CN112036229B - 一种具备需求感知功能的智能童车脑电信号通道配置方法 - Google Patents
一种具备需求感知功能的智能童车脑电信号通道配置方法 Download PDFInfo
- Publication number
- CN112036229B CN112036229B CN202010587697.2A CN202010587697A CN112036229B CN 112036229 B CN112036229 B CN 112036229B CN 202010587697 A CN202010587697 A CN 202010587697A CN 112036229 B CN112036229 B CN 112036229B
- Authority
- CN
- China
- Prior art keywords
- demand
- matrix
- channel
- spatial filter
- electroencephalogram
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 235000005911 diet Nutrition 0.000 claims abstract description 17
- 238000010187 selection method Methods 0.000 claims abstract description 15
- 230000037213 diet Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 51
- 210000004556 brain Anatomy 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000007177 brain activity Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000000378 dietary effect Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 8
- 210000004761 scalp Anatomy 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008909 emotion recognition Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000869 occipital lobe Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000001152 parietal lobe Anatomy 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Dermatology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种具备需求感知功能的智能童车脑电信号通道配置方法，首先采集儿童在饮食需求、心理需求及生理需求3种不同状态下的脑电数据；接着，使用共同空间模式方法进行空域特征提取，根据不同需求状态下空域特征所呈现的特点，设计了空域特征自动选择方法；最后，通过降序排列每个通道的权重值来确定最优的通道配置方案。本发明的具备需求感知功能的智能童车脑电信号通道配置方法，提供了一种全新的儿童需求感知方法通道配置方法，具有较强的需求类型扩展能力及巨大的市场潜力。
Description
技术领域
本发明涉及智能童车领域，特别是涉及一种具备需求感知功能的智能童车脑电信号通道配置方法。
背景技术
童车，一种供儿童休息、娱乐的工具之一，已得到广泛的使用。传统童车所具有的功能较为单一，随着人工智能技术的发展，智能童车由于其具有良好的交互性与使用的便捷性，已得到了社会的关注。
目前，智能童车的设计主要基于传感器的信息获取，如速度、加速度、温度、光学传感器等，近而实现童车的速度控制、自动刹车、跟随等功能。然而，上述传感器无法侦测到儿童的意图，无法根据儿童的需求调整交互方式，难以真正实现“智能交互”。
研究发现，人在产生不同需求时所引发的大脑活动模式在很大程度上能够揭示其行为意图，而这种大脑活动模式可以通过分析头皮脑电变化规律来获取，因此使用脑电信号进行儿童意图(如：饮食需求、心理需求、生理需求等)的分析与识别对提高童车的智能化水平具有重要的意义。
目前，脑电信号的通道配置方法主要围绕运动想象、情感识别等领域展开，研究成果虽有一定的借鉴意义，但由于需求意图所诱发的脑电信号与运动想象、情感识别等场景下所诱发的脑电信号在大脑中的响应区域与响应模式均存在着较大不同。另外，已有文献表明使用一些与任务相关性比较大的通道在进行任务识别时会减少算法时间开销、提高训练模型的性能等。
所以找到与需求意图变化密切相关的通道配置，不仅可以有效降低运算量，提高实时性，同时还将有可能改善识别性能，推动智能童车发展。
发明内容
本发明的目的在于提供一种具有需求感知能力、扩展能力强、市场潜力大的具备需求感知功能的智能童车脑电信号通道配置方法。
为此，本发明提供了一种具备需求感知功能的智能童车脑电信号通道配置方法，包括以下步骤：步骤1、采集儿童在饮食需求、心理需求及生理需求3种不同状态下的多通道脑电数据xi(i＝1,2,...,32)；步骤2、使用共同空间模式方法对所采集的脑电数据xi(i＝1,2,...,32)进行空域分析，计算对应于不同需求状态的特征向量矩阵Ui,(i＝1,2,3)及其对角矩阵Σi,(i＝1,2,3)；步骤3、分别对对角矩阵Σi,(i＝1,2,3)对角线上的值进行标准化运算，根据运算结果自动从特征向量矩阵Ui,(i＝1,2,3)中选择相应列，用以构建描述3种需求状态下大脑活动的空域滤波器组WCSP；步骤4、计算每个通道的权重值并对计算结果进行降序排列，通过选择排序靠前的m(1≤m≤32)个通道作为最终的基于脑电分析的需求状态识别通道配置。
本发明还提供了一种脑电信号通道选择方法，包括以下步骤：步骤1、采集被试者在饮食需求、心理需求及生理需求3种不同状态下的多通道脑电数据xi(i＝1,2,...,32)；步骤2、使用共同空间模式方法对所采集的脑电数据xi(i＝1,2,...,32)进行空域分析，计算对应于不同需求状态的特征向量矩阵Ui,(i＝1,2,3)及其对角矩阵Σi,(i＝1,2,3)；步骤3、分别对对角矩阵Σi,(i＝1,2,3)对角线上的值进行标准化运算，根据运算结果自动从特征向量矩阵Ui,(i＝1,2,3)中选择相应列，用以构建描述3种需求状态下大脑活动的空域滤波器组WCSP；步骤4、计算每个通道的权重值并对计算结果进行降序排列，通过选择排序靠前的m(1≤m≤32)个通道作为最终的基于脑电分析的需求状态识别通道配置。
本发明通过对不同需求意图下所引发的头皮脑电信号的分析，不仅可以确定最优的通道配置，同时可以实现对儿童饮食需求、心理需求及生理需求3种意图类型的感知。采集了12位被试者的数据进行分析，通道配置按本发明所述方法进行，使用支持向量机(SVM)进行分类，其平均识别正确率达到86.2％，结果验证了本发明所述方法的有效性。
本发明由于使用了基于数据驱动的特征提取方法，同时考虑到了多分类情况下空域滤波器设计的有效性问题，因此，当需求类型扩展时，本发明所使用方法不需要进行过多改动，就能够保证不同类型脑电信号在投影空间的差异极大化，具有较强的扩展能力。
本发明由于能够主动感知儿童的需求意图，因此，能够为监护人提供更多、更准确的呵护信息，这些信息对于改善儿童照顾质量、促进儿童智力发育、提高童-车交互性能具有重要的作用。目前，智能童车市场尚未见到类似产品的报道。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为大脑基本功能分区和脑电信号的检测。
图2为本发明中通道配置方法的流程图。
图3a和图3b为本发明中脑电数据采集系统及电极分布示意图。
图4为基于近似联合对角化(JAD)的多分类算法。
图5为本发明设计的基于JAD的特征值自动选择方法。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。
本发明提供了一种全新的儿童需求感知方法通道配置方法，首先，采集儿童在饮食需求、心理需求及生理需求3种不同状态下的脑电数据；接着，使用共同空间模式方法进行空域特征提取，根据不同需求状态下空域特征所呈现的特点，设计了空域特征自动选择方法；最后，通过降序排列每个通道的权重值来确定最优的通道配置方案。本方法具有较强的需求类型扩展能力及巨大的市场潜力。
图1为大脑基本功能分区和脑电信号的检测。大脑由左右两个半球构成、每个半球按照位置划分大致可以划分为四个区域：额叶、顶叶、颞叶和枕叶。大脑皮质(又称大脑皮层)是覆盖在大脑半球表面的灰质，作为调节躯体运动的最高级中枢，也是大脑中最重要的部分。
脑电信号被认为是由大脑皮质中存在的数十亿个神经元动作电位的叠加产生的。当需求产生，位于相应感知区域的某些神经元将会被激发，所产生的电流沿着神经纤维从感觉器官传播到大脑，在穿过头颅到达皮层后，会在头皮不同的部位引起不同的电位水平，从而为不同的大脑活动产生不同的脑电波形。
为了获取这些脑电信号，本发明通过放置在头部皮肤或头皮上不同位置的电极实现。
参见图2，其示出了本实施例中通道配置方法的执行流程。
首先，采集儿童在饮食需求、心理需求及生理需求3种不同状态下的32导脑电数据xi(i＝1,2,...,32)。
接着，使用共同空间模式方法(CSP)对所采集的脑电数据xi(i＝1,2,...,32)进行空域分析，计算对应于不同需求状态的特征向量矩阵Ui,(i＝1,2,3)及其对角矩阵Σi,(i＝1,2,3)；同时设计JAD1、JAD2及JAD3特征值选择方法。
进一步，分别对对角矩阵Σi,(i＝1,2,3)对角线上的值进行标准化运算，根据所计算的value值自动从特征向量矩阵Ui,(i＝1,2,3)中选择相应列，用以构建描述3种需求状态下大脑活动的空域滤波器组WCSP。
最后，计算每个通道的权重值Q并对其进行降序排列，通过选择排序靠前的m(1≤m≤32)个通道作为最终的基于脑电分析的需求状态识别通道配置。
其中，采集儿童在3种需求状态下的32通道脑电数据xi(i＝1,2,...,32)，并对其打上数据标签1，2和3，其中，1代表饮食需求；2代表心理需求，3代表生理需求。
其中，使用共同空间模式方法(CSP)计算对应于饮食、心理及生理需求时的空域特征矩阵，并对其进行主分量分解，从而获取对应于不同的需求状态的特征向量矩阵Ui,(i＝1,2,3)和对角矩阵Σi,(i＝1,2,3)，这里，下标1对应饮食需求，下标2对应心理需求，下标3对应生理需求。
其中，对获取的对角矩阵Σi,(i＝1,2,3)对角线上的值进行标准化运算，并将运算结果按由大到小顺序进行排列；并且根据每种需求状态下得分最高的特征值在对角阵中存在的位置情况，自动对特征值进行选择并设计空域滤波器组WCSP＝[W1；W2；W3]，其中，W1对应饮食需求状态，W2对应饮食需求状态，W3对应饮食需求状态。
其中，将每通道的权重值Q按降序排列，Q值越大，说明该通道对需求状态识别性能影响越强；反之，越小；选择权重较大的m(1≤m≤n)个通道作为最终的基于脑电分析的需求状态识别通道配置。
其中，使用下式(1)计算每个通道对需求状态识别性能影响的权重值Q：
式(1)中，||*||2表示2-范数计算，WCSP为所获取对应于饮食、心理与生理需求的空域滤波器组，其维度为k*32，k值大小由系统所选定的特征值选择方法确定；向量ωj,(j＝1,2,…,n)为矩阵WCSP中的第j列向量，表示该通道信号在投影空间中的投影强度，变量n为总的通道数；WCSP和向量ωj(j＝1,2,…,n)之间具有如下关系：
参见图3a和图3b，其示出了本实施例中脑电数据采集系统及电极分布示意图。
图3a为本发明所用的采集设备，包括36导电极帽(包含参考电极、接地电极、眼部电极等)、脑电信号放大器、连接线、安装Scan软件以及Stim软件的两台计算机。其中，脑电放大器分别与受试者佩戴的电极帽、装有Scan软件的计算机以及装有Stim软件的计算机相连。通过该装置，可以把Stim所提供的数据时间、需求类别和脑电信号同步显示在Scan软件上。
所采集的原始脑电数据为32通道(包含A1、A2参考电极)，采样率为250Hz，电极分布图如图3b所示。数据采集前，受试者会被告知实验内容和目的；数据采集过程中，要求在受试者应尽可能的保证身体不动，以免产生明显的肌电以及因电极轻微移动所引起的其他干扰。
参见图4，其示出了本实施例中基于近似联合对角化(JAD)的多分类算法。为了解决多分类问题，本发明对所获取的3个对角矩阵Σi,(i＝1,2,3)中的值使用式(3)进行标准化运算，根据运算结果确定特征向量矩阵Ui,(i＝1,2,3)中哪些列被选择：
其中，N＝3代表需求类型的数目，λ为近似联合对角化后得到的对角矩阵Σi,(i＝1,2,3)对角线上的值。
参见图5，其示出了本实施例中设计的基于JAD的特征值自动选择方法。其中带有箭头的线段表示特征值按照降序进行排序，具体过程如下。
首先，对于训练集利用传统JAD算法获得3种需求状态所对应的对角矩阵Σi,(i＝1,2,3)。
然后，使用value(λ)函数对对角矩阵对角线上的值进行标准化运算，并将运算结果按降序进行排列，将每类对角矩阵得分最高特征值的位置保存在Di,(i＝1,2,3)中。
最后，对比存储的位置情况选择合适的方法进行滤波器的设计。如果Di,(i＝1,2,3)中存储特征值位置全部不同(即相同位置的数量为0)，此时选择JAD1方法；若有两个位置相同(相同位置的数量等于1)，选择JAD2方法；否则，即所有位置都相同，选择JAD3方法。JAD1、JAD2及JAD3方法定义如下。
JAD1方法：使用每类中得分最高的特征值所对应的特征向量设计空域滤波器，即特征向量矩阵Ui,(i＝1,2,3)的第1列被选择，图中该方法被命名为UJAD1。
JAD2方法：使用每类中得分前2名的特征值所对应的特征向量设计空域滤波器，即特征向量矩阵Ui,(i＝1,2,3)的前2列被选择，图中该方法被命名为UJAD2。
JAD3方法：使用每类中得分前3名的特征值所对应的特征向量设计空域滤波器，即特征向量矩阵Ui,(i＝1,2,3)的前3列被选择，图中该方法被命名为UJAD3。
需要指出的是，本儿童需求感知方法通道配置方法还可适用于其它年龄段人群。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (7)
1.一种具备需求感知功能的智能童车脑电信号通道选择方法，其特征是，包括以下步骤：
步骤1、采集儿童在饮食需求、心理需求及生理需求3种不同状态下的多通道脑电数据xi(i＝1,2,...,32)；
步骤2、使用共同空间模式方法对所采集的脑电数据xi(i＝1,2,...,32)进行空域分析，计算对应于不同需求状态的特征向量矩阵Ui,(i＝1,2,3)及其对角矩阵
Σi,(i＝1,2,3)；
步骤3、分别对对角矩阵Σi,(i＝1,2,3)对角线上的值进行标准化运算，根据运算结果自动从特征向量矩阵Ui,(i＝1,2,3)中选择相应列，用以构建描述3种需求状态下大脑活动的空域滤波器组WCSP；
步骤4、计算每个通道的权重值并对计算结果进行降序排列，通过选择排序靠前的m(1≤m≤32)个通道作为最终的基于脑电分析的需求状态识别通道配置，特征值选择方法包括以下三种：
JAD1方法：使用每类中得分最高的特征值所对应的特征向量设计空域滤波器，即特征向量矩阵Ui,(i＝1,2,3)的第1列被选择，
JAD2方法：使用每类中得分前2名的特征值所对应的特征向量设计空域滤波器，即特征向量矩阵Ui,(i＝1,2,3)的前2列被选择，
JAD3方法：使用每类中得分前3名的特征值所对应的特征向量设计空域滤波器，即特征向量矩阵Ui,(i＝1,2,3)的前3列被选择，
其选择方法为：首先，将每种需求状态下对角矩阵得分最高特征值的位置记录下来并保存在新的矩阵Di,(i＝1,2,3)中；接着，根据Di,(i＝1,2,3)中存储特征值位置情况进行特征值的自动选择，即，如果Di,(i＝1,2,3)中存储特征值位置全部不同，即相同位置的数量为0，此时选择JAD1方法；若有两个位置相同，相同位置的数量等于1，选择JAD2方法；否则，即所有位置都相同，选择JAD3方法。
2.根据权利要求1所述的具备需求感知功能的智能童车脑电信号通道选择方法，其特征是，采集儿童在3种需求状态下的32通道脑电数据xi(i＝1,2,...,32)，并对其打上数据标签1，2和3，其中，1代表饮食需求；2代表心理需求，3代表生理需求。
3.根据权利要求1所述的具备需求感知功能的智能童车脑电信号通道选择方法，其特征是，使用共同空间模式方法计算对应于饮食、心理及生理需求时的空域特征矩阵，并对其进行主分量分解，从而获取对应于不同的需求状态的特征向量矩阵Ui,(i＝1,2,3)和对角矩阵Σi,(i＝1,2,3)，这里，下标1对应饮食需求，下标2对应心理需求，下标3对应生理需求。
4.根据权利要求3所述的具备需求感知功能的智能童车脑电信号通道选择方法，其特征是，对获取的对角矩阵Σi,(i＝1,2,3)对角线上的值进行标准化运算，并将运算结果按由大到小顺序进行排列；并且根据每种需求状态下得分最高的特征值在对角阵中存在的位置情况，自动对特征值进行选择并设计空域滤波器组WCSP＝[W1；W2；W3]，其中，W1对应饮食需求状态，W2对应饮食需求状态，W3对应饮食需求状态。
5.根据权利要求4所述的具备需求感知功能的智能童车脑电信号通道选择方法，其特征是，计算每个通道对需求状态识别性能影响的权重值Q：
其中，||*||2表示2-范数计算，WCSP为所获取对应于饮食、心理与生理需求的空域滤波器组，其维度为k*32，k值大小由系统所选定的特征值选择方法确定；向量ωj,(j＝1,2,…,n)为矩阵WCSP中的第j列向量，表示该通道信号在投影空间中的投影强度，变量n为总的通道数；WCSP和向量ωj(j＝1,2,…,n)之间具有如下关系：
6.根据权利要求5所述的具备需求感知功能的智能童车脑电信号通道选择方法，其特征是，将每通道的权重值Q按降序排列，Q值越大，说明该通道对需求状态识别性能影响越强；反之，越小；选择权重较大的m(1≤m≤n)个通道作为最终的基于脑电分析的需求状态识别通道配置。
7.一种脑电信号通道选择方法，其特征是，包括以下步骤：
步骤1、采集被试者在饮食需求、心理需求及生理需求3种不同状态下的多通道脑电数据xi(i＝1,2,...,32)；
步骤2、使用共同空间模式方法对所采集的脑电数据xi(i＝1,2,...,32)进行空域分析，计算对应于不同需求状态的特征向量矩阵Ui,(i＝1,2,3)及其对角矩阵Σi,(i＝1,2,3)；
步骤3、分别对对角矩阵Σi,(i＝1,2,3)对角线上的值进行标准化运算，根据运算结果自动从特征向量矩阵Ui,(i＝1,2,3)中选择相应列，用以构建描述3种需求状态下大脑活动的空域滤波器组WCSP；
步骤4、计算每个通道的权重值并对计算结果进行降序排列，通过选择排序靠前的m(1≤m≤32)个通道作为最终的基于脑电分析的需求状态识别通道配置，
特征值选择方法包括以下三种：
JAD1方法：使用每类中得分最高的特征值所对应的特征向量设计空域滤波器，即特征向量矩阵Ui,(i＝1,2,3)的第1列被选择，
JAD2方法：使用每类中得分前2名的特征值所对应的特征向量设计空域滤波器，即特征向量矩阵Ui,(i＝1,2,3)的前2列被选择，
JAD3方法：使用每类中得分前3名的特征值所对应的特征向量设计空域滤波器，即特征向量矩阵Ui,(i＝1,2,3)的前3列被选择，
其选择方法为：首先，将每种需求状态下对角矩阵得分最高特征值的位置记录下来并保存在新的矩阵Di,(i＝1,2,3)中；接着，根据Di,(i＝1,2,3)中存储特征值位置情况进行特征值的自动选择，即，如果Di,(i＝1,2,3)中存储特征值位置全部不同，即相同位置的数量为0，此时选择JAD1方法；若有两个位置相同，相同位置的数量等于1，选择JAD2方法；否则，即所有位置都相同，选择JAD3方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010587697.2A CN112036229B (zh) | 2020-06-24 | 2020-06-24 | 一种具备需求感知功能的智能童车脑电信号通道配置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010587697.2A CN112036229B (zh) | 2020-06-24 | 2020-06-24 | 一种具备需求感知功能的智能童车脑电信号通道配置方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112036229A CN112036229A (zh) | 2020-12-04 |
| CN112036229B true CN112036229B (zh) | 2024-04-19 |
Family
ID=73578999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010587697.2A Active CN112036229B (zh) | 2020-06-24 | 2020-06-24 | 一种具备需求感知功能的智能童车脑电信号通道配置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036229B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5274714A (en) * | 1990-06-04 | 1993-12-28 | Neuristics, Inc. | Method and apparatus for determining and organizing feature vectors for neural network recognition |
| AU2005279954A1 (en) * | 2004-08-30 | 2006-03-09 | Neuronetrix Solutions, Llc | Biopotential waveform data fusion analysis and classification method |
| JP2011076177A (ja) * | 2009-09-29 | 2011-04-14 | Advanced Telecommunication Research Institute International | 歯の接触によって誘発された脳波を利用した機器制御方法及び機器制御装置 |
| JP2013117957A (ja) * | 2011-11-30 | 2013-06-13 | Honeywell Internatl Inc | 多数の自由度系の思考可能なハンズフリー制御 |
| CN103425249A (zh) * | 2013-09-06 | 2013-12-04 | 西安电子科技大学 | 基于正则化csp和src的脑电信号分类识别方法及其遥控系统 |
| CN103892829A (zh) * | 2014-04-17 | 2014-07-02 | 安徽大学 | 一种基于共同空间模式的眼动信号识别系统及其识别方法 |
| CN103971124A (zh) * | 2014-05-04 | 2014-08-06 | 杭州电子科技大学 | 一种基于相位同步的多类别运动想象脑电信号分类方法 |
| CN104010132A (zh) * | 2014-05-19 | 2014-08-27 | 深圳市点通数据有限公司 | 基于情绪控制的智能拍录装置及方法 |
| CN105654063A (zh) * | 2016-01-08 | 2016-06-08 | 东南大学 | 基于人工蜂群时频参数优化的运动想象脑电模式识别方法 |
| CN105832348A (zh) * | 2016-03-22 | 2016-08-10 | 宁波元鼎电子科技有限公司 | 一种智能感知毛毯 |
| CN108852348A (zh) * | 2018-05-14 | 2018-11-23 | 中国人民解放军军事科学院军事医学研究院 | 头皮脑电的采集位点排序方法及系统 |
| CN110353702A (zh) * | 2019-07-02 | 2019-10-22 | 华南理工大学 | 一种基于浅层卷积神经网络的情感识别方法及系统 |
| CN111091074A (zh) * | 2019-12-02 | 2020-05-01 | 杭州电子科技大学 | 最优区域共空间模式的运动想象脑电信号分类方法 |
-
2020
- 2020-06-24 CN CN202010587697.2A patent/CN112036229B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5274714A (en) * | 1990-06-04 | 1993-12-28 | Neuristics, Inc. | Method and apparatus for determining and organizing feature vectors for neural network recognition |
| AU2005279954A1 (en) * | 2004-08-30 | 2006-03-09 | Neuronetrix Solutions, Llc | Biopotential waveform data fusion analysis and classification method |
| JP2011076177A (ja) * | 2009-09-29 | 2011-04-14 | Advanced Telecommunication Research Institute International | 歯の接触によって誘発された脳波を利用した機器制御方法及び機器制御装置 |
| JP2013117957A (ja) * | 2011-11-30 | 2013-06-13 | Honeywell Internatl Inc | 多数の自由度系の思考可能なハンズフリー制御 |
| CN103425249A (zh) * | 2013-09-06 | 2013-12-04 | 西安电子科技大学 | 基于正则化csp和src的脑电信号分类识别方法及其遥控系统 |
| CN103892829A (zh) * | 2014-04-17 | 2014-07-02 | 安徽大学 | 一种基于共同空间模式的眼动信号识别系统及其识别方法 |
| CN103971124A (zh) * | 2014-05-04 | 2014-08-06 | 杭州电子科技大学 | 一种基于相位同步的多类别运动想象脑电信号分类方法 |
| CN104010132A (zh) * | 2014-05-19 | 2014-08-27 | 深圳市点通数据有限公司 | 基于情绪控制的智能拍录装置及方法 |
| CN105654063A (zh) * | 2016-01-08 | 2016-06-08 | 东南大学 | 基于人工蜂群时频参数优化的运动想象脑电模式识别方法 |
| CN105832348A (zh) * | 2016-03-22 | 2016-08-10 | 宁波元鼎电子科技有限公司 | 一种智能感知毛毯 |
| CN108852348A (zh) * | 2018-05-14 | 2018-11-23 | 中国人民解放军军事科学院军事医学研究院 | 头皮脑电的采集位点排序方法及系统 |
| CN110353702A (zh) * | 2019-07-02 | 2019-10-22 | 华南理工大学 | 一种基于浅层卷积神经网络的情感识别方法及系统 |
| CN111091074A (zh) * | 2019-12-02 | 2020-05-01 | 杭州电子科技大学 | 最优区域共空间模式的运动想象脑电信号分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 语音脑机接口康复系统中的参数优化研究;郭苗苗等;信号处理;第34卷(第8期);974-982 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112036229A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | EEG-based spatio–temporal convolutional neural network for driver fatigue evaluation | |
| Jafarifarmand et al. | A new self-regulated neuro-fuzzy framework for classification of EEG signals in motor imagery BCI | |
| CN111553295B (zh) | 基于自注意力机制的多模态情感识别方法 | |
| Kee et al. | Multi-objective genetic algorithm as channel selection method for P300 and motor imagery data set | |
| Esfahani et al. | Classification of primitive shapes using brain–computer interfaces | |
| Makeig et al. | ERP features and EEG dynamics: an ICA perspective | |
| Chaudhuri et al. | Driver fatigue detection through chaotic entropy analysis of cortical sources obtained from scalp EEG signals | |
| Wu et al. | A regression method with subnetwork neurons for vigilance estimation using EOG and EEG | |
| Yang et al. | Subject-specific channel selection using time information for motor imagery brain–computer interfaces | |
| Lahane et al. | A review of recent trends in EEG based Brain-Computer Interface | |
| KR101068017B1 (ko) | 뇌-컴퓨터 인터페이스를 위한 합성 공통 공간 패턴 분석 방법 및 이를 이용한 뇌파 분석 방법 | |
| Higashi et al. | Multilinear discriminant analysis with subspace constraints for single-trial classification of event-related potentials | |
| Zhang et al. | Fused group lasso: A new EEG classification model with spatial smooth constraint for motor imagery-based brain–computer interface | |
| Mohanavelu et al. | Machine learning-based approach for identifying mental workload of pilots | |
| Reddy et al. | Driver drowsiness detection: An approach based on intelligent brain–computer interfaces | |
| KR20190030611A (ko) | 뇌-컴퓨터 인터페이스 시스템 기반의 통합 신호 처리 방법 | |
| Mohammadi et al. | Cursor movement detection in brain-computer-interface systems using the K-means clustering method and LSVM | |
| Zhang et al. | DWT-Net: Seizure detection system with structured EEG montage and multiple feature extractor in convolution neural network | |
| Wardoyo et al. | Oversampling approach using radius-SMOTE for imbalance electroencephalography datasets | |
| Al Duhayyim et al. | Intelligent machine learning based EEG signal classification model | |
| CN112438741B (zh) | 一种基于脑电特征迁移学习的驾驶状态检测方法及系统 | |
| Wang | Optimizing spatial filters for single-trial EEG classification via a discriminant extension to CSP: the Fisher criterion | |
| Xie et al. | A spatio-temporal method for extracting gamma-band features to enhance classification in a rapid serial visual presentation task | |
| CN112036229B (zh) | 一种具备需求感知功能的智能童车脑电信号通道配置方法 | |
| Ahmed et al. | Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artefacts from electroencephalogram (EEG) mixtures |
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 |