CN110059565A - 一种基于改进卷积神经网络的p300脑电信号识别方法 - Google Patents
一种基于改进卷积神经网络的p300脑电信号识别方法 Download PDFInfo
- Publication number
- CN110059565A CN110059565A CN201910212733.4A CN201910212733A CN110059565A CN 110059565 A CN110059565 A CN 110059565A CN 201910212733 A CN201910212733 A CN 201910212733A CN 110059565 A CN110059565 A CN 110059565A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural networks
- convolutional neural
- signal
- eeg
- 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
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进卷积神经网络的P300脑电信号识别方法。本发明包含以下步骤:1、使用脑电采集设备采集P300脑电信号;2、选取16个通道的脑电信号,对采集到的脑电信号进行降频、降噪及重采样;3、将原始的五维样本重构为二维矩阵,进行15次叠加平均以增大信噪比,每个P300样本标签设为1,噪声样本标签设为0;4、构建新的卷积神经网络结构,5、训练网络,将预处理后的数据送入卷积神经网络,确定网络参数,得到改进的用于P300脑电信号识别的卷积神经网络模型;本发明使用改进卷积神经网络对P300脑电信号进行特征提取和分类,可有效地提高P300信号的识别率。
Description
技术领域
本发明涉及脑电信号识别方法,具体是一种基于改进卷积神经网络的P300脑电信号识别方法。
背景技术
卷积神经网络是一种深度学***移、旋转等畸变具有不变性,有很强的泛化性。其独特的权值共享和局部感受野思想,可以大幅减少神经网络的参数量,防止过拟合的同时又降低了神经网络模型的复杂度。
作为一种前馈深度网络,卷积神经网络无需太多数据处理过程。也就是说,采集到的数据只需简单进行预处理就可以送入网络,通过网络的学习得到一个较好的模型。近些年,作为一种高效的深度神经网络,卷积神经网络已然成为各界研究学者的关注点而得到深入的探讨,且在众多研究领域中表现出优异的结果。2011年3月Cecotti等人的一篇论文为我们开启了深度学习结合脑电信号分析的范例—卷积神经网络采用了误差回传算法作为它的训练算法,利用局部感受野和权值共享等概念很好地结合了脑电信号中特定的时空信息特征,学习出数据中的内在模式;并且卷积神经网络结构中的下采样操作对输入的时移不敏感性,即使信号采集过程中出现电极发生少量偏移或者采集延时等情况,卷积神经网络都能有一个很好的修正。
卷积神经网络中层次之间的紧密联系和空间信息使得其特别适用于图像的处理和理解,但由于脑电信号是一种将时间和空间特征结合的信号,为了不使卷积运算后的特征中同时混杂空间和时间信息,卷积层中的卷积核需要针对性地设置为向量而非一般图像识别中的矩阵,使其只提取空间特征或时间特征。
发明内容
本发明的目的是在经典的卷积神经网络结构的基础上,结合dropout操作,提出一种基于改进卷积神经网络的P300脑电信号识别方法。该方法可以有效地对P300脑电信号进行识别,最高识别准确率可达到96.69%,并且加入的dropout操作可以有效防止卷积神经网络过拟合。
本发明提供的技术方案:一种基于改进卷积神经网络的P300脑电信号识别方法,包括如下步骤:
步骤1、使用脑电采集设备采集P300脑电信号;
步骤2、选取编号分别为32、34、36、41、9、11、13、42、47、49、51、53、55、56、60、62的16个通道的脑电信号,对采集到的脑电信号进行预处理,包括降频、降噪及重采样等;
步骤3、将原始的五维样本重构为常见的二维矩阵,进行15次叠加平均增大信噪比,将每个P300样本标签设为1,噪声样本标签设为0;
步骤4、构建新的卷积神经网络结构,选取一个输入层、一个卷积层、一个下采样层、一个全连接层及一个输出层,卷积核的大小为1X16,下采样层的大小为2X1,步长为2;
步骤5、训练网络,将预处理后的数据送入卷积神经网络,根据经验及多次实验确定网络参数,得到改进的用于P300脑电信号识别的卷积神经网络模型;
所述的步骤2中,首先将原始信号进行z-score标准化,然后使用六阶的巴特沃斯滤波器对信号进行0.5~30Hz的带通滤波。最后,选取每次刺激后625ms内的数据即前150个采样点进行下采样,采样因子为3。
