-
公开(公告)号：CN113558639A
公开(公告)日：2021-10-29
申请号：CN202110758891.7
申请日：2021-07-05
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于格兰杰因果关系和图论的运动意图脑肌网络构建方法。本发明首先同步采集到两种不同运动模式下的脑电和肌电信号，对信号进行预处理、分频段，选择与运动区域相关的部分电极进行分析，计算两种运动模式不同频段的脑电信号的功率谱密度，再构建自回归模型计算脑电或肌电信号之间的格兰杰因果关系，分析两种不同运动模式下，脑电信号和肌电信号之间的耦合强度，然后根据得到的信号之间的格兰杰因果关系构建脑肌网络，并利用图论的方法计算其网络特征参数，评估主动训练和被动训练的康复效果。本发明发明拓展了评估方法，有助于理解内在的机制，构建脑肌网络，可以研究大脑和肌肉之间的信息流动。
-
公开(公告)号：CN113288150A
公开(公告)日：2021-08-24
申请号：CN202110712331.8
申请日：2021-06-25
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基疲劳脑电信号组合特征的通道选择方法。针对现有技术的问题，提出的技术方案为：首先使用脑电采集设备采集疲劳驾驶信号，选取大脑皮层上能显著反映疲劳状态的电极通道并预处理；通过集合经验模态分解所获得的有限个本征模函数的功率谱值作为特征，并将样本熵作为辅助特征，再通过本文提出的通道选择方法分别筛选出在功率谱值和样本熵值作为特征下的理想通道；最后使用多层感知超限学习机和使用粒子群优化算法优化后的多层感知超限学习机分别对筛选出的理想通道数据进行二分类。本发明使用了组合特征提高了通道选择算法的泛化能力，最终使用了最优通道相比于全通道大幅提高了准确率。
-
公开(公告)号：CN107887031B
公开(公告)日：2020-10-27
申请号：CN201711063666.1
申请日：2017-11-02
Applicant: 杭州电子科技大学
IPC: G16H50/50 , G16H50/70 , A61B5/0476 , A61B5/0488
Abstract: 本发明公开了一种基于同步筛选的脑区间耦合分析方法，本发明首先同步采集了不同握力输出时，32通道脑电信号EEG和12通道肌电信号EMG，为研究握力输出过程中，EEG运动区与感觉区的耦合关系，对大脑运动区及运动感觉区的导联C3，C4，CP5和CP6的脑电信号和肱桡肌信号进行分析；然后利用同步筛选算法将EEG与EMG的同步信息提取出来，得到EEG与EMG相关的数据；最后计算SSEM的符号传递熵，以确定其耦合关系。本发明可去除与运动的非相关数据，缩小数据规模。
-
公开(公告)号：CN111814544A
公开(公告)日：2020-10-23
申请号：CN202010484729.6
申请日：2020-06-01
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于局部平衡极限学习机的动态运动想象脑电识别方法，本发明为了提高手部动作分类的性能，采用了一种局部平衡ELM和基于SL量化FBN的新方法。与传统思想不同，本发明从上述加权的FBN提取了两种二值子网络的拓扑特征。此外，本发明指出了ELM融合中的两个不足，并提出了相应的局部平衡ELM。为了达到两个互补特征在ELM特征空间的最佳融合，以及二值化的最佳阈值和正则化ELM的最佳正则化参数，本专利改进了LOO方法的计算复杂度，使用LOO来收敛上述参数的经验范围。
-
公开(公告)号：CN111789592A
公开(公告)日：2020-10-20
申请号：CN202010620170.5
申请日：2020-06-30
Applicant: 杭州电子科技大学
IPC: A61B5/0484 , A61B5/0478
Abstract: 本发明公开了一种基于拓扑特征融合的脑电识别方法，本发明为了提高手部动作分类的性能，采用了一种LBELM和基于似然同步分析方法量化脑功能网络的新方法。与传统思想不同，本发明对二值FBN提取了两种最优的拓扑特征，并通过LBELM对两种最优的拓扑特征进行LBELM特征空间层的融合；同时本发明对LBELM做出了进一步的改进，增加了隐藏层参数优化以获得更高、更稳定的识别效果；使用了基于MSEPRESS的留一法优化算法，以获得最优的正则化系数和融合比例。
-
Patent Agency Ranking
公开(公告)号：CN111091074A
公开(公告)日：2020-05-01
申请号：CN201911210107.8
申请日：2019-12-02
