-
公开(公告)号：CN112270255B
公开(公告)日：2023-09-26
申请号：CN202011160235.9
申请日：2020-10-27
Applicant: 广州大学
IPC: G06F18/24 , G06F18/10 , G06F18/214
Abstract: 本发明公开了一种脑电信号识别方法、装置、电子设备及存储介质，方法包括：获取运动想象信号，并根据运动想象信号的类别确定各类运动想象信号的数据标签；对附有数据标签的运动想象信号进行数据增强处理；将数据增强处理后的运动想象信号进行空间滤波处理，得到第一特征矩阵；通过偏最小二乘回归法对第一特征矩阵进行特征选择以及特征降维处理，得到第二特征矩阵；根据第二特征矩阵进行分类器建模；通过分类器识别待测脑电信号。本发明能够对运动想象信号进行数据增强，有助于提高训练模型的精度；另外，通过偏最小二乘回归法对第一特征矩阵进行特征选择以及特征降维处理，能够去除冗余数据，提高分类效果，可以广泛应用于信号处理技术领域。
-
公开(公告)号：CN113504828A
公开(公告)日：2021-10-15
申请号：CN202110719670.9
申请日：2021-06-28
Applicant: 广州大学
Abstract: 本发明公开了一种基于语言想象和运动想象的脑机接口控制方法及系统，包括步骤：获取若干个测量电极采集的语言想象和/或运动想象产生的脑电数据；语言想象和/或运动想象是基于时序编码的想象方式；将脑电数据输入到训练好的预设模型得到对应的控制指令；其中，预设模型的训练方法包括步骤：对若干个不同语言想象和/或运动想象对应的若干个测量电极的脑电数据进行预处理得到训练子集，并提取训练子集的特征向量；根据测量电极的权重将特征向量进行分类，并将不同分类关联对应的控制指令。本发明实施例能够扩充脑机接口的指令集数量，产生的脑电图差异更显著，提高分类准确率，可广泛应用于人工智能技术领域。
-
公开(公告)号：CN111882036A
公开(公告)日：2020-11-03
申请号：CN202010710647.9
申请日：2020-07-22
Applicant: 广州大学
Abstract: 本发明公开了一种卷积神经网络训练方法、脑电信号识别方法、装置和介质，卷积神经网络训练方法包括执行多次获取过程，每次获取过程分别获取脑电信号，对脑电信号执行时域数据增强和频域数据增强，使用经过增强的脑电信号训练卷积神经网络等步骤。本发明所训练的卷积神经网络为多输入、多卷积尺度、多卷积类型的混合卷积神经网络，合理设计了多输入卷积层以及卷积核的大小，具有较高的识别准确率；训练卷积神经网络所用的训练集是基于采集所得的脑电信号进行时域数据增强和频域数据增强扩充得到的，能够提高对卷积神经网络的训练数据量，减轻过拟合现象，能够有效应对脑电信号中的噪声干扰，改善识别效果。本发明广泛应用于信号处理技术领域。
-
公开(公告)号：CN114548166B
公开(公告)日：2025-03-21
申请号：CN202210152396.6
申请日：2022-02-18
Applicant: 广州大学
Abstract: 本发明提供一种基于黎曼流形的脑电信号异构标签空间迁移学习方法，包括，对被试A的脑电数据的单频段进行分段；将各子频带的脑电数据中标签1和标签2的脑电数据分别按照不同顺序拼接成新标签1和新标签2；将新标签1和新标签2作为源域，标签3和标签4作为目标域；分别计算标签1、标签2，标签3和标签4的脑电数据的平均协方差矩阵；分别将每个子频段的黎曼流形上的源域数据通过平均协方差矩阵构建的线性变换矩阵对齐到目标域；将各子频带对齐后的黎曼流形上的源域和目标域数据通过对数映射至切空间，再通过mRMR将高维的切空间特征降至低维；融合各子频段降维后的切空间特征，并输入LDA分类器中进行分类。本发明有助于扩大脑电数据的适用范围。
-
Patent Agency Ranking
公开(公告)号：CN114305333A
公开(公告)日：2022-04-12
申请号：CN202111548036.X
申请日：2021-12-16
Applicant: 广州大学
Abstract: 一种基于脑网络和深度学习的脑电信号识别方法，包括：获取运动想象脑电数据和语言想象脑电数据，进行预处理并得到对应的标签；基于多导联的脑电数据，分别计算多窄波段的导联间时间序列的相位同步性；设定阈值，得到多个窄带的基于相位同步性的连接矩阵；通过连接矩阵构建功能性脑网络；训练深度学习模型，多窄波的同步性脑网络同时作为卷积神经网络的输入，优化网络的结构和参数；通过同步性脑网络分类模型进行训练和分类，本申请充分利用了深度学习算法强大的特征提取能力和处理时序信号的能力，结合隐藏在脑电信号中的时序信息，完成基于多窄带的脑网络的脑电信号识别任务，合理设计了多输入卷积层以及卷积核的大小，提高分类效果。
-
公开(公告)号：CN112270255A
公开(公告)日：2021-01-26
申请号：CN202011160235.9
申请日：2020-10-27
Applicant: 广州大学
Abstract: 本发明公开了一种脑电信号识别方法、装置、电子设备及存储介质，方法包括：获取运动想象信号，并根据运动想象信号的类别确定各类运动想象信号的数据标签；对附有数据标签的运动想象信号进行数据增强处理；将数据增强处理后的运动想象信号进行空间滤波处理，得到第一特征矩阵；通过偏最小二乘回归法对第一特征矩阵进行特征选择以及特征降维处理，得到第二特征矩阵；根据第二特征矩阵进行分类器建模；通过分类器识别待测脑电信号。本发明能够对运动想象信号进行数据增强，有助于提高训练模型的精度；另外，通过偏最小二乘回归法对第一特征矩阵进行特征选择以及特征降维处理，能够去除冗余数据，提高分类效果，可以广泛应用于信号处理技术领域。
-
公开(公告)号：CN114305333B
公开(公告)日：2024-06-25
申请号：CN202111548036.X
申请日：2021-12-16
Applicant: 广州大学
Abstract: 一种基于脑网络和深度学习的脑电信号识别方法，包括：获取运动想象脑电数据和语言想象脑电数据，进行预处理并得到对应的标签；基于多导联的脑电数据，分别计算多窄波段的导联间时间序列的相位同步性；设定阈值，得到多个窄带的基于相位同步性的连接矩阵；通过连接矩阵构建功能性脑网络；训练深度学习模型，多窄波的同步性脑网络同时作为卷积神经网络的输入，优化网络的结构和参数；通过同步性脑网络分类模型进行训练和分类，本申请充分利用了深度学习算法强大的特征提取能力和处理时序信号的能力，结合隐藏在脑电信号中的时序信息，完成基于多窄带的脑网络的脑电信号识别任务，合理设计了多输入卷积层以及卷积核的大小，提高分类效果。
-
公开(公告)号：CN111882036B
公开(公告)日：2023-10-31
申请号：CN202010710647.9
申请日：2020-07-22
Applicant: 广州大学
IPC: G06N3/0464 , G06N3/08 , G06F18/24 , G06F3/01
Abstract: 本发明公开了一种卷积神经网络训练方法、脑电信号识别方法、装置和介质，卷积神经网络训练方法包括执行多次获取过程，每次获取过程分别获取脑电信号，对脑电信号执行时域数据增强和频域数据增强，使用经过增强的脑电信号训练卷积神经网络等步骤。本发明所训练的卷积神经网络为多输入、多卷积尺度、多卷积类型的混合卷积神经网络，合理设计了多输入卷积层以及卷积核的大小，具有较高的识别准确率；训练卷积神经网络所用的训练集是基于采集所得的脑电信号进行时域数据增强和频域数据增强扩充得到的，能够提高对卷积神经网络的训练数据量，减轻过拟合现象，能够有效应对脑电信号中的噪声干扰，改善识别效果。本发明广泛应用于信号处理技术领域。
-
公开(公告)号：CN114548166A
公开(公告)日：2022-05-27
申请号：CN202210152396.6
申请日：2022-02-18
Applicant: 广州大学
Abstract: 本发明提供一种基于黎曼流形的脑电信号异构标签空间迁移学习方法，包括，对被试A的脑电数据的单频段进行分段；将各子频带的脑电数据中标签1和标签2的脑电数据分别按照不同顺序拼接成新标签1和新标签2；将新标签1和新标签2作为源域，标签3和标签4作为目标域；分别计算标签1、标签2，标签3和标签4的脑电数据的平均协方差矩阵；分别将每个子频段的黎曼流形上的源域数据通过平均协方差矩阵构建的线性变换矩阵对齐到目标域；将各子频带对齐后的黎曼流形上的源域和目标域数据通过对数映射至切空间，再通过mRMR将高维的切空间特征降至低维；融合各子频段降维后的切空间特征，并输入LDA分类器中进行分类。本发明有助于扩大脑电数据的适用范围。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.016 seconds)
