CN106778475B - 一种最优导联集选择方法及系统 - Google Patents
一种最优导联集选择方法及系统 Download PDFInfo
- Publication number
- CN106778475B CN106778475B CN201611025157.5A CN201611025157A CN106778475B CN 106778475 B CN106778475 B CN 106778475B CN 201611025157 A CN201611025157 A CN 201611025157A CN 106778475 B CN106778475 B CN 106778475B
- Authority
- CN
- China
- Prior art keywords
- lead
- leads
- optimal
- space
- parameter
- 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
- 238000010187 selection method Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000007781 pre-processing Methods 0.000 claims description 10
- 210000004556 brain Anatomy 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000000763 evoking effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004936 stimulating effect Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000638 stimulation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000029549 Muscle injury Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000000869 occipital lobe Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种最优导联集选择方法及系统，通过计算每个导联的信号稳定性参数以及各导联与其他导联之间的关联紧密度参数，获得各导联的权值，且将各导联按照权值由大到小的优先级进行排列，选取优先级大于预设级别的多个导联形成最优导联集，本发明可以有效的挑选最优导联，减少采集导联数，提升脑机接口系统的实用性，且在降低导联数的情况下，提升脑电信号分类的准确率，使得脑电信号分类准确率得到提升。
Description
技术领域
本发明涉及认知神经科学领域和信息技术领域，特别是涉及一种最优导联集选择方法及系统。
背景技术
脑机接口(Brain Computer Interface,BCI)，提供了一种新型的用大脑信号控制外部设备的人机交互方式，由于不需要依赖传统的神经-肌肉通道就能达到与外界交流的特性，可以帮助四肢肌肉损伤但大脑健全的病人向外界表达自己的思想，提升生活质量，因此近些年来，成为了人工智能、康复工程领域的研究热点，引起了相关学者的广泛关注。
基于视觉稳态诱发电位(Steady State Visual Envoked Potentials,SSVEP)的脑机接口系统通过分类不同频率的SSVEP信号将受试者的脑电信号(electroencephalogram,EEG)转变为控制命令控制外部设备的使用。而SSVEP信号产生是基于这样的原理：人的视觉在受到一个特定频率(一般大于4Hz)的连续闪烁刺激时，大脑枕叶区的脑电信号会出现有周期性节律特征的SSVEP成分，表现在频谱图上EEG会在与刺激频率相同的频率以及倍频处产生较大峰值。因此对于基于SSVEP的BCI系统，如果检测到一段EEG信号中含有某种频率的SSVEP成分，则说明受试者当时受到了该种频率的视觉刺激。将该种视觉刺激与控制外部设备的指令对应起来，就可以建立从刺激到指令的联系通道，达到控制外部设备的目的。
基于SSVEP的脑机接口系统的优点是使用者无需训练就可以达到较高的数据传输率，因此成为了目前脑机接口方案中最常见的选择之一。然而，现有的BCI大多都处于实验阶段。阻碍BCI走向实际应用的一个因素就是系统使用的导联较多。一方面，在已知的神经科学的基础上，在大脑的与实验模式相关的部位放置一定数量信号采集导联，可以比较全面的采集到与实验模式相关的脑电信号，但另一方面，较多的导联也会相应的引入许多噪声(如与实验模式无关的脑电、心电、眼电等)，使信号的信噪比降低。因此，挑选出高质量信号的导联，在保证不损失脑机接口准确率的情况下得到最有利于识别脑电信号的导联集合，对BCI的便携式应用有着积极的意义。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种最优导联集选择方法及系统，用于解决现有技术中不能在保证不损失脑机接口准确率的情况下得到最有利于识别脑电信号的导联集合的问题。
