-
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
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。
-
Patent Agency Ranking
公开(公告)号：CN104091172B
公开(公告)日：2018-03-16
申请号：CN201410319149.6
申请日：2014-07-04
Applicant: 北京工业大学
Abstract: 本发明涉及一种运动想象脑电信号的特征提取方法。所述方法首先将采集到的脑电信号进行预处理，然后对每导信号进行经验模态分解(EMD)，得到多阶的固有模态函数(IMF)信号，接着选取相同阶数的IMF信号作为新的信号，通过共同空间模式算法(CSP)获得空间滤波器，提取脑电信号的特征，并输入到分类器中进行分类，并根据分类准确率选取EMD和CSP中参数的最优值，最终获得最优参数下的脑电特征。本发明采用基于EMD与CSP对运动想象脑电信号进行特征提取，可以根据每个人脑电信号的特点，将信号自适应地分解成多个IMF信号，只需较少的电极就可以进行脑电信号的特征提取，并且从而较大程度地提高了脑电信号的分类准确率。
-
公开(公告)号：CN105700689A
公开(公告)日：2016-06-22
申请号：CN201610154660.4
申请日：2016-03-17
Applicant: 北京工业大学
IPC: G06F3/01
CPC classification number: G06F3/015 , G06F2203/011
Abstract: 本发明涉及基于镜像虚拟和Skinner强化学习的个性化MI-EEG训练与采集方法，该方法将康复治疗领域的镜像疗法和Skinner强化学习理论融合到MI-EEG的训练与采集过程当中。在训练模式中设计个性化视听联合刺激，在一种较为放松的状态下通过健侧手佩戴数据手套并执行张/握动作，利用计算机串口实时读取并解码健侧手部动作的数据，进而钳制采集界面中镜像虚拟患侧手模型的动作。使受试者通过自身健侧手的动作激励诱导镜像虚拟手的运动，加强大脑运动功能区镜像神经元的电活动,并基于Skinner强化学习理论设计闭环脑电采集与控制模式检验训练效果，同时，通过Skinner在线奖励反馈，进一步增强内动机，提高MI-EEG质量。本发明操作简单，以期取得更好的实际应用。
-
公开(公告)号：CN105700689B
公开(公告)日：2018-07-13
申请号：CN201610154660.4
申请日：2016-03-17
Applicant: 北京工业大学
IPC: G06F3/01
Abstract: 本发明涉及基于镜像虚拟和Skinner强化学习的个性化MI‑EEG训练与采集方法，该方法将康复治疗领域的镜像疗法和Skinner强化学习理论融合到MI‑EEG的训练与采集过程当中。在训练模式中设计个性化视听联合刺激，在一种较为放松的状态下通过健侧手佩戴数据手套并执行张/握动作，利用计算机串口实时读取并解码健侧手部动作的数据，进而钳制采集界面中镜像虚拟患侧手模型的动作。使受试者通过自身健侧手的动作激励诱导镜像虚拟手的运动，加强大脑运动功能区镜像神经元的电活动,并基于Skinner强化学习理论设计闭环脑电采集与控制模式检验训练效果，同时，通过Skinner在线奖励反馈，进一步增强内动机，提高MI‑EEG质量。本发明操作简单，以期取得更好的实际应用。
-
公开(公告)号：CN105809124A
公开(公告)日：2016-07-27
申请号：CN201610125830.6
申请日：2016-03-06
Applicant: 北京工业大学
IPC: G06K9/00
CPC classification number: G06K9/00523 , G06K9/00536
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：CN104091172A
公开(公告)日：2014-10-08
申请号：CN201410319149.6
申请日：2014-07-04
Applicant: 北京工业大学
Abstract: 本发明涉及一种运动想象脑电信号的特征提取方法。所述方法首先将采集到的脑电信号进行预处理，然后对每导信号进行经验模态分解(EMD)，得到多阶的固有模态函数(IMF)信号，接着选取相同阶数的IMF信号作为新的信号，通过共同空间模式算法(CSP)获得空间滤波器，提取脑电信号的特征，并输入到分类器中进行分类，并根据分类准确率选取EMD和CSP中参数的最优值，最终获得最优参数下的脑电特征。本发明采用基于EMD与CSP对运动想象脑电信号进行特征提取，可以根据每个人脑电信号的特点，将信号自适应地分解成多个IMF信号，只需较少的电极就可以进行脑电信号的特征提取，并且从而较大程度地提高了脑电信号的分类准确率。
-
-
-
-
-
Search Results
6
records
(took 0.014 seconds)
