高等教育领域数字化综合服务平台
云上高博会服务平台 高校科技成果转化对接服务平台 大学生创新创业服务平台 登录 | 注册
|
搜索
搜 索
  • 综合
  • 项目
  • 产品
日期筛选: 一周内 一月内 一年内 不限
一种通过scout ESI和CNN解码EEG运动想象四分类任务的新方法
导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法,以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后,使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%,分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%,采用十倍交叉验证进行验证。研究人员表示,他们的研究成果与最先进的MI分类方法的结果相比,总体分类增加了14.4%。研究者为验证方法的有效性,加入了4个新的受试者进行验证,发现总体平均准确率为92.5%。此外,全局分类器适应单一对象,整体平均准确率提高到94.54%。研究者表示,他们提出的结合scout ESI和CNN的方法,提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极),并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图,并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先,由于ERD在执行运动想象时在alpha和beta中不同,因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后,通过计算包含正问题和逆问题的源,将传感器空间的活动转化为源空间的活动。接下来,创建scout并提取特征。研究者在运动皮层中创建了10个scout,因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI),并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5,右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后,利用CNN对时频图进行分离并进行分类。实验在实验中,研究人员仅使用了随机选择的十个受试者的MI trail (S5,S6,S7,S8,S9,S10,S11,S12,S13,S14)。这里用于分析的数据集包含每个受试者84次试验,每一类包含21次试验。在记录64通道脑电图时,受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验:当目标出现在屏幕左侧时,受试者想象打开和合上相应的拳头,直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时,受试者想象打开和合上相应的拳头,直到目标消失。然后受试者放松。当目标出现在屏幕顶部时,受试者想象打开和合上双手的拳头,直到目标消失。然后受试者放松。当目标出现在屏幕底部时,目标会想象双脚张开和合拢,直到目标消失。然后受试者放松。为了统一数据维数,研究者选择了4s的数据,因为每次想象任务的执行时间都在4s左右。此外,脑电图任务是分开的,研究人员在实验中将左拳,右拳,双拳和双脚MI任务分别称为T1,T2,T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5,如图2所示。10个scout每一个都被扩展到40个顶点,每个顶点只有一个源。L1区域对应40个信号,其他scout也一样。在计算了来源后,研究者在运动皮层中创建了十个scout,如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项,每个受试者每次都要进行7次测试(#1,#2,#3,#4,#5,#6,#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后,研究人员在运动皮层中创建了包含40个源的10个scout,并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中,研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构,该网络模型由一个六层卷积网络组成,其中两个最大池层和三个全连接层,如图5所示。图5对于Physionet数据库,研究者首先采用Deep ConvNet架构,包括四个卷积层、四个最大池层和一个全连接层。在实验中,研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务,R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息,清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然,只有部分时频映射是红色的,表明每个任务只对特定的频率和时间敏感。由于图的数量比较大,研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本,并将一些特征图可视化,作为MI任务的学习表示,如图7所示。图7为了获得有效的结果,将数据集分为90%作为训练集,其余10%作为测试集。首先,将十个受试者的数据集(总共19320个样本)分为17388个样本以训练所提出的CNN模型,以及1932个样本以验证模型的有效性。在实验中,研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本),其中24343个样本是训练集,其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试,以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高,达到94.5%,而L2的全局平均精度最低,为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上,标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说,R5表现的要比其他的好,而L2在迭代2000中表现最差。标准差较小,说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵,说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验,确定了scoutR5的性能,结果如图10(a)和(b)所示。在10次试验中,scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说,四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明,该方法对scout R5的分类效果较好。从以上结果可以清楚地看出,R5 scout在四种MI任务的分类中扮演着最重要的角色。因此,选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现,该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明,他们的研究成果与最先进的MI分类方法的结果相比,总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示,他们提出的结合scout ESI和CNN的方法,提高了脑电解码四类MI任务的BCI性能。论文信息:A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN
东北电力大学 2021-04-10
教育部关于印发《高等学校实验室安全分级分类管理办法(试行)》的通知
本办法中的实验室,是指隶属于高校从事教学、科研等实验、实训活动的场所及其所属设施,以房间为管理单元。中试性质和工业化放大性质的试验场所及其所属设施不在本办法管理范围内,高校如涉及相关场所应根据相关法律法规及标准规范制定相关管理办法。
教育部 2024-04-22
一种具有声光报警、自动恢复功能的过流保护装置
1. 项目简介:本装置在电源的相线支路中采用自恢复保险电阻取代传统的熔丝管或断路器,当用电器发生短路或过流时,立即成高阻状态,起过流保护作用,故障排除后立即恢复。并伴有声光报警装置,方便实用,以其独到的设计而取得了国家实用新型专利权。2. 技术特点:独特的人性化设计克服了传统过流保护装置发生短路或过流后需人工操作恢复的缺点,能在排除故障后自行恢复并配有声光报警。3. 应用领域:可用于电源保护,家电的电路板保护,特别是学生实验室电源短路保护等。
武汉工程大学 2021-04-11
一种时空可变流场下飞行器的球面轨道编队跟踪控制方法
本发明公开一种时空可变流场下飞行器的球面轨道编队跟踪控制方法,飞行器的动态是球坐标系中表示的非完整动力学方程并且已知流场是随着时间和空间变化的,所述方法包括如下步骤:a)用弗莱纳公式表示以球坐标系下的飞行器动力学方程;b)计算球面跟踪误差、轨道跟踪误差以及横向编队误差;c)设计期望的横摆角速度、倾侧角速度以及线加速度,使得误差达到设计要求的同时保障飞行器不运动到南北极的连线;d)设计横摆角和倾侧角加速度使得实际的横摆和倾侧角速度达到期望值。此种方法简单可靠、精度较高,适应于任意已知时空可变流场中的协作监测等复杂任务。
东南大学 2021-04-11
汽液两相流升压加热与液位控制关键技术及其应用
本项目揭示了汽液两相流自升压及液位自调节机理,发明了汽液两相流升压加热及液位控制关键技术及系列产品,开发了安全高效的汽液两相升压加热和液位控制系统,并实现了产业化。
西安交通大学 2021-04-11
一种馈能式变恒流值正负脉冲快速充电装置及方法
锂离子(或铅酸)动力电池在大电流充电过程中存在着发热、充电速率低等问题。成果提供的充电方法可提高充电速率50%以上,减小了电池发热,延长了电池循环寿命。在整体上分为多个不同等级的恒流充电段,每个充电段由多个幅值逐渐减小的等效正负脉冲组成,在负脉冲阶段电池进行短暂放电还原以减小发热,且可以将放电电能存储到馈能电容中,在正脉冲到来时重新加以利用,且正脉冲幅值很高,既提高了充电速率又提高了电能的利用率。随着新能源发电储能及新能源汽车的发展,锂离子(或铅酸)动力电池的用量每年达千亿只以上,且每年以30%的速度增长,市场迫切需求一种大电流快速充电而不损害电池寿命的新的充电系统及方法,而本发明可以提升充电速率50%以上,可以有效延长电池寿命,每年创造产值可高达数亿元以上,这对于节能环保、发展低碳经济有着重要的意义,应用前景十分广阔。
青岛大学 2021-04-13
一种等离子切割电源的输出过流保护控制电路及方法
本发明公开了一种等离子切割电源的输出过流保护控制电路及 方法,输出过流保护控制电路包括:输入主功率模块、输出滤波电感、 高频模块、输出检测模块和控制模块;输出滤波电感的输入端连接至 输入主功率模块的第一输出端,高频模块的输入端连接至输入主功率 模块的第二输出端,输出检测模块的第一输入端连接至输出滤波电感 的输出端,输出检测模块的第二输入端连接至高频模块的输出端,输 出检测模块的第三输出端连接至控制模块的第一输入端,输出检测模 块的第四输出端连接至控制模块的第二输入端,控制模块的输出端连 接至输入主功
华中科技大学 2021-04-14
第一代基于WIFI无线通信控制的自动连续流系统
第一代基于WIFI无线通信控制的自动连续流系统将连续流技术与无线远程控制技术相结合,实现了手机和电脑端化学反应的远距离操控,提高了制药设备的集成化、连续化、自动化、信息化、智能化水平。与传统釜式反应相比,该连续流设备需要的设备占地面积更小;可实现实时产品质量监控;操作灵活,生产规模易于调节,能适应不断变化的供应需求;同时可以减轻一些审批后的监管任务,进一步提高药品的生产质量,降低生产成本。
哈尔滨工业大学 2021-04-14
一种基于可变输入数据流的大动态实时解压缩系统
本发明公开了一种基于可变输入数据流的大动态实时解压缩系统,包括:解帧模块、RS 解码模块、2DECC 解码模块、无纠错解码模块、EDC 检纠错模块、数据打包分发模块、多路并行 golomb 解码模块、多路并行残差预测解码模块、像素收集模块以及组帧模块;解帧模块解析压缩码流的帧格式,分离辅助信息与压缩码流数据;压缩码流数据输入到检纠错模块、多路并行解码模块按块解码,然后将解码后的数据还原成输入的数据形式,完成解压缩工作
华中科技大学 2021-04-14
一种基于微流控芯片粒子捕获式的单粒子散射测量装置
本发明公开了一种基于微流控芯片粒子捕获式单粒子散射测量 装置,包括光源、分光光路、测量对准组件、探测组件和微流控芯片。 结合 Mie 散射理论计算的理论散射曲线参照,完成单粒子圆周范围内 大角度范围散射场的测量;同时由于结合了微流控芯片技术,解决了 单粒子的捕获和单粒子环境的构建问题。 
华中科技大学 2021-04-14
首页 上一页 1 2
  • ...
  • 52 53 54
  • ...
  • 78 79 下一页 尾页
    热搜推荐:
    1
    云上高博会企业会员招募
    2
    64届高博会于2026年5月在南昌举办
    3
    征集科技创新成果
    中国高等教育学会版权所有
    北京市海淀区学院路35号世宁大厦二层 京ICP备20026207号-1