CN111543983A - 一种基于神经网络的脑电信号通道选择方法 - Google Patents
一种基于神经网络的脑电信号通道选择方法 Download PDFInfo
- Publication number
- CN111543983A CN111543983A CN202010256624.5A CN202010256624A CN111543983A CN 111543983 A CN111543983 A CN 111543983A CN 202010256624 A CN202010256624 A CN 202010256624A CN 111543983 A CN111543983 A CN 111543983A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- electroencephalogram
- network model
- input
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 46
- 238000010187 selection method Methods 0.000 title claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 41
- 210000004556 brain Anatomy 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 230000004913 activation Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000002269 spontaneous effect Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 238000000034 method Methods 0.000 description 13
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Power Engineering (AREA)
- Fuzzy Systems (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于神经网络的脑电信号通道选择方法,通过脑电仪采集被试者脑电数据;数据预处理;将一维的脑电数据转化成二维的时频域数据;建立卷积神经网络模型;选择RMSprop作为卷积神经网络模型的优化器,卷积神经网络模型的输出激活函数选择Sigmoid;卷积神经网络模型的损失函数采用对数损失函数;通过优化器对卷积神经网络模型的损失函数进行优化,保存优化后的卷积神经网络模型;将优化后的卷积神经网络模型从输入层到第一SE模块的后全连接层+softmax,建立新的神经网络模型,得到的一维数组构成输入脑电数据每个通道的权重;根据得到的通道权重的数据,画出脑电地形图。本发明获得较好的数据特征,结合神经网络进行分类,最高到95.87%的准确率。
Description
技术领域
本发明涉及一种脑电信号处理方法。特别是涉及一种基于神经网络的脑电信号通道选择方法。
背景技术
脑电图(Electroencephalogram,EEG)起源于十九世纪末,是一种非侵入式的记录大脑皮层活动的方式,临床上多用来检测癫痫病症,除此之外脑电图也有丰富的应用场景,比如:机械臂控制,肢体残疾人士可以使用脑电信号控制假肢和机械臂;轮椅控制,无法行动的患者可以使用脑电信号控制轮椅的方向和动作;脑部其他疾病的辅助判断,如脑瘤等。
脑机接口可以定义为一个***,此***将大脑活动所产生的脑电信号通过计算机或电子设备转换成控制外部设备的命令或与外界进行交互的消息。目前常见的脑机接口***中,运动想象(Motor Imagery,MI)模式是目前很受欢迎的一种。运动想象是在身体没有任何实际动作的条件下通过想象移动身体的某个部位,以此在头皮产生相应的脑电信号,通过计算机或电子设备对外部设备进行控制。
目前使用的脑电信号记录设备多为国际10-20***,其中“10”和“20”指的是相邻电极之间的实际距离是颅骨前后或左右总距离的10%或20%,除此之外国际10-10***也有较多应用。
记录设备中得到的脑电信号是由多个电极采集到的不同大脑部位产生的电信号,每个电极对应一个通道,由于大脑活动在每个大脑区域产生的反应都不同,所以电极通道之间的信号也不相同。
早些时期Thomas Navin Lal等人提出了基于支持向量机的的递归特征消除和零范数优化通道选择方法(期刊:IEEE transactions on biomedical engineering;著者:T.N.Lal,M.Schroder,T.Hinterberger,J.Weston,M.Bogdan and N.Birbaumer;出版年月:2004年;文章题目:Support Vector Channel Selection in BCI;页码:1003-1010)。Wing-Kin Tam等人提出了基于公共空间模式(Common Spatial Pattern,CSP)的通道选择方法方法(期刊:2011Annual International Conference of the IEEE Engineering inMedicine and Biology Society;著者:Tam,Wing-Kin,Zheng Ke,and Kai-Yu Tong;出版年月:2011年;文章题目:Performance of common spatial pattern under a smallerset of EEG electrodes in brain-computer interface on chronic stroke patients:a multi-session dataset study;页码:6344-6347)。