CN112651432A - 基于xdawn空间滤波器和黎曼几何迁移学习的p300脑-机接口系统 - Google Patents
基于xdawn空间滤波器和黎曼几何迁移学习的p300脑-机接口系统 Download PDFInfo
- Publication number
- CN112651432A CN112651432A CN202011482549.0A CN202011482549A CN112651432A CN 112651432 A CN112651432 A CN 112651432A CN 202011482549 A CN202011482549 A CN 202011482549A CN 112651432 A CN112651432 A CN 112651432A
- Authority
- CN
- China
- Prior art keywords
- riemann
- matrix
- xdawn
- module
- brain
- 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
Links
- 238000013526 transfer learning Methods 0.000 title claims abstract description 22
- 238000002474 experimental method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 58
- 238000000034 method Methods 0.000 claims description 28
- 230000009466 transformation Effects 0.000 claims description 21
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 20
- 238000013508 migration Methods 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000012141 concentrate Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000000638 stimulation Effects 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 210000004556 brain Anatomy 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Dermatology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Human Computer Interaction (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于XDAWN空间滤波器和黎曼几何迁移学习的P300脑‑机接口系统，包括信号采集模块、数据处理模块、训练模块和测试模块。所述信号采集模块通过SynAmps2放大器对四位受试者的脑电信号进行样本采集，样本集数据经过处理，然后进行迁移学习，经过分类器分类结果，得到判别的输出字符，并最终在P300字符输入范式界面上输出。本发明数据处理部分主要采用XDAWN空间滤波器——用于增强原始信号中的P300分量和降低其维数；训练模块基于黎曼几何将数据直接映射到具有适当度量的几何空间，进行迁移学习实验，得到迁移学习实验的结果。本系统所提算法与两个经典算法进行比较验证，证明了基于XDAWN空间滤波器和黎曼几何迁移学习的P300脑‑机接口系统的可靠性。
Description
技术领域
本发明属于机器学习技术领域，具体涉及基于XDAWN空间滤波器和黎曼几何迁移学习的P300脑-机接口系统。
背景技术
脑-机接口(Brain-Computer Interface，BCI)是在人或动物脑(或者脑细胞的培养物)与计算机或其他电子设备之间建立的不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的一种全新通讯和控制技术。
BCI系统根据脑电信号划分，主要有P300、视觉诱发电位、事件相关同步/事件相关去同步电位、皮层慢电位等脑电信号。其中P300脑电信号是大脑对特定外部刺激的自然响应，是刺激出现约300ms时，EEG信号出现的正峰值。然而由于脑电信号存在很大的可变性，从不同受试者或不同时期收集的EEG信号的特征空间分布是不一致的。此外，BCI系统每次使用前都需要很长的校准阶段。因此想要获得良好的性能，每个受试者的BCI系统都需要先通过自己的EEG信号进行训练，而不能使用其他人的EEG信号。
目前脑-机接口中减少校准的一个重要的方法是迁移学习，在机器学习领域中，迁移学习主要思想是通过相似或相关的其它用户、设备或任务的数据来帮助当前用户、设备或任务进行校准。当前BCI领域的迁移学习算法研究受到了广泛关注，例如，Xing的团队利用源领域中的样本数据对分类器模型进行训练，细化初始类别标签，获得最终目标样本数据标签，提出了结合标签细化与迁移学习算法；Wu团队采用主动学习的方法对数据样本进筛选，选择信息量最丰富的数据样本，然后使用迁移学习方法把其他受试者的脑电数据作为辅助数据训练了分类模型，实现迁移学习在不同受试者之间的应用，其他一些迁移学习方法是半监督学习，并使用统一的本地二进制模式或人工数据生成。但是，最有潜力的方法之一是黎曼几何方法，黎曼几何的主要思想是将数据直接映射到具有适当度量的几何空间，从而确定对称正定(SPD)矩阵，然后直接将SPD矩阵映射到黎曼流形上，而不是估计空间过滤器和/或选择特征。黎曼流形上的数据可以直接处理，其特殊的性质使黎曼分类器具备很好的泛化能力且分类精确度高，可用于研究BCI中的会话迁移和受试者迁移问题。尽管黎曼几何方法在BCI领域取得了许多良好的结果，它仍然有缺点：噪声会随着维度的增加而增加，如果数据维度太大，则黎曼几何方法将执行许多计算，这很耗时并且会导致统计偏差的问题，为此我们提出基于XDAWN空间滤波器和黎曼几何迁移学习的脑-机接口系统。
发明内容
本发明的目的在于提供基于XDAWN空间滤波器和黎曼几何迁移学习的P300脑-机接口系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：基于XDAWN空间滤波器和黎曼几何迁移学习的P300脑-机接口系统，包括信号采集模块、数据处理模块、训练模块和测试模块；
所述信号采集模块通过SynAmps2放大器对四位受试者的脑电信号进行样本采集，并将采集的样本传输到数据处理模块进行处理；
所述数据处理模块用于对采集的样本保留原始数据中特定通道，并对其进行下采样处理，降低计算复杂度；
所述训练单元使用变换后的对称正定矩阵对黎曼几何分类器进行训练，并且输出黎曼距离最小的类。
优选的，所述数据采集模块采集方法包括如下步骤：
步骤一：本发明采用P300-speller，界面使用26个英文字母和1-9个数字以及下划线排列成6x6的虚拟键盘矩阵，是基于oddball实验范式完成的，随机高亮字符矩阵中的某一行或某一列，一次实验中6行6列均被高亮一次，一共12次高亮刺激，在一轮12次的闪烁序列试验中，目标单元格只会闪烁两次，与其他行和列的10次闪烁相比，形成少数事件，从而引发P300，我们共采集了4位受试者的脑电信号，受试者被要求集中精力，注视由字母、数字以及下划线组成的6x6矩阵，并选择性注意系统提供的一个目标字符；
步骤二：然后随机加亮字符矩阵中所有的行和列，每次持续时间为100ms，闪烁间隔为75ms，12个行列分别闪烁一次视为完成一次实验，周期为2.4s；
步骤三：当目标字符所在的行和列被加亮时，受试者需要在心中默记加亮的次数，其他行或列被加亮时，受试者不需要做出任何反应。
优选的，所述数据处理模块的处理方法包括如下步骤：
步骤四：对已经采集到的实验样本保留原始数据中特定通道，并对其进行下采样处理；
步骤五：记录系统把实验从开始到结束所有的脑电数据全部记录下来，原始数据中包含了多组实验样本，根据实验需求选取合适的时间窗对原始数据进行截取；
步骤六：使用包含P300分量的EEG信号Xn和标签Yn作为滤波器XDAWN的输入，通过假设一个真实的P300信号以及通过最大化广义瑞利熵给出的信噪比来找到最佳滤波器来获取经XDAWN滤波后的信号Xn*；
步骤七：计算滤波后的信号Xn*的对称正定协方差矩阵，将所有K型对称正定矩阵映射到黎曼流形上，并计算K型的黎曼几何均值。
步骤八：使用黎曼几何均值分别计算每个受试者的参考矩阵，以黎曼几何均值来完成仿射变换的参考矩阵的选择，对对称正定矩阵进行仿射变换。
优选的，所述训练模块和测试模块的方法包括如下步骤：
步骤九：最后使用变换后的对称正定矩阵来训练黎曼几何分类器，输出黎曼距离最小的类；
步骤十：当新的测试集Xp出现时，先前训练的XDAWN用于执行空间滤波以获得Xp*；
步骤十一：分别根据Xp*和其自身的黎曼几何均值获得对称正定矩阵并进行仿射变换；
步骤十二：使用黎曼最小均值距离对其进行分类。
优选的，所述测试单元用于分别根据Xp*和其自身的黎曼几何均值获得对称正定矩阵并进行仿射变换，并且使用黎曼最小均值距离对其进行分类。
优选的，所述信号采集模块由P300信号数据是使用64导联的电极帽采集的，采集采用八个通道，且八个所述的通道分别为Fz、Cz、Pz、Oz、P3、P4、PO7、PO8。
优选的，所述信号采集模块所采集共有30个字符，每个字符需要进行15次重复实验，然后才能测试下一个字符。
优选的，所述数据处理模块流形上不同对象的协方差矩阵的分布不一致，存在一定的参考状态。
与现有技术相比，本发明的有益效果是：
(1)本发明基于黎曼几何的分类器将数据直接映射到具有适当度量的几何空间，而不是估计空间过滤器或选择特征，被映射的几何空间为流型空间、度量工具为外部距离，将机器学习的问题扩展到流型空间，黎曼几何特殊的性质使黎曼分类器具备很好的泛化能力，用于本算法的分类任务，提高了分类精度、增强了泛化能力，本发明中的分类器采用了XDAWN空间滤波器，对黎曼几何中的数据实现降维处理。
(2)本发明在得到对称正定协方差矩阵后进行仿射变换，以使来自不同对象的数据具有可比性，流形上不同对象的协方差矩阵的分布不一致，但是存在一定的参考状态，基于黎曼几何均值的存在性以及唯一性，本系统发明中提出了一种结合黎曼几何思想的方法分类器和仿射变换，并特别使用黎曼几何均值来完成仿射变换的参考矩阵的选择，找到此参考状态并以矩阵形式表示，就可以通过仿射变换来比较来自不同对象的数据，经过此转换后，流形上对称正定矩阵的黎曼距离和几何结构并不会改变。
附图说明
图1为本发明的基于XDAWN和黎曼几何分类器的P300脑-机接口系统流程图；
图2为本发明所提算法一对一的迁移学习结果；
图3为本发明所提算法多对一的迁移学习结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例
请参阅图1，本发明提供一种技术方案：基于XDAWN空间滤波器和黎曼几何迁移学习的P300脑-机接口系统，包括信号采集模块、数据处理模块、训练模块和测试模块；
信号采集模块通过SynAmps2放大器对四位受试者的脑电信号进行样本采集，并将采集的样本传输到数据处理模块进行处理；
数据处理模块用于对采集的样本保留原始数据中特定通道，并对其进行下采样处理，降低计算复杂度；
训练模块使用变换后的对称正定矩阵对黎曼几何分类器进行训练，并且输出黎曼距离最小的类。
本实施例中，优选的，数据采集模块采集方法包括如下步骤：
步骤一：本发明采用P300-speller，界面使用26个英文字母和1-9个数字以及下划线排列成6x6的虚拟键盘矩阵，是基于oddball实验范式完成的，随机高亮字符矩阵中的某一行或某一列，一次实验中6行6列均被高亮一次，一共12次高亮刺激，在一轮12次的闪烁序列试验中，目标单元格只会闪烁两次，与其他行和列的10次闪烁相比，形成少数事件，从而引发P300，我们共采集了4位受试者的脑电信号，受试者被要求集中精力，注视由字母、数字以及下划线组成的6x6矩阵，并选择性注意系统提供的一个目标字符；
步骤二：然后随机加亮字符矩阵中所有的行和列，每次持续时间为100ms，闪烁间隔为75ms，12个行列分别闪烁一次视为完成一次实验，周期为2.4s；
步骤三：当目标字符所在的行和列被加亮时，受试者需要在心中默记加亮的次数，其他行或列被加亮时，受试者不需要做出任何反应。
本实施例中，优选的，数据处理模块的处理方法包括如下步骤：
步骤四：对已经采集到的实验样本保留原始数据中特定通道，并对其进行下采样处理，降低计算复杂度；
步骤五：记录系统把实验从开始到结束所有的脑电数据全部记录下来，原始数据中包含了多组实验样本，根据实验需求选取合适的时间窗对原始数据进行截取，以便后续训练数据集与自采集数据集处理；
步骤六：使用包含P300分量的EEG信号Xn和标签Yn作为滤波器XDAWN的输入，通过假设一个真实的P300信号以及通过最大化广义瑞利熵给出的信噪比来找到最佳滤波器来获取经XDAWN滤波后的信号Xn*；
步骤七：计算滤波后的信号Xn*的对称正定矩阵，将所有K型对称正定矩阵映射到黎曼流形上，并计算K型的黎曼几何均值。
步骤八：使用黎曼几何均值分别计算每个受试者的参考矩阵，以黎曼几何均值来完成仿射变换的参考矩阵的选择，对对称正定矩阵进行仿射变换。
本实施例中，优选的，训练模块和测试模块的处理测试方法包括如下步骤：
步骤九：最后使用变换后的对称正定矩阵来训练黎曼几何分类器，输出黎曼距离最小的类；
步骤十：当新的测试集Xp出现时，先前训练的XDAWN用于执行空间滤波以获得Xp*；
步骤十一：分别根据Xp*和其自身的黎曼几何均值获得对称正定矩阵并进行仿射变换；
步骤十二：使用黎曼最小均值距离对其进行分类。
本实施例中，优选的，测试模块用于分别根据Xp*和其自身的黎曼几何均值获得对称正定矩阵并进行仿射变换，并且使用黎曼最小均值距离对其进行分类。
本实施例中，优选的，信号采集模块由P300信号数据是使用64导联的电极帽采集的，采集采用八个通道，且八个通道分别为Fz、Cz、Pz、Oz、P3、P4、PO7、PO8。
本实施例中，优选的，信号采集模块所采集共有30个字符，每个字符需要进行15次重复实验，然后才能测试下一个字符。
本实施例中，优选的，数据处理模块流形上不同对象的协方差矩阵的分布不一致，存在一定的参考状态，因此找到此参考状态并以矩阵形式表示，通过仿射变换使来自不同对象的数据具有可比性。
本发明的工作原理及使用流程：本发明中的系统在进行测试,本发明采用P300-speller，界面使用26个英文字母和1-9个数字以及下划线排列成6x6的虚拟键盘矩阵，是基于oddball实验范式完成的，随机高亮字符矩阵中的某一行或某一列，一次实验中6行6列均被高亮一次，一共12次高亮刺激，在一轮12次的闪烁序列试验中，目标单元格只会闪烁两次，与其他行和列的10次闪烁相比，形成少数事件，从而引发P300，我们共采集了4位受试者的脑电信号，受试者被要求集中精力，注视由字母、数字以及下划线组成的6x6矩阵，并选择性注意系统提供的一个目标字符，然后随机加亮字符矩阵中所有的行和列，每次持续时间为100ms，闪烁间隔为75ms，12个行列分别闪烁一次视为完成一次实验，周期为2.4s，当目标字符所在的行和列被加亮时，受试者需要在心中默记加亮的次数，其他行或列被加亮时，受试者不需要做出任何反应，对已经采集到的实验样本保留原始数据中特定通道，并对其进行下采样处理，降低计算复杂度，记录系统把实验从开始到结束所有的脑电数据全部记录下来，原始数据中包含了多组实验样本，根据实验需求选取合适的时间窗对原始数据进行截取，以便后续训练数据集与自采集数据集处理，使用包含P300分量的EEG信号Xn和标签Yn作为滤波器XDAWN的输入，通过假设一个真实的P300信号以及通过最大化广义瑞利熵给出的信噪比来找到最佳滤波器来获取经XDAWN滤波后的信号Xn*，计算滤波后的信号Xn*的对称正定矩阵，将所有K型对称正定矩阵映射到黎曼流形上，并计算K型的黎曼几何均值，使用黎曼几何均值分别计算每个受试者的参考矩阵，以黎曼几何均值来完成仿射变换的参考矩阵的选择，对对称正定矩阵进行仿射变换，最后使用变换后的对称正定矩阵来训练黎曼几何分类器，输出黎曼距离最小的类，当新的测试集Xp出现时，先前训练的XDAWN用于执行空间滤波以获得Xp*，分别根据Xp*和其自身的黎曼几何均值获得对称正定矩阵并进行仿射变换，使用黎曼最小均值距离对其进行分类。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.基于XDAWN空间滤波器和黎曼几何迁移学习的P300脑-机接口系统，包括信号采集模块、数据处理模块、训练模块和测试模块；
所述信号采集模块通过SynAmps2放大器对四位受试者的脑电信号进行样本采集，并将采集的样本传输到数据处理模块进行处理；
所述数据处理模块用于对采集的样本保留原始数据中特定通道，并对其进行下采样处理，降低计算复杂度；
所述训练模块使用变换后的对称正定矩阵对黎曼几何分类器进行训练，并且输出黎曼距离最小的类。
2.根据权利要求1所述的，其特征在于：所述数据采集模块采集方法包括如下步骤：
步骤一：本发明采用P300-speller，界面使用26个英文字母和1-9个数字以及下划线排列成6x6的虚拟键盘矩阵，是基于oddball实验范式完成的，随机高亮字符矩阵中的某一行或某一列，一次实验中6行6列均被高亮一次，一共12次高亮刺激，在一轮12次的闪烁序列试验中，目标单元格只会闪烁两次，与其他行和列的10次闪烁相比，形成少数事件，从而引发P300，我们共采集了4位受试者的脑电信号，受试者被要求集中精力，注视由字母、数字以及下划线组成的6x6矩阵，并选择性注意系统提供的一个目标字符；
步骤二：然后随机加亮字符矩阵中所有的行和列，每次持续时间为100ms，闪烁间隔为75ms，12个行列分别闪烁一次视为完成一次实验，周期为2.4s；
步骤三：当目标字符所在的行和列被加亮时，受试者需要在心中默记加亮的次数，其他行或列被加亮时，受试者不需要做出任何反应。
3.根据权利要求1所述的，其特征在于：所述数据处理模块的处理方法包括如下步骤：
步骤四：对已经采集到的实验样本保留原始数据中特定通道，并对其进行下采样处理；
步骤五：记录系统把实验从开始到结束所有的脑电数据全部记录下来，原始数据中包含了多组实验样本，根据实验需求选取合适的时间窗对原始数据进行截取；
步骤六：使用包含P300分量的EEG信号Xn和标签Yn作为滤波器XDAWN的输入，通过假设一个真实的P300信号以及通过最大化广义瑞利熵给出的信噪比(SNR)来找到最佳滤波器来获取经XDAWN滤波后的信号Xn*；
步骤七：计算滤波后的信号Xn*的对称正定矩阵，将所有K型对称正定矩阵映射到黎曼流形上，并计算K型的黎曼几何均值。
步骤八：使用黎曼几何均值分别计算每个受试者的参考矩阵，以黎曼几何均值来完成仿射变换的参考矩阵的选择，对对称正定矩阵进行仿射变换。
4.根据权利要求1所述的，其特征在于：所述训练模块和测试模块的处理测试方法包括如下步骤：
步骤九：最后使用变换后的对称正定矩阵来训练黎曼几何分类器，输出黎曼距离最小的类；
步骤十：当新的测试集Xp出现时，先前训练的XDAWN用于执行空间滤波以获得Xp*；
步骤十一：分别根据Xp*和其自身的黎曼几何均值获得对称正定矩阵并进行仿射变换；
步骤十二：使用黎曼最小均值距离对其进行分类。
5.根据权利要求4所述的基于XDAWN空间滤波器和黎曼几何迁移学习的脑-机接口系统，其特征在于：所述测试模块用于分别根据Xp*和其自身的黎曼几何均值获得对称正定矩阵并进行仿射变换，并且使用黎曼最小均值距离对其进行分类。
6.根据权利要求1所述的基于XDAWN空间滤波器和黎曼几何迁移学习的P300脑-机接口系统，其特征在于：所述信号采集模块由P300信号数据是使用64导联的电极帽采集的，采集采用八个通道，且八个所述的通道分别为Fz、Cz、Pz、Oz、P3、P4、PO7、PO8。
7.根据权利要求1所述的基于XDAWN空间滤波器和黎曼几何迁移学习的P300脑-机接口系统，其特征在于：所述信号采集模块所采集共有有30个字符，每个字符需要进行15次重复实验，然后才能测试下一个字符。
8.根据权利要求3所述的基于XDAWN空间滤波器和黎曼几何迁移学习的P300脑-机接口系统，其特征在于：所述数据处理模块流形上不同对象的协方差矩阵的分布不一致，存在一定的参考状态，找到此参考状态并以矩阵形式表示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011482549.0A CN112651432A (zh) | 2020-12-15 | 2020-12-15 | 基于xdawn空间滤波器和黎曼几何迁移学习的p300脑-机接口系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011482549.0A CN112651432A (zh) | 2020-12-15 | 2020-12-15 | 基于xdawn空间滤波器和黎曼几何迁移学习的p300脑-机接口系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112651432A true CN112651432A (zh) | 2021-04-13 |
Family
ID=75354515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011482549.0A Pending CN112651432A (zh) | 2020-12-15 | 2020-12-15 | 基于xdawn空间滤波器和黎曼几何迁移学习的p300脑-机接口系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112651432A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113171111A (zh) * | 2021-04-25 | 2021-07-27 | 北京理工大学 | 一种上肢运动方向神经解码方法和装置 |
| CN118228054A (zh) * | 2024-05-23 | 2024-06-21 | 天津大学 | 基于黎曼几何的脑电信号空间滤波器训练方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723661A (zh) * | 2020-05-18 | 2020-09-29 | 华南理工大学 | 一种基于流形嵌入分布对齐的脑机接口迁移学习方法 |
| CN112036354A (zh) * | 2020-09-09 | 2020-12-04 | 东南大学 | 一种基于黎曼几何的自然动作脑电识别方法 |
-
2020
- 2020-12-15 CN CN202011482549.0A patent/CN112651432A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723661A (zh) * | 2020-05-18 | 2020-09-29 | 华南理工大学 | 一种基于流形嵌入分布对齐的脑机接口迁移学习方法 |
| CN112036354A (zh) * | 2020-09-09 | 2020-12-04 | 东南大学 | 一种基于黎曼几何的自然动作脑电识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| FENG LI 等: "Transfer Learning Algorithm of P300-EEG Signal Based on XDAWN Spatial Filter and Riemannian Geometry Classifier", 《MDPI》, pages 1 - 13 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113171111A (zh) * | 2021-04-25 | 2021-07-27 | 北京理工大学 | 一种上肢运动方向神经解码方法和装置 |
| CN118228054A (zh) * | 2024-05-23 | 2024-06-21 | 天津大学 | 基于黎曼几何的脑电信号空间滤波器训练方法及装置 |
| CN118228054B (zh) * | 2024-05-23 | 2024-08-13 | 天津大学 | 基于黎曼几何的脑电信号空间滤波器训练方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shan et al. | A Simple Convolutional Neural Network for Accurate P300 Detection and Character Spelling in Brain Computer Interface. | |
| CN112641450B (zh) | 面向动态视频目标检测的时变脑网络重构方法 | |
| Arican et al. | Binary particle swarm optimization (BPSO) based channel selection in the EEG signals and its application to speller systems | |
| CN111783942B (zh) | 一种基于卷积循环神经网络的脑认知过程模拟方法 | |
| CN111714118B (zh) | 一种基于集成学习的脑认知模型融合方法 | |
| Ma et al. | Capsule network for ERP detection in brain-computer interface | |
| CN108960182A (zh) | 一种基于深度学习的p300事件相关电位分类识别方法 | |
| CN107656612B (zh) | 基于p300-ssvep的大指令集脑-机接口方法 | |
| CN113157096B (zh) | 基于深度子域关联适应网络的脑电情感迁移方法 | |
| CN112651432A (zh) | 基于xdawn空间滤波器和黎曼几何迁移学习的p300脑-机接口系统 | |
| CN112084879A (zh) | 一种运动想象脑电的块选择共空间模式特征提取方法 | |
| CN110584660A (zh) | 基于脑源成像与相关性分析的电极选择方法 | |
| Yang et al. | On the effectiveness of EEG signals as a source of biometric information | |
| CN112732082A (zh) | 基于附加汉字默读运动想象方式的脑-机接口方法 | |
| Krusienski et al. | Common spatio-temporal patterns for the P300 speller | |
| CN111772629B (zh) | 一种脑认知技能移植的方法 | |
| Li et al. | Phase preservation neural network for electroencephalography classification in rapid serial visual presentation task | |
| Gavett et al. | Reducing human error in P300 speller paradigm for brain-computer interface | |
| CN111783669A (zh) | 一种面向个人用户的表面肌电信号分类识别方法 | |
| CN111317466A (zh) | 一种脑电信号成像方法、系统以及计算机设备 | |
| CN110852307B (zh) | 基于脑电信号的脑机接口的检测方法、系统、介质及设备 | |
| CN112783314A (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 | |
| Wu et al. | Real-time EEG-based Person authentication system using face rapid serial visual presentation | |
| Bianchi et al. | Introducing NPXLab 2010: a tool for the analysis and optimization of P300 based brain-computer interfaces | |
| Xu et al. | A Novel Neural Network for P300 Brain-Computer Interface Signal Recognition |
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: 20210413 |