CN114387668A - 一种基于多层次神经肌肉耦合特征信息融合的分类方法 - Google Patents
一种基于多层次神经肌肉耦合特征信息融合的分类方法 Download PDFInfo
- Publication number
- CN114387668A CN114387668A CN202111674185.0A CN202111674185A CN114387668A CN 114387668 A CN114387668 A CN 114387668A CN 202111674185 A CN202111674185 A CN 202111674185A CN 114387668 A CN114387668 A CN 114387668A
- Authority
- CN
- China
- Prior art keywords
- brain
- muscle
- coupling
- network
- electromyographic
- 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
- 230000008878 coupling Effects 0.000 title claims abstract description 58
- 238000010168 coupling process Methods 0.000 title claims abstract description 58
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000004927 fusion Effects 0.000 title claims abstract description 29
- 230000002232 neuromuscular Effects 0.000 title claims abstract description 21
- 210000004556 brain Anatomy 0.000 claims abstract description 34
- 230000009471 action Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 17
- 210000003205 muscle Anatomy 0.000 claims description 11
- 241000039077 Copula Species 0.000 claims description 8
- 230000003183 myoelectrical effect Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 230000004424 eye movement Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012880 independent component analysis Methods 0.000 claims description 2
- 230000004118 muscle contraction Effects 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 230000033001 locomotion Effects 0.000 abstract description 10
- 230000007547 defect Effects 0.000 abstract 1
- 239000000284 extract Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 210000000653 nervous system Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 206010049565 Muscle fatigue Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000000337 motor cortex Anatomy 0.000 description 1
- 230000004220 muscle function Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 108091008706 proprioceptors Proteins 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 210000004092 somatosensory cortex Anatomy 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于多层次神经肌肉耦合特征信息融合的分类方法,包括:多通道脑肌电信号的同步采集;预处理;多层次神经肌肉耦合特征提取;基于典型相关分析的特征融合和基于流形多类核最小平方误差的特征分类,分别提取脑‑脑、脑‑肌、肌‑肌耦合特征、传统脑肌电信号特征,对提取的特征信息进行特征融合,然后采用基于流形多类核最小平方误差算法训练分类器并对不同的动作进行分类。该方法克服了传统的基于生物电信号的动作识别方法中未全面考虑脑‑脑、肌‑肌、脑‑肌、脑肌电信号协作进行运动控制的缺点,在基于生物电信号的动作识别中具有良好的应用前景。
Description
技术领域
本发明涉及一种基于多层次神经肌肉耦合特征信息融合的分类方法,属于模式识别领域。
背景技术
大脑运动皮层通过脊髓和周围神经控制骨骼肌运动,使肢体完成特定动作;而肢体运动信息经本体感受器传入躯体感觉皮层又反过来影响大脑的活动,皮层和肌肉之间具有天然的对应和因果关系。肌电信号是肢体动作时最直接相关的生理信号,脑电信号和肌电信号分别体现了大脑对肌肉的运动控制信息和肌肉功能的响应信息,两者活动状态的相干分析可以反映脑电与肌电之间的相互作用,运用生理电信号耦合分析为理解运动控制过程提供了理论基础。
1995年Conway等人发现运动过程中皮层脑电与相关肌电存在脑肌相干性,研究者开始采用不同的分析方法(如相干性、格兰杰因果、互信息、传递熵等)建立脑电与肌电信号间的连接关系,获取大脑运动意识驱动与肌肉运动响应之间的功能联系,并提取耦合特征,采用分类器进行分类。Xi等将符号传递熵和图论结合构建脑肌耦合网络,并提取了网络特征用于K近邻算法训练分类器,用于运动疲劳的检测,结果表明该方法在运动疲劳检测中具有较高的准确率。席旭刚等采用小波变换与相干性分析方法对采集到的肌电信号提取特征向量,输入到支持向量机分类器,对手部的多个动作进行分类,结果表明该方法能够以较高识别率区分伸腕、屈腕、展拳、握拳这四种动作。除此之外,研究者可以直接提取脑肌电信号特征进行分类,葛荣祥等分别提取了脑电信号的时域统计量以及肌电信号的积分肌电值、样本熵等特征向量对手部动作进行识别。Wang等提取肌电信号的均方根、平均频率和带谱熵等特征实现了对肌肉疲劳的分类。
以上研究都是从单一的层次提取脑肌之间的功能联系特征,为提取更有效的特征,本发明提出基于多层次神经肌肉耦合特征信息融合的分类方法,分别提取脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征,对提取的特征信息进行特征融合,然后训练分类器对不同的动作进行分类,从神经***的内源角度为动作识别提供一种新的方法。
发明内容
本发明的目的是针对现有技术的不足,提供一种基于多层次神经肌肉耦合特征信息融合的分类方法,分别提取脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征,对提取的特征信息进行特征融合,然后训练分类器对不同的动作进行分类。
为实现上述目的,本发明的技术方案是:
一种基于多层次神经肌肉耦合特征信息融合的分类方法,包括以下步骤:
步骤一和步骤二:多通道脑肌电信号的同步采集与预处理;
具体为:同步采集受试者的多通道脑肌电信号,并对采集的脑肌电信号进行预处理;
步骤三:多层次神经肌肉耦合特征提取;
具体为:分别提取脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征。其中,脑-脑耦合特征选用脑-脑耦合网络中的网络强度、聚类系数和特征路径长度;脑-肌耦合特征选用脑肌两两通道间的互信息;肌-肌耦合特征选用两两通道间的皮尔逊相关系数;传统肌电信号特征选用均方根、均值频率;传统脑电信号特征选用排列熵和功率谱。
步骤四:基于典型相关分析的特征融合;
对步骤三中提取的所有脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征采用典型相关分析方法进行特征融合,分别在标准动作时和训练时提取样本特征向量组成样本空间X和Y。
x和y分别为X和Y的向量,进行变换:
其中,W为典型投影变换矩阵,T表示转置,Z作为投影后的组合特征将用于分类;
步骤五:基于流形多类核最小平方误差的特征分类;
采用基于流形多类核最小平方误差算法训练分类器对步骤四中得到的特征进行分类。
与现有技术相比,本发明的有益效果在于:
本发明涉及的基于多层次神经肌肉耦合特征信息融合的分类方法,传统的基于生物电信号的动作识别方法是从单一的层次提取脑肌之间的功能联系特征。由于运动控制过程中,大脑皮层与肌肉共同参与,单纯地只考虑脑肌电信号或只考虑脑-脑、脑-肌、肌-肌其中之一的耦合特征都不能准确地表征神经***的特征。针对该问题,本发明提出基于多层次神经肌肉耦合特征信息融合的分类方法,分别提取脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征,对提取的特征信息进行特征融合,然后采用基于流形多类核最小平方误差算法训练分类器。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于多层次神经肌肉耦合特征信息融合的分类方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
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,对本发明专利提供的基于多层次神经肌肉耦合特征信息融合的分类方法进行详细说明,包括以下步骤:(1)多通道脑肌电信号的同步采集;(2)预处理;(3)多层次神经肌肉耦合特征提取;(4)基于典型相关分析的特征融合;(5)基于流形多类核最小平方误差的特征分类。下面逐一对各步骤进行详细说明。
步骤一:多通道脑肌电信号的同步采集
通过肌电传感器与脑电帽同步采集不同手部动作下的表面肌电信号和脑电信号。
步骤二:预处理
对采集的脑肌电信号进行去噪处理,其中对脑电信号进行独立成分分析去除脑电信号中的眼动、肌电伪迹,对肌电信号进行去均值、去基线漂移,再利用无限冲激响应陷波滤波器抑制50Hz工频干扰,最后对脑肌电信号分别进行0~75Hz的低通滤波。
步骤三:多层次神经肌肉耦合特征提取
本发明分别提取脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征。
脑-脑耦合特征:
在脑-脑耦合网络中,选取脑电通道为网络节点,选用Copula互信息度量节点间关联性,得到邻接矩阵。
互信息MI与Copula熵存在以下关系:
MI(A,B)=-Hc(FA(a),FB(b)) (1)
其中,FA(a)和FB(b)分别为变量A和B的累积分布函数,Hc(FA(a),FB(b))为变量A和B的Copula熵,由式(1)得到的互信息称为Copula互信息,以此作为脑-脑耦合网络的连接权值。
选用复杂网络中的网络强度、聚类系数和特征路径长度作为网络的特征。
网络强度SN的定义为:
其中,M是节点数,s(i)为节点强度,网络强度越大,表明各通道之间关联性越强,反之,网络各通道间相互的关联性较弱。
网络的聚类系数CCN定义为:
其中,CC(i)为节点的聚类系数,网络的聚类系数越高,表明网络的连通性越好。
网络的特征路径长度PLN定义为:
其中,pl(i)为节点的特征路径长度,网络的特征路径长度越短,表明网络的信息传输速度越快,反之,网络传输信息的速度越慢。
脑-肌耦合特征:
互信息是度量两个变量间的非线性相关,提取两两通道之间的互信息作为脑-肌耦合特征。
肌-肌耦合特征:
皮尔逊相关系数是用于度量两个变量间的线性相关,提取两两通道之间的皮尔逊相关系数作为肌-肌耦合特征。
传统肌电信号特征:
均方根(Root mean square,RMS)记录了表面肌电信号的振幅大小,在一定程度上反映各肌肉收缩的程度,具体可表示为:
其中,N是滑动窗口的长度,qi是第i个样本点。
均值频率(MeanFrequency,MNF)定义为:
其中,ei表示频段上的频谱,pi表示该频段上的功率谱强度,F是整个频段长度。
传统脑电信号特征:
排列熵的定义为:
其中,g为重构分量的个数,Pj为符号的概率分布,排列熵值越大,表示信号时间序列越随机,信号越复杂;反之,则说明信号序列越规则,复杂度较小。
功率谱定义为:
其中,D(f)为功率谱密度函数,f1和f2为频带的下限和上限。
步骤四:基于典型相关分析的特征融合
对步骤三中提取的所有脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征采用典型相关分析方法进行特征融合,分别在标准动作时和训练时提取样本特征向量组成样本空间X和Y。
x和y分别为X和Y的向量,计算X和Y的协方差矩阵Sxx,Syy及互协方差矩阵Sxy,根据准则函数:
求得典型投影向量α和β,其中,T表示转置,根据α和β获取组合特征典型判别向量X*和Y*:
其中,αi,βi为x和y的第i对典型投影向量,d为选取的投影向量的个数,U=(α1,α2,...αd),V=(β1,β2,...βd),进行变换:
其中W定义为:
W为典型投影变换矩阵,Z作为投影后的组合特征将用于分类。
步骤五:基于流形多类核最小平方误差的特征分类
传统分类器的监督学***方误差算法(McLapKMSE)训练分类器对步骤四中得到的特征进行分类,该算法能在较少的标记样本情况下充分挖掘未标记样本的信息,提高其分类性能。
假设{(z1,c1),…,(zl,cl),zl+1,…zn}为所有受试者的数据,l为有标签的样本数量,zi为所提取的受试者的融合后的特征向量,ci为zi的标签向量,如果zi属于第k类,则ci的第k个值为1,其余值为0。McLapKMSE训练分类器的目标函数如下:
其中,第一项为保真项,第二项描述了分类器的复杂度,第三项代表了标记和未标记样本的流形结构。λ1和λ2为正则化系数,f(zi)为第i个样本的估计标签向量,Tr(·)表示迹,φ为分类器的判别系数矩阵,n为样本的数量,wij表示近邻图中样本点zi和zj之间的边权重。
利用再生核理论和表示定理,式(13)可写成矩阵形式:
其中,K为Gram矩阵,Kij=K(zi,zj),K为核函数,Kl表示K的前l行,C为所有标记样本的标签向量组成的标签矩阵,L为Laplacian矩阵。
采用已标记的数据和未标记的数据训练分类器,再对未标记的测试数据进行分类,从而得到手部动作的类型。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (5)
1.一种基于多层次神经肌肉耦合特征信息融合的分类方法,其特征在于:包括以下步骤:
步骤一:多通道脑肌电信号的同步采集:同步采集受试者的多通道脑肌电信号;
步骤二:预处理:对采集的脑肌电信号进行预处理;
步骤三:多层次神经肌肉耦合特征提取:分别提取脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征;
脑-脑耦合特征选用脑-脑耦合网络中的网络强度、聚类系数和特征路径长度;
脑-肌耦合特征选用脑肌两两通道间的互信息;
肌-肌耦合特征选用两两通道间的皮尔逊相关系数;
传统肌电信号特征选用均方根、均值频率;
传统脑电信号特征选用排列熵和功率谱;
步骤四:基于典型相关分析的特征融合:对步骤三中提取的所有脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征采用典型相关分析方法进行特征融合,分别在标准动作时和训练时提取样本特征向量组成样本空间X和Y;
x和y分别为X和Y的向量,进行变换:
其中,W为典型投影变换矩阵,T表示转置,Z作为投影后的组合特征将用于分类;
步骤五:基于流形多类核最小平方误差的特征分类:采用基于流形多类核最小平方误差算法训练分类器对步骤四中得到的特征进行分类。
2.根据权利要求1所述的一种基于多层次神经肌肉耦合特征信息融合的分类方法,其特征在于:所述步骤一具体包括:通过肌电传感器与脑电帽同步采集不同手部动作下的表面肌电信号和脑电信号。
3.根据权利要求2所述的一种基于多层次神经肌肉耦合特征信息融合的分类方法,其特征在于:所述步骤二具体包括:对采集的脑肌电信号进行去噪处理,对脑电信号进行独立成分分析去除脑电信号中的眼动、肌电伪迹,对肌电信号进行去均值、去基线漂移,再利用无限冲激响应陷波滤波器抑制50Hz工频干扰,最后对脑肌电信号分别进行0~75Hz的低通滤波。
4.根据权利要求3所述的一种基于多层次神经肌肉耦合特征信息融合的分类方法,其特征在于:所述步骤三的具体步骤包括:
S1:提取脑-脑耦合特征:
在脑-脑耦合网络中,选取脑电通道为网络节点,选用Copula互信息度量节点间关联性,得到邻接矩阵。
互信息MI与Copula熵存在以下关系:
MI(A,B)=-Hc(FA(a),FB(b)) (1)
其中,FA(a)和FB(b)分别为变量A和B的累积分布函数,Hc(FA(a),FB(b))为变量A和B的Copula熵,由式(1)得到的互信息称为Copula互信息,作为脑-脑耦合网络的连接权值;
选用复杂网络中的网络强度、聚类系数和特征路径长度作为网络的特征,网络强度SN的定义为:
其中,M是节点数,s(i)为节点强度,网络强度越大,
网络的聚类系数CCN定义为:
其中,CC(i)为节点的聚类系数,
网络的特征路径长度PLN定义为:
其中,pl(i)为节点的特征路径长度,
S2:提取脑-肌耦合特征:
互信息是度量两个变量间的非线性相关,提取两两通道之间的互信息作为脑-肌耦合特征;
S3:提取肌-肌耦合特征:
皮尔逊相关系数是用于度量两个变量间的线性相关,提取两两通道之间的皮尔逊相关系数作为肌-肌耦合特征;
S4:传统肌电信号特征:
均方根记录表面肌电信号的振幅大小,反映各肌肉收缩的程度,具体可表示为:
其中,N是滑动窗口的长度,qi是第i个样本点;
均值频率定义为:
其中,ei表示频段上的频谱,pi表示该频段上的功率谱强度,F是整个频段长度;
S5:提取传统脑电信号特征:
排列熵的定义为:
其中,g为重构分量的个数,Pj为符号的概率分布。
5.根据权利要求4所述的一种基于多层次神经肌肉耦合特征信息融合的分类方法,其特征在于:所述步骤四具体包括以下步骤:
对步骤三中提取的所有脑-脑、脑-肌、肌-肌耦合特征、传统脑肌电信号特征采用典型相关分析方法进行特征融合,分别在标准动作时和训练时提取样本特征向量组成样本空间X和Y。
x和y分别为X和Y的向量,计算X和Y的协方差矩阵Sxx,Syy及互协方差矩阵Sxy,根据准则函数:
求得典型投影向量α和β,其中,T表示转置,根据α和β获取组合特征典型判别向量X*和Y*:
其中,αi,βi为x和y的第i对典型投影向量,d为选取的投影向量的个数,U=(α1,α2,...αd),V=(β1,β2,...βd),进行变换:
其中W定义为:
W为典型投影变换矩阵,Z作为投影后的组合特征将用于分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111674185.0A CN114387668B (zh) | 2021-12-28 | 2021-12-28 | 一种基于多层次神经肌肉耦合特征信息融合的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111674185.0A CN114387668B (zh) | 2021-12-28 | 2021-12-28 | 一种基于多层次神经肌肉耦合特征信息融合的分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114387668A true CN114387668A (zh) | 2022-04-22 |
CN114387668B CN114387668B (zh) | 2024-02-27 |
Family
ID=81199668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111674185.0A Active CN114387668B (zh) | 2021-12-28 | 2021-12-28 | 一种基于多层次神经肌肉耦合特征信息融合的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387668B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036727A (zh) * | 2023-10-09 | 2023-11-10 | 之江实验室 | 脑网络数据多层嵌入向量特征提取方法及装置 |
CN117251807A (zh) * | 2023-11-17 | 2023-12-19 | 中国医学科学院生物医学工程研究所 | 一种神经网络的运动想象脑电信号分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100217271A1 (en) * | 2009-02-23 | 2010-08-26 | Ellipse Technologies, Inc. | Spinal distraction system |
CN111544854A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于脑肌电信号深度学习融合的脑卒中运动康复方法 |
CN113239744A (zh) * | 2021-04-25 | 2021-08-10 | 西安电子科技大学 | 基于深度学习的脑电-肌电信号融合识别方法 |
-
2021
- 2021-12-28 CN CN202111674185.0A patent/CN114387668B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100217271A1 (en) * | 2009-02-23 | 2010-08-26 | Ellipse Technologies, Inc. | Spinal distraction system |
CN111544854A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于脑肌电信号深度学习融合的脑卒中运动康复方法 |
CN113239744A (zh) * | 2021-04-25 | 2021-08-10 | 西安电子科技大学 | 基于深度学习的脑电-肌电信号融合识别方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036727A (zh) * | 2023-10-09 | 2023-11-10 | 之江实验室 | 脑网络数据多层嵌入向量特征提取方法及装置 |
CN117036727B (zh) * | 2023-10-09 | 2024-01-05 | 之江实验室 | 脑网络数据多层嵌入向量特征提取方法及装置 |
CN117251807A (zh) * | 2023-11-17 | 2023-12-19 | 中国医学科学院生物医学工程研究所 | 一种神经网络的运动想象脑电信号分类方法 |
CN117251807B (zh) * | 2023-11-17 | 2024-02-13 | 中国医学科学院生物医学工程研究所 | 一种神经网络的运动想象脑电信号分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114387668B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
Liang et al. | Scalp EEG epileptogenic zone recognition and localization based on long-term recurrent convolutional network | |
Übeyli | Recurrent neural networks employing Lyapunov exponents for analysis of ECG signals | |
Chen et al. | Self-organized neural network for the quality control of 12-lead ECG signals | |
CN104586387A (zh) | 一种时、频、空域多参数脑电特征提取与融合方法 | |
CN113397555A (zh) | 生理参数监测用c-lstm的心率失常分类算法 | |
Liu et al. | Automatic identification of abnormalities in 12-lead ECGs using expert features and convolutional neural networks | |
CN114387668B (zh) | 一种基于多层次神经肌肉耦合特征信息融合的分类方法 | |
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 | |
CN111860410A (zh) | 基于多特征融合cnn的肌电手势识别方法 | |
CN112890827B (zh) | 一种基于图卷积和门控循环单元的脑电识别方法及*** | |
CN103761424A (zh) | 基于二代小波和ica的肌电信号降噪与去混迭方法 | |
Muthuchudar et al. | A study of the processes involved in ECG signal analysis | |
CN112541415B (zh) | 基于符号传递熵和图论的脑肌功能网络运动疲劳检测方法 | |
CN111202512A (zh) | 一种基于小波变换与dcnn的心电图分类方法和装置 | |
Chashmi et al. | An efficient and automatic ECG arrhythmia diagnosis system using DWT and HOS features and entropy-based feature selection procedure | |
Kumari et al. | Performance evaluation of neural networks and adaptive neuro fuzzy inference system for classification of cardiac arrhythmia | |
CN113842115B (zh) | 一种改进的eeg信号特征提取方法 | |
Poorna et al. | EEG based control-a study using wavelet features | |
Upasani et al. | Automated ECG Diagnosis | |
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 | |
Ghonchi et al. | Spatio-temporal deep learning for EEG-fNIRS brain computer interface | |
Fattah et al. | Basic hand action classification based on surface EMG using autoregressive reflection coefficient | |
Sathawane et al. | Prediction and analysis of ECG signal behaviour using soft computing | |
Dubey et al. | A neural network approach for ECG classification |
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 |