首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于贝叶斯网络模型的脑电信号压缩编码方法及设备 

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:小舟科技有限公司

摘要:本申请公开一种基于贝叶斯网络模型的脑电信号压缩编码方法及设备,方法通过获取待对齐的原始脑电数据并进行预处理,获取标准脑电数据和标签信息;根据标准脑电数据对应的时间点信息和通道信息,构建脑电数据矩阵并输入至预设的卷积神经网络,输出脑电数据矩阵对应的全局特征;将全局特征输入至预设的广义低秩近似分解模型,以分解为低秩分量和稀疏分量,分别对低秩分量和稀疏分量进行特征选取,分别计算输出的低秩特征通道数据和稀疏特征通道数据与预设的专家知识数据的相似度信息,根据相似度信息在低秩特征通道数据和稀疏特征通道中确定目标特征通道数据;根据迭代特征对齐算法对目标特征通道数据进行跨域数据的特征分布对齐。

主权项:1.一种基于贝叶斯网络模型的脑电信号压缩编码方法,其特征在于,包括:获取脑电设备采集的原始脑电信号,对所述原始脑电信号进行多尺度分解,获取多组小波系数;对所述小波系数进行变换重构,获取目标脑电信号,对所述目标脑电信号进行信号分解,获取多个脑电分量信号;将每个所述脑电分量信号输入至待构建的贝叶斯网络模型,以使每个所述脑电分量信号分别与所述贝叶斯网络模型的任务特征节点、任务状态节点和任务并行节点连接;优化所述贝叶斯网络模型的节点连接权重,生成构建完成的目标贝叶斯模型,所述目标贝叶斯模型输出多个所述脑电分量信号对应的并行压缩任务关系;根据所述并行压缩任务关系将多个所述脑电分量信号划分为多个任务集群,获取每个所述任务集群在所述脑电设备中的定位结果;在所述原始脑电信号中提取出每个所述任务集群对应的原始分量信号,将所述任务集群和对应的所述原始分量信号输入至预置的压缩编码器,输出所述任务集群对应的目标任务负载数据,根据多个所述目标任务负载数据分别完成对多个所述原始分量信号的压缩编码;每组所述小波系数包括细节系数和粗近似系数;所述对所述原始脑电信号进行多尺度分解,获取多组小波系数,包括:对所述原始脑电信号基于预设小波基函数进行多级小波分解,获取每级所述小波分解对应的所述细节系数和粗近似系数;所述对所述小波系数进行变换重构,包括:根据多组所述小波系数的所述细节系数和粗近似系数,确定所述小波系数进行变换重构的重构计算公式;根据所述重构计算公式获取所述目标脑电信号;确定所述小波系数进行变换重构的重构计算公式,包括:假设经过J层小波分解得到细节系数{cD1',cD2',...,cDJ'}和粗近似系数{cAJ'},则小波重构的计算公式为:cA_j-1[k]=Σ_nh'[n-2k]cA_j[n]+Σ_ng'[n-2k]cD_j[n];其中h'[n]和g'[n]分别为低通和高通重构滤波器,它们与分解滤波器h[n]和g[n]存在对偶关系,满足正交性和双正交性条件;cA_j-1[k]是第j-1级的近似系数,通过对第j级近似系数cA_j[n]和细节系数cD_j[n]进行上采样、滤波和求和运算得到;重复该过程直至j=1,最终合成出时域信号x'[n]。

全文数据:

权利要求:

百度查询: 小舟科技有限公司 基于贝叶斯网络模型的脑电信号压缩编码方法及设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。