CN108153414A - 稳态视觉诱发电位信号的识别方法、系统及装置 - Google Patents
稳态视觉诱发电位信号的识别方法、系统及装置 Download PDFInfo
- Publication number
- CN108153414A CN108153414A CN201711376254.3A CN201711376254A CN108153414A CN 108153414 A CN108153414 A CN 108153414A CN 201711376254 A CN201711376254 A CN 201711376254A CN 108153414 A CN108153414 A CN 108153414A
- Authority
- CN
- China
- Prior art keywords
- preset
- coefficient
- frequency
- steady
- signal
- 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
- 230000000763 evoking effect Effects 0.000 title claims abstract description 48
- 230000000007 visual effect Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 230000006698 induction Effects 0.000 claims abstract description 16
- 210000004556 brain Anatomy 0.000 claims abstract description 13
- 230000000638 stimulation Effects 0.000 claims description 22
- 230000001939 inductive effect Effects 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Heart & Thoracic Surgery (AREA)
- General Physics & Mathematics (AREA)
- Neurosurgery (AREA)
- Neurology (AREA)
- Psychology (AREA)
- Dermatology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供稳态视觉诱发电位信号识别方法、系统及装置,获取脑电信号,利用滑动窗口从所述脑电信号中切分出多个子段数据;针对每个所述子段数据,计算含有的每个预设诱发频率的典型相关因子系数,进而得到每个所述子段数据中各预设诱发频率所对应的序列检测系数;将每个所述序列检测系数与预设阈值进行比对,将不小于所述预设阈值的序列检测系数所对应的预设诱发频率确定为产生所述稳态视觉诱发电位信号的目标频率。本发明改进了脑电信号识别的准确性,大大提升了脑机接口系统的检测效率。
Description
技术领域
本发明涉及脑机接口算法识别研究领域,特别是涉及基于序列检测的稳态视觉诱发电位信号识别方法、系统及装置。
背景技术
在脑电信号模式分析中,稳态视觉诱发电位(Steady-State Visual EvokedPotentials,SSVEP)是一类最常见的应用模式,由于信号稳定性好、可分类别数量较多,常被作为脑机接口系统的控制范式设计运用。传统的SSVEP信号识别方法主要基于频谱特征,利用节律能量分析方法评判对应目标频率的能量值大小,在固定时间窗口内检测到尖峰值对应频率即为选中结果。很多科学家对这一简单的方法进行了改进,使用特征预处理等方法进行了频率特征的优化识别,使得分类效果大大改善。此外,利用频谱和相位双重特征进行分类识别也取得了更优异的识别效率。
除去以上这些监督学习的方法外,无监督的机器学习算法因其更易于搭建实时无需训练的脑机接口系统而得到了更加广泛的关注,相关方法不仅可以用于稳态视觉诱发电位的识别,更能有效的提升信号的信噪比。其中,典型相关分析算法(CanonicalCorrelation Analysis,CCA)是其中一类无监督的模式识别算法。该方法需要进行模式训练,可实时分类脑电信号,且效率较高,是目前最常用于SSVEP信号检测的方法。
然而,这些方法虽然可有效应用于稳态视觉诱发电位的信号识别,却由于均只能进行一次性判别,无法有效地规避暂时性信号干扰。
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稳态视觉诱发电位信号识别方法、系统及装置,用于解决现有技术中的上述问题。
为实现上述目的及其他相关目的,本发明提供一种稳态视觉诱发电位信号识别方法,包括:获取脑电信号,所述脑电信号由包括多个预设诱发频率的刺激信号诱发生成;利用滑动窗口从所述脑电信号中切分出多个子段数据;针对每个所述子段数据,计算含有的每个预设诱发频率的典型相关因子系数;通过各所述典型相关因子系数得到每个所述子段数据中各预设诱发频率所对应的序列检测系数;将每个所述序列检测系数与预设阈值进行比对,将不小于所述预设阈值的序列检测系数所对应的预设诱发频率确定为产生所述稳态视觉诱发电位信号的目标频率。
于本发明一实施例中,所述脑电信号的采集是通过脑电帽实现的,并经与所述脑电帽通信连接的生物信号放大器放大。
于本发明一实施例中,所述计算典型相关因子系数是通过典型相关性分析方法实现的,包括:将对应的刺激信号按预设诱发频率变换成各傅里叶级数及其谐波的形式;将对应的脑电信号的线性组合及变换后的刺激信号的线性组合之间相关性最大的系数作为所述典型相关因子系数。
于本发明一实施例中,所述通过各所述典型相关因子系数得到每个所述子段数据中各预设诱发频率所对应的序列检测系数,包括:计算各所述典型相关因子系数ρi的瞬时概率值Pri,Pri=ρi/M,其中,n所在子段数据中包含的预设诱发频率的个数;第m个子段数据的预设诱发频率i所对应的序列检测系数
为实现上述目的及其他相关目的,本发明提供一种稳态视觉诱发电位信号的识别系统,包括:获取模块,用于获取脑电信号,所述脑电信号由包括多个预设诱发频率的刺激信号诱发生成;切分模块,用于利用滑动窗口从所述脑电信号中切分出多个子段数据;计算模块,用于针对每个所述子段数据,计算含有的每个预设诱发频率的典型相关因子系数;通过各所述典型相关因子系数得到每个所述子段数据中各预设诱发频率所对应的序列检测系数;比对模块,用于将每个所述序列检测系数与预设阈值进行比对,将不小于所述预设阈值的序列检测系数所对应的预设诱发频率确定为产生所述稳态视觉诱发电位信号的目标频率。
于本发明一实施例中,所述脑电信号的采集是通过脑电帽实现的,并经与所述脑电帽通信连接的生物信号放大器放大。
于本发明一实施例中,所述计算典型相关因子系数是通过典型相关性分析方法实现的,包括:将对应的刺激信号按预设诱发频率变换成各傅里叶级数及其谐波的形式;将对应的脑电信号的线性组合及变换后的刺激信号的线性组合之间相关性最大的系数作为所述典型相关因子系数。
于本发明一实施例中,所述通过各所述典型相关因子系数得到每个所述子段数据中各预设诱发频率所对应的序列检测系数,包括:计算各所述典型相关因子系数ρi的瞬时概率值Pri,其中,n所在子段数据中包含的预设诱发频率的个数;第m个子段数据的预设诱发频率i所对应的序列检测系数
为实现上述目的及其他相关目的,本发明提供一种稳态视觉诱发电位信号的识别装置,包括:脑电帽;与所述脑电帽通信连接的电子设备,其中,所述电子设备包括:如上任一所述的稳态视觉诱发电位信号的识别系统。
于本发明一实施例中,所述装置还包括:生物信号放大器,分别通信连接所述脑电帽和所述电子设备。
如上所述,本发明的稳态视觉诱发电位信号的识别方法、系统及装置,通过引入典型相关的序列检测算法,改进了脑电信号识别的准确性,并且,通过引入滑动窗口实时检测方法,提升了脑机接口系统的检测效率。
附图说明
图1显示为本发明一实施例的稳态视觉诱发电位信号识别的方法流程图。
图2显示为本发明一实施例的滑动窗口切分脑电信号数据示意图。
图3显示为本发明一实施例的序列检测数据统计图。
图4显示为本发明一实施例的稳态视觉诱发电位信号识别的系统模块图。
图5显示为本发明一实施例的稳态视觉诱发电位信号识别的装置结构图。
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,遂图式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,本发明提供一种基于序列检测的稳态视觉诱发电位信号识别方法,应用于具有信息采集、处理、输出等功能的电子设备端,例如:台式电脑、笔记本电脑等,所述方法主要包括以下步骤:
步骤S101:获取受试者产生的脑电信号,其中,脑电信号的获取过程可以通过以下方式实现:
1)为受试者佩戴脑电帽,在经过涂抹导电溶剂、插上电极等常规操作后,连接电子设备端。优选的,该脑电帽连接有奥地利g.Tec公司研发的16导g.USBamp高精度生物信号放大器,该电子设备端设置有USB接口,该放大器将增强后的脑电信号通过USB接口实时地发送给该电子设备端。另外,由于较少的电极导联数也有利于实际脑电信号的放大输出,在一实施例中,为了实现较少数量的电极导联,可以将导联电极确定于POz、O1、Oz和O2电极位,并布置于受试者头发较稀疏的位置处。
2):令受试者注视包括多个预设诱发频率的闪烁图像,从而诱发受试者的大脑产生相应的脑电信号。
步骤S102:利用滑动窗口分段提取接采集的脑电信号。请参阅图2,TW为滑动窗口的大小,代表当前窗口内数据流中数据项的数量,按一定滑动时间间隔滑动的滑动窗口会在滑动过程中将脑电信号的数据切分成若干依序排列的子段数据。在图2中,滑动窗口滑动了三次,从脑电信号的数据中切分出了三段子段数据。
步骤S103:针对滑动窗口每滑动一次所切分出的子段数据,获取其中包含的预设诱发频率i,针对每个预设诱发频率i,利用典型相关性分析方法(Canonical CorrelationAnalysis,CCA)计算其典型相关因子系数ρi。
需要说明的是,CCA典型相关性分析是用于评估两组数据相关性的多元统计分析方法,该方法通过寻找两组变量的线性组合,并通过该组合来反应两者之间的相互关联性,将这些线性组合提取出来的典型变量进行相关性评估,既减少了研究变量的个数,又降低了问题研究复杂度,从而被广泛应用。在本发明的稳态视觉诱发电位信号的识别中,假设:脑电波源信号X是线性系统的刺激信号Y的输出,则对于某一特定刺激频率f(刺激信号Y可以包括多个不同的刺激频率,此处以f示例),刺激信号Y可被分解为傅里叶级数及其谐波,如公式(1)所示:
其中,f为刺激信号Y的频率,T为采样样本个数,S是采样率。典型相关分析将寻找一对线性组合x=XTWX和y=YTWY,使得X和Y分别经过WX和WY线性变换后的典型变量x和y的相关性最大。经数学推演,该问题可归结为下列最优化问题(2):
典型相关因子系数ρ(x,y)即是相关性的表征,其值越大表示相关程度越高,这里,我们将ρ(x,y)的最大值确定为本方法中的典型相关因子系数ρi。
步骤S104:根据公式(3)计算每个典型相关因子系数ρi的瞬时概率值Pri:
其中,
在公式(4)中,n为该子段数据所包含的预设诱发频率i的个数。进一步地,结合滑动窗口的序号,获得序列检测系数,详细的,当进行第m段(m≥2)子段数据的观测时,预设诱发频率i的序列检测系数可表示为公式(5),其中,上角标为序号的标记:
步骤S105:将各预设诱发频率i的序列检测系数分别与预设阈值进行比对,若存在大于等于预设阈值的序列检测系数,则将该序列检测系数所对应的预设诱发频率确定为产生稳态视觉诱发电位信号的目标频率;若不存在达到预设阈值的序列检测系数,则滑动窗口继续下一次滑动,即重复步骤S102~104,直至找到满足预设阈值的序列检测系数为止。目标频率的确定表示了:在向受试者提供多个闪烁图像时,受试者真正注视了哪个闪烁的图像。
以下将通过具体的例子说明目标频率的选定过程:
请参阅图3,假设:预设诱发频率包括:6Hz、7Hz、8Hz、9Hz四种,预设阈值为1.9,目前共进行了四次滑动窗口的滑动。在每次滑动中,分别得到了各预设诱发频率所对应的序列检测系数。可以看出,在第四次分段检测后,7Hz对应的序列检测系数超过了预设阈值,即目标频率被确定为7Hz,分段检测终止。
请参阅图4,与上述方法实施例原理相似的是,本发明提供一种稳态视觉诱发电位信号的识别系统400,作为搭载于具有信息输入、处理、输出等功能的电子设备中软件实现,主要包括:获取模块401、切分模块402、计算模块403、比对模块404。由于前述方法实施例中的技术特征可以应用于本系统实施例,因而不再重复赘述。
获取模块401获取脑电信号,所述脑电信号由包括多个预设诱发频率的刺激信号诱发生成;其中,所述脑电信号的采集是通过脑电帽实现的,并经与所述脑电帽通信连接的生物信号放大器放大。可选的,系统400还包括产生所述刺激信号的刺激模块。
切分模块402利用滑动窗口从所述脑电信号中切分出多个子段数据;
计算模块403针对每个所述子段数据,计算含有的每个预设诱发频率的典型相关因子系数,例如:将对应的刺激信号按预设诱发频率变换成各傅里叶级数及其谐波的形式,再将对应的脑电信号的线性组合及变换后的刺激信号的线性组合之间相关性最大的系数作为所述典型相关因子系数;随后,通过各所述典型相关因子系数得到每个所述子段数据中各预设诱发频率所对应的序列检测系数,例如:计算各所述典型相关因子系数ρi的瞬时概率值Pri,Pri=ρi/M,其中,n所在子段数据中包含的预设诱发频率的个数;第m个子段数据的预设诱发频率i所对应的序列检测系数
比对模块404将每个所述序列检测系数与预设阈值进行比对,将不小于所述预设阈值的序列检测系数所对应的预设诱发频率确定为产生所述稳态视觉诱发电位信号的目标频率。
请参阅图5,与上述实施例原理相似的是,本发明提供一种稳态视觉诱发电位信号的识别装置500,由于前述实施例中的技术特征可以应用于本实施例,因而不再重复赘述。
装置500包括:电性相连的脑电帽501、电子设备502(如:台式电脑、便携式电脑等),其中,所述电子设备502包括如上任一所述的稳态视觉诱发电位信号的识别系统400。优选的,所述装置500还包括:生物信号放大器,连接于所述脑电帽501和所述电子设备502之间。
综上所述,本发明的稳态视觉诱发电位信号的识别方法、系统及装置,改进了脑电信号识别的准确性,大大提升了脑机接口系统的检测效率,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 (10)
1.一种稳态视觉诱发电位信号的识别方法,其特征在于,包括:
获取脑电信号,所述脑电信号由包括多个预设诱发频率的刺激信号诱发生成;
利用滑动窗口从所述脑电信号中切分出多个子段数据;
针对每个所述子段数据,计算含有的每个预设诱发频率的典型相关因子系数;
通过各所述典型相关因子系数得到每个所述子段数据中各预设诱发频率所对应的序列检测系数;
将每个所述序列检测系数与预设阈值进行比对,将不小于所述预设阈值的序列检测系数所对应的预设诱发频率确定为产生所述稳态视觉诱发电位信号的目标频率。
2.根据权利要求1所述的稳态视觉诱发电位信号的识别方法,其特征在于,所述脑电信号的采集是通过脑电帽实现的,并经与所述脑电帽通信连接的生物信号放大器放大。
3.根据权利要求1所述的稳态视觉诱发电位信号的识别方法,其特征在于,所述计算典型相关因子系数是通过典型相关性分析方法实现的,包括:
将对应的刺激信号按预设诱发频率变换成各傅里叶级数及其谐波的形式;
将对应的脑电信号的线性组合及变换后的刺激信号的线性组合之间相关性最大的系数作为所述典型相关因子系数。
4.根据权利要求1所述的稳态视觉诱发电位信号的识别方法,其特征在于,所述通过各所述典型相关因子系数得到每个所述子段数据中各预设诱发频率所对应的序列检测系数,包括:
计算各所述典型相关因子系数ρi的瞬时概率值Pri,Pri=ρi/M,其中,n所在子段数据中包含的预设诱发频率的个数;
第m个子段数据的预设诱发频率i所对应的序列检测系数
5.一种稳态视觉诱发电位信号的识别系统,其特征在于,包括:
获取模块,用于获取脑电信号,所述脑电信号由包括多个预设诱发频率的刺激信号诱发生成;
切分模块,用于利用滑动窗口从所述脑电信号中切分出多个子段数据;
计算模块,用于针对每个所述子段数据,计算含有的每个预设诱发频率的典型相关因子系数;通过各所述典型相关因子系数得到每个所述子段数据中各预设诱发频率所对应的序列检测系数;
比对模块,用于将每个所述序列检测系数与预设阈值进行比对,将不小于所述预设阈值的序列检测系数所对应的预设诱发频率确定为产生所述稳态视觉诱发电位信号的目标频率。
6.根据权利要求5所述的稳态视觉诱发电位信号的识别系统,其特征在于,所述脑电信号的采集是通过脑电帽实现的,并经与所述脑电帽通信连接的生物信号放大器放大。
7.根据权利要求5所述的稳态视觉诱发电位信号的识别系统,其特征在于,所述计算典型相关因子系数是通过典型相关性分析方法实现的,包括:
将对应的刺激信号按预设诱发频率变换成各傅里叶级数及其谐波的形式;
将对应的脑电信号的线性组合及变换后的刺激信号的线性组合之间相关性最大的系数作为所述典型相关因子系数。
8.根据权利要求5所述的稳态视觉诱发电位信号的识别系统,其特征在于,所述通过各所述典型相关因子系数得到每个所述子段数据中各预设诱发频率所对应的序列检测系数,包括:
计算各所述典型相关因子系数ρi的瞬时概率值Pri,Pri=ρi/M,其中,n所在子段数据中包含的预设诱发频率的个数;
第m个子段数据的预设诱发频率i所对应的序列检测系数
9.一种稳态视觉诱发电位信号的识别装置,其特征在于,包括:
脑电帽;
与所述脑电帽通信连接的电子设备,其中,所述电子设备包括:如权利要求5至8中任一所述的稳态视觉诱发电位信号的识别系统。
10.根据权利要求9所述的稳态视觉诱发电位信号的识别装置,其特征在于,还包括:生物信号放大器,分别通信连接所述脑电帽和所述电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711376254.3A CN108153414B (zh) | 2017-12-19 | 2017-12-19 | 稳态视觉诱发电位信号的识别方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711376254.3A CN108153414B (zh) | 2017-12-19 | 2017-12-19 | 稳态视觉诱发电位信号的识别方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108153414A true CN108153414A (zh) | 2018-06-12 |
CN108153414B CN108153414B (zh) | 2021-06-15 |
Family
ID=62463929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711376254.3A Active CN108153414B (zh) | 2017-12-19 | 2017-12-19 | 稳态视觉诱发电位信号的识别方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108153414B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110575166A (zh) * | 2019-09-30 | 2019-12-17 | 北京信息科技大学 | 用于人体脑电信号时频分析的方法及装置 |
CN111345784A (zh) * | 2020-05-09 | 2020-06-30 | 中国人民解放军海军特色医学中心 | 基于单兵智能骨导听觉反馈技术的可穿戴防护装备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7123955B1 (en) * | 1999-10-29 | 2006-10-17 | Tsinghua University | Control method and system and the sense organs test method and system based on electrical steady state induced response |
CN105549743A (zh) * | 2016-01-18 | 2016-05-04 | 中国医学科学院生物医学工程研究所 | 一种基于脑-机接口的机器人系统及实现方法 |
CN107437011A (zh) * | 2016-05-26 | 2017-12-05 | 华为技术有限公司 | 基于脑电信号的身份识别的方法和装置 |
-
2017
- 2017-12-19 CN CN201711376254.3A patent/CN108153414B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7123955B1 (en) * | 1999-10-29 | 2006-10-17 | Tsinghua University | Control method and system and the sense organs test method and system based on electrical steady state induced response |
CN105549743A (zh) * | 2016-01-18 | 2016-05-04 | 中国医学科学院生物医学工程研究所 | 一种基于脑-机接口的机器人系统及实现方法 |
CN107437011A (zh) * | 2016-05-26 | 2017-12-05 | 华为技术有限公司 | 基于脑电信号的身份识别的方法和装置 |
Non-Patent Citations (1)
Title |
---|
伏云发等: "基于SSVEP直接脑控机器人方向和速度研究", 《自动化学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110575166A (zh) * | 2019-09-30 | 2019-12-17 | 北京信息科技大学 | 用于人体脑电信号时频分析的方法及装置 |
CN110575166B (zh) * | 2019-09-30 | 2022-04-12 | 北京信息科技大学 | 用于人体脑电信号时频分析的方法及装置 |
CN111345784A (zh) * | 2020-05-09 | 2020-06-30 | 中国人民解放军海军特色医学中心 | 基于单兵智能骨导听觉反馈技术的可穿戴防护装备 |
Also Published As
Publication number | Publication date |
---|---|
CN108153414B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Retracted: Human emotion recognition based on galvanic skin response signal feature selection and svm | |
Hao et al. | Partial discharge source discrimination using a support vector machine | |
George et al. | Recognition of emotional states using EEG signals based on time-frequency analysis and SVM classifier. | |
KR101293446B1 (ko) | 움직임을 상상하는 뇌파 분류 방법 및 그 장치 | |
CN109299751B (zh) | 基于emd数据增强的卷积神经模型的ssvep脑电分类方法 | |
CN105956624A (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 | |
KR20120052610A (ko) | 신경망 학습을 통한 동작 인식 방법 및 장치 | |
CN109543644B (zh) | 一种多模态手势的识别方法 | |
CN114578963B (zh) | 一种基于特征可视化和多模态融合的脑电身份识别方法 | |
CN108153414B (zh) | 稳态视觉诱发电位信号的识别方法、系统及装置 | |
Dharmaprani et al. | A comparison of independent component analysis algorithms and measures to discriminate between EEG and artifact components | |
Mi et al. | A comparative study and improvement of two ICA using reference signal methods | |
Imran et al. | Motor imagery EEG signal classification scheme based on wavelet domain statistical features | |
CN105125210A (zh) | 一种脑电波的诱发方法及装置 | |
Dhar et al. | Cross-wavelet aided ECG beat classification using LIBSVM | |
CN105139038A (zh) | 肌电信号模式识别方法 | |
Christoforou et al. | The bilinear brain: towards subject-invariant analysis | |
Li et al. | Low-dimensional feature fusion strategy for overlapping neuron spike sorting | |
CN110728189A (zh) | 一种基于Lp/q-混合范数的空间滤波方法及装置 | |
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 | |
Shitole et al. | Dynamic hand gesture recognition using PCA, Pruning and ANN | |
Zhang et al. | Human Activity Recognition Based on On-Body Antennas and Semi-Supervised Learning | |
CN108288068A (zh) | 一种复杂情绪场景下的脑电信号数据分类方法 | |
Talukdar et al. | Motor imagery EEG signal classification scheme based on entropy of intrinsic mode function | |
Yang et al. | Motor imagery EEG recognition based on FBCSP and PCA |
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 |