公开(公告)号：CN111582041A

公开(公告)日：2020-08-25

申请号：CN202010291359.4

申请日：2020-04-14

Applicant: 北京工业大学

Inventor： 李明爱 ,  韩健夫 ,  杨金福 ,  孙炎珺

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了基于CWT和MLMSFFCNN的脑电识别方法，将各导联运动想象脑电信号进行CWT，得到每导联的时频矩阵；然后，截取信号时频矩阵8-30Hz频带的数据，沿频率轴等分为三个子矩阵；将三个子矩阵分别按列求和，得到三个子序列后，将每个子序列沿时间轴分为三个窗口；结合BCI采集系统导联坐标信息构造MI-EEG信号复合特征矩阵；MLMSFFCNN通过各个级卷积段输出特征的拼接以及各级卷积的多分支结构实现了特征的融合与多分辨率计算；使用MLMSFFCNN对上述MI-EEG复合特征矩阵进行监督训练后，进行十折交叉验证，得到最终的分类结果。本发明通过MLMSFFCNN的特征融合能力与多分辨率计算能力使得信号时、频、空域特征信息能够被充分提取，对于提升MI-EEG信号多域特征表达、分类精度具有重要意义。

公开(公告)号：CN109726751A

公开(公告)日：2019-05-07

申请号：CN201811574691.0

申请日：2018-12-21

Applicant: 北京工业大学

Inventor： 李明爱 ,  韩健夫 ,  杨金福 ,  孙炎珺

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

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：CN105809124B

公开(公告)日：2018-06-01

申请号：CN201610125830.6

申请日：2016-03-06

Applicant: 北京工业大学

Inventor： 李明爱 ,  罗新勇 ,  徐金凤 ,  杨金福 ,  孙炎珺

IPC: G06K9/00

Abstract: 基于DWT和Parametric t‑SNE的运动想象脑电信号的特征提取方法，首先，使用Wigner‑Ville分布和功率谱确定脑电特征的有效时、频范围，然后对于特定时间段与频率段的脑电信号进行三层离散小波分解，通过计算其均值、能量均值和均方差等统计特征量作为该脑电信号的时频特征；同时利用参数化t‑SNE算法对上述小波系数进行非线性特征映射，并将对应低维空间中的嵌入坐标作为非线性特征；将两种特征标准化得到同时包含特定时频段脑电信号时频信息和非线性信息的特征向量。本发明不仅获得具有紧致性、完备性的脑电特征，还提出以多层前向传播神经网络拟合非线性映射来解决传统流形学习算法在模式分类应用中泛化性能不足的问题，进一步提高了MI‑EEG信号的模式分类准确性。

公开(公告)号：CN203455628U

公开(公告)日：2014-02-26

申请号：CN201320576189.X

申请日：2013-09-17

Applicant: 北京工业大学

Inventor： 陈双叶 ,  张微敬 ,  陈亚伟 ,  孙炎珺

IPC: G05B13/04

Abstract: 本实用新型涉及一种结构AMD主动控制器，包括处理器核心电路、控制器电源电路、存储器电路、以太网接口电路、RS232通讯电路、LCD及触摸屏电路、传感器信号输入电路、控制输出电路。处理器核心电路的A/D转换接口和传感器信号输入电路相连接，读取结构的位移和速度信号，并将采集到的信号通过内部存储器接口存储在存储器电路中；处理器核心电路输出的控制量u通过信号控制输出电路实现对AMD作动器的控制。