CN111338473A - 基于脑电信号的康复训练方法、计算机装置以及计算机可读存储介质 - Google Patents

基于脑电信号的康复训练方法、计算机装置以及计算机可读存储介质 Download PDF

Info

Publication number
CN111338473A
CN111338473A CN202010099477.5A CN202010099477A CN111338473A CN 111338473 A CN111338473 A CN 111338473A CN 202010099477 A CN202010099477 A CN 202010099477A CN 111338473 A CN111338473 A CN 111338473A
Authority
CN
China
Prior art keywords
operation instruction
computer
rehabilitation training
brain
instruction
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
CN202010099477.5A
Other languages
English (en)
Inventor
徐嘉华
吴正磊
刘东陇
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.)
Zhuhai Creeper Technology Co ltd
Original Assignee
Zhuhai Creeper Technology Co ltd
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 Zhuhai Creeper Technology Co ltd filed Critical Zhuhai Creeper Technology Co ltd
Priority to CN202010099477.5A priority Critical patent/CN111338473A/zh
Publication of CN111338473A publication Critical patent/CN111338473A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • Neurosurgery (AREA)
  • Dermatology (AREA)
  • Neurology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Rehabilitation Tools (AREA)

Abstract

本发明提供基于脑电信号的康复训练方法、计算机装置以及计算机可读存储介质，该方法包括：获取脑机采集的训练脑电信号，利用预设时间戳对训练脑电信号进行标记，获得康复训练数据；以预设机器学习算法对康复训练数据进行分类模型训练，获得指令分类模型；实时获取脑机采集的当前脑电信号，根据指令分类模型对当前脑电信号进行指令分类预测，确认当前脑电信号所对应的操作指令；根据操作指令控制VR设备进行视觉反馈。该计算机装置包括控制器，控制器用于执行存储器中存储的计算机程序时实现上述的方法。该计算机可读存储介质，其上存储有计算机程序，计算机程序被控制器执行时实现上述的方法。本发明可改善脑机采集的脑电信号，提高控制精度。

