公开(公告)号：CN108256629A

公开(公告)日：2018-07-06

申请号：CN201810046404.2

申请日：2018-01-17

Applicant: 厦门大学

Inventor： 张仲楠 ,  温廷羲

IPC: G06N3/04 ,  G06N3/08 ,  G06K9/00

Abstract: 基于卷积网络和自编码的EEG信号无监督特征学习方法，涉及卷积网络。对EEG数据样本的数据进行预见处理，通过0‑1标准化，即对样本数据进行线性变换，将数据映射到[0,1]间；基于深度卷积网络和自编码构建AE‑CDNN模型的构建，并利用训练数据对AE‑CDNN模型进行训练；测试数据通过训练好的AE‑CDNN模型降维到较低的维度，有利于EEG数据的分类。采用基于深度卷积网络和自编码构建AE‑CDNN模型，进行癫痫EEG信号无监督的特征学习。针对两个公开癫痫EEG数据集进行特征学习和分类。AE‑CDNN模型能够很好的应用于癫痫脑信号特征提取。

公开(公告)号：CN108256629B

公开(公告)日：2020-10-23

申请号：CN201810046404.2

申请日：2018-01-17

Applicant: 厦门大学

Inventor： 张仲楠 ,  温廷羲

IPC: G06N3/04 ,  G06N3/08 ,  G06K9/00

Abstract: 基于卷积网络和自编码的EEG信号无监督特征学习方法，涉及卷积网络。对EEG数据样本的数据进行预见处理，通过0‑1标准化，即对样本数据进行线性变换，将数据映射到[0,1]间；基于深度卷积网络和自编码构建AE‑CDNN模型的构建，并利用训练数据对AE‑CDNN模型进行训练；测试数据通过训练好的AE‑CDNN模型降维到较低的维度，有利于EEG数据的分类。采用基于深度卷积网络和自编码构建AE‑CDNN模型，进行癫痫EEG信号无监督的特征学习。针对两个公开癫痫EEG数据集进行特征学习和分类。AE‑CDNN模型能够很好的应用于癫痫脑信号特征提取。

公开(公告)号：CN109009097A

公开(公告)日：2018-12-18

申请号：CN201810788700.X

申请日：2018-07-18

Applicant: 厦门大学

Inventor： 张仲楠 ,  温廷羲

IPC: A61B5/0476

CPC classification number: A61B5/0476 ,  A61B5/4094 ,  A61B5/7264

Abstract: 一种自适应不同采样频率的脑电分类方法，涉及信号分类方法。基于卷积神经网络构建CNN‑E分类模型；针对不同长度样本数据的训练及测试方法。该模型能应用于对不同采样频率的脑电信号进行学习和分类，又能自适应于不同长度的信号。该模型与传统基于特征提取的分类方法在不同采样频率的脑电信号分类中可能存的问题进行分析。网络模型CNN‑E能够通过自主学习样本数据的特征，同时简单而有效的补全法使模型能够适应于各种长度的数据。实验结果表明，网络模型CNN‑E不管是在同采样频率下的脑电信号数据分类，还是不同采样频率下的脑电信号数据分类及不同样本长度的脑电信号数据分类，都表现很好的分类效果并具有较好的普适性。