CN110389663A - 一种基于小波宽度学习***的sEMG手势识别方法 - Google Patents
一种基于小波宽度学习***的sEMG手势识别方法 Download PDFInfo
- Publication number
- CN110389663A CN110389663A CN201910548939.4A CN201910548939A CN110389663A CN 110389663 A CN110389663 A CN 110389663A CN 201910548939 A CN201910548939 A CN 201910548939A CN 110389663 A CN110389663 A CN 110389663A
- Authority
- CN
- China
- Prior art keywords
- semg
- signal
- wave width
- small wave
- gesture
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
-
- 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
- G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Neurosurgery (AREA)
- Dermatology (AREA)
- Neurology (AREA)
- Probability & Statistics with Applications (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于小波宽度学习***的sEMG手势识别方法,包括下述步骤:步骤一,根据相应的识别场景定义手势动作种类的数量d;步骤二,使用肌电信号采集设备采集sEMG信号s;步骤三,根据sEMG信号的频率特性,对sEMG原始信号进行滤波降噪,同时利用巴特沃兹滤波器除去10Hz~500Hz频带以外的噪声;步骤四,采用移动窗法检测sEMG信号中的活动段;步骤五,对检测得到的活动段进行特征提取;本发明相比基于传统深度学习网络的算法可更快地完成模型的训练以及参数的确定,从而提高工作效率;可动态地拓展节点从而提高***的识别率,而不需要完全重新建立和训练模型。
Description
技术领域
本发明涉及机器学习和信号分类技术领域,具体涉及一种基于小波宽度学习***的sEMG手势识别方法。
背景技术
肌体语言中的手势动作在日常交流之中起到重要的作用,比如足球场上裁判动作等等。因此,学者们就重点研究了如何让计算机与机器能够高效、高精度地识别人类发出的手势动作并执行相应的程序。这将改变人类与机器的交流形式。
目前,对于手势动作的识别算法主要分为以下几种:基于视觉图像识别的分类算法和基于表面肌电信号(sEMG)的手势识别算法;前者针对图像进行处理,这种方法对摄像设备的要求比较高同时设备的价格也会比较昂贵,因此难以普及,但是识别率已经研究到较高的识别率;而基于表面肌电信号(sEMG)的手势识别算法相比前者来说对硬件要求较低而且容易实现,同时采集sEMG信号的硬件可以穿戴在身上也不仅仅局限于固定相机位置的识别产品。目前现有的方法不少是基于人工智能算法去研究如何对信号进行分类。
近几年,国内外开展了大量关于手势动作识别算法的研究,包括:信号采集的研究、对特征提取与计算的研究、信号滤波的研究以及特征分类模型的研究等等。目前,常用的分类模型都是基于经典的机器学习算法,比如随机森林网络、BP神经网络、卷积神经网络等等。但是,这些经典的网络模型在训练过程中都会消耗大量的时间。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于小波宽度学习***的sEMG手势识别方法,该方法能够更快地完成模型的训练以及参数的确定,从而提高工作效率。
本发明的目的通过下述技术方案实现:
一种基于小波宽度学习***的sEMG手势识别方法,包括下述步骤:
步骤一,根据相应的识别场景定义手势动作种类的数量d,并对每一种手势分配一个序号;
步骤二,使用肌电信号采集设备采集sEMG信号s;
步骤三,根据sEMG信号的频率特性,对sEMG原始信号进行滤波降噪,同时利用巴特沃兹滤波器除去10Hz~500Hz频带以外的噪声:
其中N为滤波器的阶数,ωc为截止频率滤;
步骤四,采用移动窗法检测sEMG信号中的活动段;
步骤五,对检测得到的活动段进行特征提取;计算信号段的特征,该特征包括:平均绝对值q1、均方根q2、中值频率q3、均值频率q4……,串联活动段的各个特征为特征向量:
xk=[q1,q2,...,qn]T,
其中k为第k段活动信号段;
