-
公开(公告)号：CN105956624A
公开(公告)日：2016-09-21
申请号：CN201610298002.2
申请日：2016-05-06
Applicant: 东南大学
CPC classification number: G06K9/6269 , G06K9/46
Abstract: 本发明公开了基于空时频优化特征稀疏表示的运动想象脑电分类方法，主要采用线性判别准则选择最有利于分类的导联、时间段及频段，并通过共空间模式算法提取脑电特征，最后根据特征稀疏表示进行分类。本发明包括脑电信号预处理、导联选择、时频块选择、特征提取及特征分类。结果表明，本发明方法能有效选择最有利于分类的导联、时间段及频段，对由共空间模式算法提取的特征进行稀疏表示能取得较好的分类效果。与现有的算法相比，本方法能自动选择最有利于分类的空时频参数，并对最优时频块内的特征进行组合，有利于提高运动想象脑电信号分类的准确性。
-
公开(公告)号：CN106127191B
公开(公告)日：2019-07-12
申请号：CN201610530254.3
申请日：2016-07-06
Applicant: 东南大学
IPC: G06K9/00
Abstract: 本发明公开了基于小波包分解及逻辑回归的脑电分类方法，主要采用小波包分解获取运动感知节律信号，并提取节律信号能量均值特征，最后建立逻辑回归判别模型进行运动想象脑电模式分类。本发明包括脑电信号采集及预处理、小波包分解及重构、重构信号能量均值特征提取、逻辑回归判别模型建立及运动想象脑电模式分类。实验结果表明：小波包分解能准确提取运动感知节律信号，在此基础上建立的逻辑回归模型能有效判别运动想象脑电模式，达到较好的分类效果。
-
Patent Agency Ranking
公开(公告)号：CN105654063B
公开(公告)日：2019-04-19
申请号：CN201610012818.4
申请日：2016-01-08
Applicant: 东南大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于人工蜂群时频参数优化的运动想象脑电模式识别方法，该方法根据线性判别准则进行导联选择，通过人工蜂群算法进行时域及频域最优参数的选择，采用共空间模式算法进行特征提取，最后由线性判别分析算法进行特征分类。结果表明：导联选择算法能有效选择类间区分度较大的导联通道，同时基于人工蜂群的时频参数优化算法能自动选择类间区分度较大的时间窗口及频带，得到了较好分类结果，能够有效识别不同的运动想象模式。与传统的参数人工选择方法及频域参数自动选择算法相比，本发明的方法能同时在时域及频域上进行全局最优参数的自动搜寻，更有利于提升运动想象脑电信号的特征提取及特征分类效果。
-
公开(公告)号：CN106127191A
公开(公告)日：2016-11-16
申请号：CN201610530254.3
申请日：2016-07-06
Applicant: 东南大学
IPC: G06K9/00
CPC classification number: G06K9/00503 , G06K9/00523 , G06K9/00536
Abstract: 本发明公开了基于小波包分解及逻辑回归的脑电分类方法，主要采用小波包分解获取运动感知节律信号，并提取节律信号能量均值特征，最后建立逻辑回归判别模型进行运动想象脑电模式分类。本发明包括脑电信号采集及预处理、小波包分解及重构、重构信号能量均值特征提取、逻辑回归判别模型建立及运动想象脑电模式分类。实验结果表明：小波包分解能准确提取运动感知节律信号，在此基础上建立的逻辑回归模型能有效判别运动想象脑电模式，达到较好的分类效果。
-
公开(公告)号：CN105286860A
公开(公告)日：2016-02-03
申请号：CN201510883138.5
申请日：2015-12-03
Applicant: 东南大学
IPC: A61B5/0476 , G06F19/00
Abstract: 本发明公开了一种基于双树复小波能量差的运动想象脑电信号识别方法，主要采用双树复小波分解与重构来计算脑电信号的能量差特征，并通过符号函数进行分类判别。本发明包括脑电信号采集及预处理、双树复小波分解及细节系数提取、双树复小波重构、重构分量能量均值计算以及符号函数分类识别。结果表明：双树复小波变换有效克服了离散小波变换抗混叠性差、平移敏感等缺点，提取的能量均值差特征能取得较好的分类识别结果。与传统的分类算法相比，基于符号函数的特征分类算法设计更加简单，复杂程度低，计算速度快，适应脑机接口(Brain-Computer Interface,BCI)系统的发展方向，有利于BCI系统的实时应用。
-
公开(公告)号：CN105956624B
公开(公告)日：2019-05-21
申请号：CN201610298002.2
申请日：2016-05-06
Applicant: 东南大学
Abstract: 本发明公开了基于空时频优化特征稀疏表示的运动想象脑电分类方法，主要采用线性判别准则选择最有利于分类的导联、时间段及频段，并通过共空间模式算法提取脑电特征，最后根据特征稀疏表示进行分类。本发明包括脑电信号预处理、导联选择、时频块选择、特征提取及特征分类。结果表明，本发明方法能有效选择最有利于分类的导联、时间段及频段，对由共空间模式算法提取的特征进行稀疏表示能取得较好的分类效果。与现有的算法相比，本方法能自动选择最有利于分类的空时频参数，并对最优时频块内的特征进行组合，有利于提高运动想象脑电信号分类的准确性。
-
公开(公告)号：CN105654063A
公开(公告)日：2016-06-08
申请号：CN201610012818.4
申请日：2016-01-08
Applicant: 东南大学
IPC: G06K9/00
CPC classification number: G06K9/00523 , G06K9/00503 , G06K9/00536
Abstract: 本发明公开了一种基于人工蜂群时频参数优化的运动想象脑电模式识别方法，该方法根据线性判别准则进行导联选择，通过人工蜂群算法进行时域及频域最优参数的选择，采用共空间模式算法进行特征提取，最后由线性判别分析算法进行特征分类。结果表明：导联选择算法能有效选择类间区分度较大的导联通道，同时基于人工蜂群的时频参数优化算法能自动选择类间区分度较大的时间窗口及频带，得到了较好分类结果，能够有效识别不同的运动想象模式。与传统的参数人工选择方法及频域参数自动选择算法相比，本发明的方法能同时在时域及频域上进行全局最优参数的自动搜寻，更有利于提升运动想象脑电信号的特征提取及特征分类效果。
-
-
-
-
-
-
Search Results
7
records
(took 0.014 seconds)
