-
公开(公告)号：CN112668424B
公开(公告)日：2024-02-06
申请号：CN202011509929.9
申请日：2020-12-19
Applicant: 北京工业大学
IPC: G06F18/10 , G06F18/214 , G06N3/0475 , G06N3/045 , G06N3/0464
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。
-
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：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。
-
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。
-
-
-
Search Results
4
records
(took 0.017 seconds)