进一步,将每一个活动段的特征向量作为小波宽度学习分类***的输入向量x;
步骤六,根据步骤一定义的手势数量和步骤五中特征的数量设计小波宽度学习***的输入输出节点,并将步骤五中获得的特征向量输入小波宽度学习***进行分类;在训练过程中根据有标签的样本更新参数;在测试和实用过程中,从获得的小波宽度学习***输出的几个节点中判断最高激励程度节点的序号,则该节点的序号即是分类动作的序号;
步骤七,根据步骤一中定义每个手势对应的序号,通过分类结果的序号就可以识别出手势的类型。
优选地,所述步骤四中的移动窗法具体为:
首先提取一小段时间内的信号数据并进行平方积分的操作,如下述公式所示:
其中s(t)是窗内的肌电信号数据,Si表示ti时刻信号的积分即对应时刻的能量值;设定一个阈值β对能量值Si做判断,当ti时刻的能量值Si大于阈值β且移动窗口后的连续n1次能量值均大于阈值,则认为该时刻ti为动作的开始时刻;在此基础上,当从tj时刻的能量值Sj小于阈值β且有连续n2次能量值小于阈值则认为tj为动作结束时刻,因此,动作信号段则为:
其中k为第k段检测出来的动作。。
优选地,所述步骤六中小波宽度学习***具体为:
(1)利用输入向量映射不同组特征节点:
其中wi,ai和bi分别为映射的权值、转移参数和放缩参数,这些参数在初始化中是随机生成并利用k-mean算法更新;φi(·)为第i个小波基函数,其中n为小波基函数总个数;
(2)串联各组特征节点:
Zn=[Z1,Z2,......,Zn];
(3)利用特征节点Zn,映射增量节点:
Hm=ξ(ZnWh+βh),
其中Wh和βh分别为增量节点的权值和阈值参数,这部分参数在初始化时随机生成便固定不需要更新;ξ(·)为一般的激励函数,这里可以使用sigmoid函数;
(4)训练过程中,利用伪逆值和脊回归算法获得输出的权值参数:
Wall=[Zn|Hm]+Y,
其中Y为训练集的参考输出,而[Zn|Hm]+为[Zn|Hm]的伪逆值;在测试和实用过程中,可直接映射出输出节点
本发明与现有技术相比具有以下的有益效果:
本发明相比基于传统深度学习网络的算法可更快地完成模型的训练以及参数的确定,从而提高工作效率;可动态地拓展节点从而提高***的识别率,而不需要完全重新建立和训练模型。
附图说明
图1为本发明的流程示意图;
图2为本发明小波宽度学习***的结构示意图;
图3为本发明肌电信号采集设备(Myo臂环)。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1~3所示,一种基于小波宽度学习***的sEMG手势识别方法,包括下述步骤:
步骤一,根据相应的识别场景定义手势动作种类的数量d,并对每一种手势分配一个序号。
步骤二,使用如图3所示的肌电信号采集设备采集sEMG信号s。
步骤三,根据sEMG信号的频率特性,对sEMG原始信号进行滤波降噪,同时利用巴特沃兹滤波器除去10Hz~500Hz频带以外的噪声:
其中N为滤波器的阶数,ωc为截止频率滤。
步骤四,采用移动窗法检测sEMG信号中的活动段;
所述移动窗法具体为:
首先提取一小段时间内的信号数据并进行平方积分的操作,如下述公式所示:
其中s(t)是窗内的肌电信号数据,Si表示ti时刻信号的积分即对应时刻的能量值;设定一个阈值β对能量值Si做判断,当ti时刻的能量值Si大于阈值β且移动窗口后的连续n1次能量值均大于阈值,则认为该时刻ti为动作的开始时刻;在此基础上,当从tj时刻的能量值Sj小于阈值β且有连续n2次能量值小于阈值则认为tj为动作结束时刻,因此,动作信号段则为:
其中k为第k段检测出来的动作。
步骤五,对检测得到的活动段信号段进行特征提取;计算信号段的特征,该特征包括:平均绝对值q1、均方根q2、中值频率q3、均值频率q4……,串联活动段的各个特征为特征向量:
xk=[q1,q2,...,qn]T,
其中k为第k段活动信号段;
进一步,将每一个活动段的特征向量作为小波宽度学习分类***的输入向量x。
步骤六,根据步骤一定义的手势数量和步骤五中特征的数量设计小波宽度学习***的输入输出节点,并将步骤五中获得的特征向量输入小波宽度学习***进行分类;在训练过程中根据有标签的样本更新参数;在测试和实用过程中,从获得的小波宽度学习***输出的几个节点中判断最高激励程度节点的序号,则该节点的序号即是分类动作的序号;
所述小波宽度学习***具体为:
(1)利用输入向量映射不同组特征节点:
其中wi,ai和bi分别为映射的权值、转移参数和放缩参数,这些参数在初始化中是随机生成并利用k-mean算法更新;φi(·)为第i个小波基函数,其中n为小波基函数总个数;
(2)串联各组特征节点:
Zn=[Z1,Z2,......,Zn];
(3)利用特征节点Zn,映射增量节点:
Hm=ξ(ZnWh+βh),