所述的步骤5中,训练过程与传统的反向传播算法类似,主要分为两个阶段:一是前向传播阶段;二是反向传播阶段。具体训练过程如下:
在前向传播阶段,输入数据依次经过卷积层、下采样层和全连接层,分别计算各节点网络输出。
卷积层中使用如下公式进行卷积运算:
其中,表示第l层中第j个特征图,Mj表示输入的特征图集合,表示l层使用的卷积核,表示l层设置的偏置,f表示激活函数,这里使用的是ReLU函数,其运算公式为:
f(x)=max(0,x). (2)
下采样层使用均值池化方法,运算公式为:
其中,表示第l层权重参数,down表示下采样运算函数。
全连接层使用的是Softmax函数进行分类,公式如下:
p表示将样本x分类为第j类的概率,的乘积表示第j维向量的值,分母表示所有的该向量值的总和。
在反向传播阶段,通过前向计算得到分类输出值后,计算输出值与实际值之间的误差。然后,将误差沿着输出层进行反向传播,优化网络权重参数。使用公式(5)作为损失函数:
其中,N表示输入样本个数,C表示样本类别数,表示第n个样本对于标签的第k维,表示第n个样本对于网络输出的第k个输出。
在CNN网络中不断重复前向传播和反向传播两个过程,直到网络的损失函数达到最小。在训练过程中,使用梯度下降法寻找使损失函数最小的权重参数。计算公式为:
其中,a表示训练过程中的学习率,λ表示权重衰减系数,wl和bl分别表示权值和偏置。
本发明有益效果如下:
借鉴卷积神经网络权值共享和局部感受野的独特思想,对P300脑电信号进行识别,结果表明将改进的卷积神经网络用来检测P300信号是可行的,有效的提高了脑电信号的识别率,是深度学习模型在脑机接口***中应用的成功尝试,同时也为脑电信号的特征提取和分类提供新的思路。
附图说明
图1经典的LeNet-5结构图;
图2改进的卷积神经网络结构图;
图3实验结果图
具体实施方式:
下面结合具体实施例对本发明作进一步说明。以下描述仅作为示范和解释,并不对本发明作任何形式上的限制。
如图2所示,本发明实现的步骤如下:
步骤1、使用脑电采集设备采集P300脑电信号。其中采集到的脑电信号源自2名受试者佩戴的国际10-20导联***电极帽,通道数为64通道,采样频率为240Hz;
步骤2、选取编号分别为32、34、36、41、9、11、13、42、47、49、51、53、55、56、60、62的16个通道的脑电信号,对采集到的脑电信号进行预处理,包括降频、降噪及重采样。预处理后的信号采样频率降为80Hz,主要频率范围为0.5Hz~30Hz,每个样本的采样点从240变为50;
步骤3、预处理后的脑电信号为12x15x50x16x85的五维张量,将其重构为15300个50X16的二维向量样本,并将其中包含P300信号的样本标签设为1,不包含P300信号的样本标签设为0;
步骤4、新的卷积神经网络结构由5层构成。具体描述如下:
第一层是输入层,输入数据为经过预处理后的P300信号,每个输入样本的维度为50x16,其中50是每个通道中的采样点数,16是选择的通道数;第二层是卷积层,在此层中对输入样本进行空间滤波和卷积运算。由4.1节参数选择知,本层设置的卷积核数目为20,大小为1x16。使用ReLU函数激活神经元,得到了20个特征映射图,大小为50x1;第三层是下采样层,主要作用是降低特征维度。采用步长为2的均值池化方法,每个神经元与卷积层中相应特征图的2x1区域相连接,得到20个大小为25x1的特征图;第四层是全连接层,该层引入了dropout操作,在训练过程中以0.6的概率随机的关掉部分神经元,以防止CNN模型过拟合。全连接层将各个神经元节点的特征信号转换成向量信号,使用softmax分类器判别输入样本的类别;第五层是输出层,因为本文的目的是识别输入样本是否为P300信号,所以最终有两种分类结果输出:‘1’表示P300信号,‘0’表示噪声信号。
步骤5、训练过程与传统的反向传播算法类似,主要分为两个阶段:一是前向传播阶段;二是反向传播阶段。具体训练过程如下:
在前向传播阶段,输入数据依次经过卷积层、下采样层和全连接层,分别计算各节点网络输出。
卷积层中使用如下公式进行卷积运算:
其中,表示第l层中第j个特征图,Mj表示输入的特征图集合,表示l层使用的卷积核,表示l层设置的偏置,f表示激活函数,这里使用的是ReLU函数,其运算公式为:
f(x)=max(0,x). (2)
下采样层使用均值池化方法,运算公式为:
其中,表示第l层权重参数,down表示下采样运算函数。
全连接层使用的是softmax函数进行分类,公式如下:
p表示将样本x分类为第j类的概率。
在反向传播阶段,通过前向计算得到分类输出值后,计算输出值与实际值之间的误差。然后,将误差沿着输出层进行反向传播,优化网络权重参数。使用公式(5)作为损失函数:
其中,N表示输入样本个数,C表示样本类别数,表示第n个样本对于标签的第k维,表示第n个样本对于网络输出的第k个输出。
