公开(公告)号：CN110309797A

公开(公告)日：2019-10-08

申请号：CN201910602724.6

申请日：2019-07-05

申请人： 齐鲁工业大学

发明人： 徐舫舟 ,  许晓燕 ,  郑文风 ,  苗芸菁 ,  荣芬奇

IPC分类号： G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了一种融合CNN-BiLSTM模型和概率协作的运动想象识别方法及系统，属于脑机接口领域，本发明要解决的技术问题为如何有效提取特征以及如何快速实现分类，采用的技术方案为：①该方法通过融合BiLSTM网络的CNN模型对EEG信号中的时-空深度特征进行捕获和提取，将捕获和提取的时-空深度特征输入至ProCRC分类器中进行分类，同时使用测试集数据对搭建的CNN-BiLSTM模型进行性能评估，实现用户的意图识别；具体步骤如下：S1、采集脑电信号；S2、构建深度神经网络；S3、搭建分类器；S4、模型测试及评估。②该系统包括脑电信号采集单元、深度神经网络构建单元、分类器搭建单元和模型测试及评估单元。

公开(公告)号：CN109614885A

公开(公告)日：2019-04-12

申请号：CN201811393348.6

申请日：2018-11-21

申请人： 齐鲁工业大学

发明人： 徐舫舟 ,  许晓燕 ,  郑文风 ,  张迎春

IPC分类号： G06K9/00 ,  G06N3/04 ,  G06N3/08

摘要： 本发明涉及一种基于LSTM的脑电信号快速分类识别方法，其特征在于，包括以下步骤：S1：脑电信号采集与预处理；S2：定义LSTM网络结构，并使用开源的深度学习架构TensorFlow搭建网络模型；S3：将真实的标签与预测的标签做对比，利用交叉熵损失函数计算出损失，再选择最佳的优化函数优化网络，提高训练的精确度；S4：利用训练好的模型预测出测试集的标签，并将其与真实的标签对比，对模型进行评估。

公开(公告)号：CN109583346A

公开(公告)日：2019-04-05

申请号：CN201811394213.1

申请日：2018-11-21

申请人： 齐鲁工业大学 ,  山东省计算中心(国家超级计算济南中心)

发明人： 徐舫舟 ,  许晓燕 ,  舒明雷

IPC分类号： G06K9/00 ,  G06K9/62 ,  G06N3/08

摘要： 本发明涉及一种基于LSTM-FC的脑电信号特征提取与分类识别方法，其特征在于，包括以下步骤：S1：脑电信号的采集与预处理；S2：定义基本的LSTM网络的模型结构；S3：将通过LSTM网络的特征矩阵经过两层FC网络，得到融合FC网络的LSTM模型，即LSTM-FC模型；S4：将训练集输入相应的模型中进行训练，利用误差反向传播更新网络；S5：训练好相应的模型后，再将测试集输入模型中得到运动想象任务的最终的分类准确率，进而评估此模型的性能；S6：对比LSTM和LSTM-FC两个模型的性能，得出最优的模型。

公开(公告)号：CN108875799A

公开(公告)日：2018-11-23

申请号：CN201810532952.6

申请日：2018-05-29

申请人： 齐鲁工业大学

发明人： 徐舫舟 ,  郑文风 ,  赵松松 ,  张迎春 ,  许晓燕

IPC分类号： G06K9/62 ,  G06F3/01

摘要： 本发明公开一种基于改进S变换的运动想象分类识别方法，采用改进S变换的方法在脑电信号特征最显著的频率范围内提取信号的PSD特征，筛选出尺度因子p和q的最优值，准确地提取出信号特征。提取出有效特征后，筛选出SVM分类器中惩罚因子c与核函数参数g的最优值，以及确定最佳核函数，训练出分类模型并测试，获得了最高96％的分类正确率，优于目前所有方法的分类正确率。本发明采用信道选择方法，在保证性能的前提下降低数据维度，大大减轻了算法复杂度，并剔除了信道中的噪音信道以及相互干扰的信道，筛选出了噪音小，干扰少的几个相对较好的信道。

公开(公告)号：CN109948427A

公开(公告)日：2019-06-28

申请号：CN201910069209.6

申请日：2019-01-24

申请人： 齐鲁工业大学

发明人： 徐舫舟 ,  许晓燕

IPC分类号： G06K9/00 ,  G06N3/04 ,  G06N3/08

摘要： 本发明提供一种基于长短时记忆模型的意念识别方法，包括如下步骤：获取脑电信号数据；提取脑电信号的数据特征；对提取到的数据特征进行分类学习，完成网络模型的搭建；评估搭建的网络模型的性能。利用LSTM网络模型提取脑电信号特征，再将此特征通过GB分类器进行分类处理，得到网络模型的性能评估。实验结果表明，本发明方法能够将深度学习中LSTM算法与传统的GB分类器相结合，在成功分类出所有的脑电信号样本下，也为后续脑电分类识别研究提供一个新的方向。

公开(公告)号：CN109359610A

公开(公告)日：2019-02-19

申请号：CN201811257725.3

申请日：2018-10-26

申请人： 齐鲁工业大学 ,  山东省计算中心(国家超级计算济南中心)

发明人： 徐舫舟 ,  许晓燕 ,  舒明雷 ,  张迎春

IPC分类号： G06K9/00 ,  G06K9/62 ,  G06N3/08

摘要： 本发明公开了构建CNN-GB模型的方法及系统、数据特征分类方法，属于人工智能BCI技术领域，解决的问题是如何结合CNN模型和GB算法对脑电信号进行特征提取与分类识别，得到效能高的最优特征集，使其分类精确度高。其方法包括采集脑电数据；基于Caffe深度学习框架构建CNN网络模型；训练CNN网络模型；训练GB网络模型。其系统包括脑电数据采集模块、CNN网络配置模块和GB网络配置模块。其分类方法包括采集脑电数据；获得训练后的CNN网络模型和训练后的GB网络模型；由训练后的CNN网络模型对脑电数据进行特征提取，由训练后的GB网络模型对提取的特征进行分类。结合CNN模型和GB算法提高了分类精确度。