期刊文献+
共找到83篇文章
< 1 2 5 >
每页显示 20 50 100
融合变分图自编码器与局部-全局图网络的认知负荷脑电识别模型
1
作者 周天彤 郑妍琪 +2 位作者 魏韬 戴亚康 邹凌 《计算机应用》 北大核心 2025年第6期1849-1857,共9页
针对认知负荷识别模型存在过于依赖手动特征提取、忽视脑电图(EEG)信号的空间信息和无法有效学习图结构数据的问题,提出一种融合变分图自编码器(VGAE)与局部-全局图网络(VLGGNet)的认知负荷EEG识别模型。该模型由时间学习模块和图形学... 针对认知负荷识别模型存在过于依赖手动特征提取、忽视脑电图(EEG)信号的空间信息和无法有效学习图结构数据的问题,提出一种融合变分图自编码器(VGAE)与局部-全局图网络(VLGGNet)的认知负荷EEG识别模型。该模型由时间学习模块和图形学习模块这2个部分组成。首先,使用时间学习模块通过多尺度时间卷积捕捉EEG信号的动态频率表示,并通过空间与通道重建卷积(SCConv)和1×1卷积核级联模块融合多尺度卷积提取的特征;其次,使用图形学习模块将EEG数据定义为局部-全局图,其中,局部图特征提取层将节点属性聚合到一个低维向量,全局图特征提取层通过VGAE重构图结构;最后,对全局图和节点特征向量执行轻量化图卷积操作,由全连接层输出预测结果。通过嵌套交叉验证,实验结果表明,在心算任务(MAT)数据集上,相较于次优的局部-全局图网络(LGGNet),VLGGNet的平均准确率(mAcc)和平均F1分数(mF1)分别提升了4.07和3.86个百分点;在同时任务EEG工作量(STEW)数据集上,相较于表现最好的多尺度时空卷积神经网络(TSception),VLGGNet的mAcc与TSception相同,mF1仅降低了0.01个百分点。可见VLGGNet提高了认知负荷分类的性能,也验证了前额叶和额叶区域与认知负荷状态密切相关。 展开更多
关键词 认知负荷 脑电信号 多尺度时间卷积 变分图自编码器 局部-全局图网络
在线阅读 下载PDF
“噪声标签”下的运动想象多尺度时空特征学习
2
作者 刘卓恒 杨丰 詹长安 《数据采集与处理》 北大核心 2025年第3期821-831,共11页
在运动想象脑电信号采集过程中,因受试者注意力不集中而未严格遵从提示进行对应的运动想象,导致所采集脑电数据与提示(标签)不一致,即出现“噪声标签”,降低了模型捕捉关键特征的能力,影响模型在新受试者上的泛化。基于此,本文提出一种... 在运动想象脑电信号采集过程中,因受试者注意力不集中而未严格遵从提示进行对应的运动想象,导致所采集脑电数据与提示(标签)不一致,即出现“噪声标签”,降低了模型捕捉关键特征的能力,影响模型在新受试者上的泛化。基于此,本文提出一种“噪声标签”下多尺度时空特征学习的运动想象分类方法。首先,采用卷积神经网络提取脑电信号多尺度局部时间特征,降低个体间差异性影响;其次,在时空维度上分块划分特征图,作为Transformer模块输入,利用时空特征融合模块,优化全局时空特征;最后,引入对称交叉熵损失,将交叉熵计算方式扩展到所有类别,降低“噪声标签”的影响。在PhysioNet和BCI IV 2a运动想象数据集上的实验结果表明,本文方法的平均准确率优于其他方法,其中在PhysioNet数据集上引入对称交叉熵损失,二、三和四分类的平均准确率分别提升0.09%、0.65%和0.66%。此外,在不同比例的“噪声标签”干扰下,无需增加模型参数量和计算量,对称交叉熵损失就能改善模型的分类性能与鲁棒性。 展开更多
关键词 运动想象 脑电信号分类 TRANSFORMER 对称交叉熵损失 脑机接口
在线阅读 下载PDF
引入迁移学习的癫痫EEG信号自适应识别 被引量:4
3
作者 杨昌健 邓赵红 +1 位作者 蒋亦樟 王士同 《计算机工程》 CAS CSCD 北大核心 2015年第6期158-164,共7页
在脑电图(EEG)信号识别中,EEG信号的采样环境、病人状态的多样性导致分类器训练所用的源域与分类器测试所用的目标域不匹配,分类器在目标域上表现不佳。为此,引入邻域适应策略,提出一种基于子空间相似度的改进主成分分析特征提取方法(SS... 在脑电图(EEG)信号识别中,EEG信号的采样环境、病人状态的多样性导致分类器训练所用的源域与分类器测试所用的目标域不匹配,分类器在目标域上表现不佳。为此,引入邻域适应策略,提出一种基于子空间相似度的改进主成分分析特征提取方法(SSM-PCA),在选择主成分时,考虑源域和目标域数据的几何和统计特性,并结合迁移学习分类器大间隔投射迁移支持向量机(LMPROJ),给出以SSM-PCA为基础的LMPROJ分类识别方法。实验结果表明,与结合PCA特征抽取技术和K近邻分类器实现的识别方法相比,该方法在识别正确率方面得到较大提升。 展开更多
关键词 特征迁移 迁移学习 脑电图信号 特征提取 分布多样性 主成分分析
在线阅读 下载PDF
模拟飞行任务中的脑力负荷监测∶基于多模态生理信号的融合研究
4
作者 韩明秀 刘心怡 +3 位作者 王煜文 牛海军 柳忠起 刘涛 《载人航天》 北大核心 2025年第4期443-450,共8页
在飞行等高风险、高复杂度任务场景中,准确监测脑力负荷已成为提升工作效率和保障安全的关键。然而,现有的脑力负荷评估方法多依赖单一模态信号,这些方法在跨个体和跨天等情境下的泛化性能较差。因此,提出一种基于多模态生理信号融合的... 在飞行等高风险、高复杂度任务场景中,准确监测脑力负荷已成为提升工作效率和保障安全的关键。然而,现有的脑力负荷评估方法多依赖单一模态信号,这些方法在跨个体和跨天等情境下的泛化性能较差。因此,提出一种基于多模态生理信号融合的脑力负荷评估方法:采用COG-BCI数据集,选取其中多属性任务组(MATB⁃Ⅱ)的脑电和心电生理信号数据,提取脑电功率谱密度在内的多类关键特征,通过均方差系数、最大互信息系数及单因素方差分析对特征进行筛选和融合,构建基于随机森林与极限梯度提升算法的模型。结果表明:所提融合特征和方法有效提升了模型性能,在当日脑力负荷识别中平均准确率达到93.8%,在跨天场景中平均识别精度达到86.1%。采用多模态生理信号融合方法,有效提升了跨个体和跨天场景下的脑力负荷评估准确率。 展开更多
关键词 脑力负荷 人机工效学 脑电 生理信号 状态监测
在线阅读 下载PDF
脑机接口中基于BISVM的EEG分类 被引量:1
5
作者 杨帮华 何美燕 +1 位作者 刘丽 陆文宇 《浙江大学学报(工学版)》 EI CAS CSCD 北大核心 2013年第8期1431-1436,共6页
针对脑电信号(EEG)分类问题,提出基于批处理增量式支持向量机(BISVM)的分类方法.将所有数据通过批处理进行分组,采用第1组数据在SVM中建立初始分类器模型,将剩余组内数据顺序作为新增样本,对满足卡罗需-库恩-塔克(KKT)条件的样本进行增... 针对脑电信号(EEG)分类问题,提出基于批处理增量式支持向量机(BISVM)的分类方法.将所有数据通过批处理进行分组,采用第1组数据在SVM中建立初始分类器模型,将剩余组内数据顺序作为新增样本,对满足卡罗需-库恩-塔克(KKT)条件的样本进行增量学习和减量去学习,不断判断KKT条件并更新参数,丢弃错误样本,对初始分类器模型进行更新.对2008年脑机接口竞赛数据及本实验室采集数据,用小波包分解(WPD)结合共空间模式(CSP)进行特征提取,SVM、ISVM及BISVM分类.结果表明,BISVM的平均分类准确率相对SVM及ISVM分别提高了3.3%及0.3%,BISVM平均训练时间相对ISVM从1.076s减少到0.793s.BISVM为改善计算机对大脑的适应性,实现快速实时在线的脑机接口系统奠定基础. 展开更多
关键词 脑机接口 批处理增量式支持向量机 脑电 分类
在线阅读 下载PDF
融合递归图的脑电驾驶行为分类方法研究
6
作者 常文文 芦家磊 +1 位作者 黄霄 闫光辉 《交通运输系统工程与信息》 北大核心 2025年第3期152-162,共11页
驾驶行为识别是智能驾驶辅助系统的核心问题,而基于脑电信号的驾驶行为分类检测是实现以人为中心的智能驾驶辅助系统的重要途径。为实现常见驾驶行为下脑电信号五分类检测,本文提出一种基于递归图和改进卷积神经网络的方法,即RP-CS。RP... 驾驶行为识别是智能驾驶辅助系统的核心问题,而基于脑电信号的驾驶行为分类检测是实现以人为中心的智能驾驶辅助系统的重要途径。为实现常见驾驶行为下脑电信号五分类检测,本文提出一种基于递归图和改进卷积神经网络的方法,即RP-CS。RP-CS方法主要通过挖掘驾驶员脑电信号中重要的非线性特征,并通过融入了通道注意力机制的卷积神经网络进一步提取特征并实现五分类检测。在本方法中,脑电非线性特征的提取方式是将一维时序信号嵌入到更高维度的相空间中,并利用欧氏距离构造出递归图。随后,将同时含有非线性特征和时域特征的递归图作为改进卷积神经网络的输入,利用卷积神经网络在图像数据处理中的优势,实现对驾驶行为的五分类检测。在公开数据集上进行对比实验,结果表明,本文提出的RP-CS驾驶行为识别准确率优于其他方法。在单被试条件下,五类驾驶行为的分类准确率最高可达95.84%;在跨被试条件下,平均分类准确率为71.92%。此结果意味着脑电信号中非线性特征和深度学习模型的有效结合可提高脑电信号分类识别的效率。为驾驶行为监测和辅助安全驾驶提供了一种可行的解决方案,对于提高驾驶辅助系统的性能和驾驶安全具有重要意义。 展开更多
关键词 智能交通 驾驶行为分类 深度学习 脑电 非线性特征
在线阅读 下载PDF
稳定分布噪声环境下的EEG-MUSIC源定位 被引量:2
7
作者 龙俊波 汪海滨 查代奉 《计算机工程与应用》 CSCD 2013年第2期122-125,共4页
EEG作为一种无损的新医学技术近几年已经被广泛地研究,EEG-MUSIC是一种基于EEG的脑源病灶空间定位算法,它只能在高斯噪声下工作。特殊情况下的脑电传感器阵列数据中可能伴有一种强脉冲噪声,这种噪声可以用α稳定分布描述。稳定分布噪声... EEG作为一种无损的新医学技术近几年已经被广泛地研究,EEG-MUSIC是一种基于EEG的脑源病灶空间定位算法,它只能在高斯噪声下工作。特殊情况下的脑电传感器阵列数据中可能伴有一种强脉冲噪声,这种噪声可以用α稳定分布描述。稳定分布噪声环境下,传统的EEG-RAP-MUSIC失效。为此用FLOM矩阵代替自相关矩阵,提出了一种适合稳定分布噪声环境的脑源定位新方法FLOM-EEG-RAP-MUSIC。计算机仿真表明,所提出的方法能较好地在稳定分布噪声环境下工作,具有一定的鲁棒性。 展开更多
关键词 脑电图 源定位 Α稳定分布 分数低阶矩 多信号分类
在线阅读 下载PDF
基于时间卷积神经网络的脑电情绪识别方法
8
作者 彭磊 魏国辉 +2 位作者 马志庆 冯今瑀 李延军 《中国生物医学工程学报》 北大核心 2025年第2期142-152,共11页
基于脑电信号的情绪识别在人机交互领域有着重要的作用,但由于脑电信号的时变性(不同时间段的特征可能会显著不同)和多尺度特性(不同时间尺度和空间尺度上展现出不同的特征),现有深度学习方法往往难以全面捕捉和提取脑电信号中与情绪相... 基于脑电信号的情绪识别在人机交互领域有着重要的作用,但由于脑电信号的时变性(不同时间段的特征可能会显著不同)和多尺度特性(不同时间尺度和空间尺度上展现出不同的特征),现有深度学习方法往往难以全面捕捉和提取脑电信号中与情绪相关的各种特征。