CN111783669B - 一种面向个人用户的表面肌电信号分类识别方法 - Google Patents
一种面向个人用户的表面肌电信号分类识别方法 Download PDFInfo
- Publication number
- CN111783669B CN111783669B CN202010626780.6A CN202010626780A CN111783669B CN 111783669 B CN111783669 B CN 111783669B CN 202010626780 A CN202010626780 A CN 202010626780A CN 111783669 B CN111783669 B CN 111783669B
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- gesture
- training
- data set
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06N3/047—Probabilistic or stochastic 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
一种面向个人用户的表面肌电信号分类识别方法,设定初始手势数据集D u ,并采集使用者数据得到用户手势数据集D p ;进行数据预处理,进行分类标签和去噪处理,并将数据转换为三维格式矩阵;构建训练集,对数据集中的矩阵进行标序,并扩充用户手势数据集D p ,新建包含D u 和D p 的手势数据的数据集D all 作为训练神经网络需要的训练集;将训练集输入LeNet‑5模型结构的神经网络中进行训练;通过训练后的神经网络输出得到识别结果,同时保存神经网络的网络权重,下次使用时直接调用,无需再次训练。本方法正确率高、训练结果稳定、训练周期短。
Description
技术领域
本发明属于人体生物特征识别领域,具体涉及一种面向个人用户的表面肌电信号分类识别方法,主要解决面向个人用户的表面肌电信号分类识别问题。
背景技术
生物电是生物的器官、组织和细胞在生命活动过程中发生的电位和极性变化。肌肉电流是生物电的一种,肌电信号(Electromyography,EMG)是众多肌纤维中运动单元动作电位在时间和空间上的叠加。表面肌电信号(Surface electromyography,SEMG)是浅层肌肉EMG和神经干上电活动在皮肤表面的综合效应,能在一定程度上反映神经肌肉的活动。相对于针电极EMG,SEMG在测量上具有非侵入性、无创伤、操作简单等优点。
肌电信号可以通过一些设备或者传感器读取出来,对其进行分析后可以了解目标对象的体征数据与身体状况等信息。与利用医学图像分析身体状况相比,分析身体的电流信号有易处理、易降噪、易分析等明显优点。通过对肌肉电流的提取与分析,可以得到许多有用的信息,例如对象的身体健康状况、肌肉力量、对象正在进行什么动作等。因而,SEMG在临床医学、人机功效学、康复医学以及体育科学等方面均有重要的实用价值。
目前广泛采用的是基于模式识别的肌电控制方法。首先从多通道信号中提取能表征不同上肢动作模式的信号特征,经过预处理去除噪音之后,通过模式分类器识别出目标动作模式,并转化为控制指令。模式分类的依据是动作模式与信号特征空间的关联模型。肌电分析的方法多种多样,比较普遍使用的分析方法可归结为两大类:基于机器学习的手势识别方法,以及基于深度学习的手势识别方法。基于机器学习的手势识别方法有线性判别分析、支持向量机、随机森林等。基于深度学习的手势识别模型通常使用的是卷积神经网络(Convolutional Neural Network,CNN)进行搭建。由于简便、高效等优点,CNN模型得到了较好的应用和推广。
在应用CNN网络进行分类识别时,需要使用数据集训练卷积神经网络来构建模型,以此达到识别手势的目的。从使用数据集训练模型的角度看,通常有三种方式:(1)使用大量包含不同个体的手势数据来训练神经网络,使其成为一个通用的通用型版本。这种方法的缺点是:针对新用户个体,正确率不高。这是因为肌肉电流受影响因素很多,包括年龄、肌肉力量大小等的微小不同都会对信号产生非常大的影响,不同个体之间较大的差异性导致了通用模型的正确率的下降。(2)不使用他人数据,仅使用自己数据,这种方法的缺点是:由于数据过于单一,稳定性相较于其他方法有着大幅降低,在实际应用中效果很差。(3)基于迁移学习的方法。即先使用方法(1),得到普通的通用模型后,再用使用者的数据单独训练几个周期,这样训练得到的结果要明显优于前两种方法,目前使用较多的也是这种方法。这种方法的缺点是:无法保证准确率最大化,准确率会随着二次训练的周期增大出现先增加后减小的情况。
发明内容
