CN111338483A - 一种设备控制的方法、系统、控制设备及可读存储介质 - Google Patents
一种设备控制的方法、系统、控制设备及可读存储介质 Download PDFInfo
- Publication number
- CN111338483A CN111338483A CN202010202012.8A CN202010202012A CN111338483A CN 111338483 A CN111338483 A CN 111338483A CN 202010202012 A CN202010202012 A CN 202010202012A CN 111338483 A CN111338483 A CN 111338483A
- Authority
- CN
- China
- Prior art keywords
- signal
- rhythm
- filtering
- feature space
- frequency band
- 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
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
Abstract
本申请公开了一种设备控制的方法,包括:利用预设节律的带通滤波器对原始脑电信号进行滤波处理;对预设节律的滤波信号进行空间滤波,得到频带信号;对频带信号进行黎曼切空间映射构建特征空间,并利用互信息熵对特征空间进行特征挑选,得到最优特征空间;根据脑电控制信号的类别控制待控设备执行对应的动作。本申请降低了信息获取过程的复杂度,增加了有用信息的获取效率;通过利用互信息熵对特征空间进行特征挑选,极大的提高了不同类别特征的可区分度,进而提高了基于脑机接口的设备控制方法的控制效率。本申请同时还提供了一种设备控制的系统、控制设备及可读存储介质,具有上述有益效果。
Description
技术领域
本申请涉及脑机接口领域,特别涉及一种设备控制的方法、系统、控制设备及可读存储介质。
背景技术
脑机接口是指在脑和计算机或其它设备之间建立直接的交流和控制通道,它不依赖于外周神经系统及肌肉组织,是一种全新的人机接口方式。脑机接口分为植入式与非植入式两类,其中:
植入式脑机接口所获得的脑信号精度相对较高,信噪比高,易于分析处理,但需要对使用者进行开颅手术,危险性较大,目前主要用于动物实验研究;
非植入式脑机接口获取的脑电信号噪声大,信号特征的可区分性差,但获取脑信号不需要进行任何手术,而且随着信号处理方法和技术的不断进步,对头皮脑电(electroencephalogram,EEG)的处理已经达到了一定的水平,使脑机接口应用于实际生活成为可能。
然而,现有技术中针对于脑电信号中的信息获取方法太过复杂,而且信息冗余度较高,特征可区分度差,导致基于脑机接口的设备控制方法效率极低。
因此,如何提高基于脑机接口的设备控制方法的控制效率是本领域技术人员目前需要解决的技术问题。
发明内容
本申请的目的是提供一种设备控制的方法、系统、控制设备及可读存储介质,用于提高基于脑机接口的设备控制方法的控制效率。
为解决上述技术问题,本申请提供一种设备控制的方法,该方法包括:
获取原始脑电信号,并利用预设节律的带通滤波器对所述原始脑电信号进行滤波处理,得到所述预设节律的滤波信号;
对所述预设节律的滤波信号进行空间滤波,得到频带信号;
对所述频带信号进行黎曼切空间映射构建特征空间,并利用互信息熵对所述特征空间进行特征挑选,得到最优特征空间;
接收脑电控制信号,并根据所述最优特征空间确定所述脑电控制信号的类别,根据所述脑电控制信号的类别控制待控设备执行对应的动作。
可选的,利用预设节律的带通滤波器对所述原始脑电信号进行滤波处理,得到所述预设节律的滤波信号,包括:
分别利用μ节律、β节律以及全波段的带通滤波器对所述原始脑电信号进行滤波处理,对应得到μ节律滤波信号、β节律滤波信号及全波段滤波信号。
可选的,对所述预设节律的滤波信号进行空间滤波,得到频带信号,包括:
利用共空间模式法分别对所述μ节律滤波信号、所述β节律滤波信号及所述全波段滤波信号进行空间滤波,对应得到μ节律频带信号、β节律频带信号及全波段频带信号。
可选的,对所述频带信号进行黎曼切空间映射构建特征空间,并利用互信息熵对所述特征空间进行特征挑选,得到最优特征空间,包括:
分别对所述μ节律频带信号、所述β节律频带信号及所述全波段频带信号进行协方差运算,并进行黎曼切空间映射构建对应的μ节律子特征空间、β节律频带信号及全波段子特征空间;
将所述μ节律子特征空间、所述β节律频带信号及所述全波段子特征空间合并成所述特征空间,并利用互信息熵对所述特征空间进行特征挑选,得到所述最优特征空间。
可选的,根据所述最优特征空间确定所述脑电控制信号的类别,包括:
利用支持向量机分类器根据所述最优特征空间确定所述脑电控制信号的类别。
可选的,根据所述最优特征空间确定所述脑电控制信号的类别,包括:
利用线性判别分析算法根据所述最优特征空间确定所述脑电控制信号的类别。
本申请还提供一种设备控制的系统,该系统包括:
带通滤波模块,用于获取原始脑电信号,并利用预设节律的带通滤波器对所述原始脑电信号进行滤波处理,得到所述预设节律的滤波信号;
空间滤波模块,用于对所述预设节律的滤波信号进行空间滤波,得到频带信号;
特征空间构建模块,用于对所述频带信号进行黎曼切空间映射构建特征空间,并利用互信息熵对所述特征空间进行特征挑选;
控制模块,用于接收脑电控制信号,并根据所述最优特征空间确定所述脑电控制信号的类别,根据所述脑电控制信号的类别控制待控设备执行对应的动作。
所述带通滤波模块包括:
带通滤波子模块,用于分别利用μ节律、β节律以及全波段的带通滤波器对所述原始脑电信号进行滤波处理,对应得到μ节律滤波信号、β节律滤波信号及全波段滤波信号。
本申请还提供一种控制设备,该控制设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述任一项所述设备控制的方法的步骤。
本申请还提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述设备控制的方法的步骤。
本申请所提供设备控制的方法,包括:获取原始脑电信号,并利用预设节律的带通滤波器对原始脑电信号进行滤波处理,得到预设节律的滤波信号;对预设节律的滤波信号进行空间滤波,得到频带信号;对频带信号进行黎曼切空间映射构建特征空间,并利用互信息熵对特征空间进行特征挑选,得到最优特征空间;接收脑电控制信号,并根据最优特征空间确定脑电控制信号的类别,根据脑电控制信号的类别控制待控设备执行对应的动作。
本申请所提供的技术方案,通过利用预设节律的带通滤波器对原始脑电信号进行滤波处理,以及对预设节律的滤波信号进行空间滤波,降低了信息获取过程的复杂度,增加了有用信息的获取效率;同时,通过利用互信息熵对特征空间进行特征挑选,极大的提高了不同类别特征的可区分度,进而提高了基于脑机接口的设备控制方法的控制效率。本申请同时还提供了一种设备控制的系统、控制设备及可读存储介质,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种设备控制的方法的流程图;
图2为本申请实施例所提供的另一种设备控制的方法的流程图;
图3为本申请实施例所提供的一种设备控制的系统的结构图;
图4为本申请实施例所提供的另一种设备控制的系统的结构图;
图5为本申请实施例所提供的一种控制设备的结构图。
具体实施方式
本申请的核心是提供一种设备控制的方法、系统、控制设备及可读存储介质,用于提高基于脑机接口的设备控制方法的控制效率。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
脑机接口通常包括三部分:
1)信号采集;
2)信号处理;
从神经信号中提取使用者的意识,并通过特定的模式识别算法将输入的使用者的神经信号转换为控制外部设备的输出指令。
3)控制外部设备;
根据使用者的意识来驱动外部设备,从而替代用户丧失的运动和交流能力。
基于现有技术中针对于脑电信号中的信息获取方法太过复杂,而且信息冗余度较高,特征可区分度差,导致基于脑机接口的设备控制方法效率极低;故本申请提供了一种设备控制的方法,用于解决上述问题。
请参考图1,图1为本申请实施例所提供的一种设备控制的方法的流程图。
其具体包括如下步骤:
S101:获取原始脑电信号,并利用预设节律的带通滤波器对原始脑电信号进行滤波处理,得到预设节律的滤波信号;
这里提到的原始脑电信号具体可以为通过脑电信号采集装置采集得到的,也可以为系统连接到指定位置下载得到的,本申请对此不做具体限定;
可选的,这里提到的预设节律的带通滤波器具体可以包括μ节律的带通滤波器或β节律的带通滤波器,其中:
脑电信号是一个多通道的时间序列信号,一个样本点就是一个矩阵,现有技术中通常会采用一个5~40Hz的带通滤波器对各个通道的时间序列进行数字信号滤波以滤除噪声获得需要的信息,导致信息获取复杂且信息冗余,而人体不同部位的运动与感知,受到大脑皮层不同区域的控制,感觉运动节律包括μ节律(8-13Hz)和β节律(15-30Hz),μ节律、β节律会因为运动、运动想象或运动准备被抑制而下降,因此针对于脑机接口的设备控制方法,着重提取μ节律、β节律的滤波能够保证获取信息的准确性,进而降低了信息获取的复杂度。
S102:对预设节律的滤波信号进行空间滤波,得到频带信号;
在得到预设节律的滤波信号之后,本申请对预设节律的滤波信号进行空间滤波,其目的在于改善滤波信号的质量,可以包括但不限于去除高频噪声与干扰、信息增强及去模糊等方式;
在一个具体实施例中,可以通过预设的平滑空间滤波器对预设节律的滤波信号进行空间滤波。
S103:对频带信号进行黎曼切空间映射构建特征空间,并利用互信息熵对特征空间进行特征挑选,得到最优特征空间;
在得到频带信号之后,本申请对频带信号进行黎曼切空间映射构建特征空间,并利用互信息熵对特征空间进行特征挑选,得到最优特征空间,其目的在于提高不同类别特征的可区分度,进而提高基于脑机接口的设备控制方法的控制效率;
在一个具体实施例中,这里提到的利用互信息熵对特征空间进行特征挑选,其具体可以为通过计算特征空间中每个特征的互信息熵,并将该互信息熵低于阈值的特征从该特征空间中删除,得到最优特征空间。
S104:接收脑电控制信号,并根据最优特征空间确定脑电控制信号的类别,根据脑电控制信号的类别控制待控设备执行对应的动作。
在得到最优特征空间之后,本申请可以根据该最优特征空间确定接收到的脑电控制信号的类别,并根据脑电控制信号的类别控制待控设备执行对应的动作,完成对待控设备的控制;
可选的,这里提到的待控设备可以包括但不限于躯体控制设备(如机械手臂)、代步装置(如智能轮椅、平衡车)等。
可选的,这里提到的根据最优特征空间确定脑电控制信号的类别,其具体可以为:
利用支持向量机分类器根据最优特征空间确定脑电控制信号的类别。
可选的,这里提到的根据最优特征空间确定脑电控制信号的类别,其具体也可以为:
利用线性判别分析算法根据最优特征空间确定脑电控制信号的类别。
基于上述技术方案,本申请所提供的一种设备控制的方法,通过利用预设节律的带通滤波器对原始脑电信号进行滤波处理,以及对预设节律的滤波信号进行空间滤波,降低了信息获取过程的复杂度,增加了有用信息的获取效率;同时,通过利用互信息熵对特征空间进行特征挑选,极大的提高了不同类别特征的可区分度,进而提高了基于脑机接口的设备控制方法的控制效率。
本申请实施例还公开了另一种设备控制的方法,相对于前几个实施例,本实施例对技术方案作了进一步的说明和优化,具体的:
请参考图2,图2为本申请实施例提供的另一种设备控制的方法的流程图,其具体包括以下步骤:
S201:分别利用μ节律、β节律以及全波段的带通滤波器对原始脑电信号进行滤波处理,对应得到μ节律滤波信号、β节律滤波信号及全波段滤波信号;
S202:利用共空间模式法分别对μ节律滤波信号、β节律滤波信号及全波段滤波信号进行空间滤波,对应得到μ节律频带信号、β节律频带信号及全波段频带信号;
S203:分别对μ节律频带信号、β节律频带信号及全波段频带信号进行协方差运算,并进行黎曼切空间映射构建对应的μ节律子特征空间、β节律频带信号及全波段子特征空间;
S204:将μ节律子特征空间、β节律频带信号及全波段子特征空间合并成特征空间,并利用互信息熵对特征空间进行特征挑选,得到最优特征空间;
S205:接收脑电控制信号,并根据最优特征空间确定脑电控制信号的类别,根据脑电控制信号的类别控制待控设备执行对应的动作。
基于上述技术方案,本申请通过分别利用μ节律、β节律以及全波段的带通滤波器对原始脑电信号进行滤波处理,以及利用共空间模式法分别对μ节律滤波信号、β节律滤波信号及全波段滤波信号进行空间滤波,极大的降低了信息获取过程的复杂度,增加了有用信息的获取效率;同时,将μ节律子特征空间、β节律频带信号及全波段子特征空间合并成特征空间,并利用互信息熵对特征空间进行特征挑选,得到最优特征空间,极大的提高了不同类别特征的可区分度,进而提高了基于脑机接口的设备控制方法的控制效率。
请参考图3,图3为本申请实施例所提供的一种设备控制的系统的结构图。
该系统可以包括:
带通滤波模块100,用于获取原始脑电信号,并利用预设节律的带通滤波器对原始脑电信号进行滤波处理,得到预设节律的滤波信号;
空间滤波模块200,用于对预设节律的滤波信号进行空间滤波,得到频带信号;
特征空间构建模块300,用于对频带信号进行黎曼切空间映射构建特征空间,并利用互信息熵对特征空间进行特征挑选;
控制模块400,用于接收脑电控制信号,并根据最优特征空间确定脑电控制信号的类别,根据脑电控制信号的类别控制待控设备执行对应的动作。
请参考图4,图4为本申请实施例所提供的另一种设备控制的系统的结构图。
该带通滤波模块100可以包括:
带通滤波子模块,用于分别利用μ节律、β节律以及全波段的带通滤波器对所述原始脑电信号进行滤波处理,对应得到μ节律滤波信号、β节律滤波信号及全波段滤波信号。
该空间滤波模块200可以包括:
空间滤波子模块,用于利用共空间模式法分别对μ节律滤波信号、β节律滤波信号及全波段滤波信号进行空间滤波,对应得到μ节律频带信号、β节律频带信号及全波段频带信号。
该特征空间构建模块300可以包括:
构建子模块,用于分别对μ节律频带信号、β节律频带信号及全波段频带信号进行协方差运算,并进行黎曼切空间映射构建对应的μ节律子特征空间、β节律频带信号及全波段子特征空间;
合并子模块,用于将μ节律子特征空间、β节律频带信号及全波段子特征空间合并成特征空间,并利用互信息熵对特征空间进行特征挑选,得到最优特征空间。
该控制模块400可以包括:
第一确定子模块,用于利用支持向量机分类器根据所述最优特征空间确定所述脑电控制信号的类别。
该控制模块400可以包括:
第二确定子模块,用于利用线性判别分析算法根据所述最优特征空间确定所述脑电控制信号的类别。
由于系统部分的实施例与方法部分的实施例相互对应,因此系统部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
请参考图5,图5为本申请实施例所提供的一种控制设备的结构图。
该控制设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)522(例如,一个或一个以上处理器)和存储器532,一个或一个以上存储应用程序542或数据544的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器532和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对装置中的一系列指令操作。更进一步地,处理器522可以设置为与存储介质530通信,在控制设备500上执行存储介质530中的一系列指令操作。
控制设备500还可以包括一个或一个以上电源525,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口558,和/或,一个或一个以上操作系统541,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述图1至图2所描述的设备控制的方法中的步骤由控制设备基于该图5所示的结构实现。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置、设备和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
集成的模块如果以软件功能模块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取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,功能调用装置,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本申请所提供的一种设备控制的方法、系统、控制设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种设备控制的方法,其特征在于,包括:
获取原始脑电信号,并利用预设节律的带通滤波器对所述原始脑电信号进行滤波处理,得到所述预设节律的滤波信号;
对所述预设节律的滤波信号进行空间滤波,得到频带信号;
对所述频带信号进行黎曼切空间映射构建特征空间,并利用互信息熵对所述特征空间进行特征挑选,得到最优特征空间;
接收脑电控制信号,并根据所述最优特征空间确定所述脑电控制信号的类别,根据所述脑电控制信号的类别控制待控设备执行对应的动作。
2.根据权利要求1所述的方法,其特征在于,利用预设节律的带通滤波器对所述原始脑电信号进行滤波处理,得到所述预设节律的滤波信号,包括:
分别利用μ节律、β节律以及全波段的带通滤波器对所述原始脑电信号进行滤波处理,对应得到μ节律滤波信号、β节律滤波信号及全波段滤波信号。
3.根据权利要求2所述的方法,其特征在于,对所述预设节律的滤波信号进行空间滤波,得到频带信号,包括:
利用共空间模式法分别对所述μ节律滤波信号、所述β节律滤波信号及所述全波段滤波信号进行空间滤波,对应得到μ节律频带信号、β节律频带信号及全波段频带信号。
4.根据权利要求3所述的方法,其特征在于,对所述频带信号进行黎曼切空间映射构建特征空间,并利用互信息熵对所述特征空间进行特征挑选,得到最优特征空间,包括:
分别对所述μ节律频带信号、所述β节律频带信号及所述全波段频带信号进行协方差运算,并进行黎曼切空间映射构建对应的μ节律子特征空间、β节律频带信号及全波段子特征空间;
将所述μ节律子特征空间、所述β节律频带信号及所述全波段子特征空间合并成所述特征空间,并利用互信息熵对所述特征空间进行特征挑选,得到所述最优特征空间。
5.根据权利要求1所述的方法,其特征在于,根据所述最优特征空间确定所述脑电控制信号的类别,包括:
利用支持向量机分类器根据所述最优特征空间确定所述脑电控制信号的类别。
6.根据权利要求1所述的方法,其特征在于,根据所述最优特征空间确定所述脑电控制信号的类别,包括:
利用线性判别分析算法根据所述最优特征空间确定所述脑电控制信号的类别。
7.一种设备控制的系统,其特征在于,包括:
带通滤波模块,用于获取原始脑电信号,并利用预设节律的带通滤波器对所述原始脑电信号进行滤波处理,得到所述预设节律的滤波信号;
空间滤波模块,用于对所述预设节律的滤波信号进行空间滤波,得到频带信号;
特征空间构建模块,用于对所述频带信号进行黎曼切空间映射构建特征空间,并利用互信息熵对所述特征空间进行特征挑选;
控制模块,用于接收脑电控制信号,并根据所述最优特征空间确定所述脑电控制信号的类别,根据所述脑电控制信号的类别控制待控设备执行对应的动作。
8.根据权利要求7所述的系统,其特征在于,所述带通滤波模块包括:
带通滤波子模块,用于分别利用μ节律、β节律以及全波段的带通滤波器对所述原始脑电信号进行滤波处理,对应得到μ节律滤波信号、β节律滤波信号及全波段滤波信号。
9.一种控制设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述设备控制的方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述设备控制的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010202012.8A CN111338483B (zh) | 2020-03-20 | 2020-03-20 | 一种设备控制的方法、系统、控制设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010202012.8A CN111338483B (zh) | 2020-03-20 | 2020-03-20 | 一种设备控制的方法、系统、控制设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111338483A true CN111338483A (zh) | 2020-06-26 |
CN111338483B CN111338483B (zh) | 2021-06-08 |
Family
ID=71182503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010202012.8A Active CN111338483B (zh) | 2020-03-20 | 2020-03-20 | 一种设备控制的方法、系统、控制设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111338483B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221831A (zh) * | 2021-05-31 | 2021-08-06 | 南方科技大学 | 解码标签预测方法、模型建立方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587546A (zh) * | 2009-06-12 | 2009-11-25 | 浙江大学 | 基于支持向量多元分类的下肢动作模式的识别方法 |
CN102542283A (zh) * | 2010-12-31 | 2012-07-04 | 北京工业大学 | 脑机接口的最优电极组自动选取方法 |
CN102613972A (zh) * | 2012-03-28 | 2012-08-01 | 西安电子科技大学 | 运动想象脑电信号特征的提取方法 |
WO2019018400A1 (en) * | 2017-07-17 | 2019-01-24 | Sri International | OPTIMIZATION OF SLOW WAVE ACTIVITY BASED ON DOMINANT PERIPHERAL NERVOUS SYSTEM OSCILLATIONS |
CN110851783A (zh) * | 2019-11-12 | 2020-02-28 | 华中科技大学 | 一种用于脑机接口校准的异构标签空间迁移学习方法 |
-
2020
- 2020-03-20 CN CN202010202012.8A patent/CN111338483B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587546A (zh) * | 2009-06-12 | 2009-11-25 | 浙江大学 | 基于支持向量多元分类的下肢动作模式的识别方法 |
CN102542283A (zh) * | 2010-12-31 | 2012-07-04 | 北京工业大学 | 脑机接口的最优电极组自动选取方法 |
CN102613972A (zh) * | 2012-03-28 | 2012-08-01 | 西安电子科技大学 | 运动想象脑电信号特征的提取方法 |
WO2019018400A1 (en) * | 2017-07-17 | 2019-01-24 | Sri International | OPTIMIZATION OF SLOW WAVE ACTIVITY BASED ON DOMINANT PERIPHERAL NERVOUS SYSTEM OSCILLATIONS |
CN110851783A (zh) * | 2019-11-12 | 2020-02-28 | 华中科技大学 | 一种用于脑机接口校准的异构标签空间迁移学习方法 |
Non-Patent Citations (2)
Title |
---|
王月茹: ""基于时间_频率_空间域的运动想象脑电特征提取方法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
王猛: ""基于运动想象的脑-机接口的算法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221831A (zh) * | 2021-05-31 | 2021-08-06 | 南方科技大学 | 解码标签预测方法、模型建立方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111338483B (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Islam et al. | Multiband tangent space mapping and feature selection for classification of EEG during motor imagery | |
Chawla | A comparative analysis of principal component and independent component techniques for electrocardiograms | |
Somers et al. | Removal of eye blink artifacts in wireless EEG sensor networks using reduced-bandwidth canonical correlation analysis | |
Baali et al. | A transform-based feature extraction approach for motor imagery tasks classification | |
Dokur et al. | Heartbeat classification by using a convolutional neural network trained with Walsh functions | |
CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
KR102557024B1 (ko) | 다기능 뇌 컴퓨터 인터페이스 장치 및 방법 | |
CN111338483B (zh) | 一种设备控制的方法、系统、控制设备及可读存储介质 | |
CN111820876A (zh) | 一种脑电空间滤波器的动态构建方法 | |
Wang et al. | A motor-imagery channel-selection method based on SVM-CCA-CS | |
Hong et al. | Signal processing algorithms for SSVEP-based brain computer interface: State-of-the-art and recent developments | |
Liu et al. | Identification of anisomerous motor imagery EEG signals based on complex algorithms | |
CN116756643A (zh) | 一种基于Fisher分数的脑电通道选择方法 | |
AU2020103949A4 (en) | EEG Signal Mixed Noise Processing Method, Equipment and Storage Medium | |
Islam et al. | Classification of motor imagery BCI using multiband tangent space mapping | |
CN115721323A (zh) | 一种脑机接口信号识别方法、系统及电子设备 | |
Hamedi et al. | Motor imagery brain functional connectivity analysis via coherence | |
Rastgoo et al. | Improving decoding of the mental activities in bci systems using overlapping fbcsp | |
CN112783314B (zh) | 基于ssvep的脑机接口刺激范式生成、检测方法、系统、介质、终端 | |
CN113712574A (zh) | 一种脑电生物反馈得康复方法及系统 | |
Siviero et al. | Motor-imagery EEG signal decoding using multichannel-empirical wavelet transform for brain computer interfaces | |
Togha et al. | Calibration time reduction through local activities estimation in motor imagery-based brain-computer interfaces | |
Motlagh et al. | Optimal accuracy and runtime trade-off in wavelet based single-trial P300 detection | |
CN117349603B (zh) | 脑电信号的自适应降噪方法及装置、设备、存储介质 | |
CN117349598B (zh) | 脑电信号处理方法及装置、设备、存储介质 |
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 |