申请/专利权人：广州大学

申请日：2021-12-16

公开（公告）日：2024-06-25

公开（公告）号：CN114305333B

主分类号：A61B5/00

分类号：A61B5/00;A61B5/372

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2022.04.29#实质审查的生效;2022.04.12#公开

摘要：一种基于脑网络和深度学习的脑电信号识别方法，包括：获取运动想象脑电数据和语言想象脑电数据，进行预处理并得到对应的标签；基于多导联的脑电数据，分别计算多窄波段的导联间时间序列的相位同步性；设定阈值，得到多个窄带的基于相位同步性的连接矩阵；通过连接矩阵构建功能性脑网络；训练深度学习模型，多窄波的同步性脑网络同时作为卷积神经网络的输入，优化网络的结构和参数；通过同步性脑网络分类模型进行训练和分类，本申请充分利用了深度学习算法强大的特征提取能力和处理时序信号的能力，结合隐藏在脑电信号中的时序信息，完成基于多窄带的脑网络的脑电信号识别任务，合理设计了多输入卷积层以及卷积核的大小，提高分类效果。

主权项：1.一种基于脑网络和深度学习的脑电信号识别方法，其特征在于，包括：获取运动想象脑电数据和语言想象脑电数据，并进行预处理；所述预处理包括时间片校正、头动校正、伪迹去除和4～30Hz带通滤波处理；对预处理后的运动想象脑电数据和语言想象脑电数据进行时频分析和特征提取，构建全联通特征矩阵，并计算运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值，包括：提取全连通连接矩阵的上三角特征作为功能连接特征，计算得到运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值；所述对预处理后的运动想象脑电数据和语言想象脑电数据进行时频分析，包括采用事件相关谱扰动对预处理后的运动想象脑电数据和语言想象脑电数据进行时频分析，选取运动想象脑电数据和语言想象脑电数据能量谱变化最明显的时间序列；所述对预处理后的运动想象脑电数据和语言想象脑电数据进行特征提取，包括：对选取的时间序列使用快速傅里叶变换对三个频段的脑电信号进行特征提取，得到三组不同频段的脑电信号；所述构建全联通特征矩阵，包括：根据三组不同频段的脑电信号中的窄波段信号，分别获取脑电信号的各对导联件时间序列的相位关系，并构建全联通特征矩阵；根据运动想象脑电数据和语言想象脑电数据各导联对相位同步性的平均值，计算运动想象脑电数据和语言想象脑电数据在相同的时间序列下导联间相位同步性差的绝对值，得到基于相位同步性的连接矩阵；通过连接矩阵构建同步性脑网络；将同步性脑网络并行输入进预先构建的卷积神经网络，利用深度学习中的神经网络对个体脑网络分别进行训练，然后通过全连接层进行融合，得到功能脑网络分类模型；对功能脑网络分类模型进行训练，将待识别脑电信号输入训练后的功能脑网络分类模型，得到识别结果。

全文数据：

权利要求：

百度查询： 广州大学 一种基于脑网络和深度学习的脑电信号识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD