-
公开(公告)号：CN113780134A
公开(公告)日：2021-12-10
申请号：CN202111011961.9
申请日：2021-08-31
Applicant: 昆明理工大学
Abstract: 本发明公开了一种基于ShuffleNetV2网络的运动想象脑电解码方法，应用于解决嵌入式或移动端下的脑机接口系统需要大量计算时间和空间的资源问题，属于脑信息解码领域。本发明采用连续小波变换和ShuffleNetV2网络构建框架，对多通道运动想象脑电信号进行特征捕获。ShuffleNetV2网络被用于学习经连续小波变换转换后的脑电二维时频能量数据特征。本发明作为一种轻量级运动想象脑电识别系统，该学习模式的实现为嵌入式或移动端下的实时脑机接口系统的实际实现提供了新的思路。
-
Patent Agency Ranking
公开(公告)号：CN113128459A
公开(公告)日：2021-07-16
申请号：CN202110488275.4
申请日：2021-05-06
Applicant: 昆明理工大学
Abstract: 本发明提供一种基于多层次脑电信号表达下的特征融合方法，属于脑信息解码领域。本发明采用Bi‑LSTM和CNN构建并行框架，对多层次表达形式的运动想象脑电序列进行特征捕获。Bi‑LSTM用于提取时域特征和长时间隔下的动态相关性，CNN被用来学习经短时傅里叶转换后的脑电二维时频能量数据特征。特征获取后，再利用两层堆叠式稀疏自编码器将不同层次特征重构融合，该步骤也是为了从不同被试个体脑电知识中获取到共性有用信息，从而指导实现跨被试用户运动想象任务分类识别模型。本发明可以作为一种在不同脑机接口被试用户上推广的泛化识别系统，该迁移学习模式的实现为免校准脑机在线接口系统的实际实现提供了新的思路。
-
公开(公告)号：CN113780134B
公开(公告)日：2023-05-02
申请号：CN202111011961.9
申请日：2021-08-31
Applicant: 昆明理工大学
IPC: G06F18/24 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于ShuffleNetV2网络的运动想象脑电解码方法，应用于解决嵌入式或移动端下的脑机接口系统需要大量计算时间和空间的资源问题，属于脑信息解码领域。本发明采用连续小波变换和ShuffleNetV2网络构建框架，对多通道运动想象脑电信号进行特征捕获。ShuffleNetV2网络被用于学习经连续小波变换转换后的脑电二维时频能量数据特征。本发明作为一种轻量级运动想象脑电识别系统，该学习模式的实现为嵌入式或移动端下的实时脑机接口系统的实际实现提供了新的思路。
-
公开(公告)号：CN115486857A
公开(公告)日：2022-12-20
申请号：CN202211066975.5
申请日：2022-09-02
Applicant: 昆明理工大学
Abstract: 本发明涉及一种基于Transformer时空特征学习的运动想象脑电解码方法，属于运动想象脑电技术领域。首先对原始的运动想象脑电数据进行滤波处理，再构建空间模块，该模块使用点积注意力机制对数据的特征通道进行加权，以获取各个通道之间的相互关联程度，然后构建时间模块，对数据采用多头注意力机制，从不同的角度感知脑电信号的全局时间依赖关系，最后利用建立好的模型实现运动想象脑电信号的分类。通过在数据集BCICompetitionIVDataset 2a上进行验证，并与近年来具有良好表现的运动想象脑电信号分类方法进行比较，实验结果表明，本发明有更好的分类性能。
-
公开(公告)号：CN116257753A
公开(公告)日：2023-06-13
申请号：CN202310252152.X
申请日：2023-03-15
Applicant: 昆明理工大学
IPC: G06F18/213 , G06F18/24 , G06F18/25 , G06F18/2415 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/049 , G06F3/01
Abstract: 本发明涉及一种时空特征融合注意力机制的运动想象脑电图解码方法，属于脑信息科学研究技术领域。首先对输入的原始脑电信号进行运动想象相关事件提取，构建并行的时空卷积模块，提取脑电信号不同层次下的时域和空间域特征，构建注意力机制模块，对时空卷积模块融合后的特征进行加权，构建时间卷积模块对加权后的时域特征进行提取，利用全连接层对脑电信号进行分类。通过在数据集BCI Competition IV Dataset 2a上进行验证，并与近年所提出的分类方法进行比较，实验结果表明，本发明具有更好的分类效果。
-
公开(公告)号：CN113128459B
公开(公告)日：2022-06-10
申请号：CN202110488275.4
申请日：2021-05-06
Applicant: 昆明理工大学
Abstract: 本发明提供一种基于多层次脑电信号表达下的特征融合方法，属于脑信息解码领域。本发明采用Bi‑LSTM和CNN构建并行框架，对多层次表达形式的运动想象脑电序列进行特征捕获。Bi‑LSTM用于提取时域特征和长时间隔下的动态相关性，CNN被用来学习经短时傅里叶转换后的脑电二维时频能量数据特征。特征获取后，再利用两层堆叠式稀疏自编码器将不同层次特征重构融合，该步骤也是为了从不同被试个体脑电知识中获取到共性有用信息，从而指导实现跨被试用户运动想象任务分类识别模型。本发明可以作为一种在不同脑机接口被试用户上推广的泛化识别系统，该迁移学习模式的实现为免校准脑机在线接口系统的实际实现提供了新的思路。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
