CN107961005A - 少通道脑机接口eeg信号的特征提取方法 - Google Patents
少通道脑机接口eeg信号的特征提取方法 Download PDFInfo
- Publication number
- CN107961005A CN107961005A CN201711082497.6A CN201711082497A CN107961005A CN 107961005 A CN107961005 A CN 107961005A CN 201711082497 A CN201711082497 A CN 201711082497A CN 107961005 A CN107961005 A CN 107961005A
- Authority
- CN
- China
- Prior art keywords
- signal
- passage
- eeg signal
- brain
- computer interface
- 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.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了少通道脑机接口EEG信号的特征提取方法,尤其涉及用于脑机接口的信号处理方法,属于认知神经科学、信息处理相交叉的技术领域。本发明通过基于sin波辅助信号的多变量经验模式分解将少通道EEG信号扩容至多通道,通过将多通道合成信号映射在多维球体上以获取投影极限值瞬时时刻及其对应的通道信号,由投影极限瞬时时刻及其对应的通道信号确定多通道合成信号局域均值,以多通道合成信号及其局域均值的差值为固有模态函数,经过多次迭代计算获得多个固有模态函数。本发明提出的基于sin波辅助信号的多变量经验模式分解有效克服了传统多变量经验模式分解的模态混叠的缺点,能够提高脑机接口系统的分类正确率。
Description
技术领域
本发明公开了少通道脑机接口EEG信号的特征提取方法,尤其涉及脑机接口的信号处理方法,属于认知神经科学和信号处理相交叉的技术领域。
背景技术
脑机接口(Brain-Computer Interface,BCI)是大脑与外部环境之间建立的一种信息交互和控制通道,人们利用这种通道可以不需要通过语言或肢体动作就能够进行大脑控制意识的表达,从而实现了对外部设备的操控。BCI系统的关键是将大脑控制意识进行精确的分类以区分不同的控制操作,对于脑信号进行有效的特征提取和分类是有关BCI系统性能指标的关键技术。考虑到设备成本和便携性,目前的BCI的信号来源主要使用脑电图(Electroencephalography,EEG)信号,其中,少通道EEG信号是BCI系统商品化和实用化的基本要求。
EEG通道数的减少使得可供BCI系统进行特征提取和分类的信息量减少,需要采用信号处理的方法对少通道EEG信号进行信息扩容和发掘。同时,由于BCI的EEG信号具有非线性非平稳的特性,需要选用针对非线性非平稳特性的信号处理方法对EEG进行信号处理。多变量经验模态分解(Multivariate Empirical Mode Decomposition,MEMD)是一种新型的自适应信号时频处理方法,特别适用于非线性非平稳信号的分析处理。MEMD将信号分解为有限个固有模态函数(Intrinsic Mode Function,IMF),各个IMF分量包含了原始信号的不同时间尺度的局部特征,但是传统的MEMD存在较为严重的模态混叠,这使得传统MEMD在实际使用中的效果受到一定的制约。
共空间模式(Common Spatial Patterns,CSP)是BCI系统中广泛使用的一种特征提取方法,使用CSP对BCI的训练集数据进行学习可以得到使方差差异最大化的最优空间滤波器,将此最优空间滤波器应用到待分类的BCI信号上可以得到差异最大化的特征,为提升BCI系统的分类效果提供帮助。然而,针对多通道数据的CSP对少通道数据特征提取的效果欠佳,CSP这一特点制约了其在少通道BCI系统中的应用。
本发明旨在提出一种改进的MEMD对少通道EEG信号进行信息扩容和发掘,对扩容后的数据采用共空间模式提取特征以实现提高BCI系统分类争取类的发明目的。
发明内容
本发明的发明目的是针对上述背景技术的不足,提供了少通道脑机接口EEG信号的特征提取方法,利用sin波作为辅助信号对少通道EEG信号进行多变量经验模式分解实现了EEG信号时频特性信息的扩容,减少模态混叠进而提高了BCI系统的分类正确率,解决了共空间模式提取少通道脑机接口EEG信号特征的效果不佳这一技术问题。
本发明为实现上述发明目的采用如下技术方案:
少通道脑机接口EEG信号的特征提取方法,包括如下步骤:
A、针对运动想象的BCI指令采集少通道脑机接口各通道的EEG信号,
B、构建单通道sin波辅助信号并对单通道sin波辅助信号和各通道EEG信号组成的多通道合成信号进行多变量经验模式分解得到单通道sin波辅助信号对应的固有模态函数和各通道EEG信号对应的固有模态函数,
C、采用共空间模式对各通道EEG信号对应的固有模态函数进行特征提取。
