CN104510468A - 一种脑电信号的特征提取方法及装置 - Google Patents

一种脑电信号的特征提取方法及装置 Download PDF

Info

Publication number
CN104510468A
CN104510468A CN201410844356.3A CN201410844356A CN104510468A CN 104510468 A CN104510468 A CN 104510468A CN 201410844356 A CN201410844356 A CN 201410844356A CN 104510468 A CN104510468 A CN 104510468A
Authority
CN
China
Prior art keywords
plv
eeg signals
electrode
matrix
collects
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.)
Pending
Application number
CN201410844356.3A
Other languages
English (en)
Inventor
梁爽
秦璟
王琼
王平安
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201410844356.3A priority Critical patent/CN104510468A/zh
Publication of CN104510468A publication Critical patent/CN104510468A/zh
Pending legal-status Critical Current

Links

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]
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明适用于信号处理技术领域，提供了一种脑电信号的特征提取方法及装置，包括：利用n个电极对脑电信号进行采集；采用MEMD算法计算每个所述电极采集到的脑电信号的IMF；采用希尔伯特变换，计算不同所述电极采集到的脑电信号之间的PLV；根据计算得到的所述PLV，生成归一化的PLV矩阵，基于所述PLV矩阵选取P对最为显著的电极对；计算预设时间段内所述P对最为显著的电极对的局部PLV，并对所述局部PLV值求平均，以输出所述脑电信号的PLV特征。本发明可以实现多通道信号同时从宽频到窄频的分解，使得所有通道的信号具备一致模式的IMF，同时，通过结合MEME算法与PLV算法，改进脑电特征的提取效果。

