CN108459714A - 基于mi和ssvep双范式的少通道异步控制脑机接口系统 - Google Patents

基于mi和ssvep双范式的少通道异步控制脑机接口系统 Download PDF

Info

Publication number
CN108459714A
CN108459714A CN201810179373.8A CN201810179373A CN108459714A CN 108459714 A CN108459714 A CN 108459714A CN 201810179373 A CN201810179373 A CN 201810179373A CN 108459714 A CN108459714 A CN 108459714A
Authority
CN
China
Prior art keywords
ssvep
signals
frequency
mode function
intrinsic mode
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
Application number
CN201810179373.8A
Other languages
English (en)
Other versions
CN108459714B (zh
Inventor
葛盛
江川
江一川
刘慧�
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201810179373.8A priority Critical patent/CN108459714B/zh
Publication of CN108459714A publication Critical patent/CN108459714A/zh
Application granted granted Critical
Publication of CN108459714B publication Critical patent/CN108459714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Neurosurgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Health & Medical Sciences (AREA)
  • Dermatology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Electrotherapy Devices (AREA)

Abstract

本发明公开了基于MI和SSVEP双范式的少通道异步控制脑机接口系统，属于认知神经科学、信息处理、自动化控制相交叉的技术领域。系统针对少通道的脑电信号的BCI系统，采用运动想象范式作为BCI系统的开关模块，采用稳态视觉诱发电位范式作为BCI多选模块，将两个模块前后串联构成异步控制BCI系统，利用多变量经验模式分解算法将少通道EEG信号分解成多个固有模态函数，基于MI的频谱分布特性，优选IMF作为特征实现MI分类，提出改进的典型相关分析方法计算IMF和各个SSVEP频率模板之间的典型相关系数，优选出最优典型相关系数实现SSVEP的分类，能够提高少通道BCI系统的控制效果和分类正确率。

Description

基于MI和SSVEP双范式的少通道异步控制脑机接口系统
技术领域
本发明公开了基于MI和SSVEP双范式的少通道异步控制脑机接口系统，尤其涉及一种前后串联运动想象和稳态视觉诱发电位两种范式构成的异步控制脑机接口系统，属于认知神经科学、信息处理、自动化控制相交叉的技术领域。
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通过大脑意识实现对外部设备的操控。BCI系统的关键是对大脑控制意识进行精确的分类，从而实现不同的控制指令。对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。目前的BCI系统脑信号的来源主要为脑电图(Electroencephalography,EEG)信号。
运动想象(Motor Imagery,MI)是非侵入式BCI系统最常用的一种范式，它是由BCI用户自行地在脑内想象自己进行某种形式的身体动作(如想象自己进行单侧上肢的屈伸动作)，在进行单侧肢体运动想象的过程中，对侧运动区会出现μ波抑制现象，即μ波(8-13Hz)频段的EEG信号的能量会降低，而同侧运动区不会出现μ波抑制现象，这种现象导致两侧运动区的EEG信号在8-13Hz频段上出现能量差异。由MI诱发产生的EEG信号以下简称为MI信号。基于运动想象的脑机接口系统最大的优点是用于控制的脑电信号通过想象产生而不依赖任何刺激提示装置，实验设计简单，用户可以完全自行控制运动想象开始的时间，能够实现异步控制。MI范式的缺点是可以分类的运动想象种类较少，选择速度较慢。
稳态视觉诱发电位(Steady-State Visual Evoked Potentials,SSVEP)是另一种常用的非侵入式BCI范式，它是大脑视觉皮层对于固定频率闪烁的视觉刺激所响应的EEG信号。SSVEP诱发范式由多个不同频率闪烁的视觉刺激(以下简称为SSVEP刺激)构成。当BCI用户注视不同的SSVEP刺激时，其视觉区采集的EEG信号会呈现出不同的频率分布特征，如当BCI用户注视某一个固定频率f闪烁的视觉刺激时，在其视觉区采集的EEG信号频谱分布中，基频f及倍频(k*f，k＝1,2...N，表示倍频数)处会出现较大能量，利用这种对应关系可以根据EEG信号中呈现的频率分布特征来反推出BCI用户注视的是何种SSVEP刺激。如果构建不同SSVEP刺激与特定意图的对应关系，按照这样的对应关系，BCI用户就可以通过选择注视特定的SSVEP刺激来实现某种特定意图的输出，从而实现BCI的功能。这样的SSVEP刺激所对应的EEG响应被称为稳态视觉诱发电位(以下简称为SSVEP信号)。SSVEP范式中，SSVEP刺激时间由计算机控制，并按照时间节点进行EEG信号分析，属于同步控制，其优点是可供分类较多，分类速度快，缺点是用户无法实现异步控制或虽然实现了异步控制但输出选项少且选择速度慢。
现有的SSVEP型BCI系统采用EEG信号，而EEG信号中存在较大的噪音。有效去除噪音可以提高BCI性能。多变量经验模态分解(Multivariate Empirical ModeDecomposition，MEMD，Rehman N.and Mandic D.P.,Multivariate empirical modedecomposition,Proc.Roy.Soc.A,2010,466(2117),1291-1302)是一种新型的自适应去噪方法，特别适用于非线性非平稳信号的去噪。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。
少通道(指低于5通道)BCI由于EEG信号通道少而含有的信息量不足，信息量不足为BCI分类造成较大困难。需要利用信息扩容的方法，从少通道EEG信号中获取尽可能多的时频域信息，为BCI特征提取和分类提供信息。MEMD作为时频域分解方法，可以较好地从单通道信号中获取多维的时频域信息，因此MEMD分解是一种理想的信息扩容方法。
在对SSVEP信号进行特征提取和分类的方法中，典型相关分析(CanonicalCorrelation Analysis,CCA)是最为有效的一种方法。CCA是利用综合变量对之间的相关关系来反映两组指标之间整体相关性的多元统计分析方法(Bin G.Y.et al.,.An onlinemulti-channel SSVEP-based brain-computer interface using a canonicalcorrelation analysis method.Journal of Neural Engineering,2009,6(4):1771-1779)，其基本原理为：为了衡量两组变量X和Y之间的相关性，在两组变量中分别提取具有代表性的多个变量，采用上述具有代表性的多个变量的线性组合构成的两个综合变量X1＝U*X和Y1＝V*Y来表征X和Y，利用综合变量X1和Y1之间的相关关系来反映X和Y之间的整体相关性，其中，U和V分别表示构造线性组合X1时X的系数矩阵和构造线性组合Y1时Y的系数矩阵。在SSVEP型BCI系统中，CCA被用来分析各个SSVEP刺激与SSVEP信号之间的相关性，并选取与SSVEP信号相关性最高的一个SSVEP刺激作为BCI的输出结果。CCA的提出极大地提高了SSVEP型BCI的分类效果，但由于CCA的输入之一是未经处理的SSVEP信号，SSVEP信号可能存在干扰；同时，CCA只是单纯地计算典型相关系数并选取最大值作为输出，算法本身并未做优化处理。上述两个缺点直接影响了CCA的分类效果。
发明内容
本发明的发明目的是针对上述背景技术的不足，提供了基于MI和SSVEP双范式的少通道异步控制脑机接口系统，通过前后串联的MI范式BCI和SSVEP范式BCI实现了多选择功能BCI系统的异步控制，解决了少通道BCI系统中MI范式的分类选项少和SSVEP范式无法实现异步控制以及少通道BCI信号质量不佳、分类正确率有待提高的技术问题。
本发明为实现上述发明目的采用如下技术方案：
基于MI和SSVEP双范式的少通道异步控制脑机接口系统，包括：
自发MI指令模块，输出用户运动想象产生的MI信号，
SSVEP刺激模块，用于诱发用户产生SSVEP信号，
脑电信号采集模块，采集用户运动想象产生的MI信号以及用户注视SSVEP刺激产生的SSVEP信号，
多变量经验模式分解分析模块，分别对MI信号以及SSVEP信号进行多变量经验模式分解得到MI信号对应的固有模态函数以及SSVEP信号对应的固有模态函数，
基于MI范式的开关模块，根据MI信号的μ波频段所对应的固有模态函数的能量差异对运动想象进行分类，以一侧运动区的分类结果作为开关的闭合状态，以另一侧运动区的分类结果作为开关的断开状态，及，
基于SSVEP范式的多选模块，从SSVEP频率模板和SSVEP信号所对应固有模态函数的多组典型相关系数中选取符合SSVEP信号所对应固有模态函数频率能量分布特性的系数矩阵，由所选系数矩阵对应的典型相关系数选择SSVEP频率模板，在所述开关处于闭合状态时输出所选SSVEP频率模板对应的SSVEP刺激作为少通道异步控制脑机接口的分类结果。
一)MI范式BCI分类的技术方案：
1)选择想象左右上肢屈伸两种运动形式作为MI的两种选项，由用户自行决定何时输出何种MI选项；
2)采用运动区C3，C4两个电极的EEG信号作为MI信号输入；
3)利用频谱分析方法获取EEG信号频谱的局部峰值，将上述局部峰值对应的频率构成一组sin波线性组合成单通道辅助信号，将该单通道辅助信号与两通道MI信号组合构成三通道原始信号；
4)将该三通道原始信号作为MEMD的输入进行多变量经验模式分解以获得多个IMF，去除单通道辅助信号对应的IMF，剩余的IMF作为MI信号所对应的IMF，在这些IMF中再去除能量较小的IMF，将剩余的IMF作为优选的IMF来表征MI信号；
5)对优选的IMF做频谱分析，将频谱范围分布在8-13Hz内的IMF用作表征MI指令特征，若C3对应的8-13Hz内的IMF的能量高于C4，判断用户进行的是左手运动想象，反之判断为右手运动想象，上述判断结果作为开关模块的输出。
二)SSVEP范式BCI分类的技术方案：
1)针对9种不同的SSVEP选项，采用3行3列分布的9个白色长方形刺激图形显示在电脑显示屏上，每个刺激图形的RGB值由相等的R,G,B值构成，其值等于每个刺激图形的RGB值变化频率为fi，相位为9个刺激图形的频率和相位值分别设置为11.4Hz(0.1π)，8Hz(1.5π)，13.6Hz(0.5π)，9.2Hz(1.7π)，12.6Hz(0.3π)，15.8Hz(0.9π)，14.6Hz(0.7π),16.8Hz(1.1π)，10.2Hz(1.9π)；
2)采用视觉区Oz单通道的EEG信号作为SSVEP信号输入；
3)对Oz单通道的EEG信号进行多变量经验模式分解，获得多个IMF，在这些IMF中再去除能量较小的IMF，将剩余的IMF作为优选的IMF来表征SSVEP信号；
4)对于9个不同的SSVEP刺激，分别根据刺激频率设置SSVEP频率模板；
5)将SSVEP信号所对应的IMF和SSVEP频率模板作为CCA的输入，计算IMF和各个SSVEP频率模板之间的典型相关系数，将IMF频谱能量分布特性模型化，将该频谱能量分布模型作为约束条件对典型相关系数所对应的IMF的系数矩阵(以下称为系数矩阵U)进行择优，选择出最符合IMF频谱能量分布特性的系数矩阵U，将其对应的最大典型相关系数作为CCA的最终输出，并作为SSVEP特征提取与分类子模块的最终输出。
三)异步控制BCI的技术方案：
1)将由MI范式构成的开关模块及SSVEP范式构成的多选模块前后串联；
2)MI范式构成的开关模块的输出控制BCI系统的闭合和断开，SSVEP范式构成的多选模块控制BCI系统从9个选项内选择1个选项，多选模块的输出在开关模块的输出为闭合的情况下作为BCI系统的输出，BCI系统在开关模块的输出为断开的情况下无输出。
本发明采用上述技术方案，具有以下有益效果：
(1)通过前后串联的MI范式BCI和SSVEP范式BCI实现了多选择功能BCI系统的异步控制，有效克服了现有少通道BCI系统中MI范式的分类选项少以及SSVEP范式无法实现异步控制或虽然实现了异步控制但输出选项少且选择速度慢的缺点。
