CN105068663A - 一种基于脑电信号的对象选择方法及装置 - Google Patents
一种基于脑电信号的对象选择方法及装置 Download PDFInfo
- Publication number
- CN105068663A CN105068663A CN201510598691.4A CN201510598691A CN105068663A CN 105068663 A CN105068663 A CN 105068663A CN 201510598691 A CN201510598691 A CN 201510598691A CN 105068663 A CN105068663 A CN 105068663A
- Authority
- CN
- China
- Prior art keywords
- object selection
- eeg signals
- eeg
- eeg signal
- feature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000000763 evoking effect Effects 0.000 claims abstract description 40
- 230000003068 static effect Effects 0.000 claims abstract description 30
- 210000004556 brain Anatomy 0.000 claims description 32
- 230000005284 excitation Effects 0.000 claims description 11
- 238000010187 selection method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims 6
- 238000012545 processing Methods 0.000 abstract description 15
- 230000003993 interaction Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 230000002269 spontaneous effect Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种基于脑电信号的对象选择方法，所述方法包括：首先利用脑电波采集设备采集脑电信号后，对所述脑电信号进行去噪处理，以提取所述脑电信号中的诱发脑电信号。其次，提取所述诱发脑电信号中，与预先确定的脑电信号特征对应的静态特征，所述脑电信号特征用于描述对象选择激发的脑电信号。再次，利用预先建立的动态模型，将所述静态特征采用动态特征表示，得到所述诱发脑电信号的动态特征。最后，将所述动态特征输入到预先训练的对象选择分类器中，以便进行对象选择。本发明旨在利用脑电信号处理技术实现现实生活中人对智能终端设备，如电脑、电视、手机中的对象选择，以达到人机之间更加自然地交互的目的。
Description
技术领域
本发明涉及人机交互领域，具体涉及一种基于脑电信号的对象选择方法及装置。
背景技术
通过医学仪器将人体脑部自身产生的生物电进行记录得到的脑电图，主要用于医学诊断。例如诊断癫痫、阿尔茨海默病、脑血管疾病等。随着脑电信号处理技术的进步，脑电信号被用来作为人和终端设备之间的交互通道。
虽然脑电信号处理技术在医学领域有着广泛的应用，并且在人机交互领域有着良好的应用前景。但是将脑电信号处理技术应用到现实生活中，帮助人们完成某项任务，目前还面临很多问题。
发明内容
有鉴于此，本发明提供了一种基于脑电信号的对象选择方法及装置。
本发明提供了一种基于脑电信号的对象选择方法，所述方法包括：
利用脑电波采集设备采集脑电信号后，对所述脑电信号进行去噪处理，以提取所述脑电信号中的诱发脑电信号；
提取所述诱发脑电信号中，与预先确定的描述选择对象激发的脑电信号的特征对应的静态特征；
利用预先建立的动态模型，将所述静态特征采用动态特征表示，得到所述诱发脑电信号的动态特征；
将所述动态特征输入到预先训练的对象选择分类器中，以便进行对象选择。
优选地，所述动态模型包括隐马尔科夫模型。
优选地，所述方法还包括：
预先进行N次对象选择的试验，确定用于描述对象选择激发的脑电信号的特征，所述N为自然数。
优选地，所述对象选择分类器包括非线性分类器。
优选地，所述非线性分类器包括利用高斯过程模型建立的分类器。
本发明提供的一种基于脑电信号的对象选择装置，所述装置包括：
第一提取模块，用于利用脑电波采集设备采集脑电信号后，对所述脑电信号进行去噪处理，以提取所述脑电信号中的诱发脑电信号；
第二提取模块，用于提取所述诱发脑电信号中，与预先确定的脑电信号特征对应的静态特征，所述脑电信号特征用于描述对象选择激发的脑电信号；
动态表示模块，用于利用预先建立的动态模型，将所述静态特征采用动态特征表示，得到所述诱发脑电信号的动态特征；
分类模块，用于将所述动态特征输入到预先训练的对象选择分类器中，以便进行对象选择。
优选地，所述动态模型包括隐马尔科夫模型。
