CN103093089A - 一种视觉p300脑-机接口系统数据优化方法 - Google Patents
一种视觉p300脑-机接口系统数据优化方法 Download PDFInfo
- Publication number
- CN103093089A CN103093089A CN2013100090817A CN201310009081A CN103093089A CN 103093089 A CN103093089 A CN 103093089A CN 2013100090817 A CN2013100090817 A CN 2013100090817A CN 201310009081 A CN201310009081 A CN 201310009081A CN 103093089 A CN103093089 A CN 103093089A
- Authority
- CN
- China
- Prior art keywords
- data
- brain
- class
- vector
- computer interface
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 230000000007 visual effect Effects 0.000 title abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 4
- 239000012141 concentrate Substances 0.000 claims description 2
- 230000008030 elimination Effects 0.000 abstract description 4
- 238000003379 elimination reaction Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000000638 stimulation Effects 0.000 description 16
- 238000002474 experimental method Methods 0.000 description 13
- 210000004556 brain Anatomy 0.000 description 11
- 239000000203 mixture Substances 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种视觉P300脑-机接口系统数据优化方法,包括以下步骤:步骤一:数据的采集与预处理;步骤二:计算向量夹角阈值CThreshold:分别计算训练集中正负数据集的均值向量m1和m2,将m1和m2带入夹角计算公式获得正负数据均值向量间的夹角,作为向量夹角阈值CThreshold;步骤三:从训练集中选取可能为噪声数据和冗余数据的数据,并计算相应的向量夹角;步骤四:剔除冗余数据和噪声数据。本发明优点是实现了对视觉P300脑-机接口训练集中大量冗余数据和噪声数据的有效剔除。
Description
技术领域
本发明涉及计算机数据处理领域,特别是一种视觉P300脑-机接口系统数据优化方法。
背景技术
脑机接口(BCI:Brain-Computer-Interface)是一种新型的人机交互装置,它通过把从人脑采集的脑电信号转化成控制命令实现人类不依赖声音或者肢体等对电脑设备的直接控制,从而建立了一个独立于人脑和电脑设备进行交流控制的通道,脑-机接口可以有效的帮助残疾人尤其是那些丧失了肢体运动功能但是能够正常思维的残障人士与外界交流。脑机接口的研究涉及神经科学、信号检测、信号处理、模式识别和控制实现等多个领域,是一个交叉学科。目前,脑机接口的应用已由医疗康复领域迅速扩展到社会生活的诸多方面,在身份验证、加密、军事、娱乐、机器控制领域均有应用,因而受到了越来越多研究者和机构的重视,成为近几年的研究热点之一。
P300波是一种常见的用于脑机接口的脑电信号。P300波是时间相关电位ERP(EventRelatedPotential)的一种,其峰值一般出现在事件发生后的300ms左右,故被称为P300波。研究表明,相关事件出现概率越小,所引起的P300电位越显著。在BCI系统中,一般用P300Speller实验范式产生P300波。P300Speller实验范式最早由Farwell和Donchin在1988年提出,是一种常用的传统BCI范式。P300Speller实验的任务刺激模式如图1所示,在计算机屏幕上显示6×6的虚拟字符闪烁矩阵,受试者被要求注视想要选择的目标字符,字符矩阵的行或列随机的闪烁(高亮显示),每个行或列的闪烁对应一次视觉刺激,只有目标字符对应的行或列闪烁时对应了一次靶刺激,该靶刺激会在头皮的脑电中诱发出P300成分。因此在12个行列各随机闪烁一次后,可以根据P300一般出现在目标刺激产生后的300ms的特性检测出目标刺激所在的行列,目标行列在虚拟字符闪烁矩阵中的交点即为目标字符所在的位置。