为实现上述目的及其他相关目的，本发明提供一种最优导联集选择方法，预设具有n个导联的导联集合，包括以下步骤：对获取的脑电信号进行预处理后，根据所述导联集合S，在时间段m内对所述预处理后的脑电信号进行采集，以获得n×m采集信号矩阵Z；根据所述时间段m内导联i和导联j的输出zi和zj，计算所述导联i和导联j之间的时空相关系数ρij，其中，i＝1…n，j＝1…n；根据所述时空相关系数ρij得到n×n的时空相关矩阵R；对所述时空相关矩阵R的每一行求取平均值，以获得各导联与其他导联之间的关联紧密度参数q；计算每个导联的信号稳定性参数σ；根据所述关联紧密度参数q和信号稳定性参数σ计算每个所述导联的权值w；将各所述导联按照权值w由大到小的顺序进行优先级排列，选取优先级大于预设级别的多个所述导联形成所述最优导联集。
于本发明一具体实施例中，所述方法应用于基于视觉稳态诱发电位的脑机接口系统中，通过对受试者的视觉进行刺激后获取所述脑电信号。
于本发明一具体实施例中，对所述脑电信号进行预处理的方式包括：根据预设的带宽对所述脑电信号进行滤波。
于本发明一具体实施例中，所述采集信号矩阵Z为：
于本发明一具体实施例中，所述时空相关系数ρij的计算公式为：
其中，cov(zi，zj)为导联i和导联j的协方差，D(zi)为导联i的方差，D(zj)为导联j的方差。
于本发明一具体实施例中，所述时空相关矩阵R为：
于本发明一具体实施例中，导联i与其他导联之间的关联紧密度参数qi的计算公式为：
于本发明一具体实施例中，导联i的信号稳定性参数σ的计算公式为：
其中，zl表示所述导联i在时间段m内所采集信号的值的和，
表示所述导联i在时间段m内所采集信号的均值，其中，
于本发明一具体实施例中，所述权值w与所述紧密度参数q成正比，与所述稳定性参数σ成反比，所述导联i的权值wi的计算公式为：
为实现上述目的及其他相关目的，本发明还提供一种最优导联集选择系统，包括以下模块：预设模块，用以预设具有n个导联的导联集合；采集信号矩阵获取模块，用以对获取的脑电信号进行预处理后，根据所述导联集合S，在时间段m内对所述预处理后的脑电信号进行采集，以获得n×m采集信号矩阵Z；时空相关系数计算模块，用以根据所述时间段m内导联i和导联j的输出zi和zj，计算所述导联i和导联j之间的时空相关系数ρij，其中，i＝1…n，j＝1…n；时空相关矩阵形成模块，用以根据所述时空相关系数ρij得到n×n的时空相关矩阵R；关联紧密度参数计算模块，用以对所述时空相关矩阵R的每一行求取平均值，以获得各导联与其他导联之间的关联紧密度参数q；信号稳定性参数计算模块，用以计算每个导联的信号稳定性参数σ；权值计算模块，用以根据所述关联紧密度参数q和信号稳定性参数σ计算每个所述导联的权值w；最优导联集形成模块，用以将各所述导联按照权值w由大到小的顺序进行优先级排列，选取优先级大于预设级别的多个所述导联形成所述最优导联集。
如上所述，本发明的最优导联集选择方法及系统，通过计算每个导联的信号稳定性参数σ以及各导联与其他导联之间的关联紧密度参数q，获得各导联的权值w，且将各导联按照权值w由大到小的优先级进行排列，选取优先级大于预设级别的多个导联形成最优导联集，本发明可以有效的挑选最优导联，减少采集导联数，提升脑机接口系统的实用性，且在降低导联数的情况下，提升脑电信号分类的准确率，使得脑电信号分类准确率得到提升。
附图说明
图1显示为本发明的最优导联集选择方法在一具体实施例中的流程示意图。
图2显示为本发明的最优导联集选择系统在一具体实施例中的模块示意图。
元件标号说明
20 最优导联集选择系统
21 预设模块
22 采集信号矩阵获取模块
23 时空相关系数计算模块
24 时空相关矩阵形成模块
25 关联紧密度参数计算模块
26 信号稳定性参数计算模块
27 权值计算模块
28 最优导联集形成模块
S11～S17 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1，显示为本发明的最优导联集选择方法在一具体实施例中的流程示意图。执行所述方法之前，预设具有n个导联的导联集合，所述最优导联集选择方法包括：
S11：对获取的脑电信号进行预处理后，根据所述导联集合S，在时间段m内对所述预处理后的脑电信号进行采集，以获得n×m采集信号矩阵Z；
S12：根据所述时间段m内导联i和导联j的输出zi和zj，计算所述导联i和导联j之间的时空相关系数ρij，其中，i＝1…n，j＝1…n；
S13：根据所述时空相关系数ρij得到n×n的时空相关矩阵R；
S14：对所述时空相关矩阵R的每一行求取平均值，以获得各导联与其他导联之间的关联紧密度参数q；
