CN101932988A - 调整脑波信号识别方法的装置、方法以及程序 - Google Patents

调整脑波信号识别方法的装置、方法以及程序 Download PDF

Info

Publication number
CN101932988A
CN101932988A CN2009801039824A CN200980103982A CN101932988A CN 101932988 A CN101932988 A CN 101932988A CN 2009801039824 A CN2009801039824 A CN 2009801039824A CN 200980103982 A CN200980103982 A CN 200980103982A CN 101932988 A CN101932988 A CN 101932988A
Authority
CN
China
Prior art keywords
mentioned
brain wave
wave signal
branch
recognition methods
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2009801039824A
Other languages
English (en)
Other versions
CN101932988B (zh
Inventor
中田透
森川幸治
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Panasonic Holdings Corp
Original Assignee
Matsushita Electric Industrial Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Matsushita Electric Industrial Co Ltd filed Critical Matsushita Electric Industrial Co Ltd
Publication of CN101932988A publication Critical patent/CN101932988A/zh
Application granted granted Critical
Publication of CN101932988B publication Critical patent/CN101932988B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • A61B5/378—Visual stimuli
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Psychology (AREA)
  • Neurology (AREA)
  • Fuzzy Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Signal Processing (AREA)
  • Dermatology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Neurosurgery (AREA)
  • Evolutionary Computation (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Social Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

在为了识别目标选择分支而利用脑波波形数据时，能够消除对于用户来说烦杂的校准负担，并且将有关脑波的识别精度维持得较高。脑波识别方法调整装置用于调整设置在脑波接口系统中的脑波接口部的识别方法。该装置包括分类判断部和识别方法调整部。分类判断部，预先保持用于将脑波信号的特征进行类型化的基准数据，采用针对多个选择分支的脑波信号所共有的特征量以及基准数据，来判断测量出的脑波信号属于类型化后得到的多个分类中的哪一个。识别方法调整部，按照分类结果，调整针对用户所选择出的选择分支的脑波信号的识别方法。

Description

调整脑波信号识别方法的装置、方法以及程序
技术领域
本发明涉及能够利用脑波来操作设备的接口(脑波接口)系统。更具体地，本发明涉及用于实现如下功能的设备，即，为了准确解析由于个人的不同而有很大差异的脑波，在脑波接口系统中对脑波的识别方法进行调整。
背景技术
近年来，电视机、便携式电话、PDA(Personal Digital Assistant，个人数字助理)等各种各样的信息设备得到普及，正在进入人们的生活当中，所以用户有必要在日常生活的大多数情况下操作信息设备。通常，用户利用按压按钮、移动光标来决定、边看画面边操作鼠标等的输入机构(接口部)，来操作信息设备。但是，当例如在做家务、育儿、驾驶等这样双手由设备操作以外的作业所占用的状况下，难以利用接口部来进行输入，不能实现设备操作。因此，用户有较强烈的需求想要在所有状况下操作信息设备。
针对这样的需求，正在开发利用了用户的生物体信号的输入机构。例如，在非专利文献1中公开了采用脑波的事件关联电位(Event-RelatedPotential)来识别用户想要选择的选择分支的脑波接口技术。具体说明非专利文献1中记载的技术，随机地对选择分支进行强调(highlight)，以选择分支被强调的时刻为起点，利用大约300毫秒附近出现的事件关联电位的波形，实现对用户想要选择的选择分支的识别。根据该技术，即使在占用了双手的情况下，并且即使在由于生病等而手脚不能活动的情况下，用户也能够选择想要选择的选择分支，从而实现与上述需求一致的设备操作等接口。
这里，所谓“事件关联电位”是指，在时间上与外部或内部的事件相关联而产生的脑部的暂时性的电位变动。脑波接口利用以外部事件的产生时刻为起点来测量的该事件关联电位。例如，如果利用针对视觉刺激等而产生的事件关联电位的被称为P300的成分，就能够选择菜单的选择分支。所谓“P300”一般作为表示事件关联电位中的、与听觉、视觉、身体感觉等感觉刺激的种类无关的、自起点大约300毫秒附近出现的事件关联电位的阳性成分的特性来看待。
为了将事件关联电位应用到接口中，以较高的精度来识别对象的事件关联电位(例如P300成分)是非常重要的。为此，必须精度良好地来测量生物体信号，并通过适当的识别方法来精度良好地识别所测量到的生物体信号。
由于上述脑波波形的方式个人差异较大，所以为了将事件关联电位用作接口的输入机构，必须实现与该个人差异相应的精度较高的识别。图19中示出非专利文献2的32页所披露的图。图19表示对36名被实验者实施了针对视觉刺激的分辨课题的情况下的脑波的个人差异的一个例子。在各被实验者的曲线中表示针对2种状况的脑波，分别用实线和虚线来表示。由图19可知，由于个人差异的不同从而波形以及峰值位置中的振幅有较大不同，所以可以说按照单一的基准难以精度良好地进行所有用户的识别。
作为用于精度良好地识别个人差异较大的脑波的方法，考虑有事先进行针对各用户的系统调整(即校准)的方法。采用图20(a)具体说明。图20(a)示出校准的过程。对用户使用脑波接口前，实施对脑波接口进行假想操作的作业。例如，在使用户实施采用脑波接口从4个选择分支中选择1个选择分支的作业的情况下，依次或随机强调4个选择分支，以选择分支被强调的时刻作为起点，得到4个脑波波形数据(步骤41)。同时，也得到表示用户想要选择的选择分支(目标选择分支)是哪个选择分支的答案数据(步骤42)。并且，采用针对该答案数据所记述的目标选择分支的脑波波形数据的特征，按每个用户调整成最佳的识别方法(步骤43)，根据调整后的识别方法，在用户实际使用脑波接口时，识别用户想要选择的选择分支(步骤44)。
例如，在专利文献1中，公开了如下技术，即，考虑在事件关联电位的成分中出现的个人差异，按每个用户来调整识别方法，从而提高识别率。该技术不是按照单一的基准来进行所有用户的识别，而是根据通过事先的校准而获取的每个用户的脑波，当识别时按每个用户来提取并存储最佳的事件关联电位的成分，采用该成分来识别用户想要选择的选择分支。这里，作为按每个用户最佳的事件关联电位的成分，除了P300成分以外，可以列举P200成分、N200成分、或这些成分的组合。在专利文献1中，所谓P200成分是指，自起点大约200毫秒附近出现的事件关联电位的阳性成分，所谓N200成分是指自起点大约200毫秒附近出现的事件关联电位的阴性的成分。
专利文献1：日本特开2005-34620公报
专利文献2：日本特开平7-108848公报
非专利文献1：エマニユエル·ドンチン(Emanuel Donchin)，另外2名，“The Mental Prosthesis：Assessing the Speed of a P300-Based Brain-Computer Interface”、IEEE TRANSACTIONS ON REHABILITATIONENGINEERING、Vol.8、No.2、2000年6月
非专利文献2：人戸野宏、「心理学のたあの事象関連電位ガイドブツク」、北大路書房、2005年9月20日発行、32頁(入户野宏，“心理学用事件关联电位指南”，北大路书房，2005年9月20日发行，32页)
但是，在专利文献1中，作为用于提取并存储个人差异的实验，每个被实验者实施100次实验(0050段)。记述了1次实验所需要的时间大约为1分钟，所以校准整体也需要大约100分钟的时间。例如，用户购入某民生设备，在实际使用时，事先必须执行所需时间为100分钟的校准，对于用户来说，负担较大，花费劳力和时间。
此外，在并非个人占有的设备，而是例如车站的售票机或银行的ATM、医院的候诊系统等这样的不确定多数用户所利用的系统、或利用时间受限的系统中应用脑波接口时，针对利用脑波接口的用户一个人一个人地花费时间来进行校准，这一点在对于用户来说成为负担的同时，从系统运用的观点来看，效率也非常低，从而是不现实的。
所以，在将脑波接口搭载到民生设备上时、或应用于不确定多数的用户所利用的系统中时，必须能够通过消除校准的劳力和时间，从而用户能够轻松利用、且精度良好地进行工作，从而发挥原本的功能。
另一方面，开发出了如下技术，即，将测量出的脑波波形数据分类为预先准备的分类体系，并基于该分类结果决定处理。例如，在专利文献2中，根据驾驶者的脑波波形数据来计算每单位时间的α波、快波(fastwave)、慢波(slow wave)的数目，并根据该数值，分类为预先准备的分类体系即“正常”、“发呆”、“轻度睡意”、“睡着”中的某一个。并且，按照该分类结果来决定针对驾驶者的“无刺激”、“有刺激(香味)”、“有刺激(气压)”、“有刺激(蜂鸣音)”的处理。
这里，考虑如下方法，即，在用于设备操作选择的脑波接口中，为了消除校准中用户的负担，并且精度良好地进行识别，根据脑波波形数据分类为预先准备的分类体系中的某一个，并按照该分类结果来调整识别方法。
但是，在这样的方法中存在课题。采用图20(b)说明该课题。图20(b)表示对用户的脑波波形数据进行分类并进行校准的过程。例如，并非在事先的校准时，而是在用户实际上要采用脑波接口从4个选择分支中选择1个选择分支时，得到4个脑波波形数据(步骤45)。在该4个脑波波形数据中包括：1个针对用户想要选择的选择分支(目标选择分支)的脑波波形数据、和3个针对这以外的选择分支(非目标选择分支)的脑波波形数据。根据这些脑波波形数据分类为预先准备的分类体系中的某一个类型(步骤46)，并按照该分类结果调整为最佳的识别方法(步骤47)，根据调整后的识别方法来识别用户想要选择的选择分支(步骤48).
上述类型分类(步骤46)必须是对针对各个选择分支的脑波波形数据(图20(b)的例子中是4个脑波波形数据)中的、针对目标选择分支的脑波波形数据的特征进行了反映的分类。这是因为，如果是反映了这以外的脑波波形数据的特征的分类，则不能准确实施这之后的处理即用于精度良好地识别目标选择分支的识别方法的调整。这一点可以从如下明白，即，如果在图20(a)的例子中没有输入正确的答案数据，即不能正确提取针对目标选择分支的脑波波形数据的特征，则不能进行准确的识别方法的调整。
但是，实际上在利用脑波接口时，由于不存在表示哪个是针对目标选择分支的脑波波形数据的答案数据，所以在进行上述类型分类的时刻不能确定针对目标选择分支的脑波波形数据。由此，不能准确实施类型分类或识别方法的调整，不能将该结果识别精度维持得较高。因此，为了准确实施类型分类和识别方法的调整，必须根据针对不能确定目标选择分支的多个选择分支的脑波波形数据，来推测针对目标选择分支的脑波波形数据的特征。
上述课题在并不是按照专利文献2的现有技术那样在分类后利用脑波波形数据的情况下就不成为问题。另一方面，如上述那样，为了在分类后也基于该分类结果来识别目标选择分支而利用脑波波形数据的情况下会成为问题。
发明内容
本发明的目的在于，在为了识别目标选择分支而利用脑波波形数据的情况下，基于用户的脑波波形来准确实施类型分类以及识别方法的调整，消除对于用户来说烦杂的校准负担，并且将关于脑波的识别精度维持得较高。
基于本发明的调整装置用于脑波接口系统中，上述脑波接口系统具有：输出部，其在画面上提示与设备的工作相关联的多个选择分支，并对各选择分支进行强调；脑波测量部，其对用户的脑波信号进行测量；以及脑波接口部，其根据以各选择分支被强调的各时刻作为起点的上述脑波信号的事件关联电位，采用预先决定的规定的识别方法，识别针对上述用户想要选择的选择分支的事件关联电位，并决定设备的工作；该调整装置用于调整上述脑波接口部的上述识别方法。上述识别方法是按照上述脑波信号是否与预先决定的基准一致，来识别上述事件关联电位的成分的方法。上述调整装置包括：分类判断部，其预先保持用于将脑波信号的特征进行类型化的基准数据，采用上述基准数据以及针对上述多个选择分支的脑波信号所共有的特征量，来判断测量出的上述脑波信号属于类型化后得到的多个分类中的哪一个；以及识别方法调整部，其按照上述分类结果，调整针对上述用户所选择出的选择分支的脑波信号的识别方法。
优选上述分类判断部使用的针对多个选择分支的脑波信号是针对由上述输出部提示的所有的选择分支的脑波信号。
上述分类判断部保持针对上述多个选择分支的脑波信号的规定的频段的功率谱的平均值以及/或规定的时间长度和频段的小波系数的平均值，作为针对上述所有多个选择分支的脑波信号所共有的特征量。
优选上述分类判断部采用8Hz至15Hz的频段的功率谱的平均值，来判断上述脑波信号的N200成分的大小。
优选上述分类判断部采用200毫秒至250毫秒的时间长度以及8Hz自15Hz的频段的小波系数的平均值，来判断P200成分的大小。
优选上述识别方法调整部按照分类结果，来对与在识别针对上述用户所选择出的选择分支的脑波信号时采用的上述脑波信号的P300成分、P200成分以及N200成分相对应的权重系数进行调整。
优选上述识别方法调整部按类型化后得到的上述多个分类中的每一个分类，来保持在针对上述用户所选择出的选择分支的脑波信号的识别中使用的模板，并通过利用与分类结果相应的模板，来调整上述脑波信号的识别方法。
优选上述识别方法调整部通过按照分类结果来选定在识别针对上述用户所选择出的选择分支的脑波信号时使用的示教数据，来调整上述脑波信号的识别方法。
