CN114692682A - 一种基于图嵌入表示的运动想象分类方法及*** - Google Patents
一种基于图嵌入表示的运动想象分类方法及*** Download PDFInfo
- Publication number
- CN114692682A CN114692682A CN202210278781.5A CN202210278781A CN114692682A CN 114692682 A CN114692682 A CN 114692682A CN 202210278781 A CN202210278781 A CN 202210278781A CN 114692682 A CN114692682 A CN 114692682A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- graph
- motor imagery
- module
- data
- 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.)
- Withdrawn
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于脑机接口的运动想象领域,具体涉及一种基于图嵌入表示的运动想象分类方法及***,该方法包括:构建一个脑电电极无向图,并获得其邻接矩阵;根据谱图理论对邻接矩阵归一化,对原始脑电数据的图嵌入表示;将原始脑电数据的图嵌入表示作为卷积神经网络模型的输入,模型提取深度的时空信息用于运动想象解码;本发明利用脑电节点的空间定位来形成脑电节点的图表示,这增强了脑电信号的脑区表示能力,同时所提出的图嵌入表示不依赖于被试或任务,因此对新被试具有更强的鲁棒性;在运动想象多分类任务中,提高了分类准确率。
Description
技术领域
本发明属于脑机接口的运动想象领域,具体涉及一种基于图嵌入表示的运动想象分类方法及***。
背景技术
脑机接口(BCI)是一种通过神经活动识别人的意图并将电生理信号转换为设备控制命令的技术。脑电图(EEG)是一种广泛使用的脑信号记录技术,具有非侵入性、成本低以及更高时间分辨率等特点;运动想象(MI)是基于脑电图的研究的一种主要范式。运动想象的目的是准确识别用户的运动意图,如左手、右手、脚和舌头的运动,这对于医疗康复、假肢控制等领域具有重要意义。然而,基于MI的EEG信号的准确解码仍然是一项具有挑战性的任务,由于EEG信号的低信噪比和信号模式在受试者内和受试者间的高度变化,且EEG信号容易受到来自眼球运动、肌肉运动、心脏运动、记录设备的电源线和电极位移的伪影的影响。
近年来,深度学习(DL)的在计算机视觉、语音识别等领域的使用已经显示出了良好的结果。与传统方法相比,深度学习方法可以同时从数据的多个维度中学习复杂的模式,而卷积神经网络(CNN)在EEG-MI领域受到越来越多的关注。例如,Deep ConvNet结构中提出了一种受滤波器组共空间模式(FBCSP)启发的端到端的卷积神经网络架构,用于自动从EEG数据中提取特征。尽管现有的深度学习工作在几个MI数据集上的脑电图解码方面取得了相当大的成功,但这些工作只在被试依赖(subject-dependent)任务中表现良好,这缺乏对新用户的泛化能力。此外,这些方法直接将EEG原始数据输入到网络模型中,未考虑到脑电电极的空间拓扑关系,使得运动想象分类结果准确度低。
发明内容
为解决以上现有技术存在的问题,本发明提出了一种基于图嵌入表示的运动想象分类方法,该方法包括:获取待分类的脑电信号,根据脑电电极无向图将获取的脑电信号转换为脑电数据图嵌入表示;将脑电数据图嵌入表示输入到训练好的卷积神经网络模型中,得到运动想象分类结果;其中卷积神经网络模型为DCT-EEGNet网络,该网络包括时间卷积块、空间卷积块、可分离卷积块、时间卷积网络模块以及全连接层;
对卷积神经网络模型进行训练的过程包括:
S1:获取原始脑电数据集,将原始脑电数据集中的脑电数据转化为脑电数据图嵌入表示,得到训练数据集;
S2:将训练数据集中的数据输入到DCT-EEGNet网络中,采用时间卷积块对输入的脑电数据图嵌入表示数据进行时间卷积处理,得到不同带通频率下脑电信号的时间特征图;
S3:将所有的时间特征图分别输入到空间卷积块中,提取时间特征图的空间信息,得到时空特征图;
S4:采用可分离卷积块对时空特征图中的特征信息进行分离整合,得到分离后的特征信息;
S5:将特征信息输入到时间卷积网络模块,提取特征信息的隐藏信息;
S6:时间卷积网络模块的输出特征图输入到全连接层中,得到运动想象分类结果;
S7:根据运动想象分类结果计算模型的损失函数;
S8:将训练集中的数据不断的输入到模型中,调整模型的参数,当模型的损失函数最小时,完成模型的训练。
优选的,构建脑电电极无向图的过程包括:获取脑电电极分布位置,根据脑电电极位置构建脑电电极无向图;其中图的邻接矩阵以相邻两个脑电节点之间的距离的倒数作为邻接矩阵的元素。
进一步的,根据脑电电极位置构建脑电电极无向图的过程包括:定义无向图的顶点集V={vi|i∈[1,C]},其中vi表示脑电电极节点,C表示脑电电极数;计算无向图的顶点集中的任意两个脑电节点的三维欧氏距离;对所有的计算出的三维欧氏距离将进行集合,得到所有的任意两个脑电电极之间的距离集,距离集为DEEG={dij|(vi,vj)∈V2,i≠j},其中dij为电极节点vi到vj的三维空间的欧氏距离;计算距离集中的平均值;将距离集中的各个距离与平均值进行对比,若该距离小于平均值,则计算该距离的两个脑电节点为邻居节点,否则不为邻接节点;根据邻接节点构建邻接矩阵,其中邻接矩阵的元素为两个相邻的脑电电极节点之间的欧式距离的倒数。
进一步的,两个脑电节点的三维欧氏距离计算公式为:
其中,vi的坐标为(xi,yi,zi),vj的坐标为(xj,yj,zj)。
进一步的,计算邻接矩阵中元素的公式为:
其中,Aij表示邻接矩阵中第i行第j列中的元素,DEEG表示任意两个脑电电极之间的距离集,dij为电极节点vi到vj的三维空间的欧氏距离,M(DEEG)表示距离集的DEEG的平均值,C表示脑电电极数,即无向图顶点数。
优选的,将脑电信号转换为脑电数据图嵌入表示包括:对脑电电极无向图的邻接矩阵进行归一化处理;将获取的脑电信号与归一化后的邻接矩阵相乘,得到脑电数据图嵌入表示。
优选的,采用时间卷积网络模块提取特征信息的隐藏信息过程包括:时间卷积网络模时间卷积由至少两个残差连接块堆叠构成;一个残差连接块包括两层残差块,每个残差块依次包括膨胀因果卷积层、修正线性单元、权重归一化层以及dropout层;将特征信息依次经过残差块块中,再将经过残差块的特征与输入的特征信息进行融合,得到隐藏信息。
优选的,模型的损失函数采用交叉熵损失函数,损失函数的表达式为:
一种基于图嵌入表示的运动想象分类***,该***包括:脑电数据采集模块、原始数据预处理模块、图嵌入表示模块、运动想象分类模块以及结果输出模块;
所述脑电数据采集模块用于采集实验对象的脑电信号;
所述原始数据预处理模块用于对脑电数据采集模块采集的脑电信号进行去噪处理;
所述图嵌入表示模块用于将去除噪声的脑电信号进行图嵌入表示,并将脑电数据图嵌入表示输入到运动想象分类模块;
所述运动想象分类模块用于对脑电数据图嵌入表示进行脑电信号解码分类,得到分类结果;
所述结果输出模块用于输出运动想象分类模块的输出结果。
为实现上述目的,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现任一上述基于图嵌入表示的运动想象分类方法。
为实现上述目的,本发明还提供一种基于图嵌入表示的运动想象分类装置,包括处理器和存储器;所述存储器用于存储计算机程序;所述处理器与所述存储器相连,用于执行所述存储器存储的计算机程序,以使所述一种基于图嵌入表示的运动想象分类装置执行任一上述基于图嵌入表示的运动想象分类方法。
本发明的有益效果:
本发明利用脑电节点的空间定位来形成脑电节点的图表示,增强了脑电信号的脑区表示能力,同时降低了噪声对每个脑电节点的影响;本发明设计了一种结合EEGNet和时间卷积网络的新颖的端到端的卷积神经网络结构,提取深度的时间和空间信息,从而在运动想象多分类任务中,获得了更好的训练效果和模型分类准确率,且操作简单、易于实现。
附图说明
图1为本发明的基于图嵌入表示的跨被试运动想象分类方法的流程图;
图2为本发明的基于卷积神经网络的运动想象脑电分类模型结构图;
图3为本发明的DTC-EEGNet中的时间卷积网络模块中残差块结构图;
图4为本发明的运动想象分类结果对比图。
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。
一种基于图嵌入表示的运动想象分类方法,如图1所示,该方法包括:构建脑电电极无向图;获取待分类的脑电信号,根据脑电电极无向图将获取的脑电信号转换为脑电数据图嵌入表示;将脑电数据图嵌入表示输入到训练好的卷积神经网络模型中,得到运动想象分类结果;其中卷积神经网络模型为DCT-EEGNet网络,该网络包括时间卷积块、空间卷积块、可分离卷积块、时间卷积网络模块以及全连接层。
对卷积神经网络模型进行训练的过程包括:
S1:获取原始脑电数据集,将原始脑电数据集中的脑电数据转化为脑电数据图嵌入表示,得到训练数据集;
S2:将训练数据集中的数据输入到DCT-EEGNet网络中,采用时间卷积块对输入的脑电数据图嵌入表示数据进行时间卷积处理,得到不同带通频率下脑电信号的时间特征图;
S3:将所有的时间特征图分别输入到空间卷积块中,提取时间特征图的空间信息,得到时空特征图;
S4:采用可分离卷积块对时空特征图中的特征信息进行分离整合,得到分离后的特征信息;
S5:将特征信息输入到时间卷积网络模块,提取特征信息的隐藏信息;
S6:根据隐藏信息输入到分类器中,并将分类信息输入到全连接层中,得到运动想象分类结果;
S7:根据运动想象分类结果计算模型的损失函数;
S8:将训练集中的数据不断的输入到模型中,调整模型的参数,当模型的损失函数最小时,完成模型的训练。
构建脑电电极无向图的过程包括:根据10-10国际标准导联***脑电电极分布位置,利用脑电节点三维坐标构建一个脑电电极无向图G=(V,E),并定义其邻接矩阵;其中,V表示图的顶点集,E表示图的边集。
根据脑电电极位置构建脑电电极无向图的过程包括:定义无向图的顶点集V={vi|i∈[1,C]},其中vi表示脑电电极节点,C表示脑电电极数;计算无向图的顶点集中的任意两个脑电节点的三维欧氏距离;对所有的计算出的三维欧氏距离将进行集合,得到所有的任意两个脑电电极之间的距离集,距离集为DEEG={dij|(vi,vj)∈V2,i≠j},其中dij为电极节点vi到vj的三维空间的欧氏距离;计算距离集中的平均值;将距离集中的各个距离与平均值进行对比,若该距离小于平均值,则计算该距离的两个脑电节点为邻居节点,否则不为邻接节点;根据邻接节点构建邻接矩阵,其中邻接矩阵的元素为两个相邻的脑电电极节点之间的欧式距离的倒数。
两个脑电节点的三维欧氏距离计算公式为:
其中,vi的坐标为(xi,yi,zi),vj的坐标为(xj,yj,zj)。
计算邻接矩阵中元素的公式为:
其中,Aij表示邻接矩阵中第i行第j列中的元素,DEEG表示任意两个脑电电极之间的距离集,dij为电极节点vi到vj的三维空间的欧氏距离,M(DEEG)表示距离集的DEEG的平均值,C表示脑电电极数,即无向图顶点数。
将脑电信号转换为脑电数据图嵌入表示包括:对脑电电极无向图的邻接矩阵进行归一化处理;将获取的脑电信号与归一化后的邻接矩阵相乘,得到脑电数据图嵌入表示。
归一化的邻接矩阵与原始脑电信号X的矩阵乘积即为原始脑电数据X的图嵌入表示:
原始脑电数据的图嵌入表示为归一化的邻接矩阵与原始脑电信号的矩阵乘积,其表达式为:
其中,O为原始脑电信号的图嵌入表示。
如图2所示,DCT-EEGNet网络中时间卷积块采用了F1个二维卷积核,每个卷积核的大小为(1,64),用于输出不同带通频率下脑电信号的F1个特征图;空间卷积块采用了卷积核大小为(C,1)的深度卷积,通过深度卷积来学习每个频率下的空间特征;可分离卷积块采用了Depthwise卷积和Pointwise卷积,采用卷积核大小为(1,16)的Depthwise卷积在时间上分别总结每个特征图,再采用Pointwise卷积整合所有特征图的信息;时间卷积网络(TCNs)模块由堆叠的三个残差块构成,通过时间卷积网络模块进一步充分提取可分离卷积块的输出所隐藏的信息。
如图3所示,时间卷积网络模块由多个残差连接块堆叠构成。具体的在一个残差块内使用了两层膨胀因果卷积和修正线性单元(ReLU)激活函数。权重归一化应用于卷积滤波器,并在膨胀因果卷积之间添加了一个dropout层以进行正则化。
因果卷积块:本发明的TCN模块使用一维全卷积网络,其中每个隐藏层的长度与输入层的长度相同,并使用零填充来确保后续层具有相同的长度。因果卷积确保时间t的输出仅与时间t和前一层中的元素进行卷积,使得输入的数据信息未被泄露。
膨胀卷积块:由于因果卷积只能使用网络深度的线性大小来回顾历史,使得需要增加网络的深度以扩大感受野;为解决该问题,本发明采用膨胀卷积来增加感受野,膨胀卷积通过指数形式的网络深度来增加感受野,膨胀卷积也可称为扩张卷积或空洞卷积;即对于一个一维输入序列x=(x1,x2,…,xT)和一个滤波器f:{f0,f1,…,fk-1},在xt处的膨胀卷积运算H定义为
其中,k是卷积核大小,d是膨胀因子,t-d·i表示网络回溯的方向。
膨胀卷积让网络回溯到(k-1)·d个时间步长。当d=1时,膨胀卷积简化为常规卷积;根据网络回溯到(k-1)·d个时间步长可知膨胀卷积的感受野在该层为(k-1)·d+1;因此,增加膨胀因子d或者选择更大的卷积核大小k可以增加TCN的感受野。
残差连接块:残差连接块允许每一层学习对输入x实体映射的部分修改,而不是整个变换,其输出被添加到块的输入x中:
o=Activation(x+F(x))
其中,F表示残差块层中的一系列变换,Activation表示激活函数,o表示残差块的输出。使用残差块代替常规的卷积层,每个残差块由多个滤波器组成用于特征提取,堆叠的残差块构成了本发明的TCN模块。
DTC-EEGNet网络结构中的滤波器数量和核大小可以根据不同数据集采取最优设置,其中3DTC-EEGNet网络结构中的具体参数设计如表1所示。
表1
表中:C表示EEG通道数目,T表示EEG信号的时间点,F1和F2分别表示时间滤波器和空间滤波器的数目,F3表示TCN模块中卷积核的数目,k表示TCN模块中卷积核大小,Ncl表示分类数目,p表示Dropout概率。
如图4所示,本发明采用的DCT-EEGNet网络得到的分类结果比传统网络结构的分类结果的准确率高。
一种基于图嵌入表示的运动想象分类***,该***包括:脑电数据采集模块、原始数据预处理模块、图嵌入表示模块、运动想象分类模块以及结果输出模块;
所述脑电数据采集模块用于采集实验对象的脑电信号;
所述原始数据预处理模块用于对脑电数据采集模块采集的脑电信号进行去噪处理;
所述图嵌入表示模块用于将去除噪声的脑电信号进行图嵌入表示,并将脑电数据图嵌入表示输入到运动想象分类模块;
所述运动想象分类模块用于对脑电数据图嵌入表示进行脑电信号解码分类,得到分类结果;
所述结果输出模块用于输出运动想象分类模块的输出结果。
原始数据预处理模块处理数据的具体过程包括:采用陷波滤波去除50赫兹或60赫兹的电力线噪声;采用具有低截止频率的高通滤波消除信号的基线漂移;采用带通滤波选择所需频带;通过强制其在特定范围内或者基于平均值和标准差来对EEG信号的幅度进行限幅;取消信号开头或(和)结尾的几个样本,以删除可能的急性伪影;使用z-score将数据归一化为零均值和单位方差,加快收敛速度,避免陷入局部极小值;对信号进行降采样,以加快计算速度和减少存储空间;根据应用的目标选择特定电极;对损坏信号进行插值;伪影排除,例如眼电图和肌电图伪影,即通过不同的方式来实现,例如基于阈值的方法或像独立分量分析这样的数据驱动方法;使用电极(通常使用Cz和Fz作为参考电极)或来自所有电极的信号平均值进行参考,公共平均参考和拉普拉斯算子(Laplacian)是广泛使用的空间滤波器。
于本发明一实施例中,本发明还包括一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一所述基于图嵌入表示的运动想象分类方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
一种基于图嵌入表示的运动想象分类装置,包括处理器和存储器;所述存储器用于存储计算机程序;所述处理器与所述存储器相连,用于执行所述存储器存储的计算机程序,以使所述一种基于图嵌入表示的运动想象分类装置执行任一上述基于图嵌入表示的运动想象分类方法。
具体地,所述存储器包括:ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
优选地,所述处理器可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于图嵌入表示的运动想象分类方法,其特征在于,包括:构建脑电电极无向图;获取待分类的脑电信号,根据脑电电极无向图将获取的脑电信号转换为脑电数据图嵌入表示;将脑电数据图嵌入表示输入到训练好的卷积神经网络模型中,得到运动想象分类结果;其中卷积神经网络模型为DCT-EEGNet网络,该网络包括时间卷积块、空间卷积块、可分离卷积块、时间卷积网络模块以及全连接层;
对卷积神经网络模型进行训练的过程包括:
S1:获取原始脑电数据集,将原始脑电数据集中的脑电数据转化为脑电数据图嵌入表示,得到训练数据集;
S2:将训练数据集中的数据输入到DCT-EEGNet网络中,采用时间卷积块对输入的脑电数据图嵌入表示数据进行时间卷积处理,得到不同带通频率下脑电信号的时间特征图;
S3:将所有的时间特征图分别输入到空间卷积块中,提取时间特征图的空间信息,得到时空特征图;
S4:采用可分离卷积块对时空特征图中的特征信息进行分离整合,得到分离后的特征信息;
S5:将特征信息输入到时间卷积网络模块,提取特征信息的隐藏信息;
S6:根据隐藏信息输入到分类器中,并将分类信息输入到全连接层中,得到运动想象分类结果;
S7:根据运动想象分类结果计算模型的损失函数;
S8:将训练集中的数据不断的输入到模型中,调整模型的参数,当模型的损失函数最小时,完成模型的训练。
2.根据权利要求1所述的一种基于图嵌入表示的运动想象分类方法,其特征在于,构建脑电电极无向图的过程包括:获取脑电电极分布位置,根据脑电电极位置构建脑电电极无向图;其中图的邻接矩阵以相邻两个脑电节点之间的距离的倒数作为邻接矩阵的元素。
4.根据权利要求1所述的一种基于图嵌入表示的运动想象分类方法,其特征在于,将脑电信号转换为脑电数据图嵌入表示包括:对脑电电极无向图的邻接矩阵进行归一化处理;将获取的脑电信号与归一化后的邻接矩阵相乘,得到脑电数据图嵌入表示。
5.根据权利要求1所述的一种基于图嵌入表示的运动想象分类方法,其特征在于,采用时间卷积网络模块提取特征信息的隐藏信息过程包括:时间卷积网络模时间卷积由至少两个残差连接块堆叠构成;一个残差连接块包括两层残差块,每个残差块依次包括膨胀因果卷积层、修正线性单元、权重归一化层以及dropout层;将特征信息依次经过残差块中,再将经过残差块的特征与输入的特征信息进行融合,得到隐藏信息。
7.一种基于图嵌入表示的运动想象分类***,该***用于执行权利要求1~7所述的运动想象分类方法,其特征在于,该***包括:脑电数据采集模块、原始数据预处理模块、图嵌入表示模块、运动想象分类模块以及结果输出模块;
所述脑电数据采集模块用于采集实验对象的脑电信号;
所述原始数据预处理模块用于对脑电数据采集模块采集的脑电信号进行去噪处理;
所述图嵌入表示模块用于将去除噪声的脑电信号进行图嵌入表示,并将脑电数据图嵌入表示输入到运动想象分类模块;
所述运动想象分类模块用于对脑电数据图嵌入表示进行脑电信号解码分类,得到分类结果;
所述结果输出模块用于输出运动想象分类模块的输出结果。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行,以实现权利要求1至6中任一项基于图嵌入表示的运动想象分类方法。
9.一种基于图嵌入表示的运动想象分类装置,其特征在于,包括处理器和存储器;所述存储器用于存储计算机程序;所述处理器与所述存储器相连,用于执行所述存储器存储的计算机程序,以使所述一种基于图嵌入表示的运动想象分类装置执行权利要求1至6中任一项基于图嵌入表示的运动想象分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210278781.5A CN114692682A (zh) | 2022-03-21 | 2022-03-21 | 一种基于图嵌入表示的运动想象分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210278781.5A CN114692682A (zh) | 2022-03-21 | 2022-03-21 | 一种基于图嵌入表示的运动想象分类方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114692682A true CN114692682A (zh) | 2022-07-01 |
Family
ID=82139078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210278781.5A Withdrawn CN114692682A (zh) | 2022-03-21 | 2022-03-21 | 一种基于图嵌入表示的运动想象分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114692682A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115474899A (zh) * | 2022-08-17 | 2022-12-16 | 浙江大学 | 一种基于多尺度卷积神经网络的基本味觉感知识别方法 |
-
2022
- 2022-03-21 CN CN202210278781.5A patent/CN114692682A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115474899A (zh) * | 2022-08-17 | 2022-12-16 | 浙江大学 | 一种基于多尺度卷积神经网络的基本味觉感知识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Limam et al. | Atrial fibrillation detection and ECG classification based on convolutional recurrent neural network | |
Wang et al. | Arrhythmia classification algorithm based on multi-head self-attention mechanism | |
CN111797674B (zh) | 基于特征融合和粒子群优化算法的mi脑电信号识别方法 | |
CN114224360B (zh) | 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质 | |
CN109567789B (zh) | 心电图数据的分割处理方法、装置及可读存储介质 | |
CN112990008B (zh) | 基于三维特征图和卷积神经网络的情绪识别方法及*** | |
CN111291727B (zh) | 一种光体积变化描记图法信号质量检测方法和装置 | |
Matias et al. | Robust Anomaly Detection in Time Series through Variational AutoEncoders and a Local Similarity Score. | |
CN112370015A (zh) | 基于格拉姆角场的生理信号质量评估方法 | |
CN114209323B (zh) | 一种识别情绪的方法以及基于脑电数据的情绪识别模型 | |
CN110688942A (zh) | 一种基于InResNet网络的心电信号联合识别模块及方法 | |
CN115919330A (zh) | 基于多层次se注意力和图卷积的eeg情绪状态分类方法 | |
CN115530788A (zh) | 基于自注意力机制的心律失常分类方法 | |
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 | |
CN115969369A (zh) | 一种大脑任务负荷识别方法、应用及设备 | |
CN114692682A (zh) | 一种基于图嵌入表示的运动想象分类方法及*** | |
CN111931578B (zh) | 一种基于最小生成树和区域双层网络的脑电识别方法 | |
Sridhar et al. | A Neural Network Approach for EEG classification in BCI | |
Zafar et al. | Automatic eye blink artifact removal for EEG based on a sparse coding technique for assessing major mental disorders | |
CN115631371A (zh) | 一种脑电信号核心网络的提取方法 | |
Hao et al. | A novel sleep staging algorithm based on hybrid neural network | |
CN115017960A (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
CN114419657A (zh) | 基于局部片段稀疏表示的ecg身份识别方法 | |
Chen et al. | Preprocessing and pattern recognition for Single-Lead cardiac dynamic model | |
CN113349796B (zh) | 基于多源信号的睡眠监控方法、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220701 |