CN112200228A - 一种基于二维卷积神经网络的癫痫发作状态识别方法 - Google Patents
一种基于二维卷积神经网络的癫痫发作状态识别方法 Download PDFInfo
- Publication number
- CN112200228A CN112200228A CN202011046788.1A CN202011046788A CN112200228A CN 112200228 A CN112200228 A CN 112200228A CN 202011046788 A CN202011046788 A CN 202011046788A CN 112200228 A CN112200228 A CN 112200228A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- convolutional neural
- dimensional convolutional
- epileptic seizure
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- 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
-
- 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
-
- 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
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/20—Classification; Matching by matching signal segments by applying autoregressive analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Discrete Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种基于二维卷积神经网络的癫痫发作状态识别方法。本发明涉及癫痫信号模态识别技术领域,采集的手腕端加速度动作信号,将得到的数据进行滤波降噪、合成加速度、标准化、划窗分割以及时频域联合分析等数据预处理;划分训练集、验证集和测试集,得到统一格式的样本数据集;运用二维卷积神经网络算法进行深度学习,确定优化后的超参数组合;使用L2正则优化、Dropout正则优化算法和学习率衰减算法等优化方案对卷积神经网络模型进行优化;保存训练得到的最优模型,以便快速地识别癫痫发作状态。本发明使用二维卷积神经网络对样本数据进行分类,可以快速有效地识别出样本中处于癫痫发作状态的数据,提高癫痫识别的准确度。
Description
技术领域
本发明涉及癫痫信号模态识别技术领域,是一种基于二维卷积神经网络的癫痫发作状态识别方法。
背景技术
癫痫是一种脑部的慢性非传染性疾病,患者会在无诱发原因的情况下持续并重复地发作。它严重影响到所有年龄段、性别、种族和收入水平的人,全世界大约有5000万名癫痫病患者,每年新发癫痫患者约200万,使之成为全球范围内最常见的神经***疾病之一。癫痫病的发作具有很强的随机性和突发性,而快速有效的癫痫发作识别可以保障患者接受救治的及时性。当前脑电图常用于辅助医生诊断癫痫病,然而脑电图的分析与癫痫发作的判定严重依赖于专业的医师,耗时耗力且效率低下,并且脑电信号的采集需要专业设备的支持,便携性和经济性很差。因此基于手腕端动作信号的癫痫发作快速识别,对于癫痫病人的看护具有重大现实意义。
发明内容
本发明为基于二维卷积神经网络的癫痫发作状态识别方法解决方案,本发明提供了一种基于二维卷积神经网络的癫痫发作状态识别方法,本发明提供了以下技术方案:
一种基于二维卷积神经网络的癫痫发作状态识别方法,包括以下步骤:
步骤1:根据采集到的手腕端动作信号,对手腕端动作信号进行数据划分,得到癫痫发作片段和正常状态片段,基于数据均衡原则,保持癫痫发作片段和正常状态片段为1:1的比例;
步骤2:根据癫痫发作片段和正常状态片段,进行预处理,得到预处理后的数据;
步骤3:根据预处理后的数据,划分训练集、测试集和验证集,得到统一格式的训练学习数据;
步骤4:基于训练学习数据,采用二维卷积神经网络算法进行深度学习,通过网格搜寻法进行超参数调节,确定优化后的超参数组合;
步骤5:采用L2正则优化、Dropout正则优化方法和学习率衰减方法,对二维卷积神经网络模型进行优化;
步骤6:确定L2正则优化的损失值是否满足要求,当满足要求时,则停止优化,反之则返回步骤3重新划分数据集进行模型训练与评估;
步骤7:当满足要求时,保存优化后的二维卷积神经网络模型,并根据优化后的二维卷积神经网络模型快速识别癫痫发作状态。
优选地,步骤2中对癫痫发作片段和正常状态片段进行预处理具体为:
步骤2.1:对癫痫发作片段和正常状态片段进行巴特沃斯低通滤波器滤波,去除高频噪声的干扰;
步骤2.2:对癫痫发作片段和正常状态片段进行三轴加速度数据合成,通过下式表示加速度合成后的数据:
其中,a*为加速度合成后的数据,ax,ay,az分别为x、y、z轴加速度信号;
步骤2.3:对加速度合成后的数据进行时频域联合分析处理,采用短时傅里叶变换对数据进行分析,通过下式表示分析后得到的预处理后的数据:
其中,STFTx(t,ω),x(τ),g*(τ),ω分别为原始信号的傅里叶变换,原始信号,时间窗函数,傅里叶频率。
优选地,所述步骤3具体为:深度学习中监督学习模式的相关数据划分原则,对预处理后的数据添加标签后,划分为训练集占70%、测试集占20%和验证集占10%,得到统一格式的训练学习数据。
优选地,所述步骤4中采用二维卷积神经网络算法进行深度学习,二维神经网络模型通过其卷积层和池化层对样本数据提取更多更深层次的特征,通过下式表示使用的卷积核的卷积公式:
g(i)=f(∑xi×ωi+bi)
其中,g(i)为卷积核的输出数据,f为采用的激活函数,xi为当前卷积核的输入数据,ωi为卷积核的权重参数,bi为卷积核的偏置参数。
优选地,所述步骤5中L2正则优化具体为:
L2正则优化通过在模型损失函数中添加一个刻画模型复杂程度的指标,使得模型在降低损失函数时也能将模型的复杂度减弱,从而解决模型过拟合的问题,通过下式表示L2正则优化的公式:
其中,J(ω,b)为新的损失函数,J0(ω,b)为原始的损失函数,λ为正则项系数,ω,b为神经网络的权重和偏置项参数。
优选地,L2正则优化公式中的损失函数刻画的是神经网络模型输出的判定数据与实际数据之间的差距程度,以损失函数的值为参考变量对神经网络模型进行参数的调整和迭代,直到损失值降低到一定的阈值为止,通过下式表示损失函数L:
其中,yi为第i个样本的属性,正样本为1,负样本为0;pi为第i个样本属于正样本的概率;N为样本的个数。
优选地,确定L2正则优化中损失函数的输出值是否满足要求,当优化的损失值最低时,则满足要求,停止优化,反之则返回步骤3重新划分数据集进行模型训练与评估。
优选地,所述步骤6中对二维卷积神经网络模型的输出数据进行评估,在评估之前,需要将模型输出的结果转化为概率分布,使用softmax回归的方式进行处理,通过下式表示回归的公式:
其中,y1和y2为二维卷积神经网络的原始输出。
本发明具有以下有益效果:
本发明一种基于二维卷积神经网络的癫痫发作状态识别方法,得到了相关快速有效的识别网络模型,可应用于手机APP端以及服务器端中,对手腕振动数据状态进行快速判别并保证一定的准确率。
附图说明
图1为基于二维卷积神经网络的癫痫发作状态识别方法流程图。
具体实施方式
以下结合具体实施例,对本发明进行了详细说明。
具体实施例一:
根据图1所示,本发明提供一种基于二维卷积神经网络的癫痫发作状态识别方法,具体为:
一种基于二维卷积神经网络的癫痫发作状态识别方法,包括以下步骤:
步骤1:根据采集到的手腕端动作信号,对手腕端动作信号进行数据划分,得到癫痫发作片段和正常状态片段,基于数据均衡原则,保持癫痫发作片段和正常状态片段为1∶1的比例;
步骤2:根据癫痫发作片段和正常状态片段,进行预处理,得到预处理后的数据;
步骤2中对癫痫发作片段和正常状态片段进行预处理具体为:
步骤2.1:对癫痫发作片段和正常状态片段进行巴特沃斯低通滤波器滤波,去除高频噪声的干扰;
步骤2.2:对癫痫发作片段和正常状态片段进行三轴加速度数据合成,通过下式表示加速度合成后的数据:
其中,a*为加速度合成后的数据,ax,ay,az分别为x、y、z轴加速度信号;
步骤2.3:对加速度合成后的数据进行时频域联合分析处理,采用短时傅里叶变换对数据进行分析,通过下式表示分析后得到的预处理后的数据:
其中,STFTx(t,ω),x(τ),g*(τ),ω分别为原始信号的傅里叶变换,原始信号,时间窗函数,傅里叶频率。
步骤3:根据预处理后的数据,划分训练集、测试集和验证集,得到统一格式的训练学习数据;
所述步骤3具体为:深度学习中监督学习模式的相关数据划分原则,对预处理后的数据添加标签后,划分为训练集占70%、测试集占20%和验证集占10%,得到统一格式的训练学习数据。
步骤4:基于训练学习数据,采用二维卷积神经网络算法进行深度学习,通过网格搜寻法进行超参数调节,确定优化后的超参数组合;
所述步骤4中采用二维卷积神经网络算法进行深度学习,二维神经网络模型通过其卷积层和池化层对样本数据提取更多更深层次的特征,通过下式表示使用的卷积核的卷积公式:g(i)=f(∑xi×ωi+bi)
其中,g(i)为卷积核的输出数据,f为采用的激活函数,xi为当前卷积核的输入数据,ωi为卷积核的权重参数,bi为卷积核的偏置参数。