(2)本发明利用多变量经验模式分解进行信号去噪并筛选出表征MI信号和SSVEP信号的IMF，能够提高BCI信号质量并有效提取特征，有效提高特征提取和分类能力，最终提高BCI系统的分类正确率。
附图说明
图1为本发明公开的BCI系统的信号处理流程图。
图2为本发明公开的BCI系统异步控制的示意图。
图3(a)、图3(b)为SSVEP刺激配置的示意图。
图4(a)为左手运动想象状态下MI信号的原始频谱图，图4(b)为左手运动想象MI信号所对应IMF的频谱分布图。
图5为SSVEP信号所对应IMF的时域结果。
图6为改进型CCA算法的流程图。
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。
图1为本发明所示BCI系统，该系统包括：用户自发产生MI信号输出的自发MI指令模块，用于激发用户SSVEP信号的SSVEP刺激模块，用以采集用户分别响应MI和SSVEP两种范式的脑电信号的脑电采集模块，对EEG信号进行多变量经验模态分解分析的MEMD分析模块，由MI范式构成的开关模块及SSVEP范式构成的多选模块前后串联构成的异步控制模块，异步控制模块的输出为BCI系统的输出。
图2中为本发明提出的BCI系统异步控制示意图。BCI系统由MI范式构成的开关模块及SSVEP范式构成的多选模块前后串联构成。开关模块由想象左右上肢屈伸两种运动形式作为MI的两种选项，约定其中一种对应开状态，另一种对应关状态，由BCI用户自行进行左右上肢屈伸的运动想象，实现对BCI系统的闭合和断开的控制。多选模块控制BCI系统从9个选项内选择1个选项；当开关模块的输出为闭合的情况下，多选模块的输出作为BCI系统的输出；当开关模块的输出为断开的情况下，则BCI系统无输出。
图3(a)、图3(b)为SSVEP刺激配置的示意图。本发明采用3行3列共9个白色矩形的SSVEP刺激(图3(a))。在显示器上按3行3列的矩阵形式从左向右，从上向下分别显示的刺激的频率和相位为：9.2/6.59，7.4/4.71，10.4/7.85，8.0/5.34，9.8/7.22，11.6/9.11，11.0/8.48，12.2/9.73，8.6/5.97(Hz/度)(图3(b))。空间上相邻的SSVEP刺激的频率按照差别最大化的方式设置。SSVEP刺激的灰度按照上述频率和相位构成的sin波函数随时间改变。
本发明遵照10-20国际电极配置法安放EEG电极，选用运动区C3和C4两通道采集MI信号，选用视觉区Oz单通道采集SSVEP信号，采样频率为1000Hz，带通滤波范围是6～35Hz。
将EEG信号利用MEMD分解获得多个IMF，对这些IMF去除幅值过小的IMF，将剩余的IMF作为优选的IMF来表征EEG信号特征。
图4显示的是对左手运动想象MI信号进行MEMD分解获取各个IMF的频域分布图。图4(a)为对于左手运动想象状态下C3和C4电极的EEG信号的原始频谱图。图4(b)为C3和C4电极EEG信号经过MEMD分解得到的IMF的频谱分布图。IMF编号按频率从高到低排序，即IMF1对应最高频段，IMF2对应中频，IMF3对应低频。可以观察到C3的IMF2在8-13Hz频段的能量高于C4对应的IMF2。利用C3和C4对应的8-13Hz内的IMF的能量差异对左右手运动想象进行分类，作为MI特征提取和分类子模块的输出。
图5显示的是对SSVEP信号进行MEMD分解获取各个IMF的时域分布图。IMF编号按频率从高到低排序，即IMF1对应最高频段，IMF2对应次高频。将IMF按照振幅大小顺序排列结果如图所示。各个IMF对应的频段不同。代表不同频段的IMF所具有的能量幅值也各不相同。由IMF的幅值大小，可知各个IMF在SSVEP信号中的能量占比各不相同，即能量幅值大的IMF在SSVEP信号中占比大。按照图5中所示，通过去除振幅较小的IMF(IMF7,8,5,6,9)可以实现去噪的功能。将剩余的IMF2,1,3,4作为表征EEG信号特征的优选的IMF。
图6是SSVEP信号基于图5处理后得到的优选的IMF和SSVEP频率模板之间进行改进型CCA算法的流程图。分别以SSVEP刺激的频率的基频fi及一倍频2*fi的sin和cos函数，即sin(2π*fi)，cos(2π*fi)，sin(2π*2fi)，cos(2π*2fi)作为SSVEP频率模板，9个SSVEP刺激对应9组SSVEP频率模板。将SSVEP信号所对应的IMF分别与该9组SSVEP频率模板分别做CCA分析，获取9组典型相关系数。如背景技术中所述，对于由CCA计算获得的典型相关系数，可以获得对应的系数矩阵(图6中U)。系数矩阵U中各个元素的绝对值反映对应IMF在SSVEP信号中的能量占比。将9组典型相关系数按大小顺序排列，对于大于预先设定阈值(如T＝0.8,0≤T≤1)的各个典型相关系数，计算对应的IMF频带能量幅值与IMF对应系数矩阵U之间的Spearman秩相关系数，选择最大秩相关系数所对应的系数矩阵，选取秩相关分析确定的系数矩阵所对应的典型相关系数，该典型相关系数对应一组SSVEP频率模板，将该SSVEP频率模板对应的SSVEP刺激作为SSVEP特征提取和分类子模块的输出。