P300Speller实验范式中的刺激产生原理基于Oddball实验范式。在P300Speller实验范式中,为了满足Oddball范式的要求,每个行列刺激闪烁的持续时间以及相邻两次闪烁间隔时间都是小于300ms的,而一般的BCI系统在分析每个刺激后的脑波信号时都会截取该刺激产生后大于600ms的脑电以保证覆盖刺激发生后300ms左右的信号,这就导致了相邻的刺激截取的脑电信号之间会有部分重叠,信号重叠可能会使特征向量变成冗余数据和噪声数据,对BCI系统的性能产生重大的影响,这是一直没有被研究者解决的问题之一。
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种视觉P300脑-机接口系统数据优化方法。
为了解决上述技术问题,本发明公开了一种视觉P300脑-机接口系统数据优化方法,所述方法包括以下步骤:
步骤一:使用传统视觉P300-Speller BCI系统进行数据采集获得训练集,对训练集中的数据进行预处理和特征提取。
步骤二:计算向量夹角阈值CThreshold:分别计算训练集中所有正类数据均值m1和所有负类数据均值m2,将m1和m2带入向量夹角计算公式获得正负数据均值的夹角,作为夹角阈值CThreshold。
步骤三:从训练集中选取可能为噪声数据或冗余数据的数据,并计算相应的向量夹角:从训练集中选取每一次字符拼写中与目标行列刺激相邻的行列刺激对应的数据,根据夹角计算公式计算该数据和与其相邻的目标行列刺激对应的数据之间的夹角C;
步骤四:剔除冗余数据和噪声数据:对于步骤三中选取的数据集中的每一个数据,设为xi,如果数据xi相应的向量夹角C小于步骤二中计算的向量夹角阈值CThreshold,则判定数据xi为噪声数据或冗余数据,从训练数据集中剔除该数据xi。
数据采集之后对其进行降采样、滤波、数据截取等预处理操作。
所述的数据预处理操作包括信号分割、带通滤波和降采样。信号分割截取每次刺激产生后667ms内的信号,带通滤波的滤波区间是0.1Hz~20Hz,降采样信号至20Hz。
所述的特征提取把每个数据中使用的导联对应的特征向量连接成一个向量,作为数据的特征向量。
步骤二所述的正负数据集的均值向量m1和m2分别为:
其中class1表示正类数据集,n1为class1的大小,xk为正类数据集中的数据,class2表示负类数据集,n2为class2的大小,xh为负类数据集中的数据,正类数据的特征向量中含有P300波,负类数据的特征向量不含有P300波。P300脑-机接口系统中获得的数据中分为正类和负类,对于训练数据集来说,是系统自动区分的。
所述的向量夹角计算公式是对向量之间的余弦值求反余弦,因此夹角阈值CThreshold为:
其中m1和m2分别是训练集中正类数据的均值和负类数据的均值。
步骤三所述的目标行列刺激对应的数据(假设该数据为xi)和与该目标刺激相邻的行列刺激对应的数据(假设该数据为xj)之间的夹角是:
所述的与目标刺激相邻的行列刺激对应的数据可能是噪声数据和冗余数据,需要在步骤四中进行进一步判断。
步骤四所述的噪声数据和冗余数据是在模型训练过程中不产生或产生负面影响的数据,剔除这些数据可以改善训练的分类器模型的性能以及训练速度。
视觉P300Speller实验范式中独有的数据重叠的特点使得与目标行列刺激相邻的行列刺激对应的数据成为冗余数据和噪声数据。
视觉P300Speller实验范式中独有的数据重叠的特点是在P300Speller实验范式中,为了满足Oddball范式的要求,每个行列刺激的闪烁的持续时间以及闪烁间隔时间都是小于300ms的,而一般的BCI系统在分析每个刺激后的脑波信号时都会截取该刺激产生后大于600ms的脑电以保证覆盖刺激发生后300ms左右的信号,导致相邻的刺激截取的脑电信号会产生重叠,即数据预处理和特征提取得到的数据之间会有部分数据重叠。
本发明采用计算机的处理方法,对其获得的外部视觉P300-Speller脑-机系统的数据进行优化,实质上类似于对图像的降噪处理,通过本发明方法,去除了无用的数据,大大减轻了后续数据分析的负担,从另一种角度,实质上也提高了后续分析的准确度和效率;应当说采用了计算机处理的技术手段,结合P300-Speller脑-机系统的数据本身的内在规律,解决了现有技术中对于海量无规则视觉P300脑-机接口系统数据无法分析处理的难题,取得了非常突出明显的技术效果。
有益效果:本发明提供了一种基于视觉P300-Speller脑-机接口的数据剔除方法,该方法能够有效剔除训练集中的冗余数据和噪声数据,同时降低了训练集中的数据不平衡比例,从而减少计算量并且在保证识别质量的同时提高P300脑-机接口的运行速度,在保证BCI系统识别质量的同时显著提高系统的运行速度,更好的满足实际应用的要求。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为P300Speller实验中用于字符拼写的虚拟字符矩阵刺激界面示意图。
图2为数据剔除前后数据集大小的对比图。
图3为数据剔除前后训练数据集中正负数据的比例。
图4a和图4b为数据剔除前后两名受试者的测试集字符识别率对比图。
具体实施方式
实施例1
本实施例基于视觉P300-Speller脑-机接口的数据优化方法,提出了一种剔除视觉P300-Speller脑-机接口的训练集中的冗余数据和噪声数据的方法,并针对该方法做了详细的数据验证分析。结果表明,该方法能够有效剔除视觉P300-Speller脑-机接口的训练集中的冗余数据和噪声数据,改善了训练集中的数据不平衡性,显著提高BCI系统的运行速度,更好的满足实际应用的要求。
本发明的基于视觉P300-Speller脑-机接口的数据剔除方法,包括如下步骤:
1)通过P300-Speller实验范式进行数据采集,对采集后的数据进行预处理和特征提取。本发明的实验数据集来自2005年BCI第三次国际竞赛,数据集由视觉P300SpellerBCI系统产生,数据集包括两名健康被试者(分别为受试者A和受试者B)的64导联脑电数据,每名被试者的训练数据集包括对85个字符的选择实验,测试数据集包括对100个字符的选择实验(参考文献[1]:B.Blankertz,BCI Competition IIIWebpage.[Online].Available:http://ida.first.fraunhofer.de/projects/bci/competition_iii)。数据集通过P300SpellerBCI系统产生之后进行了采样频率为240Hz的数字采样和0.1-60Hz的带通滤波。数据采集之后对其进行降采样、滤波、数据截取等预处理。
本发明数据预处理步骤如下:
1.1.截取每次视觉行列刺激开始后0-667ms的信号片段,以保证截取的窗口覆盖可能出现在200~400ms范围的P300波;
1.2.对信号进行0.1~20Hz的车比雪夫II型带通滤波,因为一般脑电波的频率都比较低,高频和过低频的脑电波一般为噪声,应当去除,通过滤波可以适当提高信号的信噪比;
1.3、对信号进行降采样,降采样后信号的频率是20Hz。
数据预处理完成后,将每个数据中64个导联的特征点连接成一个向量作为该数据的特征,由于每个导联的特征点是14个,而导联总数是64,因此每个数据的特征维数是896(64×20×0.667)。导联特征的连接并无顺序要求,可以按任意顺序排列,但要保证对于所有数据而言特征顺序是一致的。
由于每个字符选择实验包含了15组重复实验,每组实验对应一次字符拼写,即包含了12个刺激的数据,所以实验中的训练数据集的样本个数为85×15×12=15300,测试数据集样本个数为100×15×12=18000。因此,通过数据预处理和特征提取,获得的每名受试者的训练数据集大小均为15300×896,而测试数据集的大小均为18000×896。
在一次字符实验中的12次行列闪烁刺激中只含有两个目标刺激,其余10个行列闪烁刺激均是非目标刺激,将目标刺激对应的特征向量标注为正类数据,非目标刺激对应的特征向量标注为负类数据,因此训练集中正负类数据数的比例是1:5,所以传统视觉P300脑机接口的训练集是非平衡的。数据集的非平衡性是指数据集中含有的各类数据数目不相等,用各类数据数目的比例来衡量数据集的非平衡性。降低数据集的数据不平衡比例可以改善分类器的性能。
2)计算训练集中所有正类数据向量的均值向量m1和所有负类数据均值向量m2:
其中class1表示正类数据集,正类数据的特征向量中含有P300成分,n1为class1的大小,xk为正类数据集中的数据,clαss2表示负类数据集,负类数据的特征向量不含有P300成分,n2为clαss2的大小,xh为负类数据集中的数据。
计算向量m1和m2之间的夹角CThreshold:
其中m1和m2分别是训练集中正类数据集和负类数据集的均值向量。
向量夹角CThreshold作为步骤四中判断数据是否为冗余数据或噪声数据的向量夹角阈值,对于受试者A,其向量夹角阈值为0.2047π,对于受试者B,其向量夹角阈值为0.1396π。
3)在数据预处理时,截取数据的窗口大小是从每个行/列刺激开始到之后的667ms。每个行/列闪烁持续时间为100ms,每次行/列闪烁结束后到下次行列闪烁开始的时间间隔是75ms。很明显,667ms>175ms,因此每个行/列闪烁截取的信号之间会有重叠(重叠667ms-175ms),这种信号重叠分成两种情况:
3.1.连续的两个行/列闪烁均不是目标刺激。
3.2.连续的两个行列闪烁中至少有一个是目标刺激。
分析上述两种信号重叠的情况可知:在第一种情况中,两个数据对应的截取的信号中都不含有P300成分,即使截取的信号有重叠,最终所获得的脑波信号中也不会含有P300成分。因此,第一种情况不会给两个数据带来很大影响;对于第二种情况,由于截取的信号在重叠的部分含有P300成分,会对截取的信号中本应该不含有P300成分的信号产生影响,甚至截取的信号中本来就含有P300成分也会受到影响。因此在一次字符拼写中与目标行列刺激相邻的行列刺激对应的数据点就很可能是噪声数据或者冗余数据。通过以下步骤从训练集中选取可能是噪声数据或者冗余数据的数据。
首先从训练集中选取每一次字符拼写中与目标行列刺激相邻的行列刺激对应的数据,这些数据视为可能是噪声数据或冗余数据的数据。
然后计算这些与目标行列刺激相邻的行列刺激对应的数据向量和相应的目标行列刺激对应的数据向量之间的夹角:假设在一次字符实验的12次行列刺激中,其中一个目标行列刺激对应的数据向量为xi,与之相邻的行列刺激对应的数据向量为xj,计算两者之间的夹角:
计算所得的向量夹角用于在步骤四中进一步判断所选取的数据是否为噪声数据和冗余数据。
4)剔除冗余数据和噪声数据:
其中,首先需要判断步骤三中选取的可能为噪声数据和冗余数据的数据是否为噪声数据或冗余数据,然后剔除确定为噪声数据和冗余数据的数据。对于其中的每一个数据,设为xj,比较它在步骤三中计算的向量夹角C与向量夹角阈值CThreshold的关系,如果C<CThreshold,分情况剔除数据xj:如果xj是正类数据,则保证只剔除xi和xj之一,以保留其中之一个正类数据,即如果两个相邻的行列刺激均为目标行列刺激,则只剔除其中一个数据,而不是全部剔除。其中,xi是与数据xj对应的行列刺激相邻的那个目标行列刺激对应的数据;如果xj为负类数据,则直接剔除该负类数据。
实施例2
图2是在两个受试者的训练集上进行数据剔除操作后的结果,经计算,通过数据剔除操作,可以减少训练集空间内26%~28%的数据,对于规模比较大的训练集而言,该步骤可以有效去除大量的冗余数据和噪声数据,显著提高分类器模型的训练速度。
线性SVM的训练时间tl与训练数据数n的三次方成正比(t1∞n3),进行数据剔除之后,训练集的规模减少到约0.74n,训练时间相应的也减少到0.405t1左右,因此,通过数据剔除可以减少线性SVM模型一半以上的训练时间。这也与实验获得的结果一致。
实施例3
图3是两个受试者的训练集在进行数据剔除操作前后正负类数据的比例,从图中可以看出,数据剔除显著降低了训练集中的正负数据比例,改善了训练集的数据不平衡性。
实施例4
图4a和图4b是两个受试者数据集在对训练集上进行数据剔除操作前后使用线性SVM模型对训练集字符识别率结果对比。从对比结果可以看出,尽管每个数据集中的训练数据集规模缩减了26%~28%,字符的识别率并没有降低,尤其在字符拼写重复次数超过10次时,数据优化前后的字符识别率基本保持相同。因此实验结果证明了本发明提出的数据剔除方法确实能够有效剔除P300视觉脑-机接口训练集中的冗余数据和噪声数据。
实施例5
除了在BCI国际竞赛的数据集上进行实验验证外,还在50名受试者身上进行了实验,实验中每名受试者完成对185个字符的选择,其中前85个字符选择的数据作为训练集,剩余100个字符选择的数据作为测试集,实验结果表明,每名受试者在数据优化前后的识别率相差均基本保持一致,而数据优化可以显著提升实验中的训练速度。从而证明,本发明具有重复再现性。
本发明提供了一种视觉P300脑-机接口系统数据优化方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (6)
1.一种视觉P300脑-机接口系统数据优化方法,其特征在于,包括以下步骤:
步骤一:使用视觉P300-Speller脑-机系统进行数据采集获得训练集,对训练集中的数据进行预处理和特征提取;
步骤二:计算向量夹角阈值CThreshold:分别计算训练集中所有正类数据均值m1和所有负类数据均值m2,将m1和m2带入向量夹角计算公式获得正负数据均值的夹角,作为夹角阈值CThreshold;
步骤三:从训练集中选取数据,并计算其中每个数据对应的向量夹角C:从训练集中选取每一次字符拼写中与目标行列刺激相邻的行列刺激对应的数据,设选取数据为xi,根据夹角计算公式计算数据xi和与数据xi相邻的目标行列刺激对应的数据xj之间的向量夹角C;
步骤四:剔除冗余数据和噪声数据:对于步骤三中选取的数据集中的每一个数据,设为xi,如果数据xi相应的向量夹角C小于步骤二中计算的向量夹角阈值CThreshold,则判定该数据为噪声数据或冗余数据,从训练数据集中剔除该数据xi。
2.根据权利要求1所述的一种视觉P300脑-机接口系统数据优化方法,其特征在于,所述的数据预处理包括信号分割、带通滤波和降采样;信号分割截取每次刺激产生后667ms内的信号,带通滤波的滤波区间是0.1Hz~20Hz,降采样信号至20Hz。
3.根据权利要求2所述的一种视觉P300脑-机接口系统数据优化方法,其特征在于,所述特征提取为把每个数据中使用的导联对应的特征点连接成一个向量,作为数据的特征向量。
4.根据权利要求3所述的一种视觉P300脑-机接口系统数据优化方法,其特征在于,步骤二所述的正类数据均值m1和所有负类数据均值m2分别采用如下公式计算:
其中clαss1表示正类数据集,nl为class1的大小,xk为正类数据集中的数据,class2表示负类数据集,n2为class2的大小,xh为负类数据集中的数据,正类数据的特征中含有P300波,负类数据的特征中则不含P300波。
5.根据权利要求4所述的一种视觉P300脑-机接口系统数据优化方法,其特征在于,所述向量夹角计算公式是对向量之间的余弦值求反余弦,夹角阈值CThreshold为:
6.根据权利要求5所述的一种视觉P300脑-机接口系统数据优化方法,其特征在于,步骤三所述目标行列刺激对应的数据xi和与该目标刺激相邻的行列刺激对应的数据xj之间的向量夹角C采用如下公式计算:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310009081.7A CN103093089B (zh) | 2013-01-10 | 2013-01-10 | 一种视觉p300脑-机接口系统数据优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310009081.7A CN103093089B (zh) | 2013-01-10 | 2013-01-10 | 一种视觉p300脑-机接口系统数据优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103093089A true CN103093089A (zh) | 2013-05-08 |
CN103093089B CN103093089B (zh) | 2015-09-16 |
Family
ID=48205648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310009081.7A Expired - Fee Related CN103093089B (zh) | 2013-01-10 | 2013-01-10 | 一种视觉p300脑-机接口系统数据优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103093089B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106484106A (zh) * | 2016-09-26 | 2017-03-08 | 苏州神经元电子科技有限公司 | 视敏度自动识别的非注意事件相关电位脑‑机接口方法 |
CN107168533A (zh) * | 2017-05-09 | 2017-09-15 | 长春理工大学 | 一种基于集成支持向量机的p300拼写器的训练集扩展方法 |
-
2013
- 2013-01-10 CN CN201310009081.7A patent/CN103093089B/zh not_active Expired - Fee Related
Non-Patent Citations (5)
Title |
---|
GUOQIANG XU ET.AL: "《Neural Networks(IJCNN),The 2013 International Joint Conference on》", 9 August 2013 * |
李金亮: "脑—机接口中P300识别算法的研究", 《中国优秀硕士学位论文全文数据库》 * |
杨立才 等: "基于小波分解和支持向量机的P300识别算法", 《中国生物医学工程学报》 * |
綦宏志 等: "P300 Speller中基于AdaBoost SVM的导联筛选研究", 《仪器仪表学报》 * |
赵春煜: "脑机接口中预处理和分类算法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106484106A (zh) * | 2016-09-26 | 2017-03-08 | 苏州神经元电子科技有限公司 | 视敏度自动识别的非注意事件相关电位脑‑机接口方法 |
CN107168533A (zh) * | 2017-05-09 | 2017-09-15 | 长春理工大学 | 一种基于集成支持向量机的p300拼写器的训练集扩展方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103093089B (zh) | 2015-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222643B (zh) | 一种基于卷积神经网络的稳态视觉诱发电位信号分类方法 | |
Hammad et al. | A novel two-dimensional ECG feature extraction and classification algorithm based on convolution neural network for human authentication | |
Li et al. | A multi-scale fusion convolutional neural network based on attention mechanism for the visualization analysis of EEG signals decoding | |
CN103399639B (zh) | 基于ssvep和p300联合脑机接口方法及装置 | |
CN108960182A (zh) | 一种基于深度学习的p300事件相关电位分类识别方法 | |
CN102200833B (zh) | 一种Speller BCI系统及其控制方法 | |
CN102778949B (zh) | 基于ssvep阻断和p300双特征的脑-机接口方法 | |
CN109497990B (zh) | 一种基于典型相关分析的心电信号身份识别方法及系统 | |
Groen et al. | The time course of natural scene perception with reduced attention | |
CN111265212A (zh) | 一种运动想象脑电信号分类方法及闭环训练测试交互系统 | |
CN102799267B (zh) | Ssvep及阻断和p300三特征多脑-机接口方法 | |
CN109255309B (zh) | 面向遥感图像目标检测的脑电与眼动融合方法及装置 | |
CN110321783A (zh) | 一种基于1d卷积神经网络的meg棘波检测方法及系统 | |
CN103019382B (zh) | 一种利用诱发电位反映脑部主观动机信号的脑机接口方法 | |
CN110037693A (zh) | 一种基于面部表情和eeg的情绪分类方法 | |
CN108710895A (zh) | 基于独立分量分析的运动想象脑电信号分类方法 | |
CN102184018A (zh) | 一种脑机接口系统及其控制方法 | |
Shiratori et al. | Three-class classification of motor imagery EEG data including “rest state” using filter-bank multi-class common spatial pattern | |
CN106648087A (zh) | 一种基于意识任务的特征eeg处理方法 | |
CN112884063A (zh) | 基于多元时空卷积神经网络的p300信号检测识别方法 | |
Kundu et al. | Fusion of convolutional neural networks for P300 based character recognition | |
CN108920699B (zh) | 一种基于N2pc的目标识别反馈系统及方法 | |
CN103093089B (zh) | 一种视觉p300脑-机接口系统数据优化方法 | |
Yoon et al. | Spatial and time domain feature of ERP speller system extracted via convolutional neural network | |
CN105787459B (zh) | 一种基于最优评分稀疏判别的erp信号分类方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150916 Termination date: 20180110 |