-
公开(公告)号：CN112274162B
公开(公告)日：2022-05-17
申请号：CN202010985675.1
申请日：2020-09-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于生成对抗域自适应的跨被试EEG疲劳状态分类方法。本发明首先获取数据并预处理，去除伪迹；其次通过PSD来进行EEG特征提取，从三维EEG时间序列获得二维样本矩阵；然后区分源域和目标域数据集，获得不重合的训练集和测试集；再用部分无标签的目标域数据和符合高斯分布的随机数据训练分类模型GDANN；最后利用混淆矩阵对分类结果准确率进行评估。本发明将生成对抗网络和域不变思想进一步结合，既解决了EEG信号数据集稀少难获得的问题，又平衡了源域数据和目标域数据不匹配的问题，一定程度上避免了负迁移，训练出了高精度的跨被试疲劳检测分类器，以期在实际的脑机交互中有着广泛的应用前景。
-
公开(公告)号：CN112274162A
公开(公告)日：2021-01-29
申请号：CN202010985675.1
申请日：2020-09-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于生成对抗域自适应的跨被试EEG疲劳状态分类方法。本发明首先获取数据并预处理，去除伪迹；其次通过PSD来进行EEG特征提取，从三维EEG时间序列获得二维样本矩阵；然后区分源域和目标域数据集，获得不重合的训练集和测试集；再用部分无标签的目标域数据和符合高斯分布的随机数据训练分类模型GDANN；最后利用混淆矩阵对分类结果准确率进行评估。本发明将生成对抗网络和域不变思想进一步结合，既解决了EEG信号数据集稀少难获得的问题，又平衡了源域数据和目标域数据不匹配的问题，一定程度上避免了负迁移，训练出了高精度的跨被试疲劳检测分类器，以期在实际的脑机交互中有着广泛的应用前景。
-
公开(公告)号：CN112450946A
公开(公告)日：2021-03-09
申请号：CN202011206585.4
申请日：2020-11-02
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于循环生成对抗网络的脑电伪迹修复的方法。由于脑电数据没有严格一一对应的无伪迹EEG数据和有伪迹的EEG数据，传统的方法并不能很好验证是否将感兴趣的信息也一并去除。本发明设计了基于循环生产对抗网络，将有伪迹EEG数据处理后仍能保留住感兴趣的信息。首先根据设计的范式获取数据；其次并进行必要的预处理并将数据根据类别分离；然后设置训练参数，将数据导入训练网络，最后得到去除伪迹而保留兴趣信息的EEG数据。与传统的伪迹去除方法相比，基于循环生成对抗网络的脑电伪迹修复，在修复后的EEG数据上更能保留感兴趣的信息，有助于进行后续研究。
-
Patent Agency Ranking
公开(公告)号：CN112163486A
公开(公告)日：2021-01-01
申请号：CN202010991868.8
申请日：2020-09-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于基于深度学习与稀疏学习相结合的脑电通道优化方法。本发明首先利用模型驾驶实验来收集数据集，通过数据扩充使源域和目标域中的样本趋于平衡，对已经平衡的样本进行稀疏学习和域对抗学习，其设计初衷是同时最小化标签预测器和与判别器的损失值；基于该目的我们设计了目标函数将，并通过添加L21norm来使得模型具备特征选择的能力，除此之外我们还使用了GAN，在一定程度上提高了模型的鲁棒性和泛化能力。最后，在实验评估阶段，一方面单独评估了本发明的性能，还让其与其他的通道优化算法项比较，并取得了独一无二的优势。另一方面在保证准确率的前提下，可以有效减少通道的数量，从而减轻系统的负担和开销。
-
公开(公告)号：CN112274154B
公开(公告)日：2022-05-17
申请号：CN202010985572.5
申请日：2020-09-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于脑电样本权重调整的跨被试疲劳状态分类方法。本发明以PSD作为特征提取方法，InstanceEasyTL算法作为分类器，通过对EEG信号的处理及分析，在跨被试的设定下，对驾驶员的疲劳程度进行分类，实现疲劳、清醒两种状态的区分。首先获取数据并预处理；其次使用PSD对脑电数据进行特征提取；然后设置实验的新源域和新目标域，再根据InstanceEasyTL算法进行分类。与传统的机器学习、深度学习方法和基于特征对齐的EasyTL方法相比，在跨被试上拥有更好的分类性能。此外本方法在仅需目标域中小部分比例的数据情况下，仍然能够保持较高的分类性能。
-
公开(公告)号：CN112163486B
公开(公告)日：2024-03-12
申请号：CN202010991868.8
申请日：2020-09-18
Applicant: 杭州电子科技大学
IPC: G06F18/10 , G06F18/213 , G06F18/24 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于基于深度学习与稀疏学习相结合的脑电通道优化方法。本发明首先利用模型驾驶实验来收集数据集，通过数据扩充使源域和目标域中的样本趋于平衡，对已经平衡的样本进行稀疏学习和域对抗学习，其设计初衷是同时最小化标签预测器和与判别器的损失值；基于该目的我们设计了目标函数将，并通过添加L21norm来使得模型具备特征选择的能力，除此之外我们还使用了GAN，在一定程度上提高了模型的鲁棒性和泛化能力。最后，在实验评估阶段，一方面单独评估了本发明的性能，还让其与其他的通道优化算法项比较，并取得了独一无二的优势。另一方面在保证准确率的前提下，可以有效减少通道的数量，从而减轻系统的负担和开销。
-
公开(公告)号：CN112274154A
公开(公告)日：2021-01-29
申请号：CN202010985572.5
申请日：2020-09-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于脑电样本权重调整的跨被试疲劳状态分类方法。本发明以PSD作为特征提取方法，InstanceEasyTL算法作为分类器，通过对EEG信号的处理及分析，在跨被试的设定下，对驾驶员的疲劳程度进行分类，实现疲劳、清醒两种状态的区分。首先获取数据并预处理；其次使用PSD对脑电数据进行特征提取；然后设置实验的新源域和新目标域，再根据InstanceEasyTL算法进行分类。与传统的机器学习、深度学习方法和基于特征对齐的EasyTL方法相比，在跨被试上拥有更好的分类性能。此外本方法在仅需目标域中小部分比例的数据情况下，仍然能够保持较高的分类性能。
-
公开(公告)号：CN109512442A
公开(公告)日：2019-03-26
申请号：CN201811571326.4
申请日：2018-12-21
Applicant: 杭州电子科技大学
IPC: A61B5/18 , A61B5/0476 , A61B5/00
Abstract: 本发明公开了一种基于LightGBM的EEG疲劳状态分类方法。本发明以共空间模式作为特征提取方法，梯度boosting框架LightGBM作为分类器，通过对EEG信号的分析，对驾驶员的疲劳程度进行分类，实现疲劳、清醒、中性三种状态的区分。首先获取数据并预处理；其次通过CSP对脑电数据进行特征提取，后对脑电特征进行降维；然后划定实验的训练集和测试集，再构建分类模型分类。针对精神状态预测，本发明获得的结果更好，且从时间消耗角度，本发明拥有较快的运行速度，这对后期应用于实时数据分析提供了基础。总之，本发明在精神状态预测方面具有较好的性能，以期在实际的脑机交互中有着广泛的应用前景。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.023 seconds)