在CNN网络中不断重复前向传播和反向传播两个过程,直到网络的损失函数达到最小。在训练过程中,使用梯度下降法寻找使损失函数最小的权重参数。计算公式为:
其中,a表示训练过程中的学习率。
实验的数据来源于2004年第三次国际BCI竞赛中P300拼写器实验,两名受试者均进行85个字符的实验,分别采用每名受试者的前55个字符产生的样本作为训练集,后30个字符产生的样本作为测试集。改进的卷积神经网络对两名受试者的P300脑电信号识别效果如图3所示,可以看出,改进的CNN模型在P300信号识别中的优越性,也说明了不同受试者之间的P300信号确实存在个体差异。此外,还可以看出在单次实验中改进的CNN模型对P300信号的分类取得了很好的效果。
Claims (2)
1.一种基于改进卷积神经网络的P300脑电信号识别方法,其特征在于包括如下步骤:
步骤1、使用脑电采集设备采集P300脑电信号;
步骤2、选取编号分别为32、34、36、41、9、11、13、42、47、49、51、53、55、56、60、62的16个通道的脑电信号,对16个通道的脑电信号进行预处理,包括降频、降噪及重采样;
步骤3、将原始的五维样本重构为常见的二维矩阵,进行15次叠加平均来增大信噪比,将每个P300样本标签设为1,噪声样本标签设为0;
步骤4、构建新的卷积神经网络结构,选取一个输入层、一个卷积层、一个下采样层、一个全连接层及一个输出层,卷积核的大小为1X16,下采样层的大小为2X1,步长为2;
具体描述如下:
第一层是输入层,输入数据为经过预处理后的P300信号,每个输入样本的维度为50x16,其中50是每个通道中的采样点数,16是选择的通道数;
第二层是卷积层,在此层中对输入样本进行空间滤波和卷积运算;本层设置的卷积核数目为20,大小为1x16;使用ReLU函数激活神经元,得到了20个特征映射图,大小为50x1;
第三层是下采样层,采用步长为2的均值池化方法,每个神经元与卷积层中相应特征图的2x1区域相连接,得到20个大小为25x1的特征图;
第四层是全连接层,该层引入了dropout操作,在训练过程中以0.6的概率随机的关掉部分神经元;全连接层将各个神经元节点的特征信号转换成向量信号,使用softmax分类器判别输入样本的类别;
第五层是输出层,有两种分类结果输出:‘1’表示P300信号,‘0’表示噪声信号;
步骤5、训练网络,将预处理后的数据送入卷积神经网络,确定网络参数,得到改进的用于P300脑电信号识别的卷积神经网络模型。
2.如权利要求1所述的一种基于改进卷积神经网络的P300脑电信号识别方法,其特征在于,步骤2中预处理具体为:首先将原始信号进行z-score标准化,然后使用六阶的巴特沃斯滤波器对信号进行0.5~30Hz的带通滤波;最后,选取每次刺激后625ms内的数据即前150个采样点进行下采样,采样因子为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910212733.4A CN110059565A (zh) | 2019-03-20 | 2019-03-20 | 一种基于改进卷积神经网络的p300脑电信号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910212733.4A CN110059565A (zh) | 2019-03-20 | 2019-03-20 | 一种基于改进卷积神经网络的p300脑电信号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110059565A true CN110059565A (zh) | 2019-07-26 |
Family
ID=67317401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910212733.4A Pending CN110059565A (zh) | 2019-03-20 | 2019-03-20 | 一种基于改进卷积神经网络的p300脑电信号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059565A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399857A (zh) * | 2019-08-01 | 2019-11-01 | 西安邮电大学 | 一种基于图卷积神经网络的脑电情感识别方法 |
CN110781751A (zh) * | 2019-09-27 | 2020-02-11 | 杭州电子科技大学 | 基于跨连型卷积神经网络的情感脑电信号分类方法 |
CN110811558A (zh) * | 2019-11-18 | 2020-02-21 | 郑州大学 | 基于深度学习的睡眠觉醒分析方法 |
