CN115105093A - 基于功率谱密度预确定频率带的eeg信号分类识别方法 - Google Patents
基于功率谱密度预确定频率带的eeg信号分类识别方法 Download PDFInfo
- Publication number
- CN115105093A CN115105093A CN202210594845.2A CN202210594845A CN115105093A CN 115105093 A CN115105093 A CN 115105093A CN 202210594845 A CN202210594845 A CN 202210594845A CN 115105093 A CN115105093 A CN 115105093A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- spectral density
- band
- power spectral
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003595 spectral effect Effects 0.000 title claims abstract description 27
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 10
- 210000004556 brain Anatomy 0.000 description 8
- 230000002087 whitening effect Effects 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000033764 rhythmic process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005281 excited state Effects 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 210000001428 peripheral nervous system Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Fuzzy Systems (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功率谱密度预确定频率带的EEG信号分类识别方法，包括：获取原始信号，使用带通滤波器对原始信号进行滤波预处理；对预处理后的信号进行功率谱密度估计，得到频谱上功率最大值所对应的频率；以最大值所对应的频率为中心，按照设定长度确定频率带；在频率带下对预处理后的信号进行二次带通滤波，得到目标频率成分；使用共空间模式算法在空域上对目标频率成分进行特征提取操作，得到目标特征；使用神经网络模型对目标特征进行分类，输出得到EEG信号识别结果。与现有技术相比，本发明具有提升运动想象EEG信号的解码准确率等优点。
Description
技术领域
本发明涉及脑电信号处理领域，尤其是涉及一种基于功率谱密度预确定频率带的EEG信号分类识别方法。
背景技术
近年来，脑机接口(Brain Computer Interface，BCI)技术得到了广泛的研究，该技术在脑卒中后患者的康复过程中起到积极的促进作用。脑机接口技术是一种不依赖于常规大脑信息输出通路(包括外周神经***和肌肉组织)的新型人机交互技术，它可以让使用者直接通过大脑与外界环境进行交互或者控制多种类型的外部操控设备，比如轮椅、机器人等。运动想象EEG(脑电波)是脑机接口技术中的一个重要范式，其具有不需要额外的外界刺激的优势，但是需要对被试进行较长时间的训练过程。运动想象EEG信号是一种非稳定信号，不同被试间有较大差异性，同一被试在不同时间的表现也会出现一定的差异性，此为，EEG信号还容易受到外界无关信号的干扰，例如外部环境的工频干扰、身体运动产生的肌电信号等等。因此，提升运动想象EEG信号的解码准确率仍然是脑机接口领域中的一个研究难点。
专利CN202010022435.1公开了一种运动想象EEG信号的在线处理方法，使用了带通滤波器、共空间模式和支持向量机，可以实现对运动想象EEG信号的分类识别。但是，该方案对EEG信号中与运动想象相关成分的提取过程不够充分，影响最终EEG信号的解码准确率。
专利CN201810044806.9公开了一种基于能量特征的运动想象脑电信号的识别方法，提取EEG信号中的能量特征，并使用基于径向基核函数的支持向量机对其进行分类，在该分类识别过程中，仅用到了信号的能量特征，没有考虑各通道间的空间特征，影响最终EEG信号的解码准确率。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于功率谱密度预确定频率带的EEG信号分类识别方法，对传统的共空间模式和神经网络分类器相结合的识别分类算法进行了改进，最终提升运动想象EEG信号的解码准确率。
本发明的目的可以通过以下技术方案来实现：
一种基于功率谱密度预确定频率带的EEG信号分类识别方法，包括：
S1、获取原始信号，使用带通滤波器对原始信号进行滤波预处理；
S2、对预处理后的信号进行功率谱密度估计，得到频谱上功率最大值所对应的频率；
S3、以最大值所对应的频率为中心，按照设定长度确定频率带；
S4、在频率带下对预处理后的信号进行二次带通滤波，得到目标频率成分；
S5、使用共空间模式算法在空域上对目标频率成分进行特征提取操作，得到目标特征；
S6、使用神经网络模型对目标特征进行分类，输出得到EEG信号识别结果。
进一步地，步骤S1中，使用1～30Hz的巴特沃斯带通数字滤波器对原始信号进行滤波操作，去除原始信号的基线漂移和工频信号的干扰成分。
进一步地，步骤S2中，对预处理后的信号的每个通道都进行功率谱密度计算，得到其中功率最大值所对应的频率。
进一步地，步骤S3中，确定频率带的设定长度为3～6Hz。
进一步地，步骤S4中，二次带通滤波为在频率带的范围内使用巴特沃斯带通数字滤波器对对预处理后的信号进行滤波操作。
进一步地，步骤S5中，共空间模式算法包括：对角化目标频率成分的协方差矩阵，生成一组最优的空间滤波器，然后找到一个投影矩阵，将各个目标频率成分投影到同一个公共空间，在此公共空间中，各个目标频率成分的方差值可以得到最大化的区分，从而得到目标特征。
进一步地，步骤S6中，神经网络模型中的分类器采用误差反向传播神经网络。
与现有技术相比，本发明具有以下有益效果：
1、本发明提出了基于功率谱密度预确定频率带的策略，提取EEG信号中与运动想象最相关的成分进行特征提取和特征分类操作，从而增强传统使用共空间模式加神经网络的运动想象EEG信号处理算法的分类性能，最终提升运动想象EEG信号的解码准确率。
2、本发明可以对运动想象EEG信号进行有效分类识别，判断被试的运动意图，将此意图转化为对应的控制指令传输给相关外设，外设在收到指令后可执行对应的操作。
附图说明
图1为本发明脑机接口***的结构示意图。
图2为本发明EEG信号分类识别方法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提供了一种基于功率谱密度预确定频率带的EEG信号分类识别方法，应用于某型号脑机接口***。EEG信号的分类识别是整个脑机接口***中的核心部分，识别准确率的高低决定着被试直接通过脑电与外界交互的能力，这影响整个***的性能。但是，EEG信号具有不稳定、低信噪比、高复杂性的特点，对EEG信号的精确分析与处理往往会遇到很多困难，识别准确率也很难保持一个高值，因此对于EEG信号的解码过程仍是一个具有挑战性的研究工作。针对这一难题，本实施例提出了一种基于功率谱密度预确定频率带的EEG信号分类识别方法，对传统的共空间模式和神经网络分类器相结合的识别分类方法进行了改进，提升了EEG信号的分类准确率。
如图1所示，脑机接口***一般可以分为三个部分：脑电信号获取模块、信号处理识别模块和控制信号输出/外部设备执行模块。
信号处理识别模块是脑机接口***中最核心的模块，包含对前一步获得的原始脑电信号做一系列处理。该阶段包括预处理、特征提取、特征分类三个步骤，尽可能滤去原始信号中含有的噪声，留下反映脑活动的关键成分，再经过特征提取操作，获取与被试运动意图相关的特征成分，例如运动想象(Motor Imagery,MI)自发脑电中/节律的能量信息，诱发脑电中的幅值和相位等特征信息。最后，将这些特征通过分类识别算法进行分类，从而识别被试的意图，进一步转化为相应的控制信号传输给应用与外界交互模块。本实施例重点关注信号处理模块，使用功率谱密度，对传统的共空间模式和神经网络分类器相结合的识别分类算法进行改进，提升***对EEG信号的识别能力。
信号处理识别模块中通过软件具体执行基于功率谱密度预确定频率带的EEG信号分类识别方法，如图2所示，包括以下步骤：
一、信号预处理：
获取原始信号，使用带通滤波器对原始信号进行滤波预处理。
二、特征提取：
使用功率谱密度预确定频率带的方法，提取预处理后信号所有通道在各自功率谱密度中显示的能量最大的频率的平均值附近一小段区间的频率成分，提取的频率成分即为目标频率成分，作为下一步特征提取的输入；
使用共空间模式算法在空域上对目标频率成分进行特征提取操作，得到目标特征。
三、特征分类：
使用神经网络模型对目标特征进行分类，输出得到EEG信号识别结果。
在信号预处理过程，使用1～30Hz的巴特沃斯带通数字滤波器对原始信号进行滤波操作，主要的作用是去除信号的基线漂移和50Hz工频信号等干扰成分。巴特沃斯带通数字滤波器可用振幅的平方关于频率的函数表示，如下式：
其中，N表示该数字滤波器的阶数，ω表示信号频率，ωc表示截止频率，H(*)表示振幅。
本实施例分类识别方法的原理为：运动想象EEG信号与α节律中与运动相关的μ节律(8～13Hz)和β节律(13～30Hz)密切相关，具体的表现是，当被试执行或者想象特定的肢体运动，大脑皮层中与该运动相关的运动感觉区域处于兴奋状态，其μ/β节律能量下降，此现象被称为事件相关去同步(Event-Related Desynchronization,ERD)；在几秒之后该区域又会恢复静息状态，μ/β节律能量上升，此现象被称为事件相关同步(Event-RelatedSynchronization,ERS)。研究表明，ERD和ERS现象不是独立发生的，其往往会在执行或想象特定肢体运动时伴随发生。以左手/右手运动想象为例，当被试进行左手运动想象任务时，其右半脑的运动感觉区，也就是C4电极附近的区域会出现明显的ERD现象；同时，其左半脑的运动感觉区，也就是C3电极附近的区域会出现明显的ERS现象。当被试进行右手运动想象任务时，ERD/ERS现象发生的区域刚好相反。由此，使用功率谱密度可确定C3、C4等与运动想象任务高度相关的通道信号中能量最大的频率值。然后，在该值附近取一段频率带，对预处理后的信号进行第二次带通滤波，可提取EEG信号中与运动想象最相关的信号成分，随后可对该信号成分进行特征提取和特征分类操作，实现对被试运动意图的解码。在特征提取过程中，使用共空间模式算法，该算法的关键思想是共空间对信号进行分析，充分考虑各通道间的空间特征。综上，本实施例所提出的运动想象EEG信号分析处理算法可以明显提升信号的解码准确率。
EEG信号分类识别方法中：
特征提取过程具体包括以下步骤：
步骤1、对预处理后的信号进行功率谱密度估计，绘制频谱图。
步骤2、根据频谱图中最大功率对应的频率确定频率带，即为以最大值所对应的频率为中心，按照设定长度确定频率带。确定频率带的设定长度为3～6Hz，本实施例中优选采用4Hz。
步骤3、在频率带下对预处理后的信号进行二次带通滤波，得到目标频率成分。二次带通滤波为在频率带的范围内使用巴特沃斯带通数字滤波器对对预处理后的信号进行滤波操作。
步骤4、使用共空间模式算法在空域上对目标频率成分进行特征提取操作，得到目标特征。
在特征提取算法执行过程中，需要确定每个通道功率谱密度分析中功率最大值对应的频率，对应的公式为：
fmax＝argmaxPSD(f)
在确定第二次带通滤波的频率区间时，需要以fmax为中心扩展区间，对应的公式为：
fband＝[fmax-2,fmax+2]
第二次带通滤波操作中采用的数字滤波器与预处理步骤中的相同。
经过第二次带通滤波后的信号成分会与运动想象有较高的相关性，将该信号成分输入到后续的特征提取步骤，有利于提取更加有效的特征。在特征提取模块中，我们使用到了共空间模式算法，该算法可以有效提取信号中的空间特征，被广泛用于EEG信号的识别分类中，算法的详细原理和具体步骤如下：
共空间模式(CSP)是一种空域滤波器，被广泛使用于运动想象EEG信号的特征提取中。该算法的关键思想是共空间对信号进行分析。在左/右手运动想象EEG信号的分类场景中，使用两类信号，对角化两个协方差矩阵，生成一组最优的空间滤波器，找到一个投影矩阵，将两类信号投影到同一个公共空间，在此空间中，两类信号的方差值可以得到最大化的区分。如果是在两个以上的运动想象任务场景中，可以使用级联的方式，采用多个二分类模块，实现对信号的多分类处理。算法的详细步骤如下：
例如针对左/右手运动想象EEG信号的分类场景，假定单次EEG实验数据得到的目标频率成分为E∈RN*M，其中N是电极通道数，M是单条数据采样点的个数，首先对每次实验数据进行协方差矩阵归一化操作：
其中，C表示对每次实验数据进行协方差矩阵归一化操作后得到的结果矩阵，T表示对矩阵进行转置操作。
然后在类内，对左手和右手两种情况分别求平均值，
表示左手平均，
表示右手平均，然后对两者进行相加操作，得到合成的空间协方差矩阵：
其中，
表示左手平均归一化后空间协方差矩阵，
表示右手平均归一化后空间协方差矩阵，CC表示由
和
合成的空间协方差矩阵。
然后对CC进行特征值分解，根据特征值降序排列特征向量：
其中，Uc表示特征向量矩阵，λC表示特征值矩阵
根据白化矩阵
对
和
进行白化变换，可得到白化后的左手/右手平均协方差矩阵为：
其中，
表示左手平均归一化后空间协方差矩阵，
表示右手平均归一化后空间协方差矩阵，P是白化矩阵，SL和SR分别为白化后的左手和右手平均协方差矩阵。
根据白化变换的特点，白化后矩阵SL和SR可以由一共同特征向量A进行表示：
SL＝AλLAT
SR＝AλRAT
λL+λR＝I
其中，A为共同特征向量，λL是白化后矩阵SL特征值分解中的特征值矩阵，λR是白化后矩阵SR特征值分解中的特征值矩阵，I是单位矩阵。
根据以上式子可知，当左手白化后矩阵SL取最大特征值时，右手白化后矩阵SR必然取得最小特征值，因此可以对两类信号加以区分。使用共同特征向量A的转置乘以白化矩阵P就可得到投影矩阵W，然后使用投影矩阵将单次EEG实验数据E进行投影，最后计算方差值就可得到CSP处理后的特征。通过CSP计算得到的特征值即可作为前馈神经网络分类模型的输入。详细计算步骤如下：
W＝ATP
Zp＝WE,p＝1,2,3,...,2m
其中，A为共同特征向量，P为白化矩阵，W为投影矩阵，E为单次EEG实验数据得到的目标频率成分，p为特征序号，Z为E经投影后的结果矩阵，var(*)为计算向量的方差值，fp为最终计算得到的特征值。
神经网络模型中的分类器在本实施例中选用误差反向传播神经网络，简称BP(Back Propagation)神经网络。BP神经网络的结构简单，具有非线性、适应性强等特点，被广泛应用于模式识别、回归分析等领域。
在BP神经网络的模型结构中，有三个基本组成部分，分别是输入层、隐藏层和输出层。在本实施例的分类模型中，输入层包含3个神经元，中间层为单隐藏层，包含10个神经元，输出层包含2个神经元。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种基于功率谱密度预确定频率带的EEG信号分类识别方法，其特征在于，包括：
S1、获取原始信号，使用带通滤波器对原始信号进行滤波预处理；
S2、对预处理后的信号进行功率谱密度估计，得到频谱上功率最大值所对应的频率；
S3、以最大值所对应的频率为中心，按照设定长度确定频率带；
S4、在频率带下对预处理后的信号进行二次带通滤波，得到目标频率成分；
S5、使用共空间模式算法在空域上对目标频率成分进行特征提取操作，得到目标特征；
S6、使用神经网络模型对目标特征进行分类，输出得到EEG信号识别结果。
2.根据权利要求1所述的一种基于功率谱密度预确定频率带的EEG信号分类识别方法，其特征在于，步骤S1中，使用1～30Hz的巴特沃斯带通数字滤波器对原始信号进行滤波操作，去除原始信号的基线漂移和工频信号的干扰成分。
