CN112401905A - 一种基于源定位和脑网络的自然动作脑电识别方法 - Google Patents

一种基于源定位和脑网络的自然动作脑电识别方法 Download PDF

Info

Publication number
CN112401905A
CN112401905A CN202011255263.9A CN202011255263A CN112401905A CN 112401905 A CN112401905 A CN 112401905A CN 202011255263 A CN202011255263 A CN 202011255263A CN 112401905 A CN112401905 A CN 112401905A
Authority
CN
China
Prior art keywords
source
value
brain network
electroencephalogram
time point
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
Application number
CN202011255263.9A
Other languages
English (en)
Other versions
CN112401905B (zh
Inventor
徐宝国
邓乐莹
汪逸飞
王欣
宋爱国
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202011255263.9A priority Critical patent/CN112401905B/zh
Priority to US17/634,418 priority patent/US20220354411A1/en
Priority to PCT/CN2020/132582 priority patent/WO2022099808A1/zh
Publication of CN112401905A publication Critical patent/CN112401905A/zh
Application granted granted Critical
Publication of CN112401905B publication Critical patent/CN112401905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于源定位和脑网络的自然动作脑电识别方法，包括：（1）对自然动作进行多通道脑电测量；（2）对采集到的EEG信号进行预处理，提取MRCP、θ波、α波、β波和γ波；（3）确定信号的导程场矩阵，利用L1正则化约束求出源的初值解，利用逐次超松弛法迭代求解得到源定位结果；（4）以源为节点，采用短时滑动窗逐时间点计算每对源之间的PLV，构建脑网络；（5）逐时间点计算网络邻接矩阵和5个脑网络指标，将这些特征送入分类器进行训练和测试，对脑网络指标进行统计检验。本发明采用T‑wMNE算法和逐次超松弛法结合的方式对传统源定位方法进行了改进，并以源为节点构建脑网络，有利于提高自然动作脑电的解码精度和揭示人体的神经运作机制。

Description

一种基于源定位和脑网络的自然动作脑电识别方法
技术领域
本发明属于生物信号处理领域，涉及一种脑电信号识别方法，尤其涉及一种基于源定位和脑网络的自然动作脑电识别方法，为自然动作的脑电解码提供技术手段。
背景技术
脑机接口(BCI)是一种通过脑电信号直接与外界进行沟通和控制的手段，也是近年来康复医学工程和神经工程技术领域的研究热点。近年来，基于BCI的康复训练主要依赖于对基本运动任务的重复想象，例如通过重复的足部运动想象作为控制信号执行手握玻璃杯的操作，给用户带来了不自然、不协调的操作体验。为了让用户获得更良好的操作体验，应该让想象的运动尽可能接近实际执行的动作。但是，由于自然动作比较复杂，动用的关节较多，例如手握、指捏、旋转、插拔等，且很多时候这些动作激活是相同的运动脑区，导致传统的脑电识别方法无法对自然动作达到很好的区分效果。
脑电源定位和脑网络分析是近年来脑机接口领域的研究热点之一。源定位包括源特征重建和源位置定位，脑网络可以构建节点之间的功能性或因效性连接。研究自然动作在源空间上的信号有助于克服容积传导效应，从而提高解码精度，而以源为对象构建的脑网络有助于揭示人体的神经运作机制。
发明内容
为解决上述问题，本发明公开了一种基于源定位和脑网络的自然动作脑电识别方法，该方法可以通过源定位和构建以源为对象的脑网络对自然动作的脑电信号进行解码。
为实现上述目标，本发明采用如下的技术方案：一种基于源定位和脑网络的自然动作脑电识别方法，具体包括以下步骤：
(1)对自然动作进行多通道脑电测量；
(2)对采集到的EEG信号进行预处理，去除伪迹，并提取MRCP、θ波、α波、β波和γ波；
(3)确定信号的导程场矩阵，利用L1正则化约束求出源的初值解，然后利用逐次超松弛法对初值解进行迭代，迭代结束后以最新的解向量作为源定位的最终估计结果；
(4)以源为节点，采用短时滑动窗计算每个时间点上每对源之间的相位同步PLV，当PLV值大于设定的阈值时在这两个源之间构建一条边，并以该PLV值的标准化值作为该边的权重；
(5)计算每个时间点上的特征路径长度、聚类系数、节点平均强度、平均介数、效率和网络邻接矩阵，将这些特征送入分类器进行训练和测试，并对前5个特征进行统计检验，分析不同动作对应的这些特征在时间上或者频段上的差异。
所述步骤(2)中，包括以下分步骤：
(a1)对采集到的EEG信号进行预滤波；
(a2)剔除具有异常峰度的数据通道，并进行球形插值，使用与被插值通道距离最近的四个通道的平均值作为该通道值；
(a3)使用盲源分离算法找出并去除EEG中的EOG和EMG成分；
(a4)对EEG进行分段和基线校正；
(a5)去除极值大于200μV、具有异常联合概率或异常峰度的试次，后两者的阈值是标准差的5倍；
(a6)对EEG进行共平均参考；
(a7)对重参考后的EEG分别进行0.3～3Hz、4～8Hz、8～13Hz、13～30Hz和30～45Hz的零相巴特沃斯带通滤波，分别提取MRCP、θ波、α波、β波和γ波。
所述步骤(3)中，包括以下分步骤：
(b1)选择头模型；
(b2)求解正问题，得到导程场矩阵L；
(b3)确定想要分析的时间点，设置迭代误差ε和最大迭代次数K；
(b4)利用T-wMNE算法，求出源向量的初解：
Figure BDA0002772920160000021
其中，W＝diag(||l1||,||l2||,…,||lN||)为加权矩阵，N为源的数量，此处等于电极数量，st表示在时间点t上的源向量，vt表示在时间点t上的电极电势，λ为正则化系数；
(b5)利用逐次超松弛法对第(b4)步得到的初值解进行迭代：
Figure BDA0002772920160000022
其中，si,t表示第i个源在时间点t上的值，i＝1,2,…,N；vj,t表示第j个电极在时间点t上的电势，j＝1,2,…,N，ω为松弛因子，k表示迭代次数；
(b6)当||st (k+1)-st (k)||≤ε或k>K时，迭代结束，并将最新的解向量作为源定位的最终估计结果，否则继续迭代。
特别的，(b5)中ω的最佳取值是在(1,2)之间以0.01为步长，选取迭代10次后使||vt-Lst||最小的ω。
所述步骤(4)中，先对单个试次的源向量在每个时间点上做希尔伯特变换，得到源向量在每个时间点上的相位，然后计算每对源在每个时间点上的PLV值：
Figure BDA0002772920160000031
Figure BDA0002772920160000032
Δφij＝φi-φj
Figure BDA0002772920160000033
其中，m＝1,2,…,M表示第m个试次；
当PLVij大于阈值时，在源i和源j之间构建一条边，并对该值做标准化处理作为该边的权重：
Figure BDA0002772920160000034
所述步骤(5)中，所述统计检验方法为t-test，所述分类器为sLDA分类器，并采用10次五折交叉验证对分类器进行训练和测试。
本发明的有益效果：
(1)本发明采用了T-wMNE算法与逐次超松弛法结合的方式对自然动作的脑电进行源定位，相较于传统的源定位方法，在保证解的稀疏性和计算过程的健稳性的同时，提高了求解的精度和速度；
(2)本发明以源为节点构建脑网络，相较于传统的以电极通道为节点构建脑网络的方法，该方法能够直观地看出不同自然动作对应的源的动态变化过程的差异，有利于揭示人体的神经运作机制；
(3)本发明对多个频段分别进行源定位和脑网络分析，可以直观地看出不同自然动作在频段激活上的差异以及MRCP对于不同自然动作具有辨识性的根本原因。
附图说明
图1为本发明基于源定位和脑网络的自然动作脑电识别方法的流程图。
图2为本发明基于源定位和脑网络的自然动作脑电识别方法中EEG信号预处理的流程图。
图3为本发明基于源定位和脑网络的自然动作脑电识别方法中EEG源定位的流程图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明设计了一种基于源定位和脑网络的自然动作脑电识别方法，如图1所示，步骤如下：
(1)对自然动作进行多通道脑电测量；
(2)对采集到的EEG信号进行预处理，去除伪迹，并提取动作相关皮层电位(MRCP)、θ波、α波、β波和γ波；
(3)确定信号的导程场矩阵，利用L1正则化约束求出源的初值解，然后利用逐次超松弛法对初值解进行迭代，迭代结束后以最新的解向量作为源定位的最终估计结果；
(4)以源为节点，采用短时滑动窗计算每个时间点上每对源之间的相位同步PLV，当PLV值大于设定的阈值时在这两个源之间构建一条边，并以该PLV值的标准化值作为该边的权重；
(5)计算每个时间点上的特征路径长度、聚类系数、节点平均强度、平均介数、效率和网络邻接矩阵，将这些特征送入分类器进行训练和测试，并对前5个特征进行统计检验，分析不同动作对应的这些特征在时间上或者频段上的差异。
如图2所示，步骤(2)中包括以下分步骤：
(a1)对采集到的EEG信号进行预滤波；
(a2)剔除具有异常峰度的数据通道，并进行球形插值，使用与被插值通道距离最近的四个通道的平均值作为该通道值；
(a3)使用盲源分离算法找出并去除EEG中的EOG和EMG成分；
(a4)对EEG进行分段和基线校正；
(a5)去除极值大于200μV、具有异常联合概率或异常峰度的试次，后两者的阈值是标准差的5倍；
(a6)对EEG进行共平均参考(CAR)；
(a7)对重参考后的EEG分别进行0.3～3Hz、4～8Hz、8～13Hz、13～30Hz和30～45Hz的零相巴特沃斯带通滤波，分别提取MRCP、θ波、α波、β波和γ波。
如图3所示，步骤(3)包括以下分步骤：
(b1)选择头模型。
(b2)将头皮分割成N个较小的3D网格，在每个网格中分别放置3个偶极矩沿X、Y和Z轴方向的电流偶极子，其矢量和等效为一个可能的电流偶极子，并根据下列方程确定导程场矩阵L：
Figure BDA0002772920160000051
其中，L的第i列表示第i个电流偶极子源在每个电极位置处产生的电位分布，ri *表示电流偶极子的位置矢量，rj表示测量的头皮电极的位置矢量，s＝sei表示电流偶极子的偶极矩(s为大小，ei为方向)，v(rj,t)表示在时间点t上的第j个电极的电势，i＝1,…,N表示有N个电流偶极子，j＝1,…,N表示有N个测量电极。
(b3)确定想要分析的时间点，设置迭代误差ε和最大迭代次数K。
(b4)利用T-wMNE算法，求出源向量的初解：
Figure BDA0002772920160000052
其中，W＝diag(||l1||,||l2||,,||lN||)为加权矩阵，N为源的数量，此处等于电极数量，st表示在时间点t上的源向量，vt表示在时间点t上的电极电势，λ为正则化系数。
(b5)利用逐次超松弛法对第(b4)步得到的初值解进行迭代：
Figure BDA0002772920160000053
其中，ω∈(1,2)为松弛因子，选择在(1,2)上以0.01为步长迭代10次后使||vt-Lst||最小的ω作为最佳松弛因子，si,t表示第i个源在时间点t上的值，i＝1,2,…,N，vj,t表示第j个电极在时间点t上的电势，j＝1,2,…,N，k表示迭代次数。
(b6)当||st (k+1)-st (k)||≤ε或k>K时，迭代结束，并将最新的解向量作为源的最终定位估计结果，否则继续迭代。
在所述步骤(4)中，先对单个试次的源向量在每个时间点上做希尔伯特变换，得到源向量在每个时间点上的相位，然后计算每对源在每个时间点上的PLV值：
Figure BDA0002772920160000054
Figure BDA0002772920160000055
Δφij＝φi-φj
Figure BDA0002772920160000061
其中，m＝1,2,…,M表示第m个试次。
当PLVij大于设定的阈值时，在源i和源j之间构建一条边，并对该值做标准化处理作为该边的权重：
Figure BDA0002772920160000062
在所述步骤(5)中，所述统计检验方法为t-test，所述分类器为sLDA分类器，并采用10次五折交叉验证对分类器进行训练和测试。

Claims (6)

1.一种基于源定位和脑网络的自然动作脑电识别方法，其特征在于，包括以下步骤：
(1)对自然动作进行多通道脑电测量；
(2)对采集到的EEG信号进行预处理，去除伪迹，并提取MRCP、θ波、α波、β波和γ波；
(3)确定信号的导程场矩阵，利用L1正则化约束求出源的初值解，然后利用逐次超松弛法对初值解进行迭代，迭代结束后以最新的解向量作为源定位的最终估计结果；
(4)以源为节点，采用短时滑动窗计算每个时间点上每对源之间的相位同步PLV，当PLV值大于设定的阈值时在这两个源之间构建一条边，并以该PLV值的标准化值作为该边的权重；
(5)计算每个时间点上的特征路径长度、聚类系数、节点平均强度、平均介数、效率和网络邻接矩阵，将这些特征送入分类器进行训练和测试，并对前5个特征进行统计检验，分析不同动作对应的这些特征在时间上或者频段上的差异。
2.根据权利要求1所述的基于源定位和脑网络的自然动作脑电识别方法，其特征在于，所述步骤(2)具体包括以下分步骤：
(a1)对采集到的EEG信号进行预滤波；
(a2)剔除具有异常峰度的数据通道，并进行球形插值，使用与被插值通道距离最近的四个通道的平均值作为该通道值；
(a3)使用盲源分离算法找出并去除EEG中的EOG和EMG成分；
(a4)对EEG进行分段和基线校正；
(a5)去除极值大于200μV、具有异常联合概率或异常峰度的试次，后两者的阈值是标准差的5倍；
(a6)对EEG进行共平均参考；
(a7)对重参考后的EEG分别进行0.3～3Hz、4～8Hz、8～13Hz、13～30Hz和30～45Hz的零相巴特沃斯带通滤波，分别提取MRCP、θ波、α波、β波和γ波。
3.根据权利要求1所述的基于源定位和脑网络的自然动作脑电识别方法，其特征在于，所述步骤(3)中，包括以下分步骤：
(b1)选择头模型；
(b2)求解正问题，得到导程场矩阵L；
(b3)确定想要分析的时间点，设置迭代误差ε和最大迭代次数K；
(b4)利用T-wMNE算法，求出源向量的初解：
Figure FDA0002772920150000011
其中，W＝diag(||l1||,||l2||,…,||lN||)为加权矩阵，N为源的数量，此处等于电极数量，st表示在时间点t上的源向量，vt表示在时间点t上的电极电势，λ为正则化系数；
(b5)利用逐次超松弛法对第(b4)步得到的初值解进行迭代：
Figure FDA0002772920150000021
其中，si,t表示第i个源在时间点t上的值，i＝1,2,…,N；vj,t表示第j个电极在时间点t上的电势，j＝1,2,…,N，ω为松弛因子，k表示迭代次数；
(b6)当||st (k+1)-st (k)||≤ε或k>K时，迭代结束，并将最新的解向量作为源定位的最终估计结果，否则继续迭代。
4.根据权利要求1所述的基于源定位和脑网络的自然动作脑电识别方法，其特征在于，所述步骤(4)中，先对单个试次的源向量在每个时间点上做希尔伯特变换，得到源向量在每个时间点上的相位，然后计算每对源在每个时间点上的PLV值：
Figure FDA0002772920150000022
Figure FDA0002772920150000023
Δφij＝φi-φj
Figure FDA0002772920150000024
其中，m＝1,2,…,M表示第m个试次；
当PLVij大于阈值时，在源i和源j之间构建一条边，并对该值做标准化处理作为该边的权重：
Figure FDA0002772920150000025
5.根据权利要求1所述的基于源定位和脑网络的自然动作脑电识别方法，其特征在于，所述步骤(5)中，所述统计检验方法为t-test，所述分类器为sLDA分类器，并采用10次五折交叉验证对分类器进行训练和测试。
6.根据权利要求3所述的基于源定位和脑网络的自然动作脑电识别方法，其特征在于，所述步骤(b5)中，最佳松弛因子通过在(1,2)之间以0.01为步长选择迭代10次后使||vt-Lst||最小的ω得到。
CN202011255263.9A 2020-11-11 2020-11-11 一种基于源定位和脑网络的自然动作脑电识别方法 Active CN112401905B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011255263.9A CN112401905B (zh) 2020-11-11 2020-11-11 一种基于源定位和脑网络的自然动作脑电识别方法
US17/634,418 US20220354411A1 (en) 2020-11-11 2020-11-30 Natural movement eeg recognition method based on source localization and brain networks
PCT/CN2020/132582 WO2022099808A1 (zh) 2020-11-11 2020-11-30 一种基于源定位和脑网络的自然动作脑电识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011255263.9A CN112401905B (zh) 2020-11-11 2020-11-11 一种基于源定位和脑网络的自然动作脑电识别方法

Publications (2)

Publication Number Publication Date
CN112401905A true CN112401905A (zh) 2021-02-26
CN112401905B CN112401905B (zh) 2021-07-30

Family

ID=74781118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011255263.9A Active CN112401905B (zh) 2020-11-11 2020-11-11 一种基于源定位和脑网络的自然动作脑电识别方法

Country Status (3)

Country Link
US (1) US20220354411A1 (zh)
CN (1) CN112401905B (zh)
WO (1) WO2022099808A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116313131B (zh) * 2023-05-24 2023-09-15 山东大学 基于仿造变量的脑网络差异识别系统、设备及存储介质
CN117298448B (zh) * 2023-10-31 2024-04-19 首都医科大学宣武医院 脑电异常捕捉及节律调控方法、系统、设备和存储介质
CN118094277B (zh) * 2024-04-25 2024-07-02 之江实验室 基于动态功能脑网络的大脑视听融合机制探索方法和装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1903119A (zh) * 2006-08-11 2007-01-31 电子科技大学 基于稀疏性约束的脑电源定位方法
US20100240458A1 (en) * 2009-03-20 2010-09-23 Pub Company S.R.L. Video game hardware systems and software methods using electroencephalogrophy
US9107595B1 (en) * 2014-09-29 2015-08-18 The United States Of America As Represented By The Secretary Of The Army Node excitation driving function measures for cerebral cortex network analysis of electroencephalograms
US20160113539A1 (en) * 2014-10-26 2016-04-28 Tata Consultancy Services Limited Determining cognitive load of a subject from electroencephalography (eeg) signals
CN107374655A (zh) * 2016-05-17 2017-11-24 南京大学 一种优化有限角度ct成像边缘伪影的方法
US20180199848A1 (en) * 2015-07-10 2018-07-19 Universite De Rennes I Method of constructing a data structure representative of a dynamic reorganization of a plurality of brain networks, corresponding device and program
CN108764043A (zh) * 2018-04-26 2018-11-06 太原理工大学 基于动态功能连接的熵值的脑电分类方法
CN109199376A (zh) * 2018-08-21 2019-01-15 北京工业大学 基于oa-wmne脑源成像的运动想象脑电信号的解码方法
US20190374154A1 (en) * 2017-02-27 2019-12-12 Universite De Rennes 1 Method, command, device and program to determine at least one brain network involved in carrying out a given process
CN110859614A (zh) * 2019-11-22 2020-03-06 东南大学 基于加权相位滞后指数的数学天分青少年脑网络分析方法
CN111096745A (zh) * 2020-01-02 2020-05-05 苏州大学 基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107961005B (zh) * 2017-11-07 2020-06-30 东南大学 少通道脑机接口eeg信号的特征提取方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1903119A (zh) * 2006-08-11 2007-01-31 电子科技大学 基于稀疏性约束的脑电源定位方法
US20100240458A1 (en) * 2009-03-20 2010-09-23 Pub Company S.R.L. Video game hardware systems and software methods using electroencephalogrophy
US9107595B1 (en) * 2014-09-29 2015-08-18 The United States Of America As Represented By The Secretary Of The Army Node excitation driving function measures for cerebral cortex network analysis of electroencephalograms
US20160113539A1 (en) * 2014-10-26 2016-04-28 Tata Consultancy Services Limited Determining cognitive load of a subject from electroencephalography (eeg) signals
US20180199848A1 (en) * 2015-07-10 2018-07-19 Universite De Rennes I Method of constructing a data structure representative of a dynamic reorganization of a plurality of brain networks, corresponding device and program
CN107374655A (zh) * 2016-05-17 2017-11-24 南京大学 一种优化有限角度ct成像边缘伪影的方法
US20190374154A1 (en) * 2017-02-27 2019-12-12 Universite De Rennes 1 Method, command, device and program to determine at least one brain network involved in carrying out a given process
CN108764043A (zh) * 2018-04-26 2018-11-06 太原理工大学 基于动态功能连接的熵值的脑电分类方法
CN109199376A (zh) * 2018-08-21 2019-01-15 北京工业大学 基于oa-wmne脑源成像的运动想象脑电信号的解码方法
CN110859614A (zh) * 2019-11-22 2020-03-06 东南大学 基于加权相位滞后指数的数学天分青少年脑网络分析方法
CN111096745A (zh) * 2020-01-02 2020-05-05 苏州大学 基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YIPENG LIU∗,MAARTEN DE VOS，AND SABINE VAN HUFFEL: "Compressed Sensing of Multichannel EEG Signals:The Simultaneous Cosparsity and Low-Rank Optimization", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 *
徐宝国，何小杭，魏智唯，宋爱国，赵国普: "基于运动想象脑电的机器人连续控制系统研究", 《仪器仪表学报》 *
袁齐: "基于脑电图与脑磁图的源活动估计的比较分析", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Also Published As

Publication number Publication date
WO2022099808A1 (zh) 2022-05-19
CN112401905B (zh) 2021-07-30
US20220354411A1 (en) 2022-11-10

Similar Documents

Publication Publication Date Title
CN112401905B (zh) 一种基于源定位和脑网络的自然动作脑电识别方法
WO2021143353A1 (zh) 一种手势信息处理方法、装置、电子设备及存储介质
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
CN111860410A (zh) 基于多特征融合cnn的肌电手势识别方法
CN110969108A (zh) 一种基于自主运动想象脑电的肢体动作识别方法
CN113111831A (zh) 一种基于多模态信息融合的手势识别技术
Powar et al. A novel pre-processing procedure for enhanced feature extraction and characterization of electromyogram signals
CN110090017A (zh) 一种基于lstm的脑电信号源定位方法
CN106618561A (zh) 残障人士运动状态下脑电信号的高鲁棒解析方法
CN111931578B (zh) 一种基于最小生成树和区域双层网络的脑电识别方法
CN115251845B (zh) 基于TB-TF-BiGRU模型处理脑电波信号的睡眠监测方法
Duan et al. Recognizing missing electromyography signal by data split reorganization strategy and weight-based multiple neural network voting method
CN113378650B (zh) 一种基于脑电源成像和正则化共空间模式的情绪识别方法
CN113128384B (zh) 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法
Ai et al. Flexible coding scheme for robotic arm control driven by motor imagery decoding
Pirasteh et al. EEG-based brain-computer interface methods with the aim of rehabilitating advanced stage ALS patients
Wang et al. A comprehensive review on motion trajectory reconstruction for EEG-based brain-computer interface
CN115813409B (zh) 一种超低延迟的运动图像脑电图解码方法
CN117224082A (zh) 一种基于图学习优化算法的动态脑功能网络学习方法
CN114428555B (zh) 一种基于皮层源信号的脑电运动意图识别方法及系统
Meng et al. P300 detection with adaptive filtering and EEG spectrogram graph
Xue et al. SEMG based intention identification of complex hand motion using nonlinear time series analysis
Lv et al. Eeg recognition with adaptive noise reduction based on convolutional lstm network
Proaño-Guevara et al. Electromiographic Signal Processing Using Embedded Artificial Intelligence: An Adaptive Filtering Approach
CN114970608B (zh) 基于眼电信号的人机交互方法及系统

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