CN104970790A - 一种运动想象脑电波解析方法 - Google Patents
一种运动想象脑电波解析方法 Download PDFInfo
- Publication number
- CN104970790A CN104970790A CN201510316714.8A CN201510316714A CN104970790A CN 104970790 A CN104970790 A CN 104970790A CN 201510316714 A CN201510316714 A CN 201510316714A CN 104970790 A CN104970790 A CN 104970790A
- Authority
- CN
- China
- Prior art keywords
- brain
- signal
- brain wave
- algorithm
- utilized
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 88
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000012706 support-vector machine Methods 0.000 claims abstract description 20
- 230000003044 adaptive effect Effects 0.000 claims description 21
- 230000005611 electricity Effects 0.000 claims description 21
- 230000003340 mental effect Effects 0.000 claims description 21
- 238000012880 independent component analysis Methods 0.000 claims description 14
- 239000012634 fragment Substances 0.000 claims description 9
- 230000000386 athletic effect Effects 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 8
- 210000003205 muscle Anatomy 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 3
- 238000000926 separation method Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract 1
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 239000004615 ingredient Substances 0.000 abstract 1
- 238000000034 method Methods 0.000 description 12
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种运动想象脑电波解析方法，属生物医学领域。本发明包括首先将采集到的脑电信号利用自适应陷波算法剔除线电干扰，然后将得到的信号丢弃污染严重的脑电片段，接着去除基线漂移，再剔除眼电、肌电伪迹成分和非运动参数想象相关神经信号伪迹，此时即可得到干净的脑信号，利用共同空间模式对干净的脑信号进行特征提取，并得到特征提取之后得到的脑电特征向量；通过支持向量机对脑电特征向量进行分类，最终识别出脑电信号相对应的不同含义，本发明有效解决了现有脑信号消噪算法不能很好消除脑信号中噪声、识别效果不佳、识别率不高的缺点，运算量小、算法收敛快、信号的分离精度高，并且受参数影响小，从而很大程度上提高了分类准确率。
Description
技术领域
本发明涉及一种运动想象脑电波解析方法，属于生物医学技术领域。
背景技术
基于运动想象(Motor imagery，MI)脑电的BCI是一类非常重要的BCI，该类BCI可直接由脑信号重建运动控制，可以战略性地用于军事目的，也可为严重运动残疾人和正常人提供辅助控制，从而改善他们的生活质量。脑电信号的相关研究已广泛用于神经科学、认知科学、认知心理学和心理生理等，最近几十年，脑电信号已用于新型人机接口--脑机交互，该研究成为国际重大前沿研究热点。
虽然如此，目前，基于运动想象的BCI正面临巨大的挑战，其中挑战之一是工程实现时脑电信号的处理问题，主要是脑电信号的信噪比低，空间分辨率低，伪迹很强。因此，本发明结合一种新的基于运动参数想象脑电范式的BCI，研究其中脑电信号处理的问题。
其次，脑电信号存在非平稳性且包括大量的噪声，现有的脑电信号消噪算法不能很好消除脑电信号中的噪声，从而影响后继的脑电信号处理和分析；识别效果不佳，识别率不高，而且现有的脑电信号消噪算法大多不是自适应的，其缺点是：运算量大、算法收敛慢、信号的分离精度(即稳态性能)差，并且针对不同的被试，都要相应的调整算法中的参数，受参数影响非常大，很不实用。
