CN111222578A - 一种运动想象eeg信号的在线处理方法 - Google Patents

一种运动想象eeg信号的在线处理方法 Download PDF

Info

Publication number
CN111222578A
CN111222578A CN202010022435.1A CN202010022435A CN111222578A CN 111222578 A CN111222578 A CN 111222578A CN 202010022435 A CN202010022435 A CN 202010022435A CN 111222578 A CN111222578 A CN 111222578A
Authority
CN
China
Prior art keywords
data
freedom
motor imagery
optimal
degree
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
CN202010022435.1A
Other languages
English (en)
Inventor
李卓明
代峥
李华清
叶亮
伍广腾
岑尧辉
陈幸
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010022435.1A priority Critical patent/CN111222578A/zh
Publication of CN111222578A publication Critical patent/CN111222578A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/24765—Rule-based classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种运动想象EEG信号的在线处理方法，涉及BCI系统中EEG信号的在线处理领域。本发明是为了实现运动想象EEG信号的在线处理的目的。本发明所述的一种运动想象EEG信号的在线处理方法，包括离线训练与在线处理两部分。离线训练采集被试固定组数的脑电数据进行离线分析，进而得到相应被试对应的最佳模型。在线处理根据得到的模型对实时采集的被试脑电数据进行处理。综合考虑系统的实时性与分类正确率要求，离线训练与在线处理使用相同算法，并且通过离线训练得到最佳模型导入在线处理程序，进而减少在线处理程序时延。

