CN112617863A - 一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法 - Google Patents

一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法 Download PDF

Info

Publication number
CN112617863A
CN112617863A CN202011611474.1A CN202011611474A CN112617863A CN 112617863 A CN112617863 A CN 112617863A CN 202011611474 A CN202011611474 A CN 202011611474A CN 112617863 A CN112617863 A CN 112617863A
Authority
CN
China
Prior art keywords
interface method
electrical stimulation
frequency band
computer interface
computer
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
CN202011611474.1A
Other languages
English (en)
Other versions
CN112617863B (zh
Inventor
边琰
赵丽
李嘉莹
刘昭君
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.)
Tianjin University of Technology and Education China Vocational Training Instructor Training Center
Original Assignee
Tianjin University of Technology and Education China Vocational Training Instructor Training Center
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 Tianjin University of Technology and Education China Vocational Training Instructor Training Center filed Critical Tianjin University of Technology and Education China Vocational Training Instructor Training Center
Priority to CN202011611474.1A priority Critical patent/CN112617863B/zh
Publication of CN112617863A publication Critical patent/CN112617863A/zh
Application granted granted Critical
Publication of CN112617863B publication Critical patent/CN112617863B/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
    • A61B5/72—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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

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

Abstract

本发明公开了一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法。该混合在线脑机接口方法在进行左右脚勾脚想象动作的同时对右脚施加一定频率的电刺激，通过结合人体下肢电刺激产生的SSSEP特征和MI产生的ERD特征相融合进行左/右脚运动意图的解码，这种混合式脑‑机接口可以成功解码人体足部的运动意图，分辨出大脑相近空间位置的肢体任务，提高MI‑BCI空间分辨率，扩大MI动作模式的指令集，为促进MI‑BCI在下肢康复领域的应用探索新途径、提供新方法。