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种最优区域共空间模式的运动想象脑电信号分类方法。本发明首先进行多通道脑电信号采集并预处理。其次根据通道的欧氏距离选择通道附近的n个通道组成局部区域，对这若干个区域进行CSP滤波，得到若干区域的方差比。然后根据CSP的可分性判据，选择选择最大方差比与最小方差比差值最大的区域为选定的区域。再对区域内通道数目n进行交叉验证，得到最优区域。最后将最优区域进行CSP滤波，取滤波后的3个最大和最小特征向量组成特征空间，将训练集特征输入SVM分类器训练分类模型后，对测试集特征进行分类得到测试结果。本发明通过移除不相关的嘈杂通道提高了BCI的性能；同时减少了通道数量以及校验运行时间。
-
公开(公告)号：CN109567799A
公开(公告)日：2019-04-05
申请号：CN201811603107.X
申请日：2018-12-26
Applicant: 杭州电子科技大学
IPC: A61B5/0488 , A61B5/00
Abstract: 本发明公开了一种基于平滑小波相干性的肌电信号特征提取方法，本发明通过肌电信号采集仪采集人体相关肌肉的肌电信号，并采用带通滤波方法进行预处理，对滤波处理后的肌电信号进行小波变换，然后计算两路肌电信号的交叉小波变换，并对交叉小波变换分别进行时间轴和尺度轴上的平滑操作。最后，计算两路肌电信号的平滑小波相干系数，并使用T检验来检验不同行为之间的相关性是否存在统计学差异，得到不同肌肉组合的32级平滑小波相干系数作为特征向量。本发明使用的平滑小波相干性在特征提取方法上具有很大创新，对于后续模式识别具有较高的识别率和可靠性，可以较好地满足多模式识别任务中的特征提取要求，具有广阔的应用前景。
-
公开(公告)号：CN107622260A
公开(公告)日：2018-01-23
申请号：CN201711013763.X
申请日：2017-10-26
Applicant: 杭州电子科技大学
Abstract: 本发明提出了一种基于多源生物信号的下肢步态相识别方法。本发明首先获取人体下肢表面肌电信号、足底压力特征值和膝关节角度特征值。其次，将sEMG信号进行小波包分解提取多尺度能量和多尺度模糊熵特征；然后，对提取的sEMG信号特征值采用主成分分析(PCA)方法降维处理后与足底压力特征值和膝关节能量特征值构成一组特征向量。最后，将特征向量输入粒子群优化最小二乘支持向量机(PSO-LSSVM)实现对人体下肢步态相识别。本发明合可实现人体下肢步态相高识别率，识别算法可用于设计各种辅助康复设备，智能假肢，行走辅助装置等。
-
公开(公告)号：CN106503733A
公开(公告)日：2017-03-15
申请号：CN201610893229.1
申请日：2016-10-13
Applicant: 杭州电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/6226 , G06K9/6277
Abstract: 本发明公开了一种基于NA-MEMD和GMM聚类的有用信号识别方法。目前经验模式分解方法将多变量信号分解出若干尺度上的内蕴模式函数分量之后，如何在各个尺度上准确地识别出包含有用信息的IMF分量仍然存在依赖于先验知识、识别率较低等问题。本发明首先采用NA-MEMD算法分解多变量信号以得到不同尺度上的IMF分量，其次采用谱回归降维算法将各个尺度上的IMF分量映射到一个低维子空间以抽取出对应的低维特征向量，然后在每个尺度上采用GMM聚类算法对低维特征向量进行聚类分析，最后根据聚类结果识别出包含有用信息的IMF分量。该方法在脑电信号处理、神经数据分析中具有广阔的应用前景。
-
公开(公告)号：CN102930284A
公开(公告)日：2013-02-13
申请号：CN201210337353.1
申请日：2012-09-13
Applicant: 杭州电子科技大学
IPC: G06K9/62 , A61B5/0488
Abstract: 本发明涉及一种基于经验模态分解和分形的表面肌电信号模式识别方法。现有的方法大都采用单分形理论，对肌电信号仅做整体的奇异性评价，而没有研究信号的局部奇异性特征。本发明首先从相关肌肉组上采集相应的表面肌电信号，然后用经验模态分解的方法提取肌电信号的多层内在模态函数，利用多重分形分析的方法提取各层内在模态函数上的广义维数谱。最后，以各层模态函数上的广义维数谱作为模式识别的特征向量，以支持向量机为分类器实现多运动模式的分类与识别。本发明提出利用多重分形分析的方法提取各层内在模态函数上的广义维数谱作为表面肌电信号的特征，具有较好的鲁棒性，能从信噪比相对较低的肌电信号中计算出稳定的特征数据。
-
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.058 seconds)