Description

一种运动想象EEG信号的在线处理方法
技术领域
本发明属于BCI系统中EEG信号的在线处理领域。
背景技术
目前，BCI(Brain Computer Interface，脑机接口技术)系统在医疗和科技等诸多方面都有了部分应用。人脑信号中包括多种类型的EEG(脑电)信号，如P300、SSVEP(稳态视觉诱发电位)和运动想象EEG信号，这些方向均在多年的研究中获得了许多成果。离线分析EEG信号的方法种类越来越多，效果也有所提升。相对而言，在线处理系统的应用范围仍然十分狭窄。由于人类个体之间较大的差异性、脑电信号的复杂性以及环境因素的影响，在线处理系统需要在实时性与复杂性之间进行平衡，这就制约了在线处理系统在实际应用领域的发展。
P300和SSVEP均属于诱发型EEG信号，即需要通过外界刺激诱发人脑产生相应的信号。这两类EEG信号不需要长时间训练，并且诱发的特征明显，对被试的要求低，因此基于P300和SSVEP的在线处理系统已经有了部分实际应用。相比之下，运动想象EEG信号属于自发型EEG信号，即无需外界的刺激即可产生的EEG信号。这种信号需要被试进行长时间的训练，从而使相应特征变得更加明显，并且对被试的要求很高。由于多种因素限制，目前，针对运动想象EEG信号研究水平大多停留在离线分析阶段，其在线处理系统没有得到广泛的开发应用。
发明内容
本发明是为了实现运动想象EEG信号的在线处理的目的，现提供一种运动想象EEG信号的在线处理方法。
一种运动想象EEG信号的在线处理方法，包括以下步骤，
离线训练部分：
步骤一：在被试者进行运动想象实验的过程中采集被试者的运动想象EEG信号，将该运动想象EEG信号作为原始EEG数据，所述原始EEG数据为60～120组，自由度为2或3，且不同自由度的数据数量相同；
步骤二：将每一组原始EEG数据拆分为n段，n为3～6；
步骤三：对拆分后的原始EEG数据进行带通滤波；
步骤四：对滤波后的数据按照自由度进行分离，然后随机选取训练集和测试集，训练集和测试集中不同自由度的数据数量相同；
步骤五：对训练集和测试集进行CSP特征提取，获得特征矩阵；
步骤六：对特征矩阵进行SVM分类，至少重复100次步骤四至步骤六，获得多组分类结果，然后执行步骤七；
步骤七：依据最佳模型选取原则，在多组分类结果中选取出最佳模型，所述最佳模型中包括最佳带通滤波器、最佳空间滤波器和最佳分类器模型；
在线处理部分：
步骤八：实时采集被试者的运动想象EEG信号，并将该运动想象EEG信号作为测试EEG数据，以2s～4s为单位对测试EEG数据进行拆分；
步骤九：分别利用最佳带通滤波器、最佳空间滤波器和最佳分类器模型依次对拆分后的测试EEG数据进行带通滤波、CSP特征提取和SVM分类；
步骤十：对分类结果的自由度类型进行判别，获得分类标签，完成运动想象EEG信号的在线处理。
进一步的，步骤一中，利用放大器采集被试者的运动想象EEG信号，运动想象实验为60次，原始EEG数据为60组。
进一步的，步骤二中，设置时长为2s的滑动窗，滑动时间间隔为50ms，滑动窗起始时刻为每次运动想象实验的开始时刻，设运动想象时间为4s，每一组原始EEG数据获得5段不同的等时长数据，每段数据均包括16个电极的对应数据，原始EEG数据拆分为数据格式为N×M×P的矩阵，其中，N为电极通道数，M为采样点数，P为数据拆分段数。
进一步的，原始EEG数据的自由度为2，步骤四中，将同一自由度的数据分为一类。
进一步的，原始EEG数据的自由度为3，步骤四中，将同一自由度的数据分为一类，将两两自由度的数据共同作为一个新自由度，共获得3个新自由度的数据，将每个新自由度的数据与其对应的剩余一个自由度的数据作为新的2自由度数据，共获得3组2自由度数据。
进一步的，训练集数据的数量与测试集数据的数量比为1:3。
进一步的，步骤五中，利用训练集数据获得CSP空间滤波器，将CSP空间滤波器分别与训练集和测试集相乘、并计算方差，获得特征矩阵。
进一步的，原始EEG数据的自由度为2，最佳模型中包括一个最佳带通滤波器、一个最佳空间滤波器和一个最佳分类器模型；
原始EEG数据的自由度为3，最佳模型中包括一个最佳带通滤波器、三个最佳空间滤波器和三个最佳分类器模型。
本发明所述的一种运动想象EEG信号的在线处理方法，包括离线训练与在线处理两部分，两部分均需要使用脑电信号放大器采集被试的脑电数据，进而对数据进行带通滤波、特征提取以及分类。区别之处在于离线训练采集被试固定组数的脑电数据进行离线分析，进而得到相应被试对应的最佳模型，在线处理根据得到的模型对实时采集的被试脑电数据进行处理。综合考虑系统的实时性与分类正确率要求，离线训练与在线处理使用相同算法，并且通过离线训练得到最佳模型导入在线处理程序，进而减少在线处理程序时延。此外，在线处理程序还可以通过界面将分类结果反馈给被试。
附图说明
图1为离线训练部分的流程图；
图2为在线处理部分的流程图。
具体实施方式
具体实施方式一：本实施方式所述的一种运动想象EEG信号的在线处理方法，包括离线训练部分和在线处理部分，如图1和2所示。
在处理过程中，应选取经过训练的被试，被试在同一次离线训练与在线处理实验中保持相同。将脑电信号放大器与被试者的大脑相连。被试在电脑屏幕上运行的运动想象提示程序的辅助下进行运动想象。提示程序可以根据所使用的放大器品牌及型号进行针对性设计。本实施方式中采用16通道脑电信号放大器，采样频率1000Hz，依据放大器参数，使用C++设计提示程序。提示程序的具体提示步骤为：实验开始时，屏幕上出现一张写有准备状态的“十”字图片，2s后根据事先写好的伪随机序列，屏幕上出现对应着不同自由度的图片；同时，被试根据屏幕提示进行持续4s的运动想象。运动想象结束时，界面变为空白，被试进行3s的休息，之后进行下一次运动想象实验，如此反复，直到伪随机序列读取完毕，程序自动终止。为了得到较好的模型，被试根据提示进行60次运动想象，其中不同自由度的出现在保证伪随机性的同时，数量需要保持相同。
基于以上运动想象实验，本实施方式采用以下步骤进行处理：
