-
公开(公告)号：CN114081505A
公开(公告)日：2022-02-25
申请号：CN202111587404.1
申请日：2021-12-23
申请人： 成都信息工程大学
摘要： 本发明公开了一种基于皮尔逊相关系数和卷积神经网络的脑电信号识别方法，包括以下步骤：S1、选择数据：从情感脑电、视觉诱发脑电和运动想象脑电数据库中分别选择相同通道的信号；S2、信号预处理：利用带通滤波器去除眼电伪迹信号以及工频干扰信号；S3、使用皮尔逊相关系数算法进行特征提取；S4、将S3提取的特征输入稠密度卷积神经网络中进行训练，得到深度学习身份识别模型，利用深度学习身份识别模型对脑电信号进行身份识别。本发明选用了情感脑电信号、视觉诱发脑电信号和运动想象脑电信号进行身份识别，使用多种任务态的脑电信号，减少了在获取EEG信号时对用户的限制，使基于EEG信号的身份识别方法更具有普适性和泛化性。
-
公开(公告)号：CN114010208B
公开(公告)日：2023-09-08
申请号：CN202111311799.2
申请日：2021-11-08
申请人： 成都信息工程大学
摘要： 本发明公开一种适用于SSVEP分类的零填充频域卷积神经网络方法，应用于脑电信号处理领域，针对现有技术对SSVEP和SSVEP子类的SSMVEP脑电信号的分类准确率和信息传输速率较低的问题；本发明首先使用脑电采集设备采集人体大脑枕部九个电极的SSVEP脑电信号；其次对脑电信号进行预处理；之后在时域对预处理后的脑电信号进行补零填充，提取九个通道的SSVEP信号的功率谱密度中感兴趣的基频频带和二次谐波频带组合成一个特征矩阵；最后将该特征矩阵作为CNN深度学习模型的输入，使用非线性变换对不同类别的SSVEP信号进行识别；采用本发明的方法能获得较高的分类准确率。
-
公开(公告)号：CN114010208A
公开(公告)日：2022-02-08
申请号：CN202111311799.2
申请日：2021-11-08
申请人： 成都信息工程大学
摘要： 本发明公开一种适用于SSVEP分类的零填充频域卷积神经网络方法，应用于脑电信号处理领域，针对现有技术对SSVEP和SSVEP子类的SSMVEP脑电信号的分类准确率和信息传输速率较低的问题；本发明首先使用脑电采集设备采集人体大脑枕部九个电极的SSVEP脑电信号；其次对脑电信号进行预处理；之后在时域对预处理后的脑电信号进行补零填充，提取九个通道的SSVEP信号的功率谱密度中感兴趣的基频频带和二次谐波频带组合成一个特征矩阵；最后将该特征矩阵作为CNN深度学习模型的输入，使用非线性变换对不同类别的SSVEP信号进行识别；采用本发明的方法能获得较高的分类准确率。
-
公开(公告)号：CN115146765A
公开(公告)日：2022-10-04
申请号：CN202210791342.4
申请日：2022-07-07
申请人： 成都信息工程大学
摘要： 本发明公开一种基于深度学习和跨步长特征提取的尖峰识别方法，应用于神经科学和生物医学信号处理领域，针对现有技术检测出来的尖峰质量较差，尖峰分类不准确的问题；本发明采用1D_CNN进行尖峰检测和基于跨步长特征提取进行尖峰分类；本发明基于1D_CNN检测出来的尖峰数据质量完全可以用于尖峰分类且本发明的尖峰分类模型的准确率也高于现有技术；本发明提出的分类模型具有很高的精度和很强的鲁棒性，检测模型和分类模型的结合，为实时检测分类多通道尖峰奠定了基础。
-
-
-
搜索结果
4 条记录 (耗时 0.026 秒)
