买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安交通大学

摘要：一种基于FHN‑PSD或FHN‑STFTCSP运动想象时频能量增强及特征响应检测方法，先进行多通道MI数据采集，然后使用巴特沃斯和IIR陷波滤波器滤波，接着提取了视觉提示开始后0.5‑2.5秒的时间段；然后进行FHN模型参数初始化及FHN模型处理，将预处理后的信号和噪声送入到FHN模型进行随机共振处理，再基于PSD或STFTCSP方法提取信号特征，然后通过分类器分类，最后进行标签匹配检测；本发明实现用噪声能量去增强时频信息，大大增加了MI特征响应的鲁棒性和识别正确率。

主权项：1.一种基于FHN-PSD或FHN-STFTCSP运动想象时频能量增强及特征响应检测方法，其特征在于：FHN模型先利用MI信号中包含的噪声能量增强时频信息，扩大二分类任务中左右手的特征响应差异；然后基于PSD或STFTCSP方法进行功率谱密度特征提取；最后基于分类器进行特征分类，实现特征响应的高精度识别；所述的一种基于FHN-PSD或FHN-STFTCSP运动想象时频能量增强及特征响应检测方法，包括以下步骤：1MI脑电信号采集：通过视觉提示，对被试者进行多通道MI信号采集，多通道MI信号经过放大、滤波与数模转化处理；2滤波处理：MI信号使用巴特沃斯和IIR陷波滤波器进行滤波；3信号预处理：对滤波后的数据进行选择和截断；4模型及计算参数初始化：设置FHN模型及参数，根据采集到的信号特点和实际分析需要设置计算参数，采用灰狼算法在不同输入信号中迭代优化输出最优参数组合[ε,B]；5FHN模型处理：将预处理后带有噪声干扰的单通道MI信号送入FHN模型，利用噪声能量增强信号的时频信息，扩大二分类中左右手特征响应差异；6短时傅里叶变换：FHN模型时频能量增强后的信号进行短时傅里叶变换，输出信号的功率谱密度；如果使用FHN-PSD方法，则进行步骤7；如果使用FHN-STFTCSP方法，则进行步骤8；7功率谱密度PSD估计：将功率谱密度作对数尺度方差作为分类特征，然后进行步骤9；8公共空间模式CSP估计：8.1协方差矩阵求解：求解时空信号矩阵归一化的协方差矩阵；8.2空间过滤器W构建：正交白化变换求白化特征矩阵P，然后构建空间滤波器W；8.3W滤波后特征提取：通过CSP方法来最大化两类数据的方差，作为任务的分类特征；9分类器模型分类：通过分类器对PSD或STFTCSP提取的特征进行分类；10标签匹配检测：将识别的标签与分类标签进行匹配，如果匹配成功，则目标频率被有效识别；如果匹配失败，则表明目标频率标识失败；所述的步骤1多通道MI信号采集中使用g.USBamp脑电采集系统记录MI信号，并根据1020电极系统设置电极；记录了31个EEG通道的运动想象信号，MI信号以250Hz频率采样，经0.5-100Hz带通滤波器滤波，经50Hz陷波滤波器滤波；所述的步骤2MI信号在5-40Hz之间通过4阶巴特沃斯和2阶IIR梳状陷波滤波器进行滤波；所述的步骤3根据受试者对运动想象信号的响应时间，提取了视觉提示开始后0.5-2.5秒的时间段；所述的步骤4中参数组合[ε,B]采用灰狼优化算法迭代推导，具体为；FHN模型的数学表达式为： 式中：vt——细胞膜电压，是一个快变量；wt——膜内离子浓度，是一个慢变量；A——为常数表示激励幅值，促使神经元定期点火；ε——时间参数，决定了神经元点火的速率；b——参数常量，值为0.15；nt——高斯白噪声，均值为零且自相关函数满足ntns＝2Dδt-s；.——求整体均值；st——输入的非周期激励信号，微分方程组求解时采用四阶定步长Runge—Kuta方法；当a＝0.5时，令vt＝vt′+12，wt＝wt′-b+12，A＝A′-b+12，FHN模型被简化为以下形式： 式中：——阈值电压；B——信号幅值到阈值电压的距离。

全文数据：

权利要求：

百度查询： 西安交通大学 基于FHN-PSD或FHN-STFTCSP运动想象时频能量增强及特征响应检测方法