步骤一：在被试者进行运动想象实验的过程中，利用放大器采集被试者的运动想象EEG信号。60次实验结束时，放大器会采集到运动想象EEG信号，即原始EEG数据，同时提示程序也会相应记录下每一次实验对应的自由度标签，自由度为2或3、且不同自由度的数据数量相同。自由度含义是特征的类型，可以在手、脚与舌头之间以及手脚的左右之间进行更改。
步骤二：使用MATLAB软件设置时长为2s的滑动窗，滑动时间间隔为50ms，滑动窗起始时刻为每次运动想象实验的真实运动想象开始时刻，运动想象时间为4s；将每一组原始EEG数据拆分为5段，每段数据均包括16个电极的对应数据，60次实验就会得到300段不同的等时长数据，原始EEG数据拆分为数据格式为N×M×P的矩阵，其中，N为电极通道数，M为采样点数，P为数据拆分段数，这样的数据格式方便后续处理。
步骤三：将拆分后的数据进行带通滤波，其中带通滤波器的频率受被试个体差异性的影响。因为产生运动想象EEG数据对应的人脑生物节律频率范围大都在8Hz～30Hz之间，所以可以在此频段内寻找最适合相应被试的频段。寻找的过程需要综合后续的CSP(共空间模式，是一种对两分类任务下的空域滤波特征提取算法)与SVM(支持向量机)处理结果，因此在开始阶段不妨假定带通滤波器频率范围是8Hz～30Hz，根据程序多次运行的结果进一步选择最佳频率范围。
步骤四：对滤波后的数据按照自由度进行分离。
当原始EEG数据的自由度为2时，将同一自由度的数据分为一类；
当原始EEG数据的自由度为3时，将同一自由度的数据分为一类，然后将两两自由度的数据共同作为一个新自由度，共获得3个新自由度的数据，将每个新自由度的数据与其对应的剩余一个自由度的数据作为新的2自由度数据，共获得3组2自由度数据。
具体的，设3个自由度分别记为A、B、C。那么3组2自由度数据分别为：(A+B)和C，(A+C)和B，(B+C)和A。经过上述处理，无论原始EEG数据的自由度为多少，都能转换为2自由度的数据进行处理。新的2自由度数据中，新自由度与旧自由度的数量比为2:1。
在自由度分离之后，随机选取训练集和测试集，训练集和测试集中不同自由度的数据数量相同，训练集数据的数量与测试集数据的数量比为1:3。训练集与测试集内部不同自由度数据的比例与没有进行随机选取前的训练集与测试集内不同自由度数据的比例相同。
步骤五：利用训练集数据按照CSP算法获得CSP空间滤波器，将CSP空间滤波器分别与训练集和测试集相乘并计算方差(取计算结果矩阵的前后K行，K通常为1或2)，获得特征矩阵，将特征矩阵取常用对数作为实际使用的特征矩阵。
步骤六：特征矩阵接下来需要进行SVM分类。使用MATLAB版本的LIBSVM工具箱实现SVM分类。LIBSVM工具箱不但在MATLAB软件上使用方便，其开发者也提供了C++代码，方便其使用者进行C/C++开发。
使用训练集特征矩阵进行model计算，将model用于测试集特征矩阵的预测。由于数据在进行CSP前已经按照自由度的不同进行了分类，特征矩阵内部数据对应标签可以直接写出，假定为1和-1。根据分类结果可以计算测试集平均分类正确率、自由度1分类正确率和自由度2(或3自由度数据中选取的两种不同自由度看作自由度2)分类正确率。将随机选取训练集与测试集到SVM分类间的部分进行100次重复运算，可以得到与重复运算次数相同组数的分类结果。
步骤七：依据最佳模型选取原则，在多组分类结果中选取出最佳模型，所述最佳模型中包括最佳带通滤波器、最佳空间滤波器和最佳分类器模型。
其中，原始EEG数据的自由度为2，最佳模型中包括一个最佳带通滤波器、一个最佳空间滤波器和一个最佳分类器模型；原始EEG数据的自由度为3，最佳模型中包括一个最佳带通滤波器、三个最佳空间滤波器和三个最佳分类器模型。
最佳模型选取原则为：测试集数据整体分类正确率、第一自由度分类正确率与第二自由度分类正确率整体偏高、且尽量保证三种正确率相差不大。对多组分类结果进行筛选后，将所选正确率下被试使用的带通滤波器数据、空间滤波器数据与C++版本LIBSVM的需要记录的model内部参数记录为txt文件，一并导入在线处理程序。
在线处理部分：
在线处理程序可以实现边采集边处理，使用C++多线程编程方式实现。需要注意的一点是：在线处理程序使用的被试必须与经过离线训练得到最佳模型的被试相同，若更换被试，则需要重新进行离线训练。由于已经将带通滤波器、CSP空间滤波器与SVM最佳分类器模型导入到在线处理程序，在线处理程序可以直接进行利用。在线处理程序设计有两个线程，分别为数据采集线程与数据处理线程。数据采集线程实时获取被试的运动想象EEG数据。具体步骤如下：
步骤八：实时采集被试者的运动想象EEG信号，并将该运动想象EEG信号作为测试EEG数据。
与离线训练不同，在线处理程序需要被试进行连续的运动想象，因此实时获得的数据需要人为进行分割，本实施方式中以2s～4s为单位对测试EEG数据进行拆分。为了与离线训练的数据形式保持一致，在线处理程序仍然采用滑动窗2s，滑动间隔50ms的模式。
步骤九：分别利用最佳带通滤波器、最佳空间滤波器和最佳分类器模型依次对拆分后的实时测试EEG数据进行带通滤波、CSP特征提取和SVM分类；这样的设计可以减少在线处理程序的时延，增加在线处理程序的实时性。
步骤十：对分类结果的自由度类型进行判别，获得分类标签，完成运动想象EEG信号的在线处理。
在线处理程序在2自由度时指令类型输出与SVM分类标签一致，然而在3自由度时需要额外进行指令类型输出判别。
由于3自由度数据特征提取部分使用一对多CSP，SVM需要多级分类，即：
首先，使用第一自由度(A)与另外两个自由度(B+C)得到的model模型进行判断，若SVM将实时数据分类为第一自由度(A)则输出第一自由度标签，否则进行第二步判断；
使用第二自由度(B)与另外两个自由度(A+C)得到的model模型进行判断，若SVM将实时数据分类为第二自由度(B)，则输出第二自由度标签，否则进行第三步判断；
使用第三自由度(C)与另外两个自由度(B+C)得到的model模型进行判断，若SVM将实时数据分类为第三自由度(C)，则输出第三自由度标签，否则人为设置空闲态标签输出。
由于此前设计了50ms滑动间隔并且计算程序运行时间远小于50ms，分类标签的输出间隔也为50ms，这就意味着可以连续的获得等时间间隔的输出指令，进而实现连续外部控制。

Claims (8)

1.一种运动想象EEG信号的在线处理方法，其特征在于，包括以下步骤，
离线训练部分：
步骤一：在被试者进行运动想象实验的过程中采集被试者的运动想象EEG信号，将该运动想象EEG信号作为原始EEG数据，所述原始EEG数据为60～120组，自由度为2或3，且不同自由度的数据数量相同；
步骤二：将每一组原始EEG数据拆分为n段，n为3～6；
步骤三：对拆分后的原始EEG数据进行带通滤波；
步骤四：对滤波后的数据按照自由度进行分离，然后随机选取训练集和测试集，训练集和测试集中不同自由度的数据数量相同；
步骤五：对训练集和测试集进行CSP特征提取，获得特征矩阵；
步骤六：对特征矩阵进行SVM分类，至少重复100次步骤四至步骤六，获得多组分类结果，然后执行步骤七；
步骤七：依据最佳模型选取原则，在多组分类结果中选取出最佳模型，所述最佳模型中包括最佳带通滤波器、最佳空间滤波器和最佳分类器模型；
在线处理部分：
步骤八：实时采集被试者的运动想象EEG信号，并将该运动想象EEG信号作为测试EEG数据，以2s～4s为单位对测试EEG数据进行拆分；
步骤九：分别利用最佳带通滤波器、最佳空间滤波器和最佳分类器模型依次对拆分后的测试EEG数据进行带通滤波、CSP特征提取和SVM分类；
步骤十：对分类结果的自由度类型进行判别，获得分类标签，完成运动想象EEG信号的在线处理。
2.根据权利要求1所述的一种运动想象EEG信号的在线处理方法，其特征在于，步骤一中，利用放大器采集被试者的运动想象EEG信号，
运动想象实验为60次，原始EEG数据为60组。
3.根据权利要求1所述的一种运动想象EEG信号的在线处理方法，其特征在于，步骤二中，设置时长为2s的滑动窗，滑动时间间隔为50ms，滑动窗起始时刻为每次运动想象实验的开始时刻，设运动想象时间为4s，每一组原始EEG数据获得5段不同的等时长数据，每段数据均包括16个电极的对应数据，
原始EEG数据拆分为数据格式为N×M×P的矩阵，其中，N为电极通道数，M为采样点数，P为数据拆分段数。
4.根据权利要求1所述的一种运动想象EEG信号的在线处理方法，其特征在于，
原始EEG数据的自由度为2，
步骤四中，将同一自由度的数据分为一类。
5.根据权利要求1所述的一种运动想象EEG信号的在线处理方法，其特征在于，
原始EEG数据的自由度为3，
步骤四中，将同一自由度的数据分为一类，
将两两自由度的数据共同作为一个新自由度，共获得3个新自由度的数据，
将每个新自由度的数据与其对应的剩余一个自由度的数据作为新的2自由度数据，共获得3组2自由度数据。
6.根据权利要求4或5所述的一种运动想象EEG信号的在线处理方法，其特征在于，训练集数据的数量与测试集数据的数量比为1:3。
7.根据权利要求1所述的一种运动想象EEG信号的在线处理方法，其特征在于，
步骤五中，利用训练集数据获得CSP空间滤波器，将CSP空间滤波器分别与训练集和测试集相乘、并计算方差，获得特征矩阵。
8.根据权利要求1所述的一种运动想象EEG信号的在线处理方法，其特征在于，
原始EEG数据的自由度为2，
最佳模型中包括一个最佳带通滤波器、一个最佳空间滤波器和一个最佳分类器模型；
原始EEG数据的自由度为3，
最佳模型中包括一个最佳带通滤波器、三个最佳空间滤波器和三个最佳分类器模型。
CN202010022435.1A 2020-01-09 2020-01-09 一种运动想象eeg信号的在线处理方法 Pending CN111222578A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010022435.1A CN111222578A (zh) 2020-01-09 2020-01-09 一种运动想象eeg信号的在线处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010022435.1A CN111222578A (zh) 2020-01-09 2020-01-09 一种运动想象eeg信号的在线处理方法

