CN112633365B - 一种镜卷积神经网络模型及运动想象脑电识别算法 - Google Patents
一种镜卷积神经网络模型及运动想象脑电识别算法 Download PDFInfo
- Publication number
- CN112633365B CN112633365B CN202011519735.7A CN202011519735A CN112633365B CN 112633365 B CN112633365 B CN 112633365B CN 202011519735 A CN202011519735 A CN 202011519735A CN 112633365 B CN112633365 B CN 112633365B
- Authority
- CN
- China
- Prior art keywords
- model
- motor imagery
- source
- mirror
- electroencephalogram
- 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
- 238000003062 neural network model Methods 0.000 title claims abstract description 16
- 210000004556 brain Anatomy 0.000 claims abstract description 63
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013145 classification model Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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]
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开的一种镜卷积神经网络模型，由源模型与镜像模型共同构成了镜卷积神经网络模型；通过源脑电信号左右脑半球的脑电通道互换构造镜像脑电信号并用于运动想象识别CNN模型训练，训练好的运动想象分类CNN模型被称为源模型；镜像模型为复制所述已训练源模型形成的镜像运动想象分类模型。本发明还公开了一种基于镜卷积神经网络模型的运动想象脑电识别算法。该算法解决了现有技术中因训练数据有限、受试者间差异显著而导致分类性能过低的问题。
Description
技术领域
本发明属于脑机接口技术领域，具体涉及一种镜卷积神经网络模型，还涉及基于该镜卷积神经网络模型的运动想象脑电识别算法。
背景技术
脑电信号(Electroencephalogram,EEG)是一种简单、灵活、无创的大脑监测方法，基于脑电信号的运动想象(Motor Imagery)识别是决定运动想象脑机接口(BrainComputer Interface,BCI)***性能的关键技术。运动想象脑机接口需要在受试者执行特定的运动想象任务时收集其脑电信号，根据脑电信号识别运动想象内容，然后将识别结果转换为命令以控制***设备。脑电信号具有低信噪比和低空间分辨率的特点，因此，从脑电图中提取有效判别特征是运动想象识别***成功的关键。基于在运动想象识别中应用的特征，现有方法主要分为三类：基于频谱特征的方法，基于共空间模式(Common SpatialPattern,CSP)的方法和基于神经网络的方法。
随着深度学习的飞速发展，许多基于卷积神经网络(Convolution NeuralNetwork,CNN)的运动想象识别方法已经出现并展现出良好的实验效果。Schirrmeister研究了具有不同结构和设计选择的CNN模型EEGDecoding，实现脑电信号解码用于运动想象或运动执行的识别。实验结果表明，提出的“Shallow ConvNet”和“Deep ConvNet”网络结构的性能优于其他结构，且最新深度学习技术，包括批标准化，Drop out和ELU，可以大幅改善模型性能。EEGNet是一个紧凑的卷积网络，在四种BCI范式上均表现出出色的性能，包括P300视觉诱发电位，错误相关负反馈，运动相关皮质电位和感觉运动节律。
