公开(公告)号：CN109171713A

公开(公告)日：2019-01-11

申请号：CN201810588009.7

申请日：2018-06-08

Applicant: 杭州电子科技大学

Inventor： 马玉良 ,  缪楚泱 ,  刘卫星 ,  孟明 ,  张启忠

IPC: A61B5/0476 ,  A61B5/00

Abstract: 本发明涉及一种基于多模态信号的上肢运动想象模式识别方法。本发明首先，对原始近红外光谱信号进行计算，得到脑部氧合血红蛋白含量，并对氧合血红蛋白含量值提取CSP特征；其次，对采集到的脑电信号进行样本熵的提取；然后，将得到的多模态特征进行归一化，并进行串行融合；最后，采用支持向量机模型对融合后的多模态特征进行模式分类。本发明优点在于既保留了脑电信号的高空间分辨率的优势，同时又补充了近红外光谱信号的高时间分辨率的特性，提高了上肢运动想象模式的识别率。

公开(公告)号：CN107451651A

公开(公告)日：2017-12-08

申请号：CN201710632344.8

申请日：2017-07-28

Applicant: 杭州电子科技大学

Inventor： 马玉良 ,  张淞杰 ,  刘卫星 ,  佘青山

IPC: G06N3/00 ,  G06N99/00 ,  G06K9/62 ,  G06K9/00

CPC classification number: G06N3/006 ,  G06K9/00503 ,  G06K9/00523 ,  G06K9/00845 ,  G06K9/6267 ,  G06N99/005

Abstract: 本发明公开了一种基于粒子群优化的H-ELM的驾驶疲劳检测方法；具体为使用脑电采集设备采集驾驶脑电信号；对采集到的脑电信号进行预处理；对预处理后的数据加窗进行离散傅里叶变换；根据离散傅里叶变换后的数据求功率谱密度，并根据脑电信号的频带进行频带划分，以各频带的功率作为特征；对提取的特征使用多层学习超限学习机进行分类学习、识别；通过粒子群算法对超限学习机的分类、识别效果进行优化。本发明使用PSO优化后的H-HELM分类器对驾驶疲劳进行检测，可有效的提高分类检测准确率。

公开(公告)号：CN108229401A

公开(公告)日：2018-06-29

申请号：CN201810010871.X

申请日：2018-01-05

Applicant: 杭州电子科技大学

Inventor： 马玉良 ,  王星 ,  刘卫星 ,  高云园

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/00

Abstract: 本发明涉及一种基于AFSA‑SVM的多模态信号分类方法。传统支持向量机(SVM)分类方法信号分类处理中存在参数设置和分类正确率低等问题，本发明提出了一种基于人工鱼群(AFSA)优化支持向量机惩罚因子c和核参数g的分类模型，该方法利用CSP算法对脑部EEG和NIRS同步采集的信号进行特征提取和融合，然后利用AFSA优化算法确定支持向量机的惩罚因子c和核参数g，构建分类器模型进行信号训练和测试分类，从而提高了运动想象任务分类的准确性。该方法在脑‑机接口领域具有广阔的应用前景。