其中Wh和βh分别为增量节点的权值和阈值参数,这部分参数在初始化时随机生成便固定不需要更新;ξ(·)为一般的激励函数,这里可以使用sigmoid函数;
(4)训练过程中,利用伪逆值和脊回归算法获得输出的权值参数:
Wall=[Zn|Hm]+Y,
其中Y为训练集的参考输出,而[Zn|Hm]+为[Zn|Hm]的伪逆值;在测试和实用过程中,可直接映射出输出节点
步骤七,根据步骤一中定义每个手势对应的序号,通过分类结果的序号就可以识别出手势的类型。
本发明在手势分类识别算法中应用了小波宽度学习***去训练和分类,其优势在于结合了宽度学习***,其相比深度学习网络具有更加快速以及更加高效的优势;使用了小波基函数作为特征层的激励函数,这使得网络的非线性拟合能力得到提高。
本发明相比基于传统深度学习网络的算法可更快地完成模型的训练以及参数的确定,从而提高工作效率;可动态地拓展节点从而提高***的识别率,而不需要完全重新建立和训练模型。
上述为本发明较佳的实施方式,但本发明的实施方式并不受上述内容的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (3)
1.一种基于小波宽度学习***的sEMG手势识别方法,其特征在于,包括下述步骤:
步骤一,根据相应的识别场景定义手势动作种类的数量d,并对每一种手势分配一个序号;
步骤二,使用肌电信号采集设备采集sEMG信号s;
步骤三,根据sEMG信号的频率特性,对sEMG原始信号进行滤波降噪,同时利用巴特沃兹滤波器除去10Hz~500Hz频带以外的噪声:
其中N为滤波器的阶数,ωc为截止频率滤;
步骤四,采用移动窗法检测sEMG信号中的活动段;
步骤五,对检测得到的活动段进行特征提取;计算信号段的特征,该特征包括:平均绝对值q1、均方根q2、中值频率q3、均值频率q4……,串联活动段的各个特征为特征向量:
xk=[q1,q2,...,qn]T,
其中k为第k段活动信号段;
进一步,将每一个活动段的特征向量作为小波宽度学习分类***的输入向量x;
步骤六,根据步骤一定义的手势数量和步骤五中特征的数量设计小波宽度学习***的输入输出节点,并将步骤五中获得的特征向量输入小波宽度学习***进行分类;在训练过程中根据有标签的样本更新参数;在测试和实用过程中,从获得的小波宽度学习***输出的几个节点中判断最高激励程度节点的序号,则该节点的序号即是分类动作的序号;
步骤七,根据步骤一中定义每个手势对应的序号,通过分类结果的序号就可以识别出手势的类型。
2.根据权利要求1所述的基于小波宽度学习***的sEMG手势识别方法,其特征在于,所述步骤四中的移动窗法具体为:
首先提取一小段时间内的信号数据并进行平方积分的操作,如下述公式所示:
其中s(t)是窗内的肌电信号数据,Si表示ti时刻信号的积分即对应时刻的能量值;设定一个阈值β对能量值Si做判断,当ti时刻的能量值Si大于阈值β且移动窗口后的连续n1次能量值均大于阈值,则认为该时刻ti为动作的开始时刻;在此基础上,当从tj时刻的能量值Sj小于阈值β且有连续n2次能量值小于阈值则认为tj为动作结束时刻,因此,动作信号段则为:
其中k为第k段检测出来的动作。
3.根据权利要求1所述的基于小波宽度学习***的sEMG手势识别方法,其特征在于,所述步骤六中小波宽度学习***具体为:
(1)利用输入向量映射不同组特征节点:
其中wi,ai和bi分别为映射的权值、转移参数和放缩参数,这些参数在初始化中是随机生成并利用k-mean算法更新;φi(·)为第i个小波基函数,其中n为小波基函数总个数;
(2)串联各组特征节点:
Zn=[Z1,Z2,......,Zn];
(3)利用特征节点Zn,映射增量节点:
Hm=ξ(ZnWh+βh),
其中Wh和βh分别为增量节点的权值和阈值参数,这部分参数在初始化时随机生成便固定不需要更新;ξ(·)为一般的激励函数,这里可以使用sigmoid函数;
(4)训练过程中,利用伪逆值和脊回归算法获得输出的权值参数:
Wall=[Zn|Hm]+Y,
其中Y为训练集的参考输出,而[Zn|Hm]+为[Zn|Hm]的伪逆值;在测试和实用过程中,可直接映射出输出节点
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910548939.4A CN110389663B (zh) | 2019-06-24 | 2019-06-24 | 一种基于小波宽度学习***的sEMG手势识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910548939.4A CN110389663B (zh) | 2019-06-24 | 2019-06-24 | 一种基于小波宽度学习***的sEMG手势识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110389663A true CN110389663A (zh) | 2019-10-29 |