虽然近期基于CNN的运动想象识别模型与传统方法相比已经取得一定突破，但由于运动想象脑电信号采集难度大，且受试者间差异显著，导致对特定受试者可用训练数据有限，极大地影响了模型分类性能。
发明内容
本发明的目的是提供一种基于镜卷积神经网络模型的运动想象脑电识别算法，解决了现有技术中因训练数据有限、受试者间差异显著而导致分类性能过低的问题。
本发明的第二个目的是提供一种镜卷积神经网络模型。
本发明所采用的技术方案是，一种镜卷积神经网络模型，由源模型与镜像模型共同构成了镜卷积神经网络模型；
通过源脑电信号左右脑半球的脑电通道互换构造镜像脑电信号并用于运动想象识别CNN模型训练，训练好的运动想象分类CNN模型被称为源模型；镜像模型为复制所述已训练源模型形成的镜像运动想象分类模型。
本发明的特征还在于，
源脑电信号为：采集自出现运动想象提示之前的0.5秒到之后的4秒的4.5秒的脑电信号段，分别用4-38Hz或0-38Hz两种带通滤波器对脑电信号进行滤波，再使用移动指数平均方法去除信号噪点而获得。
镜像脑电信号是通过源脑电信号左右脑半球的脑电通道互换得到的。
本发明所采用的第二种技术方案是，一种基于镜卷积神经网络模型的运动想象脑电识别算法，具体包括以下步骤：
步骤1、训练阶段
通过源脑电信号左右脑半球的脑电通道互换构造镜像脑电信号并用于运动想象识别CNN模型训练，训练好的运动想象分类CNN模型被称为源模型；
步骤2、测试阶段
复制已训练源模型形成镜像运动想象分类模型即镜像模型，镜像模型与源模型组成镜卷积神经网络模型；源脑电信号输入源模型，镜像脑电信号输入镜像模型，结合源模型与镜像模型的输出类别概率形成最终类别概率输出，具有最大集成概率的类别将成为最终的预测标签。
本发明的特征还在于，
步骤1中，源脑电信号为：采集自出现运动想象提示之前的0.5秒到之后的4秒的4.5秒的脑电信号段，用4-38Hz或0-38Hz两种带通滤波器对脑电信号进行滤波，再使用移动指数平均方法去除信号噪点而获得。
步骤1中，镜像脑电信号是通过源脑电信号左右脑半球的脑电通道互换得到的。
本发明的有益效果是：本发明算法在不增加模型参数个数的前提下，通过集成学习和数据增强的思想解决样本数量少对模型的制约，以提高运动想象分类的性能。
附图说明
图1是本发明算法中通过左右脑半球的脑电通道互换构造镜像脑电信号的示意图；
图2是本发明算法中镜卷积神经网络模型示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提出一种镜卷积神经网络模型，由源模型与镜像模型共同构成了镜卷积神经网络模型；
通过源脑电信号左右脑半球的脑电通道互换构造镜像脑电信号并用于运动想象识别CNN模型训练，训练好的运动想象分类CNN模型被称为源模型；镜像模型为复制已训练源模型形成的镜像运动想象分类模型。
源脑电信号为：采集自出现运动想象提示之前的0.5秒到之后的4秒的4.5秒的脑电信号段，分别用4-38Hz或0-38Hz两种带通滤波器对脑电信号进行滤波，再使用移动指数平均方法去除信号噪点而获得。
镜像脑电信号是通过源脑电信号左右脑半球的脑电通道互换得到的。
本发明还提供一种基于镜卷积神经网络模型的运动想象脑电识别算法，其特征在于，具体包括以下步骤：
步骤1、训练阶段
通过源脑电信号左右脑半球的脑电通道互换构造镜像脑电信号并用于运动想象识别CNN模型训练，训练好的运动想象分类CNN模型被称为源模型；
步骤1中，源脑电信号为：采集自出现运动想象提示之前的0.5秒到之后的4秒的4.5秒的脑电信号段，分别用4-38Hz或0-38Hz两种带通滤波器对脑电信号进行滤波，再使用移动指数平均方法去除信号噪点而获得。
步骤1中，镜像脑电信号是通过源脑电信号左右脑半球的脑电通道互换得到的。
如图1中所示，例如C3和C4通道分别是源脑电信号的第8和第12通道，而在镜像脑电信号中分别是第12和第8通道。这样，在左右手运动想象脑电信号中，与源脑电信号相比，事件相关去同步化与事件相关同步化现象出现在镜像脑电信号的对侧，因此，镜像脑电信号的运动想象标签被设置为与源脑电信号的运动想象标签相反。例如源脑电标签为右手运动想象，对应镜像脑电标签则被设置为左手运动想象，反之亦然。而在其他运动想象脑电信号中(比如舌头运动想象与双脚运动想象)，镜像脑电信号的左右通道互换并不会改变运动想象标签。包含源脑电信号样本与镜像脑电信号样本的训练集被用于运动想象分类CNN模型的训练，训练好的运动想象分类CNN模型被称为源模型。在模型训练阶段，这也可以被认为是一种数据增强方法。
步骤2、测试阶段
复制已训练源模型形成镜像运动想象分类模型即镜像模型，镜像模型与源模型组成镜卷积神经网络模型(镜卷积神经网络模型的源模型与镜像模型的结构和参数相同)；构造镜像脑电信号用于辅助源脑电信号的识别，将测试集中的源脑电信号输入源模型，镜像脑电信号输入镜像模型，结合源模型与镜像模型的输出类别概率形成最终类别概率输出，具有最大集成概率的类别将成为最终的预测标签。
如图2所示，在左右手运动想象脑电信号中，镜像脑电信号与源脑电信号相比，事件相关去同步化与事件相关同步化现象出现在对侧半球，所以镜像脑电信号左手运动想象的预测概率相当于源脑电信号右手运动想象的预测概率，反之亦然。因此，源模型和镜像模型的左右手运动想象输出预测概率被交换并求平均，其他运动想象输出预测概率只需求平均，形成最终预测概率。如在左手、右手、双脚和舌头四分类运动想象问题中，最终预测概率计算公式如下：
其中Pl,Pr,Pf,Pt分别是左手、右手、双脚与舌头运动想象的最终预测概率，Pl o,Pr o,Pf o,Pt o分别代表左手、右手、双脚与舌头运动想象的源模型输出概率，Pl m,Pr m,Pf m,Pt m分别代表左手、右手、双脚与舌头运动想象的镜像模型输出概率。最后，源脑电信号的预测标签是最终预测概率最大的类别，其计算公式如下，其中I是预测标签，下标i为类别标签，arg max可以返回最大概率对应的类别标签。
I＝arg max Pii∈{l，r，f，t} (2)
由于CNN模型输出被视为样本属于每个类别的概率，因此此操作是一种概率集成过程，而具有较大集成概率的类别将成为最终的预测标签。通过镜卷积网络结构，在不增加模型参数个数的前提下，利用了集成学习方法来提高模型性能。
本发明算法提出的镜卷积神经网络模型可以应用于任何运动想象识别CNN模型。为了验证镜卷积神经网络模型的有效性和通用性，我们在实验中使用了三种流行的运动想象识别CNN模型：EEGNet[1]和EEGDecoding的Shallow ConvNet和Deep ConvNet[2]。依据EEGNet论文中报道的感觉运动节律数据集实验结果，本文选用卷积核大小为(2，32)和(8，4)的模型。EEGNet具有3个卷积层和1个全连接层。批标准化，Drop out，最大池化和ELU激活函数在EEGNet中应用。EEGDecoding论文中测试了四种运动想象CNN模型结构，本文仅选用其中分类效果更好的Shallow ConvNet和Deep ConvNet。受FBCSP算法流程启发的ShallowConvNet具有2个卷积层和1个完全连接的层。在Shallow ConvNet中，平方函数被设置为激活函数。Deep ConvNet是具有5个卷积层和1个全连接层的更深的CNN，并且使用了ELU激活功能。在EEGDecoding模型中，应用了最大池化，Drop out和批标准化。
参考文献：
[1]R.T.Schirrmeister,J.T.Springenberg,L.D.J.Fiederer,M.Glasstetter,K.Eggensperger,M.Tangermann,F.Hutter,W.Burgard,and T.Ball,“Deep learning withconvolutional neural networks for eeg decoding and visualization,”Human BrainMapping,vol.38,no.11,pp.5391–5420,2017.
[2]V.J.Lawhern,A.J.Solon,N.R.Waytowich,S.M.Gordon,C.P.Hung,andB.J.Lance,“Eegnet:a compact convolutional neural network for eeg-based brain–computer interfaces,”Journal of Neural Engineering,vol.15,no.5,p.056013,2018.