进一步的,少通道脑机接口EEG信号的特征提取方法中步骤B的具体方法为:根据各通道EEG信号频谱分布的局部最大值及其对应的频率确定sin波的个数及频率,构建幅值大于各通道EEG信号平均幅值的单通道sin波辅助信号,将单通道sin波辅助信号和各通道EEG信号组成的多通道合成信号表示为多维向量组序列,将多维向量组序列按照方向向量组映射到多维球面上,对各通道信号在多维球面上映射信号的极限值对应的瞬时时刻以及该瞬时时刻对应的信号所构成的坐标组进行插值得到对应于方向向量个数的多元包络,由所述多元包络的均值获得多通道合成信号的局域均值,获取多通道合成信号与其局域均值的差值,判断该差值是否满足固有模态函数判断标准,若满足,则将局域均值作为下一步分解的多通道合成信号,若不满足,则将该差值作为下一步分解的多通道合成信号,上述分解多通道合成信号的步骤迭代进行直至多通道合成信号局域均值小于事先设定的阈值。
再进一步的,少通道脑机接口EEG信号的特征提取方法中,单通道sin波辅助信号为:SA为单通道sin波辅助信号,A1为单通道sin波辅助信号的幅值,fi为第i个sin波的频率,N为各通道EEG信号频谱分布局部最大值的个数。
再进一步的,少通道脑机接口EEG信号的特征提取方法中,方向向量组通过Hammersley序列采样法在多维球面上均匀采样获得。
再进一步的,少通道脑机接口EEG信号的特征提取方法中,多通道合成信号的局域均值为:m(t)为t时刻多通道合成信号的局域均值,K为方向向量的个数,为t时刻多通道合成信号的第k个多元包络,θk为第k个方向向量在多维球面上对应的方向角。
一种脑机接口分类输出的方法,利用支持向量机并采用五折法对上述任意一种方法提取的少通道EEG信号特征进行分类。
本发明采用上述技术方案,具有以下有益效果:
(1)针对少通道BCI系统中无法使用CSP的局限性,本发明提出的基于sin波辅助信号的多变量经验模式分解可以将少通道EEG信号扩容至多通道,使得CSP得以适用;
(2)本发明提出的基于sin波辅助信号的多变量经验模式分解,通过将多通道合成信号映射在多维球体上以获取投影极限值瞬时时刻及其对应的通道信号,由投影极限瞬时时刻及其对应的通道信号确定多通道合成信号局域均值,以多通道合成信号及其局域均值的差值为IMF,经过多次迭代计算使得同一模态仅含一种频率成分,有效克服了传统多变量经验模式分解的模态混叠的缺点,能够提高BCI系统的分类正确率。
附图说明
图1为BCI系统EEG信号处理的流程图。
图2为BCI系统获取EEG信号的电极安放位置的示意图。
图3为BCI系统单次实验的时间序列图。
图4(a)、图4(b)分别为左手运动想象任务下和右手运动想象任务下BCI系统获取的EEG信号频谱图。
图5(a)、图5(b)分别为左手运动想象任务下和右手运动想象任务下EEG信号经过MEMD处理的频谱图,图5(c)、图5(d)分别为左手运动想象任务下和右手运动想象任务下EEG信号经过SA-MEMD处理的频谱图。
图6为采用本发明特征提取方法的BCI系统的平均分类正确率的示意图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明。
BCI系统EEG信号处理的流程图如图1所示,将单通道sin波辅助信号与少通道EEG信号组合形成多通道合成信号;对多通道合成信号利用MEMD获得IMF,针对少通道EEG信号对应的IMF利用CSP进行特征提取;将CSP分析过的数据随机分成五份,其中四份作为SVM的训练集获取SVM分类模型,一份作为测试集,将测试集的SVM分类结果作为BCI系统的输出。本发明所述的少通道脑机接口EEG信号指的是不超过6通道的脑界接口的EEG信号。
BCI系统EEG信号获取的电极安放位置示意图如图2所示,本发明使用“BCICompetition II Dataset III”的竞赛数据作为BCI系统的数据来源,该数据来源于如图2所示的三个通道的EEG信号,EEG电极遵照10-20国际电极配置法配置,选用C3,Cz和C4三个通道采集EEG信号,采样频率为128Hz,带通滤波范围是0.5~30Hz。
图3是BCI系统单次实验的时间序列图,“BCI Competition II Dataset III”的竞赛数据来源于1个受试者的140试次的测量数据。单次试次的EEG数据记录流程如下:0~2秒钟受试者保持休息状态;2秒钟时,屏幕中央出现十字光标并伴随声音信号提示受试者准备进行左右手运动想象任务;3~9秒期间,屏幕中央出现指示左右方向的箭头,受试者根据箭头指示方向进行左手或右手的运动想象。
图4是BCI系统EEG信号的频谱分布图。图4(a)为左手运动想象任务对应数据的频谱分布图,图4(b)为右手运动想象任务对应数据的频谱分布图,由频谱分析得知数据在7Hz、12Hz和22Hz处存在局部最大值。
本发明提出的基于sin波辅助信号的多变量经验模式分解(以下简称SA-MEMD)的步骤如下所示:
1)计算少通道EEG信号的频谱分布并获取频谱分布的N个局部最大值,根据频谱分布局部最大值的个数以及局部最大值对应的频率确定sin波的个数N及频率fi,i=1,2,...N,将sin波按下式组合成单通道sin波辅助信号SA:计算少通道EEG信号的平均幅值A2,设定A1≥6*A2,A1为单通道sin波辅助信号的幅值,fi为第i个sin波的频率;
2)将少通道EEG信号(n通道,n≤6)和单通道sin波辅助信号组合以形成(n+1)通道的合成信号;
3)设一个(n+1)维向量组序列:代表(n+1)元信号(即(n+1)通道的合成信号),长度为T,表示在n维球面上对应角的方向向量集,k=1,2,...K;
4)采用Hammersley序列采样法在n维球面上获得合适的均匀采样点集,即得到(n+1)维空间的方向向量;
5)计算(n+1)通道合成信号v(t)在每个方向向量上的映射
6)确定所有方向向量的映射信号极限值对应的瞬时时刻l代表极限值位置,l∈[1,T];
7)对坐标利用多元样条插值函数进行插值得到K个多元包络
8)对球面空间的K个方向向量求得多通道合成信号局域均值:m(t)为t时刻多通道合成信号的局域均值,K为方向向量的个数,为t时刻多通道合成信号的第k个多元包络,θk为第k个方向向量在多维球面上对应的方向角;
9)通过h(t)=v(t)-m(t)提取各通道合成信号对应的固有模态函数h(t),如果h(t)满足多元IMF判断标准,就将v(t)-h(t)作为第5)步的输入信号,继续5)~9)步迭代计算以提取新的多元IMF分量h(t);否则,将h(t)作为5)的输入信号,继续5)~9)步迭代,直至满足终止条件停止;
10)经过上述分解过程,(n+1)元信号v(t)被分解成一系列IMF,即和余量r(t)的加和形式:其中,q为分解出的IMF个数;
11)将单通道sin波辅助信号对应的IMF删除,剩余的IMF为原始少通道EEG信号所对应的IMF,作为SA-MEMD处理过的结果。
以三通道EEG信号为例,图5(a)、图5(c)分别是左手运动想象任务下BCI系统三通道EEG信号分别经过MEMD和SA-MEMD处理后得到的IMF的频谱分布图,图5(b)、图5(d)分别是右手运动想象任务下BCI系统三通道EEG信号分别经过MEMD和SA-MEMD处理后得到的IMF的频谱分布图。如图5所示,经MEMD处理过后,在7Hz附近,IMF3的幅值超过IMF2,存在模态混叠现象。相对的,经SA-MEMD处理后,每一个EEG通道均可至少分解得到三个独立的无模态混叠的IMF。SA-MEMD方法减少了传统MEMD方法中存在的模态混叠现象。
图6显示的是分别经过MEMD和SA-MEMD处理后得到的IMF经过CSP处理,再经过SVM分类得到的平均分类正确率的比较结果。如前文中所述,采用五折法进行SVM计算,即将输入给SVM的特征分为五份,其中四份作为训练集,一份作为测试集。为了减低数据分割对结果产生的影响,正确评估本发明的分类正确率,对上述五折法SVM进行十次,以十次SVM的输出结果的平均值来衡量本发明分类效果。如图6所示,采用传统的MEMD的BCI系统的分类正确率为68.6%,采用本发明提出的SA-MEMD的BCI系统的分类正确率为80.0%,SA-MEMD方法显著优于MEMD方法(P<0.05)。
Claims (6)
1.少通道脑机接口EEG信号的特征提取方法,其特征在于,包括如下步骤:
A、针对运动想象的BCI指令采集少通道脑机接口各通道的EEG信号,
B、构建单通道sin波辅助信号并对单通道sin波辅助信号和各通道EEG信号组成的多通道合成信号进行多变量经验模式分解得到单通道sin波辅助信号对应的固有模态函数和各通道EEG信号对应的固有模态函数,
C、采用共空间模式对各通道EEG信号对应的固有模态函数进行特征提取。
2.根据权利要求1所述少通道脑机接口EEG信号的特征提取方法,其特征在于,步骤B的具体方法为:根据各通道EEG信号频谱分布的局部最大值及其对应的频率确定sin波的个数及频率,构建幅值大于各通道EEG信号平均幅值的单通道sin波辅助信号,将单通道sin波辅助信号和各通道EEG信号组成的多通道合成信号表示为多维向量组序列,将多维向量组序列按照方向向量组映射到多维球面上,对各通道信号在多维球面上映射信号的极限值对应的瞬时时刻以及该瞬时时刻对应的信号所构成的坐标组进行插值得到对应于方向向量个数的多元包络,由所述多元包络的均值获得多通道合成信号的局域均值,获取多通道合成信号与其局域均值的差值,判断该差值是否满足固有模态函数判断标准,若满足,则将局域均值作为下一步分解的多通道合成信号,若不满足,则将该差值作为下一步分解的多通道合成信号,上述分解多通道合成信号的步骤迭代进行直至多通道合成信号局域均值小于事先设定的阈值。
3.根据权利要求2所述少通道脑机接口EEG信号的特征提取方法,其特征在于,所述单通道sin波辅助信号为:SA为单通道sin波辅助信号,A1为单通道sin波辅助信号的幅值,fi为第i个sin波的频率,N为各通道EEG信号频谱分布局部最大值的个数。
4.根据权利要求2所述少通道脑机接口EEG信号的特征提取方法,其特征在于,所述方向向量组通过Hammersley序列采样法在多维球面上均匀采样获得。
5.根据权利要求2所述少通道脑机接口EEG信号的特征提取方法,其特征在于,所述多通道合成信号的局域均值为:m(t)为t时刻多通道合成信号的局域均值,K为方向向量的个数,为t时刻多通道合成信号的第k个多元包络,θk为第k个方向向量在多维球面上对应的方向角。
6.一种脑机接口分类输出的方法,其特征在于,利用支持向量机并采用五折法对权利要求1至5中任意一项所述方法提取的少通道EEG信号特征进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711082497.6A CN107961005B (zh) | 2017-11-07 | 2017-11-07 | 少通道脑机接口eeg信号的特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711082497.6A CN107961005B (zh) | 2017-11-07 | 2017-11-07 | 少通道脑机接口eeg信号的特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107961005A true CN107961005A (zh) | 2018-04-27 |
CN107961005B CN107961005B (zh) | 2020-06-30 |
Family
ID=62000785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711082497.6A Active CN107961005B (zh) | 2017-11-07 | 2017-11-07 | 少通道脑机接口eeg信号的特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107961005B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241836A (zh) * | 2018-07-27 | 2019-01-18 | 杭州电子科技大学 | 一种脑电信号实时特征提取方法 |
CN109318207A (zh) * | 2018-11-07 | 2019-02-12 | 西安交通大学 | 一种利用肌电定时的下肢运动准备电位检测系统及方法 |
WO2022099808A1 (zh) * | 2020-11-11 | 2022-05-19 | 东南大学 | 一种基于源定位和脑网络的自然动作脑电识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040122638A1 (en) * | 2002-12-23 | 2004-06-24 | Burker Biospin Gmbh | Method for calculating the conductor path of a superconductor from the coil body to the joint and associated devices |
CN101810479A (zh) * | 2009-12-16 | 2010-08-25 | 天津大学 | 复合下肢想象动作脑电的相位特征提取方法 |
CN102323480A (zh) * | 2011-05-19 | 2012-01-18 | 西南交通大学 | 一种基于Hilbert-Huang变换的电能质量分析方法 |
CN102824173A (zh) * | 2012-09-17 | 2012-12-19 | 北京理工大学 | 一种脑电图信号分类方法 |
CN104007315A (zh) * | 2014-04-29 | 2014-08-27 | 昆明理工大学 | 一种改进的经验模态分解处理方法 |
CN104679718A (zh) * | 2013-11-28 | 2015-06-03 | 长沙理工大学 | 一种可消除模态混叠的地下水信号分解方法 |
CN105078505A (zh) * | 2014-04-24 | 2015-11-25 | 重庆融海超声医学工程研究中心有限公司 | 生理信号处理方法及处理装置 |
CN105181300A (zh) * | 2015-09-06 | 2015-12-23 | 天津大学 | 低相干频域干涉图的自适应干涉项提取方法 |
CN106599539A (zh) * | 2016-11-22 | 2017-04-26 | 电子科技大学 | 一种基于噪声辅助多元经验模式分解的多通道肌电信号处理方法 |
-
2017
- 2017-11-07 CN CN201711082497.6A patent/CN107961005B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040122638A1 (en) * | 2002-12-23 | 2004-06-24 | Burker Biospin Gmbh | Method for calculating the conductor path of a superconductor from the coil body to the joint and associated devices |
CN101810479A (zh) * | 2009-12-16 | 2010-08-25 | 天津大学 | 复合下肢想象动作脑电的相位特征提取方法 |
CN102323480A (zh) * | 2011-05-19 | 2012-01-18 | 西南交通大学 | 一种基于Hilbert-Huang变换的电能质量分析方法 |
CN102824173A (zh) * | 2012-09-17 | 2012-12-19 | 北京理工大学 | 一种脑电图信号分类方法 |
CN104679718A (zh) * | 2013-11-28 | 2015-06-03 | 长沙理工大学 | 一种可消除模态混叠的地下水信号分解方法 |
CN105078505A (zh) * | 2014-04-24 | 2015-11-25 | 重庆融海超声医学工程研究中心有限公司 | 生理信号处理方法及处理装置 |
CN104007315A (zh) * | 2014-04-29 | 2014-08-27 | 昆明理工大学 | 一种改进的经验模态分解处理方法 |
CN105181300A (zh) * | 2015-09-06 | 2015-12-23 | 天津大学 | 低相干频域干涉图的自适应干涉项提取方法 |
CN106599539A (zh) * | 2016-11-22 | 2017-04-26 | 电子科技大学 | 一种基于噪声辅助多元经验模式分解的多通道肌电信号处理方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241836A (zh) * | 2018-07-27 | 2019-01-18 | 杭州电子科技大学 | 一种脑电信号实时特征提取方法 |
CN109241836B (zh) * | 2018-07-27 | 2022-03-01 | 杭州电子科技大学 | 一种脑电信号实时特征提取方法 |
CN109318207A (zh) * | 2018-11-07 | 2019-02-12 | 西安交通大学 | 一种利用肌电定时的下肢运动准备电位检测系统及方法 |
WO2022099808A1 (zh) * | 2020-11-11 | 2022-05-19 | 东南大学 | 一种基于源定位和脑网络的自然动作脑电识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107961005B (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491077A (zh) | 一种基于多流分治卷积神经网络的表面肌电信号手势识别方法 | |
Miao et al. | A spatial-frequency-temporal optimized feature sparse representation-based classification method for motor imagery EEG pattern recognition | |
CN107239142A (zh) | 一种结合公共空间模式算法和emd的脑电信号特征提取方法 | |
CN108038429A (zh) | 一种运动执行的单次脑电特征提取分类方法 | |
CN110399846A (zh) | 一种基于多通道肌电信号相关性的手势识别方法 | |
CN107961005A (zh) | 少通道脑机接口eeg信号的特征提取方法 | |
CN105094324B (zh) | 基于左右手运动想象脑电信号的大脑状态识别方法 | |
CN109480834A (zh) | 一种基于快速多维经验模态分解的脑电信号分类方法 | |
Wojcikiewicz et al. | Stationary common spatial patterns: towards robust classification of non-stationary eeg signals | |
CN103996054A (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 | |
CN113486752B (zh) | 基于心电信号的情感识别方法及系统 | |
CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 | |
CN109858537A (zh) | 改进的eemd与csp结合的脑电信号特征提取方法 | |
CN109009098B (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
CN110074779A (zh) | 一种脑电信号识别方法及装置 | |
Hsu et al. | EEG-Channel-Temporal-Spectral-Attention correlation for motor imagery EEG classification | |
CN104515905A (zh) | 基于cqt多分辨率的被试的脑电信号自适应频谱分析方法 | |
Park et al. | Optimal channel selection using covariance matrix and cross-combining region in EEG-based BCI | |
CN110141211A (zh) | 一种基于经验模态分解的稳态视觉诱发电位的分类方法 | |
CN114081503A (zh) | 去除脑电信号中眼电伪迹的方法 | |
CN117520891A (zh) | 一种运动想象脑电信号分类方法及系统 | |
CN112438741A (zh) | 一种基于脑电特征迁移学习的驾驶状态检测方法及系统 | |
CN107423668A (zh) | 基于小波变换和稀疏表达的脑电信号分类系统与方法 | |
CN116226624A (zh) | 一种基于张量分解的运动想象脑机接口的通道选择方法 | |
CN105824321A (zh) | 基于表面肌电信号的四轴飞行器控制系统及方法 |
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 |