3.根据权利要求1所述的一种基于功率谱密度预确定频率带的EEG信号分类识别方法，其特征在于，步骤S2中，对预处理后的信号的每个通道都进行功率谱密度计算，得到其中功率最大值所对应的频率。
4.根据权利要求1所述的一种基于功率谱密度预确定频率带的EEG信号分类识别方法，其特征在于，步骤S3中，确定频率带的设定长度为3～6Hz。
5.根据权利要求1所述的一种基于功率谱密度预确定频率带的EEG信号分类识别方法，其特征在于，步骤S4中，二次带通滤波为在频率带的范围内使用巴特沃斯带通数字滤波器对对预处理后的信号进行滤波操作。
6.根据权利要求1所述的一种基于功率谱密度预确定频率带的EEG信号分类识别方法，其特征在于，步骤S5中，共空间模式算法包括：对角化目标频率成分的协方差矩阵，生成一组最优的空间滤波器，然后找到一个投影矩阵，将目标频率成分投影到同一个公共空间，在此公共空间中，目标频率成分的方差值可以得到最大化的区分，从而得到目标特征。
7.根据权利要求1所述的一种基于功率谱密度预确定频率带的EEG信号分类识别方法，其特征在于，步骤S6中，神经网络模型中的分类器采用误差反向传播神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210594845.2A CN115105093A (zh) | 2022-05-27 | 2022-05-27 | 基于功率谱密度预确定频率带的eeg信号分类识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210594845.2A CN115105093A (zh) | 2022-05-27 | 2022-05-27 | 基于功率谱密度预确定频率带的eeg信号分类识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115105093A true CN115105093A (zh) | 2022-09-27 |
Family
ID=83327393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210594845.2A Pending CN115105093A (zh) | 2022-05-27 | 2022-05-27 | 基于功率谱密度预确定频率带的eeg信号分类识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115105093A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115982558A (zh) * | 2023-03-17 | 2023-04-18 | 同心智医科技(北京)有限公司 | 脑电运动意图分类模型建立方法及其应用 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105809124A (zh) * | 2016-03-06 | 2016-07-27 | 北京工业大学 | 基于DWT和Parametric t-SNE的运动想象脑电信号的特征提取方法 |
| CN108542383A (zh) * | 2017-09-25 | 2018-09-18 | 同济大学 | 基于运动想象的脑电信号识别方法、***、介质及设备 |
| CN108888264A (zh) * | 2018-05-03 | 2018-11-27 | 南京邮电大学 | Emd和csp融合功率谱密度脑电特征提取方法 |
| 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 |
| CN112949533A (zh) * | 2021-03-15 | 2021-06-11 | 成都信息工程大学 | 一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法 |
-
2022
- 2022-05-27 CN CN202210594845.2A patent/CN115105093A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105809124A (zh) * | 2016-03-06 | 2016-07-27 | 北京工业大学 | 基于DWT和Parametric t-SNE的运动想象脑电信号的特征提取方法 |
| CN108542383A (zh) * | 2017-09-25 | 2018-09-18 | 同济大学 | 基于运动想象的脑电信号识别方法、***、介质及设备 |
| CN108888264A (zh) * | 2018-05-03 | 2018-11-27 | 南京邮电大学 | Emd和csp融合功率谱密度脑电特征提取方法 |
| 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 |
| CN112949533A (zh) * | 2021-03-15 | 2021-06-11 | 成都信息工程大学 | 一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 齐鹏, 茹画, 高凌云, 等.: "心理疲劳的神经机制——脑连接组的新见解", 《ENGINEERING》, vol. 5, no. 2, 31 December 2019 (2019-12-31), pages 276 - 286 * |
| 齐鹏: "三冗余***在硝酸四合一机组中的应用研究", 《万方》, 15 June 2015 (2015-06-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115982558A (zh) * | 2023-03-17 | 2023-04-18 | 同心智医科技(北京)有限公司 | 脑电运动意图分类模型建立方法及其应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vigário et al. | Independent component approach to the analysis of EEG and MEG recordings | |
| Xu et al. | High accuracy classification of EEG signal | |
| 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 | |
| CN102306303B (zh) | 一种基于小训练样本的脑电信号特征提取方法 | |
| CN111184509A (zh) | 一种基于传递熵的情绪诱导脑电信号分类方法 | |
| 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 | |
| CN109558863B (zh) | 脑电信号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 | |
| Kang et al. | A method of denoising multi-channel EEG signals fast based on PCA and DEBSS algorithm | |
| CN117520891A (zh) | 一种运动想象脑电信号分类方法及*** | |
| Shenoy et al. | An iterative optimization technique for robust channel selection in motor imagery based brain computer interface | |
| CN113536882A (zh) | 一种多类运动想象脑电信号特征提取及分类方法 | |
| CN112890827A (zh) | 一种基于图卷积和门控循环单元的脑电识别方法及*** | |
| Aljalal et al. | Feature extraction of EEG based motor imagery using CSP based on logarithmic band power, entropy and energy | |
| CN115105093A (zh) | 基于功率谱密度预确定频率带的eeg信号分类识别方法 | |
| Jiang et al. | Analytical comparison of two emotion classification models based on convolutional neural networks | |
| Radman et al. | Generalized sequential forward selection method for channel selection in EEG signals for classification of left or right hand movement in BCI | |
| Geng et al. | [Retracted] A Fusion Algorithm for EEG Signal Processing Based on Motor Imagery Brain‐Computer Interface | |
| Alizadeh et al. | Multi-task EEG signal classification using correlation-based IMF selection and multi-class CSP | |
| Tang et al. | Research on extraction and classification of EEG features for multi-class motor imagery | |
| CN116369950B (zh) | 一种基于脑电溯源和多特征提取的目标检测方法 | |
| Al Shiam et al. | Electroencephalography based motor imagery classification using unsupervised feature selection | |
| 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 | |
| CN113662561B (zh) | 子带级联共空间模式的脑电特征提取方法及装置 | |
| Mu et al. | A channel selection method for motor imagery EEG based on Fisher score of OVR-CSP |
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 |