CN105942975B - 基于稳态视觉诱发的脑电信号处理方法 - Google Patents
基于稳态视觉诱发的脑电信号处理方法 Download PDFInfo
- Publication number
- CN105942975B CN105942975B CN201610247976.8A CN201610247976A CN105942975B CN 105942975 B CN105942975 B CN 105942975B CN 201610247976 A CN201610247976 A CN 201610247976A CN 105942975 B CN105942975 B CN 105942975B
- Authority
- CN
- China
- Prior art keywords
- signal matrix
- matrix
- representing
- reference signal
- electroencephalogram
- 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.)
- Active
Links
- 230000004438 eyesight Effects 0.000 title claims abstract description 13
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 230000000007 visual effect Effects 0.000 claims abstract description 97
- 230000000638 stimulation Effects 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 125
- 238000005070 sampling Methods 0.000 claims description 17
- 210000004556 brain Anatomy 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000763 evoking effect Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 2
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims 1
- 238000003657 Likelihood-ratio test Methods 0.000 abstract description 2
- 238000000205 computational method Methods 0.000 abstract 1
- 230000006698 induction Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 210000000857 visual cortex Anatomy 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/72—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于稳态视觉诱发的脑电信号处理方法，其实现过程是：(1)利用采集系统采集受试者在不同视觉频率刺激下的脑电信号；(2)对脑电信号进行预处理；(3)利用滤波器组对预处理后的脑电信号进行滤波；(4)利用似然比计算方法计算滤波后的脑电信号与不同视觉刺激频率之间的似然比，得到一个似然比组；(5)从似然比组中，找出最大的似然比所对应的视觉刺激频率，完成对脑电信号的识别。本发明同时利用了滤波器组和似然比检验，克服了现有技术识别目标个数较少的缺点，增加了识别目标的个数，提高了脑电信号的识别准确率。
Description
技术领域
本发明属于信息技术领域，更一步涉及在生命科学技术领域中应用脑-机接口(Brain-Computer Interface，BCI)系统对稳态视觉诱发脑电信号的处理方法。本发明通过对稳态视觉诱发脑电信号的处理,最终用于单词拼写、控制轮椅、控制机器人等具有稳态视觉诱发脑-机接口的脑电产品控制。
背景技术
稳态视觉诱发是大脑视觉皮层对处于视觉中心的闪烁刺激的一种生物反馈。研究证明，处于视觉中心的闪烁刺激能够对视觉皮层的神经元群在特定模式上的神经活动产生增强作用，从而对脑电信号特定频率成分的幅度进行调控，且频率响应在视觉刺激频率及其倍频处较强。因此，通过对受试者稳态视觉诱发脑电信号的分析，判别受试者视觉刺激频率，从而实现对外界装置的控制。目前，稳态视觉诱发脑电信号的分析方法有典型相关分析方法和功率谱分析方法等。
华南理工大学拥有的专利技术“一种基于多模态脑机接口的意识状态监测方法”(申请号201510253168.8，申请日2015.05.15，授权号CN 104921723A，授权日2015.09.23)中提出一种基于多模态脑机接口的意识状态监测方法。该专利技术将P300和稳态视觉诱发相结合，将P300和稳态视觉诱发分开设计，脑电数据被分成两份，最后采用相加的法则来结合P300和稳态视觉诱发的检测结果，增加了算法的复杂度，在一定程度上提高了拼写准确率。该方法存在的不足之处是，视觉刺激时间比较长，不仅会使被试者产生视觉疲劳，影响识别的准确率，而且不适用于实时检测。
邓志东在其发表的论文“一种基于SSVEP的仿人机器人异步脑机接口控制系统”(机器人，2011,33(2)：129-135)中提出了一种基于SSVEP的仿人机器人的控制方法。该方法通过对脑电信号进行特征提取和模式分类，来判别使用者的控制意图，实现了对机器人的远程控制。该方法存在的不足之处是，使用者的控制屏幕只有上下左右四个刺激目标，代表可以实现四种不同的控制命令，但在实际应用中四种控制命令相对较少，难以满足人们的要求。
发明内容
本发明的目的在于克服上述已有技术的不足，提出一种基于稳态视觉诱发的脑电信号处理方法。
实现本发明目的的基本思路是：将采集的多通道脑电信号做预处理；利用滤波器组对预处理后的脑电信号进行滤波，充分利用脑电信号的谐波信号；同时使用似然比检验对数据的高利用率特性，在视觉刺激时间较短、刺激目标较多的情况下，完成对脑电信号的识别。
为实现上述目的，本发明具体实现步骤包括如下：
(1)采集数据：
脑电信号采集系统通过受试者佩戴的电极帽，采集受试者在视觉刺激显示屏上按不同频率闪烁的40个白色正方形块的刺激下，电极帽上所有电极的1024个采样点的脑电信号；
(2)预处理：
(2a)用受试者电极帽上每个电极采集的脑电信号减去所有电极脑电信号的均值，得到基线校正后的脑电信号；
(2b)利用EEGLAB软件，在基线校正后的脑电信号中截取受试者在视觉刺激过程中的脑电信号，得到截取后的脑电信号；
(2c)将截取后的脑电信号降采样，得到预处理后的脑电信号；
(3)带通滤波:
利用带通滤波器组对预处理后的脑电信号进行滤波，得到子频带脑电信号矩阵组；
(4)检验似然比：
(4a)利用参考信号公式，计算每个视觉刺激频率的参考信号矩阵，将所有视觉刺激频率的参考信号矩阵组成一个参考信号组；
(4b)从参考信号矩阵组中任意选取一个视觉刺激频率的参考信号矩阵，利用似然比计算方法，计算视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的相关系数；
(4c)将视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的相关系数带入到滤波器影响因子公式，计算视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的似然比；
(4d)将计算得到的视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的似然比放到似然比组中；
(4e)判断参考信号矩阵组中参考信号矩阵是否选取完，若是，则执行步骤(5)，否则，执行步骤(4b)；
(5)识别脑电信号：
(5a)从视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的似然比组中，找出最大的似然比所对应的视觉刺激频率的参考信号矩阵；
(5b)在视觉刺激显示屏上找出闪烁频率与参考信号矩阵的视觉刺激频率相同的白色正方形块，该正方形块为被试者的刺激目标，完成对脑电信号的识别。
本发明与现有技术相比有以下优点：
第一、由于本发明采用了似然比检验的方法分析脑电信号，充分的利用了脑电信号的每个数据对整组数据的影响，因此只需要少量的数据就可以实现目标识别，克服了现有技术中刺激时间比较长，不适用于实时检测的缺点，使得本发明能够缩短刺激时间，实现实时检测。
第二、由于本发明在分析脑电信号前，采用了一个滤波器组对脑电信号进行滤波，充分的利用了脑电信号中的谐波信号，减少了相邻目标之间的干扰，克服了现有技术无法精确分辨目标个数相对较多的缺点，使得本发明增加了识别目标的个数，提高了脑电信号的识别准确率。
附图说明
图1为本发明的流程图；
图2为本发明视觉刺激的时序图；
图3为本发明与现有技术对脑电信号识别的准确率随视觉刺激时间的变化曲线图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照附图1，本发明的具体步骤如下。
步骤1，采集数据。
脑电信号采集系统通过受试者佩戴的电极帽，采集受试者在视觉刺激显示屏上按不同频率闪烁的40个白色正方形块的刺激下，电极帽上所有电极的1024个采样点的脑电信号。
参考图2，本发明视觉刺激的时序是：开始0秒至1秒时被试者休息，随后40个白色正方形块按照不同的频率闪烁，并持续4秒，受试者在此期间选择一个白色正方形块注视4秒，进行视觉刺激。每次视觉刺激后休息1秒，然后再选择另一个闪烁块凝视4秒，重复40次。
受试者佩戴电极帽，坐在椅子上平视距其60cm左右的视觉刺激显示屏。脑电信号采集系统的采样频率为1024Hz，测试电极分别为O1，O2，Oz，PO7,PO8，POz，P3，P4，Pz。在本发明采集数据步骤中，视觉刺激显示屏上有40个代表不同字母的白色正方形块，当刺激开始时40个白色正方形块按照不同的频率闪烁。
步骤2，预处理。
用受试者电极帽上每个电极采集的脑电信号减去所有电极脑电信号的均值，得到基线校正后的脑电信号。
利用EEGLAB软件，在基线校正后的脑电信号中截取受试者在视觉刺激过程中的脑电信号，得到截取后的脑电信号。
将截取后的脑电信号降采样，得到预处理后的脑电信号。
降采样是指取截取后的1024个采样点的脑电信号采样点的1/4,得到256个采样点的脑电信号，将其作为预处理后的脑电信号。
步骤3，带通滤波。
利用通带频率的计算公式，分别计算每个滤波器的通带频率，用所得到的通带频率构建一个带通滤波器，将5个带通滤波器组成一个带通滤波器组。
通带频率的计算公式如下:
fq＝f*q
其中，fq表示每一个滤波器的通带频率，f表示第一个滤波器的通带频率，根据脑电信号的频率范围，选取f＝[0.001,10]，q表示当前滤波器，q＝1,2,…,5。
利用带通滤波器组对预处理后的脑电信号进行滤波，得到子频带脑电信号矩阵组。
步骤4，检验似然比。
(4a)利用参考信号公式，计算每个视觉刺激频率的参考信号矩阵，将所有视觉刺激频率的参考信号矩阵组成一个参考信号组。
参考信号公式如下：
其中，Yf表示每个视觉刺激频率的参考信号矩阵，sin表示取正弦操作，cos表示取余弦操作，π表示圆周率，f表示被试者的视觉刺激频率，该频率表示显示在视觉刺激显示屏上的一个白色正方形块的闪烁频率，n表示正余弦函数的谐波数目，n＝3，s表示子频带脑电信号矩阵的采样点，s＝256，t表示被试者的视觉刺激时间。
(4b)从参考信号矩阵组中任意选取一个视觉刺激频率的参考信号矩阵，利用似然比计算方法，计算视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的相关系数，其具体步骤如下：
第一步，从子频带脑电信号矩阵组中任意选取一个子频带脑电信号矩阵。
第二步，按照下式，构造一个子频带脑电信号矩阵与视觉刺激频率的参考信号矩阵的和矩阵：
其中，x表示子频带脑电信号矩阵与视觉刺激频率的参考信号矩阵的和矩阵，[]表示矩阵操作，x1表示子频带脑电信号矩阵，x2表示视觉刺激频率的参考信号矩阵。
第三步，按照下式，求解目标矩阵的均方差值：
其中，表示目标矩阵按行求平均后得到的行均值，N表示目标矩阵每一行元素的总数，∑表示求和操作，xk表示目标矩阵中的第k列元素，Ψ表示目标矩阵的均方差值，T表示转置操作。
第四步，按照下式，求解子频带脑电信号矩阵x1与视觉刺激频率的参考信号矩阵x2之间的相关系数：
其中，r表示子频带脑电信号矩阵x1与视觉刺激频率的参考信号矩阵x2之间的相关系数，Ψ1表示和矩阵x的均方差值，Ψ11表示子频带脑电信号矩阵x1的均方差值，*表示乘法操作，Ψ22表示视觉刺激频率的参考信号矩阵x2的均方差值，v2表示视觉刺激频率的参考信号矩阵x2行的总数。
第五步，判断子频带脑电信号矩阵组中子频带脑电信号矩阵是否选取完，若是，则得到视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的相关系数，执行步骤(4c)，否则，执行本步骤的第二步。
(4c)将视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的相关系数带入到滤波器影响因子公式，计算视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的似然比。
滤波器影响因子公式如下：
其中，wj表示第j个子频带脑电信号矩阵与视觉刺激频率的参考信号矩阵之间的系数权重，a表示乘性权重因子，a＝1.25，b表示加性权重因子，b＝0.25，ρ表示视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的似然比，∑表示求和操作，q表示当前滤波器，q＝1,2,…,5，rj表示第j个子频带脑电信号矩阵与视觉刺激频率的参考信号矩阵之间的相关系数。
(4d)将计算得到的视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的似然比放到似然比组中。
(4e)判断参考信号矩阵组中参考信号矩阵是否选取完，若是，执行步骤5，否则，执行步骤(4b)。
步骤5，识别脑电信号。
从视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的似然比组中，找出最大的似然比所对应的视觉刺激频率的参考信号矩阵。
在视觉刺激显示屏上找出闪烁频率与参考信号矩阵的视觉刺激频率相同的白色正方形块，该正方形块为被试者的刺激目标，完成对脑电信号的识别。
下面通过仿真对本发明的效果做进一步说明。
1.仿真条件：
本发明的仿真实验是在MATLABR2010a的软件环境下进行的。#
2.仿真内容：
视觉刺激界面上40个正方形块的闪烁频率依次为：8.0Hz，8.2Hz，……，15.8Hz，每次增加0.2Hz。选择自愿参与本次实验的10名大学生或研究生作为被试者，其中男性5名，女性5名，年龄在20～25岁之间，平均年龄为23岁，视力或矫正视力正常。每个被试者共做6组实验，每组包括40个闪烁周期，被试者与视觉刺激屏幕的距离为60cm，视线基本保持与屏幕中心平行，在每组实验结束后让被试者休息3分钟。
3.仿真效果分析：
图3给出了脑电信号的识别准确率随视觉刺激时间的变化曲线。图3中的横坐标表示视觉刺激时间，纵坐标表示脑电信号的识别准确率。图3中以五角星标识的曲线表示本发明对脑电信号的识别准确率的曲线。图3中以圆圈标识的曲线表示现有技术中的典型相关分析方法对脑电信号的识别准确率的曲线。图3中以正方形标识的曲线表示现有技术中的LRT方法对脑电信号的识别准确率的曲线。图3中以菱形标识的曲线表示现有技术中的功率谱分析法方法对脑电信号的识别准确率的曲线。比较图3中的四条曲线可以看出，在视觉刺激时间较短的情况下，本发明所述方法对脑电信号的识别准确率要明显高于现有方法，说明本发明的方法对脑电信号的识别要优于现有方法。
Claims (6)
1.一种基于稳态视觉诱发的脑电信号处理方法，包括如下步骤：
(1)采集数据：
脑电信号采集系统通过受试者佩戴的电极帽，采集受试者在视觉刺激显示屏上按不同频率闪烁的40个白色正方形块的刺激下，电极帽上所有电极的1024个采样点的脑电信号；
(2)预处理：
(2a)用受试者电极帽上每个电极采集的脑电信号减去所有电极脑电信号的均值，得到基线校正后的脑电信号；
(2b)利用EEGLAB软件，在基线校正后的脑电信号中截取受试者在视觉刺激过程中的脑电信号，得到截取后的脑电信号；
(2c)将截取后的脑电信号降采样，得到预处理后的脑电信号；
(3)带通滤波:
(3a)利用通带频率的计算公式，分别计算每个滤波器的通带频率，用所得到的通带频率构建一个带通滤波器，将5个带通滤波器构成一个带通滤波器组；
(3b)利用带通滤波器组对预处理后的脑电信号进行滤波，得到子频带脑电信号矩阵组；
(4)检验似然比：
(4a)利用参考信号公式，计算每个视觉刺激频率的参考信号矩阵，将所有视觉刺激频率的参考信号矩阵组成一个参考信号组；
(4b)从参考信号矩阵组中任意选取一个视觉刺激频率的参考信号矩阵，利用似然比计算方法，计算视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的相关系数；
(4c)将视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的相关系数带入到滤波器影响因子公式，计算视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的似然比；
(4d)将计算得到的多个视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的似然比组成似然比组；
(4e)判断参考信号矩阵组中参考信号矩阵是否选取完，若是，则执行步骤(5)，否则，执行步骤(4b)；
(5)识别脑电信号：
(5a)从视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的似然比组中，找出最大的似然比所对应的视觉刺激频率的参考信号矩阵；
(5b)在视觉刺激显示屏上找出闪烁频率与参考信号矩阵的视觉刺激频率相同的白色正方形块，该正方形块为被试者的刺激目标，完成对脑电信号的识别。
2.根据权利要求1所述的基于稳态视觉诱发的脑电信号处理方法，其特征在于：步骤(2c)中所述的降采样是指，取截取后的1024个采样点的脑电信号采样点的1/4,得到256个采样点的脑电信号，将其作为预处理后的脑电信号。
3.根据权利要求1所述的基于稳态视觉诱发的脑电信号处理方法，其特征在于：步骤(3a)中所述的带通滤波器组中任意一个滤波器的通带频率的计算公式如下：
fq＝f*q
其中，fq表示滤波器的通带频率，f表示第一个滤波器的通带频率，f＝[0.001,10]，q表示当前滤波器，q＝1,2,…,5。
4.根据权利要求1所述的基于稳态视觉诱发的脑电信号处理方法，其特征在于：步骤(4a)中所述的参考信号公式如下：
其中，Yf表示每个视觉刺激频率的参考信号矩阵，sin表示取正弦操作，cos表示取余弦操作，π表示圆周率，f表示被试者的视觉刺激频率，该频率表示显示在视觉刺激显示屏上的一个白色正方形块的闪烁频率，n表示正余弦函数的谐波数目，n＝3，s表示子频带脑电信号矩阵的采样点，s＝256，t表示被试者的视觉刺激时间。
5.根据权利要求1所述的基于稳态视觉诱发的脑电信号处理方法，其特征在于：步骤(4b)中所述的似然比计算方法的具体步骤如下：
第一步，从子频带脑电信号矩阵组中任意选取一个子频带脑电信号矩阵；
第二步，按照下式，构造一个子频带脑电信号矩阵与视觉刺激频率的参考信号矩阵的和矩阵；
其中，x表示子频带脑电信号矩阵与视觉刺激频率的参考信号矩阵的和矩阵，[]表示矩阵操作，x1表示子频带脑电信号矩阵，x2表示视觉刺激频率的参考信号矩阵；
第三步，按照下式，求解目标矩阵的均方差值：
其中，表示目标矩阵按行求平均后得到的行均值，N表示目标矩阵每一行元素的总数，∑表示求和操作，xk表示目标矩阵中的第k列元素，Ψ表示目标矩阵的均方差值，T表示转置操作；
第四步，按照下式，求解子频带脑电信号矩阵x1与视觉刺激频率的参考信号矩阵x2之间的相关系数：
其中，r表示子频带脑电信号矩阵x1与视觉刺激频率的参考信号矩阵x2之间的相关系数，Ψ1表示和矩阵x的均方差值，Ψ11表示子频带脑电信号矩阵x1的均方差值，*表示乘法操作，Ψ22表示视觉刺激频率的参考信号矩阵x2的均方差值，v2表示视觉刺激频率的参考信号矩阵x2行的总数；
第五步，判断子频带脑电信号矩阵组中子频带脑电信号矩阵是否选取完，若是，则得到视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的相关系数，否则，执行第二步。
6.根据权利要求1所述的基于稳态视觉诱发的脑电信号处理方法，其特征在于：步骤(4c)中所述的滤波器影响因子公式如下：
其中，wj表示第j个子频带脑电信号矩阵与视觉刺激频率的参考信号矩阵之间的系数权重，a表示乘性权重因子，a＝1.25，b表示加性权重因子，b＝0.25，ρ表示视觉刺激频率的参考信号矩阵与子频带脑电信号矩阵组之间的似然比，∑表示求和操作，q表示当前滤波器，q＝1,2,…,5，rj表示第j个子频带脑电信号矩阵与视觉刺激频率的参考信号矩阵之间的相关系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610247976.8A CN105942975B (zh) | 2016-04-20 | 2016-04-20 | 基于稳态视觉诱发的脑电信号处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610247976.8A CN105942975B (zh) | 2016-04-20 | 2016-04-20 | 基于稳态视觉诱发的脑电信号处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105942975A CN105942975A (zh) | 2016-09-21 |
| CN105942975B true CN105942975B (zh) | 2018-07-06 |
Family
ID=56917710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610247976.8A Active CN105942975B (zh) | 2016-04-20 | 2016-04-20 | 基于稳态视觉诱发的脑电信号处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105942975B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106625656A (zh) * | 2016-11-03 | 2017-05-10 | 北京石油化工学院 | 一种绘图机器人的控制方法与装置 |
| CN106648087B (zh) * | 2016-12-12 | 2020-08-25 | 西北工业大学 | 一种基于意识任务的特征eeg处理方法 |
| CN108985029A (zh) * | 2018-06-05 | 2018-12-11 | 中国科学院半导体研究所 | 基于视觉刺激的脑电身份识别方法 |
| CN111329474B (zh) * | 2020-03-04 | 2021-05-28 | 西安电子科技大学 | 基于深度学习的脑电身份识别方法、系统及信息更新方法 |
| CN113288181B (zh) * | 2021-06-21 | 2022-09-27 | 杭州电子科技大学 | 基于稳态视觉诱发电位脑电信号识别的个体模板重构方法 |
| CN113476032B (zh) * | 2021-08-13 | 2023-03-03 | 电子科技大学 | 一种基于有向图谐波分析的脑结构与功能耦合的方法 |
| CN115282431B (zh) * | 2022-07-06 | 2023-06-30 | 电子科技大学 | 一种基于脑电的光调控智能灯刺激方法及其装置 |
| CN116158769A (zh) * | 2023-02-28 | 2023-05-26 | 云南中烟工业有限责任公司 | 一种基于ssvep的卷烟燃烧关键指标识别方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5052401A (en) * | 1986-08-06 | 1991-10-01 | Westinghouse Electric Corp. | Product detector for a steady visual evoked potential stimulator and product detector |
| CN1776572A (zh) * | 2005-12-08 | 2006-05-24 | 清华大学 | 基于稳态视觉诱发脑电波的计算机人机交互方法 |
| CN101477405B (zh) * | 2009-01-05 | 2010-11-24 | 清华大学 | 基于左右视野两个频率刺激的稳态视觉诱发脑机接口方法 |
| CN101576772B (zh) * | 2009-05-14 | 2011-07-27 | 天津工程师范学院 | 基于虚拟仪器稳态视觉诱发电位脑机接口系统及控制方法 |
| CN101887307B (zh) * | 2010-06-03 | 2011-12-07 | 西安交通大学 | 一种多频率时序组合的稳态视觉诱发电位脑-机接口方法 |
| JP5688154B2 (ja) * | 2010-09-29 | 2015-03-25 | オフィス オブ ザ ナショナル ブロードキャスティング アンド テレコミュニケーションズ コミッション | Ｓｓｖｅｐに基づく電気デバイス制御システムおよび方法 |
| US8812097B2 (en) * | 2012-02-06 | 2014-08-19 | Honeywell International Inc. | Neurologically based non-invasive blood glucose concentration system and method |
| CN102708288A (zh) * | 2012-04-28 | 2012-10-03 | 东北大学 | 一种基于脑-机接口的医患交互方法 |
| CN103019383B (zh) * | 2012-12-18 | 2016-01-13 | 北京大学 | 一种稳态视觉诱发电位脑—机接口信号识别方法 |
-
2016
- 2016-04-20 CN CN201610247976.8A patent/CN105942975B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105942975A (zh) | 2016-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105942975B (zh) | 基于稳态视觉诱发的脑电信号处理方法 | |
| CN107024987B (zh) | 一种基于eeg的实时人脑注意力测试和训练系统 | |
| CN110238863B (zh) | 基于脑电-肌电信号的下肢康复机器人控制方法及系统 | |
| CN104091172B (zh) | 一种运动想象脑电信号的特征提取方法 | |
| CN102715911B (zh) | 基于脑电特征的情绪状态识别方法 | |
| CN103399639B (zh) | 基于ssvep和p300联合脑机接口方法及装置 | |
| CN100571617C (zh) | 站起想象动作脑电的信号采集和特征提取方法 | |
| Djamal et al. | Identification of post-stroke EEG signal using wavelet and convolutional neural networks | |
| CN204931634U (zh) | 基于生理信息的抑郁症评估系统 | |
| CN104323773B (zh) | 一种基于eog的erg信号采集与处理系统及方法 | |
| CN113288181B (zh) | 基于稳态视觉诱发电位脑电信号识别的个体模板重构方法 | |
| CN104635934A (zh) | 基于逻辑思维和形象思维的脑机接口方法 | |
| CN104978035A (zh) | 基于体感电刺激诱发p300的脑机接口系统及其实现方法 | |
| CN115640827B (zh) | 对电刺激数据处理的智能闭环反馈网络方法及系统 | |
| CN110192874B (zh) | 基于多导脑电信号裕度因子的测谎方法 | |
| CN110123266B (zh) | 一种基于多模态生理信息的机动决策建模方法 | |
| Wang et al. | Classification of EEG signal using convolutional neural networks | |
| CN112426162A (zh) | 一种基于脑电信号节律熵的疲劳检测方法 | |
| CN112861625A (zh) | 一种堆叠去噪自编码器模型确定方法 | |
| CN115568866A (zh) | 一种神经损伤的评价系统及其方法 | |
| CN112884063A (zh) | 基于多元时空卷积神经网络的p300信号检测识别方法 | |
| CN204759349U (zh) | 一种基于稳态视觉诱发电位的飞行器控制装置 | |
| CN113397482A (zh) | 一种人类行为分析方法及系统 | |
| CN110192875B (zh) | 基于多导脑电信号波形因子的测谎方法 | |
| CN116098619B (zh) | 一种基于高频听觉稳态响应的抑郁症自动检测系统 |
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 |