基于本发明的方法用于脑波接口系统中，上述脑波接口系统具有：输出部，其在画面上提示与设备的工作相关联的多个选择分支，并对各选择分支进行强调；脑波测量部，其对用户的脑波信号进行测量；以及脑波接口部，其根据以各选择分支被强调的各时刻作为起点的上述脑波信号的事件关联电位，采用预先决定的规定的识别方法，识别针对上述用户想要选择的选择分支的事件关联电位，并决定设备的工作；该方法用于调整上述脑波接口部的上述识别方法。上述识别方法是按照上述脑波信号是否与预先决定的基准一致，来识别上述事件关联电位的成分的方法。基于本发明的上述方法包括：准备用于将脑波信号的特征进行类型化的基准数据的步骤；采用上述基准数据以及针对上述多个选择分支的脑波信号所共有的特征量，来判断测量出的上述脑波信号属于类型化后得到的多个分类中的哪一个的步骤；以及按照上述分类结果，调整针对上述用户所选择出的选择分支的脑波信号的识别方法的步骤。
基于本发明的计算机程序用于脑波接口系统中，上述脑波接口系统具有：输出部，其在画面上提示与设备的工作相关联的多个选择分支，并对各选择分支进行强调；脑波测量部，其对用户的脑波信号进行测量；以及脑波接口部，其根据以各选择分支被强调的各时刻作为起点的上述脑波信号的事件关联电位，采用预先决定的规定的识别方法，识别针对上述用户想要选择的选择分支的事件关联电位，并决定设备的工作；基于本发明的计算机程序用于调整上述脑波接口部的上述识别方法。上述识别方法是按照上述脑波信号是否与预先决定的基准一致，来识别上述事件关联电位的成分的方法。上述计算机程序使安装在上述脑波接口系统中的计算机执行以下步骤：预先保持用于将脑波信号的特征进行类型化的基准数据的步骤；采用上述基准数据以及针对上述多个选择分支的脑波信号所共有的特征量，来判断测量出的上述脑波信号属于类型化后得到的多个分类中的哪一个的步骤；以及按照上述分类结果，调整针对上述用户所选择出的选择分支的脑波信号的识别方法的步骤。
基于本发明的调整装置用于脑波接口系统中，上述脑波接口系统具有：输出部，其在画面上提示与设备的工作相关联的多个选择分支，并对各选择分支进行强调；脑波测量部，其对用户的脑波信号进行测量；以及脑波接口部，其根据以各选择分支被强调的各时刻作为起点的上述脑波信号的事件关联电位，采用预先决定的规定的识别方法，识别针对上述用户想要选择的选择分支的事件关联电位，并决定设备的工作；该调整装置用于调整上述脑波接口部的上述识别方法。上述识别方法是按照上述脑波信号是否与预先决定的基准一致，来识别上述事件关联电位的成分的方法。上述调整装置包括：特征量提取部，其(i)根据针对上述选择分支的脑波信号，选择2个以上的选择分支的脑波信号，(ii)预先保持基准数据，并提取上述基准数据以及上述选择出的脑波信号所共有的特征量；以及识别方法调整部，其在识别针对上述用户所选择出的选择分支的脑波信号时，按照进行与求出的上述特征量相应的加权的方式，调整针对上述用户所选择出的选择分支的脑波信号的识别方法。
基于本发明的方法用于脑波接口系统中，上述脑波接口系统具有：输出部，其在画面上提示与设备的工作相关联的多个选择分支，并对各选择分支进行强调；脑波测量部，其对用户的脑波信号进行测量；以及脑波接口部，其根据以各选择分支被强调的各时刻作为起点的上述脑波信号的事件关联电位，采用预先决定的规定的识别方法，识别针对上述用户想要选择的选择分支的事件关联电位，并决定设备的工作；该方法用于调整上述脑波接口部的上述识别方法。上述识别方法是按照上述脑波信号是否与预先决定的基准一致，来识别上述事件关联电位的成分的方法。基于本发明的上述方法包括：根据针对上述选择分支的脑波信号，选择2个以上的选择分支的脑波信号的步骤；预先保持基准数据，并提取上述基准数据以及上述选择出的脑波信号所共有的特征量的步骤；以及在识别针对上述用户所选择出的选择分支的脑波信号时，按照进行与求出的上述特征量相应的加权的方式，调整针对上述用户所选择出的选择分支的脑波信号的识别方法的步骤。
基于本发明的计算机程序用于脑波接口系统中，上述脑波接口系统具有：输出部，其在画面上提示与设备的工作相关联的多个选择分支，并对各选择分支进行强调；脑波测量部，其对用户的脑波信号进行测量；以及脑波接口部，其根据以各选择分支被强调的各时刻作为起点的上述脑波信号的事件关联电位，采用预先决定的规定的识别方法，识别针对上述用户想要选择的选择分支的事件关联电位，并决定设备的工作；该计算机程序用于调整上述脑波接口部的上述识别方法。上述识别方法是按照上述脑波信号是否与预先决定的基准一致，来识别上述事件关联电位的成分的方法。上述计算机程序使安装在上述脑波接口系统中的计算机执行以下步骤：根据针对上述选择分支的脑波信号，选择2个以上的选择分支的脑波信号的步骤；预先保持基准数据，并提取上述基准数据以及上述选择出的脑波信号所共有的特征量的步骤；以及在识别针对上述用户所选择出的选择分支的脑波信号时，按照进行与求出的上述特征量相应的加权的方式，调整针对上述用户所选择出的选择分支的脑波信号的识别方法的步骤。
发明效果
根据本发明，在具备利用脑波对从多个选择分支中用户想要选择的选择分支进行识别的接口的系统中，采用针对所有选择分支的脑波信号，分类为预先准备的分类体系中的某一个类型，并按照该分类结果调整为最佳识别方法。
其结果，由于不必执行针对用户的校准，所以能够大幅减轻给用户的负担以及劳力和时间，并且通过按照分类后的类型调整识别方法，能够将识别精度维持得较高。
附图说明
图1是表示将电视机和安装型的脑波计组合起来的例子中的脑波接口系统1的结构以及利用环境的图。
图2是表示实施方式1的脑波接口系统1的功能模块结构的图。
图3是表示脑波接口1的处理过程的流程图。
图4(a)～(d)是在脑波接口系统1中用户10对想要视听的类别的节目进行选择时的画面的迁移图。
图5是表示实验的结果即按每个被实验者对从各个被实验者01～13得到的脑波波形数据进行相加平均后得到波形的图。
图6是表示对于图5所示的每个被实验者的脑波波形数据，基于300毫秒以前的P200成分以及N200成分的大小，来对个人的脑波的特征进行类型化后得到的分类体系的图。
图7(a)～(d)是表示分类后的每个类型的脑波波形数据的总相加平均波形的图。
图8是表示与图6所示的分类体系的N200成分为“Large”的被实验者组(7名)和为“Small”的被实验者组(6名)相对应的脑波波形数据的功率谱的图。
图9是按每个被实验者来描绘出图6所示的分类体系的P200成分为“Large”、“Middle”、“Small”的等级、与脑波波形数据的规定的时间频率成分以及频段的小波系数之间的关系的图。
图10是表示分类判断部14的分类处理过程的图。
图11是表示以实验结果为基础作成的类型分类用的基准数据的一部分的图。
图12是表示识别方法调整部15的处理过程的流程图。
图13是表示与每个类型的P300成分以及P200成分、N200成分相对应的权重系数的图。
图14(a)及(b)是表示类型A的情况的示教数据的例子的图。
图15是表示3个条件的目标选择分支的识别率的全体被实验者平均值的图。
图16是表示图15的详细内容即类型A的被实验者、类型D的被实验者、其他被实验者的各个情况下的识别率的图。
图17是对于类型分类中使用的特征量，针对如下3个条件，表示类型A和类型D的被实验者的识别率的图，其中，该3个条件为：(b)使用功率谱和小波系数两者的情况、(b-1)仅使用功率谱的情况、(b-2)仅使用小波系数的情况。
图18是表示实施方式2的脑波接口系统3的功能模块结构的图。
图19是表示对36名被实验者实施针对视觉刺激的分辨课题的情况下的脑波的个人差异的一个例子的图。
图20(a)是表示校准的过程的图，(b)是表示对用户的脑波波形数据进行分类并进行校准的过程的图。
符号说明：
1脑波接口系统
2脑波识别方法调整装置
11输出部
12脑波测量部
13脑波IF部
14分类判断部
15识别方法调整部
具体实施方式
以下，参照附图，说明本发明的脑波接口系统以及脑波识别方法调整装置的实施方式。
首先，说明本发明的脑波接口系统以及脑波识别方法调整装置的主要特征的概况。之后，说明脑波接口系统的各实施方式。
本申请发明者们设想在将来在将安装型的脑波计和安装型的显示器组合起来的环境中构建接口系统。用户始终安装脑波计和显示器，能够利用安装型显示器来进行内容的视听和画面的操作。此外，其他还设想在对家庭用的电视机和安装型的脑波计组合起来的家庭内等的环境下也构建脑波接口系统。当用户看电视时，能够安装脑波计来进行内容的视听和画面的操作。
例如图1表示后者例子的本申请发明者们设想的脑波接口系统1的结构以及利用环境。该脑波接口系统1对应后面实施方式1的系统结构进行例示。
脑波接口系统1是用于提供利用用户10的脑波信号来操作电视机11的接口的系统。如果电视机11中显示的多个选项分支一个一个地被强调，则以各强调作为起点在用户10的脑波的事件关联电位中出现影响。用户10的脑波信号通过用户安装在头部的脑波测量部12来获取，并利用无线或有线方式向脑波IF部13发送。电视机11中内置的脑波IF部13利用用户10的脑波的事件关联电位，识别用户想要选择的选择分支。其结果，能够按照用户的意图来进行频道切换等处理。
在脑波接口系统1的脑波接口(IF)部13(后述)中预先决定规定的识别方法。所谓该“识别方法”是指，按照脑波信号是否与预先决定的基准一致来识别事件关联电位的成分。
为了利用用户10的脑波的事件关联电位来识别用户想要选择的选择分支，必须按照用户来使识别方法最优化。
本实施方式的内置于电视机11中的脑波识别方法调整装置2根据脑波波形数据将个人的脑波的特征分类为类型化后得到的分类体系中的某一个类型，并按照该分类结果，进行将在脑波IF部13中利用的识别方法调整为最佳的处理。此时，不只是使用特定的选择分支被强调时的脑波信号，而是使用针对所有选择分支的脑波信号所共有的特征量。对应预先决定的分类体系，准备例如2个脑波波形的模板(template)(示教数据)。一个是在想要选择的选择分支被强调时出现的示教数据，另一个是在不想选择的选择分支被强调时出现的示教数据。对获取的脑波波形数据和这些各示教数据进行比较，通过评价接近哪个，能够判断在测定该脑波波形时，用户是否选择了被强调的选择分支。
脑波波形的出现方式个人差异较大，本申请发明者们找到多个用户的脑波波形所共有的特征，按该每个特征进行分类，并且按照分类来设置能够识别该特征的示教数据。由此，能够按照分类结果，采用对于该用户来说最佳的识别方法。
本申请发明者们按所有选择分支的每一个利用在1次(或多次的较少次数)刺激下获取的事件关联电位的N200成分以及P200成分(后述)进行分类。本申请发明者们发现，如果依据频段的功率谱(power spectrum)的平均值以及频段的小波系数(wavelet coefficient)的平均值来进行分类，就会有效果。
(实施方式1)
以下，详细说明本申请发明的实施方式。
图2表示本实施方式的脑波接口系统1的功能模块结构。脑波接口系统1具有：输出部11、脑波测量部12、脑波IF部13、以及脑波识别方法调整装置2。脑波识别方法调整装置2由分类判断部14和识别方法调整部15构成。为了说明方便而示出用户10的模块，其并不是脑波接口系统1本身的构成。
输出部11向用户输出内容以及脑波接口中的应当选择的菜单。图1所示的电视机11是输出部的具体例子，以下将参照符号11安排给输出部来进行说明。输出部11在输出的内容为动画或静止画的情况下，对应显示器画面，在输出的内容中包含声音的情况下，并用显示器画面以及扬声器来作为输出部11。
脑波测量部12是通过对安装在用户10的头部的电极中的电位变化进行测量来检测脑波信号的脑波计。脑波计也可以是图1所示这样的头戴式脑波计。用户10预先安装脑波计。
当安装在用户10的头部时，在脑波测量部12中配置电极，并与该头部的规定位置相接触。电极的配置，例如是Pz(正中头顶)、A1(耳朵)、以及用户10的鼻根部。其中，电极最低2个即可，例如仅在Pz和A1处就能进行电位测量。该电极位置由信号测定的可靠性以及安装的容易程度等来决定。
