-
公开(公告)号：CN114841219A
公开(公告)日：2022-08-02
申请号：CN202210628059.X
申请日：2022-06-06
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于半监督学习的单通道脑电睡眠分期方法，包括以下步骤：S1、建立睡眠混合神经网络模型；S2、将训练集数据TrainSet分为标签数据集LabeledDataSet和无标签数据集NolabeledDataSet；S3、利用LabeledDataSet对睡眠混合神经网络模型进行预训练，得到预模型PreModel；S4、使用PreModel对NolabeledDataSet进行预测，打上伪标签；然后使用标签数据和伪标签数据对预训练模型进行再次训练，得到伪标签模型PseudoLabelModel；S5、利用PseudoLabelModel对脑电数据进行预测，得到分期结果。本发明采用伪标签训练方法对SHNN模型进行训练，在不改变模型结构的情况下，增强了模型的睡眠分期性能。
-
公开(公告)号：CN114081505A
公开(公告)日：2022-02-25
申请号：CN202111587404.1
申请日：2021-12-23
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于皮尔逊相关系数和卷积神经网络的脑电信号识别方法，包括以下步骤：S1、选择数据：从情感脑电、视觉诱发脑电和运动想象脑电数据库中分别选择相同通道的信号；S2、信号预处理：利用带通滤波器去除眼电伪迹信号以及工频干扰信号；S3、使用皮尔逊相关系数算法进行特征提取；S4、将S3提取的特征输入稠密度卷积神经网络中进行训练，得到深度学习身份识别模型，利用深度学习身份识别模型对脑电信号进行身份识别。本发明选用了情感脑电信号、视觉诱发脑电信号和运动想象脑电信号进行身份识别，使用多种任务态的脑电信号，减少了在获取EEG信号时对用户的限制，使基于EEG信号的身份识别方法更具有普适性和泛化性。
-
公开(公告)号：CN114010208B
公开(公告)日：2023-09-08
申请号：CN202111311799.2
申请日：2021-11-08
Applicant: 成都信息工程大学
Abstract: 本发明公开一种适用于SSVEP分类的零填充频域卷积神经网络方法，应用于脑电信号处理领域，针对现有技术对SSVEP和SSVEP子类的SSMVEP脑电信号的分类准确率和信息传输速率较低的问题；本发明首先使用脑电采集设备采集人体大脑枕部九个电极的SSVEP脑电信号；其次对脑电信号进行预处理；之后在时域对预处理后的脑电信号进行补零填充，提取九个通道的SSVEP信号的功率谱密度中感兴趣的基频频带和二次谐波频带组合成一个特征矩阵；最后将该特征矩阵作为CNN深度学习模型的输入，使用非线性变换对不同类别的SSVEP信号进行识别；采用本发明的方法能获得较高的分类准确率。
-
公开(公告)号：CN114010208A
公开(公告)日：2022-02-08
申请号：CN202111311799.2
申请日：2021-11-08
Applicant: 成都信息工程大学
Abstract: 本发明公开一种适用于SSVEP分类的零填充频域卷积神经网络方法，应用于脑电信号处理领域，针对现有技术对SSVEP和SSVEP子类的SSMVEP脑电信号的分类准确率和信息传输速率较低的问题；本发明首先使用脑电采集设备采集人体大脑枕部九个电极的SSVEP脑电信号；其次对脑电信号进行预处理；之后在时域对预处理后的脑电信号进行补零填充，提取九个通道的SSVEP信号的功率谱密度中感兴趣的基频频带和二次谐波频带组合成一个特征矩阵；最后将该特征矩阵作为CNN深度学习模型的输入，使用非线性变换对不同类别的SSVEP信号进行识别；采用本发明的方法能获得较高的分类准确率。
-
-
-
Search Results
4
records
(took 0.014 seconds)