Publications (1)

Publication Number Publication Date
CN111222578A true CN111222578A (zh) 2020-06-02

Family

ID=70831053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010022435.1A Pending CN111222578A (zh) 2020-01-09 2020-01-09 一种运动想象eeg信号的在线处理方法

Country Status (1)

Country Link
CN (1) CN111222578A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114167983A (zh) * 2021-11-24 2022-03-11 哈尔滨工业大学（深圳） 一种基于共幅相测量的脑机接口系统
CN114343673A (zh) * 2021-11-29 2022-04-15 北京机械设备研究所 跨被试的运动想象脑电信号处理方法、介质、设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103300852A (zh) * 2012-10-19 2013-09-18 西安电子科技大学 基于运动想象脑电控制遥控小车的训练方法
CN104814734A (zh) * 2015-05-13 2015-08-05 西安电子科技大学 基于csp和互相关的运动想象脑电信号分类方法
US20160051163A1 (en) * 2013-04-14 2016-02-25 B. G. Negev Technologies And Applications Ltd. At Ben-Gurion University Classifying eeg signals in response to visual stimulus
CN105563495A (zh) * 2016-02-01 2016-05-11 浙江大学 基于精细化运动想象脑电信号控制的机械手系统及方法
CN106485205A (zh) * 2016-09-20 2017-03-08 北京工业大学 基于多层超限学习机的运动想象脑电信号分类方法
CN106503616A (zh) * 2016-09-20 2017-03-15 北京工业大学 一种基于分层超限学习机的运动想象脑电信号分类方法
CN106648087A (zh) * 2016-12-12 2017-05-10 西北工业大学 一种基于意识任务的特征eeg处理方法
CN107016355A (zh) * 2017-03-20 2017-08-04 天津大学 一种低误触发率运动想象双层分类识别方法
CN110175510A (zh) * 2019-04-10 2019-08-27 杭州电子科技大学 基于脑功能网络特征的多模式运动想象识别方法
CN110200626A (zh) * 2019-06-14 2019-09-06 重庆大学 一种基于投票分类器的视觉诱导晕动症检测方法
CN110377049A (zh) * 2019-06-29 2019-10-25 天津大学 基于脑-机接口的无人机集群编队队形重构控制方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103300852A (zh) * 2012-10-19 2013-09-18 西安电子科技大学 基于运动想象脑电控制遥控小车的训练方法
US20160051163A1 (en) * 2013-04-14 2016-02-25 B. G. Negev Technologies And Applications Ltd. At Ben-Gurion University Classifying eeg signals in response to visual stimulus
CN104814734A (zh) * 2015-05-13 2015-08-05 西安电子科技大学 基于csp和互相关的运动想象脑电信号分类方法
CN105563495A (zh) * 2016-02-01 2016-05-11 浙江大学 基于精细化运动想象脑电信号控制的机械手系统及方法
CN106485205A (zh) * 2016-09-20 2017-03-08 北京工业大学 基于多层超限学习机的运动想象脑电信号分类方法
CN106503616A (zh) * 2016-09-20 2017-03-15 北京工业大学 一种基于分层超限学习机的运动想象脑电信号分类方法
CN106648087A (zh) * 2016-12-12 2017-05-10 西北工业大学 一种基于意识任务的特征eeg处理方法
CN107016355A (zh) * 2017-03-20 2017-08-04 天津大学 一种低误触发率运动想象双层分类识别方法
CN110175510A (zh) * 2019-04-10 2019-08-27 杭州电子科技大学 基于脑功能网络特征的多模式运动想象识别方法
CN110200626A (zh) * 2019-06-14 2019-09-06 重庆大学 一种基于投票分类器的视觉诱导晕动症检测方法
CN110377049A (zh) * 2019-06-29 2019-10-25 天津大学 基于脑-机接口的无人机集群编队队形重构控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
伍广腾: "基于运动想象的脑-机接口在线异步系统研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
马满振等: "基于多类运动想象任务的EEG信号分类研究", 《计算机测量与控制》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114167983A (zh) * 2021-11-24 2022-03-11 哈尔滨工业大学（深圳） 一种基于共幅相测量的脑机接口系统
CN114343673A (zh) * 2021-11-29 2022-04-15 北京机械设备研究所 跨被试的运动想象脑电信号处理方法、介质、设备
CN114343673B (zh) * 2021-11-29 2024-03-29 北京机械设备研究所 跨被试的运动想象脑电信号处理方法、介质、设备

Similar Documents

Publication Publication Date Title
Townsend et al. A comparison of common spatial patterns with complex band power features in a four-class BCI experiment
Ge et al. Classification of four-class motor imagery employing single-channel electroencephalography
Xu et al. High accuracy classification of EEG signal
CN108937968B (zh) 基于独立分量分析的情感脑电信号的导联选择方法
Groen et al. The time course of natural scene perception with reduced attention
CN111714118A (zh) 一种基于集成学习的脑认知模型融合方法
Caramia et al. Optimizing spatial filter pairs for EEG classification based on phase-synchronization
CN111222578A (zh) 一种运动想象eeg信号的在线处理方法
CN111772629A (zh) 一种脑认知技能移植的方法
Velásquez-Martínez et al. Motor imagery classification for BCI using common spatial patterns and feature relevance analysis
CN108338787A (zh) 一种多时段多元多尺度锁相值的相位特征提取方法
Moser et al. Classification and detection of single evoked brain potentials using time-frequency amplitude features
Filatova et al. Emotion and cognitive activity monitoring system
Ahmed et al. Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artefacts from electroencephalogram (EEG) mixtures
Healy et al. Overview of NTCIR-13 NAILS task
Cecotti et al. Suboptimal sensor subset evaluation in a p300 brain-computer interface
Wang et al. Residual learning attention cnn for motion intention recognition based on eeg data
Zhang et al. Motor imagery EEG classification with self-attention-based convolutional neural network
RU2704547C1 (ru) Способ удаленного сбора и групповой обработки психофизиологических реакций при предъявлении различной информации
Leong et al. Ventral and Dorsal Stream EEG Channels: Key Features for EEG-Based Object Recognition and Identification
Tomé et al. Feature Extraction and Classification of Biosignals-Emotion Valence Detection from EEG Signals
Boelts et al. Decoding of imaginary motor movements of fists applying spatial filtering in a BCI simulated application
van Vugt Relating ACT-R buffer activation to EEG activity during an attentional blink task
Joaquim et al. Learning data representation and emotion assessment from physiological data
Suwida et al. Application of Machine Learning Algorithm for Mental State Attention Classification Based on Electroencephalogram Signals

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

Application publication date: 20200602

RJ01 Rejection of invention patent application after publication