-
公开(公告)号：CN108280464A
公开(公告)日：2018-07-13
申请号：CN201711403297.6
申请日：2017-12-22
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
IPC: G06K9/62 , A61B5/0476
Abstract: 本发明公开了DWT和EMD融合近似熵的脑电特征提取方法，该方法对预处理后的信号进行小波分解(DWT)，得到各个子带信号，选择频带合适的子带进行经验模式(EMD)分解，得到固有模态函数(Intrinsic Mode Functions,IMFs)，观察并计算每个IMF分量的能量谱，筛选有效的IMF频段(5-28Hz)，组成新的信号矩阵，对其进行近似熵计算，最后使用支持向量机(Support Vector Machine,SVM)进行分类。分类结果得到9位受试的想象运动平均分类正确率为90％以上，保证了该方法的可行性与有效性。
-
公开(公告)号：CN108095722A
公开(公告)日：2018-06-01
申请号：CN201810093526.7
申请日：2018-01-31
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
IPC: A61B5/0476 , A61B5/00 , G06K9/00
Abstract: 本发明公开了一种基于脑电信号的改进EEMD算法，该方法首先基于脑电信号的先验知识，选取μ节律频段(8‑12Hz)和β节律频段(18‑26Hz)分别设计两个带通滤波器；利用上述带通滤波器对全带高斯白噪声进行滤波处理，得到两个带限高斯白噪声；最后在原始脑电信号中加入上述带限高斯白噪声w(t)，进行经验模式分解。应用本发明算法对脑电信号进行分解，得到了频率相对集中的固有模态函数信号，各个频段的固有模态函数得以区分，大大抑制了由于经验模式分解所带来的模态混叠问题。
-
公开(公告)号：CN108042132A
公开(公告)日：2018-05-18
申请号：CN201711441431.1
申请日：2017-12-27
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
IPC: A61B5/0476
CPC classification number: A61B5/0476 , A61B5/7235 , A61B5/7253 , A61B5/7264
Abstract: 本发明公开了一种基于DWT和EMD融合CSP的脑电特征提取方法，包括：将获取的脑电信号作为训练集和测试集，分别对训练集和测试集中所选取通道内的脑电信号进行预处理；对训练集中预处理后的脑电信号进行小波分解,得到小波变换后的子带信号，及选取在设定频率范围内的子带信号；对所选取的子带信号进行经验模式分解得到固有模态函数，以获得重构信号；将子带信号中的IMF分量合并构成矩阵，及对矩阵进行公共空间模式分解获得空间滤波器，经空间滤波器获得特征向量；对特征向量利用支持向量机进行特征分类训练，将预处理后的测试集输入训练好的支持向量机特征分类，获得特征分类结果。本发明可以可以有效解决CSP多输入、缺频域信息的问题。
-
公开(公告)号：CN108573207A
公开(公告)日：2018-09-25
申请号：CN201711402734.2
申请日：2017-12-22
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
Abstract: 本发明公开了EMD和CSP融合最优波长空间滤波脑电特征提取方法，该方法对预处理后的信号进行经验模式(EMD)分解，得到固有模态函数(Intrinsic Mode Functions,IMFs)，观察并计算每个IMF分量的能量谱，筛选有效的IMF频段(5-28Hz)，组成新的信号矩阵，对其进行最优波长计算，再使用CSP滤波器进行滤波获取特征，最后使用支持向量机(Support Vector Machine,SVM)进行分类。分类结果得到9位受试的想象运动平均分类正确率为95％以上，保证了本发明的可行性与有效性。
-
公开(公告)号：CN108095722B
公开(公告)日：2021-05-28
申请号：CN201810093526.7
申请日：2018-01-31
Applicant: 南京邮电大学 , 南京邮电大学南通研究院有限公司
Abstract: 本发明公开了一种基于脑电信号的改进EEMD算法，该方法首先基于脑电信号的先验知识，选取μ节律频段(8‑12Hz)和β节律频段(18‑26Hz)分别设计两个带通滤波器；利用上述带通滤波器对全带高斯白噪声进行滤波处理，得到两个带限高斯白噪声；最后在原始脑电信号中加入上述带限高斯白噪声w(t)，进行经验模式分解。应用本发明算法对脑电信号进行分解，得到了频率相对集中的固有模态函数信号，各个频段的固有模态函数得以区分，大大抑制了由于经验模式分解所带来的模态混叠问题。
-
Patent Agency Ranking
-
公开(公告)号：CN110688013A
公开(公告)日：2020-01-14
申请号：CN201910961036.9
申请日：2019-10-11
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于SSVEP的英文键盘拼写系统及拼写方法，包括用户显示模块、脑电采集单元、处理模块，通过两次频率选择确定一个独特的键值输入，相较于行列式键盘拼写系统，具有准确率高，只需进行二次识别的特点，从而加快了键盘输入的速度，相较于行列式键盘拼写系统，本方法提供了较为完善的增删改功能，可以及时更正完善，与此同时，本系统对于后期新进字符的添加比较友善，系统灵活易于使用，学习成本低，注重体验，克服了目前现有拼写系统僵化单一，灵活性不高的问题。
-
公开(公告)号：CN110163128A
公开(公告)日：2019-08-23
申请号：CN201910379255.6
申请日：2019-05-08
Applicant: 南京邮电大学
Abstract: 本发明提供一种改进的EMD算法结合小波包变换及CSP算法的脑电信号分类方法，该方法首先对预处理后信号进行小波包变换，然后对重构后的窄带信号进行经验模式分解，根据各阶固有模态函数的相关系数筛选出集中在想象运动频段的固有模态函数进一步进行CSP滤波，通过支持向量机进行特征选择得到最终分类结果。本发明在经验模式分解之前利用小波包变换对EEG信号进行频域滤波，可有效提高EEG的信噪比。本发明利用C3,C4通道EMD分解后的固有模态函数进行CSP滤波，在CSP的基础上加入EMD的频域信息，很好地解决CSP缺乏频域信息的问题。
-
公开(公告)号：CN110135286A
公开(公告)日：2019-08-16
申请号：CN201910347620.5
申请日：2019-04-28
Applicant: 南京邮电大学
Abstract: 本发明提供一种基于DWT和EMD融合样本熵的脑电信号分类方法，首先对预处理后信号进行小波分解，根据子带的频谱选择子带信号，再经过经验模式分解，根据各阶固有模态函数的频谱分析筛选出集中在想象运动频段的前2阶固有模态函数，对其进行样本熵计算，通过支持向量机进行特征选择得到最终分类结果。本发明利用三个通道小波分解后的子带信号进行EMD分解，对固有模态函数进行样本熵计算，在EMD的基础上加入DWT，很好地解决EMD分解时频带涵盖宽泛的问题。
-
公开(公告)号：CN104796899B
公开(公告)日：2019-05-03
申请号：CN201510129218.1
申请日：2015-03-23
Applicant: 南京邮电大学
Abstract: 本发明公开了基于最优中继的自适应协作频谱感知方法和系统，该方法兼顾感知性能和感知能耗。系统工作过程分为：独立感知，每个认知用户独立接收主用户信号，并根据机会中继门限判定是否需要中继协助；中继选择，非中继用户根据效益函数选择满足一定条件的最优中继，并协作进行本地判决；传输及融合，符合条件的认知用户传输本地判决结果至融合中心，融合中心判决全局结果；反馈阶段，根据系统本轮的整体感知情况反馈相应信息至控制中心，并以此调整系统参数。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.033 seconds)