S15：计算每个导联的信号稳定性参数σ；
S16：根据所述关联紧密度参数q和信号稳定性参数σ计算每个所述导联的权值w；
S17：将各所述导联按照权值w由大到小的顺序进行优先级的排列，选取优先级大于预设级别的多个所述导联形成所述最优导联集。
于本发明一具体实施例中，所述方法应用于基于视觉稳态诱发电位的脑机接口系统中，通过对受试者的视觉进行刺激后获取所述脑电信号。
于本发明一具体实施例中，对所述脑电信号进行预处理的方式包括：根据预设的带宽对所述脑电信号进行滤波。
其中，所述采集信号矩阵Z为：
其中，所述时空相关系数ρij的计算公式为：
其中，cov(zi，zj)为导联i和导联j的协方差，D(zi)为导联i的方差，D(zj)为导联j的方差。
其中，所述时空相关矩阵R为：
其中，导联i与其他导联之间的关联紧密度参数qi的计算公式为：
于本发明一具体实施例中，导联i的信号稳定性参数σ的计算公式为：
其中，zl表示所述导联i在时间段m内所采集信号的值的和，
表示所述导联i在时间段m内所采集信号的均值，其中，
其中，所述权值w与所述紧密度参数q成正比，与所述稳定性参数σ成反比，所述导联i的权值wi的计算公式为：
其中，a为0～1内的自定义数值。例如可以通过多次的实验，选取获得的结果效果最好(识别脑电信号的效果最好)的情况下对应的a的值，例如可以进行10次实验，a的选值分别为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1.0。
本发明可以在保证不损失信号识别准确率的情况下，找到最有利于识别信号的采集导联集合，减少系统所用的采集通道数目，提高脑机接口系统的实用性和便携性。
例如，在一具体应用中，预设的导联有4个，分别为POz、O1、Oz、和O2。所述方法包括以下步骤：
步骤1：对EEG数据经过预处理后，根据用户设定的导联集合S(共有4个导联，POz,O1,Oz,O2，n＝4)，记在时间段m内采集的信号为4×m采集信号矩阵Z；
步骤2：根据时间段m内导联i和导联j的输出zi和zj，计算导联i和导联j之间的相关系数ρij；
步骤3：根据两两导联之间的时空相关系数ρij得到4×4时空相关矩阵R；
步骤4：对R矩阵的每一行求均值，计算导联i和其它导联之间的关联紧密度参数q；
步骤5：计算每个导联的信号稳定性参数σ；
步骤6：根据关联紧密度参数q和信号稳定性参数σ计算每个导联的权值w。
进一步的，步骤S1中，将采集信号矩阵Z表示成一下形式：
在步骤2中，具体来讲，导联i和导联j之间的时空相关系数ρij的计算方法如下：
在步骤3中，将时空相关矩阵R表现为如下形式：
在步骤4中，导联i和其它导联之间的关联紧密度参数q的计算方法如下：
在步骤5中，每个导联的信号稳定性参数σ的计算方法如下：
在步骤6中，由于导联的权值w与紧密度参数q成正比，与稳定性参数σ成反比，故用线性指数模型来计算w：
根据导联POz、O1、Oz、O2各自的权值，将导联POz、O1、Oz、O2分别按照权值由大到小的顺序进行排列，排列结果为POz、Oz、O2、O1，选取权值最高的前3个导联形成最优导联集合为：{POz,Oz,O2}。
进一步参阅图2，显示为本发明的最优导联集选择系统在一具体实施例中的模块示意图。所述最优导联集选择系统20包括：
预设模块21，用以预设具有n个导联的导联集合；
采集信号矩阵获取模块22，用以对获取的脑电信号进行预处理后，根据所述导联集合S，在时间段m内对所述预处理后的脑电信号进行采集，以获得n×m采集信号矩阵Z；
时空相关系数计算模块23，用以根据所述时间段m内导联i和导联j的输出zi和zj，计算所述导联i和导联j之间的时空相关系数ρij，其中，i＝1…n，j＝1…n；
时空相关矩阵形成模块24，用以根据所述时空相关系数ρij得到n×n的时空相关矩阵R；
关联紧密度参数计算模块25，用以对所述时空相关矩阵R的每一行求取平均值，以获得各导联与其他导联之间的关联紧密度参数q；
信号稳定性参数计算模块26，用以计算每个导联的信号稳定性参数σ；
权值计算模块27，用以根据所述关联紧密度参数q和信号稳定性参数σ计算每个所述导联的权值w；
最优导联集形成模块28，用以将各所述导联按照权值w由大到小的优先级进行排列，选取优先级大于预设级别的多个所述导联形成所述最优导联集。
综上所述，本发明的最优导联集选择方法及系统，通过计算每个导联的信号稳定性参数σ以及各导联与其他导联之间的关联紧密度参数q，获得各导联的权值w，且将各导联按照权值w由大到小的优先级进行排列，选取优先级大于预设级别的多个导联形成最优导联集，本发明可以有效的挑选最优导联，减少采集导联数，提升脑机接口系统的实用性，且在降低导联数的情况下，提升脑电信号分类的准确率，使得脑电信号分类准确率得到提升。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种最优导联集选择方法，其特征在于，预设具有n个导联的导联集合，包括以下步骤：
对获取的脑电信号进行预处理后，根据所述导联集合S，在时间段m内对所述预处理后的脑电信号进行采集，以获得n×m采集信号矩阵Z；
根据所述时间段m内导联i和导联j的输出zi和zj，计算所述导联i和导联j之间的时空相关系数ρij，其中，i＝1…n，j＝1…n；
根据所述时空相关系数ρij得到n×n的时空相关矩阵R；
对所述时空相关矩阵R的每一行求取平均值，以获得各导联与其他导联之间的关联紧密度参数q；
计算每个导联的信号稳定性参数σ；其中，导联i的信号稳定性参数σ的计算公式为：
其中，zl表示所述导联i在时间段m内所采集信号的值的和，
表示所述导联i在时间段m内所采集信号的均值，其中，
根据所述关联紧密度参数q和信号稳定性参数σ计算每个所述导联的权值w；
将各所述导联按照权值w由大到小的顺序进行优先级排列，选取优先级大于预设级别的多个所述导联形成所述最优导联集。
2.根据权利要求1所述的最优导联集选择方法，其特征在于，所述方法应用于基于视觉稳态诱发电位的脑机接口系统中，通过对受试者的视觉进行刺激后获取所述脑电信号。
3.根据权利要求1所述的最优导联集选择方法，其特征在于，对所述脑电信号进行预处理的方式包括：根据预设的带宽对所述脑电信号进行滤波。
4.根据权利要求1所述的最优导联集选择方法，其特征在于，所述采集信号矩阵Z为：
5.根据权利要求4所述的最优导联集选择方法，其特征在于，所述时空相关系数ρij的计算公式为：
其中，cov(zi,zj)为导联i和导联j的协方差，D(zi)为导联i的方差，D(zj)为导联j的方差。
6.根据权利要求5所述的最优导联集选择方法，其特征在于：所述时空相关矩阵R为：
7.根据权利要求6所述的最优导联集选择方法，其特征在于：导联i与其他导联之间的关联紧密度参数qi的计算公式为：
8.根据权利要求7所述的最优导联集选择方法，其特征在于：所述权值w与所述紧密度参数q成正比，与所述稳定性参数σ成反比，所述导联i的权值wi的计算公式为：
9.一种最优导联集选择系统，其特征在于，包括以下模块：
预设模块，用以预设具有n个导联的导联集合；
采集信号矩阵获取模块，用以对获取的脑电信号进行预处理后，根据所述导联集合S，在时间段m内对所述预处理后的脑电信号进行采集，以获得n×m采集信号矩阵Z；
时空相关系数计算模块，用以根据所述时间段m内导联i和导联j的输出zi和zj，计算所述导联i和导联j之间的时空相关系数ρij，其中，i＝1…n，j＝1…n；
时空相关矩阵形成模块，用以根据所述时空相关系数ρij得到n×n的时空相关矩阵R；
关联紧密度参数计算模块，用以对所述时空相关矩阵R的每一行求取平均值，以获得各导联与其他导联之间的关联紧密度参数q；
信号稳定性参数计算模块，用以计算每个导联的信号稳定性参数σ；其中，导联i的信号稳定性参数σ的计算公式为：
其中，zl表示所述导联i在时间段m内所采集信号的值的和，
表示所述导联i在时间段m内所采集信号的均值，其中，
权值计算模块，用以根据所述关联紧密度参数q和信号稳定性参数σ计算每个所述导联的权值w；
最优导联集形成模块，用以将各所述导联按照权值w由大到小的优先级进行排列，选取优先级大于预设级别的多个所述导联形成所述最优导联集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611025157.5A CN106778475B (zh) | 2016-11-18 | 2016-11-18 | 一种最优导联集选择方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611025157.5A CN106778475B (zh) | 2016-11-18 | 2016-11-18 | 一种最优导联集选择方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106778475A CN106778475A (zh) | 2017-05-31 |
| CN106778475B true CN106778475B (zh) | 2020-06-09 |
Family
ID=58969995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611025157.5A Active CN106778475B (zh) | 2016-11-18 | 2016-11-18 | 一种最优导联集选择方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106778475B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108937968B (zh) * | 2018-06-04 | 2021-11-19 | 安徽大学 | 基于独立分量分析的情感脑电信号的导联选择方法 |
| CN112568911B (zh) * | 2019-09-30 | 2024-09-13 | 深圳市理邦精密仪器股份有限公司 | 心电数据的分类方法、设备及具有存储功能的装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1299248A (zh) * | 1998-04-30 | 2001-06-13 | 梅德特里奥尼克菲塞奥-康特尔制造公司 | 检测急性心脏局部缺血症状的缩减导联组 |
| CN101862194A (zh) * | 2010-06-17 | 2010-10-20 | 天津大学 | 基于融合特征的想象动作脑电身份识别方法 |
| CN102184017A (zh) * | 2011-05-13 | 2011-09-14 | 天津大学 | 一种p300脑-机接口导联优化方法 |
| CN102764167A (zh) * | 2012-06-12 | 2012-11-07 | 天津大学 | 基于相关系数的肌电假肢控制源导联优化方法 |
| CN103413052A (zh) * | 2013-08-21 | 2013-11-27 | 华北电力大学 | 基于相关性分析的火电厂过程稳态建模变量筛选方法 |
| CN103431856A (zh) * | 2013-08-30 | 2013-12-11 | 深圳市理邦精密仪器股份有限公司 | 在多导联同步心电信号中选择心电导联的方法及装置 |
| CN103720471A (zh) * | 2013-12-24 | 2014-04-16 | 电子科技大学 | 一种基于因子分析的眼电伪迹去除方法 |
| CN104363956A (zh) * | 2012-04-04 | 2015-02-18 | 美敦力公司 | 基于心音的自适应心脏再同步治疗定时参数优化系统 |
| US9215298B2 (en) * | 2008-05-28 | 2015-12-15 | Cornell University | Patient controlled brain repair system and method of use |
-
2016
- 2016-11-18 CN CN201611025157.5A patent/CN106778475B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1299248A (zh) * | 1998-04-30 | 2001-06-13 | 梅德特里奥尼克菲塞奥-康特尔制造公司 | 检测急性心脏局部缺血症状的缩减导联组 |
| US9215298B2 (en) * | 2008-05-28 | 2015-12-15 | Cornell University | Patient controlled brain repair system and method of use |
| CN101862194A (zh) * | 2010-06-17 | 2010-10-20 | 天津大学 | 基于融合特征的想象动作脑电身份识别方法 |
| CN102184017A (zh) * | 2011-05-13 | 2011-09-14 | 天津大学 | 一种p300脑-机接口导联优化方法 |
| CN104363956A (zh) * | 2012-04-04 | 2015-02-18 | 美敦力公司 | 基于心音的自适应心脏再同步治疗定时参数优化系统 |
| CN102764167A (zh) * | 2012-06-12 | 2012-11-07 | 天津大学 | 基于相关系数的肌电假肢控制源导联优化方法 |
| CN103413052A (zh) * | 2013-08-21 | 2013-11-27 | 华北电力大学 | 基于相关性分析的火电厂过程稳态建模变量筛选方法 |
| CN103431856A (zh) * | 2013-08-30 | 2013-12-11 | 深圳市理邦精密仪器股份有限公司 | 在多导联同步心电信号中选择心电导联的方法及装置 |
| CN103720471A (zh) * | 2013-12-24 | 2014-04-16 | 电子科技大学 | 一种基于因子分析的眼电伪迹去除方法 |
Non-Patent Citations (2)
| Title |
|---|
| "A Mutual Information Based Channel Selection Scheme for P300-Based Brain Computer Interface";Cancun, Mexico;《Proceedings of the 5th International IEEE EMBS Conference on Neural Engineering》;20110501;第434-436页 * |
| "Distance and mutual information methods for EMG feature and channel subset selection for classification of hand movements";movementsHaitham M. Al-Angari，Gunter Kanitz.et.al.;《Biomedical Signal Processing and Control》;20160212;第24-31页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106778475A (zh) | 2017-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106503799B (zh) | 基于多尺度网络的深度学习模型及在脑状态监测中的应用 | |
| CN101477405B (zh) | 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 | |
| Gallez et al. | Predictability of human EEG: a dynamical approach | |
| CN112084879B (zh) | 一种运动想象脑电的块选择共空间模式特征提取方法 | |
| CN105260025B (zh) | 基于移动终端的稳态视觉诱发电位脑机接口系统 | |
| WO2019144776A1 (zh) | 一种基于非对称脑电特征的脑-机接口系统编解码方法 | |
| CN110537929A (zh) | 一种基于ssvep的注意力测评方法、训练方法以及脑机接口 | |
| WO2007030868A1 (en) | Method and system for detecting and classifying facial muscle movements | |
| KR101842750B1 (ko) | 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치 | |
| CN108681391A (zh) | 一种基于多模式的脑电信号虚拟键盘设计方法 | |
| CN106778475B (zh) | 一种最优导联集选择方法及系统 | |
| Aldea et al. | Classifications of motor imagery tasks in brain computer interface using linear discriminant analysis | |
| CN111580643A (zh) | 一种基于稳态不对称视觉诱发电位的脑-机接口方法 | |
| CN111930238A (zh) | 基于动态ssvep范式的脑机接口系统实现方法及装置 | |
| Liu et al. | EEG classification for multiclass motor imagery BCI | |
| CN116360600A (zh) | 一种基于稳态视觉诱发电位的空间定位系统 | |
| CN114081506B (zh) | 一种基于长短期记忆网络的稳态视觉诱发电位分类方法 | |
| CN116382481A (zh) | 一种基于脑机接口技术的人机交互眼镜 | |
| Qu et al. | Riemannian distance based channel selection and feature extraction combining discriminative time-frequency bands and Riemannian tangent space for MI-BCIs | |
| CN111466930A (zh) | 一种基于脑电信号的视听诱发情绪识别方法及系统 | |
| CN106774843A (zh) | 一种密码输入设备和方法 | |
| Turetta et al. | A freely available system for human activity recognition based on a low-cost body area network | |
| CN114997229A (zh) | 一种基于脑电信号的运动想象分类方法和系统 | |
| Zhang et al. | FPGA implementation of visual noise optimized online steady-state motion visual evoked potential BCI System | |
| Punsawad et al. | Minimal-assisted SSVEP-based brain-computer interface device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |