CN113536882B - 一种多类运动想象脑电信号特征提取及分类方法 - Google Patents
一种多类运动想象脑电信号特征提取及分类方法 Download PDFInfo
- Publication number
- CN113536882B CN113536882B CN202110252049.6A CN202110252049A CN113536882B CN 113536882 B CN113536882 B CN 113536882B CN 202110252049 A CN202110252049 A CN 202110252049A CN 113536882 B CN113536882 B CN 113536882B
- Authority
- CN
- China
- Prior art keywords
- motor imagery
- class
- signal
- matrix
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多类运动想象脑电信号特征提取及分类方法,首先使用脑电采集设备采集多导联运动想象脑电信号,利用巴特沃斯滤波器和共平均参考对脑电信号进行预处理;然后采用局部均值分解算法将预处理后的信号分解为一系列PF分量,并根据云理论的熵和超熵两个特征参数选取有效PF分量;随后将各导联的有效PF分量依次排列,构成新的信号矩阵,进而通过共空间模式提取脑电信号特征;最后将特征向量输入多目标灰狼优化的孪生支持向量机,完成对多类运动想象脑电信号的识别。本发明的方法提高了多类运动想象脑电信号的识别准确率。
Description
技术领域
本发明涉及脑电信号分类识别,具体涉及一种多类运动想象脑电信号特征提取及分类方法。
背景技术
目前,脑-机接口(Brain Computer Interface,BCI)技术作为一种可以直接在人脑和计算机设备建立通讯和控制的技术。该技术在医疗康复、智能家居、大众娱乐和军事领域有着广泛的应用前景。目前脑-机接口技术的研究方向主要为以下几个方面:感知运动节律、P300时间相关电位、慢皮层电位、稳态视觉诱发电位。其中基于运动想象的感知运动节律被广泛的用来进行BCI控制。
运动想象脑电信号的特征提取算法主要有自回归模型、小波变换、经验模态分解和共空间模式等。自回归模型是利用AR谱特征来反应脑电信号的时变特性,但是该方法适合分析平稳信号,不适于脑电信号这种非线性非平稳信号。小波变换作为一种处理非平稳信号的有力工具受到众多研究人员的青睐,但是由于脑电信号的复杂机理,导致小波基函数选择困难,对于不同个体缺乏自适应能力。经验模态分解作为一种处理非线性非平稳信号的自适应分解算法在特征提取方面展现出巨大优势,但是由于端点效应和模态混叠等现象的存在,会导致分解结果严重失真。共空间模式作为一种提取运动想象脑电信号特征的有效方法,是根据矩阵同时对角化的理论去寻找一个空间滤波器,从而完成脑电信号空域特征的提取,但是其需要大量的输入通道,并且缺乏频率信息。模式识别方法主要有极限学习机、K近邻、支持向量机、最小二乘法支持向量机和孪生支持向量机等。研究人员根据样本大小、特征维数和分类复杂度等来选择分类器,并通过遗传算法、网格优化算法和粒子群优化算法等确定分类器参数,实现对运动想象状态的识别。
因此,提供一种特征提取能力强、分类性能高的多类运动想象脑电信号识别方法已成为本领域研究人员亟待解决的技术问题。
发明内容
本发明的主要目的在于提供一种多类运动想象脑电信号特征提取及分类方法,实现对多类运动想象脑电信号的高精度识别。
本发明采用的技术方案是:一种多类运动想象脑电信号特征提取及分类方法,包括以下步骤:
第一步,使用脑电采集设备采集被试者不同运动想象状态下的多导联脑电信号,并划分为训练集和测试集;
第二步,信号预处理,采用巴特沃斯滤波器和共平均参考去除训练集脑电信号中的工频干扰和基线漂移等噪声,并对降噪后的信号进行镜像延拓处理;
第三步,将镜像延拓后的脑电信号进行局部均值分解,得到一系列PF分量,截去各PF分量的延拓部分,获得原脑电信号的PF分量;
第四步,根据云理论中的熵和超熵两个特征参数确定阈值,通过阈值来筛选有效PF分量,并将各导联PF分量依次排列构成新的信号矩阵;
第五步,利用共空间模式对不同运动想象任务的信号矩阵进行特征提取,构造特征向量;
第六步,运用多目标灰狼优化算法优化孪生支持向量机参数,并进行训练学习,得到分类器模型;
第七步,提取测试集运动想象脑电信号特征,并通过第六步得到的孪生支持向量机进行分类,完成对多类运动想象脑电信号的识别。
进一步地,所述第二步的具体步骤如下:
步骤1:选取运动想象相关的多导联脑电信号,其中为采样点数,为所选取的导联数量,表示第导联的脑电信号
(,);
步骤2:通过巴特沃斯滤波器对进行带通滤波,得到带通滤波后信号;
步骤3:利用共平均参考对滤波后的信号进行降噪处理,得到降噪后信号:
步骤4:对降噪后信号执行镜像扩展,扩展序列定义为:
式中:为镜像延拓后的脑电信号,其中。
更进一步地,所述第三步的具体步骤如下:
步骤1:对执行局部均值分解,得到若干个PF分量:
式中:表示第个导联第次筛选得到的PF分量,为残余分量;
步骤2:截取分量中片段的样本点,得到原脑电信号的PF分量,其中。
更进一步地,所述第四步的具体步骤如下:
步骤1:根据云理论计算的熵En和超熵He两个特征参数来确定阈值,通过阈值选取有效PF分量:
式中:和分别表示第个导联第个PF分量的熵和超熵,为的均值,为的二阶中心矩;
步骤2:将中的有效PF分量依次排列,构成,其中。
更进一步地,所述第四步中信号矩阵是通过对其余导联脑电数据均进行上述预处理、局部均值分解、PF分量筛选等操作得到,记为,其中为有效PF分量的总个数。
更进一步地,所述第五步的具体步骤如下:
步骤1:针对第1类和第2类运动想象任务的信号矩阵和,首先分别计算和的平均协方差矩阵和,并求出混合协方差矩阵,然后计算白化矩阵,并对和进行白化处理,得到白化后矩阵和,最后对和进行特征分解,得到共同特征向量矩阵,并选取前行和后行组成矩阵,从而构造出空间滤波器;
步骤2:同理对每两类运动想象任务进行步骤1处理,共构造个空间滤波器,其中为运动想象任务的类别数目,并将属于第类空间滤波器进行纵向拼接,构造第类运动想象任务的总体空间滤波器;
步骤3:首先对第类运动想象任务单次样本进行空间滤波:
式中,表示第类运动想象任务单个样本的特征矩阵;
然后对矩阵进行特征提取,计算公式如下:
式中:表示方差,,其中,则第类运动想象脑电信号特征向量,同理构造出每类运动想象任务的特征向量。
更进一步地,所述第六步的具体步骤如下:
步骤1:通过总体识别准确率和单类识别准确率构造目标函数,目标函数定义如下:
式中:代表总体识别准确率,代表第类识别准确率,是第类正确分类个数,是第类错误分类个数;
步骤2:根据参数范围及约束条件初始化孪生支持向量机惩罚参数和径向基核函数参数,即多目标灰狼优化算法中的初始种群;
步骤3:计算初始化种群中各灰狼的目标函数值,找出非支配解构成初始档案库,并从中选出三个最优解作为头狼,即狼、狼和狼,其余狼则作为狼;
步骤4:根据多目标灰狼优化算法的狼群捕猎机制和头狼选择机制来更新档案库;
步骤5:重复步骤4直至最大迭代次数,输出帕累托解集,即孪生支持向量机惩罚因子和径向基核函数参数解集。
更进一步地,所述第七步具体步骤如下:
步骤1:将测试数据进行第二步和第三步处理得到原脑电信号的PF分量集合;
步骤2:通过第四步确定的阈值筛选出有效PF分量,构造新的信号矩阵;
步骤3:利用第五步所求的空间滤波器对信号矩阵进行空间滤波,得到测试集特征;
步骤4:最后将测试集特征输入第六步训练好的孪生支持向量机中,实现对多类运动想象脑电信号的识别。
本发明的优点:
本发明的方法使用镜像扩展技术抑制局部均值分解的端点效应,并通过云理论中熵和超熵两个特征参数确定阈值,以此筛选输入共空间模式的有效PF分量,消除不相干频段的影响,增强共空间模式的特征提取能力;其次通过多目标灰狼优化孪生支持向量机的惩罚参数以及核函数参数,改善了分类器性能,提高了多类运动想象脑电信号的识别准确率。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明的方法流程框图;
图2是本发明实施例的实验时序图;
图3是本发明实施例的PF分量和频谱图;
图4是本发明实施例的被试者2的三类运动F3通道的PF分量的云理论特征参数;
图5是本发明实施例所提取的最重要两个特征分布图;
图6是本发明实施例的多目标灰狼算法流程框图;
图7是本发明实施例的不同方法识别率对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参考图1,一种多类运动想象脑电信号特征提取及分类方法,包括以下
步骤:
第一步,使用脑电采集设备采集被试者不同运动想象状态下的多导联脑电信号,并划分为训练集和测试集;
第二步,信号预处理,采用巴特沃斯滤波器和共平均参考去除训练集脑电信号中的工频干扰和基线漂移等噪声,并对降噪后的信号进行镜像延拓处理;
第三步,将镜像延拓后的脑电信号进行局部均值分解,得到一系列PF分量,截去各PF分量的延拓部分,获得原脑电信号的PF分量;
第四步,根据云理论中的熵和超熵两个特征参数确定阈值,通过阈值来筛选有效PF分量,并将各导联PF分量依次排列构成新的信号矩阵;
第五步,利用共空间模式对不同运动想象任务的信号矩阵进行特征提取,构造特征向量;
第六步,运用多目标灰狼优化算法优化孪生支持向量机参数,并进行训练学习,得到分类器模型;
第七步,提取测试集运动想象脑电信号特征,并通过第六步得到的孪生支持向量机进行分类,完成对多类运动想象脑电信号的识别。
第二步的具体步骤如下:
步骤1:选取运动想象相关的多导联脑电信号,其中为采样点数,为所选取的导联数量,表示第导联的脑电信号
(,);
步骤2:通过巴特沃斯滤波器对进行带通滤波(8Hz~30Hz),得到带通滤波后信号;
步骤3:利用共平均参考对滤波后的信号进行降噪处理,得到降噪后信号:
步骤4:对降噪后信号执行镜像扩展,扩展序列定义为:
式中:为镜像延拓后的脑电信号,其中。
第三步的具体步骤如下:
步骤1:对执行局部均值分解,得到若干个PF分量:
式中:表示第个导联第次筛选得到的PF分量,为残余分量;
步骤2:截取分量中片段的样本点,得到原脑电信号的PF分量,其中。
第四步的具体步骤如下:
步骤1:根据云理论计算的熵En和超熵He两个特征参数来确定阈值,通过阈值选取有效PF分量:
式中:和分别表示第个导联第个PF分量的熵和超熵,为的均值,为的二阶中心矩;
步骤2:将中的有效PF分量依次排列,构成,其中(为有效PF分量阶数)。
第四步中信号矩阵是通过对其余导联脑电数据均进行上述预处理、局部均值分解、PF分量筛选等操作得到,记为,其中为有效PF分量的总个数。
第五步的具体步骤如下:
步骤1:针对第1类和第2类运动想象任务的信号矩阵和,首先分别计算和的平均协方差矩阵和,并求出混合协方差矩阵,然后计算白化矩阵,并对和进行白化处理,得到白化后矩阵和,最后对和进行特征分解,得到共同特征向量矩阵,并选取前行和后行组成矩阵,从而构造出空间滤波器;
步骤2:同理对每两类运动想象任务进行步骤1处理,共构造个空间滤波器,其中为运动想象任务的类别数目,并将属于第类空间滤波器进行纵向拼接,构造第类运动想象任务的总体空间滤波器;
步骤3:首先对第类运动想象任务单次样本进行空间滤波:
式中,表示第类运动想象任务单个样本的特征矩阵;
然后对矩阵进行特征提取,计算公式如下:
式中:表示方差,,其中,则第类运动想象脑电信号特征向量,同理构造出每类运动想象任务的特征向量。
第六步的具体步骤如下:
步骤1:通过总体识别准确率和单类识别准确率构造目标函数,目标函数定义如下:
式中:代表总体识别准确率,代表第类识别准确率,是第类正确分类个数,是第类错误分类个数;
步骤2:根据参数范围及约束条件初始化孪生支持向量机惩罚参数和径向基核函数参数,即多目标灰狼优化算法中的初始种群;
步骤3:计算初始化种群中各灰狼的目标函数值,找出非支配解构成初始档案库,并从中选出三个最优解作为头狼,即狼、狼和狼,其余狼则作为狼;
步骤4:根据多目标灰狼优化算法的狼群捕猎机制和头狼选择机制来更新档案库;
步骤5:重复步骤4直至最大迭代次数,输出帕累托解集,即孪生支持向量机惩罚因子和径向基核函数参数解集。
第七步具体步骤如下:
步骤1:将测试数据进行第二步和第三步处理得到原脑电信号的PF分量集合;
步骤2:通过第四步确定的阈值筛选出有效PF分量,构造新的信号矩阵;
步骤3:利用第五步所求的空间滤波器对信号矩阵进行空间滤波,得到测试集特征;
步骤4:最后将测试集特征输入第六步训练好的孪生支持向量机中,实现对多类运动想象脑电信号的识别。
为证实本发明的有效性,本实施例设计了上肢单关节三类运动想象实验范式。Emotiv Epoc+设备用于脑电实验数据采集,该设备包括14个通道和2个参考电极,采样频率128Hz,遵循国际10-20标准布置电极。实验执行肩部前屈、后伸和外展三种运动想象任务,共有7名被试者参加。
实验时被试者双手自然放置,保持放松状态,在外界提示下作三类运动想象。实验时序图如图2所示,实验开始时,被试者注视白色空屏;在t=1s时,出现一个短暂的蜂鸣声,屏幕上出现一个“+”,提示被试者进行准备;在t=3s时,出现一个持续1.25s箭头,指向上边、下边和右边,这个箭头提示被试者想象肩部前屈、后伸和外展;在t=7s时,结束运动想象;下一次试验在休息2s后继续进行。每名受试者每类动作各采集80组数据,共计240组,其中训练数据与测试数据各120组(三种运动想象任务各40组)。
首先进行导联选取和预处理,由于F3、F4、FC5、FC6导联位于运动想象最敏感的大脑中央区,故本实施例选用上述四个导联4~7s的脑电信号进行运动想象分析;采用5阶巴特沃斯滤波器对原始信号进行8~30Hz的带通滤波,之后通过共平均参考对带通滤波后的脑电信号进行降噪处理,得到降噪后的脑电信号;随后对脑电信号执行镜像扩展,扩展序列。
然后对扩展序列执行局部均值分解,得到不同个数的PF分量,并截取各PF分量延拓部分的样本点(即中的第385~第768个点,共384个数据点),得到原始脑电信号的PF分量。以被试者2肩部外展运动想象脑电数据为例,执行局部均值分解得到的前四阶PF分量如图3(a)所示,对应频谱图如图3(b)所示。随之根据云理论计算各PF分量的熵En和超熵He两个特征参数来确定阈值,筛选出有效PF分量。图4为被试者2的三类运动F3通道的PF分量的熵和超熵两个特征参数。通过大量数据分析,本实施例选择第一阶PF分量作为有效PF分量。即选取所有通道第一阶PF分量组成新的信号矩阵。同理对不同运动想象任务的训练集数据重复上述操作,得到肩部外展运动的信号矩阵,肩部后伸运动的信号矩阵,肩部前屈运动的信号矩阵。
接着分别计算类和类运动想象任务信号矩阵的平均协方差矩阵和,进而求得混合协方差矩阵,求得特征向量矩阵和特征值对角矩阵,求出白化矩阵,接着分别对和进行白化处理,得到相应白化后矩阵和,经特征值分解后,得到公共特征向量,选取前2行和后2行组成矩阵,求得空间滤波器。同理在每两类间构造空间滤波器,共构造6个空间滤波器,并将属于每一类空间滤波器进行纵向拼接,构造C出每类的总体空间滤波器:
将A类的单次样本通过空间滤波得到,并进行特征提取,得到A类运动想象脑电信号8维特征向量。同理对A类其余样本进行空间滤波,得到A类运动想象任务的训练集特征。按照上述方式对E类和F类运动想象任务进行处理,得到训练集特征和。图5为所提取的最重要两个特征分布图。
最后,通过多目标灰狼优化算法优化孪生支持向量机的惩罚参数、和核函数参数,并进行训练学习,建立最终分类器模型。多目标灰狼算法流程框图如图6所示。
同理按照上述方式提取测试数据特征,但是在有效PF分量筛选和空间滤波时,直接采用训练数据所确定的阈值和所构造的空间滤波器,完成测试数据的特征提取过程。将测试特征输入训练好的孪生支持向量机分类器中,实现对三类运动想象信号的分类识别,并与现有几种方法进行比较,证明了所提出的方法具有优越性。图7为不同方法识别率对比图。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种多类运动想象脑电信号特征提取及分类方法,其特征在于,包括以下步骤:
第一步,使用脑电采集设备采集被试者不同运动想象状态下的多导联脑电信号,并划分为训练集和测试集;
第二步,信号预处理,采用巴特沃斯滤波器和共平均参考去除训练集脑电信号中的工频干扰和基线漂移这些噪声,并对降噪后的信号进行镜像延拓处理;
第三步,将镜像延拓后的脑电信号进行局部均值分解,得到一系列PF分量,截去各PF分量的延拓部分,获得原脑电信号的PF分量;
第四步,根据云理论中的熵和超熵两个特征参数确定阈值,通过阈值来筛选有效PF分量,并将各导联PF分量依次排列构成新的信号矩阵;
第五步,利用共空间模式对不同运动想象任务的信号矩阵进行特征提取,构造特征向量;
第六步,运用多目标灰狼优化算法优化孪生支持向量机参数,并进行训练学习,得到分类器模型;
第七步,提取测试集运动想象脑电信号特征,并通过第六步得到的孪生支持向量机进行分类,完成对多类运动想象脑电信号的识别。
2.根据权利要求1所述的多类运动想象脑电信号特征提取及分类方法,其特征在于,所述第二步的具体步骤如下:
步骤1:选取运动想象相关的多导联脑电信号,其中为采样点数,为所选取的导联数量, 表示第导联的脑电信号
(,);
步骤2:通过巴特沃斯滤波器对进行带通滤波,得到带通滤波后信号;
步骤3:利用共平均参考对滤波后的信号进行降噪处理,得到降噪后信号:
步骤4:对降噪后信号执行镜像扩展,扩展序列定义为:
式中:为镜像延拓后的脑电信号,其中。
3.根据权利要求1所述的多类运动想象脑电信号特征提取及分类方法,其特征在于,所述第三步的具体步骤如下:
步骤1:对执行局部均值分解,得到若干个PF分量:
式中:表示第个导联第次筛选得到的PF分量,为残余分量;
步骤2:截取分量中片段的样本点,得到原脑电信号的PF分量,其中。
4.根据权利要求1所述的多类运动想象脑电信号特征提取及分类方法,其特征在于,所述第四步的具体步骤如下:
步骤1:根据云理论计算的熵En和超熵He两个特征参数来确定阈值,通过阈值选取有效PF分量:
式中:和分别表示第个导联第个PF分量的熵和超熵,为的均值,为的二阶中心矩;
步骤2:将中的有效PF分量依次排列,构成,其中。
5.根据权利要求1所述的多类运动想象脑电信号特征提取及分类方法,其特征在于,所述第四步中信号矩阵是通过对其余导联脑电数据均进行上述预处理、局部均值分解、PF分量筛选这些操作得到,记为,其中为有效PF分量的总个数。
6.根据权利要求1所述的多类运动想象脑电信号特征提取及分类方法,其特征在于,所述第五步的具体步骤如下:
步骤1:针对第1类和第2类运动想象任务的信号矩阵和,首先分别计算和的平均协方差矩阵和,并求出混合协方差矩阵,然后计算白化矩阵,并对和进行白化处理,得到白化后矩阵和,最后对和进行特征分解,得到共同特征向量矩阵,并选取前行和后行组成矩阵,从而构造出空间滤波器;
步骤2:同理对每两类运动想象任务进行步骤1处理,共构造个空间滤波器,其中为运动想象任务的类别数目,并将属于第类空间滤波器进行纵向拼接,构造第类运动想象任务的总体空间滤波器;
步骤3:首先对第类运动想象任务单次样本进行空间滤波:
式中, 表示第类运动想象任务单个样本的特征矩阵;
然后对矩阵进行特征提取,计算公式如下:
式中:表示方差,,其中,则第类运动想象脑电信号特征向量,同理构造出每类运动想象任务的特征向量。
7.根据权利要求1所述的多类运动想象脑电信号特征提取及分类方法,其特征在于,所述第六步的具体步骤如下:
步骤1:通过总体识别准确率和单类识别准确率构造目标函数,目标函数定义如下:
式中:代表总体识别准确率,代表第类识别准确率,是第类正确分类个数,是第类错误分类个数;
步骤2:根据参数范围及约束条件初始化孪生支持向量机惩罚参数和径向基核函数参数,即多目标灰狼优化算法中的初始种群;
步骤3:计算初始化种群中各灰狼的目标函数值,找出非支配解构成初始档案库,并从中选出三个最优解作为头狼,即狼、狼和狼,其余狼则作为狼;
步骤4:根据多目标灰狼优化算法的狼群捕猎机制和头狼选择机制来更新档案库;
步骤5:重复步骤4直至最大迭代次数,输出帕累托解集,即孪生支持向量机惩罚因子和径向基核函数参数解集。
8.根据权利要求1所述的多类运动想象脑电信号特征提取及分类方法,其特征在于,所述第七步具体步骤如下:
步骤1:将测试数据进行第二步和第三步处理得到原脑电信号的PF分量集合;
步骤2:通过第四步确定的阈值筛选出有效PF分量,构造新的信号矩阵;
步骤3:利用第五步所求的空间滤波器对信号矩阵进行空间滤波,得到测试集特征;
步骤4:最后将测试集特征输入第六步训练好的孪生支持向量机中,实现对多类运动想象脑电信号的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110252049.6A CN113536882B (zh) | 2021-03-08 | 2021-03-08 | 一种多类运动想象脑电信号特征提取及分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110252049.6A CN113536882B (zh) | 2021-03-08 | 2021-03-08 | 一种多类运动想象脑电信号特征提取及分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113536882A CN113536882A (zh) | 2021-10-22 |
CN113536882B true CN113536882B (zh) | 2023-04-07 |
Family
ID=78124290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110252049.6A Active CN113536882B (zh) | 2021-03-08 | 2021-03-08 | 一种多类运动想象脑电信号特征提取及分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536882B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114129175A (zh) * | 2021-11-19 | 2022-03-04 | 江苏科技大学 | 基于lstm和bp的运动想象脑电信号的分类方法 |
CN114118175A (zh) * | 2021-12-21 | 2022-03-01 | 中元汇吉生物技术股份有限公司 | Maldi-tof质谱信号的预处理方法、设备及介质 |
CN116522103A (zh) * | 2022-11-21 | 2023-08-01 | 杭州电力设备制造有限公司 | 基于itd分解和麻雀优化的孪生支持向量机的电能质量扰动分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091172A (zh) * | 2014-07-04 | 2014-10-08 | 北京工业大学 | 一种运动想象脑电信号的特征提取方法 |
CN108573207A (zh) * | 2017-12-22 | 2018-09-25 | 南京邮电大学 | Emd和csp融合最优波长空间滤波脑电特征提取方法 |
CN108960299A (zh) * | 2018-06-15 | 2018-12-07 | 东华大学 | 一种多类运动想象脑电信号的识别方法 |
CN109480834A (zh) * | 2018-12-20 | 2019-03-19 | 浙江大学 | 一种基于快速多维经验模态分解的脑电信号分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101741739B1 (ko) * | 2016-02-19 | 2017-05-31 | 광주과학기술원 | 브레인 컴퓨터 인터페이스를 위한 장치 및 방법 |
US11199904B2 (en) * | 2017-10-06 | 2021-12-14 | Holland Bloorview Kids Rehabilitation Hospital | Brain-computer interface platform and process for classification of covert speech |
-
2021
- 2021-03-08 CN CN202110252049.6A patent/CN113536882B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091172A (zh) * | 2014-07-04 | 2014-10-08 | 北京工业大学 | 一种运动想象脑电信号的特征提取方法 |
CN108573207A (zh) * | 2017-12-22 | 2018-09-25 | 南京邮电大学 | Emd和csp融合最优波长空间滤波脑电特征提取方法 |
CN108960299A (zh) * | 2018-06-15 | 2018-12-07 | 东华大学 | 一种多类运动想象脑电信号的识别方法 |
CN109480834A (zh) * | 2018-12-20 | 2019-03-19 | 浙江大学 | 一种基于快速多维经验模态分解的脑电信号分类方法 |
Non-Patent Citations (1)
Title |
---|
基于SJ-GDA和DT-KNN的人工智能多类运动设计与研究;林福,等;《机械设计》;20200731;第37卷(第7期);第110-115页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113536882A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113536882B (zh) | 一种多类运动想象脑电信号特征提取及分类方法 | |
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 | |
CN109598222B (zh) | 基于eemd数据增强的小波神经网络运动想象脑电分类方法 | |
Xu et al. | High accuracy classification of EEG signal | |
CN101596101A (zh) | 依据脑电信号判定疲劳状态的方法 | |
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 | |
CN108038429A (zh) | 一种运动执行的单次脑电特征提取分类方法 | |
CN110399846A (zh) | 一种基于多通道肌电信号相关性的手势识别方法 | |
CN112022153B (zh) | 基于卷积神经网络的脑电信号检测方法 | |
CN109657646B (zh) | 生理时间序列的特征表示与提取方法、装置及存储介质 | |
CN112515685A (zh) | 基于时频共融的多通道脑电信号通道选择方法 | |
CN111310656A (zh) | 基于多线性主成分分析的单次运动想象脑电信号识别方法 | |
CN112674782B (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
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 | |
CN111067517B (zh) | 基于静息态脑电特征的运动想象响应能力筛选方法 | |
CN113191395A (zh) | 一种基于双脑的多层次信息融合的目标检测方法 | |
CN109858537A (zh) | 改进的eemd与csp结合的脑电信号特征提取方法 | |
CN111820876A (zh) | 一种脑电空间滤波器的动态构建方法 | |
Ahmed et al. | Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artefacts from electroencephalogram (EEG) mixtures | |
Imran et al. | Motor imagery EEG signal classification scheme based on wavelet domain statistical features | |
Hindarto et al. | Feature Extraction ElectroEncephaloGram (EEG) using wavelet transform for cursor movement | |
CN116796267A (zh) | 基于EEGNet和LSTM并行网络的脑电信号多分类方法及*** | |
CN116226624A (zh) | 一种基于张量分解的运动想象脑机接口的通道选择方法 | |
CN114721514A (zh) | 一种基于脑电信号的几何模型选择意图判别方法及*** | |
CN114358090A (zh) | 一种基于psd和csp的运动想象脑电信号分类方法 |
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 |