实验验证：
为了验证所提出的镜卷积神经网络模型在四分类运动想象任务上的表现，在第四届国际脑机接口大赛2a数据集上进行实验验证。将镜卷积网络的性能与原始卷积网络进行了比较，结果在表1中给出。因为EEGNet和Braindecoding即是领域最新研究成果，此结果比较也是与最新研究成果的比较。由于我们发现训练通常收敛于500次迭代内，因此将训练的最大迭代次数设置为700。700次迭代内的最大测试准确率，501至600次迭代之间的平均测试准确率(100次迭代平均准确率)以及501至700次迭代之间的平均测试准确率(200次迭代平均准确率)在实验结果中用于度量模型性能，以减少随机性和批次数量设置的影响。镜卷积网络对原网络的改进是利用准确率提高来衡量的。表中第一列表示原始模型名称和带通滤波器，格式为“模型-滤波器”。例如，“EEGNet-0Hz”表示镜卷积模型是基于EEGNet模型构建的，并使用0-38Hz带通滤波器预处理脑电信号。实验结果为5次实验的平均值，最优分类准确率和准确率提高最大出以粗体标出。
表1镜卷积神经网络模型(MCNN)与原始模型运动想象四分类精度比较。
表1中的比较表明：(1)镜卷积神经网络模型在2a数据集四分类任务中表现优秀，与原始模型相比在最大准确率、100次迭代平均准确率与200次迭代平均准确率分别平均提高了4.55％、4.83％和4.79％；(2)镜卷积神经网络对EEGNet模型的分类性能提高最大；(3)镜卷积神经网络具有通用性，对于运动想象识别性能的提高是独立于原始CNN模型与预处理带通滤波器的。
另外，本算法还在二分类运动想象任务中比较了原始CNN与镜卷积神经网络的表现，结果在表2中给出。对于四分类运动想象数据集2a，我们仅使用左右手运动想象样本参与实验完成二分类任务。另外，实验比较中也使用了运动想象二分类数据集2b。同样地，最大测试准确率，100次迭代平均准确率和200次迭代平均准确率被用于评价模型分类效果。第一列表示原始模型名称，数据集和带通滤波器，格式为“模型-数据集-滤波器”。例如，“EEGNet-2a-0Hz”表示镜卷积模型是基于EEGNet模型构建的，在2a数据集上进行了评估，并使用0-38Hz带通滤波器预处理脑电信号。实验结果为5次实验的平均值，最优分类精度和精度提高最大处以粗体标出。
表2镜卷积神经网络模型(MCNN)与原始模型运动想象二分类精度比较.
Claims (1)
1.一种基于镜卷积神经网络模型的运动想象脑电识别算法，其特征在于，具体包括以下步骤：
步骤1、训练阶段
通过源脑电信号左右脑半球的脑电通道互换构造镜像脑电信号并用于运动想象识别CNN模型训练，训练好的运动想象分类CNN模型被称为源模型；
步骤1中，源脑电信号为：采集自出现运动想象提示之前的0.5秒到之后的4秒的4.5秒的脑电信号段，用4-38Hz或0-38Hz两种带通滤波器对脑电信号进行滤波，再使用移动指数平均方法去除信号噪点而获得；
步骤1中，镜像脑电信号是通过源脑电信号左右脑半球的脑电通道互换得到的；
步骤2、测试阶段
复制已训练源模型形成镜像运动想象分类模型即镜像模型，镜像模型与源模型组成镜卷积神经网络模型；源脑电信号输入源模型，镜像脑电信号输入镜像模型，结合源模型与镜像模型的输出类别概率形成最终类别概率输出，具有最大集成概率的类别将成为最终的预测标签；
在左右手运动想象脑电信号中，镜像脑电信号与源脑电信号相比，事件相关去同步化与事件相关同步化现象出现在对侧半球，所以镜像脑电信号左手运动想象的预测概率相当于源脑电信号右手运动想象的预测概率，反之亦然；因此，源模型和镜像模型的左右手运动想象输出预测概率被交换并求平均，其他运动想象输出预测概率只需求平均，形成最终预测概率；在左手、右手、双脚和舌头四分类运动想象问题中，最终预测概率计算公式如下：
其中，Pl,Pr,Pf,Pt分别是左手、右手、双脚与舌头运动想象的最终预测概率，Pl o,Pr o,Pf o,Pt o分别代表左手、右手、双脚与舌头运动想象的源模型输出概率，Pl m,Pr m,Pf m,Pt m分别代表左手、右手、双脚与舌头运动想象的镜像模型输出概率；最后，源脑电信号的预测标签是最终预测概率最大的类别，其计算公式如下，其中I是预测标签，下标i为类别标签，arg max返回最大概率对应的类别标签；
I＝argmaxPi i∈{l,r,f,t} (2)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011519735.7A CN112633365B (zh) | 2020-12-21 | 2020-12-21 | 一种镜卷积神经网络模型及运动想象脑电识别算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011519735.7A CN112633365B (zh) | 2020-12-21 | 2020-12-21 | 一种镜卷积神经网络模型及运动想象脑电识别算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112633365A CN112633365A (zh) | 2021-04-09 |
| CN112633365B true CN112633365B (zh) | 2024-03-19 |
Family
ID=75320509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011519735.7A Active CN112633365B (zh) | 2020-12-21 | 2020-12-21 | 一种镜卷积神经网络模型及运动想象脑电识别算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112633365B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017084416A1 (zh) * | 2015-11-17 | 2017-05-26 | 天津大学 | 一种基于运动想象脑-机接口的反馈*** |
| CN109598222A (zh) * | 2018-11-26 | 2019-04-09 | 南开大学 | 基于eemd数据增强的小波神经网络运动想象脑电分类方法 |
| CN109784211A (zh) * | 2018-12-26 | 2019-05-21 | 西安交通大学 | 一种基于深度学习的运动想象脑电信号分类方法 |
| CN110069958A (zh) * | 2018-01-22 | 2019-07-30 | 北京航空航天大学 | 一种密集深度卷积神经网络的脑电信号快速识别方法 |
| 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 |
| CN110916652A (zh) * | 2019-10-21 | 2020-03-27 | 昆明理工大学 | 用于基于运动想象的脑电控制机器人移动的数据采集装置、方法及其应用 |
| KR102096565B1 (ko) * | 2018-11-08 | 2020-04-02 | 광운대학교 산학협력단 | 움직임 상상 뇌신호 인식을 위한 웨이블릿 변환 기반의 컨볼루션 신경망 분석 방법 |
| CN111062250A (zh) * | 2019-11-12 | 2020-04-24 | 西安理工大学 | 基于深度特征学习的多受试者运动想象脑电信号识别方法 |
| CN111265212A (zh) * | 2019-12-23 | 2020-06-12 | 北京无线电测量研究所 | 一种运动想象脑电信号分类方法及闭环训练测试交互*** |
| CN111832431A (zh) * | 2020-06-23 | 2020-10-27 | 杭州电子科技大学 | 一种基于cnn的情绪脑电分类方法 |
| CN111832416A (zh) * | 2020-06-16 | 2020-10-27 | 杭州电子科技大学 | 一种基于增强卷积神经网络的运动想象脑电信号识别方法 |
-
2020
- 2020-12-21 CN CN202011519735.7A patent/CN112633365B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017084416A1 (zh) * | 2015-11-17 | 2017-05-26 | 天津大学 | 一种基于运动想象脑-机接口的反馈*** |
| CN110069958A (zh) * | 2018-01-22 | 2019-07-30 | 北京航空航天大学 | 一种密集深度卷积神经网络的脑电信号快速识别方法 |
| KR102096565B1 (ko) * | 2018-11-08 | 2020-04-02 | 광운대학교 산학협력단 | 움직임 상상 뇌신호 인식을 위한 웨이블릿 변환 기반의 컨볼루션 신경망 분석 방법 |
| CN109598222A (zh) * | 2018-11-26 | 2019-04-09 | 南开大学 | 基于eemd数据增强的小波神经网络运动想象脑电分类方法 |
| CN109784211A (zh) * | 2018-12-26 | 2019-05-21 | 西安交通大学 | 一种基于深度学习的运动想象脑电信号分类方法 |
| 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 |
| CN110916652A (zh) * | 2019-10-21 | 2020-03-27 | 昆明理工大学 | 用于基于运动想象的脑电控制机器人移动的数据采集装置、方法及其应用 |
| CN111062250A (zh) * | 2019-11-12 | 2020-04-24 | 西安理工大学 | 基于深度特征学习的多受试者运动想象脑电信号识别方法 |
| CN111265212A (zh) * | 2019-12-23 | 2020-06-12 | 北京无线电测量研究所 | 一种运动想象脑电信号分类方法及闭环训练测试交互*** |
| CN111832416A (zh) * | 2020-06-16 | 2020-10-27 | 杭州电子科技大学 | 一种基于增强卷积神经网络的运动想象脑电信号识别方法 |
| CN111832431A (zh) * | 2020-06-23 | 2020-10-27 | 杭州电子科技大学 | 一种基于cnn的情绪脑电分类方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于CSP与卷积神经网络算法的多类运动想象脑电信号分类;曾庆山;范明莉;宋庆祥;;科学技术与工程;20170928(第27期);全文 * |
| 基于卷积神经网络的自适应样本加权脑机接口建模;邹宜君;赵新刚;徐卫良;韩建达;;信息与控制;20191215(第06期);全文 * |
| 基于神经网络集成技术的运动想像脑电识别方法;李明爱;王蕊;郝冬梅;;北京工业大学学报(第03期);全文 * |
| 基于集成卷积神经网络的脑电情感识别;魏琛等;《华东理工大学学报（自然科学版）》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112633365A (zh) | 2021-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021237918A1 (zh) | 基于gpdc图卷积神经网络的疲劳检测方法、装置及存储介质 | |
| Huang et al. | S-EEGNet: Electroencephalogram signal classification based on a separable convolution neural network with bilinear interpolation | |
| CN113128552B (zh) | 一种基于深度可分离因果图卷积网络的脑电情绪识别方法 | |
| CN114266276B (zh) | 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法 | |
| WO2022052328A1 (zh) | 一种基于黎曼几何的自然动作脑电识别方法 | |
| CN111265212A (zh) | 一种运动想象脑电信号分类方法及闭环训练测试交互*** | |
| CN113158793A (zh) | 一种基于多特征融合的多类运动想象脑电信号识别方法 | |
| Kumar et al. | OPTICAL+: a frequency-based deep learning scheme for recognizing brain wave signals | |
| CN111273767A (zh) | 一种基于深度迁移学习的助听脑机接口*** | |
| CN114947883A (zh) | 一种时频域信息融合的深度学习脑电降噪方法 | |
| CN108470182B (zh) | 一种用于非对称脑电特征增强与识别的脑-机接口方法 | |
| Sartipi et al. | EEG emotion recognition via graph-based spatio-temporal attention neural networks | |
| CN112633365B (zh) | 一种镜卷积神经网络模型及运动想象脑电识别算法 | |
| Nagarajan et al. | Investigation on robustness of EEG-based brain-computer interfaces | |
| CN113974627A (zh) | 一种基于脑机生成对抗的情绪识别方法 | |
| CN115414050A (zh) | 一种实现情绪识别的eeg脑网络最大团检测方法及*** | |
| Mishra et al. | A novel classification for EEG based four class motor imagery using kullback-leibler regularized Riemannian manifold | |
| Wang et al. | A personalized feature extraction and classification method for motor imagery recognition | |
| CN113768474B (zh) | 一种基于图卷积神经网络的麻醉深度监测方法及*** | |
| Lu et al. | The design of simulation vehicle system controlled by multichannel EEG based on imaginary movements | |
| Sadatnejad et al. | Riemannian channel selection for BCI with between-session non-stationarity reduction capabilities | |
| Aristimunha et al. | Evaluating the structure of cognitive tasks with transfer learning | |
| Zhu et al. | Decoding Multi-Brain Motor Imagery From EEG Using Coupling Feature Extraction and Few-Shot Learning | |
| Zhao et al. | GTSception: a deep learning eeg emotion recognition model based on fusion of global, time domain and frequency domain feature extraction | |
| Ren et al. | Extracting and supplementing method for EEG signal in manufacturing workshop based on deep learning of time–frequency correlation |
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 |