← 返回列表
一种基于脑电信号特征的分类方法
摘要文本
本发明公开一种基于脑电信号特征的分类方法，通过引入近似熵，并与GRU所捕捉的时序关系相结合，模型能够更好地理解信号的复杂结构，使K‑Means与GRU相互补充，形成一个更为综合和精确的意识状态分类模型。这种融合方法有效地利用了传统机器学习和深度学习的优势，提高了对意识状态的全面分类性能，特别是在捕捉脑电信号动态变化方面的准确性得到显著提升；本发明不仅提供了高效的K‑Means与GRU相结合的特征提取方法，还实现了对意识状态的自动分类。通过深度学习模型与机器学习方法的协同学习和训练，使得模型能够实时对新的脑电信号进行智能分类，为医疗领域提供了一种更加智能、高效的意识状态监测手段。
申请人信息
- 申请人:长春理工大学
- 申请人地址:130012 吉林省长春市卫星路7089号
- 发明人: 长春理工大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种基于脑电信号特征的分类方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202410133251.0 |
| 申请日 | 2024/1/31 |
| 公告号 | CN117653147A |
| 公开日 | 2024/3/8 |
| IPC主分类号 | A61B5/372 |
| 权利人 | 长春理工大学 |
| 发明人 | 宫玉琳; 王心宁; 陈晓娟 |
| 地址 | 吉林省长春市卫星路7089号 |
专利主权项内容
1.一种基于脑电信号特征的分类方法，其特征在于，包括以下步骤：采集脑电信号数据，并处理；对脑电信号数据进行基线校正，对校正后的脑电信号数据进行带通滤波；在滤波后的脑电信号数据上，计算每个信号片段的近似熵作为特征，计算公式为：
其中，m是模式的长度，r是相似度阈值，N是时间序列的长度，/>表示m阶近似熵；将提取的特征序列划分为训练集和测试集；采用反向传播算法，通过最小化损失函数，不断调整GRU网络的权重和偏差；GRU网络捕捉预处理后的信号的时序关系，再与近似熵融合；在GRU网络的输出基础上，对K-Means聚类算法进行训练，对训练集中的数据进行分类；使用测试集对训练好的GRU网络与K-Means聚类算法模型评估模型在意识状态分类上的性能；将经过训练的GRU网络与K-Means聚类算法模型应用于新采集的脑电信号数据，实现对意识状态的实时分类。 来自：马 克 团 队