共查询到20条相似文献,搜索用时 15 毫秒
1.
基于皮层脑电图的脑机接口系统中,由于皮层脑电信号采集难度大数据量少导致提取特征和分类准确率不理想。为此,提出重叠式加窗的共空间模式和长短期记忆(Window CSP-LSTM,WCSP-LSTM)深度神经网络结合对病例的皮层脑电进行深层次特征扩充和提取,利用全连接进行运动想象意图识别,同时用相位锁定值来构建脑功能网络分析样本的脑功能机制。所提出的算法最高识别准确率达到100%,十折交叉验证平均准确率为93.423%。通过脑网络分析表明,在执行运动想象过程中病例的顶-枕叶连接更紧密。结果表明,WCSP-LSTM算法在基于脑机接口系统的癫痫康复方面具有巨大的潜力。 相似文献
2.
3.
脑电信号(Electroencephalography, EEG)是人的大脑在不同状态下产生的生物电信号。运动想象脑电信号是其中较为典型的一类信号,广泛应用于脑机接口技术中。对运动想象脑电信号分析的研究由来已久,目前主要采用公共空间模式等特征提取方法,对于如何提取更加有效的脑电信号特征以及如何对时序信息进行建模仍然是需要解决的问题。因此,本文设计了基于C-LSTM(Convolutional-Long Short Term Memory)模型的端到端多粒度脑电分析方法。并利用空间信息以及小波脑网络方法进行了改进,在BCI2008数据集上,相较传统方法提高了近10%,到达了93.6%的识别率。 相似文献
4.
关于脑机接口(BCI)系统中的运动想象(MI)脑信号的特征提取一直是一个难题。相较于SSVEP、AEP和P300等其他BCI模式,MI的分类准确率相对较低,缺乏有效的识别方案。本文提出了一种结合深度置信网络(Deep Belief Network,DBN)和麻雀搜索算法(Sparrow search algorithm,SSA)的特征提取和分类识别算法SSA-DBN。融合SSA与DBN的优势,可以在保持较低计算复杂度的同时,提高特征提取和分类识别的准确率。本研究首先利用完全自适应噪声集合经验模态分解(CEEMDAN)方法提取信号的固有模态函数(IMF)特征。然后,将筛选出的适合分类识别的IMF分量与希尔伯特黄变换(HHT)方法相结合,提取出不同导联时频信号的特征空间向量,并进行叠加平均。最后,将特征向量输入到SSA-DBN算法进行分类处理。为确保公平性,在验证算法性能时,选取了具有代表性的BCI Competition IV Dataset 2a数据集,同时对比了其他算法的表现,并详细说明了调参方法。为了避免过拟合问题,可以考虑使用更大规模的数据集进行测试,如PhysioNet或BCI... 相似文献
5.
为同时利用卷积神经网络(Convolutional Neural Network, CNN)的空间特征提取能力和长短时记忆(Long Short-Term Memory, LSTM)网络的时序特征提取能力,提出了一种由双通道一维CNN与LSTM相互串联的调制分类算法。算法采用数据驱动的方式,直接将信号送入至2路CNN提取其在不同维度的空间特征信息;把2个通道的特征融合信息输入至LSTM学习其时序上的特征;与全连接网络连接实现对5种目标信号的调制分类。实验结果表明,CNN与LSTM相互串联能够学习到更加丰富的特征信息,更有利于分类;与传统方法相比,提出的方法无需人工提取信号特征,减少了预处理步骤并有效提升了识别性能。 相似文献
6.
近年来,随着脑机接口(Brain-Computer Interface,BCI)技术的进一步发展,对特征提取技术的鲁棒性的需求也持续增加。深度学习(Deep Learning,DL)作为多层次的神经网络模型具有从高维数据中进行特征提取并从分层表示中学习的能力,在分类识别任务领域中的表现优于手工选择特征的传统机器学习方法。深度学习模型可以自动学习高维的EEG数据集从而提取有效特征,因此基于深度学习的脑机接口成为该领域新的研究趋势。卷积神经网络(Convolution Neural Network,CNN)、深度信念网络(Deep Belief Network,DBN)和递归神经网络(Recurrent Neural Network,RNN)是深度学习中对脑电信号进行分析的三大主流算法。主要介绍了这三大主流深度学习算法的基本原理。为了探索能更好契合脑电数据特点的分类模型,还探讨了它们在BCI中集成其他方法的实际运用。 相似文献
8.
