CN110384506A - 基于大脑血红蛋白信息的行走意图的识别方法 - Google Patents
基于大脑血红蛋白信息的行走意图的识别方法 Download PDFInfo
- Publication number
- CN110384506A CN110384506A CN201910492396.9A CN201910492396A CN110384506A CN 110384506 A CN110384506 A CN 110384506A CN 201910492396 A CN201910492396 A CN 201910492396A CN 110384506 A CN110384506 A CN 110384506A
- Authority
- CN
- China
- Prior art keywords
- walking
- intended
- brain
- recognition methods
- cortex
- 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
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physical Education & Sports Medicine (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Rehabilitation Tools (AREA)
Abstract
本发明公开了一种基于大脑血红蛋白信息的行走意图的识别方法。本发明一种基于大脑血红蛋白信息的行走意图的识别方法,包括:(1).获取脑皮层血红蛋白浓度信号,所述脑皮层血红蛋白浓度信号是通过“应用近红外光谱脑成像技术(NIRS)进行测试实验,受试者在固定区域内完成相应的行走任务;”获得的;(2).通过带通滤波技术,对实验所记录的脑皮层血红蛋白浓度信号,进行数据预处理,并提取多个频段的脑皮层血红蛋白浓度信号。本发明的有益效果:本发明应用近红外光谱脑成像技术(NIRS)进行测试实验,其操作简便,有着便携的优势。
Description
技术领域
本发明涉及智能助行、康复训练技术领域,具体涉及一种基于大脑血红蛋白信息的行走意图的识别方法。
背景技术
人口老龄化已经是当今社会的一个显著性问题。数据显示,2016年,超过60岁的世界人口数量约占总人数的12%,并且根据当今社会的发现趋势预测,到2050年,这个比例大约会升至21%。老龄化导致了老年人身体运动功能的显著下降和身体脆弱性的增加。他们中的大多数人都面临着不同程度的下肢运动功能障碍的困扰,有些高龄老人更是失去了独立行走的能力。因此,辅助这些下肢运动功能障碍患者独立行走,能够增加他们的自信心,使他们回归社会,增加他们的社会归属感,同时也能减轻看护人员的工作负担,具有重要的社会意义。
现阶段,已有基于声音、按钮等控制方式的助行设备,来帮助这些下肢运动功能障碍患者助力助行。但是,老年人往往由于言语能力弱、肢体操作能力弱、学习能力有限等原因,传统的助行设备并不能很好的满足他们的需求。而基于脑机接口技术的助行设备,能够识别用户自发的主动运动意图,从而控制外部设备,以弥补传统助行设备的不足。目前常用的脑机接口技术有NIRS,EEG,MEG以及fMRI等。其中fMRI和MEG的硬件设备体积庞大,设备相对笨重,用户不宜进行较大幅度的运动,故它们常用于静息态和小幅度运动的测试,往往应用于医学场景。而EEG和NIRS则相对比较便携,故常常用于运动状态的识别,以控制外部设备。由于电信号的原理,EEG的测试环境要考虑到当地电磁环境的影响,且大幅度的肢体运动,如头动,也会对EEG造成明显的干扰。而行走运动往往伴随着更多的且幅度更大的肢体运动,而且测试环境为非实验环境即正常环境,这些因素都制约了EEG技术的应用。因而,采用基于NIRS技术的脑机接口来识别自调节的行走意图具有一定的实际可应用性。
目前已有一些基于脑机接口技术的行走状态的分析研究。Kristine在研究了在行走状态下的脑电运动伪影,并试图采用独立成分分析进行去除。Giuseppe试图通过EEG技术来识别三种0,1,and 2Km/h三种不同的行走速度。Kim通过NIRS技术研究了1.5,2.0,2.5,and 3.0km/h四种不同速度下的脑区神经元活动,并发现随着速度增加,脑区激活更明显。尽管上述的这些研究对行走状态进行了分析或是识别,但都是在跑步机上进行,与实际的行走环境存在着差异。而且这些研究关注具体的行走状态,并没有对自调节的行走意图进行分析和识别。
现阶段基于脑机接口技术的自调节运动意图的研究仍相对较少。Bashar研究了手部的自发调节运动。他在文中指出,自调节运动意图的关键难题是要识别大脑何时从空闲/非控制状态转移到了执行任务的状态,并认为自调节意图的主要任务是识别大脑转移到了执行任务状态的起始时刻。此后,Sofyan对自调节的打击任务进行了研究,他采用了滑窗法以实时地检测这一起始时刻,并对比了不同窗长下的检测识别率。上述的研究主要集中在上肢的自调节运动意图,而Dong Liu等人对下肢运动的自调节意图进行了分析和检测,并取得了一个较高的检测精度和较短的检测延时。
发明内容
本发明要解决的技术问题是提供一种基于大脑血红蛋白信息的行走意图的识别方法,以达到对用户在自然环境下行走意图产生时进行识别,为实现基于脑机接口技术的智能助行设备以及智能康复医疗辅助手段奠定基础的目的。
为了解决上述技术问题,本发明提供了一种基于大脑血红蛋白信息的行走意图的识别方法,包括:
(1).获取脑皮层血红蛋白浓度信号,所述脑皮层血红蛋白浓度信号是通过“应用近红外光谱脑成像技术(NIRS)进行测试实验,受试者在固定区域内完成相应的行走任务;”获得的;
(2).通过带通滤波技术,对实验所记录的脑皮层血红蛋白浓度信号,进行数据预处理,并提取多个频段的脑皮层血红蛋白浓度信号;
(3).对于预处理后的脑皮层血红蛋白信号,采用Z-Score和Teager-Kaiser变换,逐个采样点上的提取信号特征;
(4).应用梯度提升树算法,建立行走意图的检测模型,并根据模型给出的每个采样点的行走意图的概率值,确定行走意图的发生时刻。
在其中一个实施例中,步骤(1)中行走实验在处于自然环境下的走廊中进行,每位被试共执行8遍行走任务。
在其中一个实施例中,步骤(2)中采用切比雪夫带通滤波器对行走实验所记录的脑皮层血红蛋白浓度信号,进行预处理操作,并依次提取出0.0095-0.021Hz,0.021-0.052Hz,0.052-0.145Hz,0.145-0.6Hz和0.6-2.0Hz共5个频段的血红蛋白信息。
在其中一个实施例中,步骤(3)中在提取特征时,采用了Z-Score变换和Teager-Kaiser能量算子计算特征,这两者在每个采样点上都将计算具体的变换值,以实现逐点的检测,满足实时性的需要。
在其中一个实施例中,步骤(4)中建立检测模型,对行走意图进行检测。
在其中一个实施例中,步骤(4)具体实施如下:
(4-1).对休息阶段的采样点标记为负样本,对行走阶段的采样点标记为正样本,采用梯度提升树算法建立模型,并由模型给出采样点上被试处于行走状态的概率值;
(4-2).对模型给出的行走概率值进行平滑操作,并设定概率阈值;当平滑后的行走概率值大于设定的阈值时,则确定为行走意图的发生时刻。
在其中一个实施例中,步骤1中,被试每执行完一次步行任务后都要转身并准备下一次的步行任务的执行,所有步行任务与转身之间被试都需要进行休息,且休息时长不小于30秒。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任一项所述的方法。
本发明的有益效果:
本发明应用近红外光谱脑成像技术(NIRS)进行测试实验,其操作简便,有着便携的优势,对外部环境的要求不高,对环境噪音的敏感度低,而且不会对受试者产生任何的负作用。整个测试过程中受试者背着NIRS设备,处于自然环境下完成相应的行走的任务,由此得出的行走意图的识别结果更有利于用于助行/康复设备;行走意图的自主控制使得在认知活动的自然情景下获取脑皮层生物信息,增加了识别算法的实际应用价值,为实现实际可行的基于脑机接口技术的助行设备和智能康复医疗辅助手段奠定基础。
附图说明
图1为本发明实施例公开的基于大脑血红蛋白信息的行走意图的识别方法中的步行实验的时序图。
图2为本发明实施例公开的基于大脑血红蛋白信息的行走意图的识别方法中大脑皮层运动关联区域及测试通道分布图。
图3为本发明实施例公开的基于大脑血红蛋白信息的行走意图的识别方法中多频段切比雪夫带通滤波方法的效果图。
图4为本发明实施例公开的基于大脑血红蛋白信息的行走意图的识别方法中Z-Score变化和Teager-Kaiser能量算子的效果图。
图5为本发明实施例公开的基于大脑血红蛋白信息的行走意图的识别方法中的某遍任务的梯度提升树模型的识别结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
一种基于大脑血红蛋白信息的行走意图识别方法,具体步骤如下:
(1).应用近红外光谱脑成像技术(NIRS)进行测试实验,受试者在固定区域内完成相应的行走任务;
(2).通过带通滤波技术,对实验所记录的脑皮层血红蛋白浓度信号,进行数据预处理,并提取多个频段的脑皮层血红蛋白浓度信号;
(3).对于预处理后的脑皮层血红蛋白信号,采用Z-Score和Teager-Kaiser变换,逐个采样点上的提取信号特征;
(4).应用梯度提升树算法,建立行走意图的检测模型,并根据模型给出的每个采样点的行走意图的概率值,确定行走意图的发生时刻。
本发明应用近红外光谱脑成像技术(NIRS)进行测试实验,其操作简便,有着便携的优势,对外部环境的要求不高,对环境噪音的敏感度低,而且不会对受试者产生任何的负作用。整个测试过程中受试者背着NIRS设备,处于自然环境下完成相应的行走的任务,由此得出的行走意图的识别结果更有利于用于助行/康复设备;行走意图的自主控制使得在认知活动的自然情景下获取脑皮层生物信息,增加了识别算法的实际应用价值,为实现实际可行的基于脑机接口技术的助行设备和智能康复医疗辅助手段奠定基础。
