CN113128384B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113128384B CN113128384B CN202110376347.6A CN202110376347A CN113128384B CN 113128384 B CN113128384 B CN 113128384B CN 202110376347 A CN202110376347 A CN 202110376347A CN 113128384 B CN113128384 B CN 113128384B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram signal
- sample entropy
- feature
- convolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 208000006011 Stroke Diseases 0.000 title claims abstract description 12
- 206010008190 Cerebrovascular accident Diseases 0.000 title claims abstract description 11
- 230000002490 cerebral effect Effects 0.000 title claims abstract description 11
- 238000013135 deep learning Methods 0.000 title claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 230000001902 propagating effect Effects 0.000 claims description 2
- 230000000284 resting effect Effects 0.000 claims description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 claims 1
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 239000010410 layer Substances 0.000 description 17
- 210000004556 brain Anatomy 0.000 description 12
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Heart & Thoracic Surgery (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
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属于深度学习技术领域。本发明通过在脑电信号特征提取和分类阶段,采用自回归模型和样本熵对其进行特征提取,并利用CNN算法对其进行分类,可以提高脑电信号分类的准确度,应用到脑卒中康复***脑机接口软件后可以为实现脑卒中患者的康复治疗。
Description
技术领域
本发明属于深度学习技术领域。
背景技术
目前脑电信号相关技术和脑机接口(Brain Computer Interface,BCI)技术的不断发展,在脑卒中康复中脑电信号的应用也越来越广泛。有相关的研究成果表明,脑卒中患者的运动想象的脑电信号可以帮助他们进行有效的康复治疗。研究发现脑电信号的活动不会因为肢体、肌肉受损而有所变化,它仍然能准确的反映出人类大脑皮层所进行的电生理活动。因此基于运动想象的脑机接口的相关技术已经成为脑卒中患者康复研究中的一个重点。
深度学习区别于传统的机器学习方法,实现了端到端的学习方式,将原始的数据作为模型输入,直接映射生成模型的输出。比较经典的深度学习模型有卷积神经网络、循环神经网络。但其弊端也是有的,比如,深度神经网络需要大量数据来训练模型,对于大部分的小规模数据集,很难使得模型得到充分的训练;缺乏足够的标签数据来有效地训练深度学习模型;有庞大的计算需求。深度森林(multi-Grained Cascade forest,gcForest),作为包括卷积神经网络、循环神经网络在内的深度神经网络模型,是一种特征融合模型,在视觉、文本、语音等各个领域都已获得了令人瞩目的成果。在深度森林中,通过使用多粒度扫描的策略,同样能够帮助模型捕获特征之间的关联性,从而进一步提高模型表征学习的能力。
传统的脑电信号处理方法主要有时间滤波、空间滤波、主成分分析、独立成分分析等。目前较主流的脑电特征提取方式是功率谱密度和公共空间模式算法。传统的机器学习方法是在完成数据预处理及人工构造样本特征的基础上,应用合适的分类算法进行样本分类。本课题中则尝试采用深度学习的方式,进一步优化算法,提升其处理速度和准确性。
我国在此领域的发明有:基于数据增强的卷积神经网络运动想象脑电分类方法[1]通过卷积神经网络对脑电信号进行分类,得到二、三和四类分类任务的平均准确性分别达到87.32%,76.26%,64.72%。基于LFFCNN-GRU算法模型的运动想象脑电信号特征识别方法[2]用基于层间特征融合的卷积神经网络将脑电信号的频域特征提取出来,并采用采用门控循环网络进一步的提取脑电信号的时域特征。基于CWT和MLMSFFCNN的脑电识别方法[3]利用MLMSFFCNN的特征融合能力与多分辨率计算能力充分提取信号时、频、空域特征信息,提高分类的精度。
[1]刘越,杜斌,岳康,田阁良.基于数据增强的卷积神经网络运动想象脑电分类方法[P].北京市:CN111950366A,2020-11-17.
[2]毛雪峰,谢志荣,张毅,罗元.一种基于LFFCNN-GRU算法模型的运动想象脑电信号特征识别方法[P].重庆市:CN111950455A,2020-11-17.
[3]李明爱,韩健夫,杨金福,孙炎珺.基于CWT和MLMSFFCNN的脑电识别方法[P].北京市:CN111582041A,2020-08-25.
发明内容
本发明通过在脑电信号特征提取和分类阶段,采用自回归模型和样本熵对其进行特征提取,并利用CNN算法对其进行分类,可以提高脑电信号分类的准确度,应用到脑卒中康复***脑机接口软件后可以为实现脑卒中患者的康复治疗。
本发明技术方案共包含以下阶段:脑电信号采集和预处理阶段,利用脑电信号采集***进行运动想象EEG信号采集,随后将所采集的EEG信号利用EEGLAB进行预处理,去除眼电、伪迹等,并得到滤除噪声后的脑电信号,通过主成分分析进行降维;脑电信号特征提取阶段,分别利用自回归模型(Autoregressive Model)和样本熵进行运动想象EEG信号特征提取,可分别从频域和空域得到线性和非线性两类信号特征,其中将AR模型参数作为特征向量;特征分类阶段,基于CNN设计分类器对脑电信号进行分类处理,将特征提取所获得的两类信号特征分别加入到CNN中进行分类,得到不同的分类结果,按一定的权重将结果进行整合,得到最终的分类结果。
本发明通过同时提取频域和空域、线性和非线性两类脑电信号特征,使运动想象脑电信号分类的准确度得到提高。
附图说明:
图1是本发明流程图。
具体实施方式:
1.脑电信号采集阶段
本发明使用脑电信号采集仪进行信号采集,选取采样频率为250Hz,电极按照国际10-20标准电极安放法安放,选取数名健康受试者,分别采集左手、右手运动想象脑电信号,使用带阻滤波器进行滤波,选取1Hz-50 Hz的EEG信号。
2.脑电信号预处理阶段
人体的脑电信号十分微弱,背景噪声很大。由于受外界因素例如仪器、人体自身的肌肉运动等方面影响,在采集脑电信号时,会产生各种各样的噪声干扰,如基线漂移干扰、工频干扰、肌电干扰、电极接触噪声等。以上干扰将会影响到EEG的时域分析和频域分析。
预处理的主要目的是提高脑电信号的信噪比、稳定基线、减少伪迹以及移除假点。传统的预处理方法普遍采用傅立叶变换,但出于脑电信号具有随机不平稳性的特点,采用傅立叶变换对其去噪的效果不是很理想。近些年来,随着人们对脑电信号研究的深入,小波变换、独立分量分析等方法逐渐在信号预处理方面发挥出重要作用。而独立分量分析中的快速固定点算法(FastICA)具有可并行、分布式、占用内存少、收敛快等特点。
本发明使用EEGLAB进行预处理,采用FastICA对实验数据进行去噪,用主成分分析来对数据进行降维。
3.特征提取阶段
经过EEG信号预处理后,将处理后的EEG信号分别利用自回归模型(Autoregressive Model)和样本熵进行特征提取得到两类信号特征。
3.1自回归模型(Autoregressive Model)
自回归模型(Autoregressive Model)利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型,是时间序列中的一种常见形式。假设脑电信号序列为y1,y2,…,yn,P阶自回归模型(简记为AR(P))表明序列中yt是前P个序列的线性组合及误差项的函数,一般形式的数学模型为:
其中,是常数项,/>是模型参数,et是具备均值为0,方差为σ的白噪声。本发明中将/>作为EEG信号特征向量。
3.2样本熵
样本熵是一种非线性分析法,能通过度量脑电信号的复杂度来反映它的非线性特征。
设脑电信号一维时间序列为{y(i)},i=1,2,…,n,其中y(i)表示第i秒的脑电信号序列,n表示总时间长度。其样本熵可通过如下计算得到:
(1)将序列{y(i)}按顺序组成m维矢量,本发明中选取m=2,即
Ym(i)=[y(i)y(i+1)…y(i+m-1)]
i=1,2,…,n-m+1
(2)对每一个i时刻,计算矢量Ym(i)与矢量Ym(j)之间的距离,即
d[Ym(i),Ym(j)]=max|y(i+k)-y(j+k)|
k=0,1,…,m-1;i=1,2,…,n-m+1;i≠j
(3)给定阈值r(r>0),本发明中r为原始时间序列标准差的0.2倍,对每一个i时刻统计d[Ym(i),Ym(j)]小于r的数目,记为并记此数目与总的距离数目n-m的比值为即
(4)求对所有值的平均值,记为Bm(r),即
(5)将序列{y(i)}按顺序组成m+1维矢量,再重复(1)至(4),得到和Bm+1(r)
(6)序列{y(i)}的样本熵为
在实际计算中,由于序列长度有限,因此最后得到序列长度为n时的样本熵估计值为
sampEn(m,r,n)=-ln[Bm+1(r)/Bm(r)]}