CN110389663B CN110389663B (zh) | 2023-05-23 |
Family
ID=68285868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910548939.4A Active CN110389663B (zh) | 2019-06-24 | 2019-06-24 | 一种基于小波宽度学习***的sEMG手势识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110389663B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826625A (zh) * | 2019-11-06 | 2020-02-21 | 南昌大学 | 一种基于表面肌电信号的手指手势分类方法 |
CN111160392A (zh) * | 2019-12-03 | 2020-05-15 | 广东工业大学 | 一种基于小波宽度学习***的高光谱分类方法 |
CN111695446A (zh) * | 2020-05-26 | 2020-09-22 | 浙江工业大学 | 一种融合sEMG和AUS的手势识别方法 |
CN113657479A (zh) * | 2021-08-12 | 2021-11-16 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、***及介质 |
CN114098768A (zh) * | 2021-11-25 | 2022-03-01 | 哈尔滨工业大学 | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106236336A (zh) * | 2016-08-15 | 2016-12-21 | 中国科学院重庆绿色智能技术研究院 | 一种肌电假肢手势及力度控制方法 |
US20170220923A1 (en) * | 2016-02-02 | 2017-08-03 | Samsung Electronics Co., Ltd. | Gesture classification apparatus and method using emg signal |
CN109062401A (zh) * | 2018-07-11 | 2018-12-21 | 北京理工大学 | 一种基于肌电信号的实时手势识别*** |
CN109077715A (zh) * | 2018-09-03 | 2018-12-25 | 北京工业大学 | 一种基于单导联的心电信号自动分类方法 |
CN109308521A (zh) * | 2018-08-27 | 2019-02-05 | 广东工业大学 | 一种消除生理震颤的四元数宽度学习滤波方法 |
-
2019
- 2019-06-24 CN CN201910548939.4A patent/CN110389663B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170220923A1 (en) * | 2016-02-02 | 2017-08-03 | Samsung Electronics Co., Ltd. | Gesture classification apparatus and method using emg signal |
CN106236336A (zh) * | 2016-08-15 | 2016-12-21 | 中国科学院重庆绿色智能技术研究院 | 一种肌电假肢手势及力度控制方法 |
CN109062401A (zh) * | 2018-07-11 | 2018-12-21 | 北京理工大学 | 一种基于肌电信号的实时手势识别*** |
CN109308521A (zh) * | 2018-08-27 | 2019-02-05 | 广东工业大学 | 一种消除生理震颤的四元数宽度学习滤波方法 |
CN109077715A (zh) * | 2018-09-03 | 2018-12-25 | 北京工业大学 | 一种基于单导联的心电信号自动分类方法 |
Non-Patent Citations (1)
Title |
---|
李博等: "基于小波特征分析的手指动作识别研究", 《现代生物医学进展》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826625A (zh) * | 2019-11-06 | 2020-02-21 | 南昌大学 | 一种基于表面肌电信号的手指手势分类方法 |