M Arvaneh和C Guan等人提出了SCSP的方法(期刊:IEEE Transactions on Biomedical Engineering;著者:M Arvaneh,CGuan,KK Ang,C Quek;出版年月:2011年;文章题目:Optimizing the channel selectionand classification accuracy in EEG-based BCI;页码:1865-1873)和RSCSP的方法(期刊:The 2012International Joint Conference on Neural Networks;著者:M.Arvaneh,C.Guan,K.K.Ang,C.Quek;出版年月:2012年;文章题目:Robust EEG channel selectionacross sessions in brain-computer interface involving stroke patients;页码:1-6)。这些方法原理复杂,应用不够简便,我们发明的方法原理更加简单,应用也更加方便并且有助于更好地处理数据特征,提高分类准确率,具有很大的实用价值。
发明内容
本发明所要解决的技术问题是,提供一种可以更加直观明了地反应通道权重的分布情况的基于神经网络的脑电信号通道选择方法。
本发明所采用的技术方案是:一种基于神经网络的脑电信号通道选择方法,包括如下步骤:
1)通过脑电仪采集被试者脑电数据;
2)数据预处理,剔除采集到的数据中的异常数据,使用陷波滤波器去除会对数据记录产生影响的50Hz工频噪声,并去除眼电伪迹和进行基线校准;
3)使用Python扩展库PyWavelets中的cwt函数对预处理的脑电数据进行小波变换,将一维的脑电数据转化成二维的时频域数据,最后得到数据的尺寸为N×H×W×C,其中N表示数据的数量,H表示每个输入神经网络的数据的高度,W表示每个输入神经网络的数据的宽度,C表示每个输入神经网络的数据的通道数;
4)建立卷积神经网络模型,卷积神经网络模型的输入为B×H×W×C的数据,其中B表示输入神经网络的每个Batch的数量,H表示每个输入神经网络的数据的高度,W表示每个输入神经网络的数据的宽度,C表示每个输入神经网络的数据的通道数;
5)选择RMSprop作为卷积神经网络模型的优化器,由于卷积神经网络模型使用的数据是二分类数据,所以卷积神经网络模型的输出激活函数选择Sigmoid;
6)卷积神经网络模型的损失函数采用对数损失函数,损失函数如下:
7)通过优化器对卷积神经网络模型的损失函数进行优化,保存优化后的卷积神经网络模型;
8)将优化后的卷积神经网络模型从输入层到第一SE模块的后全连接层+softmax,建立新的神经网络模型,新的神经网络模型的输入同所述的卷积神经网络模型的输入相同,新的神经网络模型的输出是一个二维数组,对二维数组取平均值,得到的一维数组构成输入脑电数据每个通道的权重;
9)根据得到的通道权重的数据,画出脑电地形图。
本发明的一种基于神经网络的脑电信号通道选择方法,基于深度学习技术,使用神经网络结合SE模块计算输入数据的通道权重,可以更加直观明了地反应通道权重的分布情况,无需使用CSP方法分析多个Pattern,使用更加自由。本发明提出的通道权重确定方法可以获得较好的数据特征,结合神经网络进行分类,最高可达到95.87%的准确率。
附图说明
图1是本发明一种基于神经网络的脑电信号通道选择方法的流程图;
图2a是本发明的实验方案展示,被试者根据屏幕上不同的视觉刺激进行对应的运动想象,运动想象过程中产生的脑电数据通过信号放大设备之后存储到计算机中;
图2b是一次完整的运动想象实验的时间安排,共分为8个时间段;
图2c是一次完整的运动想象实验中,每个时间段的具体时间安排;
图3是本发明卷积神经网络模型的整体结构示意图;
图4是卷积神经网络模型中第一SE模块的结构示意图;
图5是卷积神经网络模型中第二SE模块或第三SE模块的结构示意图;
图6a是采用本发明的方法得到的分类精度Top5被试者数据脑电地形图;
图6b是采用传统的公共空间模式方法得到的分类精度Top5被试者数据脑电地形图;
图7a是采用本发明方法得到的所有数据脑电地形图;
图7b是采用传统的公共空间模式方法得到的所有数据脑电地形图。
具体实施方式
下面结合实施例和附图对本发明的一种基于神经网络的脑电信号通道选择方法做出详细说明。
如图1所示,本发明的一种基于神经网络的脑电信号通道选择方法,包括如下步骤:
1)通过脑电仪采集被试者脑电数据;
如图2a~图2c所示,采集被试者脑电数据,是要求被试者坐在电脑屏幕前,该屏幕用来提示运动想象的种类,是想象手或脚的活动,被试者产生的相应种类的数据经过信号放大装置之后进行收集存储,采样频率是1000赫兹。
将每个被试者分为8个连续的时间段进行数据采集,每个时间段进行40次运动想象,最后采集到的数据包括320次运动想象的脑电信号。
2)数据预处理,剔除采集到的数据中的异常数据,使用陷波滤波器去除会对数据记录产生影响的50Hz工频噪声,并进行基线校准和去除眼电伪迹;其中,
所述的异常数据是指幅值大于100微伏或幅值小于负100微伏的脑电数据。
所述的眼电伪迹是在脑电数据采集实验过程中被试者的眼部活动所产生的电信号。
所述的基线校准是以采集到的各个脑电数据之前的0.1秒脑电数据构成各自的基线,用采集到的脑电数据减去该脑电数据的基线,消除自发脑电噪声。
工频是指电力***、工业以及民用的电器设备所采用的额定频率,我国工频为50Hz,工频噪声会对数据记录产生影响,使用陷波滤波器可以去除工频噪声。基线校准的目的是消除自发脑电活动导致的脑电噪声,以采集到的各个脑电数据之前的0.1秒脑电数据构成各自的基线,基线代表了接收刺激时的自发脑电,用采集到的脑电数据减去该脑电数据的基线,可以消除部分的自发脑电噪声。眼电伪迹是在数据采集实验过程中被试者的眼部活动所产生的电信号,对脑电信号的采集产生影响,眼电伪迹集中在低频段,使用高通滤波器可以去除眼电伪迹。
