CN107563298B - 基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法 - Google Patents
基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法 Download PDFInfo
- Publication number
- CN107563298B CN107563298B CN201710669803.XA CN201710669803A CN107563298B CN 107563298 B CN107563298 B CN 107563298B CN 201710669803 A CN201710669803 A CN 201710669803A CN 107563298 B CN107563298 B CN 107563298B
- Authority
- CN
- China
- Prior art keywords
- time
- state
- squatting
- walking
- brain
- 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
Images
Abstract
本发明公开了一种基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法,具体步骤如下:(1).应用近红外光谱脑成像技术进行测试实验,受试者在固定区域内完成下蹲、起立和行走的任务,在进行任务前,受试者需要对下一个相应的任务进行数秒的想象;(2).针对运动想象阶段所记录的脑皮层血红蛋白浓度,以含氧血红蛋白作为分析参数进行研究;(3).对运动想象阶段的数秒时间划分为T1和T2时刻,提取出T1和T2时刻的相关参数作为特征并进行比较;(4).得出识别结果;整个过程中受试者处于自然环境下完成下蹲、起立以及行走的动作,运动状态起止的自主控制使得在认知活动的自然情景下获取脑皮质生物信息,增加了行走状态的实用价值。
Description
技术领域
本发明涉及智能助行、康复训练技术,具体涉及一种基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法。
背景技术
近些年来,随着科技进步和社会发展,由于交通事故、意外伤害致残的患者数目明显呈上升趋势。除此以外,随着社会老龄化越发严重,丧失或者部分丧失行动能力的老人数目也越发增多。更有脑血管疾病造成的行动不变患者也呈上升态势。因此,为这些患者和老年人提供必要的康复助行训练,迫在眉睫。同时,国家“十二五”医疗器械产业科技发展与专项规划中指出要重点发展医疗康复机器人任务,强调要发展基于神经信号的新型助行产品,提升我国康复医疗水平。北京市科委于2015年6月下发的智能机器人科技创新与成果转化工作的意见中要求突破服务机器人尤其是医疗康复机器人的技术瓶颈,使国家相关技术达到国际先进水平。深圳机器人、可穿戴设备和智能装备产业发展规划(2014-2020)中强调医疗健康机器人、下肢外骨骼机器人等机器人的研发与产业化,旨在建立一批医疗康复机器人临床测试与应用平台。
因此,大力发展我国医疗器械,为这些运动功能障碍者开展高效的康复训练,协助他们恢复独立行走的能力,重新回归社会主流是十分有必要的。一些研究表明,在患者进行康复训练时,主动的康复训练意识比被动的康复训练意识能够取得更好的康复训练效果。因此开展受控于患者主动自发意识的助行设备的研究,有助于更高效地帮助运动功能障碍者恢复独立行动能力,从而减轻社会负担,对社会具有重要的意义。
近些年来,基于肌体生肌电信号或运动信息识别运动意识已经取得了很大的发展,这些技术或者是通过测试肌体表面生肌电信号,或者是通过利用生物力学信号,来识别患者的运动意识,进而驱动助行设备来辅助患者运动。但是对于一些重症功能障碍患者来说,由于其萎缩的肌肉组织,通过肌电信号和生物力学信号所采集到肌体肌电信息或者运动信息是及其微弱的,更有截瘫患者不能产生任何生肌电信号,因此通过肌体肌电信号的运动意识识别具有很大的局限性。
基于上述情况,运用脑信息来进行运动状态的识别就具有明显的优势。非侵入式的脑信息测试技术包括脑电图(EEG)、脑磁图(MEG)、功能性核磁共振图像(fMRI)、正电子发射层析成像(PET)和近红外光谱脑功能成像(NIRS)等技术,其中fMRI和PET技术的空间分辨率较高,但是时间分辨率低,在测试过程中身体常局限在静止状态,有很大的约束性;MEG的应用要求对外部磁场进行充分屏蔽,所以目前主要是EEG和NIRS技术应用于助老助残的产品研发中。基于脑电信号(EEG)判别运动速度已经取得了很大的进展,研究表明,使用mu和β节律识别在跑步机上三种速度,其识别准确率高达72.7%。但是EEG技术对于测试环境有着极高的要求,并且测试时需要不断的进行视觉的刺激,测试前期需要进行大强度的前期训练,不能使被试保持在自然环境下进行测试。而fNIRS设备有着在自然环境下持续测试,在自发运动状态下进行运动测试,并且能够进行大幅度运动测试的优势。研究表明,血红蛋白浓度的变化能够反应大脑的激活水平:在实际步行运动阶段,含氧血红蛋白和总氧血红蛋白在运动辅助区和内侧初级感觉运动皮层有明显激活,而在想象任务阶段,激活明显区域位于运动辅助区。
