基于小波包和串并行CNN的脑电信号分类.docx
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
![preview](https://dl-preview.csdnimg.cn/87225402/0001-f551d75e20cc4ea86929d28fa1cd1b62_thumbnail-wide.jpeg)
![preview-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/scale.ab9e0183.png)
基于小波包和串并行CNN的脑电信号分类 本文提出了一种结合小波包变换(Wavelet Packet Transform,WPT)和串并行卷积神经网络(Serial Parallel Convolutional Neural Network,SPCNN)的脑电信号分类方法。该方法首先对预处理的EEG进行小波包分解,选取属于Mu和Beta节律的小波节点对应的EEG进行重构,然后将处理好的信号输入到并列双卷积核的网络模型中,网络内部自动进行最优化的特征提取,最后,将特征输入给Softmax分类器分类。 小波包变换是一种时域分析方法,相比小波变换(Wavelet Transform,WT),小波包变换可以对信号的低频部分和高频部分进行分解,完整地保留了低高频信息,提高了EEG的时域分辨率。 在本文中,小波包树节点标注为(j, n),j代表小波包树的层数,n代表相应层数下节点的个数。小波包分解系数为: d2nj(k)=∑l∈Zhl−2kdnj−1(l) d2n+1j(k)=∑l∈Zgl−2kdnj−1(l) 每一个节点都对应着相应的频段,信号采样率为fs,则第j层各个节点对应的频段分别为: {[0,fs2j+1];[fs2j+1,2fs2j+1];[2fs2j+1,3fs2j+1];⋯;[(2j−1)fs2j+1,fs2]} 因此可以确定每个节点对应的频率,选取合适的节点进行脑电信号的重构,第j-1层、第k点的重构公式为: dnj−1(k)=∑l∈Zhk−2ld2nj(l)+∑l∈Zgk−2ld2n+1j(l) SPCNN模型可以自动进行最优化的特征提取,提高了分类准确率。实验结果表明,该方法能筛选出有效地信息并有利于后续的自动提取特征及分类。 在脑机接口中,运动想象脑电信号(Motor Imagery Electroencephalography,MI-EEG)是非平稳信号,包含了大量的时频信息,ERS/ERD现象在识别MI-EEG中是一个很重要的依据。小波包变换和SPCNN模型可以对MI-EEG进行时域分析和特征提取,提高了分类准确率。 本文方法可以应用于脑机接口、运动康复、神经科学等领域,具有很高的应用价值和研究意义。
![pdf](https://img-home.csdnimg.cn/images/20210720083646.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083646.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/release/download_crawler_static/87225402/bg1.jpg)
![avatar-default](https://csdnimg.cn/release/downloadcmsfe/public/img/lazyLogo2.1882d7f4.png)
![avatar](https://profile-avatar.csdnimg.cn/3f07197aad004e4fa57ac5a008eb6aaf_weixin_57147647.jpg!1)
- 粉丝: 3961
- 资源: 1万+
![benefits](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-1.c8e153b4.png)
![privilege](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-2.ec46750a.png)
![article](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-3.fc5e5fb6.png)
![course-privilege](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-4.320a6894.png)
![rights](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-icon.fe0226a8.png)
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![voice](https://csdnimg.cn/release/downloadcmsfe/public/img/voice.245cc511.png)
![center-task](https://csdnimg.cn/release/downloadcmsfe/public/img/center-task.c2eda91a.png)
最新资源
- 基于Python+Tensorflow实现声纹识别+源代码+文档说明.zip
- java-leetcode题解之第112题路径总和.zip
- java-leetcode题解之第111题二叉树的最小深度.zip
- java-leetcode题解之第110题平衡二叉树.zip
- java-leetcode题解之第109题有序链表转换二叉搜索树.zip
- java-leetcode题解之第108题将有序数组转换为二叉搜索树.zip
- java-leetcode题解之第107题二叉树的层序遍历II.zip
- java-leetcode题解之第102题二叉树的层序遍历.zip
- java-leetcode题解之第103题二叉树的锯齿形层序遍历.zip
- java-leetcode题解之第104题二叉树的最大深度.zip
![feedback](https://img-home.csdnimg.cn/images/20220527035711.png)
![feedback-tip](https://img-home.csdnimg.cn/images/20220527035111.png)
![dialog-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/green-success.6a4acb44.png)