利用样本熵提取脑电信号的非线性特征的具体步骤为:首先对脑电信号加1s长度的滑动时间窗,计算脑电信号的样本熵,窗口每次移动一个采样点,并计算下1s时间窗的脑电信号样本熵,直到计算出最后1s时间窗的脑电信号的样本熵为止,从而获得该组脑电信号样本熵的时间序列,然后将这一组样本熵序列叠加平均,即获得一组样本脑电信号数据的样本熵。
4.特征分类阶段
本发明使用卷积神经网络(CNN)作为分类器对提取出的两类特征向量进行分别分类,随后将两类特征向量分别的分类结果进行加权处理,最终得到分类结果。
4.1CNN构成及其原理
本发明使用的CNN由六层卷积层、两层池化层和两层全连接层构成,顺序为:三层卷积层、一层池化层、三层卷积层、一层池化层和两层全连接层,全部使用Tensorflow实现。
数据集按7:3的比例划分为训练集与测试集,将由特征提取得到的两类特征向量(其中i∈[1,n],n表示总时间长度)和SEi={i∈[1,n]|sampEn(m,r,i)}(其中n表示总时间长度)作为输入,输出有三种预测可能(T0、T1、T2,分别表示静息态、想象左手、想象右手)。使用了Adam优化器,学习速率为1*10^-5。
(1)卷积层(convolutional layer):卷积神经网路中每层卷积层的每一个卷积核大小都是3*3,每个卷积单元的参数通过反向传播算法优化得到,其目的是提取输入的不同特征。
(2)池化层(Pooling layer):在卷积层之后得到了维度很大(大小为[28*20*64])的特征,将特征切成分别为[2,2]的区域,取其中的最大值,得到新的、维度较小(大小为[14*10*64])的特征。
(3)监督学习
该模型使用监督学习,使用反向传播算法计算每个卷积单元的参数。
其主要过程是:
采用欧氏距离计算损失函数
E=(x-pred)2
其中,x为实际特征向量的值,pred为预测出的特征向量的值。
将损失函数从输出层向隐藏层反向传播,直至传播到输入层;在反向传播的过程中,根据损失函数调整每个卷积单元的参数的值;不断迭代上述过程,直至收敛。
4.2加权整合
在上一步中两类特征向量进行分类后的结果采用分别加权50%求和的方法,来得到最终预测结果。由上可知,和SEpred分别为两类特征向量的预测结果向量,形式为和/> 其中predi(i=T0,T1,T2)表示在此模型中该组脑电信号为第类的预测概率。最终预测结果向量为
由final可得最终预测结果。
Claims (1)
1.一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,其特征在于包含以下阶段,脑电信号采集和预处理阶段,具体如下:
1).脑电信号采集阶段
使用脑电信号采集仪进行信号采集,选取采样频率为250Hz,电极按照国际10-20标准电极安放法安放,选取数名健康受试者,分别采集左手、右手运动想象脑电信号,使用带阻滤波器进行滤波,选取1Hz-50Hz的EEG信号;
2).脑电信号预处理阶段
使用EEGLAB进行预处理,采用FastICA对实验数据进行去噪,用主成分分析来对数据进行降维;
3).特征提取阶段
预处理后,将处理后的EEG信号分别利用自回归模型和样本熵进行特征提取得到两类信号特征;
3.1自回归模型
自回归模型利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型;假设脑电信号序列为y1,y2,...,yn,P阶自回归模型记为AR(P)表明序列中yt是前P个序列的线性组合及误差项的函数,数学模型为:
其中,是常数项,/>是模型参数,et是具备均值为0,方差为σ的白噪声;将作为EEG信号特征向量;
3.2样本熵
设脑电信号一维时间序列为{y(i)},i=1,2,...,n,其中y(i)表示第i秒的脑电信号序列,n表示总时间长度;其样本熵通过如下计算得到:
(1)将序列{y(i)}按顺序组成m维矢量,选取m=2,即
Ym(i)=[y(i)y(i+1)...y(i+m-1)]
i=1,2,...,n-m+1
(2)对每一个i时刻,计算矢量Ym(i)与矢量Ym(j)之间的距离,即
d[Ym(i),Ym(j)]=max|y(i+k)-y(j+k)|
k=0,1,...,m-1;i=1,2,...,n-m+1;i≠j
(3)给定阈值r,r>0,中r为原始时间序列标准差的0.2倍,对每一个i时刻统计d[Ym(i),Ym(j)]小于r的数目,记为并记此数目与总的距离数目n-m的比值为/>即
(4)求对所有i值的平均值,记为Bm(r),即
(5)将序列{y(i)}按顺序组成m+1维矢量,再重复(1)至(4),得到和Bm+1(r)
(6)序列{y(i)}的样本熵为
得到序列长度为n时的样本熵估计值为
sampEn(m,r,n)=-ln[Bm+1(r)/Bm(r)]}
利用样本熵提取脑电信号的非线性特征的具体步骤为:首先对脑电信号加1s长度的滑动时间窗,计算脑电信号的样本熵,窗口每次移动一个采样点,并计算下1s时间窗的脑电信号样本熵,直到计算出最后1s时间窗的脑电信号的样本熵为止,从而获得该组脑电信号样本熵的时间序列,然后将这一组样本熵序列叠加平均,即获得一组样本脑电信号数据的样本熵;
4).特征分类阶段
使用卷积神经网络CNN作为分类器对提取出的两类特征向量进行分别分类,随后将两类特征向量分别的分类结果进行加权处理,最终得到分类结果;
4.1 CNN构成及其原理
使用的CNN由六层卷积层、两层池化层和两层全连接层构成,顺序为:三层卷积层、一层池化层、三层卷积层、一层池化层和两层全连接层,全部使用Tensorflow实现;
数据集划分为训练集与测试集,将由特征提取得到的两类特征向量其中i∈[1,n],n表示总时间长度;和SEi={i∈[1,n]|sampEn(m,r,i)}作为输入,输出有三种预测可能,T0、T1、T2,分别表示静息态、想象左手、想象右手;使用了Adam优化器,学习速率为1*10^-5;
A.卷积层:卷积神经网路中每层卷积层的每一个卷积核大小都是3*3,每个卷积单元的参数通过反向传播算法优化得到,其目的是提取输入的不同特征;
B.池化层:在卷积层之后得到了维度为[28*20*64]的特征,将特征切成分别为[2,2]的区域,取其中的最大值,得到新的、维度大小为[14*10*64]的特征;
C.监督学习
使用反向传播算法计算每个卷积单元的参数;
采用欧氏距离计算损失函数
E=(x-pred)2
其中,x为实际特征向量的值,pred为预测出的特征向量的值;
将损失函数从输出层向隐藏层反向传播,直至传播到输入层;在反向传播的过程中,根据损失函数调整每个卷积单元的参数的值;不断迭代上述过程,直至收敛;
4.2加权整合
在上一步中两类特征向量进行分类后的结果采用分别加权50%求和的方法,来得到最终预测结果;由上可知,和SEpred分别为两类特征向量的预测结果向量,形式为和/> 其中predi(i=T0,T1,T2)表示在此模型中该组脑电信号为第i类的预测概率;最终预测结果向量为
由final为最终预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110376347.6A CN113128384B (zh) | 2021-04-01 | 2021-04-01 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110376347.6A CN113128384B (zh) | 2021-04-01 | 2021-04-01 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128384A CN113128384A (zh) | 2021-07-16 |
CN113128384B true CN113128384B (zh) | 2024-04-05 |
Family
ID=76775280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110376347.6A Active CN113128384B (zh) | 2021-04-01 | 2021-04-01 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128384B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114082169B (zh) * | 2021-11-22 | 2023-03-28 | 江苏科技大学 | 基于脑电信号的伤残手软体康复机器人运动想象识别方法 |
CN114664434A (zh) * | 2022-03-28 | 2022-06-24 | 上海韶脑传感技术有限公司 | 面向不同医疗机构的脑卒中康复训练***及其训练方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958213A (zh) * | 2017-11-20 | 2018-04-24 | 北京工业大学 | 一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法 |
CN109620223A (zh) * | 2018-12-07 | 2019-04-16 | 北京工业大学 | 一种脑卒中康复***脑机接口关键技术方法 |
CN112370066A (zh) * | 2020-09-30 | 2021-02-19 | 北京工业大学 | 一种基于生成对抗网络的脑卒中康复***脑机接口方法 |
-
2021
- 2021-04-01 CN CN202110376347.6A patent/CN113128384B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958213A (zh) * | 2017-11-20 | 2018-04-24 | 北京工业大学 | 一种基于脑机接口辅助康复医疗的共空间模式与深度学习方法 |
CN109620223A (zh) * | 2018-12-07 | 2019-04-16 | 北京工业大学 | 一种脑卒中康复***脑机接口关键技术方法 |
CN112370066A (zh) * | 2020-09-30 | 2021-02-19 | 北京工业大学 | 一种基于生成对抗网络的脑卒中康复***脑机接口方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113128384A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111012336B (zh) | 时空特征融合的并行卷积网络运动想象脑电图分类方法 | |
CN107844755B (zh) | 一种结合dae和cnn的脑电信号特征提取与分类方法 | |
CN110693493B (zh) | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测特征提取方法 | |
CN110969108B (zh) | 一种基于自主运动想象脑电的肢体动作识别方法 | |
CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及*** | |
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 | |
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 | |
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 | |
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 | |
CN111967506A (zh) | 一种人工蜂群优化bp神经网络的脑电信号分类方法 | |
CN112488002B (zh) | 基于n170的情绪识别方法及识别*** | |
Cheng et al. | The optimal wavelet basis function selection in feature extraction of motor imagery electroencephalogram based on wavelet packet transformation | |
CN111407243A (zh) | 一种基于深度学习的脉搏信号压力识别方法 | |
CN113111831A (zh) | 一种基于多模态信息融合的手势识别技术 | |
CN113065526A (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 | |
CN113723557A (zh) | 一种基于多频带时空卷积网络的抑郁脑电分类*** | |
CN116340824A (zh) | 基于卷积神经网络的肌电信号动作识别方法 | |
CN115795346A (zh) | 一种人体脑电信号的分类识别方法 | |
CN113476056B (zh) | 一种基于频域图卷积神经网络的运动想象脑电信号分类方法 | |
CN114091529A (zh) | 一种基于生成对抗网络数据增强的脑电情感识别方法 | |
Azami et al. | Automatic signal segmentation based on singular spectrum analysis and imperialist competitive algorithm | |
CN117235576A (zh) | 一种基于黎曼空间的运动想象脑电意图分类方法 | |
CN115017960B (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
CN114861706A (zh) | 一种基于质量评估和深度迁移学习的心电身份识别方法 | |
CN113780134A (zh) | 一种基于ShuffleNetV2网络的运动想象脑电解码方法 |
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 |