System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及运动想象脑电分类,尤其涉及一种基于分层特征重标定网络的运动想象脑电分类方法。
技术介绍
1、许多研究表明,运动想象脑电(electroencephalography,eeg)信号与时间、频率和空间密切相关。因此,时-频-空(time-frequency-spatial,tfs)特征选择方法在运动想象脑电分类中越来越常见,以从时-频-空特征中学习有效信息。时-频-空特征的提取过程是将原始脑电信号分割至多个时间窗,然后将每个时间窗根据多个频率子带分解,所有时间窗和对应的频率子带组合形成相应的时频单元,最后提取每个时频单元的空间特征,以形成时-频-空特征的层次结构。传统的时-频-空特征选择方法是将多个时频单元的空间特征级联成一个特征向量,将每一特征向量视为独立个体,并被赋予单独的权重,以学习有用的时间、频率和空间信息。但是,该类方法忽略了时-频-空特征的层次结构,使得分类性能较差。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种基于分层特征重标定网络的运动想象脑电分类方法,以提高运动想象脑电分类性能。
2、为解决上述技术问题,本专利技术的目的是通过以下技术方案实现的:提供一种基于分层特征重标定网络的运动想象脑电分类方法,包括以下步骤:时-频-空特征提取:采用时间窗对原始脑电信号进行分割后根据频率子带进行分解,获得脑电时频数据,各时间窗根据频率子带形成时频单元;对各时间窗、各时频单元及获得的脑电时频数据进行空间特征提取,获得时间窗特征、时频单元特征及脑电
3、本专利技术的有益技术效果在于:本专利技术的基于分层特征重标定网络的运动想象脑电分类方法通过建立包括为时频单元特征分配权重的第一加权网络和为时间窗的特征分配权重的第二加权网络的分层特征重标定网络以实现根据特征的层次结构对各层特征分层分配权重,充分考虑时-频-空特征的层次结构,更好地学习时-频-空特征有用的时间、频率和空间先验信息,提高运动想象的脑电分类性能。
本文档来自技高网...【技术保护点】
1.一种基于分层特征重标定网络的运动想象脑电分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于分层特征重标定网络的运动想象脑电分类方法,其特征在于,所述时-频-空特征提取的步骤包括:
3.根据权利要求1所述的基于分层特征重标定网络的运动想象脑电分类方法,其特征在于,所述建立分层特征重标定网络的步骤包括:
4.根据权利要求3所述的基于分层特征重标定网络的运动想象脑电分类方法,其特征在于,所述构建第一加权网络的步骤包括:
5.根据权利要求4所述的基于分层特征重标定网络的运动想象脑电分类方法,其特征在于,所述对特征图进行挤压操作,构建特征图的通道描述符的步骤具体为:采用全局平均池化或全局最大池化构建特征图的通道描述符。
6.根据权利要求4所述的基于分层特征重标定网络的运动想象脑电分类方法,其特征在于,所述对特征图进行激发操作,计算获得特征图的通道权重的步骤具体为:
7.根据权利要求3所述的基于分层特征重标定网络的运动想象脑电分类方法,其特征在于,所述构建第二加权网络的步骤包括:
8.根据
9.根据权利要求3所述的基于分层特征重标定网络的运动想象脑电分类方法,其特征在于,所述特征分类的步骤具体为:
10.根据权利要求1所述的基于分层特征重标定网络的运动想象脑电分类方法,其特征在于,所述训练分层特征重标定网络的步骤具体为:
...【技术特征摘要】
1.一种基于分层特征重标定网络的运动想象脑电分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于分层特征重标定网络的运动想象脑电分类方法,其特征在于,所述时-频-空特征提取的步骤包括:
3.根据权利要求1所述的基于分层特征重标定网络的运动想象脑电分类方法,其特征在于,所述建立分层特征重标定网络的步骤包括:
4.根据权利要求3所述的基于分层特征重标定网络的运动想象脑电分类方法,其特征在于,所述构建第一加权网络的步骤包括:
5.根据权利要求4所述的基于分层特征重标定网络的运动想象脑电分类方法,其特征在于,所述对特征图进行挤压操作,构建特征图的通道描述符的步骤具体为:采用全局平均池化或全局最大池化构建特征图的通道描述符。
6.根...
【专利技术属性】
技术研发人员:黄淦,张绍荣,梁臻,李琳玲,张力,张圳威,李林桦,
申请(专利权)人:深圳大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。