CN108681391A - 一种基于多模式的脑电信号虚拟键盘设计方法 - Google Patents

一种基于多模式的脑电信号虚拟键盘设计方法 Download PDF

Info

Publication number
CN108681391A
CN108681391A CN201810224081.1A CN201810224081A CN108681391A CN 108681391 A CN108681391 A CN 108681391A CN 201810224081 A CN201810224081 A CN 201810224081A CN 108681391 A CN108681391 A CN 108681391A
Authority
CN
China
Prior art keywords
frequency
ssvep
eeg signals
time
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.)
Pending
Application number
CN201810224081.1A
Other languages
English (en)
Inventor
徐欣
丁锐
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.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication 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 Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201810224081.1A priority Critical patent/CN108681391A/zh
Publication of CN108681391A publication Critical patent/CN108681391A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F3/02—Input arrangements using manually operated switches, e.g. using keyboards or dials
    • G06F3/0202—Constructional details or processes of manufacture of the input device
    • G06F3/0219—Special purpose keyboards
    • 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
    • G06F3/02—Input arrangements using manually operated switches, e.g. using keyboards or dials
    • G06F3/023—Arrangements for converting discrete items of information into a coded form, e.g. arrangements for interpreting keyboard generated codes as alphanumeric codes, operand codes or instruction codes
    • G06F3/0233—Character input methods

Landscapes

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

Abstract

本发明公开了一种基于多模式的脑电信号虚拟键盘设计方法,该方法事件相关电位(ERP)是一种特殊的脑诱发电位，反映了认知过程中大脑的神经电生理的变化。SSVEP是大脑对以一定频率(大于6Hz)调制的外部视觉刺激的周期性响应，该范式下大脑视觉皮层的EEG会在刺激频率及其谐波出现明显的峰值特征。各脑区的ERP早期成分N1，P2在潜伏期与振幅有明显不同，并且在头皮分布也存在差异。而SSVEP可以通过典型相关分析方法CCA，提取出12Hz，15Hz，18Hz，20Hz的频谱特征，因此，ERP早期成分N1，P2可以作为虚拟键盘的行坐标，SSVEP对应的频谱特征可以作为虚拟键盘的列坐标，大大增加基于脑电信号的虚拟键盘的精确率。