3)使用Python扩展库PyWavelets中的cwt函数对预处理的脑电数据进行小波变换,将一维的脑电数据转化成二维的时频域数据,最后得到数据的尺寸为N×H×W×C,其中N表示数据的数量,H表示每个输入神经网络的数据的高度,W表示每个输入神经网络的数据的宽度,C表示每个输入神经网络的数据的通道数;
4)建立卷积神经网络模型,卷积神经网络模型的输入为B×H×W×C的数据,其中B表示输入神经网络的每个Batch的数量,H表示每个输入神经网络的数据的高度,W表示每个输入神经网络的数据的宽度,C表示每个输入神经网络的数据的通道数;其中,
如图3所示,所述的卷积神经网络模型包括有:依次串接的输入层1、第一SE模块2、第一卷积层3、第二SE模块4、第二卷积层5、第三SE模块6、第一全连接层7、第二全连接层8和输出层9。
如图4所示,所述第一SE模块2包括有依次串接的:输入层2.1、全局最大池化层2.2、前全连接层2.3和后全连接层+softmax2.4,所述后全连接层+softmax2.4的输出与输入层2.1的输出再相乘后进入输出层2.5。
如图5所示,所述第二SE模块4和第三SE模块6结构相同,均包括有依次串接的:输入层4.1、全局最大池化层4.2、前全连接层4.3和后全连接层+sigmoid4.4,所述后全连接层+softmax4.4的输出与输入层4.1的输出再相乘后进入输出层4.5。
5)选择RMSprop作为卷积神经网络模型的优化器,由于卷积神经网络模型使用的数据是二分类数据,所以卷积神经网络模型的输出激活函数选择Sigmoid;
6)卷积神经网络模型的损失函数采用对数损失函数,损失函数如下:
7)通过优化器对卷积神经网络模型的损失函数进行优化,保存优化后的卷积神经网络模型;
8)将优化后的卷积神经网络模型从输入层到第一SE模块2中的后全连接层+softmax(2.4),建立新的神经网络模型,新的神经网络模型的输入同所述的卷积神经网络模型的输入相同,新的神经网络模型的输出是一个二维数组,对二维数组取平均值,得到的一维数组构成输入脑电数据每个通道的权重;所述的一维数组是C×1的数组,其中C为脑电数据的通道数。
9)根据得到的通道权重的数据,画出脑电地形图。
所述的脑地形图是使用EEGLAB工具箱中的topoplot函数用,结合MATLAB来画脑电地形图,所述topoplot函数需要的参数为的C×1通道权重和脑电数据采集设备的电极通道位置信息,其中C为脑电数据的通道数。
图6a是使用本发明的一种基于神经网络的脑电信号通道选择方法得到精度TOP5数据的通道权重脑电地形图,图6b为传统的公共空间模式(Common Spatial Pattern,CSP)方法得到精度TOP5数据的脑电地形图。图6a相比图6b的通道权重脑电地形图更加准确,有利于后续分析。
图7a是使用本发明的一种基于神经网络的脑电信号通道选择方法得到所有数据的通道权重脑电地形图,图7b为传统的公共空间模式方法得到所有数据的脑电地形图。图7a相比图7b的通道权重脑电地形图更加准确,有利于后续分析。
Claims (10)
1.一种基于神经网络的脑电信号通道选择方法,其特征在于,包括如下步骤:
1)通过脑电仪采集被试者脑电数据;
2)数据预处理,剔除采集到的数据中的异常数据,使用陷波滤波器去除会对数据记录产生影响的50Hz工频噪声,并去除眼电伪迹和进行基线校准;
3)使用Python扩展库PyWavelets中的cwt函数对预处理的脑电数据进行小波变换,将一维的脑电数据转化成二维的时频域数据,最后得到数据的尺寸为N×H×W×C,其中N表示数据的数量,H表示每个输入神经网络的数据的高度,W表示每个输入神经网络的数据的宽度,C表示每个输入神经网络的数据的通道数;
4)建立卷积神经网络模型,卷积神经网络模型的输入为B×H×W×C的数据,其中B表示输入神经网络的每个Batch的数量,H表示每个输入神经网络的数据的高度,W表示每个输入神经网络的数据的宽度,C表示每个输入神经网络的数据的通道数;
5)选择RMSprop作为卷积神经网络模型的优化器,由于卷积神经网络模型使用的数据是二分类数据,所以卷积神经网络模型的输出激活函数选择Sigmoid;
6)卷积神经网络模型的损失函数采用对数损失函数,损失函数如下:
7)通过优化器对卷积神经网络模型的损失函数进行优化,保存优化后的卷积神经网络模型;
8)将优化后的卷积神经网络模型从输入层到第一SE模块(2)的后全连接层+softmax(2.4),建立新的神经网络模型,新的神经网络模型的输入同所述的卷积神经网络模型的输入相同,新的神经网络模型的输出是一个二维数组,对二维数组取平均值,得到的一维数组构成输入脑电数据每个通道的权重;
9)根据得到的通道权重的数据,画出脑电地形图。
2.根据权利要求1所述的一种基于神经网络的脑电信号通道选择方法,其特征在于,步骤1)是将每个被试者分为8个连续的时间段进行数据采集,每个时间段进行40次运动想象,最后采集到的数据包括320次运动想象的脑电信号。
3.根据权利要求1所述的一种基于神经网络的脑电信号通道选择方法,其特征在于,步骤2)中所述的异常数据是指幅值大于100微伏或幅值小于负100微伏的脑电数据。
4.根据权利要求1所述的一种基于神经网络的脑电信号通道选择方法,其特征在于,步骤2)中所述的眼电伪迹是在脑电数据采集过程中被试者的眼部活动所产生的电信号。
5.根据权利要求1所述的一种基于神经网络的脑电信号通道选择方法,其特征在于,步骤2)中所述的基线校准是以采集到的各个脑电数据之前的0.1秒脑电数据构成各自的基线,用采集到的脑电数据减去该脑电数据的基线,消除自发脑电噪声。