本发明提出一种面向个人用户的表面肌电信号分类识别方法,针对以上几种方法在实际应用中的局限进行了改进,提出了一种新的训练集构建方法,加大了使用者手势数据在训练集中的比例。通过这一步骤,神经网络模型在保有较高稳定性的同时,增加了对于使用者个体的各个手势的特征的识别率。
一种面向个人用户的表面肌电信号分类识别方法,包括如下步骤:
步骤1,设定初始手势数据集Du,并采集使用者数据得到用户手势数据集Dp;
步骤2,对Dp和Du进行数据预处理,进行分类标签和去噪处理,并将数据转换为三维格式矩阵;
步骤3,构建训练集;对数据集中的矩阵进行标序,并扩充用户手势数据集Dp,新建包含Du和Dp的手势数据的数据集Dall作为训练神经网络需要的训练集;
步骤4,将训练集输入LeNet-5模型结构的神经网络中进行训练;
步骤5,通过训练后的神经网络输出得到识别结果,同时保存神经网络的卷积核数据以及全连接层的权重参数,下次使用时直接调用,无需再次训练。
进一步地,步骤1中,使用肌电读取设备读取P在做不同手势时的肌肉电流,共有s个手势、每个手势重复t次,将该数据集记为Dp;所述初始手势数据集Du,包含多人的手势肌电数据,共有来自不同成员的共计Nu个手势数据。
进一步地,所述步骤2中包括如下分步骤:
步骤2-1,加标签值,给对应的数据加上分类标签,其中的标签用元胞数组表示;
步骤2-2,进行傅里叶变换后删去频率小于50Hz的信号成分,去除因设备电力线造成的噪声干扰;
步骤2-3,将肌电数据转换为神经网络输入层相匹配的三维格式,即对每一次的单一动作信号通过排列时域信号使其形成多通道的矩阵;具体的,一个肌电识别仪器有a个通道,一次动作中每个通道采样b2个时间信号点,将它按时间排布,成为八个大小为b*b的二维矩阵,再将矩阵按通道号排布就形成了b*b*a的三维矩阵。
进一步地,所述步骤3中包括如下分步骤:
步骤3-1,为数据集Du中的每个矩阵标上序号,序号从1至Nu,为数据集Dp中的每个矩阵标上序号,序号从Np0+1至2*Np0;
步骤3-2,扩充数据集Dp,直至数据集Dp内的手势个数Np等于Nu;扩充办法为从序号1至Np0的矩阵中中随机选取一个扩充至Dp中,为它按照顺序标上序号,若Dp中的手势个数仍小于Nu,则重复此操作,直至数据集Dp内的手势个数Np等于Nu;
步骤3-3,新建一个数据集Dall,将Du和Dp的手势数据依照序号输入其中,则它的手势总个数Nall为2*Nu,为Dall数据集中的每个矩阵标上序号,显然,标号为1至Nu的矩阵来自数据集Du,标号为Nu+1至Nall的矩阵来自数据集Dp,Dall即训练神经网络需要的训练集。
进一步地,所述神经网络采用LeNet-5模型,对输入层的输入信号进行特征提取与分析,包括卷积模块和分类模块。
进一步地,所述卷积模块采用线性结构,由四个卷积神经网络层组成,其中设置第一层为卷积层,卷积核个数为32,步长为1,卷积核大小为3×3;设置第二层为降采样层,大小为2×2,步长为1;设置第三层为卷积层,卷积核个数为32,步长为1,卷积核大小为2×2;设置第四层为降采样层,大小为2×2,步长为1;在每个卷积层后使用批量标准化层和激活函数,批量标准化避免数据差异性过大,激活函数实现去模型架构去线性化的功能。
进一步地,分类模块包含全连接层和输出层,所述分类模块用于模型输出对输入手势信号的判别,即根据当前输入的肌电信号判断它属于哪一个手势类别,将CNN模块的输出结果扁平化后使用全连接层连接,设置全连接层的神经元个数等于被分类手势个数;使用神经元的冻结率为0.2的Dropout操作来减少神经网络的冗余,减少模型出现过拟合的情况,最后连接输出层,它的神经元个数是需要分类的手势数目,返回当前信号属于各个手势的概率值,最大概率的手势代表该信号的手势类别。
进一步地,所述步骤4中,在一个训练周期中,程序会从训练集中随机选取一部分数据作为训练数据,防止过拟合,输入的三维矩阵经过卷积层与池化层提取特征之后经过全连接层输出结果,与输入数据的标签值比对之后,进行反向传播更新卷积核与全连接层的权重参数。
本发明的有益效果主要体现在:
(1)正确率高。由于使用了混合数据集作为训练集,训练集中既综合了该手势自身应该拥有的特征,又具有了使用者自身的特征,两者比重相当,这在事实上增加了手势的特征数量,使得模型判断依据更多,增加了它的识别准确率。
(2)训练结果稳定,不会有明显波动。迁移学习方法的准确率随着二次训练周期数的增长而先增加后减少,其根源在于先使用通用大数据,再单纯使用个体数据,这势必会使得正确率从一个极端走向另一个极端。本方法均衡这两个因素,使得模型在每一个训练周期中都可以综合这两者特征,避免正确率下降。综上所述,本文方法正确率不会下降,增加了稳定性。
(3)训练周期短。由于有大量重复的用户的手势数据,在一个训练周期中,重复出现的对象数据可以加速神经网络对于该对象的特征的记忆。因此,本专利所阐述的方法降低了训练完成所需要的周期数,缩短了训练时间。
附图说明
图1为本发明实施例中本识别方法的流程示意图。
图2为本发明实施例中100个时间信号排布生成的二维矩阵。
图3为本发明实施例中使用的LeNet-5的神经网络架构示意图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
假设有一个数据集,记为Du,该数据集含有n个成员的表面肌电数据,共有s个手势、每个手势每个成员重复t次。另假设用户为P,需要针对该用户搭建一个卷积神经网络来识别其手势。
本发明提出的面向特定用户的表面肌电信号分类识别方法,详细步骤如下,其流程图如图1所示。
步骤1,采集使用者数据。
使用肌电读取设备读取P在做不同手势时的肌肉电流,共有s个手势、每个手势重复t次,将该数据集记为Dp。
步骤2,对Dp和Du进行数据预处理。
(1)加标签值,给对应的数据加上分类标签,其中的标签用元胞数组表示。
(2)先对它进行傅里叶变换后删去频率小于50Hz的信号成分,去除因设备电力线造成的噪声干扰。
(3)将肌电数据转换为神经网络输入层相匹配的三维格式,即对每一次的单一动作信号通过排列时域信号使其形成多通道的矩阵。
例如一个肌电识别仪器有a个通道,一次动作中每个通道采样b2个时间信号点,将它按时间排布,成为八个大小为b*b的二维矩阵,再将矩阵按通道号排布就形成了b*b*a的三维矩阵。
具体示例:假设一个肌电识别仪器有八个通道,有一组信号,每个通道采样100个信号点,第i个时间点收到的信号值为t(i),则它形成的二维矩阵如图2所示。假设肌电数据提取器有八个通道,一个完整手势会形成八个二维矩阵,将八个二维矩阵按通道序号堆叠便形成了输入层需要输入的格式,即一个10*10*8的矩阵。
步骤3,构建训练集。
为数据集Du中的每个矩阵标上序号,序号从1至Nu,为数据集Du中的每个矩阵标上序号,序号从Np0+1至2*Np0。
扩充数据集Dp,直至数据集Dp内的手势个数Np等于Nu。扩充办法为从序号1至Np0的矩阵中中随机选取一个扩充至Dp中,为它按照顺序标上序号,若Dp中的手势个数仍小于Nu,则重复此操作,直至数据集Dp内的手势个数Np等于Nu。
新建一个数据集Dall,将Du和Dp的手势数据依照序号输入其中,则它的手势总个数Nall为2*Nu,为Dall数据集中的每个矩阵标上序号,显然,标号为1至Nu的矩阵来自数据集Du,标号为Nu+1至Nall的矩阵来自数据集Dp。
Dall就是训练神经网络需要的训练集。
步骤4,将训练集输入神经网络中进行训练。
采用LeNet-5模型,其结构图如图3所示。对输入层的输入信号进行特征提取与分析。
CNN模块采用线性结构,由四个卷积神经网络层组成。四个卷积神经网络层的参数设置如下:设置第一层为卷积层,卷积核个数为32,步长为1,卷积核大小为3×3;设置第二层为池化层,大小为2*2,步长为1;设置第三层CNN的卷积核个数为32,步长为1,卷积核大小为2×2;设置第四层为池化层,大小为2×2,步长为1;在每个卷积层后使用批量标准化层Batch Normalization和激活函数RuLU,批量标准化层可以避免数据差异性过大,有利于深度网路更加快速、稳定的训练,激活函数可以实现去模型架构去线性化的功能。
分类模块用于模型输出对输入手势信号的判别,即根据当前输入的肌电信号判断它属于哪一个手势类别。模型将CNN模块的输出结果扁平化后使用全连接层连接,设置全连接层的神经元个数等于被分类手势个数。增加神经元的冻结率为0.2的Dropout层,它可以减少模型出现过拟合的情况。最后连接Softmax分类层,它的神经元个数是需要分类的手势数目,返回当前信号属于各个手势的概率值,最大概率的手势代表该信号的手势类别。
在一个训练周期中,程序会从训练集中随机选取一部分数据作为训练数据,防止过拟合,输入的三维矩阵经过卷积层与池化层提取特征之后经过全连接层输出结果,与输入数据的标签值比对之后进行反向传播更新卷积核与全连接层的权重参数。经过多个周期的训练,神经网络可以接近100%的正确率。
步骤5,通过训练后的神经网络输出得到识别结果,保存网络权重,下次使用时直接调用,无需再次训练。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (7)
1.一种面向个人用户的表面肌电信号分类识别方法,其特征在于:所述方法包括如下步骤:
步骤1,设定初始手势数据集Du,并采集使用者数据得到用户手势数据集Dp;所述初始手势数据集Du,包含多人的手势肌电数据,共有来自不同成员的共计Nu个手势数据;
步骤2,对Dp和Du进行数据预处理,进行分类标签和去噪处理,并将数据转换为三维格式矩阵;
步骤3,构建训练集;对数据集中的矩阵进行标序,并扩充用户手势数据集Dp,新建包含Du和Dp的手势数据的数据集Dall作为训练神经网络需要的训练集;
所述步骤3中包括如下分步骤:
步骤3-1,为数据集Du中的每个矩阵标上序号,序号从1至Nu,为数据集Dp中的每个矩阵标上序号,序号从Np0+1至2*Np0;
步骤3-2,扩充数据集Dp,直至数据集Dp内的手势个数Np等于Nu;扩充办法为从序号1至Np0的矩阵中随机选取一个扩充至Dp中,为它按照顺序标上序号,若Dp中的手势个数仍小于Nu,则重复此操作,直至数据集Dp内的手势个数Np等于Nu;
步骤3-3,新建一个数据集Dall,将Du和Dp的手势数据依照序号输入其中,则它的手势总个数Nall为2*Nu,为Dall数据集中的每个矩阵标上序号,显然,标号为1至Nu的矩阵来自数据集Du,标号为Nu+1至Nall的矩阵来自数据集Dp,Dall即训练神经网络需要的训练集;
步骤4,将训练集输入LeNet-5模型结构的神经网络中进行训练;
步骤5,通过训练后的神经网络输出得到识别结果,同时保存神经网络的卷积核数据以及全连接层的权重参数,下次使用时直接调用,无需再次训练。
2.根据权利要求1所述的一种面向个人用户的表面肌电信号分类识别方法,其特征在于:步骤1中,使用肌电读取设备读取P在做不同手势时的肌肉电流,共有s个手势、每个手势重复t次,将该数据集记为Dp。
3.根据权利要求1所述的一种面向个人用户的表面肌电信号分类识别方法,其特征在于:所述步骤2中包括如下分步骤:
步骤2-1,加标签值,给对应的数据加上分类标签,其中的标签用元胞数组表示;
步骤2-2,进行傅里叶变换后删去频率小于50Hz的信号成分,去除因设备电力线造成的噪声干扰;
步骤2-3,将肌电数据转换为神经网络输入层相匹配的三维格式,即对每一次的单一动作信号通过排列时域信号使其形成多通道的矩阵;具体的,一个肌电识别仪器有a个通道,一次动作中每个通道采样b2个时间信号点,将它按时间排布,成为八个大小为b*b的二维矩阵,再将矩阵按通道号排布就形成了b*b*a的三维矩阵。
4.根据权利要求1所述的一种面向个人用户的表面肌电信号分类识别方法,其特征在于:所述神经网络采用LeNet-5模型,对输入层的输入信号进行特征提取与分析,包括CNN模块和分类模块。
5.根据权利要求4所述的一种面向个人用户的表面肌电信号分类识别方法,其特征在于:所述卷积模块采用线性结构,由四个卷积神经网络层组成,其中设置第一层为卷积层,卷积核个数为32,步长为1,卷积核大小为3×3;设置第二层为降采样层,大小为2×2,步长为1;设置第三层为卷积层,卷积核个数为32,步长为1,卷积核大小为2×2;设置第四层为降采样层,大小为2×2,步长为1;在每个卷积层后使用批量标准化层和激活函数,批量标准化避免数据差异性过大,激活函数实现去模型架构去线性化的功能。
6.根据权利要求4所述的一种面向个人用户的表面肌电信号分类识别方法,其特征在于:所述分类模块包含全连接层和输出层,分类模块用于模型输出对输入手势信号的判别,即根据当前输入的肌电信号判断它属于哪一个手势类别,将CNN模块的输出结果扁平化后使用全连接层连接,设置全连接层的神经元个数等于被分类手势个数;使用神经元的冻结率为0.2的Dropout操作来减少神经网络的冗余,减少模型出现过拟合的情况,最后连接输出层,它的神经元个数是需要分类的手势数目,返回当前信号属于各个手势的概率值,最大概率的手势代表该信号的手势类别。
7.根据权利要求1所述的一种面向个人用户的表面肌电信号分类识别方法,其特征在于:所述步骤4中,在一个训练周期中,程序会从训练集中随机选取一部分数据作为训练数据,防止过拟合,输入的三维矩阵经过卷积层与池化层提取特征之后经过全连接层输出结果,与输入数据的标签值比对之后,进行反向传播更新卷积核与全连接层的权重参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010626780.6A CN111783669B (zh) | 2020-07-02 | 2020-07-02 | 一种面向个人用户的表面肌电信号分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010626780.6A CN111783669B (zh) | 2020-07-02 | 2020-07-02 | 一种面向个人用户的表面肌电信号分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783669A CN111783669A (zh) | 2020-10-16 |
CN111783669B true CN111783669B (zh) | 2022-07-22 |
Family
ID=72758086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010626780.6A Active CN111783669B (zh) | 2020-07-02 | 2020-07-02 | 一种面向个人用户的表面肌电信号分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783669B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115985465B (zh) * | 2023-03-21 | 2023-07-07 | 天津医科大学总医院 | 基于时序的肌电信号特征提取方法、装置、设备及存储介质 |
CN118171117A (zh) * | 2024-05-13 | 2024-06-11 | 浙江强脑科技有限公司 | 仿生手的手势训练方法、训练装置、存储介质和仿生手 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654037B (zh) * | 2015-12-21 | 2019-05-21 | 浙江大学 | 一种基于深度学习和特征图像的肌电信号手势识别方法 |
CN106980367B (zh) * | 2017-02-27 | 2020-08-18 | 浙江工业大学 | 一种基于肌电地形图的手势识别方法 |
-
2020
- 2020-07-02 CN CN202010626780.6A patent/CN111783669B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111783669A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111134666B (zh) | 一种多通道脑电数据的情绪识别方法及电子装置 | |
CN108388348B (zh) | 一种基于深度学习和注意力机制的肌电信号手势识别方法 | |
CN112861604B (zh) | 一种与用户无关的肌电动作识别与控制方法 | |
Oweiss | Statistical signal processing for neuroscience and neurotechnology | |
CN113288183B (zh) | 一种基于面颈部表面肌电的无声语音识别方法 | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
CN100415159C (zh) | 心脏状态的实时趋势动力学特征分析方法 | |
CN110555468A (zh) | 一种联合递归图和cnn的脑电信号识别方法及*** | |
CN111783669B (zh) | 一种面向个人用户的表面肌电信号分类识别方法 | |
Li et al. | EEG signal classification method based on feature priority analysis and CNN | |
Rejer | EEG feature selection for BCI based on motor imaginary task | |
CN111428601B (zh) | 一种基于ms-cnn的p300信号识别方法、装置及存储介质 | |
CN112884063B (zh) | 基于多元时空卷积神经网络的p300信号检测识别方法 | |
CN109330613A (zh) | 基于实时脑电的人体情绪识别方法 | |
CN113010013A (zh) | 一种基于Wasserstein距离的运动想象脑电迁移学习方法 | |
CN114145745B (zh) | 基于图的多任务自监督情绪识别方法 | |
CN111493836A (zh) | 基于脑机接口和深度学习的术后急性疼痛预测***及应用 | |
CN114548165A (zh) | 一种可跨用户的肌电模式分类方法 | |
CN116421200A (zh) | 一种基于并行训练的多任务混合模型的脑电情感分析方法 | |
Samiee et al. | Five-class finger flexion classification using ECoG signals | |
CN109800651B (zh) | 一种基于双规则主动超限学习机的多类脑电分类方法 | |
Chandra et al. | Pressure Physiotherapy and Bio-signals | |
Fouad et al. | Attempts towards the first brain-computer interface system in INAYA Medical College | |
KR20130006030A (ko) | 감성 인식을 위한 분류 모델 구성 방법 및 그 장치 | |
Sun et al. | MEEG-Transformer: transformer Network based on Multi-domain EEG for emotion recognition |
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 |