典型文献
一种面向运动解码的EEG-fNIRS时频特征融合与协同分类方法
文献摘要：
脑功能成像技术可以反映入体运动时的大脑生理变化,进而解码运动状态,但单模态信号反映的大脑生理信息存在局限性.为此,本文提出了一种基于EEG和fNIRS信号的时频特征融合与协同分类方法,利用脑神经电活动和血氧信息的互补特性提高运动状态解码精度.首先,提取EEG的小波包能量熵特征,使用双向长短期记忆网络(Bi-LSTM)提取fNIRS的时域特征,将两类特征组合得到包含时频域信息的融合特征,实现EEG和fNIRS不同层次特征的信息互补.然后,利用1DCNN提取融合特征深层次信息.最后,采用全连接神经网络进行任务分类.将所提方法应用于公开数据集,本文所提的EEG-fNIRS信号协同分类方法准确率为95.31％,较单模态分类高7.81％～9.60％.结果表明,该方法充分融合了两互补信号的时频域信息,提高了对左右手握力运动的分类准确率.
文献关键词：
EEG;fNIRS;时频特征融合;协同分类;运动解码
中图分类号：
作者姓名：
刘晋瑞;宋婷;舒智林;韩建达;于宁波
作者机构：
南开大学人工智能学院 天津 300350;南开大学天津市智能机器人技术重点实验室 天津 300350;南开大学深圳研究院智能技术与机器人系统研究院 深圳 518083
文献出处：
引用格式：
[1]刘晋瑞;宋婷;舒智林;韩建达;于宁波-.一种面向运动解码的EEG-fNIRS时频特征融合与协同分类方法)[J].仪器仪表学报,2022(07):165-173
A类：
运动解码,时频特征融合
B类：
EEG,fNIRS,融合与协同,协同分类,分类方法,脑功能成像技术,映入,生理变化,运动状态,单模,模态信号,用脑,脑神经,血氧,互补特性,小波包能量熵,熵特征,双向长短期记忆网络,Bi,时域特征,特征组合,时频域,域信息,融合特征,不同层次,层次特征,信息互补,1DCNN,全连接神经网络,任务分类,公开数据集,充分融合,左右手,手握力,分类准确率
AB值：
0.309956
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