CN110826625B (zh) * | 2019-11-06 | 2022-04-12 | 南昌大学 | 一种基于表面肌电信号的手指手势分类方法 |
CN111160392A (zh) * | 2019-12-03 | 2020-05-15 | 广东工业大学 | 一种基于小波宽度学习***的高光谱分类方法 |
CN111695446A (zh) * | 2020-05-26 | 2020-09-22 | 浙江工业大学 | 一种融合sEMG和AUS的手势识别方法 |
CN111695446B (zh) * | 2020-05-26 | 2021-07-27 | 浙江工业大学 | 一种融合sEMG和AUS的手势识别方法 |
CN113657479A (zh) * | 2021-08-12 | 2021-11-16 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、***及介质 |
CN113657479B (zh) * | 2021-08-12 | 2022-12-06 | 广东省人民医院 | 一种新型多尺度深宽结合的病理图片分类方法、***及介质 |
CN114098768A (zh) * | 2021-11-25 | 2022-03-01 | 哈尔滨工业大学 | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 |
CN114098768B (zh) * | 2021-11-25 | 2024-05-03 | 哈尔滨工业大学 | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110389663B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110389663A (zh) | 一种基于小波宽度学习***的sEMG手势识别方法 | |
CN106169081B (zh) | 一种基于不同照度的图像分类及处理方法 | |
CN103996018B (zh) | 基于4dlbp的人脸识别方法 | |
CN105844285A (zh) | 基于图像信息的黄瓜病害识别方法及装置 | |
CN105718889A (zh) | 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法 | |
CN109741318A (zh) | 基于有效感受野的单阶段多尺度特定目标的实时检测方法 | |
CN105740887A (zh) | 一种基于pso-svm的脑电信号特征分类方法 | |
CN101526994B (zh) | 一种与采集设备无关的指纹图像分割方法 | |
CN106709528A (zh) | 基于多目标函数深度学习的车辆重识别方法及装置 | |
CN104778448A (zh) | 一种基于结构自适应卷积神经网络的人脸识别方法 | |
CN103593652B (zh) | 一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法 | |
CN101763502A (zh) | 一种高效的敏感图像检测方法及其*** | |
CN109344699A (zh) | 基于分层深度卷积神经网络的冬枣病害识别方法 | |
CN110558975B (zh) | 一种心电信号分类方法及*** | |
CN105405136A (zh) | 一种基于粒子群算法的自适应脊柱ct图像分割方法 | |
CN106647272A (zh) | 基于k均值改进卷积神经网络的机器人路径规划方法 | |
CN109241814A (zh) | 基于yolo神经网络的行人检测方法 | |
CN110827260A (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN105069745A (zh) | 基于普通图像传感器及增强现实技术的带表情变脸***及方法 | |
CN107729890A (zh) | 基于lbp和深度学习的人脸识别方法 | |
CN109730818A (zh) | 一种基于深度学习的假手控制方法 | |
CN107025446A (zh) | 一种振动信号联合降噪方法 | |
CN111461000A (zh) | 一种基于cnn和小波分析的办公室垃圾智能分类方法 | |
CN105550705A (zh) | 一种基于改进自训练学习的脑电信号识别方法 | |
CN109145135A (zh) | 一种基于主成分分析的人脸画像老化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |