CN113191395B - 一种基于双脑的多层次信息融合的目标检测方法 - Google Patents

一种基于双脑的多层次信息融合的目标检测方法 Download PDF

Info

Publication number
CN113191395B
CN113191395B CN202110373684.XA CN202110373684A CN113191395B CN 113191395 B CN113191395 B CN 113191395B CN 202110373684 A CN202110373684 A CN 202110373684A CN 113191395 B CN113191395 B CN 113191395B
Authority
CN
China
Prior art keywords
data
feature module
super
target detection
double
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
Application number
CN202110373684.XA
Other languages
English (en)
Other versions
CN113191395A (zh
Inventor
孔万增
章杭奎
王鑫洋
杨宇
朱莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202110373684.XA priority Critical patent/CN113191395B/zh
Publication of CN113191395A publication Critical patent/CN113191395A/zh
Application granted granted Critical
Publication of CN113191395B publication Critical patent/CN113191395B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Psychiatry (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于双脑的多层次信息融合的目标检测方法。该方法包括数据获取、数据处理、模型训练与分类四个步骤。提出一种双被试、同任务的RSVP范式，使用双人的EEG信号来进行P300检测，并针对该范式提出了一种基于多层次信息融合的HyperscanNet神经网络模型来进行目标检测，在数据处理阶段通过超扫描特征模块与原始特征模块，分别进行特征层融合与数据层融合，然后对超扫描特征模块进行处理后，将其提取的深层次特征与原始特征模块提取的浅层次特征一起输入到支持向量机中，实现HyperscanNet神经网络模型的训练，最后进行脑电数据的分类、检测。该方法实现了范式和检测方法的创新。

Description

一种基于双脑的多层次信息融合的目标检测方法
技术领域
本发明属于脑机协同目标检测领域，涉及一种基于双脑的多层次信息融合的目标检测方法。
背景技术
从首次发现脑电信号至1973年Jacques Vidal所负责的加州大学洛杉矶分校的项目中首次给出了脑机接口(BCI)***的定义，基于EEG来分析大脑意图的BCI使得大脑能够直接与外界环境进行交互。基于RSVP范式的图像检索应用广泛，其主要是通过的对ERP的检测来完成图像检索。ERP是EEG中的一个诱发电位，包含P300、N170、N200等成分，其可以通过听觉或者视觉等刺激来进行诱发。要想从许多有着信噪比较低的EEG中检测到ERP存在是一个较为困难的问题。EEG的背景噪声存在着低稳定性、非线性等特征，而所产生的ERP波形与实验范式也具备一定的关联，甚至改变具体实验范式的一些参数都会影响ERP的振幅和潜伏期。值得注意的是，在经典的RSVP范式中ERP是基于single-trial的，相比于基于multi-trial检测ERP存在较大的难度。
为了改善RSVP中目标检测的准确率，主要有两方面的研究。
一方面是研究更好的方法提高single-trial的ERP检测的准确率。在2006年，Solis-Escalante等提出了基于经验模态分解的single-trial检测方法，从P300的训练集中分解平均事件响应，能够达到约0.55的AUC。在2008年，Krusienski等使用stepwiselinear discriminant analysis(SWLDA)来对P300进行判别，对字符的识别率达到了约35％。在2009年，Bertrand Rivet等提出了一种通过构造一个空间滤波器来提高EEG数据信噪比的xDAWN算法，对拼写器字符的分类取得了80％的分类准确率。在2011年，LucieDaubigney等使用卡尔曼滤波器(Kalman filtering)对EEG数据滤波后放入支持向量机(SVM)进行分类，对P300预测的精确率超过50％。到了2018年，Lawhern等提出了一个紧凑的卷积神经网络模型架构EEGNet，对single-trial P300进行分类最终在1500个样本上进行训练得到了超过0.9的AUC值。除此之外，也有许多研究者提出了如bayesian LinearDiscriminant Analysis(BLDA)、遗传算法(GA)、循环神经网络(RNN)等方法来进行single-trial分类。
另一个方面是通过改进实验范式使得同一个目标多次出现，从而实现使用multi-trial的ERP进行目标检测。2015年Cecotti等提出了dual-RSVP范式，该范式在脑磁图(MEG)数据上取得了良好的效果。2016年Zhimin Lin等对dual-RSVP范式在EEG数据上进行检验，确认了该范式在EEG数据上同样具备可行性。进一步，Zhimin Lin尝试了使用triple-RSVP来进行实验，相比于dual-RSVP取得了更好的效果。几乎多数的实验范式都是基于单个被试进行实验的，也有部分实验两个被试来完成不同的任务，进行对抗。
发明内容
针对现有技术的不足，本发明提出了一种基于双脑的多层次信息融合的目标检测方法，提出一种双被试、同任务的RSVP范式，使用双人的EEG信号来进行P300检测，并针对该范式提出了一种基于多层次信息融合的神经网络来进行目标检测，实现了范式和检测方法的创新。
一种基于双脑的多层次信息融合的目标检测方法，具体包括以下步骤：
步骤一、数据获取
两个被试同时接受来自同样的刺激，采集两个被试的脑电数据，作为目标检测数据。
步骤二、数据处理
建立HyperscanNet神经网络模型，包括超扫描特征模块、原始特征模块以及支持向量机。将步骤一采集得到的目标检测数据同时通过HyperscanNet神经网络模型的超扫描特征模块与原始特征模块的处理，得到待分类的特征输入到支持向量机中。
步骤2.1、输入到超扫描特征模块的目标检测数据经过滤波和通道选择后，按照时间维度进行切分：
X1，X2∈RC×T为目标检测数据经过滤波和通道选择后的脑电数据，C为通道数，T为时间长度，k为切分的份数，分别为两个被试切分后的第i段脑电数据，i＝1，2，...k。
X1，X2切分后的k份数据分别通过对应的k个LSTM模块进行特征提取，得到初步的特征矩阵F1，F2∈RC×T：
其中分别为X1、X2对应输入的第i个LSTM模块。
然后对初步特征矩阵F1、F2进行一维卷积，将通道数量由C融合为1实现空间融合，得到进一步的单脑特征Brain1，Brain2∈R1×T。再对两个单脑特征进行一次空间融合，得到融合后的特征mBrain∈R1×T：
最后通过跨层连接的方式将两个单脑特征与融合后的特征一起平铺后，作为超扫描特征模块输出的最终特征Fout：
步骤2.2、输入到原始特征模块的脑电信号通过滤波、通道选择以及降采样后，直接将数据进行标准化与平铺后作为特征输出。
作为优选，降采样后的数据频率为250Hz。
步骤三、模型训练
首先对HyperscanNet神经网络模型的超扫描特征模块进行训练，然后超扫描特征模块与原始特征模块输出的特征数据一起输入到支持向量机模块中进行训练。
步骤3.1、使用全连接层与softmax层进行网络的反向传播对超扫描特征模块进行训练，多次迭代训练后丢弃全连接层和softmax层，将超扫描特征模块输出的特征层融合特征与原始特征模块输出的数据层融合数据输入支持向量机。
步骤3.2、接收步骤3.1的数据后的支持向量机用于解决二次规划问题，通过对该二次规划问题进行求解，完成HyperscanNet神经网络模型的训练。
步骤四、数据分类
使用步骤三训练得到的HyperscanNet神经网络模型对提取得到的待分类特征进行分类，输出检测结果，得到被测目标是否接受到目标的刺激。
本发明具有以下有益效果：
1、通过两个模块对脑电数据分别实现特征层与数据层的双脑融合，保留了部分原始特征，提高分类准确率。
2、在特征层融合的过程中，对不同时间段的信息分别使用不同的LSTM模块进行特征提取，使得处于不同时间段的信息能够独立的进行处理，避免一些在P300预测中作用相对较小的时间段对作用相对较大的时间段造成干扰。
3、数据采集阶段同时采集两个被测对象的脑电数据，避免单脑检测中因受到干扰而造成的目标漏检。
附图说明
图1为分类过程示意图；
图2为HyperscanNet神经网络模型结构图。
具体实施方式
以下结合附图对本发明作进一步的解释说明；
一种基于双脑的多层次信息融合的目标检测方法，具体包括以下步骤：
步骤一、数据获取
图1为本实施例的分类过程示意图。本实施例中每次实验都有两个被试同时接受来自同一个屏幕的视觉刺激，并通过Neuroscan Synamps2***记录以国际10-20***脑电极分布的64个电极的脑电数据，采样率为1000Hz。将八个被试分成四组进行了四次实验，每次实验有20个sessions，每个session中包含50次刺激呈现，每个刺激呈现持续200ms，呈现后休息600ms，避免Attentional blink现象对P300的形成造成干扰。在20*50次刺激呈现中，有100次出现目标人物，900次为非目标人物。
步骤二、数据处理
建立HyperscanNet神经网络模型，包括超扫描特征模块、原始特征模块以及支持向量机。
将步骤一采集得到的目标检测数据分别通过HyperscanNet神经网络模型的超扫描特征模块与原始特征模块的处理，如图2所示。
步骤2.1、输入到超扫描特征模块的目标检测数据经过滤波和通道选择后，按照时间维度进行切分：
X1，X2∈RC×T为两个被试经过滤波和通道选择后的脑电数据，C为通道数，T为时间长度，k为切分的份数，分别为两个被试切分后的第i段脑电数据，i＝1，2，...k。
X1、X2切分后的k份数据分别通过对应的k个LSTM模块进行特征提取，得到初步的特征矩阵F1，F2∈RC×T：
其中分别为X1、X2对应输入的第i个LSTM模块。
对不同时间段的数据切分后再进行特征提取，可以使处于不同时间段的信息之间相互独立。针对不同时间段的不同成分采用不一样的特征提取方式，避免一些在P300预测中作用相对较小的时间段对作用相对较大的时间段造成干扰，影响准确度。
然后对初步特征矩阵F1、F2进行一维卷积，将通道数量由C融合为1实现空间融合，得到进一步的单脑特征Brain1，Brain2∈R1×T。再对两个单脑特征进行一次空间融合，得到融合后的特征mBrain∈R1×T：
最后通过跨层连接的方式将两个单脑特征与融合后的特征一起平铺后，作为超扫描特征模块输出的最终特征Fout：
步骤2.2、输入到原始特征模块的目标检测数据通过滤波、通道选择，降采样到250Hz后，直接将数据进行标准化与平铺后作为特征输出。
将两位被试的脑电信号通过两个模块进行特征提取，一方面通过超扫描特征模块完成了特征层的双脑融合。另一方面，原始特征模块通过简单的降采样、标准化等操作完成了数据层的融合，保留一些原始的特征。
步骤三、模型训练
首先对HyperscanNet神经网络模型的超扫描特征模块进行训练，然后超扫描特征模块与原始特征模块输出的特征数据一起输入到支持向量机模块中进行训练。
步骤3.1、使用全连接层与softmax层进行网络的反向传播对超扫描特征模块进行训练，多次迭代训练后丢弃全连接层和softmax层，将超扫描特征模块输出的特征层融合特征与原始特征模块输出的数据层融合数据输入支持向量机。
步骤3.2、接收步骤3.1的数据后的支持向量机用于解决二次规划问题，通过对该二次规划问题进行求解，完成HyperscanNet神经网络模型的训练。
步骤四、数据分类
使用步骤三训练得到的HyperscanNet神经网络模型对提取得到的两个被试脑电数据进行分类，输出结果为目标或非目标。
步骤一采集得到的数据集中，目标与非目标比例为1∶9，存在较为严重的样本不均衡现象。在这个比例下，想要确保所预测的目标为真目标的同时，尽可能找全目标存在较大的难度。因此，在评价模型时注重对目标的召回率与精确率，但是AUC返回的信息比较粗略，不能够直接或者间接获得目标的召回率或精确率信息，因此本发明中不采用AUC作为评价指标。
本实施例采用的评价指标为检测结果的F1 Score：
F1 Score为精确率precision与召回率recall的调和平均数，能够很好的协调精确率与召回率之间的关系，一旦精确率与召回率某个值过低，都会使得F1 Score大幅下降，即对而二者都有一定的要求。
下表为本实施例与使用其他网络模型的检测结果对比：
表1
表中sub表示被试，model表示模型，1、0.8、0.6这三个数值表示采用数据段的时间长度。
注意到S3与S4进行融合时存在双脑效果不如单脑的情况。但是除此之外，双脑的效果普遍要好于单脑。随着采用时间的减少，双脑与单脑检测能力的变化与被试有着很大关联，在被试S1+S2与被试S5+S6中，其受时间的影响相对较小。而在其余两组被试中则影响较大，可能是由于被试个人之间差异引起的。值得注意的是，融合较好的三组中，双脑采用0.6秒的时间，所达到的F1 Score能够与单脑采用1秒时间相当，甚至超越。