Description

基于脑电信号的康复训练方法、计算机装置以及计算机可读 存储介质
技术领域
本发明涉及脑电技术领域，具体的，涉及一种基于脑电信号的康复训练方法，还涉及应用该基于脑电信号的康复训练方法的计算机装置，还涉及应用该基于脑电信号的康复训练方法的计算机可读存储介质。
背景技术
脑机接口(Brain Computer Interface，BCI)是在人脑和计算机或其他电子设备之间建立不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的全新对外信息交流和控制技术。研究BCI系统的最初目的是为患有神经和运动系统疾病的患者提供一种与外界交流的方式，可以让患者用自己的思维意识控制外部设备，进一步提高患者的生活品质。
近年来，随着虚拟现实(Virtual Reality，VR)技术的成熟，将BCI技术与VR技术相结合，构成一种基于虚拟技术的新型脑机接口(BCI－VR)系统。利用VR头显即虚拟现实头戴式显示设备产生更积极主动、更丰富多彩、更具激励性的视觉刺激场景，可大大缩小现有BCI系统的体积，实现BCI系统的便携，大大促进BCI系统在临床医学和生产、生活中的应用。
然而，由于外部脑机交互装置获取脑电信号存在不稳定因素，信号质量不佳，从而导致脑机接口系统控制精度较低。
发明内容
本发明的第一目的是提供一种改善脑机采集的脑电信号，提高控制精度的基于脑电信号的康复训练方法。
本发明的第二目的是提供一种改善脑机采集的脑电信号，提高控制精度的计算机装置。
本发明的第三目的是提供一种改善脑机采集的脑电信号，提高控制精度的计算机可读存储介质。
为了实现上述第一目的，本发明提供的基于脑电信号的康复训练方法包括：获取脑机采集的训练脑电信号，利用预设时间戳对训练脑电信号进行标记，获得康复训练数据；以预设机器学习算法对康复训练数据进行分类模型训练，获得指令分类模型；实时获取脑机采集的当前脑电信号，根据指令分类模型对当前脑电信号进行指令分类预测，确认当前脑电信号所对应的操作指令；根据操作指令控制VR设备进行操作指令对应的视觉反馈。
由上述方案可见，本发明基于脑电信号的康复训练方法通过利用预设时间戳对脑机采集的训练脑电信号进行标记，可标记出较稳定的脑电信号，提高获取康复训练数据的精度，使得以预设机器学习算法对康复训练数据进行模型训练时，提高指令分类模型的准确度，进而在对当前脑电信号进行指令分类预测时，提高操作指令预测的准确性，从而提高控制VR设备的准确性。
进一步的方案中，获取脑机采集的训练脑电信号的步骤包括：在第一时间段内控制显示装置显示准备信息，获取脑机采集的准备阶段脑电信号；在第二时间段内控制显示装置显示指令信息，获取脑机采集的指令阶段脑电信号，第二时间段在时间顺序上位于第一时间段之后；在第三时间段内控制显示装置显示停止信息，获取脑机采集的停止阶段脑电信号，第三时间段在时间顺序上位于第二时间段之后。
由此可见，在获取脑机采集的训练脑电信号时，通过不同的时间段显示不同的信息，以便患者可根据显示信息进行想象，从而使得脑机采集的训练脑电信号更加稳定。
进一步方案中，康复训练数据是第二时间段开启后第四时间段内的指令阶段脑电信号。
由此可见，由于患者进行指令想象的一段时间后，脑电信号才能进入稳定状态，将第二时间段开启后第四时间段内的指令阶段脑电信号作为康复训练数据，可使获取得康复训练数据更加准确。
进一步的方案中，根据指令分类模型对当前脑电信号进行指令分类预测，确认当前脑电信号所对应的操作指令的步骤包括：每间隔第一预设时长时，以间隔时刻为起点，对第二预设时长内的当前脑电信号进行预测，获得预测操作指令；将连续获得的预设数量的预测操作指令作为预测操作指令组，根据预测操作指令组确定操作指令，其中，预设数量为单数。
由此可见，在对当前脑电信号进行指令分类预测时，每间隔第一预设时长时，以间隔时刻为起点，对第二预设时长内的当前脑电信号进行预测，获得预测操作指令，将连续获得的预设数量的预测操作指令作为预测操作指令组，根据预测操作指令组确定操作指令，从而提高操作指令预测的准确率。
进一步的方案中，根据预测操作指令组确定操作指令的步骤包括：将预测操作指令组中数量最多的预测操作指令作为操作指令。
由此可见，将预测操作指令组中数量最多的预测操作指令作为操作指令，可提高预测的准确率。
进一步的方案中，根据操作指令控制VR设备进行操作指令对应的视觉反馈的步骤包括：根据操作指令控制VR设备中显示的虚拟机器人。
由此可见，为了使患者更加直观的获知自己的控制指令是否正确，通过虚拟机器人的方式进行视觉反馈，可提高患者的体验。
进一步的方案中，根据操作指令控制VR设备进行操作指令对应的视觉反馈的步骤包括：获取到两次相同的操作指令时，控制VR设备进行操作指令对应的视觉反馈。
由此可见，在获取到两次相同的操作指令时，才控制VR设备进行视觉反馈，可提高控制的准确度。
为了实现本发明的第二目的，本发明提供计算机装置包括处理器以及存储器，存储器存储有计算机程序，计算机程序被处理器执行时实现上述的基于脑电信号的康复训练方法的步骤。
为了实现本发明的第三目的，本发明提供的计算机可读存储介质，其上存储有计算机程序，计算机程序被控制器执行时实现上述的基于脑电信号的康复训练方法的步骤。
附图说明
图1是本发明基于脑电信号的康复训练方法实施例的流程图。
图2是本发明基于脑电信号的康复训练方法实施例中获取脑电信号位置的示意图。
图3是本发明基于脑电信号的康复训练方法实施例中获取脑机采集的训练脑电信号的时序图。
图4是本发明基于脑电信号的康复训练方法实施例中预测操作指令组的示意图。
以下结合附图及实施例对本发明作进一步说明。
具体实施方式
本发明的基于脑电信号的康复训练方法是应用在脑机接口系统中的应用程序，用于实现对患者进行康复训练。本发明还提供一种计算机装置，该计算机装置包括控制器，控制器用于执行存储器中存储的计算机程序时实现上述的基于脑电信号的康复训练方法的步骤。本发明还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被控制器执行时实现上述的基于脑电信号的康复训练方法的步骤。
基于脑电信号的康复训练方法实施例：
本发明的基于脑电信号的康复训练方法为应用在脑机接口系统中的应用程序，用于实现对患者进行康复训练。
如图1所示，本发明的基于脑电信号的康复训练方法在进行工作时，首先执行步骤S1，获取脑机采集的训练脑电信号，利用预设时间戳对训练脑电信号进行标记，获得康复训练数据。
在进行康复训练时，需要通过患者的脑电信号进行控制，因此需要获取患者的脑电信号。获取脑电信号时，可通过脑机获取患者头部相应位置的脑电信号，例如，参见图2，训练脑电信号采用的数据包括8个采集位置，8个采集位置分别为Fz、Cz、C3、C4、P3、P4、O1和O2。通过脑机获取患者头部相应位置的脑电信号的技术为本领域技术人员所公知的技术，在此不再赘述。
本实施例中，获取脑机采集的训练脑电信号的步骤包括：在第一时间段内控制显示装置显示准备信息，获取脑机采集的准备阶段脑电信号；在第二时间段内控制显示装置显示指令信息，获取脑机采集的指令阶段脑电信号，第二时间段在时间顺序上位于第一时间段之后；在第三时间段内控制显示装置显示停止信息，获取脑机采集的停止阶段脑电信号，第三时间段在时间顺序上位于第二时间段之后。为了获取到的康复训练数据更加稳定，在获取脑机采集的训练脑电信号时，需要利用显示装置进行提示，以便患者进行想象，从而获取患者在不同想象阶段的脑电信号。第一时间段、第二时间段和第三时间段可根据实验数据进行设置。本实施例中，参见图3，开始进行脑电信号采集后，在0秒到10秒的时间段内控制显示装置显示准备信息，在此时间段内，获取准备阶段脑电信号；在10秒至15秒的时间内控制显示装置显示指令信息，在此时间段内，获取指令阶段脑电信号；在15秒至19秒的时间内控制显示装置显示停止信息，在此时间段内，获取停止阶段脑电信号。
获得训练脑电信号后，为了便于对训练脑电信号进行分析，利用预设时间戳对训练脑电信号进行标记，预设时间戳可根据第一时间段、第二时间段和第三时间段进行设置。由图3可知，本实施例中，在0秒时刻标记表示开始的符号“start”，在10秒时刻标记表示指令信息的符号“L”或“R”，在15秒时刻标记表示指令结束的符号“End”。
完成对训练脑电信号的标记后，需要获取康复训练数据。康复训练数据是第二时间段开启后第四时间段内的指令阶段脑电信号。由于患者进行指令想象的一段时间后，脑电信号才能进入稳定状态，因此，将第二时间段开启后第四时间段内的指令阶段脑电信号作为康复训练数据。第四时间段可根据实验结果进行设置。本实施例中，有图3可知，10秒至15秒的时间内为指令阶段脑电信号，将由10秒时刻开始一秒后的指令阶段脑电信号作为康复训练数据，即，11秒至15秒的指令阶段脑电信号作为康复训练数据。
获得康复训练数据后，执行步骤S2，以预设机器学习算法对康复训练数据进行分类模型训练，获得指令分类模型。通过机器学习算法对数据进行模型训练为本领域技术人员所公知的技术，在此不再赘述，预设机器学习算法包括线性判别分析(Lineardiscriminant analysis，LDA)算法、支持向量机(SupportVectorMachine，SVM)算法和决策树(Decision Tree)算法。优选的，本实施例采用线性判别分析算法。
当然，在进行分类模型训练之前，还需对康复训练数据进行信号预处理以及特征提取，此为本领域技术人员所公知的技术，在此不再赘述。本实施例中，在对康复训练数据进行信号预处理时，为了去除电源噪音，对信号做了50赫兹滤波。此外，不同的高通滤波器和低通滤波器也被运用来获取特定频段的信号。在对康复训练数据进行特征提取时，利用FBCSP(Filter bank common spatial pattern，滤波器组共空间模式)算法。CSP(Commonspatial pattern，共空间模式)算法是常见于脑信号两分类特征提取的算法，它将两分类的差异最大化，更便于机器学习。(FBCSP)是CSP算法的一种衍生算法，它将信号分成多个小频段，分别进行CSP特征提取，再将不同频段的特征合并和选取，本实施例中，频段为[2－4Hz]、[4－8Hz]、[8－13Hz]、[13－22Hz]和[22－30Hz]。
获得指令分类模型后，执行步骤S3，实时获取脑机采集的当前脑电信号，根据指令分类模型对当前脑电信号进行指令分类预测，确认当前脑电信号所对应的操作指令。为了便于患者发出操作指令，需要实时获取患者的当前脑电信号，并进行指令分类预测，从而确认操作指令。
本实施例中，根据指令分类模型对当前脑电信号进行指令分类预测，确认当前脑电信号所对应的操作指令的步骤包括：每间隔第一预设时长时，以间隔时刻为起点，对第二预设时长内的当前脑电信号进行预测，获得预测操作指令；将连续获得的预设数量的预测操作指令作为预测操作指令组，根据预测操作指令组确定操作指令，其中，预设数量为单数，预设数量可根据实验数据进行设置，第一预设时长和第二预设时长可根据实验数据进行设置。本实施例中，根据预测操作指令组确定操作指令的步骤包括：将预测操作指令组中数量最多的预测操作指令作为操作指令。
为了提高操作指令预测的准确率，在对当前脑电信号进行指令分类预测时，每间隔第一预设时长时，以间隔时刻为起点，对第二预设时长内的当前脑电信号进行预测，获得预测操作指令，将连续获得的预设数量的预测操作指令作为预测操作指令组，根据预测操作指令组确定操作指令。例如，参见图4，每隔0.5秒则对2秒长的信号进行预测，并将连续5个预测操作指令作为预测操作指令组，将预测操作指令组中数量最多的预测操作指令作为操作指令输出，如，11100将会输出操作指令“1”，00011将会输出操作指令“0”，输出操作指令“1”时表示向右运动的指令，输出操作指令“0”时表示向左运动的指令。
确定操作指令后，执行步骤S4，根据操作指令控制VR设备进行操作指令对应的视觉反馈。为了使患者更加直观的获知自己的控制指令是否正确，通过视觉反馈，可便于患者获知。
本实施例中，根据操作指令控制VR设备进行操作指令对应的视觉反馈的步骤包括：根据操作指令控制VR设备中显示的虚拟机器人。例如，输出操作指令“1”时控制虚拟机器人的右臂运动，输出操作指令“0”时控制虚拟机器人的右臂运动。
根据操作指令控制VR设备进行操作指令对应的视觉反馈的步骤还包括：获取到两次相同的操作指令时，控制VR设备进行操作指令对应的视觉反馈。通过在获取到两次相同的操作指令时，才控制VR设备进行视觉反馈，可提高控制的准确度。例如，若连续获得输出操作指令“1”时，控制VR设备进行操作指令对应的视觉反馈；若连续的两次输出操作指令分别为“0”和“1”时，则不执行操作，等到下一操作指令输出再进行判断。
当然，在确定操作指令后，除了可使用操作指令进行VR设备的控制外，还可以用于控制真实的机器人手臂。
计算机装置实施例：
本实施例的计算机装置包括控制器，控制器执行计算机程序时实现上述基于脑电信号的康复训练方法实施例中的步骤。
例如，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由控制器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
计算机装置可包括，但不仅限于，控制器、存储器。本领域技术人员可以理解，计算机装置可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机装置还可以包括输入输出设备、网络接入设备、总线等。
例如，控制器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用控制器、数字信号控制器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用控制器可以是微控制器或者该控制器也可以是任何常规的控制器等。控制器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块，控制器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。例如，存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(例如声音接收功能、声音转换成文字功能等)等；存储数据区可存储根据手机的使用所创建的数据(例如音频数据、文本数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
计算机可读存储介质实施例：
上述实施例的计算机装置集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，实现上述基于脑电信号的康复训练方法实施例中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被控制器执行时，可实现上述基于脑电信号的康复训练方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read－Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
由上述可知，本发明基于脑电信号的康复训练方法通过利用预设时间戳对脑机采集的训练脑电信号进行标记，可标记出较稳定的脑电信号，提高获取康复训练数据的精度，使得以预设机器学习算法对康复训练数据进行模型训练时，提高指令分类模型的准确度，进而在对当前脑电信号进行指令分类预测时，提高操作指令预测的准确性，从而提高控制VR设备的准确性。
需要说明的是，以上仅为本发明的优选实施例，但发明的设计构思并不局限于此，凡利用此构思对本发明做出的非实质性修改，也均落入本发明的保护范围之内。

