为惩罚项,/>为第n个萤火虫与相邻萤火虫的相似度,/>为第n-1个萤火虫与相邻萤火虫的相似度,r为相似距离。
7.根据权利要求6所述的脑电图识别方法,其特征在于,所述S224中,进行定向变异的方法具体为:
根据萤火虫位移公式更新低于萤火虫种群平均适应度的个体位置,其表达式具体为:
式中,为当前迭代的第i个低于萤火虫种群平均适应度的萤火虫位置,/>为第i个低于萤火虫种群平均适应度的萤火虫更新后位置,/>为当前迭代的最优适应度的萤火虫位置,/>为常数,It为当前萤火虫的相对光强,/>为随机项系数,/>为随机扰动,/>为光强吸收系数,其表达式具体为:
式中,C为常数,t为当前迭代次数,tmax为最大迭代次数,ut为当前迭代的混沌变量,其表达式具体为:
式中,ut-1为上一次迭代的混沌变量。
8.根据权利要求1所述的脑电图识别方法,其特征在于,所述S3具体为:
对每个决策树脑电图识别模型预测的结果进行投票,计算出得票数最高的预测结果,并将其作为最终的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410567895.0A CN118141392B (zh) | 2024-05-09 | 2024-05-09 | 一种脑电图识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410567895.0A CN118141392B (zh) | 2024-05-09 | 2024-05-09 | 一种脑电图识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118141392A true CN118141392A (zh) | 2024-06-07 |
CN118141392B CN118141392B (zh) | 2024-07-09 |
Family
ID=91298978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410567895.0A Active CN118141392B (zh) | 2024-05-09 | 2024-05-09 | 一种脑电图识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118141392B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102106730A (zh) * | 2011-03-16 | 2011-06-29 | 上海交通大学 | 基于分形特征的脑电信号处理及警觉度检测方法 |
US20120164618A1 (en) * | 2010-12-22 | 2012-06-28 | Brightstar Learning | Monotonous game-like task to promote effortless automatic recognition of sight words |
US20140151563A1 (en) * | 2004-11-09 | 2014-06-05 | Biosensors International Group, Ltd. | System and method for radioactive emission measurement |
CN108078563A (zh) * | 2017-01-11 | 2018-05-29 | 浙江师范大学 | 一种集成分类器的eeg信号分析方法 |
CN110264006A (zh) * | 2019-06-21 | 2019-09-20 | 合肥工业大学 | 基于混沌萤火虫算法和贝叶斯网络的风电功率概率性预测方法 |
CN110472649A (zh) * | 2019-06-21 | 2019-11-19 | 中国地质大学(武汉) | 基于多尺度分析和集成树模型的脑电情感分类方法及系统 |
US20210157312A1 (en) * | 2016-05-09 | 2021-05-27 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN113081004A (zh) * | 2021-02-23 | 2021-07-09 | 厦门大学 | 一种基于脑电运动想象的小样本特征提取方法 |
CN113397567A (zh) * | 2021-05-19 | 2021-09-17 | 中国航天科工集团第二研究院 | 一种人类行为脑电信号分类方法及系统 |
CN114424167A (zh) * | 2019-05-06 | 2022-04-29 | 强力物联网投资组合2016有限公司 | 用于促进工业物联网系统智能开发的平台 |
US20220415478A1 (en) * | 2021-06-29 | 2022-12-29 | Think Now, Inc. | Systems and methods for mental exercises and improved cognition |
CN117234957A (zh) * | 2023-11-16 | 2023-12-15 | 山东科技大学 | 一种基于改进萤火虫算法的测试用例优先级排序方法 |
CN117338313A (zh) * | 2023-09-15 | 2024-01-05 | 武汉纺织大学 | 基于堆叠集成技术的多维度特征脑电信号识别方法 |
-
2024
- 2024-05-09 CN CN202410567895.0A patent/CN118141392B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140151563A1 (en) * | 2004-11-09 | 2014-06-05 | Biosensors International Group, Ltd. | System and method for radioactive emission measurement |
US20120164618A1 (en) * | 2010-12-22 | 2012-06-28 | Brightstar Learning | Monotonous game-like task to promote effortless automatic recognition of sight words |
CN102106730A (zh) * | 2011-03-16 | 2011-06-29 | 上海交通大学 | 基于分形特征的脑电信号处理及警觉度检测方法 |
US20210157312A1 (en) * | 2016-05-09 | 2021-05-27 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN108078563A (zh) * | 2017-01-11 | 2018-05-29 | 浙江师范大学 | 一种集成分类器的eeg信号分析方法 |
CN114424167A (zh) * | 2019-05-06 | 2022-04-29 | 强力物联网投资组合2016有限公司 | 用于促进工业物联网系统智能开发的平台 |
CN110472649A (zh) * | 2019-06-21 | 2019-11-19 | 中国地质大学(武汉) | 基于多尺度分析和集成树模型的脑电情感分类方法及系统 |
CN110264006A (zh) * | 2019-06-21 | 2019-09-20 | 合肥工业大学 | 基于混沌萤火虫算法和贝叶斯网络的风电功率概率性预测方法 |
CN113081004A (zh) * | 2021-02-23 | 2021-07-09 | 厦门大学 | 一种基于脑电运动想象的小样本特征提取方法 |
CN113397567A (zh) * | 2021-05-19 | 2021-09-17 | 中国航天科工集团第二研究院 | 一种人类行为脑电信号分类方法及系统 |
US20220415478A1 (en) * | 2021-06-29 | 2022-12-29 | Think Now, Inc. | Systems and methods for mental exercises and improved cognition |
CN117338313A (zh) * | 2023-09-15 | 2024-01-05 | 武汉纺织大学 | 基于堆叠集成技术的多维度特征脑电信号识别方法 |
CN117234957A (zh) * | 2023-11-16 | 2023-12-15 | 山东科技大学 | 一种基于改进萤火虫算法的测试用例优先级排序方法 |
Non-Patent Citations (2)
Title |
---|
王舰梅;周铁军;张熙曦;鲁梦婕;刘勇;: "DAB2IP启动子荧光素酶报告基因载体的构建及其应用", 世界华人消化杂志, no. 28, 8 October 2016 (2016-10-08) * |
盛晓欣;田翔华;周毅;: "基于随机森林癫痫患者脑电数据的分析研究", 中国数字医学, no. 01, 15 January 2020 (2020-01-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN118141392B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108742517B (zh) | 一种基于Stacking单导联脑电睡眠自动分期方法 | |
CN104586387A (zh) | 一种时、频、空域多参数脑电特征提取与融合方法 | |
CN104970773A (zh) | 一种基于双重特征筛选的自动睡眠分期方法 | |
CN110432870A (zh) | 一种基于1d cnn-lstm的睡眠信号自动分期方法 | |
CN109190570A (zh) | 一种基于离散小波变换和多尺度熵的脑电情感识别方法 | |
CN111000553A (zh) | 一种基于投票集成学习的心电数据智能分类方法 | |
CN110960191A (zh) | 一种基于频谱能量图的癫痫脑电信号分类方法 | |
Li et al. | An Improved Refined Composite Multivariate Multiscale Fuzzy Entropy Method for MI‐EEG Feature Extraction | |
Sharma et al. | A linearly adaptive Sine–cosine algorithm with application in deep neural network for feature optimization in arrhythmia classification using ECG signals | |
CN113361205A (zh) | 基于遗传算法和ceemd的轴承振动信号故障诊断优化设计方法 | |
CN110543831A (zh) | 一种基于卷积神经网络的脑纹识别方法 | |
CN114391846A (zh) | 一种基于过滤式特征选择的情绪识别方法及系统 | |
CN118141392B (zh) | 一种脑电图识别方法 | |
CN113397567B (zh) | 一种人类行为脑电信号分类方法及系统 | |
CN117892162A (zh) | 一种基于非负矩阵分解和机器学习的流域径流预报方法 | |
Andrade et al. | Generative topographic mapping applied to clustering and visualization of motor unit action potentials | |
CN105678430A (zh) | 基于邻近项目Slope One算法的用户改进推荐方法 | |
CN115270847A (zh) | 基于小波包分解和卷积神经网络的设计决策脑电识别方法 | |
CN114916937A (zh) | 一种基于bdpca聚类算法的驾驶员脑电疲劳等级划分方法 | |
Wang et al. | Trial pruning based on genetic algorithm for single-trial EEG classification | |
CN114742107A (zh) | 信息服务中的感知信号的识别方法及相关设备 | |
CN114098764A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
Moghadasi et al. | An automatic multiple sclerosis lesion segmentation approach based on cellular learning automata | |
Vézard et al. | Detecting mental states of alertness with genetic algorithm variable selection | |
He et al. | Comprehensive analysis of heart rate variability features for accurate prediction of paroxysmal atrial fibrillation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |