CN108433722A - 便携式脑电采集设备及其在ssvep和运动想象中的应用 - Google Patents

便携式脑电采集设备及其在ssvep和运动想象中的应用 Download PDF

Info

Publication number
CN108433722A
CN108433722A CN201810168228.XA CN201810168228A CN108433722A CN 108433722 A CN108433722 A CN 108433722A CN 201810168228 A CN201810168228 A CN 201810168228A CN 108433722 A CN108433722 A CN 108433722A
Authority
CN
China
Prior art keywords
network
eeg
collecting device
eeg signals
mental imagery
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
Application number
CN201810168228.XA
Other languages
English (en)
Inventor
高忠科
党伟东
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201810168228.XA priority Critical patent/CN108433722A/zh
Publication of CN108433722A publication Critical patent/CN108433722A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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]
    • 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
    • A61B5/7235—Details of waveform analysis
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Abstract

一种便携式脑电采集设备及其在SSVEP和运动想象中的应用，设备包括：用于提供电源的系统供电电路，及依次连接的脑电极帽转接线、PGA放大电路、AD转换器、STM32处理器和WIFI模块。将压缩感知理论嵌入便携式脑电采集设备当中，在保证数据精度的前提下，很好地提升了数据的传输效率。在SSVEP和运动想象中的应用包括：用有限穿越可视图复杂网络对SSVEP脑电信号或运动想象EEG脑电信号进行数据分析，结合传统的机器学习以及深度学习理论，能够有效提高意念控制过程中的准确率，便携式脑电采集设备在更广泛领域的应用提供了可能。

Description

便携式脑电采集设备及其在SSVEP和运动想象中的应用
技术领域
本发明涉及一种便携式脑电采集设备。特别是涉及一种便携式脑电采集设备及其在 SSVEP和运动想象中的应用。
背景技术
脑机接口技术是一种新型人机交互系统，是在人或动物的脑与外部设备间建立的直接连接通路，通过脑电采集设备读取脑中的信号，然后经过计算处理，把这种信号转化为相关的控制指令，并代替人的肢体或语言器官实现人与外界的交流以及对外部环境的控制。脑机接口技术涉及神经科学、信号检测、模式识别等多学科，在残疾人康复训练、生物医学、游戏娱乐等领域发挥着重要的作用。
运动想象范式是在没有肢体运动的情况下，被试者自主进行思维活动，想象某一特定的运动场景，产生连续的EEG脑电信号，由脑电采集设备感知，分析系统对其特征进行分析的过程。相对于其他脑电实验范式而言，运动想象不需要附加刺激界面，在设备要求便携化、小型化时，仍可以保证较高的准确率，具有独特的优点。
稳态视觉诱发电位(SSVEP)，是指依托于一定频率的刺激在EEG脑电信号中产生响应的倍频响应，其中刺激主要是固定频率的闪烁，它可以可靠地应用于脑机接口系统。相对于其他信号而言，SSVEP具有更高的分类准确率、更快的信息传输率，系统和实验设计更加简便，而且需要的训练次数也比较少。
复杂性科学作为当代科学发展的前沿领域之一，其发展广泛应用于社会学、物理统计学、经济学、控制学、工程学、生物医学等多个跨学科研究领域，该理论提出的非线性时间序列分析方法，把每个通道当作一个节点，把节点间的某种联系当作连边，这样该系统就被抽象成了复杂网络，把对的研究同一转化为对复杂网络的分析，利用网络指标可分析非线性时间序列的内在特性，准确把握其规律。
发明内容
本发明所要解决的技术问题是，提供一种能够实现多自由度意念控制的便携式脑电采集设备及其在SSVEP和运动想象中的应用。
本发明所采用的技术方案是：一种便携式脑电采集设备，包括，系统供电电路、脑电极帽转接线、PGA放大电路、AD转换器、STM32处理器和WIFI模块，其中，所述脑电极帽转接线的输入端连接脑电极帽用于采集脑电信号，输出端依次连接PGA放大电路、AD转换器和STM32处理器，所述STM32处理器分别连接PGA放大电路和AD转换器用于对PGA 放大电路和AD转换器的工作状态进行控制，所述WIFI模块连接STM32处理器用于通过无线局域网使STM32处理器与上位机进行通信，所述系统供电电路分别连接PGA放大电路、 AD转换器、STM32处理器和WIFI模块用于提供电源。其中，
所述的系统供电电路提供3.3伏和5伏两种直流电源；
所述的电极帽转接线采用国际标准1.5mm孔式插口；
所述的PGA放大电路采用可编程增益放大器，能通过程序调节放大倍数，提高测量精度；
所述的AD转换器的转换精度为24位；
所述的STM32处理器采用STM32F407ZET6芯片，STM32处理器一方面接收AD转换器发送的数字信号，一方面对AD转换器的工作状态进行控制；
所述的WIFI模块最大传输速率为40Mbps。
所述的STM32处理器(5)基于数据压缩感知理论将接收到的脑电信号μ进行压缩，得到观测信号将观测信号通过WIFI模块(6)上传至上位机，然后上位机基于正交匹配追踪算法确定稀疏系数的估计，进而重构脑电信号估计作为实际应用中的脑电信号。
所述STM32处理器(5)基于数据压缩感知理论将接收到的脑电信号μ进行压缩，包括：
(1)选用一组稀疏基B为选稀疏集的个数，对长度为J的脑电信号μ进行稀疏表示：υ＝1,2，…,B，系数向量η满足该系数向量η中非零元素个数远小于B，其中稀疏基选用正弦基、余弦基、小波基和curvelet基中的一种；
(2)取用大小为M×J的高斯观测矩阵矩阵中任意元素均服从高斯分布N(0,1/M)，观测信号表示为：其中是大小为M×B的传感矩阵，M是得到的观测信号的维数，满足观测矩阵和稀疏矩阵必须满足不相关性的要求。
所述上位机基于正交匹配追踪算法确定稀疏系数的估计，进而重构脑电信号估计包括：
(1)以观测信号以及传感矩阵G为输入，并设定稀疏度初始化残差构建索引集初始化迭代次数q＝1；
(2)分别计算残差rq-1和传感矩阵Gq-1的所有列gj,j∈[1,B]的内积，G0＝G，确定内积中最大值对应的角标λq∈[1,B]，即
(3)更新索引集Λq＝Λq-1∪{λq}，记录传感矩阵Gq-1中的重建原子集合即每一次迭代将使得传感矩阵增多一列；
(4)确定重构脑电信号估计并更新残差q＝q+1；
(5)判断迭代次数是否满足若满足，则停止迭代；若不满足，返回第(2)步。
一种便携式脑电采集设备在SSVEP中的应用，包括如下步骤：
1)得到通过便携式脑电采集设备获取并重构的SSVEP脑电信号h＝1,2,3,4， L为SSVEP脑电信号的长度，uh,l是第h个通道第l个数值；
2)通过典型相关分析方法将4个电极的脑电信号融合为一个脑电数据X；
3)通过快速傅里叶变换将融合后的脑电数据X转换为频域下的能量序列F：
F＝ABS(FFT(X))，
其中ABS(·)为取绝对值的操作，FFT(·)为对括号中信号进行快速傅里叶变换；
4)对能量序列F建立有限穿越可视图复杂网络，提取所述有限穿越可视图复杂网络中对应视觉刺激界面中4个闪烁频率处的度值，即闪烁频率分别为6.67Hz、7.5Hz、8.57Hz和10 Hz处的节点度值；
5)将每个闪烁频率所对应的度值k1,k2,k3,k4放入到特征向量Kf中，得到 Kf＝[k1,k2,k3,k4]，依据刺激图片的闪烁频率对特征向量Kf进行标记，得到4类特征向量，用特征向量作为输入训练Fisher分类器，得到优化后的Fisher分类器；
6)被试者注视任一个刺激图片，执行步骤1)～步骤5)得到新的特征向量，将新的特征向量输入优化后的Fisher分类器进行分类，分类结果为刺激图片的闪烁频率；
7)建立脑机接口，通过步骤6)的分类结果生成控制指令控制轮椅完成向前直行、向后直行、左转和右转四个动作，这四个动作分别对应实验刺激界面中的四个闪烁图片，实现运动想象轮椅控制，同时通过便携式脑电采集设备实时监测被试者的咬牙信号，若发现咬牙信号，则控制轮椅停止运动，否则轮椅一直进行运动。
步骤1)包括：
(1)设定SSVEP脑电实验刺激界面，包含4个刺激图片，4个刺激图片的闪烁频率依次为6.67Hz、7.5Hz、8.57Hz和10Hz；
(2)通过便携式脑电采集设备分别获取8个以上被试者中每一个被试者经4个刺激图片诱发的4种SSVEP脑电信号h＝1,2,3,4。
步骤2)包括：
(1)创建模板信号Y：
其中f1,f2,f3,f4分别表示4个刺激图片的闪烁频率，t为从1到L的序数；
(2)分别确定最优系数向量WU和WY，使得相关系数ρ取得最大值，即：
其中上角标T表示取向量转置的操作，E[·]表示取括号中元素平均值的操作；确定4个电极的SSVEP脑电信号h＝1,2,3,4融合后的脑电数据X＝UTWU。
步骤4)中所述的建立有限穿越可视图复杂网络，包括：
(1)针对一元序列D，设置有限穿越视距为Z；
(2)找出一元序列D中所有不相邻的两个节点和节点之间的所有节点，对所有节点中的每一个节点进行判断是否满足条件： 表示一元序列D的第a个节点，表示一元序列D的第b个节点,表示一元序列D的第d个节点，当不满足所述条件的节点数小于等于Z个，则认定在有限穿越视距为Z的有限穿越可视图复杂网络中节点和节点之间存在连边，否则认定在有限穿越视距为Z的有限穿越可视图复杂网络中节点和节点之间不存在连边；
(3)所有相邻的节点对之间都存在连边；
(4)得到有限穿越可视图复杂网络。
步骤5)包括：
(1)每类特征向量选取90％作为训练样本，其余作为测试样本，设计个分类器， K取4，得到6个分类器，利用Fisher判别函数在训练样本上训练6个分类器，得到最优投影方向向量，每一个分类器的训练过程包括：
计算各类样本的均值向量mα：
其中，ωα代表类别，Nα是ωα中样本数量，x是ωα中样本；
计算样本类内离散度矩阵Sα和总类内离散度矩阵Sw：
Sw＝S1+S2，
计算该分类器的最优投影方向向量w*：
计算训练集内样本在最优投影方向向量w*上的投影点y，
y＝(w*)Tx；
(2)每一个Fisher分类器的分类过程包括：
对于输入的样本x，计算在最优投影方向向量w*上的投影点y，
y＝(w*)Tx
计算分割阈值y0：
其中，m′α为样本在投影后一维空间的均值，α＝1,2；
确定样本类别：
y＞y0,x∈ω1
y＜y0,x∈ω2；
(3)把测试样本输入第(1)步训练后的6个分类器中进行分类，每个分类器输出一个频率值，并把该频率值下的标记数加1，统计得到标记数最多的频率值作为该样本最终的频率值。
.一种便携式脑电采集设备在运动想象中的应用，包括如下步骤：
1)通过便携式脑电采集设备，开展运动想象脑电实验，获取重构后的被试者运动想象 EEG脑电信号，并对运动想象EEG脑电信号进行预处理；
2)对预处理后的运动想象EEG脑电信号c＝1,2,...,7，其中，Q为每个信号的数据长度，Xc,g表示第c个电极采集的信号中第g个数值，采用有限穿越可视图理论构建有限穿越可视图复杂网络Ac，得到大脑多层复杂网络；
3)对于每一个有限穿越可视图复杂网络Ac，分别提取网络指标数据，所述的网络指标数据包括：网络平均节点度、网络平均节点介数、网络平均聚集系数、网络全局聚集系数、网络聚集系数熵和网络平均最短路径；
4)对于任一被试者在每一个具体动作下的大脑多层复杂网络，获得所述网络指标数据，组成一维序列，通过具体动作编号为该一维序列设定标签，构建样本集，搭建初始深度卷积神经网络模型，使用样本集对初始深度卷积神经网络模型进行有监督的训练，得到能够用于运动想象EEG脑电信号有效分类、辨识的深度卷积神经网络模型及参数，其中，所述样本集中的每一个样本由各个网络指标数据组成的一维序列以及相应的标签构成；
5)被试者想象不同的具体的动作，通过便携式脑电采集设备获取运动想象EEG脑电信号并对运动想象EEG脑电信号进行预处理，通过执行步骤2)和步骤3)确定网络指标数据，组成一维序列，并输入训练得到的深度卷积神经网络模型，分类判断出运动想象EEG脑电信号对应的是何种运动想象，以分类结果为基础生成脑控指令，发送给机械外骨骼，控制机械外骨骼运动；
步骤1)中所述的运动想象EEG脑电信号是在被试者想象具体动作的同时，通过便携式脑电采集设备，分别获取被试者对应于P3，P4，O1，O2，C3，C4，Cz七个电极的运动想象EEG脑电信号，电极分布符合10～20国际标准导联；包括被试者分别想象四种具体动作：
动作1：通过右手写毛笔字；
动作2：通过左手端起水杯喝水；
动作3：通过右脚完成踢足球射门；
动作4：通过左脚完成连续单脚跳动。
步骤1)中所述的对运动想象EEG脑电信号进行预处理，是对运动想象EEG脑电信号进行带通滤波并去除伪迹，得到能够用于实现运动想象状态辨识的运动想象EEG脑电信号：
其中，Q为每个信号的数据长度，Xc,g表示第c个电极采集的信号中第g个数值。
步骤2)包括：
(1)对每一个电极的运动想象EEG脑电信号采用有限穿越可视图理论得到有限穿越可视图复杂网络β,γ＝1,2,...,Q；其中，
所述的建立有限穿越可视图复杂网络，包括：
(1.1)针对一元序列D，设置有限穿越视距为Z；
(1.2)找出一元序列D中所有不相邻的两个节点和节点之间的所有节点，对所有节点中的每一个节点进行判断是否满足条件： 表示一元序列D的第a 个节点，表示一元序列D的第b个节点,表示一元序列D的第d个节点，当不满足所述条件的节点数小于等于Z个，则认定在有限穿越视距为Z的有限穿越可视图复杂网络中节点和节点之间存在连边，否则认定在有限穿越视距为Z的有限穿越可视图复杂网络中节点和节点之间不存在连边；
(1.3)所有相邻的节点对之间都存在连边；
(1.4)得到有限穿越可视图复杂网络。
(2)对7个电极的运动想象EEG脑电信号c＝1,2,...,7分别重复第(1)步，建立7个有限穿越可视图复杂网络，得到大脑多层复杂网络{A1,A2,...,A7}。
步骤4)所述的初始深度卷积神经网络模型依次包括：
一个数据输入层：输入数据即样本为由大脑多层复杂网络的各个网络指标数据构成的一维序列及其对应标签，所述的输入数据是具有标签信息的数据；
三个一维卷积层：卷积核数量为8，卷积核大小为1×7，激活函数是一个线型修正单元，采用Relu激活函数
一个最大池化层：池化核大小为1×4，具体过程描述为表示对当前池化核覆盖下的输入数据的元素提取最大值作为输出；
四个一维卷积层：卷积核数量为16，卷积核大小为1×7，采用Relu激活函数
一个最大池化层：池化核大小为1×4；
分类器：作为神经网络的输出层，输出分类结果，并用H个神经元表示，通过Softmax函数处理，Softmax函数本质上是归一化的指数函数，定义为其中s＝1···H， e为自然对数值，zs为第s个神经元的输出，式子中的分母充当了正则项的作用，使得
步骤4)所述的训练包括：
(1)将样本集中80％的数据作为训练集，用于训练初始深度卷积神经网络模型，确定初始深度卷积神经网络模型参数，20％的数据作为测试集，用于测试已经训练好的深度卷积神经网络模型的泛化能力；
(2)将网络权值、阈值取接近于0的随机值，并初始化训练所需的超参数，所述的超参数包括学习率、权值衰减、学习率衰减；
(3)通过反向传播算法对初始深度卷积神经网络模型进行训练；
(4)在训练中通过梯度下降法对网络权值进行调整，公式为 是更新前的网络权值，是更新后的网络权值，ξ是学习率，是误差对网络权值的偏导；
(5)当损失函数停止收敛或者网络训练迭代次数超过设定值M时，停止训练。
本发明的便携式脑电采集设备及其在SSVEP和运动想象中的应用，具有如下有益效果：
(1)与被试者连接的便携式脑电采集设备的供电电路中的电压对人体均无伤害，保证了被试者的安全，与上位机采用WIFI通信，打破线缆的距离限制，增大被试者与计算机之间的空间，采用高精度AD转换器增加了转换精度，大大提高了数据的准确性，为后续分析提供基础数据支撑；
(2)将压缩感知理论嵌入便携式脑电采集设备当中，在保证数据精度的前提下，很好地提升了数据的传输效率，为便携式脑电采集设备在更广泛领域的应用提供了可能；
(3)将有限穿越可视图复杂网络理论应用了SSVEP脑电信号以及运动想象EEG脑电信号分析当中，充分发挥有限穿越可视图复杂网络的抗噪能力，能够有效提升脑机接口中控制的准确率；
(4)结合有限穿越可视图复杂网络与深度卷积神经网络，有效挖掘运动想象EEG脑电信号中的潜在特征，提高分类准确率。
附图说明
图1是本发明便携式脑电采集设备的结构框图；
图2是本发明的便携式脑电采集设备在SSVEP中应用的流程图；
图3是本发明的便携式脑电采集设备在运动想象中应用的流程图；
图4是有限穿越可视图复杂网络的原理图。
具体实施方式
下面结合实施例和附图对本发明的便携式脑电采集设备及其在SSVEP和运动想象中的应用做出详细说明。
如图1所示，本发明的一种便携式脑电采集设备，包括，系统供电电路1、脑电极帽转接线2、PGA放大电路3、AD转换器4、STM32处理器5和WIFI模块6，其中，所述脑电极帽转接线2的输入端连接脑电极帽用于采集脑电信号，输出端依次连接PGA放大电路3、 AD转换器4和STM32处理器5，所述STM32处理器5分别连接PGA放大电路3和AD转换器4用于对PGA放大电路3和AD转换器4的工作状态进行控制，所述WIFI模块6连接STM32处理器5用于通过无线局域网使STM32处理器5与上位机进行通信，所述系统供电电路1分别连接PGA放大电路3、AD转换器4、STM32处理器5和WIFI模块6用于提供电源。其中，
所述的系统供电电路1提供3.3伏和5伏两种直流电源；
所述的电极帽转接线2采用国际标准1.5mm孔式插口，能与各种进口和国产脑电极帽配套使用；
所述的PGA放大电路3采用可编程增益放大器，是一种通用性很强的放大器，能通过程序调节放大倍数，提高测量精度；
所述的AD转换器4的转换精度为24位，将模拟信号转换为数字信号；
所述的STM32处理器5采用STM32F407ZET6芯片，具有高性能、低成本、低功耗的特点；STM32处理器5一方面接收AD转换器发送的数字信号，一方面对AD转换器的工作状态进行控制；
所述的WIFI模块6最大传输速率为40Mbps，该WIFI模块与STM32处理器相连接，接收STM32处理器传输的所有数据，通过无线局域网将所有数据上传至上位机。
所述的STM32处理器5基于数据压缩感知理论将接收到的脑电信号μ进行压缩，得到观测信号将观测信号通过WIFI模块6上传至上位机，然后上位机基于正交匹配追踪算法确定稀疏系数的估计，进而重构脑电信号估计作为实际应用中的脑电信号。
所述STM32处理器5基于数据压缩感知理论将接收到的脑电信号μ进行压缩，包括：
(1)选用一组稀疏基B为选稀疏集的个数，对长度为J的脑电信号μ进行稀疏表示：υ＝1,2，…,B，系数向量η满足该系数向量η中非零元素个数远小于B，其中稀疏基选用正弦基、余弦基、小波基和curvelet基中的一种；
(2)取用大小为M×J的高斯观测矩阵矩阵中任意元素均服从高斯分布N(0,1/M)，观测信号表示为：其中是大小为M×B的传感矩阵，M是得到的观测信号的维数，满足观测矩阵和稀疏矩阵必须满足不相关性的要求。
所述上位机基于正交匹配追踪算法确定稀疏系数的估计，进而重构脑电信号估计包括：
(1)以观测信号以及传感矩阵G为输入，并设定稀疏度初始化残差构建索引集初始化迭代次数q＝1；
(2)分别计算残差rq-1和传感矩阵Gq-1的所有列gj,j∈[1,B]的内积，G0＝G，确定内积中最大值对应的角标λq∈[1,B]，即
(3)更新索引集Λq＝Λq-1∪{λq}，记录传感矩阵Gq-1中的重建原子集合即每一次迭代将使得传感矩阵增多一列；
(4)确定重构脑电信号估计并更新残差q＝q+1；
(5)判断迭代次数是否满足若满足，则停止迭代；若不满足，返回第(2)步。
本发明的便携式脑电采集设备在SSVEP中的应用，如图2所示，包括如下步骤：
1)得到通过便携式脑电采集设备获取并重构的SSVEP脑电信号h＝1,2,3,4， L为SSVEP脑电信号的长度，uh,l是第h个通道第l个数值；包括：
(1)设定SSVEP脑电实验刺激界面，包含4个刺激图片，4个刺激图片的闪烁频率依次为6.67Hz、7.5Hz、8.57Hz和10Hz；
(2)通过便携式脑电采集设备分别获取8个以上被试者中每一个被试者经4个刺激图片诱发的4种SSVEP脑电信号h＝1,2,3,4。
2)通过典型相关分析方法将4个电极的脑电信号融合为一个脑电数据X；包括：
(1)创建模板信号Y：
其中f1,f2,f3,f4分别表示4个刺激图片的闪烁频率，t为从1到L的序数；
(2)分别确定最优系数向量WU和WY，使得相关系数ρ取得最大值，即：
其中上角标T表示取向量转置的操作，E[·]表示取括号中元素平均值的操作；确定4个电极的SSVEP脑电信号h＝1,2,3,4融合后的脑电数据X＝UTWU。
3)通过快速傅里叶变换将融合后的脑电数据X转换为频域下的能量序列F：
F＝ABS(FFT(X))，
其中ABS(·)为取绝对值的操作，FFT(·)为对括号中信号进行快速傅里叶变换；
4)对能量序列F建立有限穿越可视图复杂网络，提取所述有限穿越可视图复杂网络中对应视觉刺激界面中4个闪烁频率处的度值，即闪烁频率分别为6.67Hz、7.5Hz、8.57Hz和10 Hz处的节点度值；所述的建立有限穿越可视图复杂网络，如图4所示，包括：
(1)针对一元序列D，设置有限穿越视距为Z；
(2)找出一元序列D中所有不相邻的两个节点和节点之间的所有节点，对所有节点中的每一个节点进行判断是否满足条件： 表示一元序列D的第a个节点，表示一元序列D的第b个节点,表示一元序列D的第d个节点，当不满足所述条件的节点数小于等于Z个，则认定在有限穿越视距为Z的有限穿越可视图复杂网络中节点和节点之间存在连边，否则认定在有限穿越视距为Z的有限穿越可视图复杂网络中节点和节点之间不存在连边；
(3)所有相邻的节点对之间都存在连边；
(4)得到有限穿越可视图复杂网络。包括：
(1)每类特征向量选取90％作为训练样本，其余作为测试样本，设计个分类器， K取4，得到6个分类器，利用Fisher判别函数在训练样本上训练6个分类器，得到最优投影方向向量，每一个分类器的训练过程包括：
计算各类样本的均值向量mα：
其中，ωα代表类别，Nα是ωα中样本数量，x是ωα中样本；
计算样本类内离散度矩阵Sα和总类内离散度矩阵Sw：
Sw＝S1+S2，
计算该分类器的最优投影方向向量w*：
计算训练集内样本在最优投影方向向量w*上的投影点y，
y＝(w*)Tx；
(2)每一个Fisher分类器的分类过程包括：
对于输入的样本x，计算在最优投影方向向量w*上的投影点y，
y＝(w*)Tx
计算分割阈值y0：
其中，m′α为样本在投影后一维空间的均值，α＝1,2；
确定样本类别：
y＞y0,x∈ω1
y＜y0,x∈ω2；
(3)把测试样本输入第(1)步训练后的6个分类器中进行分类，每个分类器输出一个频率值，并把该频率值下的标记数加1，统计得到标记数最多的频率值作为该样本最终的频率值。
5)将每个闪烁频率所对应的度值k1,k2,k3,k4放入到特征向量Kf中，得到 Kf＝[k1,k2,k3,k4]，依据刺激图片的闪烁频率对特征向量Kf进行标记，得到4类特征向量，用特征向量作为输入训练Fisher分类器，得到优化后的Fisher分类器；
6)被试者注视任一个刺激图片，执行步骤1)～步骤5)得到新的特征向量，将新的特征向量输入优化后的Fisher分类器进行分类，分类结果为刺激图片的闪烁频率；
7)建立脑机接口，通过步骤6)的分类结果生成控制指令控制轮椅完成向前直行、向后直行、左转和右转四个动作，这四个动作分别对应实验刺激界面中的四个闪烁图片，实现运动想象轮椅控制，同时通过便携式脑电采集设备实时监测被试者的咬牙信号，若发现咬牙信号，则控制轮椅停止运动，否则轮椅一直进行运动。
本发明的便携式脑电采集设备在运动想象中的应用，如图3所示，包括如下步骤：
1)通过便携式脑电采集设备，开展运动想象脑电实验，获取重构后的被试者运动想象 EEG脑电信号，并对运动想象EEG脑电信号进行预处理；其中，
所述的运动想象EEG脑电信号是在被试者想象具体动作的同时，通过便携式脑电采集设备，分别获取被试者对应于P3，P4，O1，O2，C3，C4，Cz七个电极的运动想象EEG脑电信号，电极分布符合10～20国际标准导联；包括被试者分别想象四种具体动作：
动作1：通过右手写毛笔字；
动作2：通过左手端起水杯喝水；
动作3：通过右脚完成踢足球射门；
动作4：通过左脚完成连续单脚跳动。
所述的对运动想象EEG脑电信号进行预处理，是对运动想象EEG脑电信号进行带通滤波并去除伪迹，得到能够用于实现运动想象状态辨识的运动想象EEG脑电信号：
其中，Q为每个信号的数据长度，Xc,g表示第c个电极采集的信号中第g个数值。
2)对预处理后的运动想象EEG脑电信号c＝1,2,...,7，其中，Q为每个信号的数据长度，Xc,g表示第c个电极采集的信号中第g个数值，采用有限穿越可视图理论构建有限穿越可视图复杂网络Ac，得到大脑多层复杂网络；包括：
(1)对每一个电极的运动想象EEG脑电信号采用有限穿越可视图理论得到有限穿越可视图复杂网络β,γ＝1,2,...,Q；其中，
所述的建立有限穿越可视图复杂网络，如图4所示，包括：
(1.1)针对一元序列D，设置有限穿越视距为Z；
(1.2)找出一元序列D中所有不相邻的两个节点和节点之间的所有节点，对所有节点中的每一个节点进行判断是否满足条件： 表示一元序列D的第a 个节点，表示一元序列D的第b个节点,表示一元序列D的第d个节点，当不满足所述条件的节点数小于等于Z个，则认定在有限穿越视距为Z的有限穿越可视图复杂网络中节点和节点之间存在连边，否则认定在有限穿越视距为Z的有限穿越可视图复杂网络中节点和节点之间不存在连边；
(1.3)所有相邻的节点对之间都存在连边；
(1.4)得到有限穿越可视图复杂网络。
(2)对7个电极的运动想象EEG脑电信号c＝1,2,...,7分别重复第(1)步，建立7个有限穿越可视图复杂网络，得到大脑多层复杂网络{A1,A2,...,A7}。
3)对于每一个有限穿越可视图复杂网络Ac，分别提取网络指标数据，所述的网络指标数据包括：网络平均节点度、网络平均节点介数、网络平均聚集系数、网络全局聚集系数、网络聚集系数熵和网络平均最短路径；其中，
(3.1)网络平均节点度O：任意节点θ的度oθ表示与该节点相连的连边个数，则其中＜·＞表示取平均值的操作，l′为网络中节点个数；
(3.2)网络平均节点介数表示节点介数，其中σλκ为连接节点λ和节点κ的最短路径数目，σλκ(θ)为经过节点θ的连接节点λ和节点κ的最短路径数目；
(3.3)网络平均聚集系数表示节点聚集系数，其中τθ,Δ表示复杂网络中包含节点θ的封闭三角形的数目，τθ表示复杂网络中从节点θ出发至少有两个边的三角形的数目；
(3.4)网络全局聚集系数
(3.5)网络聚集系数熵
(3.6)网络平均最短路径其中节点λ和节点κ互不相同，且Uλκ表示节点λ和节点κ之间的最短路径长度。
4)对于任一被试者在每一个具体动作下的大脑多层复杂网络，获得所述网络指标数据，组成一维序列，通过具体动作编号为该一维序列设定标签，构建样本集，搭建初始深度卷积神经网络模型，使用样本集对初始深度卷积神经网络模型进行有监督的训练，得到能够用于运动想象EEG脑电信号有效分类、辨识的深度卷积神经网络模型及参数，其中，所述样本集中的每一个样本由各个网络指标数据组成的一维序列以及相应的标签构成；
所述的初始深度卷积神经网络模型依次包括：
一个数据输入层：输入数据即样本为由大脑多层复杂网络的各个网络指标数据构成的一维序列及其对应标签，所述的输入数据是具有标签信息的数据；
三个一维卷积层：卷积核数量为8，卷积核大小为1×7，激活函数是一个线型修正单元，采用Relu激活函数
一个最大池化层：池化核大小为1×4，具体过程描述为表示对当前池化核覆盖下的输入数据的元素提取最大值作为输出；
四个一维卷积层：卷积核数量为16，卷积核大小为1×7，采用Relu激活函数
一个最大池化层：池化核大小为1×4；
分类器：作为神经网络的输出层，输出分类结果，并用H个神经元表示，通过Softmax函数处理，Soft max函数本质上是归一化的指数函数，定义为其中s＝1···H， e为自然对数值，zs为第s个神经元的输出，式子中的分母充当了正则项的作用，使得
所述的训练包括：
(1)将样本集中80％的数据作为训练集，用于训练初始深度卷积神经网络模型，确定初始深度卷积神经网络模型参数，20％的数据作为测试集，用于测试已经训练好的深度卷积神经网络模型的泛化能力；
(2)将网络权值、阈值取接近于0的随机值，并初始化训练所需的超参数，所述的超参数包括学习率、权值衰减、学习率衰减；
(3)通过反向传播算法对初始深度卷积神经网络模型进行训练；
(4)在训练中通过梯度下降法对网络权值进行调整，公式为 是更新前的网络权值，是更新后的网络权值，ξ是学习率，是误差对网络权值的偏导；
(5)当损失函数停止收敛或者网络训练迭代次数超过设定值M时，停止训练。
5)被试者想象不同的具体的动作，通过便携式脑电采集设备获取运动想象EEG脑电信号并对运动想象EEG脑电信号进行预处理，通过执行步骤2)和步骤3)确定网络指标数据，组成一维序列，并输入训练得到的深度卷积神经网络模型，分类判断出运动想象EEG脑电信号对应的是何种运动想象，以分类结果为基础生成脑控指令，发送给机械外骨骼，控制机械外骨骼运动。

Claims (16)

1.一种便携式脑电采集设备，其特征在于，包括，系统供电电路(1)、脑电极帽转接线(2)、PGA放大电路(3)、AD转换器(4)、STM32处理器(5)和WIFI模块(6)，其中，所述脑电极帽转接线(2)的输入端连接脑电极帽用于采集脑电信号，输出端依次连接PGA放大电路(3)、AD转换器(4)和STM32处理器(5)，所述STM32处理器(5)分别连接PGA放大电路(3)和AD转换器(4)用于对PGA放大电路(3)和AD转换器(4)的工作状态进行控制，所述WIFI模块(6)连接STM32处理器(5)用于通过无线局域网使STM32处理器(5)与上位机进行通信，所述系统供电电路(1)分别连接PGA放大电路(3)、AD转换器(4)、STM32处理器(5)和WIFI模块(6)用于提供电源。
2.根据权利要求1所述的便携式脑电采集设备，其特征在于，其中，
所述的系统供电电路(1)提供3.3伏和5伏两种直流电源；
所述的电极帽转接线(2)采用国际标准1.5mm孔式插口；
所述的PGA放大电路(3)采用可编程增益放大器，能通过程序调节放大倍数，提高测量精度；
所述的AD转换器(4)的转换精度为24位；
所述的STM32处理器(5)采用STM32F407ZET6芯片，STM32处理器(5)一方面接收AD转换器发送的数字信号，一方面对AD转换器的工作状态进行控制；
所述的WIFI模块(6)最大传输速率为40Mbps。
3.根据权利要求1所述的便携式脑电采集设备，其特征在于，所述的STM32处理器(5)基于数据压缩感知理论将接收到的脑电信号μ进行压缩，得到观测信号将观测信号通过WIFI模块(6)上传至上位机，然后上位机基于正交匹配追踪算法确定稀疏系数的估计，进而重构脑电信号估计作为实际应用中的脑电信号。
4.根据权利要求3所述的便携式脑电采集设备，其特征在于，所述STM32处理器(5)基于数据压缩感知理论将接收到的脑电信号μ进行压缩，包括：
(1)选用一组稀疏基B为选稀疏集的个数，对长度为J的脑电信号μ进行稀疏表示：系数向量η满足该系数向量η中非零元素个数远小于B，其中稀疏基选用正弦基、余弦基、小波基和curvelet基中的一种；
(2)取用大小为M×J的高斯观测矩阵矩阵中任意元素均服从高斯分布N(0,1/M)，观测信号表示为：其中是大小为M×B的传感矩阵，M是得到的观测信号的维数，满足观测矩阵和稀疏矩阵必须满足不相关性的要求。
5.根据权利要求3所述的便携式脑电采集设备，其特征在于，所述上位机基于正交匹配追踪算法确定稀疏系数的估计，进而重构脑电信号估计包括：
(1)以观测信号以及传感矩阵G为输入，并设定稀疏度初始化残差构建索引集初始化迭代次数q＝1；
(2)分别计算残差rq-1和传感矩阵Gq-1的所有列gj,j∈[1,B]的内积，G0＝G，确定内积中最大值对应的角标λq∈[1,B]，即
(3)更新索引集Λq＝Λq-1∪{λq}，记录传感矩阵Gq-1中的重建原子集合即每一次迭代将使得传感矩阵增多一列；
(4)确定重构脑电信号估计并更新残差q＝q+1；
(5)判断迭代次数是否满足若满足，则停止迭代；若不满足，返回第(2)步。
6.一种权利要求1所述的便携式脑电采集设备在SSVEP中的应用，其特征在于，包括如下步骤：
1)得到通过便携式脑电采集设备获取并重构的SSVEP脑电信号L为SSVEP脑电信号的长度，uh,l是第h个通道第l个数值；
2)通过典型相关分析方法将4个电极的脑电信号融合为一个脑电数据X；
3)通过快速傅里叶变换将融合后的脑电数据X转换为频域下的能量序列F：
F＝ABS(FFT(X))，
其中ABS(·)为取绝对值的操作，FFT(·)为对括号中信号进行快速傅里叶变换；
4)对能量序列F建立有限穿越可视图复杂网络，提取所述有限穿越可视图复杂网络中对应视觉刺激界面中4个闪烁频率处的度值，即闪烁频率分别为6.67Hz、7.5Hz、8.57Hz和10Hz处的节点度值；
5)将每个闪烁频率所对应的度值k1,k2,k3,k4放入到特征向量Kf中，得到Kf＝[k1,k2,k3,k4]，依据刺激图片的闪烁频率对特征向量Kf进行标记，得到4类特征向量，用特征向量作为输入训练Fisher分类器，得到优化后的Fisher分类器；
6)被试者注视任一个刺激图片，执行步骤1)～步骤5)得到新的特征向量，将新的特征向量输入优化后的Fisher分类器进行分类，分类结果为刺激图片的闪烁频率；
7)建立脑机接口，通过步骤6)的分类结果生成控制指令控制轮椅完成向前直行、向后直行、左转和右转四个动作，这四个动作分别对应实验刺激界面中的四个闪烁图片，实现运动想象轮椅控制，同时通过便携式脑电采集设备实时监测被试者的咬牙信号，若发现咬牙信号，则控制轮椅停止运动，否则轮椅一直进行运动。
7.根据权利要求6所述的便携式脑电采集设备在SSVEP中的应用，其特征在于，步骤1)包括：
(1)设定SSVEP脑电实验刺激界面，包含4个刺激图片，4个刺激图片的闪烁频率依次为6.67Hz、7.5Hz、8.57Hz和10Hz；
(2)通过便携式脑电采集设备分别获取8个以上被试者中每一个被试者经4个刺激图片诱发的4种SSVEP脑电信号
8.根据权利要求6所述的便携式脑电采集设备在SSVEP中的应用，其特征在于，步骤2)包括：
(1)创建模板信号Y：
其中f1,f2,f3,f4分别表示4个刺激图片的闪烁频率，t为从1到L的序数；
(2)分别确定最优系数向量WU和WY，使得相关系数ρ取得最大值，即：
其中上角标T表示取向量转置的操作，E[·]表示取括号中元素平均值的操作；确定4个电极的SSVEP脑电信号融合后的脑电数据X＝UTWU。
9.根据权利要求6所述的便携式脑电采集设备在SSVEP中的应用，其特征在于，步骤4)中所述的建立有限穿越可视图复杂网络，包括：
(1)针对一元序列D，设置有限穿越视距为Z；
(2)找出一元序列D中所有不相邻的两个节点和节点之间的所有节点，对所有节点中的每一个节点进行判断是否满足条件： 表示一元序列D的第a个节点，表示一元序列D的第b个节点,表示一元序列D的第d个节点，当不满足所述条件的节点数小于等于Z个，则认定在有限穿越视距为Z的有限穿越可视图复杂网络中节点和节点之间存在连边，否则认定在有限穿越视距为Z的有限穿越可视图复杂网络中节点和节点之间不存在连边；
(3)所有相邻的节点对之间都存在连边；
(4)得到有限穿越可视图复杂网络。
10.根据权利要求6所述的便携式脑电采集设备在SSVEP中的应用，其特征在于，步骤5)包括：
(1)每类特征向量选取90％作为训练样本，其余作为测试样本，设计个分类器，K取4，得到6个分类器，利用Fisher判别函数在训练样本上训练6个分类器，得到最优投影方向向量，每一个分类器的训练过程包括：
计算各类样本的均值向量mα：
其中，ωα代表类别，Nα是ωα中样本数量，x是ωα中样本；
计算样本类内离散度矩阵Sα和总类内离散度矩阵Sw：
Sw＝S1+S2，
计算该分类器的最优投影方向向量w*：
计算训练集内样本在最优投影方向向量w*上的投影点y，
y＝(w*)Tx；
(2)每一个Fisher分类器的分类过程包括：
对于输入的样本x，计算在最优投影方向向量w*上的投影点y，
y＝(w*)Tx
计算分割阈值y0：
其中，m′α为样本在投影后一维空间的均值，
确定样本类别：
y＞y0,x∈ω1
y＜y0,x∈ω2；
(3)把测试样本输入第(1)步训练后的6个分类器中进行分类，每个分类器输出一个频率值，并把该频率值下的标记数加1，统计得到标记数最多的频率值作为该样本最终的频率值。
11.一种权利要求1所述的便携式脑电采集设备在运动想象中的应用，其特征在于，包括如下步骤：
1)通过便携式脑电采集设备，开展运动想象脑电实验，获取重构后的被试者运动想象EEG脑电信号，并对运动想象EEG脑电信号进行预处理；
2)对预处理后的运动想象EEG脑电信号其中，Q为每个信号的数据长度，Xc,g表示第c个电极采集的信号中第g个数值，采用有限穿越可视图理论构建有限穿越可视图复杂网络Ac，得到大脑多层复杂网络；
3)对于每一个有限穿越可视图复杂网络Ac，分别提取网络指标数据，所述的网络指标数据包括：网络平均节点度、网络平均节点介数、网络平均聚集系数、网络全局聚集系数、网络聚集系数熵和网络平均最短路径；
4)对于任一被试者在每一个具体动作下的大脑多层复杂网络，获得所述网络指标数据，组成一维序列，通过具体动作编号为该一维序列设定标签，构建样本集，搭建初始深度卷积神经网络模型，使用样本集对初始深度卷积神经网络模型进行有监督的训练，得到能够用于运动想象EEG脑电信号有效分类、辨识的深度卷积神经网络模型及参数，其中，所述样本集中的每一个样本由各个网络指标数据组成的一维序列以及相应的标签构成；
5)被试者想象不同的具体的动作，通过便携式脑电采集设备获取运动想象EEG脑电信号并对运动想象EEG脑电信号进行预处理，通过执行步骤2)和步骤3)确定网络指标数据，组成一维序列，并输入训练得到的深度卷积神经网络模型，分类判断出运动想象EEG脑电信号对应的是何种运动想象，以分类结果为基础生成脑控指令，发送给机械外骨骼，控制机械外骨骼运动。
12.根据权利要求11所述的便携式脑电采集设备在运动想象中的应用，其特征在于，步骤1)中所述的运动想象EEG脑电信号是在被试者想象具体动作的同时，通过便携式脑电采集设备，分别获取被试者对应于P3，P4，O1，O2，C3，C4，Cz七个电极的运动想象EEG脑电信号，电极分布符合10～20国际标准导联；包括被试者分别想象四种具体动作：
动作1：通过右手写毛笔字；
动作2：通过左手端起水杯喝水；
动作3：通过右脚完成踢足球射门；
动作4：通过左脚完成连续单脚跳动。
13.根据权利要求11所述的便携式脑电采集设备在运动想象中的应用，其特征在于，步骤1)中所述的对运动想象EEG脑电信号进行预处理，是对运动想象EEG脑电信号进行带通滤波并去除伪迹，得到能够用于实现运动想象状态辨识的运动想象EEG脑电信号：
其中，Q为每个信号的数据长度，Xc,g表示第c个电极采集的信号中第g个数值。
14.根据权利要求11所述的便携式脑电采集设备在运动想象中的应用，其特征在于，步骤2)包括：
(1)对每一个电极的运动想象EEG脑电信号采用有限穿越可视图理论得到有限穿越可视图复杂网络β,γ＝1,2,...,Q；其中，
所述的建立有限穿越可视图复杂网络，包括：
(1.1)针对一元序列D，设置有限穿越视距为Z；
(1.2)找出一元序列D中所有不相邻的两个节点和节点之间的所有节点，对所有节点中的每一个节点进行判断是否满足条件： 表示一元序列D的第a个节点，表示一元序列D的第b个节点,表示一元序列D的第d个节点，当不满足所述条件的节点数小于等于Z个，则认定在有限穿越视距为Z的有限穿越可视图复杂网络中节点和节点之间存在连边，否则认定在有限穿越视距为Z的有限穿越可视图复杂网络中节点和节点之间不存在连边；
(1.3)所有相邻的节点对之间都存在连边；
(1.4)得到有限穿越可视图复杂网络。
(2)对7个电极的运动想象EEG脑电信号分别重复第(1)步，建立7个有限穿越可视图复杂网络，得到大脑多层复杂网络{A1,A2,...,A7}。
15.根据权利要求11所述的便携式脑电采集设备在运动想象中的应用，其特征在于，步骤4)所述的初始深度卷积神经网络模型依次包括：
一个数据输入层：输入数据即样本为由大脑多层复杂网络的各个网络指标数据构成的一维序列及其对应标签，所述的输入数据是具有标签信息的数据；
三个一维卷积层：卷积核数量为8，卷积核大小为1×7，激活函数是一个线型修正单元，采用Relu激活函数
一个最大池化层：池化核大小为1×4，具体过程描述为表示对当前池化核覆盖下的输入数据的元素提取最大值作为输出；
四个一维卷积层：卷积核数量为16，卷积核大小为1×7，采用Relu激活函数
一个最大池化层：池化核大小为1×4；
分类器：作为神经网络的输出层，输出分类结果，并用H个神经元表示，通过Soft max函数处理，Soft max函数本质上是归一化的指数函数，定义为其中s＝1…H，e为自然对数值，zs为第s个神经元的输出，式子中的分母充当了正则项的作用，使得
16.根据权利要求11所述的便携式脑电采集设备在运动想象中的应用，其特征在于，步骤4)所述的训练包括：
(1)将样本集中80％的数据作为训练集，用于训练初始深度卷积神经网络模型，确定初始深度卷积神经网络模型参数，20％的数据作为测试集，用于测试已经训练好的深度卷积神经网络模型的泛化能力；
(2)将网络权值、阈值取接近于0的随机值，并初始化训练所需的超参数，所述的超参数包括学习率、权值衰减、学习率衰减；
(3)通过反向传播算法对初始深度卷积神经网络模型进行训练；
(4)在训练中通过梯度下降法对网络权值进行调整，公式为 是更新前的网络权值，是更新后的网络权值，ξ是学习率，是误差对网络权值的偏导；
(5)当损失函数停止收敛或者网络训练迭代次数超过设定值M时，停止训练。
CN201810168228.XA 2018-02-28 2018-02-28 便携式脑电采集设备及其在ssvep和运动想象中的应用 Pending CN108433722A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810168228.XA CN108433722A (zh) 2018-02-28 2018-02-28 便携式脑电采集设备及其在ssvep和运动想象中的应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810168228.XA CN108433722A (zh) 2018-02-28 2018-02-28 便携式脑电采集设备及其在ssvep和运动想象中的应用

Publications (1)

Publication Number Publication Date
CN108433722A true CN108433722A (zh) 2018-08-24

Family

ID=63193058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810168228.XA Pending CN108433722A (zh) 2018-02-28 2018-02-28 便携式脑电采集设备及其在ssvep和运动想象中的应用

Country Status (1)

Country Link
CN (1) CN108433722A (zh)

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109144277A (zh) * 2018-10-19 2019-01-04 东南大学 一种基于机器学习实现脑控智能小车的构建方法
CN109165615A (zh) * 2018-08-31 2019-01-08 中国人民解放军军事科学院军事医学研究院 一种面向脑电信号的多分类器单路模式下的参数训练算法
CN109770900A (zh) * 2019-01-08 2019-05-21 中国科学院自动化研究所 基于卷积神经网络的脑机接口指令下发方法、系统、装置
CN109805923A (zh) * 2019-01-29 2019-05-28 北京京东方光电科技有限公司 可穿戴设备、信号处理方法及装置
CN110051351A (zh) * 2019-03-28 2019-07-26 深圳市宏智力科技有限公司 咬牙信号获取方法以及电子设备的控制方法及装置
CN110123313A (zh) * 2019-04-17 2019-08-16 中国科学院深圳先进技术研究院 一种自训练脑机接口系统及相关训练方法
CN110147403A (zh) * 2019-05-23 2019-08-20 中国农业科学院农业信息研究所 农业大数据融合方法、装置、设备及存储介质
CN110162182A (zh) * 2019-05-28 2019-08-23 深圳市宏智力科技有限公司 脑电控制模块装置及其控制受控设备的方法
CN110477909A (zh) * 2019-07-31 2019-11-22 同济大学 一种基于静息态脑电数据的性别分类方法
CN110534180A (zh) * 2019-08-20 2019-12-03 西安电子科技大学 深度学习人机互适应运动想象脑机接口系统和训练方法
CN110584597A (zh) * 2019-07-15 2019-12-20 天津大学 基于时空卷积神经网络的多通道脑电信号监测方法及应用
CN110584596A (zh) * 2019-07-15 2019-12-20 天津大学 基于双输入卷积神经网络的睡眠阶段分类方法及应用
CN110955330A (zh) * 2019-11-22 2020-04-03 燕山大学 基于复杂对象控制的高唤醒度的脑电意图辨析方法
CN111000557A (zh) * 2019-12-06 2020-04-14 天津大学 一种应用于减压颅骨术后的无创脑电信号分析系统
WO2020148931A1 (en) * 2019-01-17 2020-07-23 Mitsubishi Electric Corporation Brain-computer interface system, system for brain activity analysis, and method of analysis
CN111493836A (zh) * 2020-05-31 2020-08-07 天津大学 基于脑机接口和深度学习的术后急性疼痛预测系统及应用
CN111513735A (zh) * 2020-05-31 2020-08-11 天津大学 基于脑机接口和深度学习的重度抑郁症辨识系统及应用
CN111541848A (zh) * 2020-05-31 2020-08-14 天津大学 基于便携式脑电采集设备的脑控智能自动拍照系统及应用
CN111544882A (zh) * 2020-04-30 2020-08-18 天津大学 一种基于脑机接口的新型脑卒中下肢主动康复系统及应用
CN111584030A (zh) * 2020-04-30 2020-08-25 天津大学 基于深度学习和复杂网络的意念控制智能康复系统及应用
CN111616681A (zh) * 2020-05-31 2020-09-04 天津大学 基于便携式脑电采集设备和深度学习的麻醉状态监测系统
CN111616721A (zh) * 2020-05-31 2020-09-04 天津大学 基于深度学习和脑机接口的情绪识别系统及应用
CN111616682A (zh) * 2020-05-31 2020-09-04 天津大学 基于便携式脑电采集设备的癫痫发作预警系统及应用
CN111631908A (zh) * 2020-05-31 2020-09-08 天津大学 基于脑机交互与深度学习的主动式手部训练系统及方法
CN112016415A (zh) * 2020-08-14 2020-12-01 安徽大学 结合集成学习与独立分量分析的运动想象分类方法
CN115618201A (zh) * 2022-10-09 2023-01-17 湖南万脉医疗科技有限公司 一种基于压缩感知的呼吸机信号处理方法及呼吸机

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722727A (zh) * 2012-06-11 2012-10-10 杭州电子科技大学 基于脑功能网络邻接矩阵分解的脑电特征提取方法
CN103472922A (zh) * 2013-09-23 2013-12-25 北京理工大学 一种基于p300与ssvep混合式脑机接口的目的地选择系统
CN105068644A (zh) * 2015-07-24 2015-11-18 山东大学 一种基于卷积神经网络的p300脑电信号检测方法
CN105739444A (zh) * 2016-04-06 2016-07-06 济南大学 机械手多参数控制脑机接口
CN106473736A (zh) * 2016-10-11 2017-03-08 天津大学 基于复杂网络的脑电信号分析方法及应用
CN106503800A (zh) * 2016-10-11 2017-03-15 天津大学 基于复杂网络的深度学习模型及在测量信号分析中的应用
CN106510619A (zh) * 2016-10-11 2017-03-22 天津大学 基于复杂网络的心电信号分析方法及在智能穿戴上的应用
CN106821681A (zh) * 2017-02-27 2017-06-13 浙江工业大学 一种基于运动想象的上肢外骨骼控制方法及系统
CN106974640A (zh) * 2017-04-12 2017-07-25 广东工业大学 一种远程心脏监测系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722727A (zh) * 2012-06-11 2012-10-10 杭州电子科技大学 基于脑功能网络邻接矩阵分解的脑电特征提取方法
CN103472922A (zh) * 2013-09-23 2013-12-25 北京理工大学 一种基于p300与ssvep混合式脑机接口的目的地选择系统
CN105068644A (zh) * 2015-07-24 2015-11-18 山东大学 一种基于卷积神经网络的p300脑电信号检测方法
CN105739444A (zh) * 2016-04-06 2016-07-06 济南大学 机械手多参数控制脑机接口
CN106473736A (zh) * 2016-10-11 2017-03-08 天津大学 基于复杂网络的脑电信号分析方法及应用
CN106503800A (zh) * 2016-10-11 2017-03-15 天津大学 基于复杂网络的深度学习模型及在测量信号分析中的应用
CN106510619A (zh) * 2016-10-11 2017-03-22 天津大学 基于复杂网络的心电信号分析方法及在智能穿戴上的应用
CN106821681A (zh) * 2017-02-27 2017-06-13 浙江工业大学 一种基于运动想象的上肢外骨骼控制方法及系统
CN106974640A (zh) * 2017-04-12 2017-07-25 广东工业大学 一种远程心脏监测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MONICA FIR等: "On Compressed Sensing for EEG Signals - Validation with P300 Speller Paradigm", 《2016 INTERNATIONAL CONFERENCE ON COMMUNICATIONS》 *
支丹阳 等: "基于便携式脑电信号采集器的脑-机器人交互系统", 《电子测量与仪器学报》 *
王刚 等: "《矿山物联网安全感知与预警技术》", 31 October 2017, 煤炭工业出版社 *

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165615A (zh) * 2018-08-31 2019-01-08 中国人民解放军军事科学院军事医学研究院 一种面向脑电信号的多分类器单路模式下的参数训练算法
CN109144277A (zh) * 2018-10-19 2019-01-04 东南大学 一种基于机器学习实现脑控智能小车的构建方法
CN109144277B (zh) * 2018-10-19 2021-04-27 东南大学 一种基于机器学习实现脑控智能小车的构建方法
CN109770900A (zh) * 2019-01-08 2019-05-21 中国科学院自动化研究所 基于卷积神经网络的脑机接口指令下发方法、系统、装置
WO2020148931A1 (en) * 2019-01-17 2020-07-23 Mitsubishi Electric Corporation Brain-computer interface system, system for brain activity analysis, and method of analysis
CN109805923A (zh) * 2019-01-29 2019-05-28 北京京东方光电科技有限公司 可穿戴设备、信号处理方法及装置
US11717163B2 (en) 2019-01-29 2023-08-08 Beijing Boe Optoelectronics Technology Co., Ltd. Wearable device, signal processing method and device
CN110051351A (zh) * 2019-03-28 2019-07-26 深圳市宏智力科技有限公司 咬牙信号获取方法以及电子设备的控制方法及装置
CN110123313A (zh) * 2019-04-17 2019-08-16 中国科学院深圳先进技术研究院 一种自训练脑机接口系统及相关训练方法
CN110123313B (zh) * 2019-04-17 2022-02-08 中国科学院深圳先进技术研究院 一种自训练脑机接口系统及相关训练方法
CN110147403A (zh) * 2019-05-23 2019-08-20 中国农业科学院农业信息研究所 农业大数据融合方法、装置、设备及存储介质
CN110162182A (zh) * 2019-05-28 2019-08-23 深圳市宏智力科技有限公司 脑电控制模块装置及其控制受控设备的方法
CN110162182B (zh) * 2019-05-28 2022-09-06 深圳市宏智力科技有限公司 脑电控制模块装置及其控制受控设备的方法
CN110584597A (zh) * 2019-07-15 2019-12-20 天津大学 基于时空卷积神经网络的多通道脑电信号监测方法及应用
CN110584596A (zh) * 2019-07-15 2019-12-20 天津大学 基于双输入卷积神经网络的睡眠阶段分类方法及应用
CN110584596B (zh) * 2019-07-15 2022-05-27 天津大学 基于双输入卷积神经网络的睡眠阶段分类方法及应用
CN110477909A (zh) * 2019-07-31 2019-11-22 同济大学 一种基于静息态脑电数据的性别分类方法
CN110477909B (zh) * 2019-07-31 2021-11-09 同济大学 一种基于静息态脑电数据的性别分类方法
CN110534180A (zh) * 2019-08-20 2019-12-03 西安电子科技大学 深度学习人机互适应运动想象脑机接口系统和训练方法
CN110534180B (zh) * 2019-08-20 2022-06-07 西安电子科技大学 深度学习人机互适应运动想象脑机接口系统和训练方法
CN110955330A (zh) * 2019-11-22 2020-04-03 燕山大学 基于复杂对象控制的高唤醒度的脑电意图辨析方法
CN110955330B (zh) * 2019-11-22 2021-05-18 燕山大学 基于复杂对象控制的高唤醒度的脑电意图辨析方法
CN111000557A (zh) * 2019-12-06 2020-04-14 天津大学 一种应用于减压颅骨术后的无创脑电信号分析系统
CN111544882A (zh) * 2020-04-30 2020-08-18 天津大学 一种基于脑机接口的新型脑卒中下肢主动康复系统及应用
CN111584030A (zh) * 2020-04-30 2020-08-25 天津大学 基于深度学习和复杂网络的意念控制智能康复系统及应用
CN111541848A (zh) * 2020-05-31 2020-08-14 天津大学 基于便携式脑电采集设备的脑控智能自动拍照系统及应用
CN111631908A (zh) * 2020-05-31 2020-09-08 天津大学 基于脑机交互与深度学习的主动式手部训练系统及方法
CN111541848B (zh) * 2020-05-31 2021-12-17 天津大学 基于便携式脑电采集设备的脑控智能自动拍照系统及方法
CN111513735A (zh) * 2020-05-31 2020-08-11 天津大学 基于脑机接口和深度学习的重度抑郁症辨识系统及应用
CN111616721B (zh) * 2020-05-31 2022-05-27 天津大学 基于深度学习和脑机接口的情绪识别系统及应用
CN111493836A (zh) * 2020-05-31 2020-08-07 天津大学 基于脑机接口和深度学习的术后急性疼痛预测系统及应用
CN111616682A (zh) * 2020-05-31 2020-09-04 天津大学 基于便携式脑电采集设备的癫痫发作预警系统及应用
CN111616721A (zh) * 2020-05-31 2020-09-04 天津大学 基于深度学习和脑机接口的情绪识别系统及应用
CN111616681A (zh) * 2020-05-31 2020-09-04 天津大学 基于便携式脑电采集设备和深度学习的麻醉状态监测系统
CN112016415A (zh) * 2020-08-14 2020-12-01 安徽大学 结合集成学习与独立分量分析的运动想象分类方法
CN112016415B (zh) * 2020-08-14 2022-11-29 安徽大学 结合集成学习与独立分量分析的运动想象分类方法
CN115618201A (zh) * 2022-10-09 2023-01-17 湖南万脉医疗科技有限公司 一种基于压缩感知的呼吸机信号处理方法及呼吸机

Similar Documents

Publication Publication Date Title
CN108433722A (zh) 便携式脑电采集设备及其在ssvep和运动想象中的应用
CN110353702A (zh) 一种基于浅层卷积神经网络的情感识别方法及系统
CN108446020A (zh) 融合可视图与深度学习的运动想象意念控制方法及应用
CN107024987A (zh) 一种基于eeg的实时人脑注意力测试和训练系统
CN104771163A (zh) 基于csp和r-csp算法的脑电信号特征提取方法
CN107822629B (zh) 四肢表面肌电轴的检测方法
CN111584030A (zh) 基于深度学习和复杂网络的意念控制智能康复系统及应用
CN112043473B (zh) 智能假肢脑-肌电融合感知的并行嵌套与自主择优分类器
CN105769173A (zh) 一种具有心电信号去噪功能的心电监测系统
Zhao et al. Deep CNN model based on serial-parallel structure optimization for four-class motor imagery EEG classification
CN106955112A (zh) 基于量子小波神经网络模型的脑电波情绪认知方法
CN104571504B (zh) 一种基于想象动作的在线脑‑机接口方法
CN109247917A (zh) 一种空间听觉诱发p300脑电信号识别方法及装置
Shrivastwa et al. A brain–computer interface framework based on compressive sensing and deep learning
CN106667436A (zh) 一种睡眠诊断方法及系统
CN110074779A (zh) 一种脑电信号识别方法及装置
Cheng et al. A CNN-LSTM hybrid model for ankle joint motion recognition method based on sEMG
Geng et al. A fusion algorithm for EEG signal processing based on motor imagery brain-computer interface
CN109498362A (zh) 一种偏瘫患者手部运动功能康复训练装置及模型训练方法
CN111543983B (zh) 一种基于神经网络的脑电信号通道选择方法
CN110321856A (zh) 一种时频多尺度散度csp的脑机接口方法及装置
CN114159080B (zh) 上肢康复机器人运动意图识别模型训练、识别方法及装置
Bhalerao et al. Automatic detection of motor imagery EEG signals using swarm decomposition for robust BCI systems
CN108378845A (zh) 一种多功能麻醉科用麻醉深度监测装置
Han et al. A Convolutional Neural Network With Multi-scale Kernel and Feature Fusion for sEMG-based Gesture Recognition

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