Claims (6)

1.基于MI和SSVEP双范式的少通道异步控制脑机接口系统，其特征在于，包括：
自发MI指令模块，输出用户运动想象产生的MI信号，
SSVEP刺激模块，用于诱发用户产生SSVEP信号，
脑电信号采集模块，采集用户运动想象产生的MI信号以及用户注视SSVEP刺激产生的SSVEP信号，
多变量经验模式分解分析模块，分别对MI信号以及SSVEP信号进行多变量经验模式分解得到MI信号对应的固有模态函数以及SSVEP信号对应的固有模态函数，
基于MI范式的开关模块，根据MI信号的μ波频段所对应的固有模态函数的能量差异对运动想象进行分类，以一侧运动区的分类结果作为开关的闭合状态，以另一侧运动区的分类结果作为开关的断开状态，及，
基于SSVEP范式的多选模块，从SSVEP频率模板和SSVEP信号所对应固有模态函数的多组典型相关系数中选取符合SSVEP信号所对应固有模态函数频率能量分布特性的系数矩阵，由所选系数矩阵对应的典型相关系数选择SSVEP频率模板，在所述开关处于闭合状态时输出所选SSVEP频率模板对应的SSVEP刺激作为少通道异步控制脑机接口的分类结果。
2.根据权利要求1所述基于MI和SSVEP双范式的少通道异步控制脑机接口系统，其特征在于，根据MI信号的μ波频段所对应的固有模态函数的能量差异对运动想象进行分类通过少通道脑机接口EEG信号的特征提取方法实现，具体为：构建单通道辅助信号，对单通道辅助信号和MI信号构成的多通道合成信号进行多变量经验模式分解得到多通道合成信号对应的固有模态函数，去除单通道辅助信号对应的固有模态函数得到用于表征MI信号的优选固有模态函数，根据μ波频段内优选固有模态函数的能量差异对运动想象进行分类。
3.根据权利要求2所述基于MI和SSVEP双范式的少通道异步控制脑机接口系统，其特征在于，去除单通道辅助信号对应的固有模态函数后，再去除能量较小的固有模态函数得到用于表征MI信号的优选固有模态函数。
4.根据权利要求1所述基于MI和SSVEP双范式的少通道异步控制脑机接口系统，其特征在于，从SSVEP频率模板和SSVEP信号所对应固有模态函数的多组典型相关系数中选取符合SSVEP信号所对应固有模态函数频率能量分布特性的系数矩阵通过改进型典型相关分析法实现，具体为：对SSVEP信号所对应固有模态函数的频带能量幅值以及SSVEP信号所对应固有模态函数的系数矩阵进行Spearman秩相关系数分析，选择最大秩相关系数所对应的系数矩阵。
5.根据权利要求4所述基于MI和SSVEP双范式的少通道异步控制脑机接口系统，其特征在于，所述SSVEP频率模板由各SSVEP刺激闪烁频率的sin和cos函数及一倍频的sin和cos函数组成。
6.根据权利要求1所述基于MI和SSVEP双范式的少通道异步控制脑机接口系统，其特征在于，所述SSVEP刺激模块采用3行3列分布的9个白色长方形刺激图形显示在电脑显示屏上，每个刺激图形的RGB值由相等的R、G、B值构成，R、G、B的值等于fi为第i个刺激图形的闪烁频率，为第i个刺激图形的相位，9个刺激图形的闪烁频率和相位值分别设为：11.4Hz(0.1π)，8Hz(1.5π)，13.6Hz(0.5π)，9.2Hz(1.7π)，12.6Hz(0.3π)，15.8Hz(0.9π)，14.6Hz(0.7π),16.8Hz(1.1π)，10.2Hz(1.9π)。
CN201810179373.8A 2018-03-05 2018-03-05 基于mi和ssvep双范式的少通道异步控制脑机接口系统 Active CN108459714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810179373.8A CN108459714B (zh) 2018-03-05 2018-03-05 基于mi和ssvep双范式的少通道异步控制脑机接口系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810179373.8A CN108459714B (zh) 2018-03-05 2018-03-05 基于mi和ssvep双范式的少通道异步控制脑机接口系统

Publications (2)

Publication Number Publication Date
CN108459714A true CN108459714A (zh) 2018-08-28
CN108459714B CN108459714B (zh) 2021-06-01

Family

ID=63217125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810179373.8A Active CN108459714B (zh) 2018-03-05 2018-03-05 基于mi和ssvep双范式的少通道异步控制脑机接口系统

Country Status (1)

Country Link
CN (1) CN108459714B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852307A (zh) * 2019-11-26 2020-02-28 中国科学院上海高等研究院 基于脑电信号的脑机接口的检测方法、系统、介质及设备
CN110974221A (zh) * 2019-12-20 2020-04-10 北京脑陆科技有限公司 一种基于混合函数相关向量机的混合脑机接口系统
CN113662564A (zh) * 2021-09-24 2021-11-19 电子科技大学 一种基于本征模函数相干分析的事件诱发电位提取装置
CN113935380A (zh) * 2021-10-22 2022-01-14 北京理工大学 一种基于模板匹配的自适应运动想象脑机接口方法与系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
UA21703U (en) * 2006-12-18 2007-03-15 Univ Odesa State Medical Method for predicting course of obstructive bronchitis in children
US20120249614A1 (en) * 2011-03-30 2012-10-04 National Central University Visual drive control method and apparatus with multi phase encoding
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
US20150126845A1 (en) * 2013-11-05 2015-05-07 The Research Foundation For The State University Of New York Wearable head-mounted, glass-style computing devices with eog acquisition and analysis for human-computer interfaces
CN105342605A (zh) * 2015-12-09 2016-02-24 西安交通大学 一种去除脑电信号中肌电伪迹的方法
WO2016086289A1 (en) * 2014-12-01 2016-06-09 Quikflo Technologies Inc. Decision support tool for stroke patients
CN106805945A (zh) * 2017-01-22 2017-06-09 合肥工业大学 一种少数通道的脑电信号中肌电伪迹的消除方法
CN107483992A (zh) * 2017-07-11 2017-12-15 昆明理工大学 一种基于ssvep和运动想象的智能电视遥控方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
UA21703U (en) * 2006-12-18 2007-03-15 Univ Odesa State Medical Method for predicting course of obstructive bronchitis in children
US20120249614A1 (en) * 2011-03-30 2012-10-04 National Central University Visual drive control method and apparatus with multi phase encoding
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
US20150126845A1 (en) * 2013-11-05 2015-05-07 The Research Foundation For The State University Of New York Wearable head-mounted, glass-style computing devices with eog acquisition and analysis for human-computer interfaces
WO2016086289A1 (en) * 2014-12-01 2016-06-09 Quikflo Technologies Inc. Decision support tool for stroke patients
CN105342605A (zh) * 2015-12-09 2016-02-24 西安交通大学 一种去除脑电信号中肌电伪迹的方法
CN106805945A (zh) * 2017-01-22 2017-06-09 合肥工业大学 一种少数通道的脑电信号中肌电伪迹的消除方法
CN107483992A (zh) * 2017-07-11 2017-12-15 昆明理工大学 一种基于ssvep和运动想象的智能电视遥控方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHUANG LIANG等: "Classification of Motor Imagery Tasks Using Phase Synchronization Analysis of EEG Based on Multivariate Empirical Mode Decomposition", 《2014 4TH IEEE INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND TECHNOLOGY》 *
郭衍龙: "基于运动想象与稳态视觉诱发电位的混合脑机接口系统研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852307A (zh) * 2019-11-26 2020-02-28 中国科学院上海高等研究院 基于脑电信号的脑机接口的检测方法、系统、介质及设备
CN110852307B (zh) * 2019-11-26 2022-07-05 中国科学院上海高等研究院 基于脑电信号的脑机接口的检测方法、系统、介质及设备
CN110974221A (zh) * 2019-12-20 2020-04-10 北京脑陆科技有限公司 一种基于混合函数相关向量机的混合脑机接口系统
CN113662564A (zh) * 2021-09-24 2021-11-19 电子科技大学 一种基于本征模函数相干分析的事件诱发电位提取装置
CN113935380A (zh) * 2021-10-22 2022-01-14 北京理工大学 一种基于模板匹配的自适应运动想象脑机接口方法与系统
CN113935380B (zh) * 2021-10-22 2022-05-31 北京理工大学 一种基于模板匹配的自适应运动想象脑机接口方法与系统

Also Published As

Publication number Publication date
CN108459714B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN108459714A (zh) 基于mi和ssvep双范式的少通道异步控制脑机接口系统
CN104091172B (zh) 一种运动想象脑电信号的特征提取方法
Yu et al. Enhanced motor imagery training using a hybrid BCI with feedback
CN102319067B (zh) 用于大脑记忆功能改善的基于脑电信号的神经反馈训练仪
Liu et al. A tensor-based scheme for stroke patients’ motor imagery EEG analysis in BCI-FES rehabilitation training
CN107024987A (zh) 一种基于eeg的实时人脑注意力测试和训练系统
CN105022486B (zh) 基于不同表情驱动的脑电信号辨识方法
CN103699216B (zh) 一种基于运动想象和视觉注意混合脑机接口的电子邮件通信系统及方法
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
Xu et al. High accuracy classification of EEG signal
Thomas et al. Adaptive tracking of discriminative frequency components in electroencephalograms for a robust brain–computer interface
CN106362287A (zh) 一种新型mi‑sssep混合脑‑机接口方法及系统
CN108280414A (zh) 一种基于能量特征的运动想象脑电信号的识别方法
Zhao et al. Deep CNN model based on serial-parallel structure optimization for four-class motor imagery EEG classification
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
CN106951064A (zh) 引入对象连续动作的稳态视觉诱发范式设计及辨识方法
CN109858537A (zh) 改进的eemd与csp结合的脑电信号特征提取方法
Ko et al. Enhancing the hybrid BCI performance with the common frequency pattern in dual-channel EEG
Ji et al. EEG classification for hybrid brain-computer interface using a tensor based multiclass multimodal analysis scheme
CN108042132A (zh) 基于dwt和emd融合csp的脑电特征提取方法
CN115640827B (zh) 对电刺激数据处理的智能闭环反馈网络方法及系统
CN104571505A (zh) 一种基于序列性复合肢体想象动作的脑-机接口方法
CN108364062A (zh) 基于memd的深度学习模型构建方法及在运动想象中的应用
CN107957780A (zh) 一种基于稳态视觉诱发电位生理特性的脑机接口系统
CN106073767B (zh) Eeg信号的相位同步度量、耦合特征提取及信号识别方法

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