Description

一种基于多模式的脑电信号虚拟键盘设计方法
技术领域
本发明属于认知神经科学和信息技术领域技术的结合，具体涉及数字信号处理技术领域，尤其涉及一种基于多模式的脑电信号虚拟键盘设计方法。
背景技术
脑-机接口(Brain-Computer Interface，BCI)是一种不依赖于大脑外周神经与肌肉组成的正常输出通路的脑-机通讯系统，是一种新型的人机交互系统，它在人体与计算机之间建立连接，利用从人脑采集到的脑电信号控制计算机或者其他外部电子设备从而实现人机交互。基于脑-机接口的虚拟键盘设计的研究使得大脑与外界人机交互成为可能，在医学、智能控制和军事等领域都有着广泛的潜在应用。
随着现代电子科技的发展，计算机、手机等电子设备已经成为人们的生活和工作中不可缺少的工具，其中电子设备的拼写器应用研究时脑-机接口系统中一个热门方向。鼠标和键盘是计算机必备的控制配件，现今很多实现拼写器和光标控制脑-机接口系统的功能单一，如今能实现拼写器或者光标任务，且不能很好地和普通计算机结合，需要开发相应的特殊应用才能供用户使用，增加了脑-机接口系统的研发成本，限制了脑-机接口应用的推广。而且现有的脑-机接口系统大都只是基于单模式脑电特征系统能实现的功能有限，限制了脑-机接口系统的应用。多模式的脑-机接口技术能大大提高现有脑-机接口系统发的性能，提供更丰富的控制信号，但同时这也为BCI的研究带来了新的挑战，比如多模式脑-机接口系统的刺激范式的设计，多模式脑电信号的特征提取与识别分类等。这些方法的研究成果将促进脑-机接口技术的发展，为BCI走向使用话打下坚实的理论基础。
本发明研究了一种基于多模式的脑电信号虚拟键盘设计方法，使脑-机接口系统应用多元化，研究实时脑电特征提取和模式识别方法，提高脑-机接口性能，降低系统的差错率，结合相关软件模块设计，通过离线分析头皮上采集的脑电数据解码人的主观意愿，获取大脑对外界刺激的脑电信号，转而为外部设备的驱动信号，实现输入字符，乃至为以后更加高级的脑-机接口系统做了极大的推动。
发明内容
针对现有的脑-机接口系统对人工智能的需要，本发明使用基于颜色刺激的ERP信号作为行信息，SSVEP作为列信息的一种虚拟键盘设计。通过ERP早期成分N1，P2振幅以及潜伏期的特性判断当前人脑对视觉刺激源做出的反应，而对于SSVEP信号，使用同步短时傅里叶变换得到相应的特征频率，并进行CCA算法分类，确定被试者注视的列信息，从而实现了行列信息的精准定位，实现了一种人工智能化的虚拟键盘，并探究了此种模型的使用价值以及发展意义。
为了实现上述目的，本发明采用如下的技术方案：
一种基于颜色刺激的ERP与SSVEP相结合的虚拟键盘设计研究方法，包括如下步骤：
(1)设计基于颜色刺激的ERP实验和SSVEP的视觉刺激实验
(2)脑电信号采集，采用脑电信号设备采集原始的脑电信号；
(3)脑电信号的预处理，对步骤1采集到的脑电信号进行预处理，以减少眼电和肌电的干扰，提高分类识别率。预处理主要包括截取视觉刺激的ERP信号和SSVEP信号的有效数据，降低采样频率，去除基线数据；
(4)对预处理后的ERP信号进行叠加平均，分析ERP早期成分N1，P2的振幅和潜伏期，确定行信息；
(5)对预处理后的SSVEP进行短时傅里叶变换，提取瞬时频谱特征，通过CCA算法进行分类，从而确立列信息；
(6)根据行列信息，确立虚拟键盘的分类模型；并用测试数据进行准确率的检测；
本发明进行的改进在于：步骤(1)利用E-prime软件编写ERP的颜色视觉刺激实验，并记录按键信息，保证脑电信号与按键一一对应的关系；利用Visual Studio 2013软件编写SSVEP的视觉刺激实验，实现四种不同频率闪烁的数字，在每组实验中，电脑显示上闪现48张图片，每12张图片会出现2张有色的图片，被试者通过图片的颜色按下相应的按键，计算机同时记录被试者的反应时间和反应正确率；
本发明进行的改进在于：步骤(2)大脑头皮电极的安置采用国际脑电图学会标定的10-20电极导联定位标准，用双耳垂接法，注射导电膏以增强电极的导电性。实验中通过脑电信号设备对脑电信号进行实时采集，并通过放大器进行放大，模数转换，输出到计算机中；
本发明进一步的改进在于：步骤(3)中的预处理是利用Matlab软件中的EEGLAB软件包对原始脑电进行相关预处理，原始脑电含有大量噪声和伪迹干扰，通过低通滤波器滤除工频干扰，并去除基线漂移；
本发明进一步的改进在于：步骤(4)中的处理方法是：利用SPSS22.0中分析4组不同颜色视觉刺激下，被试者的反应时间和反应正确率，对其叠加并取平均。
本发明进一步的改进在于：步骤(5)中的处理方法是：ERP的电极位置在F3、Fz、F4、C3、Cz、C4、P3、Pz、P4，而SSVEP提取特征频谱的电极在O1、Oz、O2枕区的位置，行列信息互不干扰，通过不同的分类方法，确定行列对应的脑电信号。
本发明进一步的改进在于：步骤(6)中的处理方法是：利用现有的数据对建立的模型进行检验，确定准确率。
有益效果
与现有技术相比，本发明具有以下优点：
第一：现有的脑-机接口系统大都只是基于单模式的脑电特征，系统能实现的功能非常有限，从而限制了脑-机接口系统，采用基于多模式即基于颜色刺激的ERP与SSVEP相结合的虚拟键盘设计，大大提高了虚拟键盘的性能，为脑-机接口提供了新的方向。
第二：本发明在特征提取方面，引入了短时傅里叶变换，相比于以往简单点的频谱变换，克服了效率上的实时性差的问题，提取的特征向量有较好的分类识别结果。同时引入了相位信息，可以直观的看出SSVEP信号的相位变换。
附图说明
图1为ERP与SSVEP脑电采集和分析的整体框架图。
图2为脑电信号的通道导联示意图。
图3为不同颜色视觉刺激变换样式图。
图4为SSVEP实验设计图。
图5为被试者视觉刺激的变换趋势；(a)基于颜色刺激的ERP脑电信号EEG；(b)SSVEP视觉刺激的脑电信号EEG。
图6为预处理前后脑电信号波形图；(a)原始数据；预处理后的数据(b)。
图7为各通道的ERP早期成分的变化趋势。
图8为各通道ERP早期成分N1，P2的变化示意图。
图9为SSVEP具体分类的情况图。
具体实施方式
为使本发明的目的，技术方案和优点更加清楚，下面将结合附图对本发明实施方案作进一步详细阐述。
如图1所示：该图为本实验的整体方案，实验设计部分使用的是经典心理学实验Oddball模式，使用E-Prime软件设计4组不同颜色的视觉刺激实验，运行在计算机上。实验过程中，被使者分别进行5次实验，软件通过按键反馈记录被试者反应时间和反应正确率，在每个实验过程中，记录被试的ERP脑电信号。脑电信号设备采集整个过程中的脑电信号用于后续分析。实验数据分析部分：ERP早期成分N1、P2，使用SPSS进行叠加平均，原始脑电信号输入到Matlab软件中，使用EEGLAB工具包处理；先进行低通滤波去基线漂移，在使用独立分量分析算法去除相关眼电伪迹；预处理后的ERP脑电信号和SSVEP信号分别进行叠加平均和短时傅里叶变换分析，研究分析了不同颜色的视觉刺激和不同频率的视觉刺激的脑电变化趋势。
如图2所示：该图为大脑头皮电位放置方法。本发明采用国际脑电图学会标定的10-20电极导联定位标准，用双耳垂接法，注射导电膏以增强电极的导电性，选择不同脑区的F3、Fz、F4、C3、Cz、C4、P3、Pz、P4、O1、Oz、O2，12个通道放置电极，以采集不同脑区电信号，通道M1，M2当做参考电极。
如图3所示：不同颜色的视觉刺激实验，每次实验有48张图片，12张图片为一组实验，12张图片有2张有颜色的图片，其余的均为白色。出现的有色图片依次为红、绿、蓝、黄。实验实施过程中，被试者根据显示的图片颜色来按下相应的按键，每张图片中间有800ms的休息时间，刺激图片持续时间为1000ms，要求被使者在视觉收到刺激后，才可按键。
