公开(公告)号：CN118734181A

公开(公告)日：2024-10-01

申请号：CN202410723385.8

申请日：2024-06-05

Applicant: 燕山大学

Inventor： 付荣荣 ,  路斌 ,  王世伟 ,  马杰

IPC: G06F18/2415 ,  G06F18/25 ,  G06F18/10

Abstract: 本发明公开了一种卷积流形注意网络模型解码脑电意图的方法，属于生物信号处理与应用领域，包括：构建运动想象意图解码模型，模型包括一个时空卷积模块、一个语义隐编码模块、一个变异隐编码模块和一个重构模块，用于提取脑电信号与类别相关的表示；计算运动想象意图解码模型的损失，损失包括编码的语义与变异隐因子间的希尔伯特‑施密特独立性准则损失、编码的时空特征与重构时空特征间的重构损失以及模型的数据、编码的隐因子与预测目标间的变分信息瓶颈约束，用于配合模型结构，约束模型在训练过程中的梯度变化；将多通道脑电信号输入到模型，从脑电信号中编码出表征运动意图的判别信息。本发明实现从跨域脑电信号中解码出受试者的真实意图。

公开(公告)号：CN115409055A

公开(公告)日：2022-11-29

申请号：CN202210952608.9

申请日：2022-08-09

Applicant: 燕山大学

Inventor： 付荣荣 ,  李林玉 ,  王耀东 ,  路斌 ,  王世伟

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于Hjorth参数宽度学习系统模型的脑电数据解码方法，其包括以下步骤，步骤一：获取脑电数据集，利用线脉冲响应带通滤波对脑电数据集进行预处理；步骤二：计算预处理后脑电数据集的Hjorth参数，构建脑电数据集特征矩阵；步骤三：根据Hjorth参数的特征矩阵，建立宽度学习系统模型；步骤四：根据宽度学习系统模型，对脑电数据进行解码。本方法结合Hjorth参数和脑电数据时频信息的特点，建立宽度学习系统模型实现了脑电数据解码，本模型具有结构简单、输入参数少、模型训练快的特点；本方法实现了脑电数据特征的快速拟合，有效提高了脑电数据分类的准确性，提高了内存资源的利用率，模型具有适用性强，实际应用效果好的特点。

公开(公告)号：CN115456022A

公开(公告)日：2022-12-09

申请号：CN202211117053.2

申请日：2022-09-14

Applicant: 燕山大学

Inventor： 付荣荣 ,  路斌 ,  王世伟

IPC: G06K9/00 ,  G06K9/62 ,  G06N20/00

Abstract: 本发明公开了一种基于多元变分模态分解与黎曼几何的脑电意图识别方法，首先对所采集的多通道脑电信号进行预处理；然后利用多元变分模态分解算法将多通道脑电信号分解为多个本征模态函数分量，根据所分解的本征模态函数分量的中心频率选择合适的分量，并将所选择的本征模态函数分量相加，获得重构脑电信号；随后利用重构后的脑电信号构建样本协方差矩阵，并基于特征缩减技术估计对称正定矩阵；最后利用所估计的对称正定矩阵在黎曼流行中提取黎曼几何特征，利用线性判别分类器对所提取的黎曼几何特征进行分类，从而实现对脑电意图的识别。该方法结构简单，易于建立与实现，能够有效识别脑电意图，具有科学合理，适用性强，效果佳的优点。

公开(公告)号：CN118035843A

公开(公告)日：2024-05-14

申请号：CN202410228565.9

申请日：2024-02-29

Applicant: 燕山大学

Inventor： 付荣荣 ,  牛少雄 ,  王世伟 ,  文桂林 ,  路斌

IPC: G06F18/241 ,  G06F18/2415 ,  G06N3/0464 ,  G06N3/045 ,  G06F18/15 ,  G06F18/213 ,  G06N10/70 ,  G06N10/40

Abstract: 本发明公开了基于经典量子的混合卷积神经网络的EEG数据分类方法，包括如下步骤：S1、EEG数据预处理：对EEG数据进行滤波处理，并将其进行归一化和标准化处理；S2、经典卷积模块：通过经典卷积模块的卷积层和池化层初步提取EEG数据特征，并对数据进行降维处理得到特征图；S3、将S2中的特征图输入到量子卷积模块中；S4、参数优化，建立损失函数，基于链式求导法则，通过反向传播和梯度下降法最小化损失函数，完成参数的更新。本发明结合量子计算和深度学习的优势，将经典卷积神经网络和量子神经网络相结合，以实现量子计算在EEG数据分类识别领域的应用，并为探索量子计算在该领域的研究提供新的思路。