综上所述，针对现有的脑电信号消噪算法存在的缺点，本发明设计的基于运动想象脑电波的解析方法，能获取信噪比相对高，相对干净的脑电信号，很大程度上提高了分类准确率，可以为推动该类BCI系统走向实际运用打下坚实的基础。因此，具有潜在的实用价值和经济意义。
发明内容
本发明提供了一种运动想象脑电波解析方法，以用于解决现有识别方法识别效果不佳、识别率不高、以及没有自适应功能的问题；本方法能获取信噪比相对高，相对干净的脑电信号，很大程度上提高了分类准确率，为BCI系统中运动想象脑电信号特征提取和分类提供了新的思路。
本发明运动想象脑电波解析方法是这样实现的：首先将采集到的想象左右手运动的脑电信号利用自适应陷波算法剔除线电干扰，然后将得到的信号利用自适应阈值剔除算法丢弃污染严重的脑电片段，接着利用四阶巴特沃兹高通滤波器去除基线漂移，再采用自动独立分量分析算法自动剔除眼电、肌电伪迹成分和非运动参数想象相关神经信号伪迹，此时即可得到干净的脑信号，利用共同空间模式对干净的脑信号进行特征提取，并得到特征提取之后得到的脑电特征向量；通过支持向量机对脑电特征向量进行分类，最终识别出脑电信号相对应的不同含义。
所述运动想象脑电波解析方法的具体步骤如下：
Step1、首先将采集到的想象左右手运动的脑电信号X(t)利用自适应陷波算法剔除50Hz工频干扰得到信号X(t)1；
Step2、将剔除工频干扰的信号X(t)1利用自适应阈值剔除算法丢弃污染严重的脑电片段，得到信号X(t)2；
其中，信号X(t)1的幅值超过±100μV时，信号X(t)1看作噪声，那么直接把信号X(t)1剔除；
Step3、接着利用四阶巴特沃兹高通滤波器对信号X(t)2去除基线漂移，得到信号X(t)3；
Step4、再采用自动独立分量分析算法ICA自动剔除眼电、肌电伪迹成分和非运动参数想象相关神经信号伪迹；此时即可得到干净的脑信号Y(t)；
Step5、利用共同空间模式CSP对脑信号Y(t)进行特征提取，并得到特征提取之后得到的脑电特征向量Mk；
Step6、通过支持向量机对脑电特征向量Mk进行模式分类，最终识别出脑电信号相对应的不同含义。
所述步骤Step6中，支持向量机利用核函数参数k和误差惩罚因子c对脑电特征向量Mk进行分类，核函数参数k和误差惩罚因子c的最佳取值分别为1.2982和0.4851。
所述步骤Step3中，采用的四阶巴特沃兹高通滤波器通带截止频率为0.5Hz和30Hz。
本发明的有益效果是：
(1)本发明设计的脑电波解析方法能够很好的去除心电、眼电、肌电等干扰信号，提高信噪比，增强空间分辨率，得到干净的脑电信号。并且本方法中采用的自适应陷波算法、自适应阈值剔除算法、自动独立分量分析算法的实时性好，符合在线BCI系统的需求；
(2)本发明设计的脑电波特征提取和模式分类方法，利用CSP算法利用矩阵同时对角化技术，能够方便地构造出适用于分类的空间滤波器，从而提高最终的分类效率。通过支持向量机对脑电特征信号进行分类，采用一种核函数参数和误差惩罚因子C的最佳寻优方法，并用互信息(MI)准则对支持向量机进行评判。经过实验验证，该方法与其他运动想象脑电特征识别方法相比较，得到的比特率和分类精度更高，适合于各类BCI系统。
附图说明
图1为本发明流程图；
图2为本发明原始脑电波形；
图3为本发明利用自适应陷波算法剔除线电干扰的脑电波形；
图4为本发明利用自适应阈值剔除算法丢弃污染严重的脑电片段的脑电波形；
图5为本发明利用四阶巴特沃兹高通滤波去基线漂移的脑电波形；
图6为本发明利用自动独立分量分析算法剔除眼电等伪迹的脑电波形。
具体实施方式
实施例1：如图1-6所示，一种运动想象脑电波解析方法，首先将采集到的想象左右手运动的脑电信号利用自适应陷波算法剔除线电干扰，然后将得到的信号利用自适应阈值剔除算法丢弃污染严重的脑电片段，接着利用四阶巴特沃兹高通滤波器去除基线漂移，再采用自动独立分量分析算法自动剔除眼电、肌电伪迹成分和非运动参数想象相关神经信号伪迹，此时即可得到干净的脑信号，利用共同空间模式对干净的脑信号进行特征提取，并得到特征提取之后得到的脑电特征向量；通过支持向量机对脑电特征向量进行分类，最终识别出脑电信号相对应的不同含义。
所述运动想象脑电波解析方法的具体步骤如下：
Step1、首先将采集到的想象左右手运动的脑电信号X(t)利用自适应陷波算法剔除50Hz工频干扰得到信号X(t)1；
Step2、将剔除工频干扰的信号X(t)1利用自适应阈值剔除算法丢弃污染严重的脑电片段，得到信号X(t)2；
其中，信号X(t)1的幅值超过±100μV时，信号X(t)1看作噪声，那么直接把信号X(t)1剔除；
Step3、接着利用四阶巴特沃兹高通滤波器对信号X(t)2去除基线漂移，得到信号X(t)3；
Step4、再采用自动独立分量分析算法ICA自动剔除眼电、肌电伪迹成分和非运动参数想象相关神经信号伪迹；此时即可得到干净的脑信号Y(t)；