为了提取脑电信号的时间-频率-空间特征所蕴藏的丰富情绪信息,提出一个融合卷积神经网络(CNN),时间卷积神经网络(TCN)和Transformer注意力机制的脑电情绪识别模型,即频率时空注意力卷积神经网络(FSA-TCN)。首先,利用CNN频率时空卷积层学习频域信息、空间信息和时域信息,提取脑电信号的频率时空特征;然后,将TCN与Transformer注意力机制融合,捕捉频率时空融合特征中的时间依赖关系,提取出深度脑电融合特征;最后,将深度脑电融合特征输入到全连接层进行分类。此模型在DEAP数据集上的76 800个脑电数据样本上进行消融实验及主体依赖和跨主体脑电情绪识别实验,以验证模型各模块的作用效果和用此模型进行脑电情绪识别的有效性,且在效价和唤醒维度上分别取得了92.96%和92.90%的情绪识别准确率。另外,模型在SEED数据集上进行了泛化性能的验证,评估了模型跨数据集的情绪识别能力。结果表明,本研究提出的模型具有提取脑电信号频率时空融合特征和挖掘深度脑电融合特征的能力,能够实现高精度的脑电情绪识别。 展开更多
关键词 情绪识别 脑电信号 卷积神经网络 注意力机制
在线阅读 下载PDF
基于多模式EEG的脑-机接口虚拟键鼠系统设计 被引量:5
9
作者 谢松云 刘畅 +2 位作者 吴悠 张娟丽 段绪 《西北工业大学学报》 EI CAS CSCD 北大核心 2016年第2期245-249,共5页
现有的脑-机接口系统大都只基于单模式的脑电特征,系统能实现的功能非常有限,从而制约了脑-机接口系统的应用。采用基于多种模式脑电信号(electroencephalogram,EEG)的脑-机接口技术来实现虚拟键鼠系统,使得被试可以利用自身的脑电信号... 现有的脑-机接口系统大都只基于单模式的脑电特征,系统能实现的功能非常有限,从而制约了脑-机接口系统的应用。采用基于多种模式脑电信号(electroencephalogram,EEG)的脑-机接口技术来实现虚拟键鼠系统,使得被试可以利用自身的脑电信号控制鼠标和键盘的操作。研究了脑-机接口中常用的3种脑电信号,分别是P300波、alpha波以及稳态视觉诱发电位(steady state visual evoked potential,SSVEP),通过设计实验成功的诱发出了被试相应的特征脑电信号。利用SSVEP的脑电特征设计6频率LED闪烁刺激的虚拟鼠标系统,实现控制鼠标光标移动、单击左键和单击右键的任务;利用P300波的脑电特征设计6×6的字符矩阵虚拟键盘系统,实现字符输入的任务;利用被试自主闭眼增强alpha波的脑电特征,实现鼠标和键盘应用切换的任务。研究了适宜这3种脑电特征的最佳测量电极组合及模式识别算法,使得对3种脑电信号的识别正确率均达到了85%以上。测试结果显示,文中设计的基于多模式EEG的脑-机接口虚拟键鼠系统能有效地实现鼠标控制以及键盘输入的任务。 展开更多
关键词 脑电信号 脑-机接口 虚拟键/鼠系统 机器学习 模式识别
在线阅读 下载PDF
基于EEG信号的STPS睡眠状态在线辨识 被引量:1
10
作者 周强 陈颖 +1 位作者 李俊雨 肖强宏 《陕西科技大学学报(自然科学版)》 2016年第6期164-170,共7页
睡眠状态辨识作为控制睡眠过程中提高睡眠质量的前提,是现代生物医学研究的一个重要内容.本文针对目前睡眠状态辨识方法存在辨识准确率低及处理速度慢等问题,提出基于EEG信号的STPS的睡眠状态在线辨识.以脑电波(EEG)的时-频分析作为睡... 睡眠状态辨识作为控制睡眠过程中提高睡眠质量的前提,是现代生物医学研究的一个重要内容.本文针对目前睡眠状态辨识方法存在辨识准确率低及处理速度慢等问题,提出基于EEG信号的STPS的睡眠状态在线辨识.以脑电波(EEG)的时-频分析作为睡眠状态特征量,并将其输入到径向基神经网络中进行模糊融合,辨识出不同睡眠状态.人体实验表明:该方法的辨识睡眠状态的准确率达到88.89%,为实现人体睡眠状态控制奠定了一定基础. 展开更多
关键词 睡眠状态辨识 脑电信号 短时功率谱估计 径向基神经网络 模糊融合
在线阅读 下载PDF
面向无创脑-机接口的耳脑电电极研究进展
11
作者 李广利 刘熊浩岚 +2 位作者 陈娜羽 许谭妙 刘苹 《天津工业大学学报》 北大核心 2025年第3期80-90,共11页
脑-机接口(brain-computer interface,BCI)研究中,头皮表面头发限制了传统头皮脑电(electroencephalogram,EEG)电极采集脑神经信号的能力,耳脑电电极避免与头发的接触,能够采集到与头皮相当的EEG信号,为EEG信号采集带来了新突破口。本... 脑-机接口(brain-computer interface,BCI)研究中,头皮表面头发限制了传统头皮脑电(electroencephalogram,EEG)电极采集脑神经信号的能力,耳脑电电极避免与头发的接触,能够采集到与头皮相当的EEG信号,为EEG信号采集带来了新突破口。本文系统梳理了近年来耳EEG电极的研究进展,重点介绍了各类耳内电极和耳周电极的设计原理和关键性能,分析了耳EEG电极与传统头皮EEG电极相比的优势和局限性,探讨了克服这些局限性的方法,并对耳EEG电极的未来发展方向进行了展望,指出了其面临的机遇与挑战。 展开更多
关键词 脑-机接口 eeg信号 耳脑电电极 耳内电极 耳周电极
在线阅读 下载PDF
基于SDAE与RELM的EEG情感识别方法 被引量:3
12
作者 连卫芳 晁浩 刘永利 《计算机工程》 CAS CSCD 北大核心 2021年第9期75-83,共9页
针对情感识别中堆叠式自动编码器存在反向传播方法收敛速度慢和容易陷入局部最优的问题,提出一种基于堆叠式降噪自动编码器(SDAE)和正则化极限学习机(RELM)的情感状态识别方法。从脑电信号的时域、频域和时频域中提取表征情感状态的初... 针对情感识别中堆叠式自动编码器存在反向传播方法收敛速度慢和容易陷入局部最优的问题,提出一种基于堆叠式降噪自动编码器(SDAE)和正则化极限学习机(RELM)的情感状态识别方法。从脑电信号的时域、频域和时频域中提取表征情感状态的初始特征,使用SDAE进行无监督特征学习,提取初始特征的高层抽象表示。在网络的回归层,使用RELM进行情感分类。在DEAP数据集上的实验结果表明,与SDAE以及DT、KNN等传统基于机器学习的方法相比,该方法在实时性、准确性和泛化性能等方面均有明显提升。 展开更多
关键词 情感识别 脑电信号 情感特征 堆叠式降噪自动编码器 正则化极限学习机
在线阅读 下载PDF
轻度认知障碍患者EEG动力学特征提取与分类方法研究进展 被引量:1
13
作者 李恒智 文冬 +1 位作者 魏振豪 周艳红 《中国生物医学工程学报》 CAS CSCD 北大核心 2019年第3期348-354,共7页
脑电图可用于对轻度认知障碍的病理性变化进行评估。近年来,脑电领域的特征提取和分类方法广泛地应用到对轻度认知障碍疾病的诊断中。首先从局部耦合与全局同步两个方面,深入分析轻度认知障碍患者脑电信号特征提取方法的应用情况及其优... 脑电图可用于对轻度认知障碍的病理性变化进行评估。近年来,脑电领域的特征提取和分类方法广泛地应用到对轻度认知障碍疾病的诊断中。首先从局部耦合与全局同步两个方面,深入分析轻度认知障碍患者脑电信号特征提取方法的应用情况及其优势和不足,而后对当前轻度认知障碍患者脑电信号特征进行分类的多种方法进行详细总结与分析,如支持向量机、k均值以及近年来应用广泛的卷积神经网络等,最后对该领域脑电动力学特征提取与分类方法的未来发展趋势进行展望。 展开更多
关键词 轻度认知障碍 脑电信号 动力学 特征提取 分类方法
在线阅读 下载PDF
基于脑电信号特征的高铁调度员疲劳状态识别 被引量:2
14
作者 张光远 邓龙 +3 位作者 王亚伟 孙自伟 李莎 陈诚 《中国安全科学学报》 CAS CSCD 北大核心 2024年第6期235-246,共12页
为增强铁路行车的稳定性与安全性,有效识别调度员的疲劳状态对行车组织的影响,基于脑电(EEG)信号特征,提出一种调度员疲劳状态识别方法,根据作业时间段划分调度员的疲劳状态,设计高铁调度模拟试验获取脑电信号数据,通过小波级数展开和... 为增强铁路行车的稳定性与安全性,有效识别调度员的疲劳状态对行车组织的影响,基于脑电(EEG)信号特征,提出一种调度员疲劳状态识别方法,根据作业时间段划分调度员的疲劳状态,设计高铁调度模拟试验获取脑电信号数据,通过小波级数展开和傅里叶变换提取高铁调度被试的3种脑电波频域幅值作为特征值,结合调度员作业特征和脑电信号特征,验证疲劳状态的划分结果,通过Python语言环境搭建ResNet18+SoftMax和MobileNet V2+SoftMax这2种模型,基于深度学习方法,将输入特征转换为三维立体矩形模型,并优化调整权重,获得最优模型,从而判断高铁调度员的疲劳状态。研究结果表明:ResNet18+SoftMax和MobileNet V2+SoftMax神经网络模型对高铁调度试验参与人员的疲劳状态识别准确率分别为92.78%和99.17%;相较于支持向量机(SVM)模型,这2种模型可提升清醒状态和疲劳状态的识别精度,并降低运算时间,其中,MobileNet V2+SoftMax模型的识别准确率和运行速度最优。以MobileNet V2+SoftMax模型原理为内核,可以更快速准确地识别高铁调度员在长时间作业条件下的潜在疲劳风险。 展开更多
关键词 脑电(eeg)信号 高铁调度员 疲劳状态识别 MobileNet V2网络 ResNet18网络 SoftMax回归
在线阅读 下载PDF
基于功能连接信息熵的精神分裂症EEG分类研究
15
作者 李佩珍 王彬 +2 位作者 牛焱 田程 相洁 《计算机工程与应用》 CSCD 北大核心 2019年第22期239-244,共6页
为了提高精神分裂症的有效诊断,利用网络功能连接信息熵的方法对51例精神分裂症患者和56例年龄匹配的正常人的脑电信号(Electroencephalogram,EEG)进行了分类。通过采用分频技术、相位同步分析方法、信息熵方法、支持向量机(Support Vec... 为了提高精神分裂症的有效诊断,利用网络功能连接信息熵的方法对51例精神分裂症患者和56例年龄匹配的正常人的脑电信号(Electroencephalogram,EEG)进行了分类。通过采用分频技术、相位同步分析方法、信息熵方法、支持向量机(Support Vector Machine,SVM)分类方法,大幅提高了分类准确率(98.13%),实现了对精神分裂症的有效诊断。该分类方法主要涉及两阶段:利用分频技术和相位同步分析方法,获得各频段的脑电信号在各个时间点的功能连接矩阵;基于整个时间域上的功能连接计算各频段的信息熵,并将其分别作为功能脑网络的分类特征训练SVM分类器,进而对两组被试分类。分类结果表明,该方法大幅提高了精神分裂症检测的准确率。 展开更多
关键词 精神分裂症 脑电信号(eeg) 相位同步 功能连接信息熵 SVM分类 功能脑网络
在线阅读 下载PDF
基于多频带路径签名特征的癫痫脑电图信号分类方法 被引量:1
16
作者 郭礼华 杨辉 +1 位作者 吴倩仪 茅海峰 《华南理工大学学报(自然科学版)》 EI CAS CSCD 北大核心 2024年第7期9-18,共10页
基于脑电图(EEG)信号的癫痫自动检测对癫痫的临床诊断和治疗有很大的帮助。由于大部分癫痫识别算法忽略了EEG信号的时序关系,为此,文中提出了一种基于多频带路径签名特征的癫痫EEG信号分类方法。此方法首先将EEG信号分解成5个不同频段... 基于脑电图(EEG)信号的癫痫自动检测对癫痫的临床诊断和治疗有很大的帮助。由于大部分癫痫识别算法忽略了EEG信号的时序关系,为此,文中提出了一种基于多频带路径签名特征的癫痫EEG信号分类方法。此方法首先将EEG信号分解成5个不同频段的频带信号,再通过路径签名算法进行特征提取,然后采用局部主成分分析去除特征相关性并进行特征融合,最后将融合特征送入集成分类器中进行预测分类。由于路径签名可以更深入地挖掘EEG信号的相关关系,结合局部主成分分析后,文中方法可以获取更有鉴别性的癫痫分类特征。分别在时长超过2 000 s癫痫发作片段的本地医院私有数据集和开源的CHB-MIT癫痫数据集上,选用10折交叉进行实验验证,结果表明:在私有数据集上,文中方法的平均分类准确率达到97.25%,比经典的基于经验模态分解(EMD)的方法提高了3.44个百分点,比最新的基于长短期记忆网络(LSTM)+卷积神经网络(CNN)的方法提高了1.35个百分点;在CHB-MIT数据集上,文中方法的平均分类准确率达到98.11%,比经典的基于EMD的方法提高了5.20个百分点,比最新的基于LSTM+CNN的方法提高了2.64个百分点;在两个数据集上文中方法的分类准确率均优于其他对比方法。 展开更多
关键词 脑电图分析 癫痫发作分类 路径签名 信号分析
在线阅读 下载PDF
基于拓扑数据分析的驾驶疲劳EEG数据处理与优化分析研究
17
作者 周飞扬 柳政卿 +1 位作者 王秋成 杨忠 《高技术通讯》 CAS 2023年第3期322-331,共10页
为提高驾驶疲劳脑电(EEG)数据处理与分析的准确性和鲁棒性,提出一种基于拓扑数据分析(TDA)的驾驶人疲劳脑电分析方法。首先利用汽车性能虚拟仿真平台开展驾驶实验,通过驾驶人状态反馈和面部特征视频,标记脑电数据,形成清醒和疲劳二分数... 为提高驾驶疲劳脑电(EEG)数据处理与分析的准确性和鲁棒性,提出一种基于拓扑数据分析(TDA)的驾驶人疲劳脑电分析方法。首先利用汽车性能虚拟仿真平台开展驾驶实验,通过驾驶人状态反馈和面部特征视频,标记脑电数据,形成清醒和疲劳二分数据集。之后利用EEGLAB预处理数据,剔除噪声并保留0.3~30 Hz频带,直接从时域EEG数据中提取拓扑特征。此外还提取了经典频域特征α波能量和α/β用于对比分析。最后使用支持向量机进行分类。结果表明,基于持久同源(PH)的拓扑特征取得了高达88.7%的准确率和91.4%的召回率,与经典频域特征性能相当,且对脑电伪影的鲁棒性明显更好,在未剔除EEG伪影的情况下仍取得了87.4%的准确率和89.7%的召回率。综上所述,本文提出的用于驾驶疲劳脑电信号处理与分析的TDA方法抗干扰特性好、处理成本低、经济性高,有助于稳定、高效地处理驾驶人脑电数据并检测驾驶疲劳状态,具有较大的科学实际应用价值。 展开更多
关键词 疲劳驾驶 脑电信号(eeg) 拓扑数据分析(TDA) 持久同源(PH) 支持向量机(SVM)
在线阅读 下载PDF
融合微分熵的高泛化能力脑电情绪识别模型
18
作者 李争平 李汉文 王立军 《计算机科学》 CSCD 北大核心 2024年第S02期183-189,共7页
深度学习的出现,使得脑电信号研究得到进一步发展。常用的基于深度学习对情绪分类的方法有人工神经网络(Artificial Neural Network,ANN)与深度学习(Deep Learning,DL)等。但脑电信号属于有限样本数据,对于深度学习这类需要大量数据驱... 深度学习的出现,使得脑电信号研究得到进一步发展。常用的基于深度学习对情绪分类的方法有人工神经网络(Artificial Neural Network,ANN)与深度学习(Deep Learning,DL)等。但脑电信号属于有限样本数据,对于深度学习这类需要大量数据驱动训练从而完成分类任务的网络来说,如何在有限的数据数量下提升分类任务的效果和泛化性能是一个研究重点。针对脑电研究中真实环境对脑电信号的影响以及神经网络模型泛化性问题,充分挖掘脑电信号包含的信息,提出了同时考虑原始脑电信号和DE特征的深度学习模型,并设计实验的数据采集过程和处理过程。在DEAP数据集、SEED数据集和实验采集的数据上进行实验,评估所搭建网络的性能效果和泛化能力,探索深度学习网络在脑电信号上的情绪分类关联关系。使用本文构建的网络模型与特征处理办法,在SEED数据集的情绪三分类上获得了85.62%的准确率,在DEAP数据集原始脑电的效价和唤醒两个维度的情绪二分类上分别获得了59.38%和61.70%的准确率。 展开更多
关键词 情绪识别 情绪分类 脑电信号 微分熵(DE) 深度学习
在线阅读 下载PDF
基于脑电节律能量与模糊熵的VR诱发晕动症水平检测研究 被引量:1
19
作者 周占峰 化成城 +3 位作者 柴立宁 严颖 刘佳 付荣荣 《数据采集与处理》 CSCD 北大核心 2024年第2期490-500,共11页
晕动症一直是影响虚拟现实用户体验及限制虚拟现实行业发展的一个关键因素。为解决这一问题,本文研究了虚拟现实晕动症对大脑神经活动的影响,并利用脑电特征对晕动症水平进行检测。为得到可度量眩晕水平的特征,记录受试者在体验眩晕测... 晕动症一直是影响虚拟现实用户体验及限制虚拟现实行业发展的一个关键因素。为解决这一问题,本文研究了虚拟现实晕动症对大脑神经活动的影响,并利用脑电特征对晕动症水平进行检测。为得到可度量眩晕水平的特征,记录受试者在体验眩晕测试场景前及过程中的脑电信号,计算节律能量和模糊熵,并利用统计分析进行特征选择,最后分类验证该特征的有效性。结果表明,受试者产生晕动症时,CP4和Oz的θ、α频段能量及C4的β、γ频段能量显著降低(p<0.01);在模糊熵方面,δ频段有FC4、Cz模糊熵值显著升高(p<0.0001),β频段有O1模糊熵值显著降低(p<0.0001)。对比线性判别分析(Linear discriminant analysis,LDA)、逻辑回归(Logistic regression,LR)和支持向量机(Support vector machine,SVM),K最近邻(K-nearest neighbor,KNN)算法的分类效果较好,它在节律能量和模糊熵上的分类准确率分别为89%和91%。本研究表明脑电节律能量及模糊熵有望成为晕动症水平检测的有效指标,为研究虚拟现实晕动症成因及缓解方案提供客观依据。 展开更多
关键词 虚拟现实 晕动症 脑电信号 模糊熵
在线阅读 下载PDF
基于微状态的抑郁症静息态脑电信号分析 被引量:1
20
作者 陈学莹 齐晓英 +1 位作者 史周晰 独盟盟 《高技术通讯》 CAS 北大核心 2024年第4期379-385,共7页
抑郁症(MDD)患者存在认知功能障碍,但其瞬时神经异常活动尚未研究清楚,对此采用脑电(EEG)微状态方法对抑郁症患者的脑电数据进行研究。比较22名抑郁症患者和25名正常人的128导闭眼脑电数据微状态特征,进行差异性分析并探索与量表得分之... 抑郁症(MDD)患者存在认知功能障碍,但其瞬时神经异常活动尚未研究清楚,对此采用脑电(EEG)微状态方法对抑郁症患者的脑电数据进行研究。比较22名抑郁症患者和25名正常人的128导闭眼脑电数据微状态特征,进行差异性分析并探索与量表得分之间的相关性。结果发现,相对于健康对照组,抑郁症患者微状态C的出现次数和涵盖比更高,且与其他微状态之间的转换概率较高,而其微状态D的平均持续时间较低,且与微状态B之间的转换次数减少。此外,微状态C和微状态D与抑郁量表和焦虑量表均呈显著相关性,表明基于脑电微状态方法可以捕捉到抑郁症患者异常大脑动态特性,为抑郁症临床早期诊治提供客观参考。 展开更多
关键词 抑郁症(MDD) 静息态脑电(eeg) 脑电信号处理 微状态 聚类
在线阅读 下载PDF
上一页 1 2 5 下一页 到第
使用帮助 返回顶部