Description

一种面向左右脚运动意图侧向性识别的混合在线脑机接口 方法
技术领域
本发明涉及脑机接口技术领域，特别是涉及一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法。
背景技术
脑机接口(Brain-computer interface，BCI)是指通过检测中枢神经系统活动，将其转化为人工输出的系统，它能够替代、修复、增强、补充或者改善中枢神经系统的正常输出，从而改变中枢神经系统与内外环境之间的交互作用。脑-机接口在大脑和环境之间建立起一种新型的连接通道，这种通道可以使大脑不依赖于常规外周神经系统，直接通过人脑的思维活动和内外环境之间进行信息交互，为大脑与外界的沟通提供了一种新模式。
根据BCI系统的不同应用方向，可以分为辅助型或康复型BCI。辅助型BCI系统主要用于控制外部设备，比如控制计算机光标，机械臂或智能轮椅等。康复型BCI系统，也称为恢复型或基于神经反馈的BCI系统，这种BCI旨在通过操纵或自我调节神经生理活动来促进大脑功能或行为的恢复。目前康复型BCI已经被应用于肌萎缩性侧索硬化(ALS)、脊髓损伤(SCI)、脑卒中患者的肢体运动能力康复和大脑运动区损伤的可塑性修复，被证实是一种很有潜力的康复方法。
运动想象(motor imagery，MI)，指大脑有动作意图但不执行实际肢体动作，是一种对运动行为的内心演练过程。大脑的神经电活动由神经元集群放电而产生，当大脑处于不同心理状态或思维认知过程时，神经电活动也会表现出不同特征的状态过程。想象运动电位通过具体的运动意识任务来对大脑的感觉运动节律进行调节。运动想象时大脑神经电活动的变化现象，大脑感觉运动皮层的神经元集群放电会产生同步性或去同步性的放电特征，导致某些特定频段脑电信号能量的增强或者减弱，即ERS和ERD现象。在想象动作模式下，出现ERS/ERD现象的特征频段主要为alpha节律(8-13Hz)和beta节律(14-30Hz)，不同频段的ERS/ERD现象是运动想象电位检测的主要特征之一。
MI是BCI的常用范式之一。由于大脑存在容积导体效应，从头皮采集的EEG信号往往信噪比较低，因此基于EEG的MI-BCI空间分辨率较差，很难识别出精细想象动作任务和邻近肢体运动意图，目前MI的运动模式较少，单一动作模式仅局限在左手、右手、舌、双脚这些大肢体动作，导致MI-BCI输出指令集较少。尤其对于人体下肢，由于左/右脚的大脑投影区域几乎重叠，造成下肢运动意图解码困难，所以目前双脚只能作为一个指令集，无法有效识别出更精细的侧向性运动意图。
大脑头皮采集的EEG信号由于容积导体效应的影响，具有较高的时间分辨率，但空间分辨率比较低，因此对于大脑感觉运动皮层相近空间位置的肢体任务，运动意图识别的难度极大，特别是对于人体下肢，比如人的双脚，根据肢体部位与运动感觉皮层的投影关系，左脚和右脚的运动功能区均重合于中央区沟回以里的有限区域，因而直接利用运动想象的ERD特征进行人体左/右脚相关动作的区分难度极大，目前比较成熟的运动想象肢体动作模式中，双脚被作为同一种动作模式，而不加以侧向性的区别。
已有的文献中对于下肢分类的相关报道尚不多见，已有的一些报道中对于运动意图识别的准确率也大多未达到70％的BCI阈值水平。而下肢运动意图难以识别的现状必然会影响MI-BCI下肢运动功能的康复效果。
发明内容
本发明的目的是针对现有技术中直接利用运动想象的ERD特征进行人体左/右脚相关动作的区分难度极大的技术缺陷，而提供一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法。该混合在线脑机接口方法在进行左右脚勾脚想象动作的同时对右脚施加一定频率的电刺激，通过结合人体下肢电刺激产生的SSSEP特征和MI产生的ERD特征相融合进行左/右脚运动意图的解码，这种混合式脑-机接口可以成功解码人体足部的运动意图，分辨出大脑相近空间位置的肢体任务，提高MI-BCI空间分辨率，扩大MI动作模式的指令集，为促进MI-BCI在下肢康复领域的应用探索新途径、提供新方法。
为实现本发明的目的所采用的技术方案是：
一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法，包括以下步骤：
步骤1：随机进行左脚/右脚的运动想象任务，运动想象任务诱发去同步化特征；在足部施加电刺激，电刺激诱发稳态体感诱发电位特征，采集被试电刺激下进行运动想象任务的原始脑电数据；
步骤2：将采集的原始脑电数据进行预处理；
步骤3：采用基于多频率空间滤波的共空间模式算法对预处理后的脑电数据进行特征提取得到融合特征向量；
步骤4：利用支持向量机方法对融合特征向量进行左脚/右脚运动意图的二分类特征识别，并输出识别结果。
在上述技术方案中，步骤1中，每次运动想象任务执行前1秒开始施加电刺激，电刺激1秒后运动想象任务开始执行，运动想象任务执行5秒后与电刺激同时停止。
在上述技术方案中，步骤1中，所述电刺激采用脉宽为0.1-0.5ms的单通道电流脉冲，电流脉冲的频率为28-33Hz，电流脉冲的强度为10-25mA。
在上述技术方案中，所述电刺激的位置距离右侧内脚踝后2-3cm处，在右脚内踝部胫后神经部位；所述电刺激使用正负两个电极，每一电极为尺寸大小3.5cm*2.3cm的鞍状电极。
在上述技术方案中，步骤2中，预处理过程包括去除无用电极，保留60导联脑电数据，然后进行全脑数据的共平均参考转换，剔除无关频段，进行基线校正，去除伪迹，并将数据进行降采样至200Hz。
在上述技术方案中，步骤3中的具体步骤为：
首先通过四个不同频段的带通滤波器，将预处理后的脑电信号滤波后形成四个子频段的脑电信号数据；然后利用二分类共空间模式算法构建空间滤波器，并利用空间滤波器对每个子频段的脑电信号数据进行空间滤波，得到每个子频段的脑电信号数据的特征向量；最后将所有子频段的脑电信号数据的特征向量组合，得到融合特征向量。
在上述技术方案中，所述四个子频段分别为：alpha频带和beta频带以及SSSEP刺激频率的一次谐波频带和二次谐波频带；
其中，alpha频带的频带范围为8-13Hz，beta频带的频带范围为13-26Hz，一次谐波频带的频带范围为32-34Hz，二次谐波频带的频带范围为65-67Hz。
在上述技术方案中，某个子频段的脑电信号数据特征向量的矩阵表示计算公式为：
Figure BDA0002873008190000031
其中，xi,b为第i个频带第b个实验试次带通滤波后的子频段的EEG数据，wi为该频带的空间滤波器的矩阵表示，T代表进行矩阵转置运算，vi,b代表第i个频带第b个实验试次所得到的特征向量的矩阵表示。
在上述技术方案中，步骤4中输出方式是，以图片方式将分类结果进行在线反馈。
本发明的另一方面，上述混合在线脑机接口方法在与外部环境交互中的应用。
与现有技术相比，本发明的有益效果是：
1.本发明提供的面向左右脚运动意图侧向性识别的混合在线脑机接口方法，在运动想象过程中加入辅助刺激，构成混合脑机接口系统。该混合脑机接口系统不仅成功诱发出和刺激频率相对应的下肢SSSEP特征，并且利用MI任务对SSSEP特征的调制作用，融合稳态体感诱发电位和事件相关电位的混合特征成功解码了左/右脚的运动意图。这种混合式脑-机接口可以成功解码人体足部的运动意图，分辨出大脑相近空间位置的肢体任务，提高MI-BCI空间分辨率，扩大MI动作模式的指令集，为促进MI-BCI在下肢康复领域的应用探索新途径、提供新方法。
2.本发明提供的面向左右脚运动意图侧向性识别的混合在线脑机接口方法，仅使用单侧电刺激进行双侧足部运动意图的识别，与双侧刺激相比，减小了系统的复杂程度，却能达到和双侧刺激相同甚至更好的识别效果。
3.本发明提供的面向左右脚运动意图侧向性识别的混合在线脑机接口方法，突破下肢运动意图识别空间分辨率低、单一肢体动作指令集少的难题，尤其对于不能自主注视或丧失了视觉/听觉功能的运动功能障碍患者，如患有LIS或ALS晚期患者，为其对下肢康复设备的控制或下肢运动功能的神经可塑性训练提供了一种新的思路、方法和实验数据的支持。
4.本发明提供的面向左右脚运动意图侧向性识别的混合在线脑机接口方法，采用足球进左侧或右侧球门的图片进行左脚或右脚识别结果的在线反馈，简单直观，增强被试的参与度，提高系统性能。
附图说明
图1是混合在线脑机接口方法的示意图；
图2是实验范式示意图；
图3是电极位置示意图。
具体实施方式
以下结合具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法，包括以下步骤：
步骤1：随机进行左脚/右脚的运动想象任务，运动想象任务诱发去同步化特征(即ERD特征)；在右侧足部内踝胫后神经施加固定频率的电刺激，电刺激诱发稳态体感诱发电位特征(即SSSEP特征)，采集被试电刺激下进行运动想象任务的原始脑电数据；
步骤2：将采集的原始脑电数据进行预处理；
步骤3：然后采用基于多频率空间滤波的共空间模式算法对预处理后的脑电数据进行特征提取得到融合特征向量；
步骤4：利用支持向量机方法对融合特征向量进行左脚/右脚运动意图的二分类特征识别，并输出识别结果。
在上述混合在线脑机接口方法中，步骤1中，所述运动想象任务是指被试按照提示要求随机进行左脚或右脚的想象勾脚动作，想象左脚或右脚运动的感觉而非画面，在想象运动的时候不进行任何肢体动作。在提示开始后右脚踝部胫后神经给予33Hz固定频率的电刺激，被试不必刻意关注电刺激，只在运动想象期间进行运动想象任务即可。
步骤1中原始脑电数据采集设备使用SynAmps2电生理放大器(澳大利亚Compumedics Corporation生产)和64导联电极帽(采用国际标准10-20导联定位系统)，参考和接地电极分别设为左、右乳突，使用Scan 4.5软件进行原始脑电数据的采集、显示和存储。
步骤2中，预处理过程包括去除无用电极，保留60导联脑电数据，然后进行全脑数据的共平均参考转换，将数据进行5-100Hz的带通滤波剔除无关频段，进行数据的基线校正，然后利用盲源分离技术去除眼电、肌电等伪迹，并将数据进行降采样至200Hz以方便后续分析。
步骤3中，具体步骤为：
首先利用四个不同频带的3阶巴特沃斯带通滤波器对预处理后的脑电信号进行滤波，将预处理后的脑电信号滤波后形成四个子频段的EEG数据(即脑电信号数据)。四个子频段分别为：alpha频带和beta频带以及SSSEP刺激频率的一次谐波频带和二次谐波频带。alpha频带的具体频带范围为8-13Hz，beta频带的具体频带范围为13-26Hz，一次谐波频带的具体频带范围为32-34Hz，二次谐波频带的具体频带范围为65-67Hz。
然后对于每个子频段的脑电信号数据利用二分类共空间模式算法设计空间滤波器，并利用空间滤波器对每个子频段的脑电信号数据进行空间滤波，得到每个子频段的EEG数据的特征向量(即CSP特征)。某个子频段的EEG数据的特征向量的矩阵表示的计算公式为：
Figure BDA0002873008190000051
其中，xi,b为第i个频带第b个实验试次带通滤波后的子频段的EEG数据，wi为该频带的空间滤波器的矩阵表示，T代表进行矩阵转置运算，vi,b代表第i个频带第b个实验试次所得到的特征向量的矩阵表示。
空间滤波器的构建方法为，首先采集每个被试40个试次的脑电数据，其中包括20个试次左脚MI任务和20个试次右脚MI任务，组成训练集，每个训练集的标签是已知的(即知道是左脚或右脚MI任务)，利用共空间模式算法可以得到空间滤波器，共空间模式具体的设计过程参考文献为：Ramoser H,Mullergerking J,Pfurtscheller G,et al.OptimalSpatial Filtering of Single Trial EEG During Imagined Hand Movement[C].International Conference of the IEEE Engineering in Medicine and BiologySociety,2000,8(4):441-446.
最后，将所有4个子频段的脑电信号数据的特征向量组合，得到融合特征向量。
实施例2
本实施例是基于实施例1中的混合在线脑机接口方法，介绍其实验范式流程，如图1所示。
在运动想象任务的执行期间，被试需要在右脚的电刺激条件下进行左脚或右脚的勾脚运动想象任务。运动想象任务以第一视角进行，想象勾脚动作的感觉而非画面。运动想象任务持续时间为5秒钟，在运动想象任务执行前的1秒钟，电刺激器开始在右脚施加电刺激，屏幕上同时出现“<<－－Prepare！”或“Prepare！－－>>”和红色“+”，箭头方向代表接下来将要进行哪只脚的体感刺激运动想象任务。被试在此期间需要准备进行左脚或右脚的运动想象任务。1秒钟后任务开始，屏幕上的文字变为“left foot”或“right foot”，红色“+”不变，表示在此期间执行体感刺激下的运动想象任务。运动想象任务同样持续5秒钟。5秒钟后系统根据模式识别的结果输出相应左侧或右侧球门进球的图片，以直观地反馈给被试系统运动意图识别的结果。
混合范式下采集80个试次的数据，其中左、右脚实验各40个试次，左右脚MI任务以随机顺序出现，实验过程中每40个试次为一组，每组间休息3-5分钟，防止被试疲劳，使被试保持一个较好的实验状态。实验范式的编写在Matlab的PsychToolBox工具箱上完成。前40个试次的数据集用于构建共空间模式滤波器(即空间滤波器)，后40个试次的数据用于系统在线运动意图识别的准确率分析。使用融合特征向量进行SVM分类器模式识别即可得到系统运动意图识别的准确率。通过后40个试次的数据的准确率分析，该方法的准确率可以达到70％以上，而只利用ERD特征的分类准确性一般低于60％。由此可见，应用ERD特征和SSSEP特征混合在线脑机接口方法，可以有效提高足部侧向性运动意图识别的准确率。
实施例3
右脚内脚踝处刺激电极的安放位置如图3所示，实验开始前每位被试的刺激具体位置和电流刺激强度需要分别进行调整以达到脚趾初见收缩且没有疼痛感的效果，不同被试下肢电刺激强度有所差异，一般在10-25mA之间。电刺激采用脉宽为0.2ms的电流脉冲，刺激位置大约距离双脚内脚踝后2-3cm处，使用尺寸大小为3.5×2.3cm的鞍状电极，实验时，被试以舒适姿势静坐于电脑屏幕前约60cm处，全身保持放松，实验进行过程中避免身体晃动及肢体细微动作，任务执行期间尽量减少眨眼次数。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法，其特征在于，包括以下步骤：
步骤1：随机进行左脚/右脚的运动想象任务，运动想象任务诱发去同步化特征；在足部施加电刺激，电刺激诱发稳态体感诱发电位特征，采集被试电刺激下进行运动想象任务的原始脑电数据；
步骤2：将采集的原始脑电数据进行预处理；
步骤3：采用基于多频率空间滤波的共空间模式算法对预处理后的脑电数据进行特征提取得到融合特征向量；
步骤4：利用支持向量机方法对融合特征向量进行左脚/右脚运动意图的二分类特征识别，并输出识别结果。
2.如权利要求1所述的混合在线脑机接口方法，其特征在于：步骤1中，每次运动想象任务执行前1秒开始施加电刺激，电刺激1秒后运动想象任务开始执行，运动想象任务执行5秒后与电刺激同时停止。
3.如权利要求1所述的混合在线脑机接口方法，其特征在于：步骤1中，所述电刺激采用脉宽为0.1-0.5ms的单通道电流脉冲，电流脉冲的频率为28-33Hz，电流脉冲的强度为10-25mA。
4.如权利要求3所述的混合在线脑机接口方法，其特征在于：所述电刺激的位置距离右侧内脚踝后2-3cm处，在右脚内踝部胫后神经部位；所述电刺激使用正负两个电极，每一电极为尺寸大小3.5cm*2.3cm的鞍状电极。
5.如权利要求4所述的混合在线脑机接口方法，其特征在于：步骤2中，预处理过程包括去除无用电极，保留60导联脑电数据，然后进行全脑数据的共平均参考转换，剔除无关频段，进行基线校正，去除伪迹，并将数据进行降采样至200Hz。
6.如权利要求1所述的混合在线脑机接口方法，其特征在于：步骤3中的具体步骤为：
首先通过四个不同频段的带通滤波器，将预处理后的脑电信号滤波后形成四个子频段的脑电信号数据；然后利用二分类共空间模式算法构建空间滤波器，并利用空间滤波器对每个子频段的脑电信号数据进行空间滤波，得到每个子频段的脑电信号数据的特征向量；最后将所有子频段的脑电信号数据的特征向量组合，得到融合特征向量。
7.如权利要求6所述的混合在线脑机接口方法，其特征在于：所述四个子频段分别为：alpha频带和beta频带以及SSSEP刺激频率的一次谐波频带和二次谐波频带；
其中，alpha频带的频带范围为8-13Hz，beta频带的频带范围为13-26Hz，一次谐波频带的频带范围为32-34Hz，二次谐波频带的频带范围为65-67Hz。
8.如权利要求6所述的混合在线脑机接口方法，其特征在于：某个子频段的脑电信号数据特征向量的矩阵表示计算公式为：
Figure FDA0002873008180000021
其中，xi,b为第i个频带第b个实验试次带通滤波后的子频段的EEG数据，wi为该频带的空间滤波器的矩阵表示，T代表进行矩阵转置运算，vi,b代表第i个频带第b个实验试次所得到的特征向量的矩阵表示。
9.如权利要求6所述的混合在线脑机接口方法，其特征在于：步骤4中输出方式是，以图片方式将分类结果进行在线反馈。
10.如权利要求1-9任一项所述的混合在线脑机接口方法在与外部环境交互中的应用。
CN202011611474.1A 2020-12-30 2020-12-30 一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法 Active CN112617863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011611474.1A CN112617863B (zh) 2020-12-30 2020-12-30 一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011611474.1A CN112617863B (zh) 2020-12-30 2020-12-30 一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法

Publications (2)

Publication Number Publication Date
CN112617863A true CN112617863A (zh) 2021-04-09
CN112617863B CN112617863B (zh) 2023-01-24

Family

ID=75287029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011611474.1A Active CN112617863B (zh) 2020-12-30 2020-12-30 一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法

Country Status (1)

Country Link
CN (1) CN112617863B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113143291A (zh) * 2021-05-11 2021-07-23 燕山大学 一种快速序列视觉呈现下的脑电特征提取方法
CN113951896A (zh) * 2021-09-10 2022-01-21 之江实验室 一种基于颅内脑电和头皮脑电融合的脑机接口解码方法
CN114305450A (zh) * 2022-01-07 2022-04-12 天津大学 一种识别下肢多关节运动想象的方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951082A (zh) * 2015-07-09 2015-09-30 浙江大学 一种利用随机共振增强脑电信号的脑机接口方法
WO2016033686A1 (en) * 2014-09-04 2016-03-10 University Health Network Method and system for brain activity signal-based treatment and/or control of user devices
CN105813547A (zh) * 2013-12-12 2016-07-27 皇家飞利浦有限公司 用于方便睡眠阶段转换的系统和方法
CN106362287A (zh) * 2016-10-24 2017-02-01 天津大学 一种新型mi‑sssep混合脑‑机接口方法及系统
CN107562191A (zh) * 2017-08-03 2018-01-09 天津大学 基于混合特征的精细想象动作在线脑‑机接口方法
CN108693973A (zh) * 2018-04-17 2018-10-23 北京理工大学 一种融合脑电信号和环境信息的紧急状况检测系统
CN109646798A (zh) * 2019-02-20 2019-04-19 浙江强脑科技有限公司 脑控式肢体恢复训练系统及其控制方法
CN110531861A (zh) * 2019-09-06 2019-12-03 腾讯科技（深圳）有限公司 运动想象脑电信号的处理方法和装置及存储介质
CN111542369A (zh) * 2017-11-11 2020-08-14 神经科学解决方案有限责任公司 夜尿减少系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105813547A (zh) * 2013-12-12 2016-07-27 皇家飞利浦有限公司 用于方便睡眠阶段转换的系统和方法
WO2016033686A1 (en) * 2014-09-04 2016-03-10 University Health Network Method and system for brain activity signal-based treatment and/or control of user devices
CN104951082A (zh) * 2015-07-09 2015-09-30 浙江大学 一种利用随机共振增强脑电信号的脑机接口方法
CN106362287A (zh) * 2016-10-24 2017-02-01 天津大学 一种新型mi‑sssep混合脑‑机接口方法及系统
CN107562191A (zh) * 2017-08-03 2018-01-09 天津大学 基于混合特征的精细想象动作在线脑‑机接口方法
CN111542369A (zh) * 2017-11-11 2020-08-14 神经科学解决方案有限责任公司 夜尿减少系统
CN108693973A (zh) * 2018-04-17 2018-10-23 北京理工大学 一种融合脑电信号和环境信息的紧急状况检测系统
CN109646798A (zh) * 2019-02-20 2019-04-19 浙江强脑科技有限公司 脑控式肢体恢复训练系统及其控制方法
CN110531861A (zh) * 2019-09-06 2019-12-03 腾讯科技（深圳）有限公司 运动想象脑电信号的处理方法和装置及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴林彦: "一种脑-机接口与下肢功能性电刺激联合系统的研究", 《中国优秀硕士学位论文全文数据库》 *
陈龙等: "基于脑电控制的功能性电刺激康复系统设计及应用", 《航天医学与医学工程》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113143291A (zh) * 2021-05-11 2021-07-23 燕山大学 一种快速序列视觉呈现下的脑电特征提取方法
CN113143291B (zh) * 2021-05-11 2023-02-03 燕山大学 一种快速序列视觉呈现下的脑电特征提取方法
CN113951896A (zh) * 2021-09-10 2022-01-21 之江实验室 一种基于颅内脑电和头皮脑电融合的脑机接口解码方法
CN114305450A (zh) * 2022-01-07 2022-04-12 天津大学 一种识别下肢多关节运动想象的方法
CN114305450B (zh) * 2022-01-07 2023-09-19 天津大学 一种识别下肢多关节运动想象的方法

Also Published As

Publication number Publication date
CN112617863B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
CN110765920B (zh) 基于卷积神经网络的运动想象分类方法
CN112617863B (zh) 一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法
Yao et al. Combining motor imagery with selective sensation toward a hybrid-modality BCI
Ono et al. Daily training with realistic visual feedback improves reproducibility of event-related desynchronisation following hand motor imagery
Kamousi et al. Classification of motor imagery tasks for brain-computer interface applications by means of two equivalent dipoles analysis
Pfurtscheller et al. Discrimination of motor imagery-induced EEG patterns in patients with complete spinal cord injury
Maeder et al. Pre-stimulus sensorimotor rhythms influence brain–computer interface classification performance
CN104978035B (zh) 基于体感电刺激诱发p300的脑机接口系统及其实现方法
CN107562191A (zh) 基于混合特征的精细想象动作在线脑‑机接口方法
Yao et al. A novel calibration and task guidance framework for motor imagery BCI via a tendon vibration induced sensation with kinesthesia illusion
Severens et al. A multi-signature brain–computer interface: use of transient and steady-state responses
CN106362287A (zh) 一种新型mi‑sssep混合脑‑机接口方法及系统
CN110262658B (zh) 一种基于强化注意的脑机接口字符输入系统及实现方法
Bastos-Filho Introduction to non-invasive EEG-Based brain-computer interfaces for assistive technologies
Yao et al. Performance variation of a somatosensory BCI based on imagined sensation: a large population study
Zhong et al. Tactile sensation assisted motor imagery training for enhanced BCI performance: a randomized controlled study
Kim et al. Classification of selective attention within steady-state somatosensory evoked potentials from dry electrodes using mutual information-based spatio-spectral feature selection
CN113807402A (zh) 抑制mi-bci系统误触发的系统及其训练和测试方法
Frenzel et al. Is the P300 speller independent?
Guragain et al. Hybrid Brain-Computer Interface Systems: Approaches, Features, and Trends
Pires Biosignal classification for human interface with devices and surrounding environment
Ahmed et al. A writing aid for dysgraphia affected people
CN114305450B (zh) 一种识别下肢多关节运动想象的方法
CN107669416A (zh) 基于持续‑轻快运动想象神经解码的轮椅系统及控制方法
Sengupta et al. Cortical activation and BCI performance during brief tactile imagery: A comparative study with motor imagery

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