本发明公开了一种基于AI辅助的EEG专注度增强与自适应学习系统及其脑电头带设计，包括EEG信号采集模块、信号预处理模块、特征提取模块、专注度评估模块、自适应阈值划分模块、教学策略生成模块、个性化任务生成模块、自适应学习系统模块、效果评估模块、系统优化模块，本发明涉及专注度评估与学习技术领域。该基于AI辅助的EEG专注度增强与自适应学习系统及其脑电头带设计，通过分析脑电图信号，实现对用户专注度的实时评估和增强，系统采用创新的梯度提升树算法和自适应阈值方法，精确评估用户的专注度水平，并据此提供个性化的学习策略和专注力训练。配套的脑电头带采用模块化设计，实现高效可靠的脑信号采集和即时反馈。
📄 2024113727605
📂 G06F30_10
👤 龙岩学院
📅 2024-09-29
本申请公开了一种基于类脑电波数据的疲劳预测方法和装置，其中，所述方法包括：基于视频采集装置采集眼部视频序列；将眼部视频序列输入到预设的疲劳鉴别器，获得预测的类脑电波数据；将所述类脑电波数据输出到疲劳判别式，判断疲劳状态，采用本申请所述的基于类脑电波数据的疲劳预测方法，能够通过获取眼部图像数据生成相应的类电脑波数据的方式，根据所述类电脑波数据预测疲劳状态，避免了繁琐的操作步骤，同时提高了疲劳状态检测的鲁棒性和准确度，极大提升了用户的使用体验。
📄 2020105611153
📂 G08B21_06
👤 闽江学院
📅 2020-06-18
本发明公开了一种基于脑电样本权重调整的跨被试疲劳状态分类方法。本发明以PSD作为特征提取方法，InstanceEasyTL算法作为分类器，通过对EEG信号的处理及分析，在跨被试的设定下，对驾驶员的疲劳程度进行分类，实现疲劳、清醒两种状态的区分。首先获取数据并预处理；其次使用PSD对脑电数据进行特征提取；然后设置实验的新源域和新目标域，再根据InstanceEasyTL算法进行分类。与传统的机器学习、深度学习方法和基于特征对齐的EasyTL方法相比，在跨被试上拥有更好的分类性能。此外本方法在仅需目标域中小部分比例的数据情况下，仍然能够保持较高的分类性能。
📄 2020109855725
📂 A61B5_18
👤 杭州电子科技大学
📅 2020-09-18
一种基于R‑LSTM模型的脑电信号情绪识别方法，由选取6个通道的脑电信号、对脑电信号进行预处理、划分训练集与测试集、构建R‑LSTM情绪分类模型、训练R‑LSTM情绪分类模型、测试集分类步骤组成。本发明采用了R‑LSTM模型，单步预测储蓄池层神经元状态，将预测过程中的参数归一化后作为脑电信号的高维动态特征，解决了传统方法采用的单个通道的脑电信号特征组成特征集合，未考虑脑电信号的非线性动态特征，损失了不同通道间的特征信息的技术问题。本发明与传统方法相比，经训练后得到的识别准确率在效价和唤醒度上均更高，得到了较好的脑电情绪识别效果，具有计算速度快、识别准确率高等优点，可用于脑电信号情绪识别技术领域。
📄 2020110934770
📂 G06K9_00
👤 陕西师范大学
📅 2020-10-14
本发明公开了一种基疲劳脑电信号组合特征的通道选择方法。针对现有技术的问题，提出的技术方案为：首先使用脑电采集设备采集疲劳驾驶信号，选取大脑皮层上能显著反映疲劳状态的电极通道并预处理；通过集合经验模态分解所获得的有限个本征模函数的功率谱值作为特征，并将样本熵作为辅助特征，再通过本文提出的通道选择方法分别筛选出在功率谱值和样本熵值作为特征下的理想通道；最后使用多层感知超限学习机和使用粒子群优化算法优化后的多层感知超限学习机分别对筛选出的理想通道数据进行二分类。本发明使用了组合特征提高了通道选择算法的泛化能力，最终使用了最优通道相比于全通道大幅提高了准确率。
📄 2021107123318
📂 A61B5_18
👤 杭州电子科技大学
📅 2021-06-25
本发明涉及情绪识别技术领域，且公开了基于EEG的音乐诱发情绪识别方法及系统，包括以下步骤：S11、设计一种基于音乐刺激情绪的BCI实验范式，音乐刺激包括两种类型，愉悦快乐型和悲伤沉痛型；S12、利用E‑prime设计实验任务界面，包括注视界面、音乐刺激界面、反馈界面、休息界面；实验开始之前，屏幕中央会显示指导语，让被试者充分了解实验规则，正式采集数据前受试者调整好情绪并处于身心放松的状态，带好耳机做好实验准备。该基于EEG的音乐诱发情绪识别方法及系统，设计了一种音乐刺激情绪的脑机接口实验范式，相对于其他刺激情绪方式来说，音乐刺激更加能使受试者处于一个轻松稳定的状态，更利于情绪治疗，对抑郁症治疗来说有很好的前景。
📄 2022113382757
📂 G06F3_01
👤 广州大学
📅 2022-10-28
本发明提供一种基于黎曼流形的脑电信号异构标签空间迁移学习方法，包括，对被试A的脑电数据的单频段进行分段；将各子频带的脑电数据中标签1和标签2的脑电数据分别按照不同顺序拼接成新标签1和新标签2；将新标签1和新标签2作为源域，标签3和标签4作为目标域；分别计算标签1、标签2，标签3和标签4的脑电数据的平均协方差矩阵；分别将每个子频段的黎曼流形上的源域数据通过平均协方差矩阵构建的线性变换矩阵对齐到目标域；将各子频带对齐后的黎曼流形上的源域和目标域数据通过对数映射至切空间，再通过mRMR将高维的切空间特征降至低维；融合各子频段降维后的切空间特征，并输入LDA分类器中进行分类。本发明有助于扩大脑电数据的适用范围。
📄 2022101523966
📂 G06K9_00
👤 广州大学
📅 2022-02-18
本发明提供基于可解释聚类模型的二分类运动想象脑电信号识别方法，其包括步骤1、获取受试者的多通道运动想象脑电数据，将脑电数据进行逐次截断、滤波，存储为高维脑电数据矩阵；步骤2、使用空域滤波共空间模式从高维脑电数据矩阵中提取二维的运动想象脑电的方差特征；步骤3、把对应于各次实验的每个特征当成一个特征向量，计算每个特征向量的类内离散度与类间离散度；步骤4、根据Fisher比率原则，把对应于各次实验的两个特征向量作为最优的脑电特征；步骤5、使用半监督可解释聚类模型，判别矩形混合模型识别多个实验对象的最优脑电特征。该方法是一种有效的单次运动想象脑电聚类方法，在保证一定的分类精度时，无需训练集，缩短了训练时间。
📄 2020103352690
📂 G06K9_00
👤 燕山大学
📅 2020-04-24
本发明提供一种基于混合模型的运动想象脑电信号分类方法，其包括如下步骤：S1、数据提取：从数据库中采集两组数据作为脑电数据库；S2、数据重构：将脑电数据库中的脑电数据进行规范化，并以四维张量的结构储存；S3、特征优化：利用ODV‑CSSD算法对脑电数据进行优化获得最优脑电特征；S4、利用先验信息形成可解释的聚类，建立决策边界，得到最终类别归属结果。本发明针对共空间模式对异常数据过于敏感导致容易过拟合的问，提出一种新的运动想象脑电信号分类方法，提出新的特征优化算法ODV‑CSSD并进行研究，该方法可以获取最优的脑电特征，同时可以达到最佳脑电特征的维数，实现左右手运动想象脑电信号的提取和分类，并提高了识别准确率。
📄 2021107634968
📂 G06K9_00
👤 燕山大学
📅 2021-07-06
本发明公开了一种基于快速序列视觉呈现下的脑电信号特征提取方法，该方法考虑了RSVP脑电信号在不同节律能量分布不均且在gamma节律上具有显著的时‑频‑空能量特征，将gamma节律脑电信号分解为多个时、频子成分，采用共空间模式方法对每个子成分的多通道信号进行空间滤波，采用线性判别分析算法分别对各个子成分进行加权整合，从而得到RSVP脑电信号gamma节律的时‑空‑频特征集来实现RSVP范式下的目标图像识别，能有效提高RSVP范式下图像识别的准确率。
📄 202110513371X
📂 A61B5_369
👤 燕山大学
📅 2021-05-11
本发明公开了一种基于脑波识别的智能音乐推荐系统，推荐系统由可穿戴Think Gear传感器、移动终端和后台数据库组成；所述可穿戴Think Gear传感器穿戴在人体头部用于脑波检测，通过对脑波信号的频率分析，将所得频率通过模式识别匹配得到用户的心情状态；可穿戴Think Gear传感器检测到的频率通过蓝牙模块发送给移动终端，移动终端将数据通过4G模块上传给后台数据库；后台数据库根据上传的数据进行评分，然后按照用户不同的心情及评分数值选择不同的音乐，通过移动终端播放。解决了现有音乐推荐系统无法精确适应不同用户的问题。
📄 2019100888364
📂 G06F16_63
👤 南京信息工程大学
📅 2019-01-29
本发明请求保护一种基于LFFCNN-GRU算法模型的运动想象脑电信号特征识别方法。包含以下步骤S1:采集脑电信号；S2：对原始脑电信号进行预处理；S3：采用层间融合卷积神经网络提取脑电信号的频域特征；S4：采用门控循环网络进一步的提取脑电信号的时域特征；S5：采用softmax回归方法对脑电信号进行分类；S6：输出最终的脑电信号分类结果。本发明有效提高了多类运动想象脑电信号的识别率。
📄 202010807134X
📂 G06K9_00
👤 重庆云脑医疗科技有限公司
📅 2020-08-12
柿子坊 · 知识产权运营
柿子坊知识产权运营平台