其结果，脑波测量部12能够测定用户10的脑波。测定出的用户10的脑波被取样，以便能够由计算机进行处理，并被发送至脑波IF部13。另外，为了减少混入脑波的噪声的影响，在本实施方式的脑波测量部12中测量的脑波例如进行15Hz的低通滤波处理。
脑波IF部13经由输出部11向用户提示设备操作相关的接口画面，依次或随机对在接口画面上的多个选择分支进行强调，根据由脑波测量部12测量出的脑波波形数据来识别用户想要选择的选择分支。以下，在本实施方式中，将用户想要选择的选择分支称为“目标选择分支”，将目标选择分支以外的选择分支称为“非目标选择分支”。
另外，在以下说明中，所谓“选择分支”是作为想看的节目的候选来说明的(图4(b)中的“棒球”、“天气预报”、“动画”、“新闻”)。但是，这是一个例子。如果多个与操作对象设备中的能够选择的操作相对应的项目存在，则各项目相当于本说明书中所说的“选择分支”。“选择分支”的表示方式是任意的。
参照图3以及图4来说明图2所示的脑波接口1的处理过程。图3是表示脑波接口系统1的处理的过程的流程图。此外，图4(a)～(d)是在脑波接口系统1中用户10对想要视听的类别的节目进行选择时的画面的迁移图。
在步骤S61中，脑波IF部13使用SSVEP，判断脑波接口的启动，经由输出部11来提示接口画面。所谓SSVEP(Steady State Visual EvokedPotential)含义是稳定视觉诱发电位。
例如，在用户10视听内容时，在电视机上显示图4(a)这样的选择前的画面51(此时是新闻)。在右下显示的菜单52按照特定的频率闪烁。如果用户10看到该菜单52，则就可知特定的频率成分与脑波重叠。因此，通过识别脑波信号中的闪烁周期的频率成分的功率谱，就能够判断该菜单52是否被看到，并能够启动脑波接口。所谓脑波接口的启动是指使用于利用脑波进行选择等的接口的工作开始。
另外，SSVEP表示例如如下文献中记载的事物：Xiaorong Gao，“ABCI-Based Environmental Controller for the Motion-Disabled”，IEEETransaction on Neural Systems and Rehabilitation Engineering，Vol.11，No.2，June 2003。
通过启动脑波接口，显示图4(b)所示的接口画面53。画面上提示“想要观看哪个节目？”这样的问题、和想要看的节目的候选即选择分支。在该例子中，显示“棒球”53a“天气预报”53b“动画”53c“新闻”53d这4种。
再参照图3。在步骤S62中，脑波IF部13经由输出部11依次或随机地强调接口画面53的各个选择分支。在图4(b)的例子中，示出从画面53上按“棒球”53a、“天气预报”53b、“动画”53c、“新闻”53d的顺序进行强调的情形。此时的强调的切换时间的间隔为350毫秒。另外，强调是接口画面上的选择分支的亮度、色调以及大小的变化中的至少1种即可，此外，也可以取代强调，或与强调一起利用采用了辅助箭头的按钮来提示选择分支。
在步骤S63中，脑波IF部13在由脑波测量部12测量出的脑波信号中、以各选择分支被强调的时刻为起点，截取-100毫秒至600毫秒的脑波波形数据。
在步骤S64中，脑波IF部13进行截取出的脑波波形数据的基线(baseline)修正。例如，以选择分支被强调的时刻为起点，利用-100毫秒至0毫秒的平均电位来修正基线。
在步骤S65中，脑波IF部13判断接口画面53的所有选择分支的强调是否结束。未结束时返回S62，结束时进入S66。
另外，在事件关联电位的研究中，一般，大多数情况下是相同的选择分支被强调N次(例如5次、10次、20次)(例如选择分支为4个时，总计强调4×N次)。并且，通过求出每个同一选择分支的相加平均来进行目标选择分支的识别。由此，能够抵消随机的大脑的活动电位，能够检测具有固定潜伏时间和极性的事件关联电位(例如P300成分、P200成分、N200成分)。
另外，虽然相同选择分支被强调N次(N：2以上的整数)时识别精度变高，但是必须花费与该处理次数相应的时间。由此，在不确定多数的用户利用脑波接口系统1的情况下，对相同选择分支仅强调不多的次数(例如2、3次)即可，也可以只强调1次。在求每个同一选择分支的相加平均时，对相加次数(强调次数)没有限定。
在步骤S66中，脑波识别方法调整装置2使用针对所有的选择分支的脑波波形数据所共有的特征量，将个人的脑波特征分类为类型化后得到的分类体系中的某一个类型，并按照该分类结果进行调整到最佳的识别方法的处理。处理的详细情况参照图10以及图12的分类判断部14以及识别方法调整部15的处理过程，并在后面说明。
在步骤S67中，脑波IF部13接受脑波识别方法调整装置2中的类型分类以及与其相应的识别方法的调整结果，并从多个选择分支之中进行目标选择分支的识别。这里，目标选择分支的识别使用与在类型分类中使用的脑波信号相同的信号。由于能够使用相同的脑波信号进行类型分类和选择分支的识别，所以能够提高识别精度，而不必进行伴随选择分支的识别的校准。
图4(c)示出根据针对4个选择分支的脑波波形数据54a～54d将脑波波形数据54b识别为目标选择分支的情形。在识别时，脑波IF部13可以基于每个被强调的选择分支的、某区间的脑波波形数据的区间平均电位来进行选择，或者基于与模板的相关系数的值进行选择。此外，也可以基于线性判别分析或非线性判别分析的后验概率的值来进行选择。上述各种方法有关的详细情况在进行识别方法的调整的识别方法调整部15的说明之后再次说明。
在图3的步骤S68中，脑波IF部13为了执行识别出的选择分支的工作，使适当的设备执行该动作。图4(d)的例子中，脑波IF部13对输出部(TV)11指示将频道切换为“天气预报”，输出部(TV)11执行该处理。
分类判断部14在图3所示的处理步骤S66中，通过从脑波IF部13接收作为分类对象的脑波波形数据，来开始处理。图4(c)的例子中，接收针对被强调的4个选择分支的脑波波形数据54a～54d。进而使用针对接收到的所有的选择分支的脑波信号所共有的特征量，将个人的脑波特征分类为类型化后得到的分类体系中的某一个类型。所谓“针对所有的选择分支的脑波信号所共有的特征量”是表示使用针对所有的选择分支的脑波波形来获取的波形的特征。具体的计算处理在后面说明。
识别方法调整部15按照分类判断部14的分类结果，进行用于精度良好地识别目标选择分支的识别方法的调整，并将调整结果发送至脑波IF部13.
这里，针对实施上述类型分类时的分类体系，以本申请发明者们实施的脑波接口的实验结果为基础来具体说明。
被实验者是男性9名、女性4名共计13名，平均年龄为26±6.5岁。向被实验者在监视器中提示图4(b)中所示的包含4个选择分支在内的接口画面，使其承担如下课题，即，看到按每350毫秒被强调的选择分支，在被指定的选择分支(目标选择分支)被强调之后立即在头脑中认为是“那个”。选择分支的强调是按照随机顺序对4个选择分支进行各5次(即相加次数为5次)共计20次的重复，将这作为1次实验。此外，目标选择分支的指定按照从上开始“棒球”53a“天气预报”53b“动画”53c“新闻”53d这样的顺序，对各被实验者分别实施了10次(共计40次)实验。
此外，被实验者安装脑波计(テイアツク、ポリメイトAP-1124，Polymate AP-1124 by Teac Corporation)，电极的配置采用国际10-20电极法，导出电极为Pz(正中头顶)、基准电极为A1(右耳朵)、接地电极为前额部。对按照取样频率200Hz、时间常数3秒来测量出的脑波波形数据实施15Hz的低通滤波处理，以选择分支的强调为起点，截取-100毫秒至600毫秒的脑波波形数据，利用-100毫秒至0毫秒的平均电位进行基线修正。
图5表示上述实验结果，即按每个被实验者，对从每个被实验者01～13获取的脑波波形数据进行相加平均。横轴是以选择分支的强调为0毫秒的时间(潜伏时间)，单位是毫秒，纵轴是电位，单位是μV。实线是针对目标选择分支的脑波波形数据的平均波形(40次实验，总相加次数是40×5＝200次)，点线表示针对非目标选择分支的脑波波形数据的平均波形(3选择分支的40次实验，总相加次数是3×40×5＝600次)。
根据图5所示的每个被实验者的脑波波形数据，作为针对目标选择分支的脑波波形数据(实线)的特征，在潜伏时间为300毫秒以后的、特别是在400毫秒附近为阳性这一点上是共同的。但是，可知，100毫秒至300毫秒的目标选择分支的脑波波形数据的特征按每个被实验者不同。例如，针对被实验者01的目标选择分支的脑波波形数据在200毫秒后附近出现较大的阳性成分，针对被实验者12的目标选择分支的脑波波形数据在200毫秒前附近出现较大的阴性成分。
图6是对于图5所示的每个被实验者的脑波波形数据，示出基于300毫秒以前的P200成分以及N200成分的大小对个人的脑波特征进行类型化后得到的分类体系。横轴表示P200成分的大小，纵轴表示N200成分的大小。P200成分以及N200成分的大小根据图5所示的目标选择分支以及非目标选择分支双方来求出。
具体来说，所谓“P200成分”是指，从针对目标选择分支的脑波波形的200毫秒至300毫秒的平均电位中减去针对目标选择分支的脑波波形的200毫秒至300毫秒的平均电位之后的结果。将这样求出的P200成分的大小为10μV以上的情况作为“Large”，为1μV以上不足10μV的情况作为“Middle”，为不足1μV的情况作为“Small”。这样得到的电位是“针对所有的选择分支的脑波信号所共有的特征量”的一个例子。
另一方面，所谓“N200成分”指的是，从针对非目标选择分支的脑波波形数据的100毫秒至200毫秒的平均电位中减去针对目标选择分支的脑波波形数据的100毫秒至200毫秒的平均电位后得到结果。将这样求出的N200成分的大小为1.4μV以上的情况作为“Large”，为不足1.4μV的情况作为“Small”。
另外，当计算P200成分以及N200成分时，采用脑波波形的200毫秒至300毫秒是一个例子。例如也可以采用脑波波形的200毫秒至250毫秒的脑波波形来计算P200成分。同样地，当计算N200成分时，采用脑波波形的100毫秒至200毫秒也是一个例子。
图6还根据上述的分类基准表示对图5所示的每个被实验者的脑波波形数据进行分类后得到的结果。与P200成分为“Large”且N200成分为“Small”相当的被实验者为2名，这是类型A。与P200成分为“Middle”且N200成分为“Small”相当的被实验者为4名，这是类型B。与P200成分为“Middle”且N200成分为“Large”相当的被实验者为3名，这是类型C。与P200成分为“Small”且N200成分为“Large”相当的被实验者为4名，这是类型D。此外，与P200成分和N200成分双方都为“Large”或“Small”相当的被实验者在本实验中不存在。
图7是表示上述分类后的每个类型的脑波波形数据的总相加平均波形。横轴是以选择分支的强调为0毫秒的时间(潜伏时间)，单位是毫秒，纵轴是电位，单位是μV。实线表示针对目标选择分支的脑波波形数据，点线表示针对非目标选择分支的脑波波形数据。
从图7可知，在类型A中P200成分出现较大，在类型D中，N200成分出现较大。分类判断部14基于用户的脑波波形，将该波形分类为上述分类体系中的某一个类型。
进一步具体说明以本申请发明者们实施的脑波接口的实验结果为基础新确定的、在类型分类中使用的特征量。本申请发明者们对基于目标选择分支的脑波波形数据的特征的上述分类体系、和所有选择分支的脑波波形数据所共有的特征量之间的关系实施了各种分析。其结果，能够确定具有较强的相关关系的2个特征量。通过找到具有该较强的相关关系的特征量，能够如专利文献1那样，提高精度，而不必事先进行校准。
即，不必进行事先的校准，且不必提取多个目标选择分支的波形特征并进行分类，利用针对包括目标选择分支以及非目标选择分支在内的任意选择分支的脑波信号，就能够提高精度。
以前，确定目标选择分支，从该脑波波形中提取特征量。但是，通过找到针对包括非目标选择分支在内的所有选择分支的脑波波形中出现的特征量，就不必确定目标选择分支，利用从任意选择分支的脑波波形中提取出的用户的特征，就能够提高精度。以下详细说明。
首先，图8中示出针对图6所示的分类体系的N200成分为“Large”的被实验者组(7名)和为“Small”的被实验者组(6名)的脑波波形数据的功率谱。横轴是频率，单位是Hz，纵轴是功率谱，单位是(μV)2/Hz。根据时间序列的脑波波形数据通过傅立叶变换来求出频率成分数据。功率谱值按照频率成分数据和其复数共轭之积来计算。
图8中的实线表示N200成分为“Large”的被实验者组。实线上的“○”表示7名的包括目标选择分支以及非目标选择分支在内的所有脑波波形数据的功率谱的平均值，上下通过“○”的双箭头表示每个被实验者的偏差。点线表示N200成分为“Small”的被实验者组。虚线上的“×”表示6名的包括目标选择分支和非目标选择分支在内的所有脑波波形数据的功率谱的平均值，上下通过“×”的双箭头表示每个被实验者的偏差。
由图8可知，在各频率中，对“Large”的被实验者组和“Small”的被实验者组进行统计上的显著差异(significant difference)检测即t检测的结果是，在频率为8Hz至15Hz附近的区间，N200成分为“Large”的被实验者组与为“Small”的被实验者组相比，包括目标选择分支和非目标选择分支在内的所有脑波波形数据的功率谱的平均值变得显著地低(显著水平P＝0.05)。在5％的显著水平下有显著差异是指，在2个组的数据之间在统计上95％的可靠性下存在具有意义的差异。
通过利用上述关系，即使不能在针对多个选择分支的脑波波形数据中、对针对目标选择分支的脑波波形数据进行确定，也能够根据针对所有的脑波波形数据的上述频段的功率谱的平均值来对N200成分为“Large”的被实验者、还是为“Small”的被实验者进行分类。
图8的例子的情况下，N200成分为“Large”或“Small”的被实验者中的、频率为8Hz至15Hz附近的区间的平均功率谱值分别为1.6和3.6，所以阈值例如为其中间值2.6。不足阈值2.6的情况下是“Large”的被实验者，阈值2.6以上的情况下是“Small”的被实验者。例6的例子中，能够对为类型A或B的被实验者、还是为类型C或D的被实验者进行分类。
下面，在图9中按每个被实验者示出对图6所示的分类体系的P200成分为“Large”、“Middle”、“Small”的等级、和脑波波形数据的时间频率成分、具体来说是200毫秒至250毫秒的时间长度以及8Hz至15Hz附近的频段的小波系数之间的关系进行了描绘的结果。左边的小波系数表示将小波母函数(mother wavelet)作为墨西哥帽(Mexican Hat)的情况。纵轴是P200成分的等级，“Large”时是3(对象被实验者是2名)，“Middle”时是2(对象被实验者是7名)，“Small”时是1(对象被实验者是4名)。横轴是按每个被实验者包括目标选择分支和非目标选择分支在内的所有脑波波形数据的小波系数的平均值。
在图9中，可知，进行了线性回归分析的结果是，与近似式y＝0.1586x+1.6673近似，在P200成分的等级(y)和小波系数(x)之间存在较强的相关关系(相关系数R＝0.83)。所谓相关系数是指，表示2个变量之间的相关(类似性程度)的统计指标，含义是一般在绝对值为0.7以上的情况下存在较强的相关。
通过利用上述关系，即使不能对针对多个选择分支的脑波波形数据中、针对目标选择分支的脑波波形数据进行确定，也能够根据针对所有的脑波波形数据的上述的时间长度以及频段的小波系数的平均值来对P200成分为“Large”的被实验者、还是为“Middle”的被实验者、还是为“Small”的被实验者进行分类。
图9的例子的情况下，将与上述近似式的P200成分的等级(y)＝2.5(“Large：3”和“Middle：2”的中间值)以及1.5(“Middle：2”和“Small：1”的中间值)相对应的x＝5.2以及-1.0分别作为阈值。小波系数(x)为阈值5.2以上时是“Large”的被实验者，为阈值-1.0以上不足5.2时是“Middle”的被实验者，为不足阈值-1.0时是“Small”的被实验者。另外，上述例子中，以中间值作为阈值进行说明，但这是个例子。如果是在“Large：3”和“Middle：2”之间，以及在“Middle：2”和“Small：1”之间，不是中间值也可以。
基于上述近似式以及阈值，在图6的例子中，能够对为类型A的被实验者、还是为类型B或C的被实验者、还是为类型D的被实验者进行分类。
这里，以下说明本申请发明者们对上述关系的考察。根据现有文献(藤澤清ろ、新生理心理学1巻119頁、1998(藤泽清，新生理心理学1卷119页，1998))，N200成分(特别是N2b)反映针对未预期的刺激的注意的焦点化。此外，根据现有文献(藤澤清ろ、新生理心理学2巻110頁、1998(藤泽清，新生理心理学2卷110页，1998)，如果清醒水平降低，则脑波的8Hz至13Hz的成分即α波也逐渐减少，很快消失，出现低振幅的θ波。考虑到这些，N200成分为“Large”的被实验者也能够被认为是，由于本实验中的清醒水平较低(即α波附近的成分减少)，对于本实验课题执行的集中力较低，所以引起针对对于目标选择分支的强调没有预期的刺激的注意的焦点化，结果导致N200成分。
另一方面，P200成分为“Large”的本实验者也能够被认为是，由于对于本实验的课题执行的集中力较高，所以在小波系数中α波附近的频率成分未减少，特别是在200毫秒至250毫秒的时间长度中得到较大的值。
另外，会出现实际的N200成分和P200成分的等级和上述类型分类结果不同的情况。但是，在图15～17的识别率的估算结果中，如后述那样，统计上来看，可以说本发明的类型分类在识别率的维持提高方面非常有效。此外，通过同时利用图8所示的频段的功率谱和图9所示的时间长度以及频段的小波系数，能够更详细且正确地进行类型分类。
下面，参照图10的流程图，说明用于根据上述特征量进行类型分类的分类判断部14的处理过程。
图10表示分类判断部14的分类处理过程。
在步骤S121中，分类判断部14从脑波IF部13接收作为分类对象的脑波波形数据。作为分类对象的脑波波形数据通过脑波IF部13从由脑波测量部12测量出的脑波信号中截取，并发送至分类判断部14。图4(c)的例子中，分类判断部14接收针对被强调的4个选择分支的脑波波形数据54a～54d。
在步骤S122中，分类判断部14对接收到的所有脑波波形数据，提取以下的特征量，并计算其平均值。所谓特征量是指，在前面的实验结果中说明的、频段为8Hz至15Hz附近的功率谱、时间长度为200毫秒至250毫秒以及频段为8Hz至15Hz附近的小波系数。
在步骤S123中，分类判断部14读出用于类型分类的基准数据。图11示出以上述的实验结果作为基础而作成的类型分类用的基准数据的一部分。类型分类用的基准数据由脑波波形数据的序号、功率谱和小波系数的特征参数、该脑波波形数据属于的类型构成。功率谱和小波系数的特征参数的数目分别存在有处于8Hz至15Hz的区间中的样本的数目个。样本数目由对脑波波形数据进行测量时的取样频率和截取时间长度等决定。图11所示的基准数据为分类判断部14预先保持的数据。图11中实际记载的特征参数的值必须通过事先实施上述那样的实验来准备。
在步骤S124中，分类判断部14使用在步骤S122中提取出的特征量来实施类型分类。类型分类也可以基于在上述实验结果中说明的N200成分和P200成分的各个阈值来进行分类，也可以通过基于在步骤S123中读出的类型分类用数据进行判断分析来进行分类。以下，具体说明基于图11中示出的类型分类用数据的判断分析的情况。
分类判断部14分别将类型分类用数据的A～D的4个类型按顺序与k＝1、2、3以及4建立对应，此外，设特征参数为Ui(i＝1～8)，k个类型的每一个的特征参数Ui的平均由下面数学式1求出。
【数学式1】
U ‾ i k = ( U ‾ 1 k , U ‾ 2 k , . . . , U ‾ 8 k ) ′
分类判断部14通过下面数学式2求出各类型共有的方差-协方差矩阵(variance-covariance matrix)S。
【数学式2】
S = ( s i , j ) = 1 n - 4 Σ k = 1 4 Σ m = 1 nk ( U i , m k - U ‾ i k ) ( U j , m k - U ‾ j k )
N是总数据数，nk是每个类型的数据数，i和j是1～8的整数。
设在步骤S122中提取出的频段为8Hz至15Hz附近的功率谱的平均值以及时间长度为200毫秒至250毫秒且频段为8Hz至15Hz附近的小波系数的平均值为Xi(i＝1～8)，则通过求出使下面的线性函数Zk为最大的k，就能够决定Xi属于的类型k。
【数学式3】
Z k = X ′ · S - 1 · U ‾ k - 1 2 U ‾ ′ k · S - 1 · U ‾ k
在步骤S125中，分类判断部14将在步骤S124中进行了分类后的结果发送至识别方法调整部15。
参照图12的流程图来说明识别方法调整部15的处理过程。
在步骤S141中，识别方法调整部15接收由分类判断部14进行了分类后的结果。
在步骤S142中，识别方法调整部15读出识别方法调整数据。识别方法调整数据可以预先保持在识别方法调整部15中。详细情况以下说明。
在步骤S143中，识别方法调整部15按照在步骤S141中接收到的分类结果，从识别方法调整数据之中选择应该作为调整结果向脑波IF部13发送的数据。
由上述识别方法调整部15读出的识别方法调整数据由于脑波IF部13中的目标选择分支的识别方法的种类不同而不同。
首先，在基于某区间的脑波波形数据的区间平均电位来识别目标选择分支时，识别方法调整部15读出图13所示的识别方法调整数据。图13表示由与每个类型的P300成分以及P200成分、N200成分相对应的权重系数构成的分配表。例如，在类型分类的结果是类型A时，选择与类型A相对应的P300成分、P200成分、N200成分的权重系数(1，1，0)。
下面，在基于与模板的相关系数的值来识别目标选择分支时，读出的识别方法调整数据是图7(a)～(d)中实线所示的针对目标选择分支的脑波波形数据。例如，在类型分类的结果是类型A时，选择图7(a)中实线所示的脑波波形数据作为模板。
最后，在基于线性判别分析或非线性判别分析的后验概率的值来识别目标选择分支时，读出的识别方法调整数据是按每个类型准备的示教数据。图14示出类型A时的示教数据的例子，(a)是针对目标选择分支的脑波波形数据(数据数80)，(b)是针对目标选择分支的脑波波形数据(数据数240)。类型分类的结果为类型A时，选择图14的数据作为示教数据。
在步骤S144中，识别方法调整部15将在步骤S143中选择出的数据作为调整结果向脑波IF部13发送。
这里，再次说明脑波IF部13的目标选择分支的识别处理(图3的步骤S67)。接受识别方法调整部15的调整结果，实施以下所示的处理。
首先，在基于某区间的脑波波形数据的区间平均电位来识别目标选择分支时，按被强调的选择分支的每个脑波波形数据来进行由下面数学式4表示的计算。
【数学式4】
E＝WP3·PP3+WP2·PP2-WN2·PN2
这里，所谓Wp3、Wp2、Wn2分别是从识别方法调整部15接收到的P300成分、P200成分、N200成分的权重系数。图13表示该权重系数。例如，分类判断部14将用户的脑波波形分类为类型A时，即判断为在目标选择分支的脑波波形数据中P2成分出现较大，N200成分出现较小时，识别方法调整部15将(1，1，0)作为上述权重系数对P200成分进行加权。
同样地，在分类判断部14分类为类型D时，即判断为在目标选择分支的脑波波形数据中P200成分出现较小，N200成分出现较大时，识别方法调整部15将(1，0，1)作为上述权重系数对N200成分进行加权。所谓Pp3、Pp2、Pn2分别是P300成分(300毫秒至500毫秒的平均电位)、P200成分(200毫秒至300毫秒的平均电位)、N200成分(100毫秒至200毫秒的平均电位)，E表示评价值。由于N200成分以在目标选择分支的情况下作为阴性电位而出现为特征，所以通过在上式中进行减法运算，就在评价值E中反映出来。根据被强调的每个选择分支的脑波波形数据来计算评价值E，将该值最大的选择分支识别为目标选择分支。
下面，在基于与模板的相关系数的值来识别目标选择分支时，求出被强调的每个选择分支的脑波波形数据和从识别方法调整部15接收到的模板之间的相关系数，例如皮尔逊(Pearson)的积矩相关系数(product-momentcorrelation coefficient)，将该值最大的选择分支识别为目标选择分支。
最后，在基于线性判别分析或非线性判别分析的后验概率的值来识别目标选择分支时，对于被强调的每个选择分支的脑波波形数据，基于从识别方法调整部15接收到的示教数据，进行线性判别分析或非线性判别分析。具体来说，求出表示使用了贝叶斯估计的目标选择分支相似度的后验概率，将该值最大的选择分支识别为目标选择分支。
通过上述方法，能够接受识别方法调整部15中的识别方法的调整结果，从多个选择分支中进行目标选择分支的识别。
上面说明的分类判断部14以及识别方法调整部15的处理可以在每次用户利用脑波接口时自动实施，还可以根据用户的指示实施，并由脑波IF部13保持此时的调整结果。
以目标选择分支的识别率的估算结果为基础具体说明通过上述本发明的实施方式得到的效果。
识别率的估算基于上述的实验结果(对被实验者13名从4个选择分支中使用脑波选择1个的实验的结果)进行实施。在图2的分类判断部14中的类型分类中使用线性判别分析，特征量使用脑波波形数据的功率谱和小波系数双方。图2的脑波IF部13中的目标选择分支的识别中也使用线性判别分析，特征量是脑波波形数据的每25毫秒的平均电位。
此外，该识别率的估算的目的是对下面示出的3个条件中的识别率进行比较，确认本发明的效果。所谓3个条件是：(a)不进行每个被实验者的校准的情况，(b)不进行校准，并且进行本发明的类型分类以及识别方法的调整的情况，(c)进行了每个被实验者的校准的情况。但是，目标选择分支的识别中使用的示教数据由于在(a)情况下是所有被实验者共有的示教数据，所以使用所有被实验者的实验结果来作为示教数据。在(b)情况下，为了进行本发明的类型分类，并作为与该分类结果相应的示教数据，在例如分类为类型A的情况下，使用属于类型A的被实验者(图5的例子中是被实验者01和08)的实验结果作为示教数据。在(c)的情况下，为了作为每个被实验者的示教数据，在例如被实验者01的情况下，使用被实验者01的实验结果作为示教数据。其中，在上面所有的条件下，评价对象数据始终从示教数据中除外，实施进行目标选择分支的识别的、即基于leave-1-out法的评价。
图15表示3个条件下的目标选择分支的识别率的所有被实验者平均值。(a)的没有校准的情况下识别率最低(74.6％)，(c)的进行了花费劳力和时间的烦杂的校准的情况下识别率最高(83.5％)。(b)的采用了本发明的情况下，可知成为与(c)的有校准的情况相接近的精度，也不管并没有进行每个被实验者的校准。
图16表示图15的详细内容，即表示类型A的被实验者、类型D的被实验者、其他被实验者的各个情况下的识别率。由图16可知，在类型A的被实验者以及类型D的被实验者的情况下，本发明的效果显著出现。也就是可知，将(b)的采用了本发明的情况与(a)的情况进行比较，则识别率大幅提高，与(c)的情况进行比较，则维持大致同等的识别精度，也不管并没有进行每个被实验者的烦杂的校准。
因此，从图15(b)以及图16(b)可明白，在脑波接口系统1中，通过具备本发明的脑波识别方法调整装置2，能够在维持较高识别精度的同时，消除对于现有用户来说成为负担的事先的校准的劳力和时间。
进一步地，图17对用于类型分类的特征量，针对如下3个条件表示类型A和类型D的被实验者的识别率，该3个条件是：(b)使用功率谱和小波系数双方的情况，(b-1)仅使用功率谱的情况，(b-2)仅使用小波系数的情况。这里，图17(b)和图16(b)表示相同的评价内容。由图17可知，(b-1)的仅使用功率谱的情况以及(b-2)的仅使用小波系数的情况，与(b)的使用双方的情况进行比较，识别率虽然多少有些降低，但与图16(a)的情况进行比较时，则没有校准，且识别率大幅提高。因此，可知，脑波波形数据的功率谱和小波系数的任何一方都有效果。
根据本实施方式，在依据通过较少次数(例如1～3次左右)的刺激来获取的每个选择分支的信息关联电位、和上述N200成分以及P200成分进行分类的情况下，非常有效。根据图15～图17，可以说，这一点特别是在依据频段的功率谱的平均值以及/或频段的小波系数的平均值来进行分类的情况下较为显著。
因此，在类型分类时使用的特征量可以如前所述利用脑波波形数据的功率谱和小波系数双方，也可以利用任何一方。在仅利用功率谱的情况下，通过对N200成分为“Large”或“Small”进行分类，从而在图6的例子中，分类为类型C以及D、或者还是为类型A以及B这2个类型。同样地，在仅利用小波系数的情况下，通过对P200成分为“Large”或“Middle”或“Small”进行分类，在图6的例子中，分类为类型A、或者还是为类型B以及C、或者还是为类型D这3个类型。
通过本实施方式的结构以及处理过程，在具有利用脑波从多个选择分支之中识别用户想要选择的选择分支的接口的系统中，使用针对所有的选择分支的脑波波形数据所共有的特征量，更具体来说，使用频段为8Hz至15Hz附近的功率谱的平均值以及时间长度为200毫秒至250毫秒且频段为8Hz至15Hz附近的小波系数的平均值，分类为预先准备的分类体系中的某个类型，按照该分类结果进行调整为最佳的识别方法的处理，从而能够消除对于用户的烦杂的校准的负担，并且能够将脑波相关的识别精度维持得较高。
关于上述实施方式，采用流程图说明的处理能够作为使计算机执行的程序来实现。这样的计算机程序作为产品在CD-ROM等记录介质中记录并在市场上流通，或者通过互联网等电气通信电线进行传送。构成识别方法调整装置的全部或者一部分的构成要素和脑波IF部能够作为执行计算机程序的通用处理器(半导体电路)来实现。或者，可以作为将这样的计算机程序和处理器一体化后得到的专用处理器来实现。实现脑波识别方法调整装置的功能的计算机程序可以由执行用于实现脑波IF部的功能的计算机程序的处理器来执行，也可以由脑波接口系统内的其他处理器来执行。
此外，在本实施方式中，脑波识别方法调整装置2与脑波IF部13一起设置在输出部(电视机)11内，这也是个例子。任何一方或两方都可以设置在电视机外。
(实施方式2)
实施方式1中，使用针对所有的选择分支的脑波波形数据所共有的特征量，将个人的脑波的特征分类为图6所示的类型化后得到的分类体系中的某一个类型。并且，按照该分类结果，进行调整为最佳的识别方法的处理(图3的步骤66)。
如实施方式1中说明的那样，发现从任何一个选择分支的脑波波形中也能够提取特征量。鉴于这点，可明白，如果从任何一个选择分支的脑波波形中也能够提取特征量，则通过使用所有的选择分支中2个以上选择分支的脑波波形，就能够比现有技术更容易地提取特征量，并提高精度。
因此，在本实施方式中，不使用针对所有的选择分支的脑波波形，而利用针对其中一部分(其中，3个以上的所有选择分支中至少2个以上)的选择分支的脑波波形。此外，不使用图6所示那样的类型分类，而是判断针对该一部分的选择分支的脑波波形具有N200和P200中的哪个特征量，并对该特征量进行加权，从而求出目标选择分支。
图18表示本实施方式的脑波接口系统3的功能模块结构。脑波接口系统3具有：输出部11、脑波测量部12、脑波IF部13、脑波识别方法调整装置4。与实施方式1的脑波接口系统1的不同点在于，脑波识别方法调整装置的结构以及工作。
本实施方式的脑波识别方法调整装置4由特征量提取部114、识别方法调整部115构成。以下，仅说明与实施方式1的不同点。在实施方式2的结构中，除非特别提到，否则与实施方式1相同。因此，省略这些的说明。
特征量提取部114从各选择分支被提示之后的各脑波信号中选择与2个以上的选择分支相对应的脑波信号。特征量提取部114预先保持基准数据，并提取该基准数据以及选择出的脑波信号所共有的特征量。
识别方法调整部115通过特征量提取部114对提取出的特征量进行加权，并进行针对用户所选择出的选择分支的脑波信号的识别方法的调整。并且，将调整结果发送至脑波IF部13。由此，脑波IF部13中的用于识别事件关联电位的成分的识别方法被变更。
图3的流程图差不多也能够适用于本实施方式的脑波接口系统3的处理中。其中，步骤S66在以下一点不同。
在本实施方式中，在步骤S66中，脑波识别方法调整装置4的特征量提取部114选择与3个以上的选择分支相对应而获取到的脑波信号中、与2个以上的选择分支相对应的脑波信号。特征量提取部114进一步提取选择出的脑波波形，求出它们具有N200和P200中的哪个特征量。特征量能够通过频段为8Hz至15Hz附近的功率谱、时间长度为200毫秒至250毫秒以及频段为8Hz至15Hz附近的小波系数来求出。
另外，如图6所示，P200成分和N200成分不会都是Large和Small。因此，特征量提取部114能够准确判别选择出的脑波波形具有N200和P200中的哪个特征量。在本实施方式中，特征量提取部114保持图11所示的基准数据，求出具有N200和P200中的哪个特征量。
识别方法调整部115进行脑波IF部13中的识别方法的调整，以便进行与求出的特征量相应的加权。由此，在图3的步骤S67中，在识别针对用户所选择出的的选择分支的脑波信号时，能够识别目标选择分支。所谓加权是指，例如在脑波识别时，在脑波信号中附加上图13中记载那样的加权系数。
如上所述，在本实施方式中，没有将脑波信号分类为图6所示那样的类型A～D。因此，可以不进行例如图10的步骤S123、S124等与分类相关联的处理。
另外，本实施方式的处理也能够还作为使计算机执行的程序来实现。这样的程序的说明由于与实施方式1中的程序的说明相同，所以省略。
工业可利用性
本发明涉及的脑波识别方法调整装置以及组装了该装置的脑波接口系统对于需要反映脑波的个人差异来提高识别方法的设备，例如搭载有使用脑波的设备操作接口的信息设备和影像音响设备等、车站的售票机和银行的ATM这样不确定多数的用户所利用的系统的操作性改善是有用的。

Claims (13)

1.一种脑波识别方法的调整装置，用于脑波接口系统中，上述脑波接口系统具有：
输出部，其在画面上提示与设备的工作相关联的多个选择分支，并对各选择分支进行强调；
脑波测量部，其对用户的脑波信号进行测量；以及
脑波接口部，其根据以各选择分支被强调的各时刻作为起点的上述脑波信号的事件关联电位，采用预先决定的规定的识别方法，识别针对上述用户想要选择的选择分支的事件关联电位，并决定设备的工作，
上述调整装置是用于调整上述脑波接口部的上述识别方法的装置，其特征在于，
上述识别方法是按照上述脑波信号是否与预先决定的基准一致，来识别上述事件关联电位的成分的方法，
上述调整装置包括：
分类判断部，其预先保持用于将脑波信号的特征进行类型化的基准数据，采用上述基准数据以及针对上述多个选择分支的脑波信号所共有的特征量，来判断测量出的上述脑波信号属于类型化后得到的多个分类中的哪一个；以及
识别方法调整部，其按照上述分类结果，调整针对上述用户所选择出的选择分支的脑波信号的识别方法。
2.根据权利要求1所述的脑波识别方法的调整装置，其特征在于，
上述分类判断部使用的针对多个选择分支的脑波信号是针对由上述输出部提示的所有的选择分支的脑波信号。
3.根据权利要求1所述的调整装置，其特征在于，
上述分类判断部保持针对上述多个选择分支的脑波信号的规定的频段的功率谱的平均值以及/或者规定的时间长度和频段的小波系数的平均值，作为针对所有上述多个选择分支的脑波信号所共有的特征量。
4.根据权利要求3所述的调整装置，其特征在于，
上述分类判断部采用8Hz至15Hz的频段的功率谱的平均值，来判断上述脑波信号的N200成分的大小。
5.根据权利要求3所述的调整装置，其特征在于，
上述分类判断部采用200毫秒至250毫秒的时间长度以及8Hz至15Hz的频段的小波系数的平均值，来判断P200成分的大小。
6.根据权利要求1所述的调整装置，其特征在于，
上述识别方法调整部按照分类结果，来调整与在识别针对上述用户所选择出的选择分支的脑波信号时采用的上述脑波信号的P300成分、P200成分以及N200成分相对应的权重系数。
7.根据权利要求1所述的调整装置，其特征在于，
上述识别方法调整部按类型化后得到的上述多个分类中的每一个分类，来保持在针对上述用户所选择出的选择分支的脑波信号的识别中使用的模板，并通过利用与分类结果相应的模板，来调整上述脑波信号的识别方法。
8.根据权利要求1所述的调整装置，其特征在于，
上述识别方法调整部通过按照分类结果来选定在识别针对上述用户所选择出的选择分支的脑波信号时使用的示教数据，来调整上述脑波信号的识别方法。
9.一种调整方法，用于脑波接口系统中，上述脑波接口系统具有：
输出部，其在画面上提示与设备的工作相关联的多个选择分支，并对各选择分支进行强调；
脑波测量部，其对用户的脑波信号进行测量；以及
脑波接口部，其根据以各选择分支被强调的各时刻作为起点的上述脑波信号的事件关联电位，采用预先决定的规定的识别方法，识别针对上述用户想要选择的选择分支的事件关联电位，并决定设备的工作，
上述调整方法是用于调整上述脑波接口部的上述识别方法的方法，其特征在于，
上述识别方法是按照上述脑波信号是否与预先决定的基准一致，来识别上述事件关联电位的成分的方法，
上述调整方法包括以下步骤：
准备用于将脑波信号的特征进行类型化的基准数据的步骤；
采用上述基准数据以及针对上述多个选择分支的脑波信号所共有的特征量，来判断测量出的上述脑波信号属于类型化后得到的多个分类中的哪一个的步骤；以及
按照上述分类结果，调整针对上述用户所选择出的选择分支的脑波信号的识别方法的步骤。
10.一种计算机程序，用于脑波接口系统中，上述脑波接口系统具有：
输出部，其在画面上提示与设备的工作相关联的多个选择分支，并对各选择分支进行强调；
脑波测量部，其对用户的脑波信号进行测量；以及
脑波接口部，其根据以各选择分支被强调的各时刻作为起点的上述脑波信号的事件关联电位，采用预先决定的规定的识别方法，识别针对上述用户想要选择的选择分支的事件关联电位，并决定设备的工作，
上述计算机程序用于调整上述脑波接口部的上述识别方法，其特征在于，
上述识别方法是按照上述脑波信号是否与预先决定的基准一致，来识别上述事件关联电位的成分的方法，
上述计算机程序使安装在上述脑波接口系统中的计算机执行以下步骤：
预先保持用于将脑波信号的特征进行类型化的基准数据的步骤；
采用上述基准数据以及针对上述多个选择分支的脑波信号所共有的特征量，来判断测量出的上述脑波信号属于类型化后得到的多个分类中的哪一个的步骤；以及
按照上述分类结果，调整针对上述用户所选择出的选择分支的脑波信号的识别方法的步骤。
11.一种脑波识别方法的调整装置，用于脑波接口系统中，上述脑波接口系统具有：
输出部，其在画面上提示与设备的工作相关联的多个选择分支，并对各选择分支进行强调；
脑波测量部，其对用户的脑波信号进行测量；以及
脑波接口部，其根据以各选择分支被强调的各时刻作为起点的上述脑波信号的事件关联电位，采用预先决定的规定的识别方法，识别针对上述用户想要选择的选择分支的事件关联电位，并决定设备的工作，
上述调整装置是用于调整上述脑波接口部的上述识别方法的装置，其特征在于，
上述识别方法是按照上述脑波信号是否与预先决定的基准一致，来识别上述事件关联电位的成分的方法，
上述调整装置包括：
特征量提取部，其(i)根据针对上述选择分支的脑波信号，选择2个以上的选择分支的脑波信号，(ii)预先保持基准数据，并提取上述基准数据以及上述选择出的脑波信号所共有的特征量；以及
识别方法调整部，其在识别针对上述用户所选择出的选择分支的脑波信号时，按照进行与求出的上述特征量相应的加权的方式，调整针对上述用户所选择出的选择分支的脑波信号的识别方法。
12.一种脑波识别方法的调整方法，用于脑波接口系统中，上述脑波接口系统具有：
输出部，其在画面上提示与设备的工作相关联的多个选择分支，并对各选择分支进行强调；
脑波测量部，其对用户的脑波信号进行测量；以及
脑波接口部，其根据以各选择分支被强调的各时刻作为起点的上述脑波信号的事件关联电位，采用预先决定的规定的识别方法，识别针对上述用户想要选择的选择分支的事件关联电位，并决定设备的工作，
上述调整方法是用于调整上述脑波接口部的上述识别方法的方法，其特征在于，
上述识别方法是按照上述脑波信号是否与预先决定的基准一致，来识别上述事件关联电位的成分的方法，
上述调整方法包括以下步骤：
根据针对上述选择分支的脑波信号，选择2个以上的选择分支的脑波信号的步骤；
预先保持基准数据，并提取上述基准数据以及上述选择出的脑波信号所共有的特征量的步骤；以及
在识别针对上述用户所选择出的选择分支的脑波信号时，按照进行与求出的上述特征量相应的加权的方式，对针对上述用户所选择出的选择分支的脑波信号的识别方法进行调整的步骤。
13.一种计算机程序，用于脑波接口系统中，上述脑波接口系统具有：
输出部，其在画面上提示与设备的工作相关联的多个选择分支，并对各选择分支进行强调；
脑波测量部，其对用户的脑波信号进行测量；以及
脑波接口部，其根据以各选择分支被强调的各时刻作为起点的上述脑波信号的事件关联电位，采用预先决定的规定的识别方法，识别针对上述用户想要选择的选择分支的事件关联电位，并决定设备的工作，
上述计算机程序用于调整上述脑波接口部的上述识别方法，其特征在于，
上述识别方法是按照上述脑波信号是否与预先决定的基准一致，来识别上述事件关联电位的成分的方法，
上述计算机程序使安装在上述脑波接口系统中的计算机执行以下步骤：
根据针对上述选择分支的脑波信号，选择2个以上的选择分支的脑波信号的步骤；
预先保持基准数据，并提取上述基准数据以及上述选择出的脑波信号所共有的特征量的步骤；以及
在识别针对上述用户所选择出的选择分支的脑波信号时，按照进行与求出的上述特征量相应的加权的方式，对针对上述用户所选择出的选择分支的脑波信号的识别方法进行调整的步骤。
CN2009801039824A 2008-05-15 2009-04-23 调整脑波信号识别方法的装置、方法以及程序 Expired - Fee Related CN101932988B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2008-128866 2008-05-15
JP2008128866 2008-05-15
PCT/JP2009/001855 WO2009139119A1 (ja) 2008-05-15 2009-04-23 脳波信号の識別方法を調整する装置、方法およびプログラム

Publications (2)

Publication Number Publication Date
CN101932988A true CN101932988A (zh) 2010-12-29
CN101932988B CN101932988B (zh) 2012-10-10

Family

ID=41318496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2009801039824A Expired - Fee Related CN101932988B (zh) 2008-05-15 2009-04-23 调整脑波信号识别方法的装置、方法以及程序

Country Status (4)

Country Link
US (1) US20100130882A1 (zh)
JP (1) JP4399515B1 (zh)
CN (1) CN101932988B (zh)
WO (1) WO2009139119A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102135796A (zh) * 2011-03-11 2011-07-27 钱力 交互方法和交互设备
CN107393214A (zh) * 2017-07-10 2017-11-24 三峡大学 一种基于脑波的自动存取款系统
CN107533358A (zh) * 2015-05-13 2018-01-02 日盛光检测股份有限公司 脑波调整装置及脑波调整方法
CN109754091A (zh) * 2018-12-24 2019-05-14 上海乂学教育科技有限公司 一种基于脑波技术的自适应学习引擎训练系统及其应用
US11645553B2 (en) 2020-05-12 2023-05-09 Shanghai Yixue Education Technology Co., Ltd. System for processing brainwave signals, computing device, and computer-readable storage medium

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101589358B (zh) * 2006-11-15 2012-05-16 松下电器产业株式会社 脑波识别方法的调整装置、方法
JP5677002B2 (ja) * 2010-09-28 2015-02-25 キヤノン株式会社 映像制御装置、及び映像制御方法
CN103150017B (zh) * 2013-03-05 2015-09-09 天津大学 基于空间、时间和频率联合编码的脑-机接口通讯方法
JP6200590B2 (ja) * 2013-08-20 2017-09-20 セント・ジュード・メディカル・エイトリアル・フィブリレーション・ディヴィジョン・インコーポレーテッド 電気生理学的マップを生成するためのシステムおよび方法
JP2015102650A (ja) * 2013-11-25 2015-06-04 株式会社ニコン 撮像制御装置および撮像装置
EP3166483B1 (en) 2014-10-15 2018-08-01 St. Jude Medical, Cardiology Division, Inc. Method and system for generating integrated substrate maps for cardiac arrhythmias
CN104503593A (zh) * 2015-01-23 2015-04-08 北京智谷睿拓技术服务有限公司 控制信息确定方法和装置
KR101648017B1 (ko) * 2015-03-23 2016-08-12 현대자동차주식회사 디스플레이 장치, 차량 및 디스플레이 방법
CN105943034A (zh) * 2016-05-31 2016-09-21 周立民 可生成延髓、脑干部位电图、电地形图的仪器及使用方法
KR101914189B1 (ko) 2016-09-09 2018-11-01 고려대학교 산학협력단 복수의 뇌신호에 대한 공통 패턴을 제공하는 장치 및 방법
KR101939363B1 (ko) * 2016-09-09 2019-01-16 고려대학교 산학협력단 사용환경에 적응적인 뇌-컴퓨터 인터페이스 장치 및 그 장치의 동작 방법
CN111629653A (zh) 2017-08-23 2020-09-04 神经股份有限公司 具有高速眼睛跟踪特征的大脑-计算机接口
WO2019144019A1 (en) * 2018-01-18 2019-07-25 Neurable Inc. Brain-computer interface with adaptations for high-speed, accurate, and intuitive user interactions
CN109147228A (zh) * 2018-07-02 2019-01-04 昆明理工大学 一种基于脑机接口的运动想象自助取款机及其控制方法
CN112515686B (zh) * 2020-11-30 2022-12-30 中国科学院空天信息创新研究院 一种脑电数据处理方法、装置以及计算机可读存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1319489C (zh) * 2001-11-20 2007-06-06 科学医学公司 应用特定脑波形调节身体器官功能的装置
JP4385576B2 (ja) * 2002-08-28 2009-12-16 富士ゼロックス株式会社 物体制御装置、物体制御方法、物体制御プログラムおよびコンピュータ読み取り可能な記録媒体
JP4369290B2 (ja) * 2003-07-02 2009-11-18 尚之 加納 事象関連電位を利用したヒトの心理状態等の判定装置
US20050273017A1 (en) * 2004-03-26 2005-12-08 Evian Gordon Collective brain measurement system and method
JP3991066B2 (ja) * 2005-07-26 2007-10-17 松下電器産業株式会社 サービス提供装置、サービス提供方法およびプログラム
US7580742B2 (en) * 2006-02-07 2009-08-25 Microsoft Corporation Using electroencephalograph signals for task classification and activity recognition
WO2007148469A1 (ja) * 2006-06-21 2007-12-27 Panasonic Corporation サービス提供システム

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102135796A (zh) * 2011-03-11 2011-07-27 钱力 交互方法和交互设备
CN102135796B (zh) * 2011-03-11 2013-11-06 钱力 交互方法和交互设备
CN107533358A (zh) * 2015-05-13 2018-01-02 日盛光检测股份有限公司 脑波调整装置及脑波调整方法
CN107393214A (zh) * 2017-07-10 2017-11-24 三峡大学 一种基于脑波的自动存取款系统
CN109754091A (zh) * 2018-12-24 2019-05-14 上海乂学教育科技有限公司 一种基于脑波技术的自适应学习引擎训练系统及其应用
US11645553B2 (en) 2020-05-12 2023-05-09 Shanghai Yixue Education Technology Co., Ltd. System for processing brainwave signals, computing device, and computer-readable storage medium

Also Published As

Publication number Publication date
CN101932988B (zh) 2012-10-10
JP4399515B1 (ja) 2010-01-20
WO2009139119A1 (ja) 2009-11-19
JPWO2009139119A1 (ja) 2011-09-15
US20100130882A1 (en) 2010-05-27

Similar Documents

Publication Publication Date Title
CN101932988B (zh) 调整脑波信号识别方法的装置、方法以及程序
US11202594B2 (en) Stimulus information compiling method and system for tests
CN101589358B (zh) 脑波识别方法的调整装置、方法
Tzovara et al. A tutorial review of electrical neuroimaging from group-average to single-trial event-related potentials
JP5448199B2 (ja) 感性状態判定装置
JP5958825B2 (ja) 感性評価システム、感性評価方法、およびプログラム
KR101842750B1 (ko) 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치
Cernea et al. EEG-based measurement of subjective parameters in evaluations
KR101854812B1 (ko) 시청각 콘텐츠와 생체신호 분석을 활용한 정신증상 평가 시스템
KR20190041081A (ko) 인지장애 진단을 위한 vr기반 인지능력 평가시스템
CN103081516A (zh) 不舒适声压决定系统、方法及其程序、助听器调整系统及不舒适声压决定装置
Parisay et al. Felix: Fixation-based eye fatigue load index a multi-factor measure for gaze-based interactions
Hossain et al. Observer’s galvanic skin response for discriminating real from fake smiles
CN109770896A (zh) 梦境图像重现方法、装置及存储介质、服务器
CN115668395A (zh) 用于处理视网膜信号数据和标识状况的系统和方法
Hossain et al. Observers’ physiological measures in response to videos can be used to detect genuine smiles
CN113764099A (zh) 基于人工智能的心理状态分析方法、装置、设备及介质
CN108491792A (zh) 基于眼电信号的办公场景人机交互行为识别方法
Bajwa et al. Detecting driver distraction using stimuli-response EEG analysis
KR101808956B1 (ko) 대인 감성 평가 시스템 및 대인 감성 평가 정보를 수집하고 이용하는 방법
Cecotti et al. Suboptimal sensor subset evaluation in a p300 brain-computer interface
RU2704547C1 (ru) Способ удаленного сбора и групповой обработки психофизиологических реакций при предъявлении различной информации
Ikehara et al. User identification based on the analysis of the forces applied by a user to a computer mouse
CN110693509A (zh) 一种案件相关性确定方法、装置、计算机设备和存储介质
Blignaut et al. Part II: Survive with vuvu on the vaal: Electroencephalography results of a gameplay experience evaluation of a mobile serious game for statistics education

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20121010

Termination date: 20140423