6.根据权利要求1所述的一种基于神经网络的脑电信号通道选择方法,其特征在于,步骤4)所述的卷积神经网络模型包括有:依次串接的输入层(1)、第一SE模块(2)、第一卷积层(3)、第二SE模块(4)、第二卷积层(5)、第三SE模块(6)、第一全连接层(7)、第二全连接层(8)和输出层(9)。
7.根据权利要求6所述的一种基于神经网络的脑电信号通道选择方法,其特征在于,所述第一SE模块(2)包括有依次串接的:输入层(2.1)、全局最大池化层(2.2)、前全连接层(2.3)和后全连接层+softmax(2.4),所述后全连接层+softmax(2.4)的输出与输入层(2.1)的输出再相乘后进入输出层(2.5)。
8.根据权利要求6所述的一种基于神经网络的脑电信号通道选择方法,其特征在于,所述第二SE模块(4)和第三SE模块(6)结构相同,均包括有依次串接的:输入层(4.1)、全局最大池化层(4.2)、前全连接层(4.3)和后全连接层+sigmoid(4.4),所述后全连接层+softmax(4.4)的输出与输入层(4.1)的输出再相乘后进入输出层(4.5)。
9.根据权利要求1所述的一种基于神经网络的脑电信号通道选择方法,其特征在于,步骤8)所述的一维数组是C×1的数组,其中C为脑电数据的通道数。
10.根据权利要求1所述的一种基于神经网络的脑电信号通道选择方法,其特征在于,步骤9)所述的脑电地形图是使用EEGLAB工具箱中的topoplot函数用,结合MATLAB来画脑电地形图,所述topoplot函数需要的参数为的C×1通道权重和脑电数据采集设备的电极通道位置信息,其中C为脑电数据的通道数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010256624.5A CN111543983B (zh) | 2020-04-02 | 2020-04-02 | 一种基于神经网络的脑电信号通道选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010256624.5A CN111543983B (zh) | 2020-04-02 | 2020-04-02 | 一种基于神经网络的脑电信号通道选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111543983A true CN111543983A (zh) | 2020-08-18 |
CN111543983B CN111543983B (zh) | 2023-04-18 |
Family
ID=71998242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010256624.5A Active CN111543983B (zh) | 2020-04-02 | 2020-04-02 | 一种基于神经网络的脑电信号通道选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111543983B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113288150A (zh) * | 2021-06-25 | 2021-08-24 | 杭州电子科技大学 | 一种基于疲劳脑电信号组合特征的通道选择方法 |
CN117311516A (zh) * | 2023-11-28 | 2023-12-29 | 北京师范大学 | 一种运动想象脑电通道选择方法和*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050273286A1 (en) * | 2004-05-21 | 2005-12-08 | Vanderbilt University | Methods for identifying brain nuclei from micro-electrode signals |
CN102722728A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于通道加权支持向量的运动想象脑电分类方法 |
WO2015030606A2 (en) * | 2013-08-26 | 2015-03-05 | Auckland University Of Technology | Improved method and system for predicting outcomes based on spatio / spectro-temporal data |
CN106909784A (zh) * | 2017-02-24 | 2017-06-30 | 天津大学 | 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 |
WO2018094720A1 (zh) * | 2016-11-24 | 2018-05-31 | 浙江大学 | 基于临床脑电信号控制机械手运动的脑机接口***及其应用 |
CN108805188A (zh) * | 2018-05-29 | 2018-11-13 | 徐州工程学院 | 一种基于特征重标定生成对抗网络的图像分类方法 |
CN109544510A (zh) * | 2018-10-24 | 2019-03-29 | 广州大学 | 一种基于卷积神经网络的三维肺结节识别方法 |
CN109671500A (zh) * | 2019-02-26 | 2019-04-23 | 上海交通大学 | 基于脑电图时域数据的精神***症辅助诊断分类方法 |
CN110309880A (zh) * | 2019-07-01 | 2019-10-08 | 天津工业大学 | 一种基于注意力机制cnn的5天和9天孵化鸡蛋胚胎图像分类方法 |
CN110353675A (zh) * | 2019-08-14 | 2019-10-22 | 东南大学 | 基于图片生成的脑电信号情感识别方法及装置 |
CN110522412A (zh) * | 2019-03-20 | 2019-12-03 | 天津大学 | 基于多尺度脑功能网络分类脑电信号的方法 |
CN110610168A (zh) * | 2019-09-20 | 2019-12-24 | 合肥工业大学 | 一种基于注意力机制的脑电情绪识别方法 |
CN110765920A (zh) * | 2019-10-18 | 2020-02-07 | 西安电子科技大学 | 基于卷积神经网络的运动想象分类方法 |
CN110929581A (zh) * | 2019-10-25 | 2020-03-27 | 重庆邮电大学 | 一种基于时空特征加权卷积神经网络的脑电信号识别方法 |
-
2020
- 2020-04-02 CN CN202010256624.5A patent/CN111543983B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050273286A1 (en) * | 2004-05-21 | 2005-12-08 | Vanderbilt University | Methods for identifying brain nuclei from micro-electrode signals |
CN102722728A (zh) * | 2012-06-11 | 2012-10-10 | 杭州电子科技大学 | 基于通道加权支持向量的运动想象脑电分类方法 |
WO2015030606A2 (en) * | 2013-08-26 | 2015-03-05 | Auckland University Of Technology | Improved method and system for predicting outcomes based on spatio / spectro-temporal data |
WO2018094720A1 (zh) * | 2016-11-24 | 2018-05-31 | 浙江大学 | 基于临床脑电信号控制机械手运动的脑机接口***及其应用 |
CN106909784A (zh) * | 2017-02-24 | 2017-06-30 | 天津大学 | 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 |
CN108805188A (zh) * | 2018-05-29 | 2018-11-13 | 徐州工程学院 | 一种基于特征重标定生成对抗网络的图像分类方法 |
CN109544510A (zh) * | 2018-10-24 | 2019-03-29 | 广州大学 | 一种基于卷积神经网络的三维肺结节识别方法 |
CN109671500A (zh) * | 2019-02-26 | 2019-04-23 | 上海交通大学 | 基于脑电图时域数据的精神***症辅助诊断分类方法 |
CN110522412A (zh) * | 2019-03-20 | 2019-12-03 | 天津大学 | 基于多尺度脑功能网络分类脑电信号的方法 |
CN110309880A (zh) * | 2019-07-01 | 2019-10-08 | 天津工业大学 | 一种基于注意力机制cnn的5天和9天孵化鸡蛋胚胎图像分类方法 |
CN110353675A (zh) * | 2019-08-14 | 2019-10-22 | 东南大学 | 基于图片生成的脑电信号情感识别方法及装置 |
CN110610168A (zh) * | 2019-09-20 | 2019-12-24 | 合肥工业大学 | 一种基于注意力机制的脑电情绪识别方法 |
CN110765920A (zh) * | 2019-10-18 | 2020-02-07 | 西安电子科技大学 | 基于卷积神经网络的运动想象分类方法 |
CN110929581A (zh) * | 2019-10-25 | 2020-03-27 | 重庆邮电大学 | 一种基于时空特征加权卷积神经网络的脑电信号识别方法 |
Non-Patent Citations (5)
Title |
---|
JIE HU; LI SHEN; SAMUEL ALBANIE; GANG SUN; ENHUA WU: "Squeeze-and-Excitation Networks", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
JUNMINGZHANG;RUXIANYAO;WENGENGGE;JINFENGGAO: "Orthogonal convolutional neural networks for automatic sleep stage classification based on single-channel EEG", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 * |
YING CHEN; ZHIHAO ZHANG; LEI ZHONG; TONG CHEN; JUXIANG CHEN;YEDA YU: "Three-Stream Convolutional Neural Network with Squeeze-and-Excitation Block for Near-Infrared Facial Expression Recognition" * |
刘博翰: "基于脑电信号的导联筛选及可解释情绪分类模型研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
单海军: "基于运动想象的脑机接口通道选择算法研究" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113288150A (zh) * | 2021-06-25 | 2021-08-24 | 杭州电子科技大学 | 一种基于疲劳脑电信号组合特征的通道选择方法 |
CN117311516A (zh) * | 2023-11-28 | 2023-12-29 | 北京师范大学 | 一种运动想象脑电通道选择方法和*** |
CN117311516B (zh) * | 2023-11-28 | 2024-02-20 | 北京师范大学 | 一种运动想象脑电通道选择方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN111543983B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112120694B (zh) | 一种基于神经网络的运动想象脑电信号分类方法 | |
CN110969108B (zh) | 一种基于自主运动想象脑电的肢体动作识别方法 | |
Barbosa et al. | Activation of a mobile robot through a brain computer interface | |
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 | |
JP5252432B2 (ja) | 指関節角度推定装置 | |
CN111543983B (zh) | 一种基于神经网络的脑电信号通道选择方法 | |
CN111544256A (zh) | 基于图卷积和迁移学习的脑控智能全肢体康复方法 | |
US20070050046A1 (en) | Methods for generating a signal indicative of an intended movement | |
CN113208613B (zh) | 基于fhls特征选择的多模态bci时序优化方法 | |
Zhang et al. | Spatial-temporal neural network for P300 detection | |
Tiwari et al. | EEG signals to digit classification using deep learning-based one-dimensional convolutional neural network | |
CN113558640A (zh) | 基于脑电特征的最小意识状态程度的评估方法 | |
Li et al. | Subject-based dipole selection for decoding motor imagery tasks | |
CN117281479A (zh) | 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置 | |
Al-Turabi et al. | Brain computer interface for wheelchair control in smart environment | |
Nawas et al. | K-NN classification of brain dominance | |
Miranda et al. | Wavelet design for automatic real-time eye blink detection and recognition in EEG signals | |
Liu et al. | A study of EEG classification based on attention mechanism and EEGNet Motor Imagination | |
Zhang et al. | Classification of EEG multiple imagination tasks based on independent component analysis and relevant vector machines | |
Saxena et al. | Understanding Functional Brain Activation using Source Localization of EEG Signals in Motor Imagery Tasks | |
CN118303887B (zh) | 一种电生理信号处理方法 | |
Yuan et al. | An Adaptive EEG Signal Filter Based on Discrete Wavelet Transform and Least Mean Square | |
Pieloth et al. | An online system for neuroelectromagnetic source imaging | |
Lawpradit et al. | The EEG Brain Signal Pattern Analysis During Touching Learning of the Blind and Normal People via a Low-cost Device | |
Niha et al. | New Trends and Applications of Big Data Analytics for Medical Science and Healthcare |
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 |