CN111428648A (zh) * | 2020-03-26 | 2020-07-17 | 五邑大学 | 一种脑电信号生成网络、方法及存储介质 |
CN111428601A (zh) * | 2020-03-18 | 2020-07-17 | 五邑大学 | 一种基于ms-cnn的p300信号识别方法、装置及存储介质 |
CN111461204A (zh) * | 2020-03-30 | 2020-07-28 | 华南理工大学 | 一种用于游戏评估的基于脑电信号的情感识别方法 |
CN111882036A (zh) * | 2020-07-22 | 2020-11-03 | 广州大学 | 卷积神经网络训练方法、脑电信号识别方法、装置和介质 |
CN112241724A (zh) * | 2020-10-30 | 2021-01-19 | 南京信息工程大学滨江学院 | 一种基于双路卷积长短期神经网络的自动识别方法及*** |
CN112381008A (zh) * | 2020-11-17 | 2021-02-19 | 天津大学 | 一种基于并行序列通道映射网络的脑电情感识别方法 |
CN112650386A (zh) * | 2020-12-07 | 2021-04-13 | 华南师范大学 | 一种基于pca-pcn的脑机接口字符输出*** |
CN112884063A (zh) * | 2021-03-11 | 2021-06-01 | 广东工业大学 | 基于多元时空卷积神经网络的p300信号检测识别方法 |
CN113180692A (zh) * | 2021-02-11 | 2021-07-30 | 北京工业大学 | 一种基于特征融合和注意力机制的脑电信号分类识别方法 |
CN113343869A (zh) * | 2021-06-17 | 2021-09-03 | 中国科学院精密测量科学与技术创新研究院 | 基于ntft和cnn的脑电信号自动分类与识别方法 |
CN113598794A (zh) * | 2021-08-12 | 2021-11-05 | 中南民族大学 | 一种***成瘾者检测模型的训练方法和*** |
CN113655884A (zh) * | 2021-08-17 | 2021-11-16 | 河北师范大学 | 设备控制方法、终端及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040199482A1 (en) * | 2002-04-15 | 2004-10-07 | Wilson Scott B. | Systems and methods for automatic and incremental learning of patient states from biomedical signals |
CN105068644A (zh) * | 2015-07-24 | 2015-11-18 | 山东大学 | 一种基于卷积神经网络的p300脑电信号检测方法 |
CN108009635A (zh) * | 2017-12-25 | 2018-05-08 | 大连理工大学 | 一种支持增量更新的深度卷积计算模型 |
CN108959895A (zh) * | 2018-08-16 | 2018-12-07 | 广东工业大学 | 一种基于卷积神经网络的脑电信号eeg身份识别方法 |
CN109271964A (zh) * | 2018-10-11 | 2019-01-25 | 刘仕琪 | 基于深度学习模型与长短记忆网络的情绪识别方法及*** |
CN109325410A (zh) * | 2018-08-16 | 2019-02-12 | 广东工业大学 | 一种基于卷积神经网络的脑电信号eeg特征提取方法 |
-
2019
- 2019-03-20 CN CN201910212733.4A patent/CN110059565A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040199482A1 (en) * | 2002-04-15 | 2004-10-07 | Wilson Scott B. | Systems and methods for automatic and incremental learning of patient states from biomedical signals |
CN105068644A (zh) * | 2015-07-24 | 2015-11-18 | 山东大学 | 一种基于卷积神经网络的p300脑电信号检测方法 |
CN108009635A (zh) * | 2017-12-25 | 2018-05-08 | 大连理工大学 | 一种支持增量更新的深度卷积计算模型 |
CN108959895A (zh) * | 2018-08-16 | 2018-12-07 | 广东工业大学 | 一种基于卷积神经网络的脑电信号eeg身份识别方法 |
CN109325410A (zh) * | 2018-08-16 | 2019-02-12 | 广东工业大学 | 一种基于卷积神经网络的脑电信号eeg特征提取方法 |
CN109271964A (zh) * | 2018-10-11 | 2019-01-25 | 刘仕琪 | 基于深度学习模型与长短记忆网络的情绪识别方法及*** |
Non-Patent Citations (5)
Title |
---|
YANG LI等: "Boosted Convolutional Neural Networks for Motor Imagery EEG Decoding with Multiwavelet-based Time-Frequency Conditional Granger Causality Analysis", 《ARXIV》 * |
曾向阳著: "《智能水中目标识别》", 31 March 2016, 国防工业出版社 * |
柳杨著: "《数字图像物体识别理论详解与实战》", 31 March 2018, 北京邮电大学出版社 * |
王建责任编辑: "《基于图像分析的植物及其病虫害识别方法研究》", 31 October 2018, 中国经济出版社 * |
许庆勇著: "《基于深度学习理论的纹身图像识别与检测研究》", 31 December 2018, 华中科技大学出版社 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399857A (zh) * | 2019-08-01 | 2019-11-01 | 西安邮电大学 | 一种基于图卷积神经网络的脑电情感识别方法 |
CN110781751A (zh) * | 2019-09-27 | 2020-02-11 | 杭州电子科技大学 | 基于跨连型卷积神经网络的情感脑电信号分类方法 |
CN110811558A (zh) * | 2019-11-18 | 2020-02-21 | 郑州大学 | 基于深度学习的睡眠觉醒分析方法 |
CN111428601B (zh) * | 2020-03-18 | 2023-08-18 | 五邑大学 | 一种基于ms-cnn的p300信号识别方法、装置及存储介质 |
CN111428601A (zh) * | 2020-03-18 | 2020-07-17 | 五邑大学 | 一种基于ms-cnn的p300信号识别方法、装置及存储介质 |
CN111428648A (zh) * | 2020-03-26 | 2020-07-17 | 五邑大学 | 一种脑电信号生成网络、方法及存储介质 |
CN111428648B (zh) * | 2020-03-26 | 2023-03-28 | 五邑大学 | 一种脑电信号生成网络、方法及存储介质 |
CN111461204A (zh) * | 2020-03-30 | 2020-07-28 | 华南理工大学 | 一种用于游戏评估的基于脑电信号的情感识别方法 |
CN111461204B (zh) * | 2020-03-30 | 2023-05-26 | 华南理工大学 | 一种用于游戏评估的基于脑电信号的情感识别方法 |
CN111882036A (zh) * | 2020-07-22 | 2020-11-03 | 广州大学 | 卷积神经网络训练方法、脑电信号识别方法、装置和介质 |
CN111882036B (zh) * | 2020-07-22 | 2023-10-31 | 广州大学 | 卷积神经网络训练方法、脑电信号识别方法、装置和介质 |
CN112241724B (zh) * | 2020-10-30 | 2023-12-15 | 南京信息工程大学滨江学院 | 一种基于双路卷积长短期神经网络的自动识别方法及*** |
CN112241724A (zh) * | 2020-10-30 | 2021-01-19 | 南京信息工程大学滨江学院 | 一种基于双路卷积长短期神经网络的自动识别方法及*** |
CN112381008B (zh) * | 2020-11-17 | 2022-04-29 | 天津大学 | 一种基于并行序列通道映射网络的脑电情感识别方法 |
CN112381008A (zh) * | 2020-11-17 | 2021-02-19 | 天津大学 | 一种基于并行序列通道映射网络的脑电情感识别方法 |
CN112650386B (zh) * | 2020-12-07 | 2023-05-16 | 华南师范大学 | 一种基于pca-pcn的脑机接口字符输出*** |
CN112650386A (zh) * | 2020-12-07 | 2021-04-13 | 华南师范大学 | 一种基于pca-pcn的脑机接口字符输出*** |
CN113180692A (zh) * | 2021-02-11 | 2021-07-30 | 北京工业大学 | 一种基于特征融合和注意力机制的脑电信号分类识别方法 |
CN112884063B (zh) * | 2021-03-11 | 2023-07-14 | 广东工业大学 | 基于多元时空卷积神经网络的p300信号检测识别方法 |
CN112884063A (zh) * | 2021-03-11 | 2021-06-01 | 广东工业大学 | 基于多元时空卷积神经网络的p300信号检测识别方法 |
CN113343869A (zh) * | 2021-06-17 | 2021-09-03 | 中国科学院精密测量科学与技术创新研究院 | 基于ntft和cnn的脑电信号自动分类与识别方法 |
CN113598794A (zh) * | 2021-08-12 | 2021-11-05 | 中南民族大学 | 一种***成瘾者检测模型的训练方法和*** |
CN113655884A (zh) * | 2021-08-17 | 2021-11-16 | 河北师范大学 | 设备控制方法、终端及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059565A (zh) | 一种基于改进卷积神经网络的p300脑电信号识别方法 | |
CN110069958B (zh) | 一种密集深度卷积神经网络的脑电信号快速识别方法 | |
CN108491077B (zh) | 一种基于多流分治卷积神经网络的表面肌电信号手势识别方法 | |
CN106909784A (zh) | 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法 | |
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 | |
CN112381008B (zh) | 一种基于并行序列通道映射网络的脑电情感识别方法 | |
CN105068644A (zh) | 一种基于卷积神经网络的p300脑电信号检测方法 | |
CN113627401A (zh) | 融合双注意力机制的特征金字塔网络的肌电手势识别方法 | |
CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测*** | |
CN113705398B (zh) | 基于卷积-长短期记忆网络音乐脑电时空特征分类方法 | |
CN108256579A (zh) | 一种基于先验知识的多模态民族认同感量化测量方法 | |
Lu et al. | Combined CNN and LSTM for motor imagery classification | |
Lu et al. | Classification of EEG signal by STFT-CNN framework: identification of right-/left-hand motor imagination in BCI systems | |
CN115381466A (zh) | 基于AE和Transformer的运动想象脑电信号分类方法 | |
CN113116361A (zh) | 一种基于单导脑电的睡眠分期方法 | |
CN113180659A (zh) | 一种基于三维特征和空洞全卷积网络的脑电情感识别*** | |
CN117520891A (zh) | 一种运动想象脑电信号分类方法及*** | |
CN113128353B (zh) | 面向自然人机交互的情绪感知方法及其*** | |
CN113128384B (zh) | 一种基于深度学习的脑卒中康复***脑机接口软件关键技术方法 | |
Kuang et al. | LSTM model with self-attention mechanism for EEG based cross-subject fatigue detection | |
CN113076878A (zh) | 基于注意力机制卷积网络结构的体质辨识方法 | |
CN112163486A (zh) | 一种基于稀疏学习和域对抗网络的脑电通道优化方法 | |
Yu et al. | Encoding physiological signals as images for affective state recognition using convolutional neural networks | |
CN113887374B (zh) | 一种基于动态收敛微分神经网络的脑控喝水*** | |
CN112381124B (zh) | 一种基于动态逆学习网络的提高脑机接口性能的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |