公开(公告)号：CN116861211B

公开(公告)日：2024-09-06

申请号：CN202310674320.4

申请日：2023-06-08

Applicant: 苏州大学

Inventor： 郭浩 ,  陆轲熠 ,  顾志浩 ,  齐菲 ,  孙承峰 ,  孙立宁

IPC: G06F18/213 ,  A61B5/16 ,  A61B5/369 ,  A61B5/372 ,  G06F18/214 ,  G06F18/241 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及情绪识别技术领域，尤其是指一种融合时空交互神经网络的脑电情绪识别方法，包括：将脑电信号数据输入至脑电情绪识别模型，根据脑电采集电极的位置构建脑电信号的2D矩阵表示；通过时间步共享卷积，从低维与高维两个层面捕捉多个连续时间步的共同特征，增强原始输入的信息表达；通过降采样卷积，降低时间维度并提取与情绪类别高度相关的时间‑空间特征；通过空间交互多层感知机，实现多个子空间区域间信息交互，增强特征的空间依赖性；构建情绪分类任务，得到每个任务中情绪类别的概率，完成情绪识别。本发明基于更少的脑电采集电极，增强了脑电信号的时间表达与潜在的空间依赖，进一步提高了脑电情绪识别的分类精度与泛化能力。

公开(公告)号：CN116861211A

公开(公告)日：2023-10-10

申请号：CN202310674320.4

申请日：2023-06-08

Applicant: 苏州大学

Inventor： 郭浩 ,  陆轲熠 ,  顾志浩 ,  齐菲 ,  孙承峰 ,  孙立宁

IPC: G06F18/213 ,  A61B5/16 ,  A61B5/369 ,  A61B5/372 ,  G06F18/214 ,  G06F18/241 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及情绪识别技术领域，尤其是指一种融合时空交互神经网络的脑电情绪识别方法，包括：将脑电信号数据输入至脑电情绪识别模型，根据脑电采集电极的位置构建脑电信号的2D矩阵表示；通过时间步共享卷积，从低维与高维两个层面捕捉多个连续时间步的共同特征，增强原始输入的信息表达；通过降采样卷积，降低时间维度并提取与情绪类别高度相关的时间‑空间特征；通过空间交互多层感知机，实现多个子空间区域间信息交互，增强特征的空间依赖性；构建情绪分类任务，得到每个任务中情绪类别的概率，完成情绪识别。本发明基于更少的脑电采集电极，增强了脑电信号的时间表达与潜在的空间依赖，进一步提高了脑电情绪识别的分类精度与泛化能力。

公开(公告)号：CN118986371A

公开(公告)日：2024-11-22

申请号：CN202410939465.7

申请日：2024-07-15

Applicant: 苏州大学

Inventor： 郭浩 ,  徐朝阳 ,  齐菲 ,  陆轲熠 ,  谭亮 ,  孙立宁

IPC: A61B5/369 ,  A61B5/372 ,  A61B5/389 ,  A61B5/397 ,  A61B5/00 ,  G06F3/01 ,  G06F18/2415 ,  G06F18/21 ,  G06N3/0464

Abstract: 本发明涉及脑肌电信号分类任务领域，尤其是指一种基于脑肌电融合的上肢动作力敏状态识别方法及系统。对原始脑电信号与原始肌电信号进行预处理，对预处理后的脑电信号进行重采样，计算预处理后的肌电信号与重采样脑电信号之间的互信息与相似度，拼接组成脑肌信息，基于预处理后的肌电信号、预处理后的脑电信号与脑肌信息，通过三分支网络结构，分别提取肌电特征、脑电特征与脑肌特征，并展平为一维特征向量，进行特征拼接，得到整体特征，通过依次连接的两个串联的全连接层与Softmax层，完成上肢动作力敏状态分类。通过设计的三分支网络结构提取肌电特征、脑电特征与脑肌特征并融合来进行力敏状态分类，提高了在上肢动作力敏状态分类的准确率和稳定性。

公开(公告)号：CN116561654A

公开(公告)日：2023-08-08

申请号：CN202310427267.8

申请日：2023-04-20

Applicant: 苏州大学

Inventor： 郭浩 ,  陆轲熠 ,  齐菲 ,  顾志浩 ,  匡绍龙

IPC: G06F18/241 ,  G06F18/213 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及脑电信号分类任务领域，公开一种基于双尺度脑区特征的运动想象分类方法和系统，方法包括：获取脑电信号数据分为训练集和测试集，从全局与局部两个尺度构建大脑的整个采集区域与特定脑区的信息表示；使用训练集训练分类模型，将测试集输入分类模型进行分类预测；训练和预测包括：从全局与局部两个尺度提取时间与空间特征，基于时间循环神经网络自适应增强全局尺度特征的时间表达得到全局特征、自适应增强局部尺度特征的时间表达得到局部特征；提取双尺度融合特征进行运动想象分类；系统包括实现各步骤的模块。本发明从大脑的全局与局部两个尺度，充分利用双尺度特征的差异与联系，提高脑电运动想象的识别准确率、分类性能和泛化能力。