如图4所示：为不同频率进行闪烁的SSVEP实验，实验通过Visual Stdio 2013软件进行编写，每轮实验中受试者需要依次注视以12Hz、15Hz、18Hz，20Hz频率闪烁的目标，实验开始刺激源闪烁，闪烁时间10s，随后休息2s，再进行下一轮闪烁，而窗口化的设计，让实验时能够更好的采集相应的SSVEP脑电信号。
如图5所示：脑电信号采集设备采集到的脑电信号需要使用Matlab中EEGLAB工具包进行相关特征分析。图中为EEGLAB里的脑电信号显示波形。
如图6所示：图中为EEGLAB里的脑电信号显示波形。该图中(a)图形为未处理的原始脑电信号，可看到有明显的基线漂移现象，(b)图为使用了低通滤波器(0-0.5HZ)滤波后的脑电信号波形，可看出，基线漂移现象得到去除，波形得到了很好的线性矫正。去除基线漂移的脑电信号还需用独立分量分析算法来去除相应的眼电伪迹以及EMG等噪声信号，从而获得较好的脑电信号。
如图7，8所示：由于作为ERP背景的EEG波形与刺激间无固定的关系，而其中所含有的ERP波形在每次刺激后是相同的，且ERP波形与刺激间的时间间隔(潜伏期)也是固定的，经过叠加平均之后，ERP的波形效果更加精准。事件相关电位ERP属于长潜伏期诱发电位，测试时一般要求被试者清醒，并在一定程度上参与其中。ERP的早期成分N1，P2在视觉刺激后它的振幅和潜伏期有明显的区别，通过对N1，P2数据的叠加平均，观察振幅以及潜伏期的区别。
由图可知：基于红色颜色刺激的ERP早期成分N1振幅明显增大，P2振幅减小，潜伏期明显缩短；基于绿色颜色刺激的ERP早期成分N1振幅明显减小，P2振幅明显增大，潜伏期明显减小；基于蓝色颜色刺激的ERP早期成分N1，P2振幅明显增大，潜伏期增大；基于黄色颜色刺激的ERP早期成分N1，P2振幅减小，潜伏期明显减小；
如图9所示：SSVEP是大脑对以一定频率(大于6Hz)调制的外部视觉刺激的周期性响应，该范式下大脑视觉皮层的EEG会在刺激频率及其谐波出现明显的峰值特征。对SSVEP信号进行特征频率的提取，具体步骤为：
SSVEP范式下EEG可以表示为一系列不同频率的谐波之和s(t)＝∑Ai(t)cosφi(t)+η(t)式中：Ai(t)和φi(t)分别表示第i个谐波成分的瞬时振幅和瞬时相位；η(t)表示噪音或干扰。瞬时频率定义为瞬时相位的导数
1)对信号s(t)进行短时傅里叶变换
式中：g(u)为窗函数，为窗函数的傅里叶变换。
2)计算本征瞬时频率。虽然实际得到的短时傅里叶变换的时频平面Gs(w,t)能量沿脊线方向存在发散现象，时频谱模糊，但是Gs(w,t)不受时间窗长的影响，因此可利用Gs(w,t)的相位来计算本征瞬时频率VG(w,t)。当Gs(w,t)不为0时，根据式(2)、式(3)可以推导出初步时频平面内每一个时频点的本征瞬时频率
其中
因此在实际计算过程中，偏导数可由窗函数对时间偏导数的短时傅里叶得到，同时为避免|Gs(w,t)|≈0时计算误差过大，需要引入一个阈值γ＞0，如下式
3)利用计算得到的本征瞬时频率，通过以下映射(t,w)→(t,VG(w,t))，在时频平面内对初步的时频分布沿频率方向进行重新分配，即同步压缩，从而得到更加理想的时频分布。时频重排可表示为
式中：δ(t)为单位脉冲函数；Cg是与函数有关的参数Cg＝πg(0)
4)对信号进行重构。在对时频平面进行时频重排以后，可以得到频率曲线更加集中的时频表达。由于同步压缩变换是对短时傅里叶变换的复数谱仅沿频率方向进行重新分布，因此该过程是可逆的，可提取SSVEP特征频率附近信号进行重构，重构过程如下
式中：wi为SSVEP特征频率；Δw为提取频率范围。
由图可知：脑电信号会在刺激频率12Hz、15Hz、18Hz，20Hz及其谐波出现明显的峰值特征。

Claims (8)

1.一种基于多模式的脑电信号虚拟键盘设计方法，其特征在于，包括以下步骤：
(1)脑电信号采集，利用脑电信号采集设备；
(2)各脑区的头皮电极放置：利用置于大脑头皮的各部位来采集相应脑区的脑电信号，并对其进行放大，模数转换，以数字信号存储在计算机中；
(3)脑电信号数据的预处理；
(4)受试者在视觉刺激实验中完成相应的按键操作，记录在不同颜色刺激状态下，受试者的脑电信号，以及主观数据和行为数据；
(5)对预处理后的ERP脑电信号进行叠加平均并分析ERP早期N1，P2成分的振幅以及潜伏期；
(6)对预处理后的SSVEP脑电信号进行同步短时傅里叶变换方法提取特征频率信号；
(7)利用CCA算法进行分类识别，分析分类识别后的数据；
(8)根据ERP信号的行信息和SSVEP的列信息，确定行和列，从而建立相应的模型，实现了高精确率的虚拟键盘设计。
2.根据权利要求1所述的方法，其特征在于，步骤(2)各脑区头皮电极的具体放置方法是：采用国际脑电图学会标定的10-20电极导联定位标准，用双耳垂接法，记录导联F3、Fz、F4、C3、Cz、C4、P3、Pz、P4、O1、Oz、O2，其中参考电极选取M1、M2,采样频率为512Hz，各通道导联阻抗均小于5KΩ；使用脑电信号采集设备并进行放大和模数转换，再输入到计算机中。
3.根据权利要求1所述的方法，其特征在于，步骤(3)中的数据分析具体方法是：对采集的原始脑电信号进行低通滤波去除基线漂移，线性矫正，独立分量分析去除眼电伪迹。
4.根据权利要求1所述的方法，其特征在于，步骤(4)中的颜色视觉刺激实验设计策略是：使用E-Prime软件设计四种不同颜色的视觉刺激实验。
5.根据权利要求1所述的方法，其特征在于，步骤(5)将每次视觉刺激产生的含有ERP的脑电信号加以叠加与平均。
6.根据权利要求1所述的方法，其特征在于，步骤(6)SSVEP实验设计策略是：使用Visual Studio 2013软件设计一个SSVEP视觉刺激实验，采集脑电信号，并对其脑电信号进行分析，其中同步压缩短时傅里叶的具体算法如下：
SSVEP范式下EEG表示为一系列不同频率的谐波之和
s(t)＝∑Ai(t)cosφi(t)+η(t)
式中：Ai(t)和φi(t)分别表示第i个谐波成分的瞬时振幅和瞬时相位；η(t)表示噪音或干扰；瞬时频率定义为瞬时相位的导数
6-1)对信号s(t)进行短时傅里叶变换
式中：g(u)为窗函数，为窗函数的傅里叶变换；
6-2)计算本征瞬时频率，虽然实际得到的短时傅里叶变换的时频平面Gs(w,t)能量沿脊线方向存在发散现象，时频谱模糊，但是Gs(w,t)不受时间窗长的影响，因此利用Gs(w,t)的相位来计算本征瞬时频率VG(w,t)；当Gs(w,t)不为0时，根据式(2)、式(3)推导出初步时频平面内每一个时频点的本征瞬时频率
其中
因此在计算过程中，偏导数由窗函数对时间偏导数的短时傅里叶得到，同时为避免|Gs(w,t)|≈0时计算误差过大，需要引入一个阈值γ＞0，如下式
6-3)利用计算得到的本征瞬时频率，通过以下映射(t,w)→(t,VG(w,t))，在时频平面内对初步的时频分布沿频率方向进行重新分配，即同步压缩，从而得到更加理想的时频分布；时频重排可表示为
式中：δ(t)为单位脉冲函数；Cg是与函数有关的参数Cg＝πg(0)
6-4)对信号进行重构,在对时频平面进行时频重排以后，得到频率曲线更加集中的时频表达；由于同步压缩变换是对短时傅里叶变换的复数谱仅沿频率方向进行重新分布，因此该过程是可逆的，提取SSVEP特征频率附近信号进行重构，重构过程如下
式中：wi为SSVEP特征频率；Δw为提取频率范围。
7.根据权利要求1所述的方法，其特征在于，步骤(7)CCA分类算法如下：
首先定义多通道脑电信号矩阵X∈RS*N，其中S代表通道数，N代表每个通道的数据点数；定义不同刺激频率下的参数信号
式中：fm为SSVEP刺激频率；Fs为采样频率；Nh为fm的谐波个数；CCA通过寻找一对系数矩阵w和v，来最大化线性组合变量x＝XΤw和之间的相关系数由上式得到X和Ym间的最大相关系数ρm，将max(ρm)对应参考信号频率视为SSVEP响应频率。
8.根据权利要求1所述的方法，其特征在于，步骤(8)中结合了基于颜色刺激ERP信号和SSVEP的瞬时特征频谱，然后进行相应的分类操作，确定了行列信息。
CN201810224081.1A 2018-03-19 2018-03-19 一种基于多模式的脑电信号虚拟键盘设计方法 Pending CN108681391A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810224081.1A CN108681391A (zh) 2018-03-19 2018-03-19 一种基于多模式的脑电信号虚拟键盘设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810224081.1A CN108681391A (zh) 2018-03-19 2018-03-19 一种基于多模式的脑电信号虚拟键盘设计方法

Publications (1)

Publication Number Publication Date
CN108681391A true CN108681391A (zh) 2018-10-19

Family

ID=63799413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810224081.1A Pending CN108681391A (zh) 2018-03-19 2018-03-19 一种基于多模式的脑电信号虚拟键盘设计方法

Country Status (1)

Country Link
CN (1) CN108681391A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109471530A (zh) * 2018-10-22 2019-03-15 吉林大学 基于稳态视觉诱发电位和运动想象的脑控输入法
CN109814720A (zh) * 2019-02-02 2019-05-28 京东方科技集团股份有限公司 一种设备的脑控方法及系统
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
CN110688013A (zh) * 2019-10-11 2020-01-14 南京邮电大学 一种基于ssvep的英文键盘拼写系统及拼写方法
CN112244774A (zh) * 2020-10-19 2021-01-22 西安臻泰智能科技有限公司 脑机接口康复训练系统及方法
CN112401907A (zh) * 2020-11-18 2021-02-26 江苏海洋大学 基于傅里叶同步压缩变换可靠划分脑低频波动子区域方法
CN112764532A (zh) * 2020-12-31 2021-05-07 北京信息科技大学 基于脑电眼电结合的键鼠控制系统及控制方法
CN109363671B (zh) * 2018-10-30 2021-10-01 中国人民解放军战略支援部队信息工程大学 基于ssvep与erp融合的情绪动态脑网络图的构建方法
CN113616218A (zh) * 2021-07-28 2021-11-09 山东师范大学 一种基于同步压缩变换的致痫区脑电识别系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609090A (zh) * 2012-01-16 2012-07-25 中国人民解放军国防科学技术大学 采用脑电时频成分双重定位范式的快速字符输入方法
CN102778949A (zh) * 2012-06-14 2012-11-14 天津大学 基于ssvep阻断和p300双特征的脑-机接口方法
CN103399639A (zh) * 2013-08-14 2013-11-20 天津医科大学 基于ssvep和p300联合脑机接口方法及装置
CN107280663A (zh) * 2017-07-07 2017-10-24 南京邮电大学 一种基于不同实验难度的疲劳脑电特征研究的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609090A (zh) * 2012-01-16 2012-07-25 中国人民解放军国防科学技术大学 采用脑电时频成分双重定位范式的快速字符输入方法
CN102778949A (zh) * 2012-06-14 2012-11-14 天津大学 基于ssvep阻断和p300双特征的脑-机接口方法
CN103399639A (zh) * 2013-08-14 2013-11-20 天津医科大学 基于ssvep和p300联合脑机接口方法及装置
CN107280663A (zh) * 2017-07-07 2017-10-24 南京邮电大学 一种基于不同实验难度的疲劳脑电特征研究的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张黎明等: "用于稳态视觉诱发电位特征频率提取的同步压缩短时傅里叶变换方法", 《西安交通大学学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109471530A (zh) * 2018-10-22 2019-03-15 吉林大学 基于稳态视觉诱发电位和运动想象的脑控输入法
CN109363671B (zh) * 2018-10-30 2021-10-01 中国人民解放军战略支援部队信息工程大学 基于ssvep与erp融合的情绪动态脑网络图的构建方法
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
CN109814720A (zh) * 2019-02-02 2019-05-28 京东方科技集团股份有限公司 一种设备的脑控方法及系统
CN109814720B (zh) * 2019-02-02 2021-01-26 京东方科技集团股份有限公司 一种设备的脑控方法及系统
CN110688013A (zh) * 2019-10-11 2020-01-14 南京邮电大学 一种基于ssvep的英文键盘拼写系统及拼写方法
CN112244774A (zh) * 2020-10-19 2021-01-22 西安臻泰智能科技有限公司 脑机接口康复训练系统及方法
CN112401907A (zh) * 2020-11-18 2021-02-26 江苏海洋大学 基于傅里叶同步压缩变换可靠划分脑低频波动子区域方法
CN112764532A (zh) * 2020-12-31 2021-05-07 北京信息科技大学 基于脑电眼电结合的键鼠控制系统及控制方法
CN113616218A (zh) * 2021-07-28 2021-11-09 山东师范大学 一种基于同步压缩变换的致痫区脑电识别系统