步骤5:采用L2正则优化、Dropout正则优化方法和学习率衰减方法,对二维卷积神经网络模型进行优化;
所述步骤5中L2正则优化具体为:
L2正则优化通过在模型损失函数中添加一个刻画模型复杂程度的指标,使得模型在降低损失函数时也能将模型的复杂度减弱,从而解决模型过拟合的问题,通过下式表示L2正则优化的公式:
其中,J(ω,b)为新的损失函数,J0(ω,b)为原始的损失函数,λ为正则项系数,ω,b为神经网络的权重和偏置项参数。
L2正则优化公式中的损失函数刻画的是神经网络模型输出的判定数据与实际数据之间的差距程度,以损失函数的值为参考变量对神经网络模型进行参数的调整和迭代,直到损失值降低到一定的阈值为止,通过下式表示损失函数L:
其中,yi为第i个样本的属性,正样本为1,负样本为0;pi为第i个样本属于正样本的概率;N为样本的个数。
步骤4和5中卷积神经网络模型各项参数如下表1所示。
表1卷积神经网络模型各项参数表
步骤6:确定L2正则优化中损失函数的输出值是否满足要求,当优化的损失值最低时,则满足要求,停止优化,反之则返回步骤3重新划分数据集进行模型训练与评估。
所述步骤6中对二维卷积神经网络模型的输出数据进行评估,在评估之前,需要将模型输出的结果转化为概率分布,使用softmax回归的方式进行处理,通过下式表示回归的公式:
其中,y1和y2为二维卷积神经网络的原始输出。
步骤7:当满足要求时,保存优化后的二维卷积神经网络模型,并根据优化后的二维卷积神经网络模型快速识别癫痫发作状态。
本发明由采集的手腕端加速度动作信号,进行划分;将得到的数据进行滤波降噪、合成加速度、标准化、划窗分割以及时频域联合分析等数据预处理;依据相关原则,划分训练集、验证集和测试集,得到统一格式的样本数据集;运用二维卷积神经网络算法进行深度学习,通过网格搜寻法进行超参数调试,确定优化后的超参数组合;使用L2正则优化、Dropout正则优化算法和学习率衰减算法等优化方案对卷积神经网络模型进行优化;如果优化方案满足要求,则停止优化;否则调整网络模型的相关参数,重新对模型进行训练和评估;保存训练得到的最优模型,以便快速地识别癫痫发作状态。本发明使用二维卷积神经网络对样本数据进行分类,可以快速有效地识别出样本中处于癫痫发作状态的数据,提高癫痫识别的准确度。
以上所述仅是一种基于二维卷积神经网络的癫痫发作状态识别方法的优选实施方式,一种基于二维卷积神经网络的癫痫发作状态识别方法的保护范围并不仅局限于上述实施例,凡属于该思路下的技术方案均属于本发明的保护范围。应当指出,对于本领域的技术人员来说,在不脱离本发明原理前提下的若干改进和变化,这些改进和变化也应视为本发明的保护范围。
Claims (8)
1.一种基于二维卷积神经网络的癫痫发作状态识别方法,其特征是:包括以下步骤:
步骤1:根据采集到的手腕端动作信号,对手腕端动作信号进行数据划分,得到癫痫发作片段和正常状态片段,基于数据均衡原则,保持癫痫发作片段和正常状态片段为1:1的比例;
步骤2:根据癫痫发作片段和正常状态片段,进行预处理,得到预处理后的数据;
步骤3:根据预处理后的数据,划分训练集、测试集和验证集,得到统一格式的训练学习数据;
步骤4:基于训练学习数据,采用二维卷积神经网络算法进行深度学习,通过网格搜寻法进行超参数调节,确定优化后的超参数组合;
步骤5:采用L2正则优化、Dropout正则优化方法和学习率衰减方法,对二维卷积神经网络模型进行优化;
步骤6:确定L2正则优化的损失值是否满足要求,当满足要求时,则停止优化,反之则返回步骤3重新划分数据集进行模型训练与评估;
步骤7:当满足要求时,保存优化后的二维卷积神经网络模型,并根据优化后的二维卷积神经网络模型快速识别癫痫发作状态。
2.根据权利要求1所述的一种基于二维卷积神经网络的癫痫发作状态识别方法,其特征是:步骤2中对癫痫发作片段和正常状态片段进行预处理具体为:
步骤2.1:对癫痫发作片段和正常状态片段进行巴特沃斯低通滤波器滤波,去除高频噪声的干扰;
步骤2.2:对癫痫发作片段和正常状态片段进行三轴加速度数据合成,通过下式表示加速度合成后的数据:
其中,a*为加速度合成后的数据,ax,ay,az分别为x、y、z轴加速度信号;
步骤2.3:对加速度合成后的数据进行时频域联合分析处理,采用短时傅里叶变换对数据进行分析,通过下式表示分析后得到的预处理后的数据:
其中,STFTx(t,ω),x(τ),g*(τ),ω分别为原始信号的傅里叶变换,原始信号,时间窗函数,傅里叶频率。
3.根据权利要求1所述的一种基于二维卷积神经网络的癫痫发作状态识别方法,其特征是:所述步骤3具体为:深度学习中监督学习模式的相关数据划分原则,对预处理后的数据添加标签后,划分为训练集占70%、测试集占20%和验证集占10%,得到统一格式的训练学习数据。
4.根据权利要求1所述的一种基于二维卷积神经网络的癫痫发作状态识别方法,其特征是:所述步骤4中采用二维卷积神经网络算法进行深度学习,二维神经网络模型通过其卷积层和池化层对样本数据提取更多更深层次的特征,通过下式表示使用的卷积核的卷积公式:
g(i)=f(∑xi×ωi+bi)
其中,g(i)为卷积核的输出数据,f为采用的激活函数,xi为当前卷积核的输入数据,ωi为卷积核的权重参数,bi为卷积核的偏置参数。
7.根据权利要求1所述的一种基于二维卷积神经网络的癫痫发作状态识别方法,其特征是:确定L2正则优化中损失函数的输出值是否满足要求,当优化的损失值最低时,则满足要求,停止优化,反之则返回步骤3重新划分数据集进行模型训练与评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011046788.1A CN112200228A (zh) | 2020-09-29 | 2020-09-29 | 一种基于二维卷积神经网络的癫痫发作状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011046788.1A CN112200228A (zh) | 2020-09-29 | 2020-09-29 | 一种基于二维卷积神经网络的癫痫发作状态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112200228A true CN112200228A (zh) | 2021-01-08 |
Family
ID=74008494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011046788.1A Pending CN112200228A (zh) | 2020-09-29 | 2020-09-29 | 一种基于二维卷积神经网络的癫痫发作状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200228A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359909A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 一种基于注意力机制的癫痫发作检测*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090062696A1 (en) * | 2007-05-18 | 2009-03-05 | Vaidhi Nathan | Abnormal motion detector and monitor |
US20180289310A1 (en) * | 2015-10-08 | 2018-10-11 | Brain Sentinel, Inc. | Method and apparatus for detecting and classifying seizure activity |
CN110477865A (zh) * | 2019-08-14 | 2019-11-22 | 深圳先进技术研究院 | 一种癫痫发作检测装置、终端设备及存储介质 |
CN111166327A (zh) * | 2020-01-06 | 2020-05-19 | 天津大学 | 基于单通道脑电信号和卷积神经网络的癫痫诊断装置 |
CN111643092A (zh) * | 2020-06-02 | 2020-09-11 | 四川大学华西医院 | 一种癫痫报警装置及癫痫检测方法 |
-
2020
- 2020-09-29 CN CN202011046788.1A patent/CN112200228A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090062696A1 (en) * | 2007-05-18 | 2009-03-05 | Vaidhi Nathan | Abnormal motion detector and monitor |
US20180289310A1 (en) * | 2015-10-08 | 2018-10-11 | Brain Sentinel, Inc. | Method and apparatus for detecting and classifying seizure activity |
CN110477865A (zh) * | 2019-08-14 | 2019-11-22 | 深圳先进技术研究院 | 一种癫痫发作检测装置、终端设备及存储介质 |
CN111166327A (zh) * | 2020-01-06 | 2020-05-19 | 天津大学 | 基于单通道脑电信号和卷积神经网络的癫痫诊断装置 |