Claims (9)

1.一种基于脑电信号的康复训练方法，其特征在于：包括：
获取脑机采集的训练脑电信号，利用预设时间戳对所述训练脑电信号进行标记，获得康复训练数据；
以预设机器学习算法对所述康复训练数据进行分类模型训练，获得指令分类模型；
实时获取脑机采集的当前脑电信号，根据所述指令分类模型对所述当前脑电信号进行指令分类预测，确认所述当前脑电信号所对应的操作指令；
根据所述操作指令控制VR设备进行所述操作指令对应的视觉反馈。
2.根据权利要求1所述的基于脑电信号的康复训练方法，其特征在于：
所述获取脑机采集的训练脑电信号的步骤包括：
在第一时间段内控制显示装置显示准备信息，获取所述脑机采集的准备阶段脑电信号；
在第二时间段内控制所述显示装置显示指令信息，获取所述脑机采集的指令阶段脑电信号，所述第二时间段在时间顺序上位于所述第一时间段之后；
在第三时间段内控制所述显示装置显示停止信息，获取所述脑机采集的停止阶段脑电信号，所述第三时间段在时间顺序上位于所述第二时间段之后。
3.根据权利要求2所述的基于脑电信号的康复训练方法，其特征在于：
所述康复训练数据是第二时间段开启后第四时间段内的指令阶段脑电信号。
4.根据权利要求1至3任一项所述的基于脑电信号的康复训练方法，其特征在于：
所述根据所述指令分类模型对所述当前脑电信号进行指令分类预测，确认所述当前脑电信号所对应的操作指令的步骤包括：
每间隔第一预设时长时，以间隔时刻为起点，对第二预设时长内的所述当前脑电信号进行预测，获得预测操作指令；
将连续获得的预设数量的所述预测操作指令作为预测操作指令组，根据所述预测操作指令组确定所述操作指令，其中，所述预设数量为单数。
5.根据权利要求4所述的基于脑电信号的康复训练方法，其特征在于：
所述根据所述预测操作指令组确定所述操作指令的步骤包括：
将所述预测操作指令组中数量最多的所述预测操作指令作为所述操作指令。
6.根据权利要求1至3任一项所述的基于脑电信号的康复训练方法，其特征在于：
所述根据所述操作指令控制VR设备进行所述操作指令对应的视觉反馈的步骤包括：
根据所述操作指令控制VR设备中显示的虚拟机器人。
7.根据权利要求1至3任一项所述的基于脑电信号的康复训练方法，其特征在于：
所述根据所述操作指令控制VR设备进行所述操作指令对应的视觉反馈的步骤包括：
获取到两次相同的操作指令时，控制VR设备进行所述操作指令对应的视觉反馈。
8.一种计算机装置，包括处理器以及存储器，其特征在于：所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任意一项所述的基于脑电信号的康复训练方法的步骤。
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：所述计算机程序被控制器执行时实现如权利要求1至7中任意一项所述的基于脑电信号的康复训练方法的步骤。
CN202010099477.5A 2020-02-18 2020-02-18 基于脑电信号的康复训练方法、计算机装置以及计算机可读存储介质 Pending CN111338473A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010099477.5A CN111338473A (zh) 2020-02-18 2020-02-18 基于脑电信号的康复训练方法、计算机装置以及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010099477.5A CN111338473A (zh) 2020-02-18 2020-02-18 基于脑电信号的康复训练方法、计算机装置以及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN111338473A true CN111338473A (zh) 2020-06-26

Family

ID=71183512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010099477.5A Pending CN111338473A (zh) 2020-02-18 2020-02-18 基于脑电信号的康复训练方法、计算机装置以及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111338473A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297993A (zh) * 2021-05-28 2021-08-24 南方科技大学 神经刺激信号确定装置和方法
CN113467609A (zh) * 2021-05-28 2021-10-01 北京脑陆科技有限公司 脑机接口bci设备的架构方法、装置、终端及介质
CN113655884A (zh) * 2021-08-17 2021-11-16 河北师范大学 设备控制方法、终端及系统
CN113705324A (zh) * 2021-06-29 2021-11-26 重庆邮电大学 基于决策树和csp-svm的多类运动想象脑电信号特征提取与分类方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923392A (zh) * 2010-09-02 2010-12-22 上海交通大学 脑电信号的异步脑机交互控制方法
CN104035563A (zh) * 2014-06-19 2014-09-10 北京工业大学 基于w-pca和无监督ghsom的脑电信号识别方法
CN106621287A (zh) * 2017-02-07 2017-05-10 西安交通大学 一种基于脑机接口与虚拟现实技术的上肢康复训练方法
WO2019068200A1 (en) * 2017-10-06 2019-04-11 Holland Bloorview Kids Rehabilitation Hospital BRAIN INTERFACES PLATFORM AND METHOD FOR INNER SPEECH CLASSIFICATION
CN109875509A (zh) * 2019-02-27 2019-06-14 京东方科技集团股份有限公司 阿尔茨海默症患者康复训练效果的测试系统和方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923392A (zh) * 2010-09-02 2010-12-22 上海交通大学 脑电信号的异步脑机交互控制方法
CN104035563A (zh) * 2014-06-19 2014-09-10 北京工业大学 基于w-pca和无监督ghsom的脑电信号识别方法
CN106621287A (zh) * 2017-02-07 2017-05-10 西安交通大学 一种基于脑机接口与虚拟现实技术的上肢康复训练方法
WO2019068200A1 (en) * 2017-10-06 2019-04-11 Holland Bloorview Kids Rehabilitation Hospital BRAIN INTERFACES PLATFORM AND METHOD FOR INNER SPEECH CLASSIFICATION
CN109875509A (zh) * 2019-02-27 2019-06-14 京东方科技集团股份有限公司 阿尔茨海默症患者康复训练效果的测试系统和方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马留洋: "基于虚拟现实的运动想象脑一机接口训练系统", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297993A (zh) * 2021-05-28 2021-08-24 南方科技大学 神经刺激信号确定装置和方法
CN113467609A (zh) * 2021-05-28 2021-10-01 北京脑陆科技有限公司 脑机接口bci设备的架构方法、装置、终端及介质
CN113297993B (zh) * 2021-05-28 2023-11-28 深圳中科华意科技有限公司 神经刺激信号确定装置和方法
CN113705324A (zh) * 2021-06-29 2021-11-26 重庆邮电大学 基于决策树和csp-svm的多类运动想象脑电信号特征提取与分类方法
CN113655884A (zh) * 2021-08-17 2021-11-16 河北师范大学 设备控制方法、终端及系统

Similar Documents

Publication Publication Date Title
CN111338473A (zh) 基于脑电信号的康复训练方法、计算机装置以及计算机可读存储介质
CN101464729B (zh) 基于听觉认知神经信号的自主意愿表达方法
CN105726045A (zh) 一种情绪监控方法及其移动终端
CN106095086B (zh) 一种基于无创电刺激的运动想象脑机接口控制方法
CN107957783A (zh) 一种基于脑电与肌电信息的多模式智能控制系统及方法
CN110442244A (zh) 一种基于脑机接口的虚拟现实游戏交互方法及系统
CN106227354A (zh) 一种脑机交互穿戴系统
CN111956219A (zh) 基于脑电信号的情绪特征识别方法、识别及调节系统
JP7336755B2 (ja) データ生成装置、生体データ計測システム、識別器生成装置、データ生成方法、識別器生成方法及びプログラム
CN112971811B (zh) 脑功能定位方法、装置及电子设备
CN110737331B (zh) 基于多任务脑机接口的个性化认知训练及康复方法、装置及设备
CN113053492B (zh) 基于用户背景和情绪的自适应虚拟现实干预系统及方法
CN108319367B (zh) 一种基于运动起始诱发电位的脑机接口方法
Liu et al. Discrimination of motor imagery patterns by electroencephalogram phase synchronization combined with frequency band energy
CN115089190B (zh) 基于模拟机的飞行员多模态生理信号同步采集系统
CN116088686B (zh) 一种脑电溯源的运动想象脑机接口训练方法与系统
Kim et al. Subject-Transfer Approach based on Convolutional Neural Network for the SSSEP-BCIs
Limbaga et al. Development of an EEG-based Brain-Controlled System for a Virtual Prosthetic Hand
Bougrain et al. From the decoding of cortical activities to the control of a JACO robotic arm: a whole processing chain
Asawa et al. Brain Computer Interface for Micro-controller Driven Robot Based on Emotiv Sensors
Lo et al. Meditation training enhances the efficacy of BCI system control
CN111967333A (zh) 一种信号生成方法、系统、存储介质及脑机接口拼写器
Afdideh et al. Development of a MATLAB-based toolbox for brain computer interface applications in virtual reality
Fujisawa et al. EEG-based navigation of immersing virtual environment using common spatial patterns
Chum et al. Optimal EEG feature extraction based on R-square coefficients for motor imagery BCI system

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