Similar Documents

Publication Publication Date Title
CN108681391A (zh) 一种基于多模式的脑电信号虚拟键盘设计方法
Chen et al. A novel EEMD-CCA approach to removing muscle artifacts for pervasive EEG
CN103399639B (zh) 基于ssvep和p300联合脑机接口方法及装置
Friman et al. Multiple channel detection of steady-state visual evoked potentials for brain-computer interfaces
Liu et al. Implementation of SSVEP based BCI with Emotiv EPOC
Wang et al. Brain-computer interfaces based on visual evoked potentials
CN104965584B (zh) 基于ssvep与osp的混合脑‑机接口方法
CN106569604B (zh) 视听双模态语义匹配和语义失配协同刺激脑机接口方法
CN103699226B (zh) 一种基于多信息融合的三模态串行脑-机接口方法
CN104978035B (zh) 基于体感电刺激诱发p300的脑机接口系统及其实现方法
CN106951064B (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
CN104503580A (zh) 一种对稳态视觉诱发电位脑-机接口目标的识别方法
CN108294748A (zh) 一种基于稳态视觉诱发的脑电信号采集与分类方法
Wei et al. A comparative study of canonical correlation analysis and power spectral density analysis for SSVEP detection
CN111930238A (zh) 基于动态ssvep范式的脑机接口系统实现方法及装置
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
Breitwieser et al. Somatosensory evoked potentials elicited by stimulating two fingers from one hand—usable for BCI?
CN101339413B (zh) 基于脑电中人脸识别特异性波的开关控制方法
Nwachukwu et al. An SSVEP recognition method by combining individual template with CCA
CN204759349U (zh) 一种基于稳态视觉诱发电位的飞行器控制装置
CN110688013A (zh) 一种基于ssvep的英文键盘拼写系统及拼写方法
CN113101021B (zh) 基于mi-ssvep混合式脑机接口的机械臂控制方法
Huang et al. Empirical mode decomposition improves detection of SSVEP
CN115886841B (zh) 一种基于脑区联动的稳态视觉诱发脑电动态起始分类方法
CN116269445A (zh) 一种用于ssvep短时窗信号的精准目标识别方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181019

WD01 Invention patent application deemed withdrawn after publication