优选地，所述装置还包括：
试验模块，用于预先进行N次对象选择的试验，确定用于描述对象选择激发的脑电信号的特征，所述N为自然数。
优选地，所述对象选择分类器包括非线性分类器。
优选地，所述非线性分类器包括利用高斯过程模型建立的分类器。
本发明首先利用脑电波采集设备采集脑电信号后，对所述脑电信号进行去噪处理，以提取所述脑电信号中的诱发脑电信号。其次，提取所述诱发脑电信号中，与预先确定的脑电信号特征对应的静态特征，所述脑电信号特征用于描述对象选择激发的脑电信号。再次，利用预先建立的动态模型，将所述静态特征采用动态特征表示，得到所述诱发脑电信号的动态特征。最后，将所述动态特征输入到预先训练的对象选择分类器中，以便进行对象选择。本发明旨在利用脑电信号处理技术实现现实生活中人对智能终端设备，如电脑、电视、手机中的对象选择，以达到人机之间更加自然地交互的目的。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于脑电信号的对象选择方法流程图；
图2为本发明提供的音视频播放软件的滑动式节目选择界面示意图；
图3为本发明提供的基于脑电信号的对象选择装置结构示意图；
图4为本发明提供的计算机的部分结构的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明实施例提供的基于脑电信号的对象选择方法应用于基于脑电波的应用中，其中，所述基于脑电波的应用可以为音视频播放软件、图片浏览器等。也就是说，本发明实施例提供的基于脑电信号的对象选择方法具体可以为音视频播放软件中的音视频选择方法，也可以为图片浏览器中的图片选择方法等。本发明实施例中，智能终端设备，如电视、手机、电脑等能够安装所述基于脑电波的应用。
基于脑电波的应用中，通常需要设计进行交互的人机界面，即对象选择的交互界面。例如应用中的各个对象可以采用不同的颜色，交互界面采用不同的空间布局，如规则的分布各个选择对象，滑动式显示各个选择对象等。具体的实现过程中，用户在利用基于脑电波的应用进行对象选择时，在大脑中想象对特定对象的选择。
实施例一
参考图1，图1为本实施例提供的一种基于脑电信号的对象选择方法流程图，具体可以包括：
S101：利用脑电波采集设备采集脑电信号后，对所述脑电信号进行去噪处理，以提取所述脑电信号中的诱发脑电信号。
S102：提取所述诱发脑电信号中，与预先确定的脑电信号特征对应的静态特征，所述脑电信号特征用于描述对象选择激发的脑电信号。
S103：利用预先建立的动态模型，将所述静态特征采用动态特征表示，得到所述诱发脑电信号的动态特征。
S104：将所述动态特征输入到预先训练的对象选择分类器中，以便进行对象选择。
S101中，脑电信号分为自发脑电信号和诱发脑电信号，其中，诱发脑电信号是由外部刺激引发的脑电波，一般比大脑自发活动产生的脑电信号(自发脑电信号)要弱很多。现实生活中的基于脑电波的应用一般只与诱发脑电信号有关，但是脑电波采集设备也会采集到来自于骨骼肌活动产生的电信号、心脏活动产生的电信号或者是眼球运动产生的电信号等自发脑电信号，而这些自发脑电信号对于现实生活中基于脑电波的应用中任务的识别是一种干扰噪音的来源。所以，本发明实施例中，用户在使用基于脑电波的应用时，脑电波采集设备首先采集用户的脑电波信号，其次，对所述脑电波信号进行去噪处理，具体包括去除脑电信号中的自发脑电信号，最终提取脑电信号中的诱发脑电信号。
实际应用中，根据应用领域及其精度要求的不同，存在不同型号的脑电波采集设备。一般医用的脑电波记录仪精度比较高，但价格也比较昂贵；而便携式脑电波采集设备是可以在日常生活中使用的脑电波记录仪，其精度相对较低，但是也能够满足一般基于脑电波的应用的需求。本发明实施例基于使用方便的需求，采用便携式脑电波采集设备对脑电波信号进行采集。
在S102中，基于脑电波应用的对象选择界面的设计不同，导致脑电波中受外部刺激激发的特征也不同。例如，不同的颜色和形状激发不同特点的脑电信号。本发明实施例中，可以提取的脑电波信号的特征包括频率、振幅范围、脑电波产生的时间延时信息或者大脑功能区域等。本发明实施例预先进行N次对象选择的试验，所述N为自然数，最终确定描述对象选择激发的脑电信号的特征。具体实现过程中，多次采集用户在对象选择时产生的脑电信号，并与用户在正常状态下产生的脑电信号比较，找出用户在对象选择时产生的脑电信号中具有代表性的特征，并将该特征确定为描述对象选择激发的脑电信号的特征。
本发明实施例中，在获取脑电信号中的诱发脑电信号后，提取所述诱发脑电信号中与预先确定的脑电信号特征对应的静态特征，所述脑电信号特征用于描述对象选择激发的脑电信号。例如，预先确定的用于描述对象选择激发的脑电波信号的特征为脑电信号的频率，则提取所述诱发脑电信号中若干个时间点的频率特征作为所述诱发脑电信号中的静态特征。
S103中，建立动态模型，所述动态模型的输入为提取的所述诱发脑电信号中的静态特征，所述动态模型的输出参数为所述诱发脑电信号的动态特征。也就是说，利用所述动态模型，将所述静态特征采用动态特征表示出来。具体的，所述动态模型包括隐马尔科夫模型(HiddenMarkovChain)，能够动态的描述脑电信号的状态变化。本发明实施例通过利用隐马尔科夫模型对静态特征进行动态表示，能够用一定时间内的脑电信号的状态变化反映用户的对象选择结果，与单纯的利用静态特征相比，能够更准确的反映对象选择的结果。
在S104中，预先训练对象选择分类器，所述对象选择分类器包括线性分类器和非线性分类器。为了保证对象选择结果的准确性，本发明实施例使用的对象选择器最好为非线性分类器，具体的非线性分类器为利用高斯过程模型建立的分类器。
本发明实施例中，预先通过多次训练，得到用于建立对象选择分类器的模型参数，使得对象选择分类器在实际使用时能够进行对象选择的预测。具体的，进行M次对象选择的试验，得到分类器的模型参数，所述M为自然数。在使用训练好的对象选择分类器时，将使用时产生诱发脑电信号的动态特征输入到对象选择分类器中，经过所述对象选择分类器的处理得到用户的对象选择结果。具体的，所述对象选择分类器的输出结果为0或1，其中，0表示用户未选择当前显示的对象，1表示用户选择当前显示的对象。
下面以一种应用于音视频播放软件中的音视频选择方法为例，简单介绍一下本发明提供的基于脑电信号的对象选择方法。
如图2，图2为音视频播放软件的滑动式节目选择界面示意图。具体的，用户佩戴有便携式脑电波采集设备。当所述用户对所述滑动式节目选择界面上的当前节目(图2中的AlldogsgotoHeaven)进行选择时，所述便携式脑电波采集设备采集所述用户产生的脑电信号，并将所述脑电信号传送至计算机系统。所述计算机系统对所述脑电信号进行去噪处理后，提取所述脑电信号中的诱发脑电信号，并根据预先确定的描述对象选择激发的脑电信号的特征，提取所述诱发脑电信号中的静态特征。所述计算机系统利用预先建立的动态模型，将所述静态特征采用动态特征表示，得到所述诱发脑电信号的动态特征，最终将所述动态特征输入到预先训练的对象选择分类器中，进行对象选择，得到对象选择结果，即输出0或1。所述计算机系统将输出的选择结果传送至安装有所述音视频播放软件的智能终端设备，所述智能终端设备在接收到所述选择结果后，根据所述选择结果确定是否展示当前节目，例如所述智能终端设备在接收到1时，播放当前节目。
本发明实施例中，首先，利用脑电波采集设备采集脑电信号后，对所述脑电信号进行去噪处理，以提取所述脑电信号中的诱发脑电信号。其次，提取所述诱发脑电信号中，与预先确定的脑电信号特征对应的静态特征，所述脑电信号特征用于描述对象选择激发的脑电信号。再次，利用预先建立的动态模型，将所述静态特征采用动态特征表示，得到所述诱发脑电信号的动态特征。最后，将所述动态特征输入到预先训练的对象选择分类器中，以便进行对象选择。本发明旨在利用脑电信号处理技术实现现实生活中人对智能终端设备，如电脑、电视、手机中的对象选择，以达到人机之间更加自然地交互的目的。
实施例二
参考图3，图3为本发明实施例提供的一种基于脑电信号的对象选择装置的结构示意图，所述装置包括：
第一提取模块301，用于利用脑电波采集设备采集脑电信号后，对所述脑电信号进行去噪处理，以提取所述脑电信号中的诱发脑电信号；
第二提取模块302，用于提取所述诱发脑电信号中，与预先确定的脑电信号特征对应的静态特征，所述脑电信号特征用于描述对象选择激发的脑电信号；
动态表示模块303，用于利用预先建立的动态模型，将所述静态特征采用动态特征表示，得到所述诱发脑电信号的动态特征；
分类模块304，用于将所述动态特征输入到预先训练的对象选择分类器中，以便进行对象选择。
其中，所述动态模型包括隐马尔科夫模型。
一种实现方式中，所述装置还包括：
试验模块，用于预先进行N次对象选择的试验，确定用于描述对象选择激发的脑电信号的特征，所述N为自然数。
为了提高对象选择结果的准确性，所述对象选择分类器包括非线性分类器。
进一步的，所述非线性分类器包括利用高斯过程模型建立的分类器。
本发明实施例提供的基于脑电信号的对象选择装置能够提供以下功能：利用脑电波采集设备采集脑电信号后，对所述脑电信号进行去噪处理，以提取所述脑电信号中的诱发脑电信号。提取所述诱发脑电信号中，与预先确定的脑电信号特征对应的静态特征，所述脑电信号特征用于描述对象选择激发的脑电信号。利用预先建立的动态模型，将所述静态特征采用动态特征表示，得到所述诱发脑电信号的动态特征。将所述动态特征输入到预先训练的对象选择分类器中，以便进行对象选择。本发明旨在利用脑电信号处理技术实现现实生活中人对智能终端设备，如电脑、电视、手机中的对象选择，以达到人机之间更加自然地交互的目的。
相应的，本发明实施例还提供一种基于脑电信号的对象选择计算机，参见图4所示，可以包括：
处理器401、存储器402、输入装置403和输出装置404。该计算机中的处理器401的数量可以一个或多个，图4中以一个处理器为例。在本发明的一些实施例中，处理器401、存储器402、输入装置403和输出装置404可通过总线或其它方式连接，其中，图4中以通过总线连接为例。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行该计算机的各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。输入装置403可用于接收输入的数字或字符信息，以及产生与该计算机的用户设置以及功能控制有关的键信号输入。
具体在本实施例中，处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能：
利用脑电波采集设备采集脑电信号后，对所述脑电信号进行去噪处理，以提取所述脑电信号中的诱发脑电信号；
提取所述诱发脑电信号中，与预先确定的脑电信号特征对应的静态特征，所述脑电信号特征用于描述对象选择激发的脑电信号；
利用预先建立的动态模型，将所述静态特征采用动态特征表示，得到所述诱发脑电信号的动态特征；
将所述动态特征输入到预先训练的对象选择分类器中，以便进行对象选择。
优选地，所述动态模型包括隐马尔科夫模型。
优选地，所述方法还包括：
预先进行N次对象选择的试验，确定用于描述对象选择激发的脑电信号的特征，所述N为自然数。
优选地，所述对象选择分类器包括非线性分类器。
优选地，所述非线性分类器包括利用高斯过程模型建立的分类器。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明实施例所提供的一种基于脑电信号的对象选择方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于脑电信号的对象选择方法，其特征在于，所述方法包括：
利用脑电波采集设备采集脑电信号后，对所述脑电信号进行去噪处理，以提取所述脑电信号中的诱发脑电信号；
提取所述诱发脑电信号中，与预先确定的脑电信号特征对应的静态特征，所述脑电信号特征用于描述对象选择激发的脑电信号；
利用预先建立的动态模型，将所述静态特征采用动态特征表示，得到所述诱发脑电信号的动态特征；
将所述动态特征输入到预先训练的对象选择分类器中，以便进行对象选择。
2.根据权利要求1所述的方法，其特征在于，所述动态模型包括隐马尔科夫模型。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
预先进行N次对象选择的试验，确定用于描述对象选择激发的脑电信号的特征，所述N为自然数。
4.根据权利要求1所述的方法，其特征在于，所述对象选择分类器包括非线性分类器。
5.根据权利要求4所述的方法，其特征在于，所述非线性分类器包括利用高斯过程模型建立的分类器。
6.一种基于脑电信号的对象选择装置，其特征在于，所述装置包括：
第一提取模块，用于利用脑电波采集设备采集脑电信号后，对所述脑电信号进行去噪处理，以提取所述脑电信号中的诱发脑电信号；
第二提取模块，用于提取所述诱发脑电信号中，与预先确定的脑电信号特征对应的静态特征，所述脑电信号特征用于描述对象选择激发的脑电信号；
动态表示模块，用于利用预先建立的动态模型，将所述静态特征采用动态特征表示，得到所述诱发脑电信号的动态特征；
分类模块，用于将所述动态特征输入到预先训练的对象选择分类器中，以便进行对象选择。
7.根据权利要求6所述的装置，其特征在于，所述动态模型包括隐马尔科夫模型。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
试验模块，用于预先进行N次对象选择的试验，确定用于描述对象选择激发的脑电信号的特征，所述N为自然数。
9.根据权利要求6所述的装置，其特征在于，所述对象选择分类器包括非线性分类器。
10.根据权利要求9所述的装置，其特征在于，所述非线性分类器包括利用高斯过程模型建立的分类器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510598691.4A CN105068663A (zh) | 2015-09-18 | 2015-09-18 | 一种基于脑电信号的对象选择方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510598691.4A CN105068663A (zh) | 2015-09-18 | 2015-09-18 | 一种基于脑电信号的对象选择方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105068663A true CN105068663A (zh) | 2015-11-18 |
Family
ID=54498049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510598691.4A Pending CN105068663A (zh) | 2015-09-18 | 2015-09-18 | 一种基于脑电信号的对象选择方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105068663A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106175757A (zh) * | 2016-07-11 | 2016-12-07 | 温州大学 | 基于脑电波的行为决策预测系统 |
| CN106354386A (zh) * | 2016-08-30 | 2017-01-25 | 杨永利 | 利用生理信号进行交互的电子设备及方法 |
| CN108139795A (zh) * | 2015-12-30 | 2018-06-08 | 深圳市赛亿科技开发有限公司 | 家电控制方法、装置及系统 |
| CN108304069A (zh) * | 2018-01-31 | 2018-07-20 | 京东方科技集团股份有限公司 | 基于脑电信号的图像处理方法及系统 |
| CN110275455A (zh) * | 2018-03-14 | 2019-09-24 | 佛山市顺德区美的电热电器制造有限公司 | 一种基于脑电信号的控制方法、中央控制设备、云服务器及系统 |
| CN110613446A (zh) * | 2019-09-30 | 2019-12-27 | 京东方科技集团股份有限公司 | 一种信号处理方法及装置 |
| CN116662742A (zh) * | 2023-06-28 | 2023-08-29 | 北京理工大学 | 基于隐马尔可夫模型与掩膜经验模态分解的脑电解码方法 |
| CN116860145A (zh) * | 2023-08-31 | 2023-10-10 | 小舟科技有限公司 | 一种基于用户bci信息的aigc个性化图像生成方法及相关装置 |
| CN117617995A (zh) * | 2024-01-26 | 2024-03-01 | 小舟科技有限公司 | 脑机接口关键脑区编码的采集与识别方法、计算机设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006009129A1 (en) * | 2004-07-16 | 2006-01-26 | Semiconductor Energy Laboratory Co., Ltd. | Biological signal processing unit, wireless memory, biological signal processing system, and control system of device to be controlled |
| CN1949140A (zh) * | 2006-11-08 | 2007-04-18 | 天津大学 | 脑－机接口鼠标控制方法 |
| CN104571504A (zh) * | 2014-12-24 | 2015-04-29 | 天津大学 | 一种基于想象动作的在线脑-机接口方法 |
-
2015
- 2015-09-18 CN CN201510598691.4A patent/CN105068663A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006009129A1 (en) * | 2004-07-16 | 2006-01-26 | Semiconductor Energy Laboratory Co., Ltd. | Biological signal processing unit, wireless memory, biological signal processing system, and control system of device to be controlled |
| CN1949140A (zh) * | 2006-11-08 | 2007-04-18 | 天津大学 | 脑－机接口鼠标控制方法 |
| CN104571504A (zh) * | 2014-12-24 | 2015-04-29 | 天津大学 | 一种基于想象动作的在线脑-机接口方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘延刚: "前额脑电与血氧信息融合的人-机交互装置研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108139795A (zh) * | 2015-12-30 | 2018-06-08 | 深圳市赛亿科技开发有限公司 | 家电控制方法、装置及系统 |
| CN106175757A (zh) * | 2016-07-11 | 2016-12-07 | 温州大学 | 基于脑电波的行为决策预测系统 |
| CN106175757B (zh) * | 2016-07-11 | 2019-10-01 | 温州大学 | 基于脑电波的行为决策预测系统 |
| CN106354386B (zh) * | 2016-08-30 | 2018-06-29 | 杨永利 | 利用生理信号进行交互的电子设备及方法 |
| CN106354386A (zh) * | 2016-08-30 | 2017-01-25 | 杨永利 | 利用生理信号进行交互的电子设备及方法 |
| CN108304069A (zh) * | 2018-01-31 | 2018-07-20 | 京东方科技集团股份有限公司 | 基于脑电信号的图像处理方法及系统 |
| CN110275455A (zh) * | 2018-03-14 | 2019-09-24 | 佛山市顺德区美的电热电器制造有限公司 | 一种基于脑电信号的控制方法、中央控制设备、云服务器及系统 |
| CN110613446A (zh) * | 2019-09-30 | 2019-12-27 | 京东方科技集团股份有限公司 | 一种信号处理方法及装置 |
| CN116662742A (zh) * | 2023-06-28 | 2023-08-29 | 北京理工大学 | 基于隐马尔可夫模型与掩膜经验模态分解的脑电解码方法 |
| CN116860145A (zh) * | 2023-08-31 | 2023-10-10 | 小舟科技有限公司 | 一种基于用户bci信息的aigc个性化图像生成方法及相关装置 |
| CN116860145B (zh) * | 2023-08-31 | 2023-11-24 | 小舟科技有限公司 | 一种基于用户bci信息的aigc个性化图像生成方法及相关装置 |
| CN117617995A (zh) * | 2024-01-26 | 2024-03-01 | 小舟科技有限公司 | 脑机接口关键脑区编码的采集与识别方法、计算机设备 |
| CN117617995B (zh) * | 2024-01-26 | 2024-04-05 | 小舟科技有限公司 | 脑机接口关键脑区编码的采集与识别方法、计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105068663A (zh) | 一种基于脑电信号的对象选择方法及装置 | |
| CN110245213B (zh) | 调查问卷生成方法、装置、设备和存储介质 | |
| Kumar et al. | Envisioned speech recognition using EEG sensors | |
| Kam et al. | Non-homogeneous spatial filter optimization for ElectroEncephaloGram (EEG)-based motor imagery classification | |
| Schneider et al. | HapTurk: Crowdsourcing affective ratings of vibrotactile icons | |
| CN112380377B (zh) | 一种音频推荐方法、装置、电子设备及计算机存储介质 | |
| CN104503592A (zh) | 头部动作确定方法和装置 | |
| US10238310B2 (en) | Knowledge discovery based on brainwave response to external stimulation | |
| KR20200097681A (ko) | 뇌파 신호로부터 개인의 시각적 관심을 디코딩하는 방법 | |
| US9545225B2 (en) | Device-independent neurological monitoring system | |
| CN107992602A (zh) | 搜索结果展示方法和装置 | |
| KR102424403B1 (ko) | 사용자 상태를 예측하기 위한 방법 및 그 장치 | |
| JP7336755B2 (ja) | データ生成装置、生体データ計測システム、識別器生成装置、データ生成方法、識別器生成方法及びプログラム | |
| CN110367976B (zh) | 脑电波信号检测方法、相关设备和存储介质 | |
| CN111026267B (zh) | Vr脑电意念控制接口系统 | |
| CN109243549A (zh) | 一种智能随访方法、装置及服务器 | |
| CN112420049A (zh) | 数据处理方法、装置及存储介质 | |
| CN116244633A (zh) | 一种运动想象脑电信号分类方法及系统 | |
| CN111317467A (zh) | 脑电信号分析方法、装置、终端设备及存储介质 | |
| US11666267B2 (en) | Knowledge, interest and experience discovery by psychophysiologic response to external stimulation | |
| CN114265500A (zh) | 一种基于传感器技术的虚拟现实增强方法及系统 | |
| CN117519483B (zh) | 基于数字虚拟的媒体动态交互方法、系统和介质 | |
| KR102094936B1 (ko) | Bci 시스템의 신뢰성 향상 방법 | |
| CN118940099A (zh) | 情绪识别方法、情绪识别系统、电子设备及存储介质 | |
| CN106547340A (zh) | 基于重力感应快速隐藏网页元素的方法、装置及智能终端 |
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: 20151118 |
|
| RJ01 | Rejection of invention patent application after publication |