脑机接口技术是一项不依赖人的外周神经和肌肉组织而实现人机交互通信的技术,使人类可以拥有一条不通过肌肉组织与外界交流而实现人机通信及控制的通道。在总结前人研究成果的基础上,采用了小波变换Mallat算法对实验数据进行特征提取,重点研究了时间窗的选取和利用频率范围选取有用信号的问题。通过SVM的分类结果为准确率84.2856%,精密度85.2721%和灵敏度92.0006%。 相似文献
9.
基于运动想象的脑机接口可以控制外部设备,在医疗康复领域中有着重要的临床意义。为了提高运动想象脑电信号的分类准确率,提出一种松散型小波神经网络,即双树复小波变换与神经网络分开进行计算再组合。利用DTCWT对预处理后的脑电信号进行分解,计算复小波系数的多个特征值并构建特征向量,将组合后的特征向量送入神经网络中进行分类识别。实验结果表明,该算法在BCI Competition IV的数据集2a上的平均准确率为76.03%。通过与不同分类器和现有方法的比较,验证了松散型小波神经网络的有效性。 相似文献
10.
11.
针对当前的在线协作讨论交互文本分类仅采用深度学习方法时,存在无法充分获取上下文语义关联以及忽略关键特征词,造成分类结果准确率下降的问题,文中提出一种结合注意力机制的深度学习网络模型—CNNBiLSTM-Attention,进一步强化文本的语义特征。利用该模型对在线协作讨论活动中产生的12000条交互文本进行分类,分类结果表明,CNN-BiLSTM-Attention的分类准确率整体上可达到82.40%,有效提升了文本分类的效果。 相似文献
12.
13.
14.
心律失常等慢性心血管疾病严重影响人类健康,采用心电信号(ECG)实现心律失常自动分类可有效提高该类疾病的诊断效率,降低人工成本。为此,该文基于1维心电信号,提出一种改进的长短时记忆网络(LSTM)方法实现心律失常自动分类。该方法首先设计深层卷积神经网络(CNN)对心电信号进行深度编码,提取心电信号形态特征。其次,搭建长短时记忆分类网络实现基于心电信号特征的心律失常自动分类。基于MIT-BIH心律失常数据库进行的实验结果表明,该方法显著缩短分类时间,并获得超过99.2%的分类准确率,灵敏度等评价参数均得到不同程度的提高,满足心电信号自动分类实时高效的要求。
相似文献15.
针对传统降噪算法损伤高信噪比(SNR)信号而造成信号识别准确率下降的问题,该文提出基于卷积神经网络的信噪比分类算法,该算法利用卷积神经网络对信号进行特征提取,用固定K均值(FK-means)算法对提取的特征进行聚类处理,准确分类高低信噪比信号。低信噪比信号采用改进的中值滤波算法降噪,改进的中值滤波算法在传统中值滤波的基础上增加了前后采样窗口的关联性机制,来改善传统中值滤波算法处理连续噪声效果不佳的问题。为充分提取信号的空间特征和时间特征,该文提出卷积神经网络和长短时记忆网络并联的卷积长短时(P-CL)网络,利用卷积神经网络和长短时记忆网络分别提取信号的空间特征与时间特征,并进行特征融合与分类。实验表明,该文提出的调制信号分类模型识别准确率为91%,相比于卷积长短时(CNN-LSTM)网络提高了6%。 相似文献
16.
17.
在基于运动想象(MI)的脑机接口(BCI)中,通常采用较多通道的脑电信号(EEG)来提高分类精度,但其中会有包含与MI任务无关或冗余信息的通道,从而影响BCI的性能提升。该文针对运动想象脑电分类中的通道选择问题,提出一种采用相关性和稀疏表示对通道进行选择的方法(CSR-CS)。首先计算训练样本每个通道的皮尔逊相关系数来选择显著通道,然后提取显著通道所在区域的滤波器组共空间模式特征拼接成字典,利用由字典所得到的非零稀疏系数的个数表征每个区域的分类能力,选出显著区域所包含的显著通道作为最优通道,最后采用共空间模式和支持向量机分别进行特征提取与分类。在对BCI第3次竞赛数据集IVa和BCI第4次竞赛数据集I两个二分类MI任务的分类实验中,平均分类精度达到了88.61%和83.9%,表明所提通道选择方法的有效性和鲁棒性。 相似文献
18.
19.