Step5、利用共同空间模式CSP对脑信号Y(t)进行特征提取，并得到特征提取之后得到的脑电特征向量Mk；
Step6、通过支持向量机对脑电特征向量Mk进行模式分类，最终识别出脑电信号相对应的不同含义。
所述步骤Step6中，支持向量机利用核函数参数k和误差惩罚因子c对脑电特征向量Mk进行分类，核函数参数k和误差惩罚因子c的最佳取值分别为1.2982和0.4851。
所述步骤Step3中，采用的四阶巴特沃兹高通滤波器通带截止频率为0.5Hz和30Hz。
实施例2：如图1-6所示，一种运动想象脑电波解析方法，首先将采集到的想象左右手运动的脑电信号利用自适应陷波算法剔除线电干扰，然后将得到的信号利用自适应阈值剔除算法丢弃污染严重的脑电片段，接着利用四阶巴特沃兹高通滤波器去除基线漂移，再采用自动独立分量分析算法自动剔除眼电、肌电伪迹成分和非运动参数想象相关神经信号伪迹，此时即可得到干净的脑信号，利用共同空间模式对干净的脑信号进行特征提取，并得到特征提取之后得到的脑电特征向量；通过支持向量机对脑电特征向量进行分类，最终识别出脑电信号相对应的不同含义。
所述运动想象脑电波解析方法的具体步骤如下：
Step1、首先将采集到的想象左右手运动的脑电信号X(t)利用自适应陷波算法剔除50Hz工频干扰得到信号X(t)1；如图3所示；
Step2、将剔除工频干扰的信号X(t)1利用自适应阈值剔除算法丢弃污染严重的脑电片段，得到信号X(t)2；如图4所示；
其中，信号X(t)1的幅值超过±100μV时，信号X(t)1看作噪声，那么直接把信号X(t)1剔除；
Step3、接着利用四阶巴特沃兹高通滤波器对信号X(t)2去除基线漂移，得到信号X(t)3；如图5所示；
Step4、再采用自动独立分量分析算法ICA自动剔除眼电、肌电伪迹成分和非运动参数想象相关神经信号伪迹；此时即可得到干净的脑信号Y(t)；如图6所示；
Step5、利用共同空间模式CSP对脑信号Y(t)进行特征提取，并得到特征提取之后得到的脑电特征向量Mk；
Step6、通过支持向量机对脑电特征向量Mk进行模式分类，最终识别出脑电信号相对应的不同含义。
所述步骤Step6中，支持向量机利用核函数参数k和误差惩罚因子c对脑电特征向量Mk进行分类，核函数参数k和误差惩罚因子c的最佳取值分别为1.2982和0.4851。
所述步骤Step3中，采用的四阶巴特沃兹高通滤波器通带截止频率为0.5Hz和30Hz。
通过构造决策函数其中为分类器支持向量机的输出：如果ei≥0，则判定属于A类，即右手运动；如果ei＜0，则判定属于B类，即左手运动；其中，是拉格朗日乘子，ε*是分类阈值。经过实验验证，最后得到分辨率为92％。
分类器支持向量机的输出不是以直接输出左手运动还是右手运动，而是通过构造决策函数来作为输出来判断是左手运动还是右手运动；而分辨率是根据实验前已经设定好训练集和测试集，训练集里面是已经知道哪个是左手哪个是右手运动，而测试集不知道，最后分类是对测试集分类，然后与训练集中的正确结果比对，最后得到分类正确率为92％；
其中，是拉格朗日乘子，ε*是分类阈值；
ei∈{+1,-1}，作为判别参量；m为空间中的任一点，即属于Mk中的样本，Mk为输入向量空间。k为核函数参数，为核函数中心，即支持向量机中的超平面。
Step7、并利用互信息MI准则对支持向量机分类的结果92％进行评判；互信息所以支持向量机分类的结果有效。
给出经过实验验证，该方法与其他运动想象脑电特征识别方法相比较，如表1所示，信号的分离精度(即稳态性能)明显高，其计算量小，收敛速度快，并且受参数影响小，从而很大程度上提高了分类准确率。
表1本发明支持向量机与其他运动想象脑电特征识别方法的分类准确率对比表
| 识别方法 | 分类准确率(％) |
| BP神经网络 | 82.03 |
| 朴素贝叶斯 | 82 |
| 线性判别分析 | 82.94 |
| 支持向量机 | 92 |
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (4)
1.一种运动想象脑电波解析方法，其特征在于：首先将采集到的想象左右手运动的脑电信号利用自适应陷波算法剔除线电干扰，然后将得到的信号利用自适应阈值剔除算法丢弃污染严重的脑电片段，接着利用四阶巴特沃兹高通滤波器去除基线漂移，再采用自动独立分量分析算法自动剔除眼电、肌电伪迹成分和非运动参数想象相关神经信号伪迹，此时即可得到干净的脑信号，利用共同空间模式对干净的脑信号进行特征提取，并得到特征提取之后得到的脑电特征向量；通过支持向量机对脑电特征向量进行分类，最终识别出脑电信号相对应的不同含义。
2.根据权利要求1所述的运动想象脑电波解析方法，其特征在于：所述运动想象脑电波解析方法的具体步骤如下：
Step1、首先将采集到的想象左右手运动的脑电信号X(t)利用自适应陷波算法剔除50Hz工频干扰得到信号X(t)1；
Step2、将剔除工频干扰的信号X(t)1利用自适应阈值剔除算法丢弃污染严重的脑电片段，得到信号X(t)2；
其中，信号X(t)1的幅值超过±100μV时，信号X(t)1看作噪声，那么直接把信号X(t)1剔除；
Step3、接着利用四阶巴特沃兹高通滤波器对信号X(t)2去除基线漂移，得到信号X(t)3；
Step4、再采用自动独立分量分析算法ICA自动剔除眼电、肌电伪迹成分和非运动参数想象相关神经信号伪迹；此时即可得到干净的脑信号Y(t)；
Step5、利用共同空间模式CSP对脑信号Y(t)进行特征提取，并得到特征提取之后得到的脑电特征向量Mk；
Step6、通过支持向量机对脑电特征向量Mk进行模式分类，最终识别出脑电信号相对应的不同含义。
3.根据权利要求2所述的运动想象脑电波解析方法，其特征在于：所述步骤Step6中，支持向量机利用核函数参数k和误差惩罚因子c对脑电特征向量Mk进行分类，核函数参数k和误差惩罚因子c的最佳取值分别为1.2982和0.4851。
4.根据权利要求2所述的运动想象脑电波解析方法，其特征在于：所述步骤Step3中，采用的四阶巴特沃兹高通滤波器通带截止频率为0.5Hz和30Hz。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510316714.8A CN104970790B (zh) | 2015-06-11 | 2015-06-11 | 一种运动想象脑电波解析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510316714.8A CN104970790B (zh) | 2015-06-11 | 2015-06-11 | 一种运动想象脑电波解析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104970790A true CN104970790A (zh) | 2015-10-14 |
| CN104970790B CN104970790B (zh) | 2018-02-09 |
Family
ID=54268159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510316714.8A Expired - Fee Related CN104970790B (zh) | 2015-06-11 | 2015-06-11 | 一种运动想象脑电波解析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104970790B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930864A (zh) * | 2016-04-15 | 2016-09-07 | 杭州电子科技大学 | 一种基于abc-svm的脑电信号特征分类方法 |
| CN107358026A (zh) * | 2017-06-14 | 2017-11-17 | 中国人民解放军信息工程大学 | 一种基于脑机接口和物联网的残疾人智能陪护系统 |
| CN107669266A (zh) * | 2017-10-12 | 2018-02-09 | 公安部南昌警犬基地 | 一种动物脑电分析系统 |
| CN109685071A (zh) * | 2018-11-30 | 2019-04-26 | 杭州电子科技大学 | 基于共同空间模式特征宽度学习的脑电分类方法 |
| CN109784211A (zh) * | 2018-12-26 | 2019-05-21 | 西安交通大学 | 一种基于深度学习的运动想象脑电信号分类方法 |
| CN110652293A (zh) * | 2019-10-22 | 2020-01-07 | 燕山大学 | 一种用于运动想象脑电信号的自适应预处理优化方法 |
| CN110916652A (zh) * | 2019-10-21 | 2020-03-27 | 昆明理工大学 | 用于基于运动想象的脑电控制机器人移动的数据采集装置、方法及其应用 |
| CN111317468A (zh) * | 2020-02-27 | 2020-06-23 | 腾讯科技（深圳）有限公司 | 脑电信号分类方法、装置、计算机设备和存储介质 |
| CN111544854A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于脑肌电信号深度学习融合的脑卒中运动康复方法 |
| CN113057655A (zh) * | 2020-12-29 | 2021-07-02 | 深圳迈瑞生物医疗电子股份有限公司 | 用于脑电信号干扰的识别方法以及识别系统、检测系统 |
| CN113239778A (zh) * | 2021-05-10 | 2021-08-10 | 杭州电子科技大学 | 一种运动想象脑电信号特征提取方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010003145A1 (en) * | 1999-12-03 | 2001-06-07 | Akio Mori | Judgment method of the brain wave activity and the brain wave activity quantification measurement equipment |
| US20100274153A1 (en) * | 2010-06-25 | 2010-10-28 | Tucker Don M | Method and apparatus for reducing noise in brain signal measurements |
| CN103258120A (zh) * | 2013-04-19 | 2013-08-21 | 杭州电子科技大学 | 一种基于脑电信号的中风康复程度指标计算方法 |
| CN103340624A (zh) * | 2013-07-22 | 2013-10-09 | 上海交通大学 | 少通道下运动想象脑电特征的提取方法 |
-
2015
- 2015-06-11 CN CN201510316714.8A patent/CN104970790B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010003145A1 (en) * | 1999-12-03 | 2001-06-07 | Akio Mori | Judgment method of the brain wave activity and the brain wave activity quantification measurement equipment |
| US20100274153A1 (en) * | 2010-06-25 | 2010-10-28 | Tucker Don M | Method and apparatus for reducing noise in brain signal measurements |
| CN103258120A (zh) * | 2013-04-19 | 2013-08-21 | 杭州电子科技大学 | 一种基于脑电信号的中风康复程度指标计算方法 |
| CN103340624A (zh) * | 2013-07-22 | 2013-10-09 | 上海交通大学 | 少通道下运动想象脑电特征的提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| 古良玲: "基于可编程逻辑器件的脑电信号自适应滤波技术的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 李晓欧: "基于独立分量分析和共同空间模式的脑电特征提取方法", 《生物医学工程学杂志》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930864A (zh) * | 2016-04-15 | 2016-09-07 | 杭州电子科技大学 | 一种基于abc-svm的脑电信号特征分类方法 |
| CN107358026A (zh) * | 2017-06-14 | 2017-11-17 | 中国人民解放军信息工程大学 | 一种基于脑机接口和物联网的残疾人智能陪护系统 |
| CN107669266A (zh) * | 2017-10-12 | 2018-02-09 | 公安部南昌警犬基地 | 一种动物脑电分析系统 |
| CN109685071A (zh) * | 2018-11-30 | 2019-04-26 | 杭州电子科技大学 | 基于共同空间模式特征宽度学习的脑电分类方法 |
| CN109784211A (zh) * | 2018-12-26 | 2019-05-21 | 西安交通大学 | 一种基于深度学习的运动想象脑电信号分类方法 |
| CN110916652A (zh) * | 2019-10-21 | 2020-03-27 | 昆明理工大学 | 用于基于运动想象的脑电控制机器人移动的数据采集装置、方法及其应用 |
| CN110652293A (zh) * | 2019-10-22 | 2020-01-07 | 燕山大学 | 一种用于运动想象脑电信号的自适应预处理优化方法 |
| CN111317468A (zh) * | 2020-02-27 | 2020-06-23 | 腾讯科技（深圳）有限公司 | 脑电信号分类方法、装置、计算机设备和存储介质 |
| CN111317468B (zh) * | 2020-02-27 | 2024-04-19 | 腾讯科技（深圳）有限公司 | 脑电信号分类方法、装置、计算机设备和存储介质 |
| CN111544854A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于脑肌电信号深度学习融合的脑卒中运动康复方法 |
| CN113057655A (zh) * | 2020-12-29 | 2021-07-02 | 深圳迈瑞生物医疗电子股份有限公司 | 用于脑电信号干扰的识别方法以及识别系统、检测系统 |
| CN113239778A (zh) * | 2021-05-10 | 2021-08-10 | 杭州电子科技大学 | 一种运动想象脑电信号特征提取方法 |
| CN113239778B (zh) * | 2021-05-10 | 2024-03-29 | 杭州电子科技大学 | 一种运动想象脑电信号特征提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104970790B (zh) | 2018-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104970790B (zh) | 一种运动想象脑电波解析方法 | |
| Radüntz et al. | Automated EEG artifact elimination by applying machine learning algorithms to ICA-based features | |
| CN106108894A (zh) | 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法 | |
| CN105962915B (zh) | 非接触式人体呼吸率与心率同步测量方法及系统 | |
| CN106388814B (zh) | 基于最优核时频分布可视图的癫痫脑电信号识别方法 | |
| CN103092971B (zh) | 一种用于脑机接口中的分类方法 | |
| CN106203497B (zh) | 基于图像质量评价的手指静脉感兴趣区域图像筛选方法 | |
| CN108764043A (zh) | 基于动态功能连接的熵值的脑电分类方法 | |
| CN103996054A (zh) | 一种基于组合差异进化的脑电信号特征选择及分类方法 | |
| CN114532993B (zh) | 一种癫痫患者脑电高频振荡信号的自动检测方法 | |
| CN104751186A (zh) | 一种基于bp网络和小波变换的虹膜图像质量分类方法 | |
| CN112464902B (zh) | 基于多通道多维特征优化的脑电眨眼伪迹检测方法 | |
| Ying et al. | A study on the method of image pre-processing for recognition of crop diseases | |
| Liu et al. | Improved GMM with parameter initialization for unsupervised adaptation of brain–computer interface | |
| CN106485208A (zh) | 单通道脑电信号中眼电干扰的自动去除方法 | |
| CN110120032A (zh) | 基于相对总变差模型与mser的织物毛球等级评价方法 | |
| Hekmatmanesh et al. | Sleep spindle detection and prediction using a mixture of time series and chaotic features | |
| Yeung et al. | Adaptive HD-sEMG decomposition: towards robust real-time decoding of neural drive | |
| CN113378737A (zh) | 植入式脑机接口神经元锋电位分类方法 | |
| Lalli et al. | A development of knowledge-based inferences system for detection of breast cancer on thermogram images | |
| Wei et al. | A mathematical model of retinal ganglion cells and its applications in image representation | |
| Li et al. | Classification of tongue coating using Gabor and Tamura features on unbalanced data set | |
| CN107590788A (zh) | 一种遥感图像处理方法 | |
| Karunamoorthy et al. | A defect tea leaf identification using image processing | |
| Guo et al. | NAO robot limb control method based on motor imagery EEG |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180209 |