-
公开(公告)号：CN117909822A
公开(公告)日：2024-04-19
申请号：CN202410043702.1
申请日：2024-01-11
Applicant: 北京工业大学
IPC: G06F18/241 , A61B5/00 , A61B5/369 , G06F18/2135 , G06F18/214 , G06F18/2131 , G06F18/10 , G06N3/0464
Abstract: 本发明公开了基于多尺度注意力网络的癫痫检测方法，根据癫痫脑电的多尺度、时空特点、不同尺度下导联间的信息流动特征和尺度间隐式关联特征，设计基于多尺度注意力的神经网络，并与多尺度主元分析法相结合，实现癫痫自动检测。利用MSPCA对原始癫痫脑电信号进行去噪和特征增强；进而，设计MAN模型结构与参数。其中，多尺度注意力模块、时空特征提取模块、尺度重构模块和分类模块相继完成基于注意力加权机制的信号重表达、基于注意力机制的多尺度‑时空特征提取与重表达、融合与分类。基于CHB‑MIT公共数据集进行五折交叉验证实验研究，MAN模型能够在癫痫信号不同尺度下有效利用其脑网络特征强化导联间差异性和不同尺度间差异性，具有与流行方法相当的性能。
-
公开(公告)号：CN112932503B
公开(公告)日：2023-05-02
申请号：CN202110058756.1
申请日：2021-01-16
Applicant: 北京工业大学
IPC: A61B5/372 , G06F18/241 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于4D数据表达和3DCNN的运动想象任务解码方法，对原始运动想象脑电信号MI‑EEG进行基线校正和带通滤波处理；将预处理后的MI‑EEG信号从低维头皮空间映射到高维脑皮层空间，获得偶极子源估计；结合偶极子坐标系转换、插值和体积下采样等操作，构建3D偶极子幅值矩阵；在TOI内设置滑窗，将窗内采样时刻对应的3D偶极子幅值矩阵按照采样顺序堆叠为4D偶极子特征矩阵；设计三模块级联结构的三维卷积神经网络3M3DCNN，对4DDFM含有的三维空间位置信息以及一维时间信息的复合特征进行提取和识别，实现运动想象任务解码；本发明避免了ROI的选择带来的大量信息丢失，并省去了时频分析等复杂操作步骤，有效提高了脑电信号的识别效果。
-
公开(公告)号：CN112244878A
公开(公告)日：2021-01-22
申请号：CN202010895392.8
申请日：2020-08-31
Applicant: 北京工业大学
Abstract: 本发明公开了用并联型多模块CNN和LSTM识别关键频带图像序列的方法，基于短时傅里叶变换对脑电信号进行时频分析，选取与运动想象任务密切相关的关键频带；然后，采用关键频带成像方法，针对每个离散时间，将各导联的关键频带时频融合信息同时插值于相应导联在网格中的离散位置上，并利用最近邻插值法对空值处进行信息增补，获得两个关键频带图像序列；最后，设计并联型多模块CNN和LSTM网络，用于关键频带图像序列的频域、空域与时域特征的提取与融合识别，实现脑电信号的自动分类。本发明通过短时傅里叶变换获得脑电信号丰富的时频信息，利用网络结构能充分的学习图像序列所包含的特征，有效的提高了脑电信号的识别效果。
-
公开(公告)号：CN109726751B
公开(公告)日：2020-11-27
申请号：CN201811574691.0
申请日：2018-12-21
Applicant: 北京工业大学
Abstract: 本发明公开了基于深度卷积神经网络识别脑电成像图的方法，对采集到的运动想象脑电信号进行基线消除预处理；将每导联信号分成若干时间窗口，对每个窗口MI‑EEG型号分别进行快速傅里叶变换，将之分别进行快速傅里叶逆变换，计算其相应的时域功率值；将每个窗口得到的时域功率值求均值，得到时域功率特征；将提取的三频带功率特征在数据矩阵中进行插值成像，得到MI‑EEG信号的伪RGB图像；DCNN模型设计成五段卷积，每段卷积结束后使用卷积层替代最大池化层进行数据降维；使用训练好的DCNN模型在测试集上进行评估，完成分类测试。MI‑EEG成像图在特征表达方面的优势，配合模型拟合能力更强的30层DCNN，对于提升MI‑EEG信号特征表达、分类精度具有重要意义。
-
公开(公告)号：CN108829257A
公开(公告)日：2018-11-16
申请号：CN201810955270.6
申请日：2018-08-21
Applicant: 北京工业大学
Abstract: 本发明公开了一种运动想象脑电信号的特征提取方法。根据平均功率谱确定对运动想象脑电信号进行特征提取的最优时间段，然后对这一时间段内的运动想象脑电信号进行四层双树复小波分解，利用每个子带的复小波系数进行信号重构，通过计算重构后信号最有时间段内数据的平均能量特征作为运动想象脑电信号的时频特征；提出IL-MVU算法对重构后的脑电信号的最有时间段内数据进行降维，将降维后得到的低维向量作为运动想象脑电信号的非线性特征，最后通过对最优时间段内运动想象脑电信号的时频特征与非线性特征进行标准化处理与特征融合，得到运动想象脑电信号的特征向量。本发明极大地降低了算法的时间消耗，有助于提高MI-EEG信号的分类准确率。
-
Patent Agency Ranking
公开(公告)号：CN108210246A
公开(公告)日：2018-06-29
申请号：CN201810023630.9
申请日：2018-01-10
Applicant: 北京工业大学
IPC: A61H1/02
Abstract: 本发明公开了一种四自由度康复机械臂装置，该装置由基座和康复机械臂两部分组成，康复机械臂安装在基座上。康复机械臂由肩部外展关节，肩部屈伸关节，肘部屈伸关节，腕部屈伸关节组成。运动想象脑电信号被采集后，通过预处理，特征提取，模式分类得到的二分类信号作为机械臂控制单元的输入信号。控制单元输出PWM波控制肩部外展电机、肩部屈伸电机、肘部屈伸电机和腕部外展电机转动。通过算法实现运行想象脑电信号的分类，将信号传输给控制单元。控制单元发出相应控制信号。控制信号对伺服电机转动进行控制。本发明的机械臂结构设计的简单化，方便安装拆卸。
-
公开(公告)号：CN114631830B
公开(公告)日：2024-08-09
申请号：CN202210239817.9
申请日：2022-03-12
Applicant: 北京工业大学
IPC: A61B5/372
Abstract: 本发明公开了基于D‑K分区的简化分布式偶极子模型建立与识别方法，具体包括：首先，利用不同的带通滤波器对原始MI‑EEG进行滤波，以挑选与运动想象活动相关的最优频带；然后，对挑选出的每个子带进行脑电逆变换，将头皮EEG转换为脑皮层中的偶极子；接着，获得基于神经解剖学D‑K分区的中心偶极子，以构建简化分布式偶极子模型，将大脑皮层中心偶极子的活动视为神经动力学系统，构建4D数据表达；最后，将多频带数据表达进行融合并输入至设计好的n分支并行的nB3DCNN中，从时‑频‑空三个维度进行综合特征提取与识别。本发明体现了不同频带下，偶极子在3D空间中幅值随着时间的变化，利用少量中心偶极子反映了整个大脑皮质层由运动想象引起的神经电活动。
-
公开(公告)号：CN112244878B
公开(公告)日：2023-08-04
申请号：CN202010895392.8
申请日：2020-08-31
Applicant: 北京工业大学
Abstract: 本发明公开了用并联型多模块CNN和LSTM识别关键频带图像序列的方法，基于短时傅里叶变换对脑电信号进行时频分析，选取与运动想象任务密切相关的关键频带；然后，采用关键频带成像方法，针对每个离散时间，将各导联的关键频带时频融合信息同时插值于相应导联在网格中的离散位置上，并利用最近邻插值法对空值处进行信息增补，获得两个关键频带图像序列；最后，设计并联型多模块CNN和LSTM网络，用于关键频带图像序列的频域、空域与时域特征的提取与融合识别，实现脑电信号的自动分类。本发明通过短时傅里叶变换获得脑电信号丰富的时频信息，利用网络结构能充分的学习图像序列所包含的特征，有效的提高了脑电信号的识别效果。
-
公开(公告)号：CN108829257B
公开(公告)日：2021-04-23
申请号：CN201810955270.6
申请日：2018-08-21
Applicant: 北京工业大学
Abstract: 本发明公开了基于DTCWT和IL‑MVU的运动想象脑电信号的特征提取方法。根据平均功率谱确定对运动想象脑电信号进行特征提取的最优时间段，然后对这一时间段内的运动想象脑电信号进行四层双树复小波分解，利用每个子带的复小波系数进行信号重构，通过计算重构后信号最有时间段内数据的平均能量特征作为运动想象脑电信号的时频特征；提出IL‑MVU算法对重构后的脑电信号的最有时间段内数据进行降维，将降维后得到的低维向量作为运动想象脑电信号的非线性特征，最后通过对最优时间段内运动想象脑电信号的时频特征与非线性特征进行标准化处理与特征融合，得到运动想象脑电信号的特征向量。本发明极大地降低了算法的时间消耗，有助于提高MI‑EEG信号的分类准确率。
-
公开(公告)号：CN112668424A
公开(公告)日：2021-04-16
申请号：CN202011509929.9
申请日：2020-12-19
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于RBSAGAN的脑电信号数据增广的方法，设计Up ResBlock与Down ResBlock网络结构，通过主干的两个1D卷积层与分支的一个1D卷积层提取不同尺度感受野下的特征，并分别采用1D反卷积层和平均池化层分别进行数据维度的扩大和缩小。基于Self‑Attention机制设计1D Self‑Attention网络。该网络结构无视各离散时刻数据之间的距离，能够通过并行计算各离散时刻数据之间的相似度直接获得全局的时序特征，适用于具有丰富时序信息的脑电信号。Down ResBlock与1D Self‑Attention等网络组成RBSAGAN的判别器，输出损失值对生成器以及判别器的参数进行更新，直至达到纳什平衡。生成器产生的新数据与原有数据构成增广数据集，输入1D CNN进行分类，以评估生成数据的质量。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.02 seconds)
