CN105653039B - 一种基于脑电信号检测的手部动作自动矫正识别方法 - Google Patents

一种基于脑电信号检测的手部动作自动矫正识别方法 Download PDF

Info

Publication number
CN105653039B
CN105653039B CN201610036688.8A CN201610036688A CN105653039B CN 105653039 B CN105653039 B CN 105653039B CN 201610036688 A CN201610036688 A CN 201610036688A CN 105653039 B CN105653039 B CN 105653039B
Authority
CN
China
Prior art keywords
eeg signals
automatic straightening
hand motion
movement
patient
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.)
Expired - Fee Related
Application number
CN201610036688.8A
Other languages
English (en)
Other versions
CN105653039A (zh
Inventor
孙杳如
宋亚林
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN201610036688.8A priority Critical patent/CN105653039B/zh
Publication of CN105653039A publication Critical patent/CN105653039A/zh
Application granted granted Critical
Publication of CN105653039B publication Critical patent/CN105653039B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Neurosurgery (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Dermatology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种基于脑电信号检测的手部动作自动矫正识别方法，包括以下步骤：1)获取健康受试者的脑电信号的ERP成份；2)获取活动严重受限患者相应脑区的脑电信号；3)设定特征计算时间窗Fw，分别获取健康受试者和严重受限患者进行手指动作自动矫正试验的脑电信号在特征计算时间窗Fw内的峰值、平均值Mean、标准差SD、采集电极信号的相关系数CORR、自回归模型系数AR和脑电信号能量E；4)采用二分类的支持向量机进行分类识别，判断受试者在手部动作的自动矫正实验中完成的动作是否为正确完成自动矫正的动作。与现有技术相比，本发明具有适用于手部动作自动矫正、识别结果准确、应用前景广等优点。

Description

一种基于脑电信号检测的手部动作自动矫正识别方法
技术领域
本发明涉及脑电信号检测领域，尤其是涉及一种基于脑电信号检测的手部动作自动矫正识别方法。
背景技术
人体动作检测是指对人体运动的模式进行分析和识别，是近年来模式识别领域的热点问题，它被广泛应用于人机交互、运动分析与医学康复等诸多领域。人类手部动作的自动矫正是一种特殊且极为重要的动作行为，是人类伸手指向等动作时，相应的手部运动会随着目标物体的突然变化而快速的不受意图的控制地做出调整，而后顶叶皮层脑区被认为是手部自动导向行为机制的大脑神经基础。利用手部动作自动矫正的动作训练可作为人类肢体康复的手段，而动作检测方法则是康复训练系统中的重要部分，对于手部活动正常或轻度受损的患者可采用运动捕捉设备来检测动作，如红外跟踪、加速度仪等，但对于手部活动严重受限患者(如：仅能手指运动等)自动矫正的动作检测，还缺乏有效地检测手段方法，导致此类康复训练系统的适用人群大大降低。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种适用于手部动作自动矫正、识别结果准确、应用前景广的基于脑电信号检测的手部动作自动矫正识别方法。
本发明的目的可以通过以下技术方案来实现：
一种基于脑电信号检测的手部动作自动矫正识别方法，用于康复运动训练中判断活动严重受限患者的手部动作自动矫正的动作是否正确完成，包括以下步骤：
1)多次检测健康受试者进行手指动作自动矫正试验的脑电信号，叠加平均后获取健康受试者的脑电信号的ERP成份，所述的ERP成分包括波峰幅值V和波峰幅值V对应的潜伏期L；
2)检测活动严重受限患者进行手指动作自动矫正试验的脑电信号，获取活动严重受限患者相应脑区的脑电信号，并对脑电信号进行滤波和基线校正预处理；
3)根据潜伏期L和波峰幅值V设定特征计算时间窗Fw，分别获取健康受试者和严重受限患者进行手指动作自动矫正试验的脑电信号在特征计算时间窗Fw内的峰值、平均值Mean、标准差SD、采集电极信号的相关系数CORR、自回归模型系数AR和脑电信号能量E；
4)采用二分类的支持向量机对脑电信号在特征计算时间窗Fw内的峰值、平均值Mean、标准差SD、采集电极信号的相关系数CORR、自回归模型系数AR和脑电信号能量E进行分类识别，根据识别结果判断受试者在手部动作的自动矫正实验中完成的动作是否为正确完成自动矫正的动作。
所述的步骤1)和步骤2)中，脑电信号包括Cz电极、CPz电极和Pz电极脑电信号。
所述的步骤1)和步骤2)中，手指动作自动矫正试验为健康受试者或活动严重受限患者使用摇杆游戏手柄控制屏幕上的光标点触目标图形的手部动作自动矫正实验，在实验过程中通过配戴的脑电采集帽采集相应脑区的脑电信号。
所述的步骤3)中，特征计算时间窗Fw的大小为潜伏期L分别向前和向后扩展50ms。
所述的步骤5)中若二分类的支持向量机输出结果为1，则判定活动严重受限患者正确完成自动矫正的动作，若二分类的支持向量机输出结果为0，则判定活动严重受限患者未能正确完成自动矫正的动作。
与现有技术相比，本发明具有以下优点：
一、适用于手部动作自动矫正：本发明基于手部动作自动矫正的脑电信号检测，提供的动作检测方法具有相当的高效与准确性，达到了脑机接口的执行能力标准，能较好的解决手部动作自动矫正的检测问题，尤其对于手部活动严重受限患者的手部动作自动矫正的识别问题。
二、识别结果准确：本发明采用基于自动矫正的脑电事件相关电位(ERP)特征的特征计算提取方法，根据波峰幅值V对应的潜伏期L来确定特征计算时间窗Fw，准确的限定了识别脑电信号波形的范围，大幅度提高手部动作的自动矫正的识别率，比传统常用的脑电信号特征提取方法的识别率提高约为8个百分点(8％)，可满足对手部动作自动矫正的动作检测要求。经数据对比分析，识别率由传统常用的脑电信号特征提取方法的71.51％提升至本方法的80.41％，约为8个百分点(8％)，可满足对手部动作自动矫正的动作检测要求。
三、应用前景广：本发明针对手部动作自动矫正是一种有效地人类肢体康复的手段，但对于手部活动严重受限患者的自动矫正，还缺乏有效地检测手段方法的问题，能够快速有效地检测自动矫正动作，该方法的发展前景较广，能够应用于手部的康复系统中，扩展康复系统的适应范围。
附图说明
图1为本发明脑电采集电极示意图；
图2为本发明动作检测过程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例：
手部动作的自动矫正是人类的一种特殊的手部动作过程，是人类伸手指向等动作时，相应的手部运动会随着目标物体的突然变化而快速的不受意图的控制地做出调整，本发明中的检测方法是要对这种动作过程的完成情况进行检测，得出是否正确完成的结果，主要应于康复运动训练系统中，当受试(或患者)执行这种动作时给予一个反馈结果，以便康复运动训练系统给予受试(或患者)实时结果，有利于引导其进一步的康复训练。
ERP就是事件相关电位，指当大脑对某种事件进行认知加工时，引起脑电的电位，每个ERP成份用波幅V和潜伏期L来描述，ERP成份不能从单次的实验操作过程中得到，对于本文提及的自动矫正的操作需要执行多次(如：50次)，每次都能得到一个关于自动矫正动作过程的脑电信号，将这50次脑电信号经过叠加平均，才能得到最终的自动矫正的ERP成份。对于此步骤提到的ERP成份，就是在受试看到目标位置发生实然改变时开始计时，将多个受试多次操作经过叠加平均后，找出-100至400毫秒内的较为明显的正负波峰，波峰的值为V，而出现此波峰的时间为L。根据ERP实验可以找出1个或多个V和对应的L。实验可以得到多个L值，即多个时间点，这些时间点下面步骤中选择时间窗Fw的依据。
如图1和图2所示，本发明手部动作自动矫正的脑电信号检测方法，主要用于手部动作自动矫正的检测问题，尤其对于手部活动严重受限患者的手部动作自动矫正的检测问题，其具体的实现过程如下：
1)利用手指动作自动矫正的脑电事件相关电位(ERP)实验结果，即受试者使用手柄控制屏幕上光标点触屏幕上的目标图形的手部动作自动矫正实验，此过程采集脑电信号，经叠加处理并提取相关的ERP成份，如：各个ERP成份的潜伏期(L)和波幅(V)；
2)受试配戴脑电采集帽，使用摇杆游戏手柄执行手部动作的自动矫正任务；
3)受试在动作执行过程中采集相应脑区的脑电信号，采集Cz电极、CPz电极和Pz电极脑电信号；
4)对单次采集的脑电信息进行滤波、基线校正等预处理；
5)单次脑电信号的特征提取，根据所述步骤1)所得出自动矫正的ERP成份的潜伏期和波幅数据，设定的特征计算时间窗Fw,在此时间窗内计算脑电波形的峰值，并将其定义为F_ERP,三个检测电极即有三个F_ERP特征值；
6)计算脑电信号常用的脑电信号特征，即平均值Mean，标准差SD，采集电极信号的相关系数CORR，自回归模型系数AR，脑电信号能量E；
7)利用二分类的支持向量机进行分类识别，支持向量机训练时的迭代次数设置为100000次。
8)如果分类识别结果为1，即受试者完成的动作为正确完成自动矫正的动作，否则为未发生自动矫正的手部动作。

Claims (5)

1.一种基于脑电信号检测的手部动作自动矫正识别方法，用于康复运动训练中判断活动严重受限患者的手部动作自动矫正的动作是否正确完成，其特征在于，包括以下步骤：
1)多次检测健康受试者进行手指动作自动矫正试验的脑电信号，叠加平均后获取健康受试者的脑电信号的事件相关电位ERP成份，所述的事件相关电位ERP成分包括波峰幅值V和波峰幅值V对应的潜伏期L；
2)检测活动严重受限患者进行手指动作自动矫正试验的脑电信号，获取活动严重受限患者相应脑区的脑电信号，并对脑电信号进行滤波和基线校正预处理；
3)根据潜伏期L和波峰幅值V设定特征计算时间窗Fw，分别获取健康受试者和严重受限患者进行手指动作自动矫正试验的脑电信号在特征计算时间窗Fw内的峰值、平均值Mean、标准差SD、采集电极信号的相关系数CORR、自回归模型系数AR和脑电信号能量E；
4)采用二分类的支持向量机对脑电信号在特征计算时间窗Fw内的峰值、平均值Mean、标准差SD、采集电极信号的相关系数CORR、自回归模型系数AR和脑电信号能量E进行分类识别，根据识别结果判断受试者在手部动作的自动矫正实验中完成的动作是否为正确完成自动矫正的动作。
2.根据权利要求1所述的一种基于脑电信号检测的手部动作自动矫正识别方法，其特征在于，所述的步骤1)和步骤2)中，脑电信号包括Cz电极、CPz电极和Pz电极脑电信号。
3.根据权利要求1所述的一种基于脑电信号检测的手部动作自动矫正识别方法，其特征在于，所述的步骤1)和步骤2)中，手指动作自动矫正试验为健康受试者或活动严重受限患者使用摇杆游戏手柄控制屏幕上的光标点触目标图形的手部动作自动矫正实验，在实验过程中通过配戴的脑电采集帽采集相应脑区的脑电信号。
4.根据权利要求1所述的一种基于脑电信号检测的手部动作自动矫正识别方法，其特征在于，所述的步骤3)中，特征计算时间窗Fw的大小为潜伏期L分别向前和向后扩展50ms。
5.根据权利要求1所述的一种基于脑电信号检测的手部动作自动矫正识别方法，其特征在于，所述的步骤4)中若二分类的支持向量机输出结果为1，则判定活动严重受限患者正确完成自动矫正的动作，若二分类的支持向量机输出结果为0，则判定活动严重受限患者未能正确完成自动矫正的动作。
CN201610036688.8A 2016-01-20 2016-01-20 一种基于脑电信号检测的手部动作自动矫正识别方法 Expired - Fee Related CN105653039B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610036688.8A CN105653039B (zh) 2016-01-20 2016-01-20 一种基于脑电信号检测的手部动作自动矫正识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610036688.8A CN105653039B (zh) 2016-01-20 2016-01-20 一种基于脑电信号检测的手部动作自动矫正识别方法

Publications (2)

Publication Number Publication Date
CN105653039A CN105653039A (zh) 2016-06-08
CN105653039B true CN105653039B (zh) 2018-12-18

Family

ID=56484372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610036688.8A Expired - Fee Related CN105653039B (zh) 2016-01-20 2016-01-20 一种基于脑电信号检测的手部动作自动矫正识别方法

Country Status (1)

Country Link
CN (1) CN105653039B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4129399A1 (en) * 2021-08-03 2023-02-08 Koninklijke Philips N.V. Motion reduction in diagnostic imaging or radiation therapy

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108498092B (zh) * 2017-02-28 2021-09-14 中国航天员科研训练中心 基于脑电特征的错误预警方法及系统
CN111857349B (zh) * 2020-07-28 2022-03-01 中国科学技术大学 一种带自修复和自校准功能的腕带式手势识别设备及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102613972A (zh) * 2012-03-28 2012-08-01 西安电子科技大学 运动想象脑电信号特征的提取方法
CN102793540A (zh) * 2012-06-14 2012-11-28 天津大学 一种视听认知事件相关电位实验范式的优化方法
CN104000586A (zh) * 2014-05-12 2014-08-27 燕山大学 基于脑肌电和虚拟场景的脑卒中患者康复训练系统及方法
CN104545900A (zh) * 2014-12-29 2015-04-29 中国医学科学院生物医学工程研究所 一种基于配对样本t检验的事件相关电位分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102613972A (zh) * 2012-03-28 2012-08-01 西安电子科技大学 运动想象脑电信号特征的提取方法
CN102793540A (zh) * 2012-06-14 2012-11-28 天津大学 一种视听认知事件相关电位实验范式的优化方法
CN104000586A (zh) * 2014-05-12 2014-08-27 燕山大学 基于脑肌电和虚拟场景的脑卒中患者康复训练系统及方法
CN104545900A (zh) * 2014-12-29 2015-04-29 中国医学科学院生物医学工程研究所 一种基于配对样本t检验的事件相关电位分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SPÜLER M等.Error-related potentials during continuous feedback using EEG to detect errors of different type and severity.《Frontiers in Human Neuroscience》.2015, *
Time Course of Error Detection and Correction in Humans Neurophysiological Evidence;Antoni Rodríguez-Fornells等;《Journal of Neuroscience the Official Journal of the Society for Neuroscience》;20031115;第1至7页 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4129399A1 (en) * 2021-08-03 2023-02-08 Koninklijke Philips N.V. Motion reduction in diagnostic imaging or radiation therapy
WO2023011893A1 (en) * 2021-08-03 2023-02-09 Koninklijke Philips N.V. Motion reduction in diagnostic imaging or radiation therapy

Also Published As

Publication number Publication date
CN105653039A (zh) 2016-06-08

Similar Documents

Publication Publication Date Title
Townsend et al. Continuous EEG classification during motor imagery-simulation of an asynchronous BCI
CN104382595B (zh) 一种基于肌电信号与虚拟现实交互技术的上肢康复系统及方法
CN105653039B (zh) 一种基于脑电信号检测的手部动作自动矫正识别方法
CN103955270B (zh) 一种基于p300的脑机接口系统的字符高速输入方法
CN101776981B (zh) 脑电与肌电联合控制鼠标的方法
CN106383579A (zh) 一种基于emg和fsr的精细手势识别系统及方法
CN107037883A (zh) 一种基于运动想象的混合脑机接口系统及方法
EP3167799A1 (en) Movement recognition method and apparatus based on surface electromyographic signal
WO2008097201A1 (en) A system and method for processing brain signals in a bci system
Castiblanco et al. Myoelectric pattern recognition of hand motions for stroke rehabilitation
CN111553307A (zh) 一种融合生物电阻抗信息和肌电信息的手势识别系统
Wei et al. EMG and visual based HMI for hands-free control of an intelligent wheelchair
CN107157450A (zh) 用于对帕金森病人的手部运动能力进行量化评估方法和系统
Yu et al. A novel postprocessing method for robust myoelectric pattern-recognition control through movement pattern transition detection
WO2016140628A1 (en) Sketch misrecognition correction based on eye gaze monitoring
Wang et al. Realtime recognition of multi-finger prehensile gestures
Zou et al. A multimodal fusion model for estimating human hand force: Comparing surface electromyography and ultrasound signals
Tang et al. A BCI painting system using a hybrid control approach based on SSVEP and P300
Hasan et al. Human hand gesture detection based on EMG signal using ANN
CN106990835B (zh) 一种运动训练评估方法及装置
Chan et al. Unsupervised domain adaptation for gesture identification against electrode shift
Veer A flexible approach for segregating physiological signals
CN101571747A (zh) 多模式脑电控制的智能打字的实现方法
CN106344008B (zh) 睡眠状态分析中清醒状态检测方法和系统
CN108403113A (zh) 一种半自动的阵列式表面肌电信号分解方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Sun Yaoru

Inventor after: Song Yalin

Inventor before: Song Yalin

Inventor before: Sun Yaoru

Inventor before: Zhang Hong

Inventor before: Wang Zijian

Inventor before: Pang Zilong

Inventor before: Wang Daming

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20181218

Termination date: 20210120

CF01 Termination of patent right due to non-payment of annual fee