CN111568415A - 基于mvmd-cca的ssvep脑电信号识别方法 - Google Patents

基于mvmd-cca的ssvep脑电信号识别方法 Download PDF

Info

Publication number
CN111568415A
CN111568415A CN202010457759.8A CN202010457759A CN111568415A CN 111568415 A CN111568415 A CN 111568415A CN 202010457759 A CN202010457759 A CN 202010457759A CN 111568415 A CN111568415 A CN 111568415A
Authority
CN
China
Prior art keywords
electroencephalogram signal
frequency
iteration
identified
signal
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
CN202010457759.8A
Other languages
English (en)
Inventor
翟弟华
王康
胡乐云
夏元清
戴荔
邹伟东
张金会
闫莉萍
崔冰
孙中奇
郭泽华
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010457759.8A priority Critical patent/CN111568415A/zh
Publication of CN111568415A publication Critical patent/CN111568415A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • A61B5/378—Visual stimuli
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Psychiatry (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了基于MVMD‑CCA的SSVEP脑电信号识别方法，能够将脑电信号分解为多个多元调制分量，降低脑电信号中的非相关脑活动与伪迹的影响，提高分类精度。包括如下步骤：采集多通道稳态视觉诱发电位SSVEP脑电信号作为待识别脑电信号。设定带分解的分量个数K，构造变分问题，并采用ADMM算法求解所述变分问题，将所述待识别脑电信号分解为K个多元调制分量。据诱发所述待识别脑电信号的视觉刺激频率，定义参考信号。求解特定刺激频率fi的加权关联系数。取最大加权关联系数对应的频率即为所述待识别脑电信号的诱发刺激频率。

Description

基于MVMD-CCA的SSVEP脑电信号识别方法
技术领域
本发明涉及模式识别技术领域，具体涉及基于MVMD-CCA的SSVEP脑电信号识别方法。
背景技术
脑机接口是一种不依赖周围神经肌肉组织等通路，直接利用人类大脑活动产生的信号与外界环境设备沟通的技术。近年来，脑机接口逐渐成为脑科学、生物医学、人工智能等领域的研究热点，受到世界各领域研究的重视，不少国家先后启动了相关研究计划。脑机接口技术在多个领域具备巨大的发展潜力：在康复医疗领域，可以帮助患有肌萎缩侧索硬化症、脑卒中等疾病的患者进行康复训练，有助于患者恢复神经知觉；在军事领域，可以通过控制军用外骨骼强化士兵的单兵作战能力，也可以提供脑控无人机、无人车等外部装备的方法；在娱乐生活领域，可以帮助人们控制家用电子设备，提升人们的生活品质。
稳态视觉诱发电位(Steady-state Visual Evoked Potential,SSVEP)是脑机接口设备常用的输入信号。当人眼受到较高频率的视觉刺激时，大脑皮层的枕区会出现周期性节律活动，即SSVEP。基于SSVEP的脑机接口的主要指标是信号识别精度和信息传输速率(Information Translate Rate,ITR),系统的实现关键在于SSVEP脑电信号的特征提取与分类识别。
目前基于CCA及其变种的算法在SSVEP脑电信号的识别中得到了广泛应用，其中最为典型的是陈小刚等人提出的FBCCA算法，在线实验中达到了约92％的精度和151bit/min的信息传输率。目前来说，SSVEP的识别率还有着进一步的提升空间。
SSVEP脑电信号记录过程中出现的自发性脑电活动和伪迹会影响到基于CCA算法的识别性能，提取与SSVEP相关的子频带可以减少无关脑活动和伪迹的影响，FBCCA算法的提出也是基于这一点。
目前针对SSVEP脑电信号的识别受脑电信号中的非相关脑活动与伪迹的影响较大，分类精度不高。
发明内容
有鉴于此，本发明提供了基于MVMD-CCA的SSVEP脑电信号识别方法，能够将脑电信号分解为多个多元调制分量，降低脑电信号中的非相关脑活动与伪迹的影响，提高分类精度。
为达到上述目的，本发明的技术方案为：基于MVMD-CCA的SSVEP脑电信号识别方法，包括如下步骤：
S1、采集多通道稳态视觉诱发电位SSVEP脑电信号作为待识别脑电信号。
S2、设定带分解的分量个数K，构造变分问题，并采用ADMM算法求解变分问题，将待识别脑电信号分解为K个多元调制分量。
S3、据诱发待识别脑电信号的视觉刺激频率，定义参考信号。
S4、求解特定刺激频率fi的加权关联系数。
S5、取最大加权关联系数对应的频率即为待识别脑电信号的诱发刺激频率。
进一步地，多通道稳态视觉诱发电位SSVEP脑电信号作为待识别脑电信号，具体为：采用多导联电极帽采集SSVEP刺激下的脑电信号作为待识别脑电信号。
进一步地，设定带分解的分量个数K，构造变分问题，具体为：待识别脑电信号为x(t)，通道数为C；设定的待分解分量数目为K，分解得到的K个多元调制分量uk(t)，k＝1,2,...,K，据此构建变分问题，包括如下步骤：
S201、利用Hilbert变换求多元调制振动信号uk(t)的解析信号
Figure BDA0002509912820000021
Figure BDA0002509912820000031
其中
Figure BDA0002509912820000032
分别为第1～第C通道的解析信号；uk,1(t)～uk,C(t)分别为uk(t)第1～第C通道的数据；δ(t)为冲激函数；j为复数符号。
S202、预估解析信号的中心频率为wk，采用移频操作将解析信号的频谱移至基带：
Figure BDA0002509912820000033
S203、利用梯度的L2范数构造约束变分问题如下：
Figure BDA0002509912820000034
其中uk,c(t)为分解的第k个分量中uk(t)的第c个通道的数据，xc(t)为待识别脑电信号x(t)的第c个通道的数据。
S204、引入二次罚项α和拉格朗日乘子λ将约束变分问题转换为无约束变分优化问题：
Figure BDA0002509912820000035
其中，<>表示两个元素的积；λc为
Figure BDA0002509912820000036
进一步地，采用ADMM算法求解变分问题，将待识别脑电信号分解为K个多元调制分量，具体包括如下步骤：
S2001、初始化
Figure BDA0002509912820000041
迭代次数n设置为0；
Figure BDA0002509912820000042
为uk,c(t)对应的迭代初值，
Figure BDA0002509912820000043
为每个中心频率wk(k＝1,2,...,K)对应的迭代初值，
Figure BDA0002509912820000044
为拉格朗日乘子函数λc对应的迭代初值；
S2002、对于第n+1次迭代，对每一个多元调制分量uk,c(t)，k＝1,2,3…K进行更新如下：
Figure BDA0002509912820000045
其中
Figure BDA0002509912820000046
为uk,c(t)对应的第n+1次迭代值；i为下标k的指代标志，
Figure BDA0002509912820000047
为包含当i＜k时所有的ui,c(t)对应的第n+1次迭代值的集合，
Figure BDA0002509912820000048
为包含当i≥k时所有的ui,c(t)对应的第n次迭代值的集合；
Figure BDA0002509912820000049
为wk的第n次迭代值，
Figure BDA00025099128200000410
为包含所有wi对应的第n次迭代值的集合；
Figure BDA00025099128200000411
为λc对应的第n次迭代值；
解得的频域更新公式为：
Figure BDA00025099128200000412
其中w为频域变量；
S2003、对每个中心频率wk(k＝1,2,...,K)的第n+1次迭代至更新如下：
Figure BDA00025099128200000413
得到的频域更新公式为：
Figure BDA00025099128200000414
S2004、拉格朗日乘子函数λc对应的第n+1次迭代值
Figure BDA00025099128200000415
更新如下：
Figure BDA0002509912820000051
S2005、按照S2002至S2005重复迭代，直到满足迭代的停止条件：
Figure BDA0002509912820000052
最终得到K个多元调制分量uk(t)，k＝1,2,...,K。
进一步地，据诱发待识别脑电信号的视觉刺激频率，定义参考信号，具体为：
根据诱发SSVEP的N个视觉刺激频率fi，其中i＝1,2,…,N，定义参考信号为：
Figure BDA0002509912820000053
其中，Nh表示谐波的数量。
进一步地，求解特定刺激频率fi的加权关联系数，具体为：
S401、针对特定刺激频率fi(i＝1,2,…,N)，利用典型关联分析CCA算法求解多元调制分量uk(t)，k＝1,2,...,K与参考信号Yi，i＝1,2,…,N，的最大典型关联系数
Figure BDA0002509912820000054
S402、求刺激频率fi下的加权关联系数：
Figure BDA0002509912820000055
有益效果：
本发明实施例提供的基于MVMD-CCA的SSVEP脑电信号识别方法，利用MVMD算法与CCA算法结合，其中MVMD作为处理多通道、非线性、非平稳信号的分解算法，在脑电信号的分析处理方面有着天然的优势，将该算法与CCA算法相结合可以有效发挥两种算法的优越性。MVMD算法可以将原始脑电信号进行分解为多个多元调制分量，定义的加权关联系数可以降低不相关分量对识别的影响，一定程度上降低信号中非相关脑活动与伪迹的影响。MVMD算法分解的多元调制分量质量较高，结合CCA算法的识别结果相比于FBCCA算法，分类精度有着较为明显的提升。
附图说明
图1为本发明实施例提供的基于MVMD-CCA的SSVEP脑电信号识别方法原理图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明提供了基于MVMD-CCA的SSVEP脑电信号识别方法，其原理如图1所示，包括如下步骤：
S1、采集多通道稳态视觉诱发电位SSVEP脑电信号作为待识别脑电信号。本发明实施例中，采用多导联电极帽采集SSVEP刺激下的脑电信号作为待识别脑电信号。
S2、设定带分解的分量个数K，构造变分问题，并采用ADMM算法求解变分问题，将待识别脑电信号分解为K个多元调制分量。
S3、据诱发待识别脑电信号的视觉刺激频率，定义参考信号。
S4、求解特定刺激频率fi的加权关联系数。
S5、取最大加权关联系数对应的频率即为待识别脑电信号的诱发刺激频率。
其中S2采用改进变模态分解MVMD算法构造变分问题，S4采用典型关联分析CCA算法求解特定刺激频率fi的加权关联系数，目前虽然已明确MVMD作为处理多通道、非线性、非平稳信号的分解算法，但尚未有MVMD算法在脑电信号的分析处理方面的应用，经分析MVMD算法在脑电信号的分析处理方面有着天然的优势，将该算法与CCA算法相结合可以有效发挥两种算法的优越性，能够产生较好的对SSVEP脑电信号的识别效果。
本发明实施例中，在步骤S2中，设定带分解的分量个数K，构造变分问题，具体为：
待识别脑电信号为x(t)，通道数为C；设定的待分解分量数目为K，分解得到的K个多元调制分量uk(t)，k＝1,2,...,K，据此构建变分问题，包括如下步骤：
S201、利用Hilbert变换求多元调制振动信号uk(t)的解析信号
Figure BDA0002509912820000071
Figure BDA0002509912820000072
其中
Figure BDA0002509912820000073
分别为第1～第C通道的解析信号；uk,1(t)～uk,C(t)分别为uk(t)第1～第C通道的数据；δ(t)为冲激函数；j为复数符号。
S202、预估解析信号的中心频率为wk，采用移频操作将解析信号的频谱移至基带：
Figure BDA0002509912820000074
S203、利用梯度的L2范数构造约束变分问题如下：
Figure BDA0002509912820000081
其中uk,c(t)为分解的第k个分量中uk(t)的第c个通道的数据，xc(t)为待识别脑电信号x(t)的第c个通道的数据。
S204、引入二次罚项α和拉格朗日乘子λ将约束变分问题转换为无约束变分优化问题：
Figure BDA0002509912820000082
其中，<>表示两个元素的积；λc为
Figure BDA0002509912820000083
步骤S2中，采用ADMM算法求解变分问题，将待识别脑电信号分解为K个多元调制分量，具体包括如下步骤：
S2001、初始化
Figure BDA0002509912820000084
迭代次数n设置为0；
Figure BDA0002509912820000085
为uk,c(t)对应的迭代初值，
Figure BDA0002509912820000086
为每个中心频率wk(k＝1,2,...,K)对应的迭代初值，
Figure BDA0002509912820000087
为拉格朗日乘子函数λc对应的迭代初值；
S2002、对于第n+1次迭代，对每一个多元调制分量uk,c(t)，k＝1,2,3…K进行更新如下：
Figure BDA0002509912820000088
其中
Figure BDA0002509912820000089
为uk,c(t)对应的第n+1次迭代值；i为下标k的指代标志，
Figure BDA00025099128200000810
为包含当i＜k时所有的ui,c(t)对应的第n+1次迭代值的集合，
Figure BDA00025099128200000811
为包含当i≥k时所有的ui,c(t)对应的第n次迭代值的集合；
Figure BDA00025099128200000812
为wk的第n次迭代值，
Figure BDA00025099128200000813
为包含所有wi对应的第n次迭代值的集合；
Figure BDA00025099128200000814
为λc对应的第n次迭代值；
解得的频域更新公式为：
Figure BDA0002509912820000091
其中w为频域变量；
S2003、对每个中心频率wk(k＝1,2,...,K)的第n+1次迭代至更新如下：
Figure BDA0002509912820000092
得到的频域更新公式为：
Figure BDA0002509912820000093
S2004、拉格朗日乘子函数λc对应的第n+1次迭代值
Figure BDA0002509912820000094
更新如下：
Figure BDA0002509912820000095
S2005、按照S2002至S2005重复迭代，直到满足迭代的停止条件：
Figure BDA0002509912820000096
最终得到K个多元调制分量uk(t)，k＝1,2,...,K。
本发明实施例中，步骤S3，据诱发待识别脑电信号的视觉刺激频率，定义参考信号，具体为：
根据诱发SSVEP的N个视觉刺激频率fi，其中i＝1,2,…,N，定义参考信号为：
Figure BDA0002509912820000097
其中，Nh表示谐波的数量。
本发明实施例中步骤S4，求解特定刺激频率fi的加权关联系数，具体为：
S401、针对特定刺激频率fi(i＝1,2,…,N)，利用典型关联分析CCA算法求解多元调制分量uk(t)，k＝1,2,...,K与参考信号Yi，i＝1,2,…,N，的最大典型关联系数
Figure BDA0002509912820000101
S402、求刺激频率fi下的加权关联系数：
Figure BDA0002509912820000102
表1为FBCCA与MVMD-CCA仿真结果对比表，其中基于MVMD-CCA的SSVEP脑电识别算法比FBCCA的算法在同一基准数据集的准确率有了明显的提升，证实了算法的有效性。
表1
Figure BDA0002509912820000103
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于MVMD-CCA的SSVEP脑电信号识别方法，其特征在于，包括如下步骤：
S1、采集多通道稳态视觉诱发电位SSVEP脑电信号作为待识别脑电信号；
S2、设定带分解的分量个数K，构造变分问题，并采用ADMM算法求解所述变分问题，将所述待识别脑电信号分解为K个多元调制分量；
S3、据诱发所述待识别脑电信号的视觉刺激频率，定义参考信号；
S4、求解特定刺激频率fi的加权关联系数；
S5、取最大加权关联系数对应的频率即为所述待识别脑电信号的诱发刺激频率。
2.如权利要求1所述的方法，其特征在于，所述多通道稳态视觉诱发电位SSVEP脑电信号作为待识别脑电信号，具体为：
采用多导联电极帽采集SSVEP刺激下的脑电信号作为待识别脑电信号。
3.如权利要求1或2所述的方法，其特征在于，所述设定带分解的分量个数K，构造变分问题，具体为：
所述待识别脑电信号为x(t)，通道数为C；设定的待分解分量数目为K，分解得到的K个多元调制分量uk(t)，k＝1,2,...,K，据此构建变分问题，包括如下步骤：
S201、利用Hilbert变换求多元调制振动信号uk(t)的解析信号
Figure FDA0002509912810000011
Figure FDA0002509912810000012
其中
Figure FDA0002509912810000013
分别为第1～第C通道的解析信号；uk,1(t)～uk,C(t)分别为uk(t)第1～第C通道的数据；δ(t)为冲激函数；j为复数符号；
S202、预估解析信号的中心频率为wk，采用移频操作将解析信号的频谱移至基带：
Figure FDA0002509912810000021
S203、利用梯度的L2范数构造约束变分问题如下：
Figure FDA0002509912810000022
其中uk,c(t)为分解的第k个分量中uk(t)的第c个通道的数据，xc(t)为待识别脑电信号x(t)的第c个通道的数据；
S204、引入二次罚项α和拉格朗日乘子λ将所述约束变分问题转换为无约束变分优化问题：
Figure FDA0002509912810000023
其中，<>表示两个元素的积；λc为
Figure FDA0002509912810000024
4.如权利要求3所述的方法，其特征在于，所述采用ADMM算法求解所述变分问题，将所述待识别脑电信号分解为K个多元调制分量，具体包括如下步骤：
S2001、初始化
Figure FDA0002509912810000025
迭代次数n设置为0；
Figure FDA0002509912810000026
为uk,c(t)对应的迭代初值，
Figure FDA0002509912810000027
为每个中心频率wk(k＝1,2,...,K)对应的迭代初值，
Figure FDA0002509912810000028
为拉格朗日乘子函数λc对应的迭代初值；
S2002、对于第n+1次迭代，对每一个多元调制分量uk,c(t)，k＝1,2,3…K进行更新如下：
Figure FDA0002509912810000031
其中
Figure FDA0002509912810000032
为uk,c(t)对应的第n+1次迭代值；i为下标k的指代标志，
Figure FDA0002509912810000033
为包含当i＜k时所有的ui,c(t)对应的第n+1次迭代值的集合，
Figure FDA0002509912810000034
为包含当i≥k时所有的ui,c(t)对应的第n次迭代值的集合；
Figure FDA0002509912810000035
为wk的第n次迭代值，
Figure FDA0002509912810000036
为包含所有wi对应的第n次迭代值的集合；
Figure FDA0002509912810000037
为λc对应的第n次迭代值；
解得的频域更新公式为：
Figure FDA0002509912810000038
其中w为频域变量；
S2003、对每个中心频率wk(k＝1,2,...,K)的第n+1次迭代至更新如下：
Figure FDA0002509912810000039
得到的频域更新公式为：
Figure FDA00025099128100000310
S2004、拉格朗日乘子函数λc对应的第n+1次迭代值
Figure FDA00025099128100000311
更新如下：
Figure FDA00025099128100000312
S2005、按照S2002至S2005重复迭代，直到满足迭代的停止条件：
Figure FDA00025099128100000313
最终得到K个多元调制分量uk(t)，k＝1,2,...,K。
5.如权利要求4所述的方法，其特征在于，所述据诱发所述待识别脑电信号的视觉刺激频率，定义参考信号，具体为：
根据诱发SSVEP的N个视觉刺激频率fi，其中i＝1,2,…,N，定义参考信号为：
Figure FDA0002509912810000041
其中，Nh表示谐波的数量。
6.如权利要求5所述的方法，其特征在于，所述求解特定刺激频率fi的加权关联系数，具体为：
S401、针对特定刺激频率fi(i＝1,2,…,N)，利用典型关联分析CCA算法求解多元调制分量uk(t)，k＝1,2,...,K与参考信号Yi，i＝1,2,…,N，的最大典型关联系数
Figure FDA0002509912810000042
S402、求刺激频率fi下的加权关联系数：
Figure FDA0002509912810000043
CN202010457759.8A 2020-05-26 2020-05-26 基于mvmd-cca的ssvep脑电信号识别方法 Pending CN111568415A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010457759.8A CN111568415A (zh) 2020-05-26 2020-05-26 基于mvmd-cca的ssvep脑电信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010457759.8A CN111568415A (zh) 2020-05-26 2020-05-26 基于mvmd-cca的ssvep脑电信号识别方法

Publications (1)

Publication Number Publication Date
CN111568415A true CN111568415A (zh) 2020-08-25

Family

ID=72119526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010457759.8A Pending CN111568415A (zh) 2020-05-26 2020-05-26 基于mvmd-cca的ssvep脑电信号识别方法

Country Status (1)

Country Link
CN (1) CN111568415A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113359991A (zh) * 2021-06-10 2021-09-07 西安交通大学 一种面向残疾人的智能脑控机械臂辅助进食系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120249614A1 (en) * 2011-03-30 2012-10-04 National Central University Visual drive control method and apparatus with multi phase encoding
CN107957780A (zh) * 2017-12-07 2018-04-24 东南大学 一种基于稳态视觉诱发电位生理特性的脑机接口系统
CN110575166A (zh) * 2019-09-30 2019-12-17 北京信息科技大学 用于人体脑电信号时频分析的方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120249614A1 (en) * 2011-03-30 2012-10-04 National Central University Visual drive control method and apparatus with multi phase encoding
CN107957780A (zh) * 2017-12-07 2018-04-24 东南大学 一种基于稳态视觉诱发电位生理特性的脑机接口系统
CN110575166A (zh) * 2019-09-30 2019-12-17 北京信息科技大学 用于人体脑电信号时频分析的方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MAHSA BEHROOZI, MOHAMMAD REZA DALIRI: "A high performance steady state visual evoked potential BCI system based on variational mode decomposition", 《2018 ELECTRIC ELECTRONICS, COMPUTER SCIENCE, BIOMEDICAL ENGINEERINGS" MEETING (EBBT)》 *
NAVEED UR REHMAN, HANIA AFTAB: "Multivariate Variational Mode Decomposition", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 *
杜硕: "面向智能辅助驾驶的运动想象脑机接口研究", 《中国优秀硕士论文全文库》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113359991A (zh) * 2021-06-10 2021-09-07 西安交通大学 一种面向残疾人的智能脑控机械臂辅助进食系统及方法
CN113359991B (zh) * 2021-06-10 2023-08-04 西安交通大学 一种面向残疾人的智能脑控机械臂辅助进食系统及方法

Similar Documents

Publication Publication Date Title
Jin et al. Bispectrum-based channel selection for motor imagery based brain-computer interfacing
Chen et al. A novel EEMD-CCA approach to removing muscle artifacts for pervasive EEG
Vidal Real-time detection of brain events in EEG
Miao et al. Spatial-frequency feature learning and classification of motor imagery EEG based on deep convolution neural network
CN110732082B (zh) 一种经颅直流电刺激和功能性电刺激的运动功能康复方法
CN102063180B (zh) 基于hht高频组合编码稳态视觉诱发电位脑机接口方法
CN107887031B (zh) 基于同步筛选的脑区间耦合分析方法
Thomas et al. Adaptive tracking of discriminative frequency components in electroencephalograms for a robust brain–computer interface
CN114533086A (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
Guo et al. EEG classification by filter band component regularized common spatial pattern for motor imagery
CN107957780B (zh) 一种基于稳态视觉诱发电位生理特性的脑机接口系统
CN111568415A (zh) 基于mvmd-cca的ssvep脑电信号识别方法
CN111832452A (zh) 基于脑电的特殊手势指令的特征优化与识别方法
Horowitz et al. What external variables affect sensorimotor rhythm brain-computer interface (SMR-BCI) performance?
Molla et al. Trial regeneration with subband signals for motor imagery classification in BCI paradigm
CN114601476A (zh) 一种基于视频刺激下的eeg信号情感识别方法
CN112244880B (zh) 基于变尺度符号补偿传递熵的情绪诱导脑电信号分析方法
Qu et al. Riemannian distance based channel selection and feature extraction combining discriminative time-frequency bands and Riemannian tangent space for MI-BCIs
Li et al. Emotion recognition based on EEG brain rhythm sequencing technique
Liang et al. Novel channel selection model based on graph convolutional network for motor imagery
CN107423668B (zh) 基于小波变换和稀疏表达的脑电信号分类系统与方法
Aldea et al. Classifications of motor imagery tasks using k-nearest neighbors
Xu et al. Feature extraction and classification of EEG for imaging left-right hands movement
Bin et al. A study of informative EEG channel and brain region for typing activity
Ming et al. Feature extraction method of motor imagery EEG based on DTCWT sample entropy

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: 20200825