-
公开(公告)号：CN110680313B
公开(公告)日：2022-07-15
申请号：CN201910940945.4
申请日：2019-09-30
Applicant: 北京工业大学
Abstract: 本文公开了一种癫痫时期特征提取及分类方法。首先，对原始的癫痫脑电数据进行随机打乱预处理，并分别划分4折的训练集和测试集。其次，采用结合方法对预处理后的数据提取特征，一方面，通过WPT或STFT‑PSD提取非线性的时频特征，然后，在得到的时频特征上再结合PCA算法提取脑电数据的主成分特征，并消除噪声和冗余特征，并作为特征提取的最终特征。最后，采用脉冲神经网络对提取的特征做分类分析，脉冲神经网络算法不仅考虑个体互助和信息交互，拥有很强的鲁棒性；并且它模拟的神经元更加接近大脑中真实的神经元，考虑更多的时间信息，拥有更强的计算能力。
-
公开(公告)号：CN112418338A
公开(公告)日：2021-02-26
申请号：CN202011364819.8
申请日：2020-11-27
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于显著点自适应等度量映射流形的癫痫数据降维的聚类可视化方法，用于分析癫痫病人不同时期的演化规律，具体包括以下内容：选择癫痫病人的脑电数据集；设置显著点自适应等度量映射流形的各种初始参数；构建脑电样本的邻域图；选择显著脑电样本点，并计算从显著样本点到所有样本点之间的最短路径；分段线性自适应调节机制更新距离矩阵；计算低维嵌入坐标；自适应优化嵌入坐标；2维和3维聚类可视化分析。本发明可视化效果明显，有很好的聚类表现。本发明可以辅助专业的医务员标注数据，并且方便医务人员及交叉领域人员分析导致癫痫病人的脑电在不同时期产生这种聚类规律的内在病理缘由。
-
公开(公告)号：CN112418338B
公开(公告)日：2024-08-23
申请号：CN202011364819.8
申请日：2020-11-27
Applicant: 北京工业大学
IPC: G16H50/70 , G16H10/60 , G06F18/213 , G06F18/23
Abstract: 本发明涉及一种基于显著点自适应等度量映射流形的癫痫数据降维的聚类可视化方法，用于分析癫痫病人不同时期的演化规律，具体包括以下内容：选择癫痫病人的脑电数据集；设置显著点自适应等度量映射流形的各种初始参数；构建脑电样本的邻域图；选择显著脑电样本点，并计算从显著样本点到所有样本点之间的最短路径；分段线性自适应调节机制更新距离矩阵；计算低维嵌入坐标；自适应优化嵌入坐标；2维和3维聚类可视化分析。本发明可视化效果明显，有很好的聚类表现。本发明可以辅助专业的医务员标注数据，并且方便医务人员及交叉领域人员分析导致癫痫病人的脑电在不同时期产生这种聚类规律的内在病理缘由。
-
公开(公告)号：CN112989918B
公开(公告)日：2024-05-28
申请号：CN202011558723.5
申请日：2020-12-25
Applicant: 北京工业大学
IPC: G06F18/10 , G06F18/214 , G06N20/00
Abstract: 本发明涉及一种基于核递推最小二乘自适应追踪算法的脑电信号在线预测方法，用于解决在线检测的脑电信号存在不准确、缺失的问题。包括训练和预测两个阶段，训练阶段包括生成脑电信号标签；选择回遗忘策略，更新中间参数；对脑电信号进行在线预测，得到无噪声方差、预测的平均输出信号片段和预测的方差；计算当次迭代的预测的输出信号片段与输出脑电时序序列片段标签之根均方误差，并调节中间参数，如果所有样本中所有片段的根均方误差达到最小，则训练完成，进行在线预测阶段；否则继续训练；本发明实现了脑电信号的预测，解决了脑电信号测量不准确，信号缺失的问题。
-
公开(公告)号：CN109977810A
公开(公告)日：2019-07-05
申请号：CN201910183172.X
申请日：2019-03-12
Applicant: 北京工业大学
Abstract: 本发明公开一种基于HELM并结合PTSNE流形和LDA特征融合的运动想象脑电分类方法，并提高其分类准确率。在特征提取方面，一方面，用PCA结合LDA方法提取线性特征，既可以消除噪声，又可以考虑训练数据的标签信息；另一方面，通过PTSNE和LDA获得非线性结合特征，可以发掘脑电中复杂的非线性内在流形特征。在特征分类方面，采用有高分类准确率的HELM算法做运动想象脑电信号分类识别。
-
Patent Agency Ranking
公开(公告)号：CN113326736A
公开(公告)日：2021-08-31
申请号：CN202110481848.0
申请日：2021-04-30
Applicant: 北京工业大学
Abstract: 一种基于仿生群智能IWOA‑ELM脑电分类方法属于生物信息学领域。WOA‑VELM和WOA‑MLELM，用于更好的改善分类模型中存在的病态随机单隐层前馈神经网络的问题。在预处理和特征提取后，为了避免WOA‑ELM分类模型中最佳个体的误判，在WOA‑VELM中选出了前几名较好个体，并对其进行投票。WOA‑MLELM通过气泡网攻击策略和收缩包围机制等不同的仿生策略优化输入层节点和隐层节点之间的初始连接权值和偏置，并在不同层引入不同的正则化机制，生成合适的稀疏权值矩阵，提高WOA‑MLELM的泛化性能。结果表明，该方法的平均准确率在脑电分类数据集上优于其他方法。
-
公开(公告)号：CN112989918A
公开(公告)日：2021-06-18
申请号：CN202011558723.5
申请日：2020-12-25
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于核递推最小二乘自适应追踪算法的脑电信号在线预测方法，用于解决在线检测的脑电信号存在不准确、缺失的问题。包括训练和预测两个阶段，训练阶段包括生成脑电信号标签；选择回遗忘策略，更新中间参数；对脑电信号进行在线预测，得到无噪声方差、预测的平均输出信号片段和预测的方差；计算当次迭代的预测的输出信号片段与输出脑电时序序列片段标签之根均方误差，并调节中间参数，如果所有样本中所有片段的根均方误差达到最小，则训练完成，进行在线预测阶段；否则继续训练；本发明实现了脑电信号的预测，解决了脑电信号测量不准确，信号缺失的问题。
-
公开(公告)号：CN109977810B
公开(公告)日：2021-03-02
申请号：CN201910183172.X
申请日：2019-03-12
Applicant: 北京工业大学
Abstract: 本发明公开一种基于HELM并结合PTSNE流形和LDA特征融合的运动想象脑电分类方法，并提高其分类准确率。在特征提取方面，一方面，用PCA结合LDA方法提取线性特征，既可以消除噪声，又可以考虑训练数据的标签信息；另一方面，通过PTSNE和LDA获得非线性结合特征，可以发掘脑电中复杂的非线性内在流形特征。在特征分类方面，采用有高分类准确率的HELM算法做运动想象脑电信号分类识别。
-
公开(公告)号：CN112244876A
公开(公告)日：2021-01-22
申请号：CN202011061254.6
申请日：2020-09-30
Applicant: 北京工业大学
IPC: A61B5/372
Abstract: 本发明涉及一种基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法，用于去除脑电信号中时序随机噪声。包括模型训练和模型测试，模型训练包括获取含有时序随机信号的混合脑电信号做为训练数据；设置模型初始参数；根据混合脑电信号生成当前迭代的输入混合信号序列片段 生成当前迭代的输入参考噪声片段xt；更新遗忘因子；计算当前迭代的不含噪声的脑电信号片段 更新中间参数；重复上述步骤直到满足条件训练完成；最终利用训练完成的模型进行实际去噪。本发明弥补了对脑电信号中较强时序随机噪声的伪迹去除研究较少的不足，并与现有方法进行了试验对比，实验结果表明，本发明在运动想象数据集上的时序随机强噪声去除效果明显。
-
公开(公告)号：CN110680313A
公开(公告)日：2020-01-14
申请号：CN201910940945.4
申请日：2019-09-30
Applicant: 北京工业大学
IPC: A61B5/0476 , G06K9/62 , G06N3/00
Abstract: 本文公开了一种癫痫时期特征提取及分类方法。首先，对原始的癫痫脑电数据进行随机打乱预处理，并分别划分4折的训练集和测试集。其次，采用结合方法对预处理后的数据提取特征，一方面，通过WPT或STFT-PSD提取非线性的时频特征，然后，在得到的时频特征上再结合PCA算法提取脑电数据的主成分特征，并消除噪声和冗余特征，并作为特征提取的最终特征。最后，采用脉冲神经网络对提取的特征做分类分析，脉冲神经网络算法不仅考虑个体互助和信息交互，拥有很强的鲁棒性；并且它模拟的神经元更加接近大脑中真实的神经元，考虑更多的时间信息，拥有更强的计算能力。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.018 seconds)
