公开(公告)号：CN106485205A

公开(公告)日：2017-03-08

申请号：CN201610836006.1

申请日：2016-09-20

Applicant: 北京工业大学

Inventor： 段立娟 ,  鲍梦湖 ,  杨震 ,  苗军 ,  续艳慧 ,  郑黎玮

IPC: G06K9/00

CPC classification number: G06K9/0055

Abstract: 本发明公开了基于多层超限学习机的运动想象脑电信号分类方法，属于模式识别和脑-机接口领域。脑电信号的分类识别主要包括脑电信号的特征提取和特征分类两部分。首先，对每一样本的原始信号进行加窗分段，得到S段子信号；然后，分别对上步骤分段得到的S段子信号进行主成分分析和线性判别分析，并将最终的S个K-1维特征向量进行组合，得到S*(K-1)维的特征；最后，将所有样本的特征送入多层超限学习机分类器中，得到最后的分类结果。与现有技术相比，本发明的方法具有以下优点：传统的ELM算法是单隐层结构，对于提取复杂信号的特征有很大的局限性，本发明通过增加隐层个数提取深层信息，从而提高了分类正确率，并且保持了ELM低耗时的优势。

公开(公告)号：CN106503616A

公开(公告)日：2017-03-15

申请号：CN201610836197.1

申请日：2016-09-20

Applicant: 北京工业大学

Inventor： 段立娟 ,  鲍梦湖 ,  崔嵩 ,  乔元华 ,  杨震 ,  刘莉莉 ,  李婉驰

IPC: G06K9/00

CPC classification number: G06K9/00536 ,  G06K9/00523

Abstract: 本发明公开了一种基于分层超限学习机的运动想象脑电信号分类方法属于模式识别和脑-机接口领域。首先，对每一样本的原始信号进行加窗分段，得到S段子信号；然后，分别对该S段子信号进行主成分分析和线性判别分析，并将最终的S个K-1维特征向量进行组合，得到S*(K-1)维的特征；最后，将所有样本的特征送入分层超限学习机分类器中，得到最后的分类结果。传统的ELM算法是单隐层结构，在分析复杂信号方面有很大的局限性，本发明采取HELM进行分类识别，利用基于ELM的稀疏自编码将单隐层的ELM改造成深层网络结构，通过层次化的特征提取和分类，提取深层信息，提高了分类正确率，并且保持了ELM低耗时的优势。