-
公开(公告)号：CN114169375A
公开(公告)日：2022-03-11
申请号：CN202111514339.X
申请日：2021-12-11
Applicant: 福州大学
Abstract: 本发明涉及一种基于力度无关鲁棒特征的肌电手势识别方法。包括：离线训练阶段，首先需要对用户的原始肌电信号数据进行预处理；接着采用CSP算法，两两动作之间计算得到一个最大化二者之间区别的二分类空间投影矩阵，组合空间投影矩阵，得到适用于多分类的空间投影矩阵；再通过差分、取方差、归一化，用线性无关分析将数据投影到低维空间，得到训练特征；最后训练特征和训练标签共同训练分类器；在线测试阶段，新得到的肌电数据同样经过预处理，接着用离线训练阶段得到的投影矩阵，得到投影后的新信号，然后新信号经过差分、取方差、数据归一化，再用离线训练阶段得到的降维矩阵进行降维，最后将特征输入离线训练阶段训练好的分类器输出预测的类别。
-
公开(公告)号：CN115841701A
公开(公告)日：2023-03-24
申请号：CN202211661799.X
申请日：2022-12-21
Applicant: 福州大学
IPC: G06V40/20 , G06V10/764 , G06V10/762 , G06V10/77 , G06F17/16 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于表面肌电信号的长时手势识别方法。包括两个部分：第一个部分是数据预处理，包括特征提取、特征降维；第二个部分是分类模型的自适应更新。首先是数据预处理部分，在已有天数的手势数据上（通常为第一天采集的数据）上提取差分共空间模式(differential CSP,DCSP)特征，接着通过带有激活系数归一化的非负矩阵分解算法(nonnegative matrix factorization,NMF)对特征进行转换。然后是分类模型的自适应更新部分，将每个测试天的第一次重复实验作为无标签样本，对这部分样本用分类聚类自训练（Clustering and classification self‑training,CCST）方法进行评估和标注，将合格样本和标签和已有数据一起重新训练分类模型。本发明避免用户每日需要采集数据进行校准的麻烦，提高了用户的使用舒适度。
-
公开(公告)号：CN112890834A
公开(公告)日：2021-06-04
申请号：CN202110226571.7
申请日：2021-03-01
Applicant: 福州大学
Abstract: 本发明提出一种面向注意力识别的基于机器学习的眼电信号分类器，其构建方法包括以下步骤：步骤S1：选取用于构造训练集和验证集的眼电信号，对选取的原始眼电信号进行预处理；步骤S2：对每个预处理后的眼电信号段进行初级特征提取，包括时域特征、频域特征和时‑频域特征；步骤S3：利用遗传算法进行特征选择，得出d个特征组成的最优特征集；步骤S4：训练分类器：生成可用于输入分类器的输入样本集后，通过眼动仪人工判断确定样本标签，并输入分类器进行训练；步骤S5：将验证集送入到训练好的眼电分类器进行分类验证，并根据操作者选择的评价指标投票选出最优分类器。其能够实现实时判别采集到的眼电信号是否处于注意力集中状态的目的。
-
公开(公告)号：CN114169375B
公开(公告)日：2024-07-26
申请号：CN202111514339.X
申请日：2021-12-11
Applicant: 福州大学
IPC: G06F18/10 , G06F18/213 , G06F18/24 , G06F18/214 , G06F3/01
Abstract: 本发明涉及一种基于力度无关鲁棒特征的肌电手势识别方法。包括：离线训练阶段，首先需要对用户的原始肌电信号数据进行预处理；接着采用CSP算法，两两动作之间计算得到一个最大化二者之间区别的二分类空间投影矩阵，组合空间投影矩阵，得到适用于多分类的空间投影矩阵；再通过差分、取方差、归一化，用线性无关分析将数据投影到低维空间，得到训练特征；最后训练特征和训练标签共同训练分类器；在线测试阶段，新得到的肌电数据同样经过预处理，接着用离线训练阶段得到的投影矩阵，得到投影后的新信号，然后新信号经过差分、取方差、数据归一化，再用离线训练阶段得到的降维矩阵进行降维，最后将特征输入离线训练阶段训练好的分类器输出预测的类别。
-
Patent Agency Ranking
公开(公告)号：CN114330457B
公开(公告)日：2024-07-02
申请号：CN202210007816.1
申请日：2022-01-06
Applicant: 福州大学
IPC: G06F18/241 , G06F18/213 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于DSCNN和ELM的EEG信号MI任务分类方法，包括以下步骤：步骤S1:获取EEG信号并进行预处理；步骤S2:构建深度分离卷积神经网络，并基于深度分离卷积神经网络对预处理后的EEG信号进行特征提取；步骤S3:将深度分离卷积神经网络提取的特征信息展平成一维的特征向量形式并传递给ELM分类器进行基于EEG信号MI任务的识别,获得识别结果。本发明实现快速有效的EEG信号MI任务分类，有效促进了基于EEG信号MI分类在BCI领域内的应用研究。
-
公开(公告)号：CN114330457A
公开(公告)日：2022-04-12
申请号：CN202210007816.1
申请日：2022-01-06
Applicant: 福州大学
Abstract: 本发明涉及一种基于DSCNN和ELM的EEG信号MI任务分类方法，包括以下步骤：步骤S1:获取EEG信号并进行预处理；步骤S2:构建深度分离卷积神经网络，并基于深度分离卷积神经网络对预处理后的EEG信号进行特征提取；步骤S3:将深度分离卷积神经网络提取的特征信息展平成一维的特征向量形式并传递给ELM分类器进行基于EEG信号MI任务的识别,获得识别结果。本发明实现快速有效的EEG信号MI任务分类，有效促进了基于EEG信号MI分类在BCI领域内的应用研究。
-
公开(公告)号：CN215227751U
公开(公告)日：2021-12-21
申请号：CN202120340472.7
申请日：2021-02-07
Applicant: 福州大学
IPC: A61B5/398
Abstract: 本实用新型涉及一种自带滤波的实时眼电信号采集装置，包括电源模块、系统控制模块和眼电信号采集模块；所述电源模块与系统控制模块和眼电信号采集模块分别连接；所述眼电信号采集模块通过电极片采集眼电信号，并对眼电信号进行放大和模数转换后，传输至系统控制模块；所述系统控制模块将两路眼电信号进行信号滤波后，通过串口输送至上位机。本实用新型提高用户使用体验的同时，有效的、高信噪比的采集眼电信号数据，并实时滤除信号中的噪声，将有效眼电信号发送给上位机。
-
-
-
-
-
-
-
Search Results
9
records
(took 0.012 seconds)
