CN107562191A - 基于混合特征的精细想象动作在线脑‑机接口方法 - Google Patents
基于混合特征的精细想象动作在线脑‑机接口方法 Download PDFInfo
- Publication number
- CN107562191A CN107562191A CN201710657585.8A CN201710657585A CN107562191A CN 107562191 A CN107562191 A CN 107562191A CN 201710657585 A CN201710657585 A CN 201710657585A CN 107562191 A CN107562191 A CN 107562191A
- Authority
- CN
- China
- Prior art keywords
- mrow
- feature
- fine
- eeg
- frequency
- 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
Links
Landscapes
- 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混合特征的精细想象动作在线脑‑机接口方法,包括对右侧上肢不同关节设计了握拳、抬腕、屈肘和肩外展四类动作;通过放置在手掌屈肌、手腕正中神经、手臂肱二头肌和三角肌电极在提示开始时同时给予电刺激,被试想象相应动作的同时选择注意电刺激的位置;有效融合不同频率分布的事件相关去同步化特征、以及电刺激诱发的稳态体感诱发电位特征,组成混合范式;采用基于多频率成分空间滤波的算法,从混合范式中提取事件相关去同步化以及稳态体感诱发电位特征,提高识别正确率;采用多分类支持向量机进行模式识别,输出决策值,并语音提示反馈给被试。本发明能有效区分出由高相关性相邻脑区控制的身体部位,具有优异的性能。
Description
技术领域
本发明涉及在线脑-机接口领域,尤其涉及一种基于混合特征的精细想象动作在线脑- 机接口方法。
背景技术
脑-机接口(Brain-Computer Interface,BCI)系统是一个通过采集、分析大脑信号,并 将其转换为输出指令,实现由大脑信号对外部设备直接控制的系统。在目前的BCI系统中, 多种类型的大脑信号被采集与分析,从而作为输出指令控制外部设备。根据这些大脑信号 的获取方式不同,分为侵入式和非侵入式。
侵入式包括两类:一类是皮层脑电(Electrocorticography,ECoG),该信号通过硬膜下 植入电极采集得到,能记录到更小区域内的神经活动,具有更高的信噪比和空间分辨率; 另一类是皮层内神经元信号,包括锋电位(Spike)和局部场电位(Local fieldpotential, LFP),通常记录单个或多个神经元信号;
非侵入式包括:人体脑电(Electroencephalography,EEG)、脑磁信号(Magnetoencephalography,MEG)、血氧水平依赖(Blood-oxygen-level-dependent,BOLD)信号以及脱氧或含氧血红蛋白浓度等。由于EEG信号具有无创性、方便获取、以及高时间 分辨率等优点,因此在实验研究中得到了广范的应用。
研究表明,运动执行(Motor execution,ME)和运动想象能够激活相似的神经网络, 导致大脑皮层运动区中大量神经元活动状态的改变,从而使脑电信号中的某些频率成分 (例如alpha波、beta波和mu节律)同步衰减或增强,这种现象称为事件相关去同步化或者同步化现象(event-related desynchronization or synchronization,ERD或ERS)。不同的想 象动作可以诱发相应的变化特征,基于此,脑-机接口技术通过放置在不同脑区的电极检测 这种脑电能量的变化情况,从而识别出使用者的真正意图。
目前,MI-BCI(运动想象-脑机接口)的研究已经相对成熟,但同时也存在一个问题, 对于动作类型的识别仅仅局限于较大身体部位的想象,比如:左手、右手、双脚等在大脑 皮层上具有较高空间分辨率的部位,无法做到精细想象动作的识别,不适用于对动作精度 要求较高的场合。这不仅导致输出的指令集有限,而且存在真实意图与实际输出的一种认 知缺联,容易导致使用者出现错误判断,不利于康复治疗,因此对于同一肢体不同关节精 细想象动作的识别鲜有报道。导致无创脑-机技术无法准备识别精细想象动作的原因主要是 由于大脑的容积导体效应,EEG信号容易受到干扰,所记录到的信息频带有限,因此在无 创的方式下很难准确识别出精细想象动作。