作为优选的,步骤(1)中行走实验在处于自然环境下的走廊中进行,每位被试共执行8遍行走任务。被试每执行完一次步行任务后都要转身并准备下一次的步行任务的执行,所有步行任务与转身之间被试都需要进行休息,且休息时长不小于30秒。
作为优选的,步骤(2)中采用切比雪夫带通滤波器对行走实验所记录的脑皮层血红蛋白浓度信号,进行预处理操作,并依次提取出0.0095-0.021Hz,0.021-0.052Hz,0.052-0.145Hz,0.145-0.6Hz和0.6-2.0Hz共5个频段的血红蛋白信息。
作为优选的,步骤(3)中在提取特征时,采用了Z-Score变换和Teager-Kaiser能量算子计算特征,这两者在每个采样点上都将计算具体的变换值,以实现逐点的检测,满足实时性的需要。
作为优选的,步骤(4)中建立检测模型,对行走意图进行检测。
作为优选的,步骤(4)具体实施如下:
(4-1).对休息阶段的采样点标记为负样本,对行走阶段的采样点标记为正样本,采用梯度提升树算法建立模型,并由模型给出采样点上被试处于行走状态的概率值。
(4-2).对模型给出的行走概率值进行平滑操作,并设定概率阈值。当平滑后的行走概率值大于设定的阈值时,则确定为行走意图的发生时刻。
本发明具有如下的优点:
1.本发明应用近红外光谱脑成像技术进行测试实验,其操作简便,易于携带,对外部环境的要求不高,对环境噪音的敏感度低,而且不会对受试者产生任何的负作用。整个测试过程中受试者背着NIRS设备,处于自然环境下完成自调节的行走任务,采集相应的大脑血红蛋白信息,由此设计的行走实验范式更接近人类的日常生成,更有利应用于助行/康复设备;在自然情景下识别自发行走意图,增加了识别算法的实际应用价值,为实现实际可行的基于脑机接口技术的助行设备奠定基础。
2.本发明在预处理阶段采用了带通滤波的方法,提取了5个频段的脑皮层血红蛋白信息,这些信息包含了更多的生理信息,为后续的数据分析和建模作好保证。
3.本发明在特征提取部分,采用了计算较快的Teager-Kaiser能量算子,能够快速的提取特征,提升模型的实时性能,增加算法的实际应用价值。
4.本发明在梯度提升树的模型基础上,进一步对模型的输出概率,进行平滑并设立阈值,能够有效减少误判,增加模型的稳定性。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种基于大脑血红蛋白信息的行走意图的识别方法,其特征在于,包括:
(1).获取脑皮层血红蛋白浓度信号,所述脑皮层血红蛋白浓度信号是通过“应用近红外光谱脑成像技术(NIRS)进行测试实验,受试者在固定区域内完成相应的行走任务;”获得的。
(2).通过带通滤波技术,对实验所记录的脑皮层血红蛋白浓度信号,进行数据预处理,并提取多个频段的脑皮层血红蛋白浓度信号;
(3).对于预处理后的脑皮层血红蛋白信号,采用Z-Score和Teager-Kaiser变换,逐个采样点上的提取信号特征;
(4).应用梯度提升树算法,建立行走意图的检测模型,并根据模型给出的每个采样点的行走意图的概率值,确定行走意图的发生时刻。
2.如权利要求1所述的基于大脑血红蛋白信息的行走意图的识别方法,其特征在于,步骤(1)中行走实验在处于自然环境下的走廊中进行,每位被试共执行8遍行走任务。
3.如权利要求1所述的基于大脑血红蛋白信息的行走意图的识别方法,其特征在于,步骤(2)中采用切比雪夫带通滤波器对行走实验所记录的脑皮层血红蛋白浓度信号,进行预处理操作,并依次提取出0.0095-0.021Hz,0.021-0.052Hz,0.052-0.145Hz,0.145-0.6Hz和0.6-2.0Hz共5个频段的血红蛋白信息。
4.如权利要求1所述的基于大脑血红蛋白信息的行走意图的识别方法,其特征在于,步骤(3)中在提取特征时,采用了Z-Score变换和Teager-Kaiser能量算子计算特征,这两者在每个采样点上都将计算具体的变换值,以实现逐点的检测,满足实时性的需要。
5.如权利要求1所述的基于大脑血红蛋白信息的行走意图的识别方法,其特征在于,步骤(4)中建立检测模型,对行走意图进行检测。
6.如权利要求5所述的基于大脑血红蛋白信息的行走意图的识别方法,其特征在于,步骤(4)具体实施如下:
(4-1).对休息阶段的采样点标记为负样本,对行走阶段的采样点标记为正样本,采用梯度提升树算法建立模型,并由模型给出采样点上被试处于行走状态的概率值;
(4-2).对模型给出的行走概率值进行平滑操作,并设定概率阈值;当平滑后的行走概率值大于设定的阈值时,则确定为行走意图的发生时刻。
7.如权利要求1所述的基于大脑血红蛋白信息的行走意图的识别方法,其特征在于,步骤1中,被试每执行完一次步行任务后都要转身并准备下一次的步行任务的执行,所有步行任务与转身之间被试都需要进行休息,且休息时长不小于30秒。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1到7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910492396.9A CN110384506A (zh) | 2019-06-06 | 2019-06-06 | 基于大脑血红蛋白信息的行走意图的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910492396.9A CN110384506A (zh) | 2019-06-06 | 2019-06-06 | 基于大脑血红蛋白信息的行走意图的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110384506A true CN110384506A (zh) | 2019-10-29 |
Family
ID=68285368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910492396.9A Pending CN110384506A (zh) | 2019-06-06 | 2019-06-06 | 基于大脑血红蛋白信息的行走意图的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110384506A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113647938A (zh) * | 2021-08-18 | 2021-11-16 | 苏州大学 | 一种基于生理信号的超前检测运动状态变化的方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106308809A (zh) * | 2016-08-15 | 2017-01-11 | 河北工业大学 | 大腿残肢者的步态识别方法 |
JP2017063997A (ja) * | 2015-09-29 | 2017-04-06 | 株式会社Taos研究所 | 生体機能検査装置、生体機能検査方法及びプログラム |
CN106845563A (zh) * | 2015-12-07 | 2017-06-13 | 中国科学院沈阳自动化研究所 | 基于脑电和近红外信号的特征提取方法 |
CN107339992A (zh) * | 2017-08-24 | 2017-11-10 | 武汉大学 | 一种基于行为的室内定位和地标语义标识的方法 |
CN107811609A (zh) * | 2017-09-22 | 2018-03-20 | 中国医学科学院北京协和医院 | 一种脑老化评估系统 |
CN109171713A (zh) * | 2018-06-08 | 2019-01-11 | 杭州电子科技大学 | 基于多模态信号的上肢运动想象模式识别方法 |
CN109567818A (zh) * | 2018-11-20 | 2019-04-05 | 苏州大学 | 基于血红蛋白信息的多种行走步态调整意图的识别方法 |
CN109710065A (zh) * | 2018-12-18 | 2019-05-03 | 苏州大学 | 基于大脑血红蛋白信息的行走调节意图的识别方法 |
-
2019
- 2019-06-06 CN CN201910492396.9A patent/CN110384506A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017063997A (ja) * | 2015-09-29 | 2017-04-06 | 株式会社Taos研究所 | 生体機能検査装置、生体機能検査方法及びプログラム |
CN106845563A (zh) * | 2015-12-07 | 2017-06-13 | 中国科学院沈阳自动化研究所 | 基于脑电和近红外信号的特征提取方法 |
CN106308809A (zh) * | 2016-08-15 | 2017-01-11 | 河北工业大学 | 大腿残肢者的步态识别方法 |
CN107339992A (zh) * | 2017-08-24 | 2017-11-10 | 武汉大学 | 一种基于行为的室内定位和地标语义标识的方法 |
CN107811609A (zh) * | 2017-09-22 | 2018-03-20 | 中国医学科学院北京协和医院 | 一种脑老化评估系统 |
CN109171713A (zh) * | 2018-06-08 | 2019-01-11 | 杭州电子科技大学 | 基于多模态信号的上肢运动想象模式识别方法 |
