-
题名基于个性化空-频特征的大鼠转向行为脑电解码方法
- 1
-
-
作者
庄新鑫
赵靖
张保家
任哲兵
王静
-
机构
燕山大学电气工程学院
首都医科大学基础医学院
-
出处
《燕山大学学报》
北大核心
2025年第4期294-299,331,共7页
-
基金
国家重点研发计划资助项目(2022YFE0140400)
国家自然科学基金资助项目(62376241)
+1 种基金
河北省创新能力提升计划项目(22567619H)
河北省省级科技计划资助项目(236Z2001G)。
-
文摘
大鼠脑部采集到的局部场电位信号中携带有丰富的运动相关信息,解码这些信息有助于加深对大脑运动功能活动机理的理解,在运动障碍康复研究中具有重要的价值。但是由于大鼠本身行为的不可控性以及脑电信号的低信噪比特点,对其转向行为的解码仍然是当前研究的一个难点。本文针对局部场电位信号中的转向行为解码问题,提出了一种基于个性化空-频特征的场电位解码方法,通过选取个性化滤波频带和个性化空间滤波器来提取转向行为场电位信号的空-频特征,并通过支持向量机分类器解码出左转和右转两种行为决策。实验结果表明,所提方法在两只大鼠不同日期采集的数据中都提取出了个性化的空-频特征,在两只大鼠的转向行为解码中分别取得了75%和70%的平均准确率。
-
关键词
脑机接口
局部场电位
转向行为
空-频特征
-
Keywords
brain-computer interface
local field potential
turning behavior
space-frequency feature
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于权重融合特征重标定网络的运动想象脑电分类
- 2
-
-
作者
莫云
李易
张本鑫
路仲伟
莫禾胜
李智
-
机构
桂林航天工业学院电子信息与自动化学院
桂林电子科技大学电子工程与自动化学院
-
出处
《电子测量与仪器学报》
北大核心
2025年第1期70-79,共10页
-
基金
广西自动检测技术与仪器重点实验室基金项目(YQ22209)
广西自动检测技术与仪器重点实验室基金项目(YQ24208)
+1 种基金
广西高校中青年教师科研基础能力提升项目(2023KY0813)
桂林电子科技大学研究生教育创新计划(2023YCXS132)项目资助。
-
文摘
时-频-空特征在运动想象脑电分类中广泛应用,但如何有效利用这些特征提高运动想象分类准确率仍是难点。传统方法通过特征选择剔除冗余信息,但往往忽视了时-频-空特征的组间依赖关系。为此,提出一种基于权重融合特征重标定网络的脑电分类模型。首先,提取时-频-空特征,揭示其分组结构,将每组时-频-空特征作为一个整体,并视为一个特征图。然后,建立两个分支分别获取特征图的通道权重:一个分支通过全局平均池化获取全局信息的通道权重,另一个分支通过全局最大池化获取局部信息的通道权重。接着,设计权重融合操作,将两种通道权重融合,并对特征图进行重缩放,从而实现时-频-空特征的组间依赖关系建模。最后,使用两层全连接层进行分类。在4个公开的运动想象脑电数据集上进行了实验验证,所提出的方法平均分类准确率高达80.72%,优于18种特征选择方法和现有的特征重标定网络方法,以及大多数近期文献的分类结果。实验结果表明,所提方法在实际应用中具有良好的潜力,有望在未来的脑机接口研究和康复训练中得到广泛应用。
-
关键词
脑电分类
运动想象
特征重标定
时-频-空特征
权重融合
-
Keywords
EEG classification
motor imagery
feature recalibration
time-frequency-spatial feature
weight fusion
-
分类号
TN911.7
[电子电信—通信与信息系统]
TH77
[机械工程—精密仪器及机械]
-
-
题名一种基于EEG信号的抑郁症早期筛查方法
- 3
-
-
作者
任书瑶
宋江玲
张瑞
-
机构
西北大学医学大数据研究中心
-
出处
《计算机科学》
CSCD
北大核心
2023年第S02期999-1004,共6页
-
基金
国家自然科学基金(12071369,6200189)
陕西省自然科学基金(2021JQ-430)
陕西省重点研发计划(2019ZDLSF02-09-02,2017ZDXM-Y-095)。
-
文摘
抑郁症作为一类常见的、可治愈型的精神类疾病,若能在早期阶段对其进行有效筛查(即早期筛查)并及时采取相应的治疗手段,则可有效控制病情的进一步加重,甚至彻底治愈。传统的抑郁症诊断方法主要是医生通过患者的临床表现及临床检查(主要为诊断量表)进行综合判断,但诊断结果的准确与否严重依赖于医生的临床经验以及患者的高度配合。同时,由于抑郁症早期患者往往缺乏明显的病症表征,也极大增加了漏诊误诊的可能性。相关研究表明,脑电图(Electroencephalogram,EEG)能够反应受试者的精神状态,这为抑郁症的早期筛查提供了一种有效途径。基于此,以EEG信号为数据源,提出了一种基于EEG信号与深度学习的抑郁症早期筛查方法。首先,结合分段处理、频域转化等方法,对EEG信号进行时-频-空特征序列的提取;其次,基于所提特征序列与深度学习,构建了一种深度混合模型,通过训练模型完成正常人与轻度抑郁症患者的有效识别;最后,在公开数据集MODMA上验证所提方法的可行性与有效性。实验结果显示,早期筛查准确率为82.64%,召回率为78.42%,灵敏度为75.37%。
-
关键词
抑郁症
脑电信号
早期筛查
时-频-空特征序列
深度混合模型
-
Keywords
Depression
Electroencephalogram
Early screening
Temporal-Spectral-Spatial sequences
Hybrid deep neural networks
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
