CN106843509B - 一种脑机接口系统 - Google Patents

一种脑机接口系统 Download PDF

Info

Publication number
CN106843509B
CN106843509B CN201710201259.6A CN201710201259A CN106843509B CN 106843509 B CN106843509 B CN 106843509B CN 201710201259 A CN201710201259 A CN 201710201259A CN 106843509 B CN106843509 B CN 106843509B
Authority
CN
China
Prior art keywords
target
signal
circuit
signals
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
Application number
CN201710201259.6A
Other languages
English (en)
Other versions
CN106843509A (zh
Inventor
瞿倩
唐兴峰
刘鹏
刘铁军
郜东瑞
谢佳欣
任艳莉
何垣谛
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201710201259.6A priority Critical patent/CN106843509B/zh
Publication of CN106843509A publication Critical patent/CN106843509A/zh
Application granted granted Critical
Publication of CN106843509B publication Critical patent/CN106843509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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)

Abstract

本发明公开了一种脑机接口系统，包括脑电信号采集电极、模拟信号处理模块和数字信号处理模块；模拟信号处理模块包括前置放大电路、抗混叠滤波电路、直流补偿电路；数字信号处理模块包括模数转换器、微控制器、ARM处理器、无线传输电路；脑电信号采集电极将获取到的信号输入前置放大电路，前置放大电路的输出分别与抗混叠滤波电路和直流补偿电路相连，直流补偿电路的输出端连接前置放大电路；抗混叠滤波电路的输出端依次连接模数转换器、微控制器、ARM处理器和无线传输电路。本发明通过合理设计硬件电路和数字电路，能够获得高信噪比的脑电信号，电路结构简单，能够减小接口设备的体积，并且能够实现实时在线数据处理，能够广泛应用于实际生活中。

Description

一种脑机接口系统
技术领域
本发明属于生物信息技术领域，特别涉及一种脑机接口系统。
背景技术
脑机接口是一项新型的人机交互技术，是一种不依赖于大脑外周神经与肌肉正常输出通道的通讯控制系统。它通过采集和分析人脑生物电信号，在人脑与计算机或其它电子设备之间建立起直接交流和控制的通道，这样人就可以通过脑来表达意愿或操纵设备，而不需要语占或肢体动作。
脑机接口的重要用途是帮助那些思维正常但运动能力严重受限的患者提供帮助，使其在外界设备的帮助下更方面与外界沟通交流。脑机接口正成为脑科学、康复工程、生物医学工程及人机自动控制研究等领域的研究热点。
虽然，近几年人们在脑机接口的研究方面已取得一些积极进展。但现有的脑机接口系统大多处于理论实验阶段。此外，这些实验设备体积庞大、系统分散、导线众多，而且数据只能做离线分析，导致脑机接口系统无法应用到实际生活中。
发明内容
本发明的目的在于克服现有技术的不足，提供一种通过模拟信号处理模块滤除脑电信号中的噪声，然后利用ARM处理器实时在线分析脑电信号，将脑电信号中的相关信息翻译成机器指令，通过无线方式发送至目标机器，电路结构简单，能够减小接口设备的体积，并且能够实现实时在线数据处理的脑机接口系统。
本发明的目的是通过以下技术方案来实现的：一种脑机接口系统，包括脑电信号采集电极、模拟信号处理模块和数字信号处理模块；所述模拟信号处理模块包括：
前置放大电路，用于放大脑电信号，滤除共模噪声；
抗混叠滤波电路，用于滤除高频噪声的干扰；
直流补偿电路，用于滤除脑电信号采集电极中引入的直流成份，提高前置放大电路的放大倍数，获得高的脑电信号信噪比；
所述数字信号处理模块包括：
模数转换器，将模拟信号转换成数字信号；
微控制器，用于控制模数转换器；
ARM处理器，用于将脑电信号中的相关信息转换为机器指令；
无线传输电路，用于将机器指令发送至目标机；
脑电信号采集电极将获取到的信号输入前置放大电路，前置放大电路的输出分别与抗混叠滤波电路和直流补偿电路相连，直流补偿电路的输出端连接前置放大电路；抗混叠滤波电路的输出端依次连接模数转换器、微控制器、ARM处理器和无线传输电路，微控制器的输出端还与模数转换器相连。
进一步地，所述ARM处理器采用线性判别分析LDA算法实现脑电信号中的相关信息转换为机器指令。所述线性判别分析LDA算法包括以下步骤：
S1、训练LDA分类器，包括以下子步骤：
S11、采集脑电信号，分别采集多个通道的脑电信号作为输入信号；
S12、对采集到的脑电信号分别进行moVEP(运动起始视觉诱发电，motion-onsetVisual Evoked Potential,moVEP)信号提取，并判断该moVEP信号是否为目标刺激产生的信号，若是则将moVEP信号存入目标缓存区，并执行步骤S13；否则将moVEP信号存入非目标缓存区，执行步骤S14；
S13、判断目标刺激样本数是否采集完毕，若已经采集完毕则执行步骤S15，否则返回步骤S11；
S14、判断非目标刺激样本数是否采集完毕，若已经采集完毕则执行步骤S15，否则返回步骤S11；
S15、绘制目标刺激和非目标刺激的moVEP曲线图；
S16、根据用户选择的时间窗分别提取目标刺激和非目标刺激的moVEP信号段；
S17、将提取的moVEP信号段进行去基线、数字滤波和降采样处理；
S18、对降采样处理后的moVEP信号进行叠加，然后将多个通道的moVEP信号首尾串接，形成最后的目标刺激和非目标刺激的特征向量；在进行脑机接口控制时，往往会选择多个通道的脑电数据来作为输入信号，这就要求在最后的特征提取过程中，需要将各个通道的脑电数据首尾连接起来，形成最后的特征向量，也就是“通道间串接”。
S19、生成LDA分类器参数，并将LDA分类器参数存储于文本文档中；
S2、将采集到的脑电信号通过投影向量投影到一维线性空间，然后利用步骤S1生成的LDA分类器对脑电信号进行分类，实现对脑电信号的特征提取和模式识别，将脑电信号中的相关信息转换为机器指令。
进一步地，所述步骤S19中生成LDA分类器参数的具体实现方法为：利用投影向量将步骤S18得到的特征向量投影到一维线性空间，线性判别分析LDA算法所用的分类阈值w0是目标刺激和非目标刺激两类样本在经过向投影向量投影的一维线性空间的在分界点，本发明选取标刺激和非目标刺激两类样本在一维线性空间上投影后的均值作为标刺激和非目标刺激的分类阈值w0。
LDA分类的思想是将高维空间的向量投影到一维线性空间中，然后在一维线性空间中对样本进行分类，所以在使用LDA分类器前，先要寻找出这个最佳的投影向量W，在本发明中，所述投影向量采用Fisher提出的最佳投影向量W，使样本在一维线性空间上的投影有最大的类间距离和最小的类内距离：
W＝(S1+S2)-1(u1-u2) (1)
其中，u1和u2分别为目标刺激和非目标刺激所对应信号特征向量的均值，其定义如下：
Figure BDA0001258637200000031
wi代表目标刺激和非目标刺激的类别，x是信号特征向量，Ni表示属于wi类的样本个数；
S1和S2分别为目标刺激和非目标刺激的类内离散度，类内离散度是用来表征样本之间的离散信息的变量，其定义如下：
Figure BDA0001258637200000032
本发明的有益效果是：本发明提出了一种脑机接口系统，该系统通过模拟信号处理模块滤除脑电信号中的噪声，提取较为纯净的脑电信号；然后在微控制器的控制下，将模拟信号转换为数字信号，并利用ARM处理器实时在线分析脑电信号，将脑电信号中的相关信息翻译成机器指令，通过无线方式发送至目标机器，实现脑电信号对外界设备的实时控制。本发明通过合理设计硬件电路和数字电路，能够获得高信噪比的脑电信号，电路结构简单，能够减小接口设备的体积，降低设备成本；并且能够实现实时在线数据处理，能够广泛应用于实际生活中。
附图说明
图1为本发明的脑机接口系统结构示意图；
图2为本发明的训练LDA分类器的流程图；
图3为本发明的脑机接口系统的刺激界面图；
图4为本发明的LDA在线测试的流程图。
具体实施方式
本发明提出了一种脑机接口系统，该系统通过模拟电路，滤除信号中的噪声，提取较为纯净的脑电信号，然后在微控制器的控制下，将模拟信号转换为数字信号，然后利用ARM处理器，实时在线的分析出来脑电信号，并将信号中的相关信息翻译成机器指令，通过无线方式发送至目标机器，从而实现对外界设备的实时控制。下面结合附图进一步说明本发明的技术方案。
如图1所示，脑机接口系统，包括脑电信号采集电极、模拟信号处理模块和数字信号处理模块；脑电信号采集电极用于采集脑电信号，可以为湿电极或者干电极；
所述模拟信号处理模块包括：
前置放大电路，用于放大脑电信号，滤除共模噪声；
抗混叠滤波电路，用于滤除高频噪声的干扰；
直流补偿电路，用于滤除脑电信号采集电极中引入的直流成份，提高前置放大电路的放大倍数，获得高的脑电信号信噪比；
所述数字信号处理模块包括：
模数转换器，将模拟信号转换成数字信号；
微控制器，用于控制模数转换器；
ARM处理器，用于将脑电信号中的相关信息转换为机器指令；
无线传输电路，用于将机器指令发送至目标机；
脑电信号采集电极将获取到的信号输入前置放大电路，前置放大电路的输出分别与抗混叠滤波电路和直流补偿电路相连，直流补偿电路的输出端连接前置放大电路；抗混叠滤波电路的输出端依次连接模数转换器、微控制器、ARM处理器和无线传输电路，微控制器的输出端还与模数转换器相连。
脑电信号中相关信息的转换主要是信号的判别分类的过程，本发明的ARM处理器采用线性判别分析(LDA，Linear Discriminant Analysis)的方法，实现对脑电信号的特征提取和模式识别，将脑电信号中的相关信息转换为机器指令。
线性判别分析是特征提取和模式识别的一种算法。线性判别分析的基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后，保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性。因此，它是一种有效的特征抽取方法。使用这种方法能够使投影后模式样本的类间散布矩阵最大，并且同时类内散布矩阵最小。所述线性判别分析LDA算法包括以下步骤：
S1、训练LDA分类器，在使用LDA分类器进行模式分类前，需要先训练出LDA分类器参数，系统专门设计了一个LDA训练线程，在和数据采集线程的配合下负责生成LDA分类器参数，并将分类器参数存储于文本文档中。如此以来，在下一次使用该脑机接口系统时，如果分类准确率满足需求，就能免去训练的过程。图2为该LDA训练的流程图，具体包括以下子步骤：
S11、采集脑电信号，分别采集多个通道的脑电信号作为输入信号；
S12、对采集到的脑电信号分别进行moVEP(运动起始视觉诱发电，motion-onsetVisual Evoked Potential,moVEP)信号提取，并判断该moVEP信号是否为目标刺激产生的信号，若是则将moVEP信号存入目标缓存区，并执行步骤S13；否则将moVEP信号存入非目标缓存区，执行步骤S14；图3为脑机接口系统的刺激界面，每轮运动起始刺激中，四个矩形刺激框会依次产生一次刺激，具体刺激顺序随机。在整个刺激过程中，用户只能注视其中的一个矩形刺激框，把用户所注视的那个矩形刺激框产生的运动起始刺激称为目标刺激，其余三个矩形刺激框产生的运动起始刺激称为非目标刺激。
S13、判断目标刺激样本数是否采集完毕，若已经采集完毕则执行步骤S15，否则返回步骤S11；
S14、判断非目标刺激样本数是否采集完毕，若已经采集完毕则执行步骤S15，否则返回步骤S11；
在进行分类器训练时，需要先获取到已知类别信息的样本，一般而言，已知类别信息的样本数目越多，训练出来的分类器效果就越好，但是对应的训练时间也越长，所以希望在两者之间寻找一个平衡点，经过实践，当目标刺激的样本数为180，非目标刺激的样本数为900时，能够达到两者间的平衡。
S15、绘制目标刺激和非目标刺激的moVEP曲线图；
S16、根据用户选择的时间窗分别提取目标刺激和非目标刺激的moVEP信号段；
S17、将提取的moVEP信号段进行去基线、数字滤波和降采样处理；
S18、对降采样处理后的moVEP信号进行叠加，然后将多个通道的moVEP信号首尾串接，形成最后的目标刺激和非目标刺激的特征向量；在进行脑机接口控制时，往往会选择多个通道的脑电数据来作为输入信号，这就要求在最后的特征提取过程中，需要将各个通道的脑电数据首尾连接起来，形成最后的特征向量，也就是“通道间串接”。
S19、生成LDA分类器参数，并将LDA分类器参数存储于文本文档中；
为了验证LDA分类器对脑电信号处理的准确性，在获取到LDA分类器参数后，还需要进一步进行LDA实时分类，即LDA在线测试。LDA在线测试流如图4所示。在LDA实时分类模式下，刺激屏幕总共包含4个刺激滑块，一次完整的刺激四个刺激滑块会依次随机进行滑动刺激，每个滑块刺激完成后都会提取到一段moVEP信号，所以一次完整的刺激就能提取到4段moVEP信号，为了提高分类准确率，这里将两次刺激提取到的moVEP信号进行叠加，叠加后再送入LDA分类器进行分类，所以，在分类前，需要提取到8段moVEP信号。首先采集脑电喜好并进行moVEP提取；然后对提取到的moVEP信号进行去基线、数字滤波、降采样、叠加和通道间串接处理之后，检测是否提取到两次完整刺激的所有目标moVEP信号和非目标moVEP信号；若是则将提取到的moVEP信号送入LDA分类器进行LDA分类，并将分类结果转换成控制指令发送给目标机器；否则重新进行脑电信号采集。
S2、将采集到的脑电信号通过投影向量投影到一维线性空间，然后利用步骤S1生成的LDA分类器对脑电信号进行分类，实现对脑电信号的特征提取和模式识别，将脑电信号中的相关信息转换为机器指令。
进一步地，所述步骤S19中生成LDA分类器参数的具体实现方法为：利用投影向量将步骤S18得到的特征向量投影到一维线性空间，线性判别分析LDA算法所用的分类阈值w0是目标刺激和非目标刺激两类样本在经过向投影向量投影的一维线性空间的在分界点，本发明选取标刺激和非目标刺激两类样本在一维线性空间上投影后的均值作为标刺激和非目标刺激的分类阈值w0。
LDA分类的思想是将高维空间的向量投影到一维线性空间中，然后在一维线性空间中对样本进行分类，所以在使用LDA分类器前，先要寻找出这个最佳的投影向量W，在本发明中，所述投影向量采用Fisher提出的最佳投影向量W，使样本在一维线性空间上的投影有最大的类间距离和最小的类内距离：
W＝(S1+S2)-1(u1-u2) (1)
其中，u1和u2分别为目标刺激和非目标刺激所对应信号特征向量的均值，其定义如下：
wi代表目标刺激和非目标刺激的类别，x是信号特征向量，Ni表示属于wi类的样本个数；i＝1表示目标刺激，i＝2表示非目标刺激；
S1和S2分别为目标刺激和非目标刺激的类内离散度，类内离散度是用来表征样本之间的离散信息的变量，其定义如下：
Figure BDA0001258637200000062
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (3)

1.一种脑机接口系统，其特征在于，包括脑电信号采集电极、模拟信号处理模块和数字信号处理模块；所述模拟信号处理模块包括：
前置放大电路，用于放大脑电信号，滤除共模噪声；
抗混叠滤波电路，用于滤除高频噪声的干扰；
直流补偿电路，用于滤除脑电信号采集电极中引入的直流成份，提高前置放大电路的放大倍数，获得高的脑电信号信噪比；
所述数字信号处理模块包括：
模数转换器，将模拟信号转换成数字信号；
微控制器，用于控制模数转换器；
ARM处理器，用于将脑电信号中的相关信息转换为机器指令；所述ARM处理器采用线性判别分析LDA算法实现脑电信号中的相关信息转换为机器指令；包括以下步骤：
S1、训练LDA分类器，包括以下子步骤：
S11、采集脑电信号，分别采集多个通道的脑电信号作为输入信号；
S12、对采集到的脑电信号分别进行moVEP信号提取，并判断该moVEP信号是否为目标刺激产生的信号，若是则将moVEP信号存入目标缓存区，并执行步骤S13；否则将moVEP信号存入非目标缓存区，执行步骤S14；
S13、判断目标刺激样本数是否采集完毕，若已经采集完毕则执行步骤S15，否则返回步骤S11；
S14、判断非目标刺激样本数是否采集完毕，若已经采集完毕则执行步骤S15，否则返回步骤S11；
S15、绘制目标刺激和非目标刺激的moVEP曲线图；
S16、根据用户选择的时间窗分别提取目标刺激和非目标刺激的moVEP信号段；
S17、将提取的moVEP信号段进行去基线、数字滤波和降采样处理；
S18、对降采样处理后的moVEP信号进行叠加，然后将多个通道的moVEP信号首尾串接，形成最后的目标刺激和非目标刺激的特征向量；
S19、生成LDA分类器参数，并将LDA分类器参数存储于文本文档中；
S2、将采集到的脑电信号通过投影向量投影到一维线性空间，然后利用步骤S1生成的LDA分类器对脑电信号进行分类，实现对脑电信号的特征提取和模式识别，将脑电信号中的相关信息转换为机器指令；
无线传输电路，用于将机器指令发送至目标机；
脑电信号采集电极将获取到的信号输入前置放大电路，前置放大电路的输出分别与抗混叠滤波电路和直流补偿电路相连，直流补偿电路的输出端连接前置放大电路；抗混叠滤波电路的输出端依次连接模数转换器、微控制器、ARM处理器和无线传输电路，微控制器的输出端还与模数转换器相连。
2.根据权利要求1所述的脑机接口系统，其特征在于，所述步骤S19中生成LDA分类器参数的具体实现方法为：利用投影向量将步骤S18得到的特征向量投影到一维线性空间，选取标刺激和非目标刺激两类样本在一维线性空间上投影后的均值作为标刺激和非目标刺激的分类阈值w0。
3.根据权利要求1或2所述的脑机接口系统，其特征在于，所述投影向量采用Fisher提出的最佳投影向量W，使样本在一维线性空间上的投影有最大的类间距离和最小的类内距离：
W＝(S1+S2)-1(u1-u2) (1)
其中，u1和u2分别为目标刺激和非目标刺激所对应信号特征向量的均值，其定义如下：
Figure FDA0002180601720000021
wi代表目标刺激和非目标刺激的类别，x是信号特征向量，Ni表示属于wi类的样本个数；
S1和S2分别为目标刺激和非目标刺激的类内离散度，其定义如下：
Figure FDA0002180601720000022
CN201710201259.6A 2017-03-30 2017-03-30 一种脑机接口系统 Active CN106843509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710201259.6A CN106843509B (zh) 2017-03-30 2017-03-30 一种脑机接口系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710201259.6A CN106843509B (zh) 2017-03-30 2017-03-30 一种脑机接口系统

Publications (2)

Publication Number Publication Date
CN106843509A CN106843509A (zh) 2017-06-13
CN106843509B true CN106843509B (zh) 2020-01-07

Family

ID=59142744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710201259.6A Active CN106843509B (zh) 2017-03-30 2017-03-30 一种脑机接口系统

Country Status (1)

Country Link
CN (1) CN106843509B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110850978A (zh) * 2019-11-06 2020-02-28 中国科学院自动化研究所 全植入式脑机接口系统
CN111576539B (zh) * 2020-04-30 2022-07-29 三一重机有限公司 挖掘机控制方法、装置、计算机设备和可读存储介质
CN114647320B (zh) * 2022-05-24 2022-09-16 之江实验室 一种应用于脑机接口的同步采集与传输的方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1710621A (zh) * 2005-07-19 2005-12-21 天津大学 脑机接口家电遥控装置
CN105446158A (zh) * 2015-12-31 2016-03-30 华南理工大学 一种基于多模态脑机接口的智能家电控制护理装置及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1710621A (zh) * 2005-07-19 2005-12-21 天津大学 脑机接口家电遥控装置
CN105446158A (zh) * 2015-12-31 2016-03-30 华南理工大学 一种基于多模态脑机接口的智能家电控制护理装置及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于LDA算法的人脸识别的研究;韩艳斌;《现代计算机(专业版)》;20150625;全文 *
基于PCA和LDA算法的人脸识别系统;王晓洁;《新乡学院学报》;20160122;全文 *

Also Published As

Publication number Publication date
CN106843509A (zh) 2017-06-13

Similar Documents

Publication Publication Date Title
CN105956624B (zh) 基于空时频优化特征稀疏表示的运动想象脑电分类方法
CN109299751B (zh) 基于emd数据增强的卷积神经模型的ssvep脑电分类方法
CN106775023B (zh) 眼电信号采集方法及基于眼电信号控制的蓝牙鼠标系统
CN107981997B (zh) 一种基于人脑运动意图的智能轮椅控制方法及系统
CN110555468A (zh) 一种联合递归图和cnn的脑电信号识别方法及系统
CN110059575A (zh) 一种基于表面肌电唇语识别的辅助沟通系统
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
CN103699226A (zh) 一种基于多信息融合的三模态串行脑-机接口方法
CN114533086B (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
CN106843509B (zh) 一种脑机接口系统
CN108958486A (zh) 基于人脸识别脑电n170成分的情绪脑机接口系统
Gao et al. Multi-ganglion ANN based feature learning with application to P300-BCI signal classification
CN104571504A (zh) 一种基于想象动作的在线脑-机接口方法
CN112488002A (zh) 基于n170的情绪识别方法及识别系统
CN113208593A (zh) 基于相关性动态融合的多模态生理信号情绪分类方法
CN108836327A (zh) 基于脑机接口的智能输出终端及脑电信号识别方法
CN109009098A (zh) 一种运动想象状态下的脑电信号特征识别方法
CN112162634A (zh) 一种基于seeg信号的数字输入脑机接口系统
CN116400800B (zh) 一种基于脑机接口和人工智能算法的als患者人机交互系统及方法
Imran et al. Motor imagery EEG signal classification scheme based on wavelet domain statistical features
CN106020453B (zh) 一种基于灰色理论的脑-机接口方法
CN113057654B (zh) 基于频率耦合神经网络模型的记忆负荷检测提取系统及方法
Bandara et al. Differentiation of signals generated by eye blinks and mouth clenching in a portable brain computer interface system
CN107085468A (zh) 一种实时检测并显示人类情绪状态的智能笔及其检测方法
Dezhi et al. Research on Feature Extraction and Classification of EEG Signals Based on Multitask Motor Imagination

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