-
公开(公告)号：CN115990876B
公开(公告)日：2025-02-14
申请号：CN202211464316.7
申请日：2022-11-22
Applicant: 燕山大学
Abstract: 本发明公开了一种基于多通道肌电信号的仿真机械臂控制方法，属于肌电信号技术领域，包括以下步骤：肌电采集：通过多通道肌肉电传感器采集人体肌电信号，将肌电信号经过放大与滤波处理后传输至电脑；数据显示：通过将多通道肌肉电传感器采集的多通道的肌电信号进行数据与波形可视化展示；仿真机械臂控制：定义不同通道不同肌肉状态时机械臂的不同操作，并根据采集的多通道肌电信号对机械臂进行实时控制；多通道协同控制：多通道肌电信号对机械臂的协同控制。本发明通过采集多通道人体肌肉的收缩或舒张的肌电信号，进行条件判断并控制仿真机械臂，且能够自由定义不同通道不同肌肉状态时机械臂的不同操作，如机械爪的开合、多机械臂不同结点的扭转。
-
公开(公告)号：CN115836868B
公开(公告)日：2024-08-23
申请号：CN202211488681.1
申请日：2022-11-25
Applicant: 燕山大学
IPC: A61B5/374 , G06N3/0464 , G06N3/08 , A61B5/18 , A61B5/00
Abstract: 本发明公开了基于多尺度卷积核尺寸CNN的驾驶员疲劳状态识别方法，包括如下步骤：S1、数据准备：将采集到的脑电信号进行预处理，得到标准格式数据；S2、数据增强：采用频率掩蔽和频域重组算法对原数据进行数据增强；S3：模型训练，采用多尺度卷积核尺寸混合CNN模型对原始数据和增强数据构成的数据集进行训练，得到分类器；S4、状态识别：把预处理后的脑电数据输入到分类器模型中，得到样本的状态标签以及可解释的模型分类依据；本发明提高了模型分类性能，在持续注意力驾驶任务数据集识别疲劳状态任务中，实现了较高的准确率；并设计了添加频率噪声和频率掩蔽两种数据增强方法与CNN模型集成，进一步提高模型的泛化能力。
-
公开(公告)号：CN118035843A
公开(公告)日：2024-05-14
申请号：CN202410228565.9
申请日：2024-02-29
Applicant: 燕山大学
IPC: G06F18/241 , G06F18/2415 , G06N3/0464 , G06N3/045 , G06F18/15 , G06F18/213 , G06N10/70 , G06N10/40
Abstract: 本发明公开了基于经典量子的混合卷积神经网络的EEG数据分类方法，包括如下步骤：S1、EEG数据预处理：对EEG数据进行滤波处理，并将其进行归一化和标准化处理；S2、经典卷积模块：通过经典卷积模块的卷积层和池化层初步提取EEG数据特征，并对数据进行降维处理得到特征图；S3、将S2中的特征图输入到量子卷积模块中；S4、参数优化，建立损失函数，基于链式求导法则，通过反向传播和梯度下降法最小化损失函数，完成参数的更新。本发明结合量子计算和深度学习的优势，将经典卷积神经网络和量子神经网络相结合，以实现量子计算在EEG数据分类识别领域的应用，并为探索量子计算在该领域的研究提供新的思路。
-
公开(公告)号：CN115990876A
公开(公告)日：2023-04-21
申请号：CN202211464316.7
申请日：2022-11-22
Applicant: 燕山大学
Abstract: 本发明公开了一种基于多通道肌电信号的仿真机械臂控制方法，属于肌电信号技术领域，包括以下步骤：肌电采集：通过多通道肌肉电传感器采集人体肌电信号，将肌电信号经过放大与滤波处理后传输至电脑；数据显示：通过将多通道肌肉电传感器采集的多通道的肌电信号进行数据与波形可视化展示；仿真机械臂控制：定义不同通道不同肌肉状态时机械臂的不同操作，并根据采集的多通道肌电信号对机械臂进行实时控制；多通道协同控制：多通道肌电信号对机械臂的协同控制。本发明通过采集多通道人体肌肉的收缩或舒张的肌电信号，进行条件判断并控制仿真机械臂，且能够自由定义不同通道不同肌肉状态时机械臂的不同操作，如机械爪的开合、多机械臂不同结点的扭转。
-
公开(公告)号：CN110955330B
公开(公告)日：2021-05-18
申请号：CN201911155578.3
申请日：2019-11-22
Applicant: 燕山大学
IPC: G06F3/01
Abstract: 本发明提供一种基于复杂对象控制的高唤醒度的脑电意图辨析方法，该方法主要包括：(1)设计应用于脑‑机接口实验的控制复杂有约束对象的新范式；(2)获取多通道运动想象脑电信号样本数据，并对信号进行预处理；(3)利用共空间模式算法对获得脑电信号进行特征提取和优化；(4)脑电信号识别及系统评估。本发明提出的方法对呈现的视觉对象结合相应的实际操纵加深受试者对刺激的感知力，具有较高的唤醒度，达到更优的分类效果。
-
Patent Agency Ranking
公开(公告)号：CN112244877A
公开(公告)日：2021-01-22
申请号：CN202011100067.4
申请日：2020-10-15
Applicant: 燕山大学
IPC: A61B5/372
Abstract: 本发明提供了一种基于脑机接口的大脑意图识别方法，所述方法包括：利用MATLAB构建实际任务模型；基于所述实际任务模型进行实验与脑电信息采集，获得脑电原始数据集；对所述脑电原始数据集内的多个脑电数据进行数据预处理，获得特征提取矩阵；将所述脑电信号特征提取矩阵与对应的标签输入到极限学习机，获得极限学习模型；将待预测的脑电数据输入到所述极限学习模型，获得分类结果。本发明提高识别大脑意图的准确性。本发明采集的脑电信号经共空间模式特征提取后特征更加明显，更加容易进行分类识别。另外，本发明将极限学习机训练的模型作为分类器不仅准确率高，且分类过程中不需要繁琐的迭代计算，速度更快，效果更好。
-
公开(公告)号：CN111310656A
公开(公告)日：2020-06-19
申请号：CN202010091776.4
申请日：2020-02-13
Applicant: 燕山大学
Abstract: 本发明提供一种基于多线性主成分分析的单次运动想象脑电信号识别方法，该方法能够从时域、频域和空间域各找到一个投影矩阵对3维EEG张量数据进行投影从而实现对原始EEG张量数据的降维，然后再结合线性分类方法进行分类。与传统的主成分分析方法相比，本发明提出的多线性主成分分析的方法直接在多维张量中从多个维度进行降维，保留了信号的空间结构信息，经过降维后再展开成一维向量形式用于分类，因此相比于传统的基于主成分分析的方法，本发明提出的方法保留了EEG信号的空间特性；相比于EEG时域分析，频域分析，时频分析或时空分析，本发明从时域，频域，空间域多模态分析EEG信号，能够提取更加全面的特征，在小样本情况下脑电识别效果依然较高。
-
公开(公告)号：CN111158462A
公开(公告)日：2020-05-15
申请号：CN201911193329.3
申请日：2019-11-28
Applicant: 燕山大学
IPC: G06F3/01 , G06K9/00 , G06K9/62 , A61B5/0476
Abstract: 本发明提供一种基于实施边界规避任务提高脑电唤醒度的方法，其通过建立“水杯-球”动态复杂模型，在虚拟环境中实施有视觉引导的边界规避任务，收集受试者在完成边界规避任务过程中的脑电信号，以脑电分类精度作为衡量脑电唤醒度高或低的指标，将脑电数据划分为测试集和训练集，利用CSP算法对训练数据和测试数据进行特征优化，再利用优化后的训练数据去训练分类器，得到一个分类模型，最后用测试数据验证这个模型的分类性能，得到分类精度。利用本发明提出的方法，受试者参与度高，脑电携带特征更明显，受试者在训练试验次数更少的情况下脑电平均识别精度比运动想象任务更高，而且，在小样本情况下脑电识别效果依然较高。
-
公开(公告)号：CN110346141A
公开(公告)日：2019-10-18
申请号：CN201910536120.6
申请日：2019-06-20
Applicant: 燕山大学
IPC: G01M13/045
Abstract: 本发明公开一种稀疏自编码滚动轴承故障诊断方法，其具体包括以下步骤：S1、采集滚动轴承的各故障状态下的原始振动数据，通过压缩感知分别将每种振动数据进行线性投影，并将各故障类型线性投影后的压缩信号合并成多故障类型的低维压缩信号矩阵；S2、确定多故障类型的低维压缩信号矩阵的小波包能量熵，形成轴承故障诊断的特征向量矩阵；S3、将滚动轴承的多故障类型下的特征向量矩阵输入到稀疏自动编码器中进行训练，进一步提取输入层到隐含层的权重作为特征矩阵；S4、将稀疏自动编码神经网络提取到的特征通过神经网络分类器进行分类，完成对滚动轴承的故障诊断分类。本发明降低了诊断复杂度，缩短了诊断时间，同时也保证了较高的诊断精度。
-
公开(公告)号：CN115500790B
公开(公告)日：2024-10-25
申请号：CN202211167114.6
申请日：2022-09-23
Applicant: 燕山大学
IPC: A61B5/00 , A61B5/369 , G06F18/241 , G06N3/0442 , G06N3/048 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种基于BI‑LSTM网络的癫痫发作预测分析的方法，属于脑电信号处理领域，包括以下步骤，步骤1、癫痫脑电信号预处理：利用小波变换对癫痫数据进行降噪处理，提取出有效的EEG信号；步骤2、特征提取阶段，基于PLV的脑功能网络的特征提取；步骤3、特征分类阶段，利用BI‑LSTM网络进行特征分类；步骤4、参数优化阶段，将不同参数经过讨论分析后得出最佳参数组合使得分类效率变高的同时减少算力。结果表明，该方法在所有受试者中均取得了良好的效果，癫痫预测提供了有效特征为治疗和预测癫痫提供了新的视角。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.026 seconds)