Description

一种脑电信号的特征提取方法及装置
技术领域
本发明属于信号处理技术领域，尤其涉及一种脑电信号的特征提取方法及装置。
背景技术
在大脑活动过程中，存在功能分区自身的整合及不同功能分区之间的持续协作，不论是在单个神经元对，或是大范围的神经元群体间，还是在大脑皮层的某个区域，或者大脑皮层的不同区域之间，同步化现象都广泛存在。为了分析大脑在不同思维状态下不同脑区间的功能性连接，通常会对脑电节律进行同步化分析，并将不同脑区的空间分布特征作为特征提取的依据。
相位同步(Phase Synchronization)方法通过计算两个信号的瞬时相位和相位锁相值(Phase Locking Value，PLV)，实现被测信号的同步化分析，其中，相位锁定被认为是与大脑整合直接相关的生理机制，其将给定频带范围内的信号相位信息从幅度信息中分离出来，可以满足脑电信号的非平稳特征，然而，该方法通常只适用于分析信号的特定窄带成分。
经验模式分解(Empirical Mode Decomposition，EMD)算法通过自身筛选过程，将脑电信号分解为一组固有模式函数(Intrinsic Mode Function，IMF)，可实现从宽带到窄带的信号分解，并通过希尔伯特变换(Hilbert transform)计算相位同步化所需的瞬时相位。然而，EMD算法由于受数据驱动，最终会将不同信号分解成一组包含不同尺度及个数的IMF，产生模式混叠现象，从而影响了特征提取的效果，降低了特征识别率。
在本发明实施例中，将MEMD算法与PLV算法相结合，在信号分解和重构阶段采用的是MEMD算法，与EMD算法相比，MEMD算法可以实现多通道信号同时从宽频到窄频的分解，使得所有通道的信号具备一致模式的IMF。同时，通过结合MEME算法与PLV算法，可以改进单纯PLV算法对脑电特征的提取效果，为基于运动想象的脑－机接口系统有效分类特征，以获得较高的特征识别率。
发明内容
本发明实施例的目的在于提供一种脑电信号的特征提取方法及装置，旨在解决现有技术中对脑电信号进行特征提取容易产生模式混叠现象，影响特征提取的效果的问题。
本发明实施例是这样实现的，一种脑电信号的特征提取方法，包括：
利用n个电极对脑电信号进行采集，所述n为大于1的整数；
采用多元经验模式分解MEMD算法计算每个所述电极采集到的脑电信号的固有模式函数IMF；
采用希尔伯特变换，计算不同所述电极采集到的脑电信号之间的相位锁相值PLV；
根据计算得到的所述PLV，生成归一化的PLV矩阵，基于所述PLV矩阵选取P对最为显著的电极对，所述P为大于1的整数；
计算预设时间段内所述P对最为显著的电极对的局部PLV，并对所述局部PLV值求平均，以输出所述脑电信号的PLV特征。
本发明实施例的另一目的在于提供一种脑电信号的特征提取装置，包括：
采集单元，用于利用n个电极对脑电信号进行采集，所述n为大于1的整数；
第一计算单元，用于采用多元经验模式分解MEMD算法计算每个所述电极采集到的脑电信号的固有模式函数IMF；
第二计算单元，用于采用希尔伯特变换，计算不同所述电极采集到的脑电信号之间的相位锁相值PLV；
选取单元，用于根据计算得到的所述PLV，生成归一化的PLV矩阵，基于所述PLV矩阵选取P对最为显著的电极对，所述P为大于1的整数；
输出单元，用于计算预设时间段内所述P对最为显著的电极对的局部PLV，并对所述局部PLV值求平均，以输出所述脑电信号的PLV特征。
附图说明
图1是本发明实施例提供的脑电信号的特征提取方法的实现流程图；
图2是本发明实施例提供的22个电极在脑部的安放位置示意图；
图3是本发明实施例提供的单次实验的时间序列图；
图4是本发明实施例提供的脑电信号的特征提取方法S103的具体实现流程图；
图5是本发明实施例提供的脑电信号的特征提取方法S104的具体实现流程图；
图6是本发明实施例提供的脑电信号的特征提取方法的算法实现流程图；
图7是本发明实施例提供的脑电信号的特征提取装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1示出了本发明实施例提供的脑电信号的特征提取方法的实现流程，详述如下：
在S101中，利用n个电极对脑电信号进行采集，所述n为大于1的整数。
在本实施例中，采用格拉茨技术大学BCI实验室提供的BCI Competition IVData Set 2a中的运动想象脑电数据。该数据的采集有九名健康受试者参与，受试者根据电脑屏幕的相应提示执行左手、右手、脚、舌头四类运动想象任务，实验采集的每组数据均包含了22个通道的脑电信号，这22个通道对应的电极安放位置如图2所示，采样频率为250Hz，带通滤波范围是0.5Hz～100Hz。
图3是单次实验的时间序列图，每个受试者共执行288次实验，每次实验持续约8秒，每一次数据记录过程如下：
首先给受试者2秒钟的安静准备时间，同时屏幕中心显示十字符号，当2秒钟的安静准备时间结束时，屏幕出现提示箭头，提示受试者执行相应的运行想象任务并持续4秒钟，4秒之后，屏幕短暂黑屏，则一次实验结束。
在S102中，采用多元经验模式分解(Multivariate Empirical ModeDecomposition，MEMD)算法计算每个所述电极采集到的脑电信号的IMF。
在本实施例中，利用MEMD算法同时对多通道的脑电信号进行经验模式分解，并最终得到具有相同尺度及个数的IMF，可以避免各电极采集到的脑电信号的相同IMF分量对应不同子带的情况。
具体地：将n维脑电信号看作是n维向量序列，在n维空间中沿着不同方向投影向量序列；通过对投影的所有K个方向的求解，计算得到每个投影向量序列的包络，其中，θk为投影方向的角度；通过计算这些投影向量序列的包络的平均值，则得到了脑电信号的均值向量，其中，表示投影方向的角度为θk的投影向量序列的包络；用原始脑电信号减去均值向量，判断是否满足终止条件。重复上述步骤，直到满足给定的终止条件得到第1层固有模态函数IMF1，用原始脑电信号减去第1层固有模态函数IMF1得到第一层残差c1。对残差重复上述步骤，依次得到信号的N层固有模态函数和第N层残差。
在S103中，采用希尔伯特变换，计算不同所述电极采集到的脑电信号之间的PLV，以及计算在预设时间段内不同所述电极采集到的脑电信号之间的局部PLV。
如图4所示，S103具体为：
在S401中，对计算得到的所述IMF分别进行希尔伯特变换，得到每个所述电极采集到的脑电信号的瞬时相位。
对S102中得到的第i个IMF进行希尔伯特变换，得到则可以通过计算得到每个电极采集到的脑电信号的瞬时相位。
在S402中，根据每个所述电极采集到的脑电信号的瞬时相位计算不同所述电极采集到的脑电信号之间的PLV。
具体地，根据 PLV ^ i i ( p , q ) = 1 T | Σ t = 1 T exp ( j { Φ i p ( t ) - Φ i q ( t ) } ) | 获取到每两个不同电极采集到的脑电信号之间的PLV，其中，所述p和所述q分别代表两个不同电极所采集到的脑电信号。
在S104中，根据计算得到的所述PLV，生成归一化的PLV矩阵，根据所述PLV矩阵选取P对最为显著的电极对，所述P为大于1的整数。
如图5所示，S104具体为：
在S501中，提取出所述PLV的最大值。
所述PLV的最大值通过获取到，其中，所述M为S102计算得到的IMF的个数。
在S502中，根据计算得到的所述PLV和所述PLV的最大值，生成归一化的PLV矩阵。
归一化的PLV矩阵通过生成，其中，所述class代表不同的运动想象任务状态，所述rest代表休息状态。
在S503中，基于所述PLV矩阵选取P对最为显著的电极对。
在本实施例中，将归一化后值最大的P个PLV值对应的电极对确定为最为显著的电极对。
在S105中，计算预设时间段内所述P对最为显著的电极对的局部PLV，并对所述局部PLV值求平均，以输出所述脑电信号的PLV特征。
例如，计算运动想象阶段的0.3秒内P个最为显著的电极对之间的局部PLV值，该局部PLV值越大，则代表对应的电极对的同步化特征越显著。计算这部分局部PLV值相对于参考状态(即休息状态)的PLV值，并求平均，从而输出脑电信号的PLV特征。
图6示出了本发明实施例提供的脑电信号的特征提取方法的算法实现流程。
在本发明实施例中，将MEMD算法与PLV算法相结合，在信号分解和重构阶段采用的是MEMD算法，与EMD算法相比，MEMD算法可以实现多通道信号同时从宽频到窄频的分解，使得所有通道的信号具备一致模式的IMF。同时，通过结合MEME算法与PLV算法，可以改进单纯PLV算法对脑电特征的提取效果，为基于运动想象的脑－机接口系统有效分类特征，以获得较高的特征识别率。
对应于上文实施例所述的脑电信号的特征提取方法，图7示出了本发明实施例提供的脑电信号的特征提取装置的结构框图，为了便于说明，仅示出了与本实施例相关的部分。
参照图7，该装置包括：
采集单元71，利用n个电极对脑电信号进行采集，所述n为大于1的整数。
第一计算单元72，采用MEMD算法计算每个所述电极采集到的脑电信号的IMF。
第二计算单元73，采用希尔伯特变换，计算不同所述电极采集到的脑电信号之间的PLV。
选取单元74，根据计算得到的所述PLV，生成归一化的PLV矩阵，基于所述PLV矩阵选取P对最为显著的电极对，所述P为大于1的整数。
输出单元75，计算预设时间段内所述P对最为显著的电极对的局部PLV，并对所述局部PLV值求平均，以输出所述脑电信号的PLV特征。
可选地，所述装置还包括：
滤波单元，对所述电极采集到的脑电信号进行滤波。
可选地，所述滤波频带为9～30Hz。
可选地，所述第二计算单元73包括：
变换子单元，对计算得到的所述IMF分别进行希尔伯特变换，得到每个所述电极采集到的脑电信号的瞬时相位。
计算子单元，根据每个所述电极采集到的脑电信号的瞬时相位计算不同所述电极采集到的脑电信号之间的PLV。
可选地，所述选取单元74包括：
提取子单元，提取出所述PLV的最大值。
生成子单元，根据计算得到的所述PLV和所述PLV的最大值，生成归一化的PLV矩阵。
选取子单元，基于所述PLV矩阵选取P对最为显著的电极对。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种脑电信号的特征提取方法，其特征在于，包括：
利用n个电极对脑电信号进行采集，所述n为大于1的整数；
采用多元经验模式分解MEMD算法计算每个所述电极采集到的脑电信号的固有模式函数IMF；
采用希尔伯特变换，计算不同所述电极采集到的脑电信号之间的相位锁相值PLV；
根据计算得到的所述PLV，生成归一化的PLV矩阵，基于所述PLV矩阵选取P对最为显著的电极对，所述P为大于1的整数；
计算预设时间段内所述P对最为显著的电极对的局部PLV，并对所述局部PLV值求平均，以输出所述脑电信号的PLV特征。
2.如权利要求1所述的方法，其特征在于，在所述采用MEMD算法计算每个电极采集到的脑电信号的IMF之前，所述方法还包括：
对所述电极采集到的脑电信号进行滤波。
3.如权利要求2所述的方法，其特征在于，所述滤波频带为9～30Hz。
4.如权利要求1所述的方法，其特征在于，所述采用希尔伯特变换，计算不同所述电极采集到的脑电信号之间的PLV包括：
对计算得到的所述IMF分别进行希尔伯特变换，得到每个所述电极采集到的脑电信号的瞬时相位；
根据每个所述电极采集到的脑电信号的瞬时相位计算不同所述电极采集到的脑电信号之间的PLV。
5.如权利要求1所述的方法，其特征在于，所述根据计算得到的所述PLV，生成归一化的PLV矩阵，基于所述PLV矩阵选取P对最为显著的电极对包括：
提取出所述PLV的最大值；
根据计算得到的所述PLV和所述PLV的最大值，生成归一化的PLV矩阵；
基于所述PLV矩阵选取P对最为显著的电极对。
6.一种脑电信号的特征提取装置，其特征在于，包括：
采集单元，用于利用n个电极对脑电信号进行采集，所述n为大于1的整数；
第一计算单元，用于采用多元经验模式分解MEMD算法计算每个所述电极采集到的脑电信号的固有模式函数IMF；
第二计算单元，用于采用希尔伯特变换，计算不同所述电极采集到的脑电信号之间的相位锁相值PLV；
选取单元，用于根据计算得到的所述PLV，生成归一化的PLV矩阵，基于所述PLV矩阵选取P对最为显著的电极对，所述P为大于1的整数；
输出单元，用于计算预设时间段内所述P对最为显著的电极对的局部PLV，并对所述局部PLV值求平均，以输出所述脑电信号的PLV特征。
7.如权利要求6所述的装置，其特征在于，所述装置还包括：
滤波单元，用于对所述电极采集到的脑电信号进行滤波。
8.如权利要求7所述的装置，其特征在于，所述滤波频带为9～30Hz。
9.如权利要求6所述的装置，其特征在于，所述第二计算单元包括：
变换子单元，用于对计算得到的所述IMF分别进行希尔伯特变换，得到每个所述电极采集到的脑电信号的瞬时相位；
计算子单元，用于根据每个所述电极采集到的脑电信号的瞬时相位计算不同所述电极采集到的脑电信号之间的PLV。
10.如权利要求6所述的装置，其特征在于，所述选取单元包括：
提取子单元，用于提取出所述PLV的最大值；
生成子单元，用于根据计算得到的所述PLV和所述PLV的最大值，生成归一化的PLV矩阵；
选取子单元，用于基于所述PLV矩阵选取P对最为显著的电极对。
CN201410844356.3A 2014-12-30 2014-12-30 一种脑电信号的特征提取方法及装置 Pending CN104510468A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410844356.3A CN104510468A (zh) 2014-12-30 2014-12-30 一种脑电信号的特征提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410844356.3A CN104510468A (zh) 2014-12-30 2014-12-30 一种脑电信号的特征提取方法及装置

Publications (1)

Publication Number Publication Date
CN104510468A true CN104510468A (zh) 2015-04-15

Family

ID=52786747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410844356.3A Pending CN104510468A (zh) 2014-12-30 2014-12-30 一种脑电信号的特征提取方法及装置

Country Status (1)

Country Link
CN (1) CN104510468A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107132915A (zh) * 2017-04-19 2017-09-05 西北工业大学 一种基于动态脑功能网络连接的脑‑机接口方法
CN108364062A (zh) * 2018-02-28 2018-08-03 天津大学 基于memd的深度学习模型构建方法及在运动想象中的应用
CN109843157A (zh) * 2017-05-22 2019-06-04 艾德脑科技股份有限公司 脑波检测装置与方法
CN111227828A (zh) * 2020-02-14 2020-06-05 广东司法警官职业学院 一种大脑功能网络的建立方法
CN111938633A (zh) * 2020-08-10 2020-11-17 中国科学院上海微系统与信息技术研究所 一种基于脑功能分区的柔性可拆分头皮脑电极的制备方法及其结构
CN111973180A (zh) * 2020-09-03 2020-11-24 北京航空航天大学 一种基于meg和eeg融合的脑结构成像系统和方法
CN113017646A (zh) * 2021-02-26 2021-06-25 河北省科学院应用数学研究所 一种基于统计的脑电节律占比分布区间计算方法
CN113269058A (zh) * 2021-05-08 2021-08-17 西安邮电大学 一种基于gan模型和plv网络的运动想象识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101259016A (zh) * 2007-03-06 2008-09-10 李小俚 实时自动检测癫痫特征波的方法
CN101430600A (zh) * 2008-11-05 2009-05-13 江西蓝天学院 基于想象脑电的游戏辅助控制方法
CN101810479A (zh) * 2009-12-16 2010-08-25 天津大学 复合下肢想象动作脑电的相位特征提取方法
US20100262377A1 (en) * 2007-05-15 2010-10-14 Aircraft Medical (Barcelona) SL Emg and eeg signal separation method and apparatus
CN102783946A (zh) * 2012-08-20 2012-11-21 湖州康普医疗器械科技有限公司 一种自动脑源定位方法及装置
CN102824172A (zh) * 2012-08-28 2012-12-19 浙江大学 一种脑电特征提取方法
CN104127179A (zh) * 2014-04-13 2014-11-05 北京工业大学 一种优势电极组合与经验模式分解的脑电特征提取方法
US20140358025A1 (en) * 2013-05-29 2014-12-04 Keshab K. Parhi System and apparatus for seizure detection from EEG signals

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101259016A (zh) * 2007-03-06 2008-09-10 李小俚 实时自动检测癫痫特征波的方法
US20100262377A1 (en) * 2007-05-15 2010-10-14 Aircraft Medical (Barcelona) SL Emg and eeg signal separation method and apparatus
CN101430600A (zh) * 2008-11-05 2009-05-13 江西蓝天学院 基于想象脑电的游戏辅助控制方法
CN101810479A (zh) * 2009-12-16 2010-08-25 天津大学 复合下肢想象动作脑电的相位特征提取方法
CN102783946A (zh) * 2012-08-20 2012-11-21 湖州康普医疗器械科技有限公司 一种自动脑源定位方法及装置
CN102824172A (zh) * 2012-08-28 2012-12-19 浙江大学 一种脑电特征提取方法
US20140358025A1 (en) * 2013-05-29 2014-12-04 Keshab K. Parhi System and apparatus for seizure detection from EEG signals
CN104127179A (zh) * 2014-04-13 2014-11-05 北京工业大学 一种优势电极组合与经验模式分解的脑电特征提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SERGUL AYDORE ET AL: "A note on the phase locking value and its properties", 《NEUROIMAGE》 *
刘源: "基于多元EMD的BCI信号处理研究", 《中国优秀硕士学位论文全文数据库》 *
贡平: "运动想象脑电信号特征提取研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107132915A (zh) * 2017-04-19 2017-09-05 西北工业大学 一种基于动态脑功能网络连接的脑‑机接口方法
CN107132915B (zh) * 2017-04-19 2021-01-29 西北工业大学 一种基于动态脑功能网络连接的脑-机接口方法
CN109843157A (zh) * 2017-05-22 2019-06-04 艾德脑科技股份有限公司 脑波检测装置与方法
CN108364062A (zh) * 2018-02-28 2018-08-03 天津大学 基于memd的深度学习模型构建方法及在运动想象中的应用
CN108364062B (zh) * 2018-02-28 2021-10-22 天津大学 基于memd的深度学习模型构建方法及在运动想象中的应用
CN111227828A (zh) * 2020-02-14 2020-06-05 广东司法警官职业学院 一种大脑功能网络的建立方法
CN111938633A (zh) * 2020-08-10 2020-11-17 中国科学院上海微系统与信息技术研究所 一种基于脑功能分区的柔性可拆分头皮脑电极的制备方法及其结构
CN111973180A (zh) * 2020-09-03 2020-11-24 北京航空航天大学 一种基于meg和eeg融合的脑结构成像系统和方法
CN113017646A (zh) * 2021-02-26 2021-06-25 河北省科学院应用数学研究所 一种基于统计的脑电节律占比分布区间计算方法
CN113017646B (zh) * 2021-02-26 2023-03-24 河北省科学院应用数学研究所 一种基于统计的脑电节律占比分布区间计算方法
CN113269058A (zh) * 2021-05-08 2021-08-17 西安邮电大学 一种基于gan模型和plv网络的运动想象识别方法

Similar Documents

Publication Publication Date Title
CN104510468A (zh) 一种脑电信号的特征提取方法及装置
Mijović et al. Source separation from single-channel recordings by combining empirical-mode decomposition and independent component analysis
Wang et al. Extracting and selecting distinctive EEG features for efficient epileptic seizure prediction
Mammone et al. Automatic artifact rejection from multichannel scalp EEG by wavelet ICA
Fang et al. Extracting features from phase space of EEG signals in brain–computer interfaces
KR101842750B1 (ko) 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치
CN102697493A (zh) 一种快速的脑电信号中眼电伪迹自动识别和去除的方法
CN113017627B (zh) 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法
CN105342605B (zh) 一种去除脑电信号中肌电伪迹的方法
CN108937968B (zh) 基于独立分量分析的情感脑电信号的导联选择方法
CN107361765B (zh) 脑波分析方法及其装置
CN106805945A (zh) 一种少数通道的脑电信号中肌电伪迹的消除方法
CN104914994A (zh) 基于稳态视觉诱发电位的飞行器控制系统和飞行控制方法
CN103932701B (zh) 一种基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法
Li et al. Analysis and classification of EEG signals using a hybrid clustering technique
CN105266804B (zh) 一种基于低秩和稀疏矩阵分解的脑电信号处理方法
CN106264521A (zh) 多通道脑电信号中下颌干扰的自动去除方法
CN109480832A (zh) 一种单通道的脑电信号中肌电伪迹的消除方法
CN112426162A (zh) 一种基于脑电信号节律熵的疲劳检测方法
Winkler et al. Identifying Granger causal relationships between neural power dynamics and variables of interest
Li et al. Emotion recognition based on EEG brain rhythm sequencing technique
Chiu et al. Get rid of the beat in mobile EEG applications: A framework towards automated cardiogenic artifact detection and removal in single-channel EEG
CN106073767A (zh) Eeg信号的相位同步度量、耦合特征提取及信号识别方法
CN102783946B (zh) 一种自动脑源定位方法及装置
Kalyakin et al. Independent component analysis on the mismatch negativity in an uninterrupted sound paradigm

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20150415

RJ01 Rejection of invention patent application after publication