对于助行机械运动设备的研究,使用肌电信号和生物力学信号对于重症患者或截瘫患者无法进行最有效的检测,而EEG设备又受测试环境的严格限制,无法使被试保持一种自然的状态进行测试,且研究只局限于单一关节的小幅度运动。
发明内容
为解决上述技术问题,本发明提出了基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法,以达到对运动想象阶段的下蹲、起立与行走三种状态进行识别,为实现基于脑机接口技术的智能康复医疗辅助手段奠定基础的目的。
为达到上述目的,本发明的技术方案如下:
一种基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法,具体步骤如下:
(1).应用近红外光谱脑成像技术(NIRS)进行测试实验,受试者在固定区域内完成下蹲、起立和行走的任务,在进行任务前,受试者需要对下一个相应的任务进行数秒的想象;
(2).针对运动想象阶段所记录的脑皮层血红蛋白浓度,以含氧血红蛋白作为分析参数进行研究;
(3).对运动想象阶段的数秒时间划分为T1和T2两个时刻,提取出T1和T2时刻的相关参数作为特征并进行比较;
(4).得出识别结果。
本发明应用近红外光谱脑成像技术(NIRS)进行测试实验,其操作简便,对外部环境的要求不高,对环境噪音的敏感度低,而且不会对受试者产生任何的负作用。整个测试过程中受试者处于自然环境下完成下蹲、起立以及行走的动作,由此得出的状态的识别结果更有利于用于助行/康复设备;运动状态起止的自主控制使得在认知活动的自然情景下获取脑皮质生物信息,增加了运动状态识别算法的实用价值,为实现基于脑机接口技术的智能康复医疗辅助手段奠定基础。
作为优选的,步骤(1)中下蹲、起立和行走的每个动作均连续执行4遍,且任务与任务之间的休息时间约30秒。
作为优选的,步骤(2)中以含氧血红蛋白作为分析参数,在去除数据的零漂现象和个体差异后,使用小波包分解的方法将数据分解到7层共128个频段,并提取前5个频段作为研究对象,其个频段依次为:第一频段:0~0.03Hz,第二频段:0.03~0.06Hz,第三频段:0.06~0.09Hz,第四频段:0.09~0.12Hz,第五频段:0.12~0.15Hz。使用小波包变换的方法,同时提取出数据的时域和频域信息并进行研究,更有利于全面准确地提取各状态下典型的特征,提高识别的准确率。
作为优选的,步骤(3)对运动想象阶段的2-3秒时间划分为T1和T2两个时刻。
作为优选的,步骤(3)具体实施如下:
(3-1).对运动想象阶段的2-3秒时间划分为T1和T2两个时刻,且T1和T2两个时刻的划分方式:取实际运动前的8个采样点划分为T2,T2之前的8个采样点划分为T1;
(3-2).提取出T1和T2时刻的血红蛋白含量的大小、变化速率以及变化加速度,作为待分析的特征参数;计算上述参数在5个频段9个区域上的具体数值;
其中参数具体表示如下:
T1与T2时刻的血氧浓度大小的平均值MT1与MT2,
T1与T2时刻的血氧浓度变化速率的平均值KT1与KT2,
血氧浓度的变化加速度AT21;
(3-3)在不同运动想象状态下,提取并计算上述特征参数在各频段和区域上10名被试的平均值,再两两状态进行对比,确定每种状态对应的最终特征参数。
基于结合脑皮质血红蛋白浓度的大小,变化速率以及变化加速度来识别动作状态,可有效地确定各运动状态的典型特征,采用SVM算法,可以根据特征参数的信息建立最优的分类模型,从而提高识别的准确率。
作为优选的,步骤(4)的识别步骤具体如下:
第一步,判别下蹲还是起立状态(下蹲与起立两种状态差异明显,适合第一步进行判别);第二步,如果第一步判别出是下蹲状态,则进一步判别是下蹲还是行走状态;如果第一步判别为起立状态,则进一步判别是起立还是行走状态。
本发明具有如下优点:
1.本发明应用近红外光谱脑成像技术进行测试实验,其操作简便,对外部环境的要求不高,对环境噪音的敏感度低,而且不会对受试者产生任何的负作用。整个测试过程中受试者处于自然环境下完成下蹲、起立以及行走的动作,由此得出的状态的识别结果更有利于用于助行/康复设备;运动状态起止的自主控制使得在认知活动的自然情景下获取脑皮质生物信息,增加了运动状态识别算法的实用价值,为实现基于脑机接口技术的智能康复医疗辅助手段奠定基础。
2.本发明使用小波包变换的方法,同时提取出数据的时域和频域信息并进行研究,更有利于全面准确地提取各状态下典型的特征,提高识别的准确率。
3.本发明基于结合脑皮质血红蛋白浓度的大小,变化速率以及变化加速度来识别动作状态,可以有效地确定各运动状态的典型特征,采用SVM算法,可以根据特征参数的信息建立最优的分类模型,从而提高识别的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例公开的基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法中三种运动状态的运动时序图;
图2为本发明实施例公开的基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法中大脑皮层运动关联区域及测试通道分布图;
图3(a)为本发明实施例公开的基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法中所有参与训练被试数据进行小波包分解后的特征参数KT2的平均值结果图;
图3(b)为本发明实施例公开的基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法中,所有参与训练被试数据进行小波包分解后的特征参数KT1的平均值结果图;
图3(c)为本发明实施例公开的基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法中,所有参与训练被试数据进行小波包分解后的特征参数MT2的平均值结果图;
图3(d)为本发明实施例公开的基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法中,所有参与训练被试数据进行小波包分解后的特征参数AT21的平均值结果图;
图4为本发明实施例公开的基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法中两两状态之间对比的所有特征参数图;
图5为本发明实施例公开的基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法中识别策略图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提供了基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法,其工作原理是通过应用近红外光谱脑成像技术(NIRS)进行测试实验,其操作简便,对外部环境的要求不高,对环境噪音的敏感度低,而且不会对受试者产生任何的负作用。整个测试过程中受试者处于自然环境下完成下蹲、起立以及行走的动作,由此得出的状态的识别结果更有利于用于助行/康复设备;运动状态起止的自主控制使得在认知活动的自然情景下获取脑皮质生物信息,增加了运动状态识别算法的实用价值,为实现基于脑机接口技术的智能康复医疗辅助手段奠定基础。
下面结合实施例和具体实施方式对本发明作进一步详细的说明。
如图1-图5所示,一种基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法,具体步骤如下:
(1).应用近红外光谱脑成像技术进行测试实验,受试者在固定区域内完成下蹲、起立和行走的任务,在进行动作前,受试者需要想象下一个相应的任务数秒;
(2).针对运动想象阶段所记录的脑皮层血红蛋白浓度,以含氧血红蛋白作为分析参数进行研究;
(3).对运动想象阶段的数秒时间划分为T1和T2两个时刻,提取出T1和T2时刻的相关参数作为特征并进行比较;
(4).得出识别结果。
本发明应用红外光谱脑成像技术进行测试实验,其操作简便,对外部环境的要求不高,对环境噪音的敏感度低,而且不会对受试者产生任何的负作用。整个测试过程中受试者处于自然环境下完成下蹲、起立以及行走的动作,由此得出的状态的识别结果更有利于用于助行/康复设备;运动状态起止的自主控制使得在认知活动的自然情景下获取脑皮质生物信息,增加了运动状态识别算法的的实用价值,为实现基于脑机接口技术的智能康复医疗辅助手段奠定基础。
值得注意的是,步骤(1)中下蹲、起立和行走的每个动作均连续执行4遍,且任务与任务之间的休息时间约30秒。
值得注意的是,步骤(2)中以含氧血红蛋白作为分析参数,再去除数据的零漂现象和个体差异后,使用小波包分解的方法将数据分解到7层共128个频段,并提取前5个频段作为研究对象,其个频段依次为:第一频段:0~0.03Hz,第二频段:0.03~0.06Hz,第三频段:0.06~0.09Hz,第四频段:0.09~0.12Hz,第五频段:0.12~0.15Hz。使用小波包变换的方法,同时提取出数据的时域和频域信息并进行研究,更有利于全面地准确地提取各状态下典型的特征,提高识别的准确率。
值得注意的是,步骤(3)对运动想象阶段的2-3秒时间划分为T1和T2两个时刻。
值得注意的是,步骤(3)具体实施如下:
(3-1).对运动想象阶段的2-3秒时间划分为T1和T2两个时刻,且T1和T2两个时刻的划分方式:取实际运动前的8个采样点划分为T2,T2之前的8采样个点划分为T1;
(3-2).提取出T1和T2时刻的大小、变化速率以及变化加速度,作为待分析的特征参数;计算上述参数在5个频段9个区域上的具体数值;
其中参数具体表示如下:
T1与T2时刻的血氧浓度大小的平均值MT1与MT2,
T1与T2时刻的血氧浓度变化速率的平均值KT1与KT2,
血氧浓度的变化加速度AT21;
(3-3)在不同运动想象状态下,提取并计算上述特征参数在各频段和区域上的10名被试的平均值,再两两状态进行对比,确定每种状态对应的特征参数。
基于结合脑皮质血红蛋白浓度的大小,变化速率以及变化加速度来识别动作状态,可以有效的确定各状态的特征参数,采用SVM算法,可以根据特征参数的信息建立最优的分类模型,从而提高识别的准确率。
值得注意的是,步骤(4)的识别步骤具体如下:
第一步,判别下蹲还是起立状态(下蹲与起立两种状态差异明显,适合第一步进行判别);第二步,如果第一步判别出是下蹲状态,则进一步判别是下蹲还是行走状态;如果第一步判别为起立状态,则进一步判别是起立还是行走状态。
本发明的具体使用步骤如下:
1、实验设计:受试者在固定区域内完成下蹲、起立与行走的任务。整个实验过程中,应用近红外光脑成像设备FORIE-3000采集被试的脑皮层血红蛋白信息,采样周期为0.13秒。
实验具体流程:如图1所示,在任务开始前,被试保持静息状态至少30秒,之后按照实验既定的顺序完成三种运动模态,每一种运动都重复执行四遍,要求在每一次任务前都要对将执行的相应任务进行想象,此过程持续大约2-3秒,在每两次任务之间被试在原地休息至少30秒。
任务的开始和终止都是由被试者自行控制,保证整个实验过程被试处于自发的状态。并且休息时间,运动时间以及想象时间的长短也是由被试自行控制,但是这些时间都不会低于最少时间。每次被试开始运动和运动结束时,实验操作者都会用MARK标记下来。
其中在进行脑血红蛋白信息采集的过程中,将光源的接收极和发射极按照图2中的顺序通过的头套固定在被试者头顶,测试过程中被试头部不能有太多的晃动。
2、针对运动起始时刻所记录的脑皮层血红蛋白浓度信息,以含氧血红蛋白作为参数进行分析,并对运动想象时刻的血红蛋白信息进一步地分析与处理,具体步骤如下:
①将数据进行7层小波包分解,取前5个频段进行分析处理。并截取运动想象阶段的2-3秒的数据作为分析对象,并划分为T1与T2两个时刻,具体划分方式为取实际运动前的8个采样点划分为T2,T2之前的8采样个点划分为T1。
②提取出T1与T2时刻的大小,变化速率以及变化角速度,作为参数,具体表示如下:T1与T2时刻的血氧浓度大小的平均值MT1与MT2,T1与T2时刻的血氧浓度变化速率的平均值KT1与KT2,以及血氧浓度的变化加速度AT21。计算上述这些参数在5个频段9个区域上的数值。
③把10名被试者的上述参数,在各个频段以及区域上进行平均,具体如图3,并以两两状态进行观察和对比,从而确定最终的特征,具体如图4。
3、识别3种不同的运动状态:
对于下蹲、起来与行走的三种状态,其输入SVM算法的特征为小波包分解后的上述几个特征参量值,识别策略按照如图5所示,运用两步识别的方法:第一步,判别下蹲还是起立状态(下蹲与起立两种状态差异明显,适合第一步进行判别);第二步,如果第一步判别出是下蹲状态,则进一步判别是下蹲还是行走状态;如果第一步判别为起立状态,则进一步判别是起立还是行走状态。
通过以上的方式,本发明所提供的基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法,通过应用近红外光谱脑成像技术进行测试实验,其操作简便,对外部环境的要求不高,对环境噪音的敏感度低,而且不会对受试者产生任何的负作用。整个测试过程中受试者处于自然环境下完成下蹲、起立以及行走的动作,由此得出的状态的识别结果更有利于用于助行/康复设备;运动状态起止的自主控制使得在认知活动的自然情景下获取脑皮质生物信息,增加了运动状态识别算法的实用价值,为实现基于脑机接口技术的智能康复医疗辅助手段奠定基础。
以上所述的仅是本发明所公开的基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (3)
1.一种基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法,其特征在于,具体步骤如下:
(1).应用近红外光谱脑成像技术进行测试实验,受试者在固定区域内完成下蹲、起立和行走的任务,在进行任务前,受试者需要对下一个相应的任务进行数秒的想象;
(2).针对运动想象阶段所记录的脑皮层血红蛋白浓度,以含氧血红蛋白作为分析参数,再去除数据的零漂现象和个体差异后,使用小波包分解的方法将数据分解到7层共128个频段,并提取前5个频段作为研究对象,其各频段范围依次为:第一频段:0~0.03Hz,第二频段:0.03~0.06Hz,第三频段:0.06~0.09Hz,第四频段:0.09~0.12Hz,第五频段:0.12~0.15Hz;
(3).对运动想象阶段的数秒时间划分为T1和T2两个时刻,提取出T1和T2时刻的相关参数作为特征并进行比较,具体实施如下:
(3-1).对运动想象阶段的2-3秒时间划分为T1和T2两个时刻,且T1和T2两个时刻的划分方式:取实际运动前的8个采样点划分为T2,取T2之前的8个采样点划分为T1;
(3-2).选取T1和T2时刻的血红蛋白含量的大小、变化速率以及变化加速度,作为待分析的特征参数;计算上述特征参数在5个频段上的具体数值;
其中参数具体表示如下:
T1与T2时刻的血氧浓度大小的平均值MT1与MT2,
T1与T2时刻的血氧浓度变化速率的平均值KT1与KT2,
血氧浓度的变化加速度AT21;
(3-3)在不同运动想象状态下,提取并计算上述特征参数在各频段和区域上被试的平均值,再两两状态进行对比,确定每种状态对应的最终特征参数;
(4).得出识别结果。
2.根据权利要求1所述的基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法,其特征在于,步骤(1)中下蹲、起立和行走的每个动作均连续执行4遍,且任务与任务之间的休息时间30秒。
3.根据权利要求1所述的基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法,其特征在于,步骤(4)的识别步骤具体如下:
第一步,判别下蹲还是起立状态;第二步,如果第一步判别出是下蹲状态,则进一步判别是下蹲还是行走状态;如果第一步判别为起立状态,则进一步判别是起立还是行走状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710669803.XA CN107563298B (zh) | 2017-08-08 | 2017-08-08 | 基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710669803.XA CN107563298B (zh) | 2017-08-08 | 2017-08-08 | 基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563298A CN107563298A (zh) | 2018-01-09 |
CN107563298B true CN107563298B (zh) | 2022-02-22 |
Family
ID=60974341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710669803.XA Active CN107563298B (zh) | 2017-08-08 | 2017-08-08 | 基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563298B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109243569A (zh) * | 2018-06-29 | 2019-01-18 | 苏州大学 | 基于大脑信息识别被试自发想象物体位移方位的识别方法 |
CN109567818B (zh) * | 2018-11-20 | 2021-06-01 | 苏州大学 | 基于血红蛋白信息的多种行走步态调整意图的识别方法 |
CN109710065B (zh) * | 2018-12-18 | 2021-12-28 | 苏州大学 | 基于大脑血红蛋白信息的行走调节意图的识别方法 |
CN113017622A (zh) * | 2021-03-03 | 2021-06-25 | 苏州大学 | 基于fNIRS的想象物体位移方向的解码方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110013989A1 (en) * | 2008-03-26 | 2011-01-20 | Zhirong Wu | Liquid Storage, Loading and Offloading System |
CN104771255A (zh) * | 2015-01-06 | 2015-07-15 | 苏州大学 | 基于脑皮层血红蛋白信息识别运动模式的实现方法 |
CN106901751A (zh) * | 2017-01-06 | 2017-06-30 | 苏州大学 | 一种基于大脑血红蛋白信息的运动速度状态的识别方法 |
-
2017
- 2017-08-08 CN CN201710669803.XA patent/CN107563298B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110013989A1 (en) * | 2008-03-26 | 2011-01-20 | Zhirong Wu | Liquid Storage, Loading and Offloading System |
CN104771255A (zh) * | 2015-01-06 | 2015-07-15 | 苏州大学 | 基于脑皮层血红蛋白信息识别运动模式的实现方法 |
CN106901751A (zh) * | 2017-01-06 | 2017-06-30 | 苏州大学 | 一种基于大脑血红蛋白信息的运动速度状态的识别方法 |
Non-Patent Citations (1)
Title |
---|
近红外光谱技术用于运动和运动想象时大脑皮质血氧反应监测的研究;顾丽燕等;《中国康复医学杂志》;20110831;第724-727页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107563298A (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563298B (zh) | 基于大脑血红蛋白信息的想象运动阶段的蹲起走状态的识别方法 | |
Tacchino et al. | EEG analysis during active and assisted repetitive movements: evidence for differences in neural engagement | |
Pan et al. | Alterations of muscle synergies during voluntary arm reaching movement in subacute stroke survivors at different levels of impairment | |
Lange et al. | Classification of electroencephalogram data from hand grasp and release movements for BCI controlled prosthesis | |
Hooda et al. | Fusion of EEG and EMG signals for classification of unilateral foot movements | |
Cui et al. | A multimodal framework based on integration of cortical and muscular activities for decoding human intentions about lower limb motions | |
Sarraf et al. | Brain–computer interfaces and their applications | |
An et al. | Neurophysiological correlates of gait retraining with real-time visual and auditory feedback | |
Samuel et al. | Motor imagery classification of upper limb movements based on spectral domain features of EEG patterns | |
Yang et al. | EEG-and EMG-driven poststroke rehabilitation: a review | |
Topalović et al. | EMG map image processing for recognition of fingers movement | |
Chen et al. | Novel gait training alters functional brain connectivity during walking in chronic stroke patients: a randomized controlled pilot trial | |
Hasan et al. | Asynchronous prediction of human gait intention in a pseudo online paradigm using wavelet transform | |
CN114021604A (zh) | 一种基于3d虚拟现实技术实时反馈的运动想象训练系统 | |
Esmaeili et al. | Muscle coordination analysis by time-varying muscle synergy extraction during cycling across various mechanical conditions | |
Chu et al. | Robot-assisted rehabilitation system based on SSVEP brain-computer interface for upper extremity | |
Rosli et al. | Electrocardiographic (ECG) and Electromyographic (EMG) signals fusion for physiological device in rehab application | |
Hasan et al. | Preliminary study on real-time prediction of gait acceleration intention from volition-associated EEG patterns | |
Costa-García et al. | EEG model stability and online decoding of attentional demand during gait using gamma band features | |
Zhumadilova et al. | Design and evaluation of a P300 visual brain-computer interface speller in cyrillic characters | |
Colamarino et al. | Adaptive learning in the detection of Movement Related Cortical Potentials improves usability of associative Brain-Computer Interfaces | |
Meng et al. | Research on autonomous foot movement recognition based on SVM | |
Sun et al. | Using virtual reality to examine the correlation between balance function and anxiety in stance | |
Cardoso et al. | BCI based on pedal end-effector triggered through pedaling imagery to promote excitability over the feet motor area | |
Rossi et al. | Combining biosignals to assess and monitor VR-assisted rehabilitation of children with Cerebral Palsy: a machine learning approach |
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 |