Claims (4)

1.一种基于双脑的多层次信息融合的目标检测方法，其特征在于：该方法具体包括以下步骤：
步骤一、数据获取
两个被试同时接受来自同样的刺激，采集两个被试的脑电数据，作为目标检测数据；
步骤二、数据处理
将步骤一采集得到的目标检测数据同时通过HyperscanNet神经网络模型的超扫描特征模块与原始特征模块的处理；
所述超扫描特征模块对目标检测数据经过滤波和通道选择后，按照时间维度进行切分，并将切分后的数据分别通过对应个数的LSTM模块进行特征提取，得到初步特征；再将初步特征的通道数降为1，得到两个单脑特征，对两个单脑特征融合后，通过跨层连接的方式将两个单脑特征与融合后的特征一起平铺，作为超扫描特征模块输出的最终特征；
所述原始特征模块对目标检测数据进行滤波、通道选择以及降采样后，直接将数据进行标准化与平铺处理后作为特征输出；
步骤三、数据分类
进行模型训练，具体方法为：
使用全连接层与softmax层进行网络的反向传播对超扫描特征模块进行训练，多次迭代训练后，将超扫描特征模块输出的特征层融合特征与原始特征模块输出的数据层融合数据输入支持向量机；支持向量机用于解决二次规划问题，通过对该二次规划问题进行求解，完成HyperscanNet神经网络模型的训练；
将超扫描特征模块与原始特征模块提取得到特征归并后，作为待分类的特征输入到支持向量机中；支持向量机输出检测结果。
2.如权利要求1所述一种基于双脑的多层次信息融合的目标检测方法，其特征在于：在步骤一的数据采集过程中，通过Neuroscan Synamps2***记录两个被试以国际10-20***脑电极分布的64个电极的脑电数据。
3.如权利要求1所述一种基于双脑的多层次信息融合的目标检测方法，其特征在于：在超扫描特征模块中利用一维卷积实现初步特征的空间融合，得到单脑特征。
4.如权利要求1所述一种基于双脑的多层次信息融合的目标检测方法，其特征在于：步骤二中经过原始特征模块降采样后的数据频率为250Hz。
CN202110373684.XA 2021-04-07 2021-04-07 一种基于双脑的多层次信息融合的目标检测方法 Active CN113191395B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110373684.XA CN113191395B (zh) 2021-04-07 2021-04-07 一种基于双脑的多层次信息融合的目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110373684.XA CN113191395B (zh) 2021-04-07 2021-04-07 一种基于双脑的多层次信息融合的目标检测方法

Publications (2)

Publication Number Publication Date
CN113191395A CN113191395A (zh) 2021-07-30
CN113191395B true CN113191395B (zh) 2024-02-09

Family

ID=76974923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110373684.XA Active CN113191395B (zh) 2021-04-07 2021-04-07 一种基于双脑的多层次信息融合的目标检测方法

Country Status (1)

Country Link
CN (1) CN113191395B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113425312B (zh) * 2021-07-30 2023-03-21 清华大学 脑电数据处理方法及装置
CN114403903A (zh) * 2022-01-14 2022-04-29 杭州电子科技大学 面向跨被试rsvp的多特征低维子空间erp检测方法
CN115337026B (zh) * 2022-10-19 2023-03-10 之江实验室 一种基于卷积神经网络的eeg信号特征检索方法、装置
CN115421597B (zh) * 2022-11-04 2023-01-13 清华大学 一种基于双脑耦合特征的脑机接口控制方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304917A (zh) * 2018-01-17 2018-07-20 华南理工大学 一种基于lstm网络的p300信号检测方法
CN110222643A (zh) * 2019-06-06 2019-09-10 西安交通大学 一种基于卷积神经网络的稳态视觉诱发电位信号分类方法
CN112244873A (zh) * 2020-09-29 2021-01-22 陕西科技大学 一种基于混合神经网络的脑电时空特征学习与情感分类方法
CN112528819A (zh) * 2020-12-05 2021-03-19 西安电子科技大学 基于卷积神经网络的p300脑电信号分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304917A (zh) * 2018-01-17 2018-07-20 华南理工大学 一种基于lstm网络的p300信号检测方法
CN110222643A (zh) * 2019-06-06 2019-09-10 西安交通大学 一种基于卷积神经网络的稳态视觉诱发电位信号分类方法
CN112244873A (zh) * 2020-09-29 2021-01-22 陕西科技大学 一种基于混合神经网络的脑电时空特征学习与情感分类方法
CN112528819A (zh) * 2020-12-05 2021-03-19 西安电子科技大学 基于卷积神经网络的p300脑电信号分类方法

Also Published As

Publication number Publication date
CN113191395A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN113191395B (zh) 一种基于双脑的多层次信息融合的目标检测方法
Esfahani et al. Classification of primitive shapes using brain–computer interfaces
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
Carlson et al. An introduction to time-resolved decoding analysis for M/EEG
CN111091074A (zh) 最优区域共空间模式的运动想象脑电信号分类方法
Haider et al. Performance enhancement in P300 ERP single trial by machine learning adaptive denoising mechanism
Caramia et al. Optimizing spatial filter pairs for EEG classification based on phase-synchronization
Mousa et al. A novel brain computer interface based on principle component analysis
CN113208593A (zh) 基于相关性动态融合的多模态生理信号情绪分类方法
Qian et al. Decision-level fusion of EEG and pupil features for single-trial visual detection analysis
Gu et al. AOAR: an automatic ocular artifact removal approach for multi-channel electroencephalogram data based on non-negative matrix factorization and empirical mode decomposition
Ouyang et al. Handling EEG artifacts and searching individually optimal experimental parameter in real time: a system development and demonstration
Shi et al. Categorizing objects from MEG signals using EEGNet
Ahmed et al. Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artefacts from electroencephalogram (EEG) mixtures
Haloi et al. Selection of appropriate statistical features of EEG signals for detection of Parkinson’s disease
Cong Blind source separation
CN112861629B (zh) 一种多窗口判别典型模式匹配方法及脑-机接口应用
Iaquinta et al. EEG multipurpose eye blink detector using convolutional neural network
CN113408444B (zh) 一种基于cnn-svm的事件相关电位信号分类方法
CN114519367A (zh) 基于样本学习的运动想象脑电频率特性分析方法及其***
CN110516711B (zh) Mi-bci***的训练集质量评估方法和单次训练样本的优化方法
CN114403903A (zh) 面向跨被试rsvp的多特征低维子空间erp检测方法
Wang et al. Residual learning attention cnn for motion intention recognition based on eeg data
Hasson-Meir et al. Inference of Brain Mental States from Spatio-temporal Analysis of EEG Single Trials.
Binias et al. Elimination of bioelectrical source overlapping effects from the EEG measurements

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