CN111643092A (zh) * | 2020-06-02 | 2020-09-11 | 四川大学华西医院 | 一种癫痫报警装置及癫痫检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359909A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 一种基于注意力机制的癫痫发作检测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Detection analysis of epileptic EEG using a novel random forest model combined with grid search optimization | |
CN109124625B (zh) | 一种驾驶员疲劳状态水平分级方法 | |
CN110897639A (zh) | 一种基于深度卷积神经网络的脑电睡眠分期方法 | |
CN109512390B (zh) | 基于eeg时域多维度特征及m-wsvm的睡眠分期方法及可穿戴装置 | |
Khan et al. | Automated classification of lung sound signals based on empirical mode decomposition | |
CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测*** | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
CN107045624B (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
CN111387975A (zh) | 基于机器学习的脑电信号识别方法 | |
Liu et al. | Automatic sleep arousals detection from polysomnography using multi-convolution neural network and random forest | |
CN106923825B (zh) | 基于频域及相空间的脑电放松度识别方法及装置 | |
CN114595725A (zh) | 一种基于加法网络和监督对比学习的脑电信号分类方法 | |
Tigga et al. | Efficacy of novel attention-based gated recurrent units transformer for depression detection using electroencephalogram signals | |
CN112438741B (zh) | 一种基于脑电特征迁移学习的驾驶状态检测方法及*** | |
CN112200228A (zh) | 一种基于二维卷积神经网络的癫痫发作状态识别方法 | |
Ibrahim et al. | An adaptive learning approach for EEG-based computer aided diagnosis of epilepsy | |
CN112205990A (zh) | 一种基于sEMG的不同负载下手腕角度预测方法及装置 | |
CN112378942B (zh) | 一种基于核磁共振指纹图谱的白酒等级分类识别方法 | |
Neili et al. | Gammatonegram based pulmonary pathologies classification using convolutional neural networks | |
CN115017960A (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
CN114947850A (zh) | 基于脉搏波高斯模型特征的脑力负荷等级客观检测方法 | |
Ouelli et al. | Epilepsy seizure detection using autoregressive modelling and multiple layer perceptron neural network | |
CN114626408A (zh) | 脑电信号分类方法、装置、电子设备、介质及产品 | |
CN114705431A (zh) | 基于多参数筛选准则与gwo-pnn的滚动轴承故障诊断方法 | |
Wang et al. | A novel approach for the pattern recognition of hand movements based on EMG and VPMCD |
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 |