CN106200984A - 运动想象脑‑机接口模型建模方法 - Google Patents

运动想象脑‑机接口模型建模方法 Download PDF

Info

Publication number
CN106200984A
CN106200984A CN201610594777.4A CN201610594777A CN106200984A CN 106200984 A CN106200984 A CN 106200984A CN 201610594777 A CN201610594777 A CN 201610594777A CN 106200984 A CN106200984 A CN 106200984A
Authority
CN
China
Prior art keywords
data
brain
mental imagery
computer interface
model
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
CN201610594777.4A
Other languages
English (en)
Inventor
明东
郭仡
陈龙
王仲朋
綦宏志
许敏鹏
何峰
周鹏
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN201610594777.4A priority Critical patent/CN106200984A/zh
Publication of CN106200984A publication Critical patent/CN106200984A/zh
Pending legal-status Critical Current

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
    • 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)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Neurosurgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Health & Medical Sciences (AREA)
  • Dermatology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及脑‑机接口技术领域，为通过建模样本自适应更新的方法，对已有的运动想象脑‑机接口的模型更新效果进行优化，提升分类正确率和稳定性。本发明采用的技术方案是，运动想象脑‑机接口模型建模方法，在每次运动想象训练结束后，对已获得的经过预处理和特征提取的脑电数据进行排列组合，并分别计算其在交叉验证中的分类正确率，选择正确率最高的两组数据作为样本进行建模，并用于之后的模式识别过程。本发明主要应用于脑‑机接口设备的设计制造场合。

Description

运动想象脑-机接口模型建模方法
技术领域
本发明涉及脑-机接口技术领域，具体讲,涉及运动想象脑-机接口模型建模方法。
背景技术
第一次脑-机接口国际会议给出的BCI的定义是：“BCI是一种不依赖于大脑外围神经与肌肉正常输出通道的通讯控制系统。”目前的研究成果中，它主要是通过采集和分析不同状态下人的脑电信号，然后使用一定的工程技术手段在人脑与计算机或其它电子设备之间建立起直接的交流和控制通道，从而实现一种全新的信息交换与控制技术，可以为残疾人特别是那些丧失了基本肢体运动功能但思维正常的病人提供一种与外界进行信息交流与控制的途径。即可以不需语言或肢体动作，直接通过控制脑电来表达意愿或操纵外界设备。为此，BCI技术也越来越受到重视。
在脑-机接口的研究中，运动想象作为一种主动式人机交互范式，更加符合正常人大脑思维活动方式，在一定程度的训练后，使用者便可进行在线MI-BCI系统的交互控制。此外，系统控制信号源一般使用来自于使用者运动想象过程中头皮脑电的能量特征，可进行一段较长时间段的累加或优化来控制指令输出，有较强的可操作性。基于上述优点我们可以看出，对于运动想象的深入研究及开发一种实用便携式的MI-BCI系统有助于我们更加清楚地了解人类大脑，实现真正的人机交互，具有很强的理论与应用价值。
然而在当前的MI-BCI系统中，对运动想象信号的建模过程时常伴随着信号质量差异等不稳定因素，且由于训练初期受试者的运动想象特征并不明显，模型质量和正确率的提升也十分缓慢。因此，设计一种自适应的运动想象建模方法，通过对排列组合后的脑电数据所建立的MI-BCI模型质量的比较，筛选最优数据组合，能够极大提高模型的识别准确率和稳定性，与可视界面相互配合，能够让受试者的运动想象状况更加便于获取和分析，对于MI-BCI系统的实用化研究具有重大的意义。
发明内容
为克服现有技术的不足，本发明旨在通过建模样本自适应更新的方法，对已有的运动想象脑-机接口的模型更新效果进行优化，提升分类正确率和稳定性。本发明采用的技术方案是，运动想象脑-机接口模型建模方法，在每次运动想象训练结束后，对已获得的经过预处理和特征提取的脑电数据进行排列组合，并分别计算其在交叉验证中的分类正确率，选择正确率最高的两组数据作为样本进行建模，并用于之后的模式识别过程。
所述建模方法进一步细化步骤是，在没有初始模型的情形下采集实时脑电，使用者首先静息30s，并根据后20s数据ERD值生成初始判定阈值，然后进入20s的MI游戏反馈训练，达到阈值则输出目标指令反馈结果；初始数据采集完毕后，将所采集脑电数据通过共空间模式CSP(Common Spatial Pattern)进行多导联空间滤波，原始脑电信号在滤波处理之后产生新的时间序列，使其方差能够最优区分与想象动作相关的两类脑电信号；在经过了CSP特征提取阶段之后，将这些从样本中提取到的特征用来训练SVM分类器，利用积累的数据建立共空间模式CSP+支持向量机SVM模型，形成更可信的阈值判定标准，使用者同样静息30s，进入20s反馈训练阶段，然后再利用共空间模式CSP+支持向量机SVM模型来对未知模式类型的想象动作进行分类，得到的结果即为未知模式想象动作的模式识别结果以及识别正确率。
选择正确率最高的两组数据作为样本进行建模具体步骤是，将已存储的每组脑电数据分段，之后将所有段落的脑电数据排列组合并计算每组数据所生成模型通过交叉验证后的分类正确率，从而筛选出正确率最高的各时间段的数据，最后将其组合为完整的建模数据。
选择正确率最高的两组数据作为样本进行建模的具体步骤是，直接将每组数据排列组合，计算每种组合方法在交叉验证下的分类正确率，最后筛选出最优组合进行建模。
还包括构建建模界面步骤，建模界面分为无初始模型即界面1和初始模型形成后即界面2两种情形；无初始模型，即使用ERD生成阈值模式下的建模界面，在此操作界面中，左侧分别为串口开关、受试者姓名和实验组数的信息输入栏、开始按钮、建模按钮和退出按钮；右侧则为脑电在静息态和运动想象状态下的决策值概率分布曲线；输入受试者姓名和实验组数编号后点击串口开关，则界面和其他的计算机外设设备或运动想象相关游戏界面间的虚拟串口打开，计算机对通过蓝牙传输获得的emotiv脑电采集平台所采集的脑电信号进行处理，并将脑电信号处理后得到的机器命令通过虚拟串口向反馈界面传输，点击“开始”，开始记录并处理数据；点击建模，系统开始根据已有数据进行模型建立，并在右侧显示概率分布图；点击“退出”，表明初始模型的建立已经完成，界面将自动转至界面2，并继续进行下面的实验。
形成初始模型后，通过CSP与SVM生成阈值的情况下的界面2，除了和界面1有着相同功能的信息输入栏、串口开关、开始键、建模键、退出键以及右侧的特征值概率分布图之外，界面2中还多出了阈值显示窗及难度选择按键，阈值选择窗会在每次模型更新后以及点击任一难度的按键之后对所生成的判定阈值进行显示；难度选择按钮则通过不同加权系数的设置对生成阈值的大小进行调节，从而对反馈的触发难度产生相应影响。
本发明的特点及有益效果是：
本发明设计了运动想象脑-机接口模型建立和更新的优化算法，利用自适应选择的方法，在已有脑电样本中选取最优样本对进行建模，并构建了与建模过程相对应的gui操作界面，不仅通过对训练中脑电数据的充分利用，实现了模型准确率及稳定性的显著提升，而且有利于使用者通过交互界面及时了解受试者的运动想象情况，简化了建模过程。在基于emotiv脑电采集平台搭建的MI-BCI系统试验测试结果中，顺序建模与自适应建模在模型分类正确率随数据更新次数变化上的对比如图5所示，可见正确率上的提升十分明显。进一步证明该技术有望在MI-BCI外设控制和科研过程的应用中提供更加可靠的技术保障。
附图说明：
图1系统在线实验过程。
图2在线实验数据处理流程。
图3初始建模界面。
图4模型更新界面。
图5顺序建模与自适应建模在模型分类正确率随数据更新次数变化上的对比。
具体实施方式
本发明旨在通过建模样本自适应更新的方法，对已有的运动想象脑-机接口的模型更新效果进行优化，提升分类正确率和稳定性。与传统建模方式相比，模型的自适应更新的方法能够在历史数据中筛选最优样本进行建模，提高对已有数据的利用率。该技术能够为已有的MI-BCI技术提供更加可靠的分类效果，在脑卒中康复以及其他领域有望获得可观的社会效益和经济效益。
本发明设计了一种基于建模样本自适应更新的运动想象脑-机接口(Motorimagery-brain computer interface，MI-BCI)模型建立优化策略。正常人在运动想想状态下脑电信号中的某些频率成分同步减弱或者增强(event-related(de)synchronization,ERD/ERS)的现象与其在实际肢体动作状态下的脑电特征有极大的相似性。通过模型的建立，运动想象与静息状态下的脑电特征能够通过支持向量机(Support vector machine,SVM)进行区分。为达到更好的分类效果，可利用建模样本的自适应更新方法，筛选出分类效果最优的训练样本进行建模，实现提升模型分类正确率的效果，并辅以控制建模和信息获取的交互界面，使得MI-BCI的应用更加便捷准确。
其技术流程是：在每次运动想象训练结束后，对已获得的经过预处理和特征提取的脑电数据进行排列组合，并分别计算其在交叉验证中的分类正确率，选择正确率最高的两组数据作为样本进行建模，并用于之后的模式识别过程。
4.1系统建模策略设计整体方案
系统在线实验过程如图1所示，在没有初始模型的情形下采集实时脑电，使用者首先静息30s，并根据后20s数据ERD值生成初始判定阈值，然后进入20s的MI游戏反馈训练，达到阈值则输出目标指令反馈结果。初始数据采集完毕后，将所采集脑电数据通过共空间模式(Common Spatial Pattern,CSP)进行多导联空间滤波，原始脑电信号在滤波处理之后产生新的时间序列，使其方差能够最优区分与想象动作相关的两类脑电信号。在经过了CSP特征提取阶段之后，将这些从样本中提取到的特征用来训练SVM分类器。利用积累的数据建立共空间模式+支持向量机(CSP+SVM)模型，形成更可信的阈值判定标准，使用者同样静息30s，进入20s反馈训练阶段，然后再利用这个模型来对未知模式类型的想象动作进行分类，得到的结果即为未知模式想象动作的模式识别结果以及识别正确率。利用新数据不断更新模型，并且根据阈值来量化游戏难度，更具人性化，进一步提高模型适用性。在以一个具有普适性的基础模型或基于个体在之前的训练中得到的模型下，其CSP+SVM模型正确率虽然不高但仍能满足基础控制要求，随着后期数据积累，在线实时进行数据和模型的自适应更新，从而提高系统正确率。其优点为在保证在线更新建模的正确率的前提下能够减少训练时间，提高系统精确校准学习效率。
进一步采用的在线数据处理流程如图2所示，通过串口读取所采集的脑电数据并进行数据积累，每2s进行一次数据处理。在无初始模型的情况下，利用ERD值完成阈值判定；在具备已有模型的情况下，利用CSP与SVM以及已有模型得出决策值(Decision value)进行阈值判定。之后将阈值判定结果(二分类指令，指令1/指令2)通过串口向反馈端(其他的计算机外设设备或运动想象相关游戏界面)输出结果，并开始下一轮的数据积累。
4.2自适应模型建立基本原理
自适应模型的建立根据条件和需求的不同可以分为两类，在对模型准确率的要求高于对建模时间和速度的要求下，通过策略一完成自适应建模过程；在对建模时间和速度的要求较高时，则通过策略二完成自适应建模过程。两种策略的具体实现方法如下：
策略一：将已存储的每组脑电数据分段，之后将所有段落的脑电数据排列组合并计算每组数据所生成模型通过交叉验证后的分类正确率，从而筛选出正确率最高的各时间段的数据，最后将其组合为完整的建模数据。使用该策略得到的数据构建的模型具有更高的准确性，但建模时间相对较长。
策略二：省略了策略一中将脑电数据分段再组合的过程，直接将每组数据排列组合，计算每种组合方法在交叉验证下的分类正确率，最后筛选出最优组合进行建模。使用该策略得到的模型虽然在准确度方面不及策略一，但在建模时间方面大大缩短，更易于在在线系统中实现应用。
4.3计算机软件建模界面简介
4.3.1界面构成及功能分布
建模界面分为无初始模型(界面1)和初始模型形成后(界面2)两种情形。无初始模型，即上文中使用ERD生成阈值模式下的建模界面如图3所示，在此操作界面中，左侧分别为串口开关、受试者姓名和实验组数的信息输入栏、开始按钮、建模按钮和退出按钮；右侧则为脑电在静息态和运动想象状态下的决策值概率分布曲线。输入受试者姓名和实验组数编号后点击串口开关，则界面和其他的计算机外设设备或运动想象相关游戏界面间的虚拟串口打开，计算机对通过蓝牙传输获得的emotiv脑电采集平台所采集的脑电信号进行处理，并将脑电信号处理后得到的机器命令通过虚拟串口向反馈界面传输。点击“开始”，开始记录并处理数据；点击建模，系统开始根据已有数据进行模型建立，并在右侧显示概率分布图；点击“退出”，表明初始模型的建立已经完成，界面将自动转至界面2，并继续进行下面的实验。
形成初始模型后，即上文提到的通过CSP与SVM生成阈值的情况下的界面如图4所示，除了和界面1有着相同功能的信息输入栏、串口开关、开始键、建模键、退出键以及右侧的特征值概率分布图之外，界面2中还多出了阈值显示窗及难度选择按键。阈值选择窗会在每次模型更新后以及点击任一难度的按键之后对所生成的判定阈值进行显示；难度选择按钮则通过不同加权系数的设置对生成阈值的大小进行调节，从而对反馈的触发难度产生相应影响。
4.3.2模型及阈值更新
模型更新是本实验对运动想象脑-机接口正确率提升的关键方法，在本实验中，模型在两组数据累积后就进行一次更新，而模型更新的数据依托为最新的两组数据，这样就能够保证模型具有最佳的时效性。同时，在形成模型的两组实验之间，还可以依照受试者在上一轮实验中的表现状态对下一轮实验的判定阈值进行相应调整，界面中“易、中、难”三档难度调节按钮分别对应从小到大的三个加权系数(如0.4、0.5、0.6)，系统在每一组实验完成后会将特征值以原有阈值为界限分为两组，两组特征值的均值分别大于/小于原有阈值，在选择相应难度后，系统会将所选难度对应的加权系数(如0.4/0.5/0.6)与高于阈值的特征值的均值相对应，并把互补的加权系数(如0.6/0.5/0.4)与低于阈值的特征值的均值相对应，通过计算形成新阈值，从而对触发运动想象反馈所需的想象强度进行调节。
4.3.3概率分布图显示
概率分布图中横轴表示特征值的大小，纵轴为所对应决策值在整体数据中的分布概率。概率分布图在每次模型更新之后显示，反映了上一组数据静息态和运动想象状态下脑电信号特征值的分布情况，两部分曲线交叉部分越小，各自主峰波形越明显，则两种状态下的脑电信号可分性越强，反之则越弱。
本发明设计了一种基于运动想象脑-机接口技术的自适应建模方法。该项发明可以用于残疾人康复、电子娱乐、工业控制、航天工程等领域，进一步研究可以得到完善的脑-机接口系统，有望获得可观的社会效益和经济效益。

Claims (4)

1.一种运动想象脑-机接口模型建模方法，其特征是，在每次运动想象训练结束后，对已获得的经过预处理和特征提取的脑电数据进行排列组合，并分别计算其在交叉验证中的分类正确率，选择正确率最高的两组数据作为样本进行建模，并用于之后的模式识别过程。
2.如权利要求1所述的运动想象脑-机接口模型建模方法，其特征是，所述建模方法进一步细化步骤是，在没有初始模型的情形下采集实时脑电，使用者首先静息30s，并根据后20s数据ERD值生成初始判定阈值，然后进入20s的MI游戏反馈训练，达到阈值则输出目标指令反馈结果；初始数据采集完毕后，将所采集脑电数据通过共空间模式CSP(CommonSpatial Pattern)进行多导联空间滤波，原始脑电信号在滤波处理之后产生新的时间序列，使其方差能够最优区分与想象动作相关的两类脑电信号；在经过了CSP特征提取阶段之后，将这些从样本中提取到的特征用来训练SVM分类器，利用积累的数据建立共空间模式CSP+支持向量机SVM模型，形成更可信的阈值判定标准，使用者同样静息30s，进入20s反馈训练阶段，然后再利用共空间模式CSP+支持向量机SVM模型来对未知模式类型的想象动作进行分类，得到的结果即为未知模式想象动作的模式识别结果以及识别正确率。
3.如权利要求1所述的运动想象脑-机接口模型建模方法，其特征是，选择正确率最高的两组数据作为样本进行建模具体步骤是，将已存储的每组脑电数据分段，之后将所有段落的脑电数据排列组合并计算每组数据所生成模型通过交叉验证后的分类正确率，从而筛选出正确率最高的各时间段的数据，最后将其组合为完整的建模数据。
4.如权利要求1所述的运动想象脑-机接口模型建模方法，其特征是，选择正确率最高的两组数据作为样本进行建模的具体步骤是，直接将每组数据排列组合，计算每种组合方法在交叉验证下的分类正确率，最后筛选出最优组合进行建模。
CN201610594777.4A 2016-07-21 2016-07-21 运动想象脑‑机接口模型建模方法 Pending CN106200984A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610594777.4A CN106200984A (zh) 2016-07-21 2016-07-21 运动想象脑‑机接口模型建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610594777.4A CN106200984A (zh) 2016-07-21 2016-07-21 运动想象脑‑机接口模型建模方法

Publications (1)

Publication Number Publication Date
CN106200984A true CN106200984A (zh) 2016-12-07

Family

ID=57496424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610594777.4A Pending CN106200984A (zh) 2016-07-21 2016-07-21 运动想象脑‑机接口模型建模方法

Country Status (1)

Country Link
CN (1) CN106200984A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108550054A (zh) * 2018-04-12 2018-09-18 百度在线网络技术（北京）有限公司 一种内容质量评估方法、装置、设备和介质
CN108563324A (zh) * 2018-03-04 2018-09-21 天津大学 一种面向过程控制的运动想象脑-机接口设计方法
CN110109543A (zh) * 2019-04-30 2019-08-09 福州大学 基于被试迁移的c-VEP识别方法
WO2020042511A1 (zh) * 2018-08-28 2020-03-05 天津大学 基于空间滤波与模版匹配的运动电位脑机接口编解码方法
CN110955330A (zh) * 2019-11-22 2020-04-03 燕山大学 基于复杂对象控制的高唤醒度的脑电意图辨析方法
CN111067517A (zh) * 2019-12-20 2020-04-28 天津大学 基于静息态脑电特征的运动想象响应能力筛选方法
CN115227504A (zh) * 2022-07-18 2022-10-25 浙江师范大学 一种基于脑电眼电信号的自动升降病床系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629156A (zh) * 2012-03-06 2012-08-08 上海大学 一种基于Matlab和DSP的运动想象脑机接口实现方法
CN104173045A (zh) * 2014-08-15 2014-12-03 浙江大学医学院附属第二医院 一种癫痫发作预警系统
CN104548347A (zh) * 2015-01-22 2015-04-29 天津大学 一种纯意念神经肌肉电刺激控制与神经功能评价系统
CN105468143A (zh) * 2015-11-17 2016-04-06 天津大学 一种基于运动想象脑-机接口的反馈系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629156A (zh) * 2012-03-06 2012-08-08 上海大学 一种基于Matlab和DSP的运动想象脑机接口实现方法
CN104173045A (zh) * 2014-08-15 2014-12-03 浙江大学医学院附属第二医院 一种癫痫发作预警系统
CN104548347A (zh) * 2015-01-22 2015-04-29 天津大学 一种纯意念神经肌肉电刺激控制与神经功能评价系统
CN105468143A (zh) * 2015-11-17 2016-04-06 天津大学 一种基于运动想象脑-机接口的反馈系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
IMALI T. HETTIARACHCHI: "Multivariate Adaptive Autoregressive Modeling and Kalman Filtering for Motor", 《2015 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS》 *
綦宏志: "基于支持向量特征筛选方法的想象动作识别", 《纳米技术与精米工程》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108563324A (zh) * 2018-03-04 2018-09-21 天津大学 一种面向过程控制的运动想象脑-机接口设计方法
CN108563324B (zh) * 2018-03-04 2020-07-24 天津大学 一种面向过程控制的运动想象脑-机接口设计方法
CN108550054A (zh) * 2018-04-12 2018-09-18 百度在线网络技术（北京）有限公司 一种内容质量评估方法、装置、设备和介质
CN108550054B (zh) * 2018-04-12 2022-10-14 百度在线网络技术（北京）有限公司 一种内容质量评估方法、装置、设备和介质
WO2020042511A1 (zh) * 2018-08-28 2020-03-05 天津大学 基于空间滤波与模版匹配的运动电位脑机接口编解码方法
CN110109543A (zh) * 2019-04-30 2019-08-09 福州大学 基于被试迁移的c-VEP识别方法
CN110109543B (zh) * 2019-04-30 2021-08-31 福州大学 基于被试迁移的c-VEP识别方法
CN110955330A (zh) * 2019-11-22 2020-04-03 燕山大学 基于复杂对象控制的高唤醒度的脑电意图辨析方法
CN110955330B (zh) * 2019-11-22 2021-05-18 燕山大学 基于复杂对象控制的高唤醒度的脑电意图辨析方法
CN111067517A (zh) * 2019-12-20 2020-04-28 天津大学 基于静息态脑电特征的运动想象响应能力筛选方法
CN111067517B (zh) * 2019-12-20 2022-04-26 天津大学 基于静息态脑电特征的运动想象响应能力筛选方法
CN115227504A (zh) * 2022-07-18 2022-10-25 浙江师范大学 一种基于脑电眼电信号的自动升降病床系统

Similar Documents

Publication Publication Date Title
CN106200984A (zh) 运动想象脑‑机接口模型建模方法
CN105654063B (zh) 基于人工蜂群时频参数优化的运动想象脑电模式识别方法
CN103996054B (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
CN109784211A (zh) 一种基于深度学习的运动想象脑电信号分类方法
CN104573630B (zh) 基于双支持向量机概率输出的多类脑电模式在线识别方法
CN110472649B (zh) 基于多尺度分析和集成树模型的脑电情感分类方法及系统
CN104537382A (zh) 基于遗传算法优化支持向量机的肌电信号步态识别方法
CN104484644B (zh) 一种手势识别方法和装置
CN113205074B (zh) 一种融合肌电和微惯性测量单元多模态信号的手势识别方法
CN110399846A (zh) 一种基于多通道肌电信号相关性的手势识别方法
CN112043473B (zh) 智能假肢脑-肌电融合感知的并行嵌套与自主择优分类器
CN107714057A (zh) 一种基于卷积神经网络的三分类情绪识别模型方法
CN103955270A (zh) 一种基于p300的脑机接口系统的字符高速输入方法
CN105708587A (zh) 一种运动想象模式脑机接口触发的下肢外骨骼训练方法及系统
CN108280414A (zh) 一种基于能量特征的运动想象脑电信号的识别方法
CN104035563A (zh) 基于w-pca和无监督ghsom的脑电信号识别方法
CN109598222A (zh) 基于eemd数据增强的小波神经网络运动想象脑电分类方法
CN106339071A (zh) 一种行为识别方法及设备
CN112001305B (zh) 基于梯度提升决策树的特征优化ssvep异步识别方法
CN109948427A (zh) 一种基于长短时记忆模型的意念识别方法
CN106354262A (zh) 基于gl优化的神经网络手势识别人机交互方法
CN107122050A (zh) 基于csfl‑gdbn的稳态运动视觉诱发电位脑‑机接口方法
CN110288028A (zh) 心电检测方法、系统、设备及计算机可读存储介质
CN113158964A (zh) 一种基于残差学习和多粒度特征融合的睡眠分期方法
CN109009098A (zh) 一种运动想象状态下的脑电信号特征识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20161207