CN113065526A - 一种基于改进深度残差分组卷积网络的脑电信号分类方法 - Google Patents
一种基于改进深度残差分组卷积网络的脑电信号分类方法 Download PDFInfo
- Publication number
- CN113065526A CN113065526A CN202110488070.6A CN202110488070A CN113065526A CN 113065526 A CN113065526 A CN 113065526A CN 202110488070 A CN202110488070 A CN 202110488070A CN 113065526 A CN113065526 A CN 113065526A
- Authority
- CN
- China
- Prior art keywords
- resnext
- electroencephalogram
- electroencephalogram signal
- network
- classification
- 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
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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (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)
Abstract
本发明属于模式识别及脑电信号处理领域,涉及一种基于改进ResNeXt网络的脑电信号分类方法;包括脑电信号采集、预处理、特征提取、训练ResNeXt分类网络四部分;训练ResNeXt分类网络是指:划分训练集和测试集;构建改进ResNeXt脑电信号分类网络;训练改进后的ResNeXt脑电信号分类网络;构建改进ResNeXt脑电信号分类网络是指:在ResNeXt基础上改进,对分组卷积的每个block模块的中间一层卷积层增加直连操作,加快模型收敛的速度,降低模型的测试误差,提升泛化能力;本发明加快了分类模型的收敛速度,相对卷积神经网络脑电分类模型,改进后的ResNeXt分类模型更容易优化,有效地改善了深层次训练模型存在的梯度***问题,在避免分类模型退化问题的同时能使网络的层数大大加深。
Description
技术领域
本发明属于模式识别领域,涉及脑-机接口中脑电信号模式分类,特别涉及一种基于改进深度残差分组卷积网络的脑电信号分类方法。
背景技术
近年来,随着神经科学、信息科学、计算机科学等领域的飞速发展,衍生出了一种新型的高科技技术——脑-机接口技术。脑-机接口(Brain-Computer Interface,BCI),有时也称作“大脑端口”或者“脑-机融合感知”,它是在人脑或动物脑与外部设备间使用脑电或者大脑活动的其他生理测量量建立的不依靠传统神经肌肉输出的通信管道。脑-机接口代表着潜在的下一件硬件接口,未来的控制设备将迎来重大变革,人脑控制设备将成为常态。
深度残差分组卷积网络(ResNeXt)作为残差网络(ResNet)的改进,继承采用了ResNet的重复层策略,但在ResNet的基础之上增加了路径数量,以简单、可拓展的方式利用拆分转换合并策略。每一个路径都有相同的拓扑结构,这种设计使ResNeXt无需特殊设计即可拓展到任何数量级的转换。这种分组的策略会使卷积核学习到的关系更加稀疏,同时在整体复杂度不变的前提下,大大降低每个子网络的复杂程度。因此,ResNeXt较现有脑电分类方法可以实现降低过拟合风险,增加模型的泛化能力,在增加模型复杂度的同时很大程度上降低了模型的退化(Degradation)现象。
为此,本发明提供了一种基于改进深度残差分组卷积网络的脑电信号分类方法。
发明内容
本发明解决的技术问题是克服了现有技术不能充分地对脑电信号提取出的特征进行利用以及优化计算量和特征传递的问题,在ResNeXt的基础之上,对一层卷积层进行直连,提供了一种基于改进ResNeXt的脑电信号分类方法。
为解决上述技术问题,本发明是采用如下技术方案实现的:
一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法,包括脑电信号采集、脑电信号预处理、特征提取、训练ResNeXt分类网络四部分;
所述训练ResNeXt分类网络是指:
1)划分训练集和测试集;
2)构建改进ResNeXt脑电信号分类网络;
3)训练改进后的ResNeXt脑电信号分类网络。
技术方案中所述脑电信号采集是指:
受试者佩戴脑电采集设备,在屏幕前根据实验范式进行相应的脑电想象活动,产生对应范式类型的脑电信号;
所述脑电信号预处理是指:
1)对采集到的脑电信号进行多级放大处理;
2)对一级放大后的信号使用共平均参考对原始信号进行空间滤波;
3)通过陷波电路消除50Hz工频干扰,通过高频滤波去除直流电位影响,通过低通滤波消除高频分量带来的干扰;
4)对滤波后的脑电信号进行二次放大;
5)对滤波后的脑电信号进行单次窗口数据提取。
技术方案中所述特征提取是指:
使用小波变换提取0.5Hz~30Hz频率段的脑电信号,将采集电极的脑电信号的1.5维谱组合成维数为4096维的特征向量,计算不同维特征向量间的皮尔逊相关系数,对皮尔逊相关系数大于0.8的相关通道进行剔除;使用主成分分析方法对特征向量进行降维,保留贡献率为90%的N个成分,将这N个成分作为ResNeXt网络的输入。
技术方案中所述脑电信号采集被试者脑电信号,采样频率设置为250Hz;
对原始脑电信号进行一级放大处理,放大倍数为10倍;
对滤波后的脑电信号进行二次放大,放大倍数为10倍;
对滤波后的脑电信号进行单次窗口数据提取,数据集选取的时间窗为1s~3s,其中0s代表脑电想象任务开始的时间。
技术方案中所述脑电信号的1.5维谱组合成维数为4096维的特征向量,计算不同维特征向量间的皮尔逊相关系数,对皮尔逊相关系数大于0.8的相关通道进行剔除;皮尔逊相关系数计算公式如下:
其中:Cov(X,Y)=E{[X-E(X)][Y-E(Y)]},E(X)和E(Y)为数学期望,Cov为两个通道中随机变量X,Y的协方差;D(X)为方差,D(X)开根号为标准差。
技术方案中所述划分训练集和测试集是指:选用K折交叉切分对训练集和测试集进行划分,采用8:2的划分比例,将样本随机打乱,提升模型的泛化能力,增加模型预测的可信度。
技术方案中所述构建改进ResNeXt脑电信号分类网络是指:在ResNeXt-50基础上进行改进,对分组卷积的每个block模块的中间一层卷积层增加直连操作,增加直连操作可以进一步加快模型收敛的速度,并降低模型的测试集误差,提升模型的泛化能力;每个block模块通过一个1×1的卷积层对channel进行降维处理,然后连接group进行卷积操作,将group卷积操作后的输出与降维处理后的输出相加得到最终的输出,最后通过1×1的卷积层对channel进行升维处理,将1×1的卷积层的输出与输入相加得到最终的输出;
ResNeXt-50的架构中卷积层和全连接层总数为50层,包含一层7*7的卷积层,三个包含三层卷积层的卷积块,四个包含三层卷积层的卷积块,六个包含三层卷积层的卷积块,三个包含三层卷积层的卷积块和一层全连接层,其中每个卷积块中所包含的三层卷积层的卷积核大小均为1×1、3×3和1×1;其中(32*4d)中32表示group数,4d代表每个group的输入输出channel数量;在block堆叠的最后,连接全局池化层、全连接层,以及Softmax输出;每一个基数的每一条路径的通道数设置为4。
进一步地,选择ReLU激活函数,改善梯度消失现象,覆盖运算操作设置为True,直接对上层传递下来的张量进行修改,节省内存;
所述ReLU激活函数的公式如下:
f(x)=max(0,x)
其中:x代表ResNeXt分类网络中一个节点的输出信号;
设置全局平均池化层对脑电信号进行降维,去除冗余信息;
选用交叉熵损失函数计算ResNeXt分类损失,公式如下:
其中:m为批次的大小,n为分类类别的数量,i为标签的序号,j为预测值的序号,xij代表批次中的一个样本,p(xij)为实际标签的概率分布函数,而q(xij)为预测标签的概率分布函数。
进一步地,选用L2正则化方法作为抑制过拟合的手段,提升模型的泛化能力,L2正则化系数设置为0.01;
使用随机梯度下降法、使交叉熵损失函数收敛至局部最小值,学习率初始化设置为0.01,所述梯度下降法的公式如下:
式中:θ为每次梯度下降更新后的权值,α代表学习率,即每次优化的步长,J(θ)是目标函数。
技术方案中所述开始训练改进后的ResNeXt脑电信号分类网络包括:不断迭代随机梯度下降优化器,判别测试集误差是否达到了最大容许测试集误差范围内,若是,则输出当前的一组模型参数,若不是,则重新开始训练;选取达到了最大容许误差范围内中测试集误差最小的一组模型参数作为最终脑电信号分类器的输入模型参数。
本发明与现有技术相比,有益技术效果:
本发明采用皮尔逊系数的计算和主成分分析对采集到的脑电信号进行降维,剔除冗余信息,使输入到分类模型的脑电信号更加反映测试者的脑电特性,提升了分类的准确率。
本发明采用改进后的ResNeXt建立分类模型对脑电信号进行分类,在ResNeXt的模型基础之上增加直连操作,加快了分类模型的收敛速度,相对卷积神经网络脑电分类模型,改进后的ResNeXt分类模型更容易优化,有效地改善了深层次训练模型存在的梯度***问题,在避免分类模型退化问题的同时能使网络的层数大大加深。
附图说明
下面结合附图对本发明作进一步的说明:
图1为本发明所述的一种基于ResNeXt的脑电信号分类方法的流程图;
图2为本发明所述的ResNeXt网络单个block的结构示意图;
图3为本发明所述的国际10-20电极位置示意图。
具体实施方式
下面结合附图对本发明作详细的描述。
参阅图1,一种基于改进深度残差分组卷积网络ResNeXt的脑电信号分类方法,包括脑电信号采集、脑电信号预处理、特征提取、训练改进的ResNeXt分类网络四个步骤。
技术方案中脑电信号采集是指:
1)受试者佩戴脑电采集设备,在屏幕前根据实验范式进行相应的脑电想象活动,产生对应想象类型的脑电信号。
2)对受试者的脑电信号进行采集,采集频率设置为250Hz。
技术方案中脑电信号预处理是指:
1)由于采集到的原始脑电信号幅值约为几十微伏,故对采集到的脑电信号进行多级放大处理。首先对原始脑电信号进行一级放大处理,放大倍数为10倍。
2)对一级放大后的信号使用共平均参考(common average reference,CAR)对原始信号进行空间滤波,减少容积传导效应带来的干扰。
3)通过陷波电路消除50Hz工频干扰,再次通过高频滤波去除直流电位影响,通过低通滤波消除高频分量带来的干扰。
4)对滤波后的脑电信号进行二次放大,放大倍数为10倍,从而弥补滤波带来的电压损失。
5)对滤波后的脑电信号进行单次窗口数据提取,数据集选取的时间窗为1s~3s,其中0s代表脑电想象任务开始的时间。
技术方案中特征提取是指:
使用小波变换提取0.5Hz~30Hz频率段的脑电信号,将采集到的脑电信号的1.5维谱组合成维数为4096维的特征向量,计算不同维特征向量间的皮尔逊相关系数,对皮尔逊相关系数大于0.8的相关通道进行剔除。并使用主成分分析方法对特征向量再次进行降维,保留贡献率为90%的N个成分,将这N个成分作为ResNeXt网络的输入。
技术方案中训练ResNeXt分类网络是指:
1)将输入特征数据使用K折交叉切分进行训练集和测试集划分;
2)构建改进ResNeXt网络架构;
3)配置改进后的ResNeXt。
本发明所设计方法的流程包括以下步骤:
(1)脑电信号采集
1)参见图3,受试者在尽量避免噪声干扰的环境中佩戴具有18个脑电采集电极的脑电采集设备,电极放置位置按照国际10-20电极位置放置方法,在屏幕前按照实验范式进行相应的脑电采集活动,产生对应的脑电信号。
2)对脑电信号进行采样,采样频率设置为250Hz。
(2)脑电信号预处理
1)对步骤一中采样得到的脑电信号通过放大电路进行一级放大,放大倍数设置为10倍。
2)对一级放大后的脑电信号使用共平均参考对原始信号进行空间滤波,减少容积传导效应带来的干扰。通过陷波电路消除50Hz工频干扰,再次通过高频滤波去除直流电位影响,通过低通滤波消除高频分量带来的干扰。
3)对上述处理完的脑电信号通过放大电路进行二级放大,放大倍数为10倍,弥补滤波带来的电压损失。
4)对二次放大后的脑电信号进行单次窗口数据提取,数据集选取的时间窗为1s~3s,其中0s代表脑电想象任务开始的时间。
(3)特征提取
1)使用小波变换提取0.5Hz~30Hz频率段的脑电信号。
2)将采集到的脑电信号的1.5维谱组合成维数为4096维的特征向量,计算不同维特征向量间的皮尔逊相关系数(PCC),对皮尔逊相关系数大于0.8的相关通道进行剔除。皮尔逊相关系数计算公式如下:
其中Cov(X,Y)=E{[X-E(X)][Y-E(Y)]},E(X)和E(Y)为数学期望,Cov为两个通道中随机变量X,Y的协方差。D(X)为方差,D(X)开根号为标准差。
3)并使用主成分分析方法对特征向量再次进行降维,保留贡献率为90%的N个成分,将这N个成分作为ResNeXt网络的输入。
(4)建立基于改进ResNeXt的脑电信号分类网络。
1)划分训练集和测试集:本发明选用K折交叉切分(StratifiedKFold)对训练集和测试集进行划分,采用目前常用的8:2的划分比例,将样本随机打乱,这样可以很大程度地提升模型的泛化能力,增加模型预测的可信度。
2)构建改进ResNeXt脑电信号分类网络:本发明在ResNeXt-50基础上进行改进,对分组卷积(Group Convolution)的每个block模块的中间一层卷积层增加直连操作,增加直连操作可以进一步加快模型收敛的速度,并降低模型的测试集误差,提升模型的泛化能力。如图2所示,每个block模块通过一个1×1的卷积层对channel进行降维处理,然后连接group进行卷积操作,将group卷积操作后的输出与降维处理后的输出相加得到最终的输出,最后通过1×1的卷积层对channel进行升维处理,将其输出与输入相加得到最终的输出。
ResNeXt-50的架构中卷积层和全连接层总数为50层,包含一层7*7的卷积层,三个包含三层卷积层的卷积块,四个包含三层卷积层的卷积块,六个包含三层卷积层的卷积块,三个包含三层卷积层的卷积块和一层全连接层,其中每个卷积块中所包含的三层卷积层的卷积核大小均为1×1、3×3和1×1。其中(32*4d)中32表示group数,4d代表每个group的输入输出channel数量;stride代表步长,在block堆叠的最后,连接全局池化层、全连接层,以及Softmax输出;
每一个基数(Cardinality)的每一条路径的通道数设置为4。ResNeXt结构参数列表如下所示:
本发明激活函数(activation function)选择ReLU激活函数,可以有效改善梯度消失(Gradient Vanish)现象,覆盖运算操作(inplace)设置为True,直接对上层传递下来的张量进行修改,进一步节省内存。
其中ReLU激活函数的公式如下:
f(x)=max(0,x)
其中x代表ResNeXt分类网络中一个节点的输出信号。
本发明设置全局平均池化层(Global Average Pooling)进一步对脑电信号进行降维,去除冗余信息。
本发明本发明选用交叉熵损失函数(CrossEntropy Loss)用于计算ResNeXt分类损失,其原理如公式所示:
其中m为批次的大小,n为分类类别的数量,i为标签的序号,j为预测值的序号,xij代表批次中的一个样本,p(xij)为实际标签的概率分布函数,而q(xij)为预测标签的概率分布函数。
由于训练集和测试集脑电信号特征分布可能不一致,并且ResNeXt模型较为复杂,而脑电信号样本量不足,本发明提出的改进ResNeXt脑电分类网络可能存在着过拟合(Overfitting)的问题,过拟合问题的产生会导致改进ResNeXt脑电信号分类网络的泛化能力不足。为解决ResNeXt分类网络中过拟合的问题,本发明选用L2正则化方法作为抑制过拟合的手段,提升模型的泛化能力,L2正则化系数设置为0.01。
使用随机梯度下降法(stochastic gradient descent)使交叉熵损失函数收敛至局部最小值,学习率(Learning Rate)初始化设置为0.01,其中梯度下降法的公式如下:
式中θ为每次梯度下降更新后的权值,α代表学习率,即每次优化的步长,J(θ)是目标函数。
3)开始训练改进后的ResNeXt网络架构,不断迭代随机梯度下降优化器。判别测试集误差是否达到了最大容许测试集误差范围内,本发明最大容许测试集误差取0.2。若是,则输出当前的一组模型参数,若不是,则重新开始训练。选取达到了最大容许误差范围内中测试集误差最小的一组模型参数作为最终脑电信号分类器的输入模型参数。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
Claims (10)
1.一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法,其特征在于:包括脑电信号采集、脑电信号预处理、特征提取、训练ResNeXt分类网络四部分;
所述训练ResNeXt分类网络是指:
1)划分训练集和测试集;
2)构建改进ResNeXt脑电信号分类网络;
3)训练改进后的ResNeXt脑电信号分类网络。
2.根据权利要求1所述的一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法,其特征在于:
所述脑电信号采集是指:
受试者佩戴脑电采集设备,在屏幕前根据实验范式进行相应的脑电想象活动,产生对应想象类型的脑电信号;
所述脑电信号预处理是指:
1)对采集到的脑电信号进行多级放大处理;
2)对一级放大后的信号使用共平均参考对原始信号进行空间滤波;
3)通过陷波电路消除50Hz工频干扰,通过高频滤波去除直流电位影响,通过低通滤波消除高频分量带来的干扰;
4)对滤波后的脑电信号进行二次放大;
5)对滤波后的脑电信号进行单次窗口数据提取。
3.根据权利要求2所述的一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法,其特征在于:
所述特征提取是指:
使用小波变换0.5~30Hz频率段的脑电信号,将采集电极的脑电信号的1.5维谱组合成维数为4096维的特征向量,计算不同维特征向量间的皮尔逊相关系数,对皮尔逊相关系数大于0.8的相关通道进行剔除;使用主成分分析方法对特征向量进行降维,保留贡献率为90%的N个成分,将这N个成分作为ResNeXt网络的输入。
4.根据权利要求3所述的一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法,其特征在于:
所述脑电信号采集被试者脑电信号,采样频率设置为250Hz;
对原始脑电信号进行一级放大处理,放大倍数为10倍;
对一级放大后的脑电信号使用共平均参考对原始信号进行空间滤波,减少容积传导效应带来的干扰;
通过陷波电路消除50Hz工频干扰,再次通过高频滤波去除直流电位影响,通过低通滤波消除高频分量带来的干扰;
对滤波后的脑电信号进行二次放大,放大倍数为10倍;
对滤波后的脑电信号进行单次窗口数据提取,数据集选取的时间窗为1s~3s,其中0s代表脑电想象任务开始的时间。
6.根据权利要求5所述的一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法,其特征在于:
所述划分训练集和测试集是指:选用K折交叉切分对训练集和测试集进行划分,采用8:2的划分比例,将样本随机打乱,提升模型的泛化能力,增加模型预测的可信度。
7.根据权利要求6所述的一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法,其特征在于
所述构建改进ResNeXt脑电信号分类网络是指:在ResNeXt-50基础上进行改进,对分组卷积的每个block模块的中间一层卷积层增加直连操作,增加直连操作进一步加快模型收敛的速度,并降低模型的测试集误差,提升模型的泛化能力;每个block模块通过一个1×1的卷积层对channel进行降维处理,然后连接group进行卷积操作,将group卷积操作后的输出与降维处理后的输出相加得到最终的输出,最后通过1×1的卷积层对channel进行升维处理,将1×1的卷积层的输出与输入相加得到最终的输出;
ResNeXt-50的架构中卷积层和全连接层总数为50层,包含一层7*7的卷积层,三个包含三层卷积层的卷积块,四个包含三层卷积层的卷积块,六个包含三层卷积层的卷积块,三个包含三层卷积层的卷积块和一层全连接层,其中每个卷积块中所包含的三层卷积层的卷积核大小均为1×1、3×3和1×1;其中(32*4d)中32表示group数,4d代表每个group的输入输出channel数量;在block堆叠的最后,连接全局池化层、全连接层,以及Softmax输出;每一个基数的每一条路径的通道数设置为4。
8.根据权利要求7所述的一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法,其特征在于,还包括:
选择ReLU激活函数,改善梯度消失现象,覆盖运算操作设置为True,直接对上层传递下来的张量进行修改,节省内存;
所述ReLU激活函数的公式如下:
f(x)=max(0,x)
其中:x代表ResNeXt分类网络中一个节点的输出信号;
设置全局平均池化层对脑电信号进行降维,去除冗余信息;
选用交叉熵损失函数计算ResNeXt分类损失,公式如下:
其中:m为批次的大小,n为分类类别的数量,i为标签的序号,j为预测值的序号,xij代表批次中的一个样本,p(xij)为实际标签的概率分布函数,而q(xij)为预测标签的概率分布函数。
10.根据权利要求9所述的一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法,其特征在于:
所述开始训练改进后的ResNeXt脑电信号分类网络包括:不断迭代随机梯度下降优化器,判别测试集误差是否达到了最大容许测试集误差范围内,若是,则输出当前的一组模型参数,若不是,则重新开始训练;选取达到了最大容许误差范围内中测试集误差最小的一组模型参数作为最终脑电信号分类器的输入模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110488070.6A CN113065526B (zh) | 2021-05-06 | 2021-05-06 | 一种基于改进深度残差分组卷积网络的脑电信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110488070.6A CN113065526B (zh) | 2021-05-06 | 2021-05-06 | 一种基于改进深度残差分组卷积网络的脑电信号分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113065526A true CN113065526A (zh) | 2021-07-02 |
CN113065526B CN113065526B (zh) | 2022-05-31 |
Family
ID=76568057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110488070.6A Active CN113065526B (zh) | 2021-05-06 | 2021-05-06 | 一种基于改进深度残差分组卷积网络的脑电信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065526B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609970A (zh) * | 2021-08-03 | 2021-11-05 | 西北工业大学 | 基于分组卷积深度U_Net的水下目标识别方法 |
CN113627391A (zh) * | 2021-08-31 | 2021-11-09 | 杭州电子科技大学 | 一种考虑个体差异的跨模式脑电信号识别方法 |
CN113780134A (zh) * | 2021-08-31 | 2021-12-10 | 昆明理工大学 | 一种基于ShuffleNetV2网络的运动想象脑电解码方法 |
CN113780636A (zh) * | 2021-08-26 | 2021-12-10 | 河北工业大学 | 一种基于EMD-GRU-Attention的太阳能辐射预测方法 |
CN113855043A (zh) * | 2021-08-29 | 2021-12-31 | 北京工业大学 | 一种融合多导联注意力机制的ResNeXt网络分类方法 |
CN114841216A (zh) * | 2022-05-24 | 2022-08-02 | 合肥工业大学 | 一种基于模型不确定性学习的脑电信号分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190147592A1 (en) * | 2017-11-15 | 2019-05-16 | Kun-Hsing YU | Quantitative pathology analysis and diagnosis using neural networks |
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 |
CN111209972A (zh) * | 2020-01-09 | 2020-05-29 | 中国科学院计算技术研究所 | 基于混合连通性深度卷积神经网络的图像分类方法及*** |
CN112120694A (zh) * | 2020-08-19 | 2020-12-25 | 中国地质大学(武汉) | 一种基于神经网络的运动想象脑电信号分类方法 |
CN112426147A (zh) * | 2020-10-21 | 2021-03-02 | 华南师范大学 | 睡眠呼吸事件检测模型处理方法、***和存储介质 |
-
2021
- 2021-05-06 CN CN202110488070.6A patent/CN113065526B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190147592A1 (en) * | 2017-11-15 | 2019-05-16 | Kun-Hsing YU | Quantitative pathology analysis and diagnosis using neural networks |
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 |
CN111209972A (zh) * | 2020-01-09 | 2020-05-29 | 中国科学院计算技术研究所 | 基于混合连通性深度卷积神经网络的图像分类方法及*** |
CN112120694A (zh) * | 2020-08-19 | 2020-12-25 | 中国地质大学(武汉) | 一种基于神经网络的运动想象脑电信号分类方法 |
CN112426147A (zh) * | 2020-10-21 | 2021-03-02 | 华南师范大学 | 睡眠呼吸事件检测模型处理方法、***和存储介质 |
Non-Patent Citations (2)
Title |
---|
D. WU 等: "Multi-Features Refinement and Aggregation for Medical Brain Segmentation", 《IEEE ACCESS》 * |
牛学猛 等: "基于改进ResNeXt的乳腺癌组织病理学图像分类", 《激光与光电子学进展》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609970A (zh) * | 2021-08-03 | 2021-11-05 | 西北工业大学 | 基于分组卷积深度U_Net的水下目标识别方法 |
CN113780636A (zh) * | 2021-08-26 | 2021-12-10 | 河北工业大学 | 一种基于EMD-GRU-Attention的太阳能辐射预测方法 |
CN113855043A (zh) * | 2021-08-29 | 2021-12-31 | 北京工业大学 | 一种融合多导联注意力机制的ResNeXt网络分类方法 |
CN113855043B (zh) * | 2021-08-29 | 2023-08-18 | 北京工业大学 | 一种融合多导联注意力机制的ResNeXt网络分类方法 |
CN113627391A (zh) * | 2021-08-31 | 2021-11-09 | 杭州电子科技大学 | 一种考虑个体差异的跨模式脑电信号识别方法 |
CN113780134A (zh) * | 2021-08-31 | 2021-12-10 | 昆明理工大学 | 一种基于ShuffleNetV2网络的运动想象脑电解码方法 |
CN113627391B (zh) * | 2021-08-31 | 2024-03-12 | 杭州电子科技大学 | 一种考虑个体差异的跨模式脑电信号识别方法 |
CN114841216A (zh) * | 2022-05-24 | 2022-08-02 | 合肥工业大学 | 一种基于模型不确定性学习的脑电信号分类方法 |
CN114841216B (zh) * | 2022-05-24 | 2024-02-20 | 合肥工业大学 | 一种基于模型不确定性学习的脑电信号分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113065526B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113065526B (zh) | 一种基于改进深度残差分组卷积网络的脑电信号分类方法 | |
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 | |
CN113693613B (zh) | 脑电信号分类方法、装置、计算机设备及存储介质 | |
CN112001306A (zh) | 基于深度卷积对抗生成神经网络的脑电信号解码方法 | |
CN109299751B (zh) | 基于emd数据增强的卷积神经模型的ssvep脑电分类方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
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 | |
CN112633195B (zh) | 一种基于频域特征与深度学习的心肌梗塞识别分类方法 | |
CN113158964B (zh) | 一种基于残差学习和多粒度特征融合的睡眠分期方法 | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
CN108280414A (zh) | 一种基于能量特征的运动想象脑电信号的识别方法 | |
CN112488002B (zh) | 基于n170的情绪识别方法及识别*** | |
WO2021184599A1 (zh) | 一种基于ms-cnn的p300信号识别方法、装置及存储介质 | |
CN112465069A (zh) | 一种基于多尺度卷积核cnn的脑电情绪分类方法 | |
CN115204231A (zh) | 基于eeg脑电多维特征的数字化人机界面认知负荷评估方法 | |
CN117520891A (zh) | 一种运动想象脑电信号分类方法及*** | |
CN117113180A (zh) | 基于vmd与卷积神经网络的直流配网高阻故障识别方法 | |
CN113180659A (zh) | 一种基于三维特征和空洞全卷积网络的脑电情感识别*** | |
CN115238796A (zh) | 基于并行damscn-lstm的运动想象脑电信号分类方法 | |
CN113128384B (zh) | 一种基于深度学习的脑卒中康复***脑机接口软件关键技术方法 | |
CN114145744A (zh) | 基于跨设备前额脑电情绪识别的方法和*** | |
CN113627391A (zh) | 一种考虑个体差异的跨模式脑电信号识别方法 | |
CN110432899B (zh) | 基于深度堆叠支持矩阵机的脑电信号识别方法 | |
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 | |
CN115251909A (zh) | 基于时空卷积神经网络的脑电信号评估听力的方法及装置 |
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 |