CN109567818A (zh) * | 2018-11-20 | 2019-04-05 | 苏州大学 | 基于血红蛋白信息的多种行走步态调整意图的识别方法 |
CN109710065A (zh) * | 2018-12-18 | 2019-05-03 | 苏州大学 | 基于大脑血红蛋白信息的行走调节意图的识别方法 |
Non-Patent Citations (1)
Title |
---|
胡保华,穆景颂,朱宗俊,王勇: "基于Teager-Kaiser能量算子与自适应双阈值的上肢痉挛状态评定系统", 《中国康复医学杂志》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113647938A (zh) * | 2021-08-18 | 2021-11-16 | 苏州大学 | 一种基于生理信号的超前检测运动状态变化的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mazilu et al. | Feature learning for detection and prediction of freezing of gait in Parkinson’s disease | |
Everson et al. | BiometricNet: Deep learning based biometric identification using wrist-worn PPG | |
CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及系统 | |
CN105956624B (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 | |
CN110555468A (zh) | 一种联合递归图和cnn的脑电信号识别方法及系统 | |
Luque et al. | End-to-end photopleth YsmographY (PPG) based biometric authentication by using convolutional neural networks | |
CN110619322A (zh) | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 | |
Abenna et al. | Motor imagery based brain-computer interface: improving the EEG classification using Delta rhythm and LightGBM algorithm | |
CN109864714A (zh) | 一种基于深度学习的心电信号分析方法 | |
CN110135244B (zh) | 一种基于脑-机协同智能的表情识别方法 | |
CN113705398B (zh) | 基于卷积-长短期记忆网络音乐脑电时空特征分类方法 | |
CN111091074A (zh) | 最优区域共空间模式的运动想象脑电信号分类方法 | |
CN111695500A (zh) | 基于迁移学习的脑卒中患者运动想象任务识别方法及系统 | |
Oweis et al. | ANN-based EMG classification for myoelectric control | |
Mithbavkar et al. | Recognition of emotion through facial expressions using EMG signal | |
CN112205988B (zh) | 一种双手协同运动下的手部运动方向解码方法及系统 | |
CN109710065A (zh) | 基于大脑血红蛋白信息的行走调节意图的识别方法 | |
Li et al. | Detecting self-paced walking intention based on fNIRS technology for the development of BCI | |
CN116738295B (zh) | sEMG信号分类方法、系统、电子设备及存储介质 | |
CN110384506A (zh) | 基于大脑血红蛋白信息的行走意图的识别方法 | |
CN108962379A (zh) | 一种脑神经系统疾病的手机辅助检测系统 | |
CN110472595A (zh) | 脑电信号的识别模型构建方法、装置以及识别方法、装置 | |
CN116910464A (zh) | 一种肌电信号假肢手控制系统及方法 | |
CN106175698B (zh) | 睡眠状态分析中睡眠周期检测装置 | |
CN112998725A (zh) | 一种基于运动观察的脑机接口技术的康复方法与系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191029 |