许多致力于精细想象动作可分性的研究,大都是采用有创记录方式,通过对大脑开颅 手术植入记录电极,采集更高空间分辨率、更强信噪比的脑电信号,做到更精细的定位和 识别。然而,这种有创的方式需要承担昂贵的手术费用、较高的感染风险,在实际中并未 得到广泛的应用。因此,对于研究无创精细想象动作的识别显得尤为重要,能够方便安全 地识别出精细动作的想象对于动作的连续训练和脑-机接口系统的完善具有很大的促进作 用。
发明内容
本发明提供了一种基于混合特征的精细想象动作在线脑-机接口方法,本发明通过对右 侧上肢不同动作做分类识别并及时给予使用者相应的反馈,同时融合ERD和SSSEP(Steady-state somatosensory evoked potential,电刺激诱发的稳态体感诱发电位)特征,不 仅能区分出由高相关性相邻脑区控制的身体部位,而且具有更加优异的性能,详见下文描 述:
一种基于混合特征的精细想象动作在线脑-机接口方法,所述方法包括以下步骤:
对右侧上肢不同关节设计了四类动作,包括:握拳、抬腕、屈肘和肩外展;通过放置在手掌屈肌、手腕正中神经、手臂肱二头肌和手臂三角肌四个位置的电极在提示开始时同时给予电刺激,被试想象相应动作的同时选择注意电刺激的位置;
有效融合不同频率分布的事件相关去同步化特征、以及电刺激诱发的稳态体感诱发电 位特征,组成混合范式;
采用基于多频率成分空间滤波的算法,从混合范式中提取事件相关去同步化特征、以 及稳态体感诱发电位特征,提高识别正确率;
采用多分类支持向量机进行模式识别,输出决策值,并语音提示及时反馈给被试。
其中,所述电刺激采用脉宽为200μs的双相电流脉冲,通过两个相距4cm的自粘性心电 电极施加刺激,刺激频率为手掌36Hz、手腕31Hz、手臂26Hz和肩部21Hz,刺激强度调整至使用者轻微震颤,以足以产生电刺激诱发的稳态体感诱发电位特征为止。
其中,所述有效融合不同频率分布的事件相关去同步化特征、以及电刺激诱发的稳态 体感诱发电位特征,组成混合范式具体为:
不同频率分布具有十一个频带,包括六个4Hz带宽的子频带、一个8Hz带宽的子频带 和四个1Hz带宽的子频带,前七个子频带为8-12、12-16、……、28-32Hz和32-40Hz,覆 盖了8-40Hz的频率范围,包含了运动想象诱发的事件相关去同步化特征、和电刺激诱发 的体感电位特征;后四个1Hz带宽的子频带为稳态电位特征频带,具体为刺激频率21、26、 31和36Hz的四个1Hz带宽的第一谐波成分,即20.5-21.5、25.5-26.5、30.5-31.5、和 35.5-36.5Hz。
进一步地,所述采用基于多频率成分空间滤波的算法,从混合范式中提取特征具体为:
设计Nf个带通滤波器,将原始的EEG信号分为Nf个不同频段的成分Xi,i=1,2,…,Nf, 分别对每一个频段的EEG成分计算二分类CSP的投影矩阵Wi;
再对各频段EEG成分进行空间滤波,Zi=Wi T*Xi,zipp=1,2,…,2m是滤波后信号Zi中, 特征值按照降序排列后,对应特征值的前m和后m行的向量;
某一频段EEG成分单个试次特征为:
其中,VAR表示求解方差,第i个EEG频率成分提取的特征可表示为 vi=[fi1,fi2,...,fi2m],
最后将Nf个频率成分的特征向量整合到一起,求得单个试次的EEG特征,表示为 V=[v1,v2,...,vNf],
本发明提供的技术方案的有益效果是:
1、本发明突破了传统简单肢体动作想象的BCI系统,对原有的大肢体动作进行精细 化,设计了右侧上肢的四种想象动作类型,使原有的BCI系统适用于对动作精度要求更高 的场合,未来可通过序列或组合方式拓展更多指令输出,同时能够训练动作的连续性,一 定程度上实现了真实意图与实际输出的一种认知联系;
2、在范式中加入了电刺激,融合了其他特征,即SSSEP,能够有效提高精细动作的识别正确率,使系统能够达到更优的效果、更稳定的性能;
3、对于运动功能损伤患者,不仅有助于特定脑区的训练,而且电刺激也在一定程度 上训练肌肉,从而提高康复效果;
4、本发明设计的在线声音反馈能够及时给予使用者输出结果,增加使用者的参与度;
5、在实际应用中,对于运动功能损伤患者,除了更为精细的动作训练,同时电刺激的方式,不仅可以提高精细想象动作的分类正确率,在原有损伤神经通路外建立一条更有效的输出通道,而且可以加强肌肉训练,防止肌肉萎缩,对于康复效果具有更大的促进作用。
附图说明
图1为一种基于混合特征的精细想象动作在线脑-机接口方法的示意图;
图2为实验范式示意图;
图3为电极位置示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详 细描述。
目前,BCI技术主要有三种范式,其中基于MI的脑-机接口技术能够直接反映使用者的 主观运动意识,其可选类别较少,仅局限于区分较大肢体动作类型,即在大脑皮层上具有 较高空间分辨率的部位,因此不适用于对动作精度要求较高的场合。然而由于无创脑电信 号强度弱、容易受到干扰等原因,限制了对精细想象动作的识别,因此鲜有研究报道。
为了在无创的方式下实现对精细想象动作的识别,本发明实施例设计了四类基于右侧 上肢不同关节的精细想象动作。并在此基础上,通过加入电刺激,融合了想象动作下大脑 皮层运动区的ERD特征和SSSEP,对使用者的“右手握拳”、“右手抬腕”、“右手屈肘”、和“右手肩外展”四类动作进行判断,并实时给予使用者相应的反馈。
本发明实施例不同于原有的MI-BCI,根据身体较大部位做分类识别,而是选择更为精 细的动作类型同时融合体感特征提高精细动作识别正确率,是一种新型的混合BCI设计方 法。
实施例1
一种基于混合特征的精细想象动作在线脑-机接口方法,参见图1,该方法包括以下步 骤:
101:对右侧上肢不同关节设计了四类动作,包括:握拳、抬腕、屈肘和肩外展;通过放置在手掌屈肌、手腕正中神经、手臂肱二头肌和手臂三角肌四个位置的电极在提示开始时同时给予电刺激,被试想象相应动作的同时选择注意电刺激的位置;
102:有效融合不同频率分布的事件相关去同步化特征、以及电刺激诱发的稳态体感 诱发电位特征,组成混合范式;
103:采用基于多频率成分空间滤波的算法,从混合范式中提取事件相关去同步化特 征、以及稳态体感诱发电位特征,提高识别正确率;
104:采用多分类支持向量机进行模式识别,输出决策值,并语音提示及时反馈给被 试。
其中,步骤102中的有效融合不同频率分布的事件相关去同步化特征、以及电刺激诱 发的稳态体感诱发电位特征,组成混合范式具体为:
不同频率分布具有十一个频带,包括六个4Hz带宽的子频带、一个8Hz带宽的子频带 和四个1Hz带宽的子频带,前七个子频带为8-12、12-16、……、28-32Hz和32-40Hz,覆 盖了8-40Hz的频率范围,包含了运动想象诱发的事件相关去同步化特征、和电刺激诱发 的体感电位特征;后四个1Hz带宽的子频带为稳态电位特征频带,具体为刺激频率21、26、 31和36Hz的四个1Hz带宽的第一谐波成分(该术语为本领域技术人员所公知,本发明实 施例对此不做赘述),即20.5-21.5、25.5-26.5、30.5-31.5、和35.5-36.5Hz。
综上所述,本发明实施例通过上述步骤101-步骤104设计了一种新型的基于混合特征的 精细想象动作在线脑-机接口方法,突破传统的大肢体部位动作想象,对原有动作进行精细 化,使MI-BCI能够适用于对动作精度要求较高的场合;同时为了提高识别精度,通过融合 体感特征,使系统达到更稳定更优异的性能;最后搭建实时反馈的在线系统,通过声音反 馈提示使用者想象结果,能够增强使用者的参与度。
实施例2
下面结合具体的计算公式、图1-图3、实例对实施例1中的方案进行进一步地介绍,详 见下文描述:
201:右侧上肢不同关节设计包括:握拳、抬腕、屈肘和肩外展在内的四类动作,通过放置在手掌屈肌、手腕正中神经、手臂肱二头肌和手臂三角肌四个位置的电极在提示开始时同时给予电刺激,被试想象相应动作的同时选择注意电刺激的位置;
每人每次进行8组实验,每组实验包括40个单次任务,四种动作类型随机出现,各10 个单次任务/组。在正式采脑电信号之前,每名被试需提前3天进行想象动作训练,每天一 次。总共采集8*40=320次实验任务下的脑电信号,即320个脑电数据样本。
本发明实施例使用Neuroscan SynAmps 2EEG放大器,同时通过64导联银/氯化银(Ag/AgC1)(阻抗小于15000欧姆)合金电极帽采集0.5-100Hz的EEG数据,采样频率为1000Hz,以鼻尖作参考;并采用50Hz陷波器去除工频干扰。
上述预处理中对原始数据降采样到200Hz,并采用共平均参考。另外电刺激采用脉宽 为200μs的双相电流脉冲,通过两个相距4cm的自粘性心电电极施加刺激,刺激频率分别为 手掌36Hz、手腕31Hz、手臂26Hz、以及肩部21Hz,刺激强度调整至使用者轻微震颤,足 以产生SSSEP为止。
本发明实施例仅以上述数据为例进行说明,具体实现时,对上述参数的取值不做限制。
202:特征提取;
传统的共空间模式(Common Spatial Pattern,CSP)被应用于二分类数据进行多导联空 间滤波,其目的是设计空间滤波器,使得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两类脑电信号,其计算公式如下:
Xcsp=WT*X (1)
其中,Xcsp为原始脑电信号经过滤波后的信号,X为原始脑电信号,W为所求的滤波器矩阵,其中W中的每一个列向量wj∈WN*N(j=1...N)都是一个滤波器,A=(W-1)T为 空间模式矩阵,其中每一个列向量aj∈AN*N(j=1...N)都是一个空间模式;T为转置;N 为矩阵W的行列数。
为了有效提取混合范式中不同频率分布的ERD和SSSEP特征,对传统的共空间模式进 行改进,采用一种基于多频率成分空间滤波的算法(Filter bank CSP,FBCSP)。
首先设计Nf个带通滤波器,将原始的EEG信号分为Nf个不同频段的成分 Xi(i=1,2,...,Nf),然后分别对每一个频段的EEG成分计算二分类CSP的投影矩阵 Wi(i=1,2,...Nf),然后再对各频段EEG成分进行空间滤波,zip是滤波后信号 Zi中前m(对应最大的m个特征值)和后m(对应最小的m个特征值)行的向量。某一 频段EEG成分单个试次特征(该单个试次特征包括事件相关去同步化特征、以及电刺激诱 发的体感电位特征)的计算公式如下所示:
其中,VAR表示求解方差。第i个EEG频率成分提取的特征可表示为 vi=[fi1,fi2,...,fi2m],最后将Nf个频率成分的特征向量整合到一 起,求得单个试次的EEG特征,表示为V=[v1,v2,...,vNf],即通过上述的计 算公式可以一次求取出事件相关去同步化特征、以及电刺激诱发的体感电位特征。
203:多分类支持向量机。
支持向量机(Support Vector Machine,SVM)是基于解决两分类问题提出来的,能够 很好地解决两类数据的分类,通过提取的脑电信号特征来识别出其中所携带的自主性动作 信息。为了更好地将支持向量机应用于多类识别,采用“一对一”的多分类策略将多分类 问题转化为若干个两分类问题求解。本设计的分类识别使用LIBSVM工具包完成。
模式识别的过程:截取任务开始后0.5-3.5s内3s的数据,通过十折交叉验证将240个 试次的数据分为训练集和测试集,训练集的数据特征用于构建SVM分类器,训练后得到一个模型,然后用这个模型对未知的想象动作类型进行预测,也就是测试集数据,得到的结果即对未知想象动作类型的模式识别结果,输出相应的决策值,并将决策值的结果通过声音播放器反馈给使用者。
综上所述,本发明实施例从一定程度上解决了精细想象动作的识别问题,实现动作类 型的多样化和细致化,未来可以进一步完善BCI系统,真正做到使用者的神经活动与实际 输出的一致性,具有广阔的应用前景。
实施例3
本发明实施例结合附图对实施例1-2中的施加刺激、以及采集脑电信号的过程进行进一 步地介绍,详见下文描述:
本发明实施例针对右侧上肢不同关节设计了四类动作,包括:握拳、抬腕、屈肘和肩 外展。然后通过放置在手掌屈肌、手腕正中神经、手臂肱二头肌和手臂三角肌四个位置的 电极在提示开始时同时给予电刺激,被试想象相应动作的同时选择注意电刺激的位置。最 后通过特征提取、模式识别等过程输出决策值并语音提示及时反馈给被试。本发明实施例 的结构示意图如图1所示。
实验时,被试安静地坐于距屏幕约1m的靠椅上,保持身体放松,尽量避免眼动。待被 试调整好自己状态时,实验开始。单个轮次的实验范式如图2所示,包含4个阶段,共8s时间。首先是准备期,屏幕正中央出现一个白圆,持续2s时间,提示被试本次实验正式开始;其次是提示期,屏幕中央的白圆变成红圆,持续1s,提醒被试该注意了,动作任务即将开始,并且触发电刺激器,同时对手掌、手腕和手臂施加电刺激,刺激器达到所调的强度需 要0.5s,强度保持不变;然后是想象期,屏幕中间出现文字提示,持续4s,提示被试执行 相应的想象动作,如提示为“握拳”,则被试进行右手握拳的想象动作,若提示“屈肘”, 则被试进行右手屈肘的想象动作,以此类推,该阶段结束后,关闭电刺激器,停止刺激; 最后是恢复期,屏幕中间出现“休息”的字样,持续1s,被试保持静息状态,以作调整准 备下一轮次实验。刺激电极安放位置如图3所示。
每人每次进行了8组实验,每组实验包括40个单次任务,四种动作类型随机出现,各 10个单次任务/组。在正式采脑电信号之前,每名被试需提前3天进行想象动作训练,每天 一次。总共采集8*40=320次实验任务下的脑电信号,即320个脑电数据样本。
本发明实施例使用Neuroscan SynAmps 2EEG放大器,同时通过64导联银/氯化银(Ag/AgC1)(阻抗小于15000欧姆)合金电极帽采集0.5-100Hz的EEG数据,采样频率为1000Hz,以鼻尖作参考;并采用50Hz陷波器去除工频干扰。预处理中对原始数据降采样到200Hz,并采用共平均参考。另外电刺激采用脉宽为200μs的双相电流脉冲,通过两个相距4cm的自粘性心电电极施加刺激,刺激频率为手掌36Hz、手腕31Hz、手臂26Hz和肩部21Hz,刺激强度调整至使用者轻微震颤,足以产生SSSEP为止。
综上所述,本发明实施例设计了一种新型的基于混合特征的精细想象动作在线脑-机接 口方法,突破传统大肢体部位的想象,将右侧上肢的想象动作进行细分,即“握拳”、“抬 腕”、“屈肘”和“肩外展”四类动作,实现了精细想象动作的识别,使得脑-机接口更加 灵活操作,加强了神经训练;同时,融合稳态体感电位的特征,不仅提高系统的识别正确率,保证系统的稳定性能,而且增强了肌肉训练,有助于运动功能障碍患者的康复训练, 最后,在线反馈能够强化使用者的参与度,进一步研究可以得到更完整的脑-机接口系统, 同时有望满足更多指令输出,获得可观的社会效益和经济效益。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要 能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号 仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则 之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于混合特征的精细想象动作在线脑-机接口方法,其特征在于,所述方法包括以下步骤:
对右侧上肢不同关节设计了四类动作,包括:握拳、抬腕、屈肘和肩外展;通过放置在手掌屈肌、手腕正中神经、手臂肱二头肌和手臂三角肌四个位置的电极在提示开始时同时给予电刺激,被试想象相应动作的同时选择注意电刺激的位置;
有效融合不同频率分布的事件相关去同步化特征、以及电刺激诱发的稳态体感诱发电位特征,组成混合范式;
采用基于多频率成分空间滤波的算法,从混合范式中提取事件相关去同步化特征、以及稳态体感诱发电位特征,提高识别正确率;
采用多分类支持向量机进行模式识别,输出决策值,并语音提示及时反馈给被试。
2.根据权利要求1所述的一种基于混合特征的精细想象动作在线脑-机接口方法,其特征在于,所述电刺激采用脉宽为200μs的双相电流脉冲,通过两个相距4cm的自粘性心电电极施加刺激,刺激频率为手掌36Hz、手腕31Hz、手臂26Hz和肩部21Hz,刺激强度调整至使用者轻微震颤,以足以产生电刺激诱发的稳态体感诱发电位特征为止。
3.根据权利要求1所述的一种基于混合特征的精细想象动作在线脑-机接口方法,其特征在于,所述有效融合不同频率分布的事件相关去同步化特征、以及电刺激诱发的稳态体感诱发电位特征,组成混合范式具体为:
不同频率分布具有十一个频带,包括六个4Hz带宽的子频带、一个8Hz带宽的子频带和四个1Hz带宽的子频带,前七个子频带为8-12、12-16、……、28-32Hz和32-40Hz,覆盖了8-40Hz的频率范围,包含了运动想象诱发的事件相关去同步化特征、和电刺激诱发的体感电位特征;后四个1Hz带宽的子频带为稳态电位特征频带,具体为刺激频率21、26、31和36Hz的四个1Hz带宽的第一谐波成分,即20.5-21.5、25.5-26.5、30.5-31.5、和35.5-36.5Hz。
4.根据权利要求1所述的一种基于混合特征的精细想象动作在线脑-机接口方法,其特征在于,所述采用基于多频率成分空间滤波的算法,从混合范式中提取事件相关去同步化特征、以及稳态体感诱发电位特征,提高识别正确率具体为:
设计Nf个带通滤波器,将原始的EEG信号分为Nf个不同频段的成分Xi,i=1,2,…,Nf,分别对每一个频段的EEG成分计算二分类CSP的投影矩阵Wi;
再对各频段EEG成分进行空间滤波,Zi=Wi T*Xi,zip p=1,2,…,2m是滤波后信号Zi中,特征值按照降序排列后,对应特征值的前m和后m行的向量;
某一频段EEG成分单个试次特征为:
<mrow>
<msub>
<mi>f</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>V</mi>
<mi>A</mi>
<mi>R</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mn>2</mn>
<mi>m</mi>
</mrow>
</munderover>
<mi>V</mi>
<mi>A</mi>
<mi>R</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中,VAR表示求解方差,第i个EEG频率成分提取的特征可表示为vi=[fi1,fi2,...,fi2m],
最后将Nf个频率成分的特征向量整合到一起,求得单个试次的EEG特征,表示为V=[v1,v2,...,vNf],
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710657585.8A CN107562191A (zh) | 2017-08-03 | 2017-08-03 | 基于混合特征的精细想象动作在线脑‑机接口方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710657585.8A CN107562191A (zh) | 2017-08-03 | 2017-08-03 | 基于混合特征的精细想象动作在线脑‑机接口方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107562191A true CN107562191A (zh) | 2018-01-09 |
Family
ID=60973978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710657585.8A Pending CN107562191A (zh) | 2017-08-03 | 2017-08-03 | 基于混合特征的精细想象动作在线脑‑机接口方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107562191A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108939290A (zh) * | 2018-06-06 | 2018-12-07 | 中国人民解放军第四军医大学 | 基于经颅微电流电击的抑郁症治疗系统 |
CN109078262A (zh) * | 2018-08-15 | 2018-12-25 | 北京机械设备研究所 | 一种基于外周神经电刺激的mi-bci训练方法 |
CN109657560A (zh) * | 2018-11-24 | 2019-04-19 | 天津大学 | 机械手臂控制在线脑-机接口系统及实现方法 |
CN110751060A (zh) * | 2019-09-29 | 2020-02-04 | 西安交通大学 | 一种基于多源信号的便携式运动模式实时识别系统 |
CN112617863A (zh) * | 2020-12-30 | 2021-04-09 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法 |
CN113143291A (zh) * | 2021-05-11 | 2021-07-23 | 燕山大学 | 一种快速序列视觉呈现下的脑电特征提取方法 |
WO2021196652A1 (zh) * | 2020-03-30 | 2021-10-07 | 苏州景昱医疗器械有限公司 | 用于对患者进行神经刺激的方法和装置 |
CN116994697A (zh) * | 2023-08-04 | 2023-11-03 | 首都医科大学宣武医院 | 基于完全性脊髓损伤患者训练评估的脑机交互方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102866775A (zh) * | 2012-09-04 | 2013-01-09 | 同济大学 | 基于多模式融合的脑机接口控制系统及方法 |
CN106108893A (zh) * | 2016-06-20 | 2016-11-16 | 杭州电子科技大学 | 基于眼电、脑电的运动想象训练人机交互系统设计方法 |
CN106362287A (zh) * | 2016-10-24 | 2017-02-01 | 天津大学 | 一种新型mi‑sssep混合脑‑机接口方法及系统 |
CN106502404A (zh) * | 2016-10-24 | 2017-03-15 | 天津大学 | 一种基于稳态体感诱发电位的新型脑‑机接口方法及系统 |
-
2017
- 2017-08-03 CN CN201710657585.8A patent/CN107562191A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102866775A (zh) * | 2012-09-04 | 2013-01-09 | 同济大学 | 基于多模式融合的脑机接口控制系统及方法 |
CN106108893A (zh) * | 2016-06-20 | 2016-11-16 | 杭州电子科技大学 | 基于眼电、脑电的运动想象训练人机交互系统设计方法 |
CN106362287A (zh) * | 2016-10-24 | 2017-02-01 | 天津大学 | 一种新型mi‑sssep混合脑‑机接口方法及系统 |
CN106502404A (zh) * | 2016-10-24 | 2017-03-15 | 天津大学 | 一种基于稳态体感诱发电位的新型脑‑机接口方法及系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108939290A (zh) * | 2018-06-06 | 2018-12-07 | 中国人民解放军第四军医大学 | 基于经颅微电流电击的抑郁症治疗系统 |
CN109078262A (zh) * | 2018-08-15 | 2018-12-25 | 北京机械设备研究所 | 一种基于外周神经电刺激的mi-bci训练方法 |
CN109078262B (zh) * | 2018-08-15 | 2022-11-01 | 北京机械设备研究所 | 一种基于外周神经电刺激的mi-bci训练方法 |
CN109657560A (zh) * | 2018-11-24 | 2019-04-19 | 天津大学 | 机械手臂控制在线脑-机接口系统及实现方法 |
CN110751060A (zh) * | 2019-09-29 | 2020-02-04 | 西安交通大学 | 一种基于多源信号的便携式运动模式实时识别系统 |
WO2021196652A1 (zh) * | 2020-03-30 | 2021-10-07 | 苏州景昱医疗器械有限公司 | 用于对患者进行神经刺激的方法和装置 |
CN112617863A (zh) * | 2020-12-30 | 2021-04-09 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法 |
CN113143291A (zh) * | 2021-05-11 | 2021-07-23 | 燕山大学 | 一种快速序列视觉呈现下的脑电特征提取方法 |
CN113143291B (zh) * | 2021-05-11 | 2023-02-03 | 燕山大学 | 一种快速序列视觉呈现下的脑电特征提取方法 |
CN116994697A (zh) * | 2023-08-04 | 2023-11-03 | 首都医科大学宣武医院 | 基于完全性脊髓损伤患者训练评估的脑机交互方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107562191A (zh) | 基于混合特征的精细想象动作在线脑‑机接口方法 | |
CN110765920B (zh) | 基于卷积神经网络的运动想象分类方法 | |
CN109224242B (zh) | 基于vr交互的心理放松系统及方法 | |
CN106933348A (zh) | 一种基于虚拟现实的脑电神经反馈干预系统及方法 | |
Yao et al. | A stimulus-independent hybrid BCI based on motor imagery and somatosensory attentional orientation | |
CN106362287A (zh) | 一种新型mi‑sssep混合脑‑机接口方法及系统 | |
CN112617863B (zh) | 一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法 | |
CN111110230A (zh) | 一种运动想象脑电特征增强方法及系统 | |
CN110262658B (zh) | 一种基于强化注意的脑机接口字符输入系统及实现方法 | |
CN104951082A (zh) | 一种利用随机共振增强脑电信号的脑机接口方法 | |
CN112987917B (zh) | 运动想象增强方法、装置、电子设备和存储介质 | |
CN109657560A (zh) | 机械手臂控制在线脑-机接口系统及实现方法 | |
CN106502404A (zh) | 一种基于稳态体感诱发电位的新型脑‑机接口方法及系统 | |
Bastos-Filho | Introduction to non-invasive EEG-Based brain-computer interfaces for assistive technologies | |
Kawala-Janik | Efficiency evaluation of external environments control using bio-signals | |
Erfanian et al. | ICA-based classification scheme for EEG-based brain-computer interface: the role of mental practice and concentration skills | |
Smith | Electroencephalograph based brain computer interfaces | |
CN109567936A (zh) | 一种基于听觉注意和多焦电生理的脑机接口系统和实现方法 | |
CN113807402A (zh) | 抑制mi-bci系统误触发的系统及其训练和测试方法 | |
Ahmed et al. | A writing aid for dysgraphia affected people | |
Faller et al. | Online co-adaptive brain-computer interfacing: Preliminary results in individuals with spinal cord injury | |
CN112674783A (zh) | 长时程脑-肌电耦合的上肢运动功能训练与评测方法 | |
Pfurtscheller et al. | Brain-computer communication based on the dynamics of brain oscillations | |
Müller-Putz et al. | Brisk movement imagination for the non-invasive control of neuroprostheses: a first attempt | |
Savić et al. | Brain computer interface prototypes for upper limb rehabilitation: a review of principles and experimental results |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180109 |
|
WD01 | Invention patent application deemed withdrawn after publication |