CN113031782B - 一种运动想象反馈方法、系统及存储介质 - Google Patents
一种运动想象反馈方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113031782B CN113031782B CN202110439396.XA CN202110439396A CN113031782B CN 113031782 B CN113031782 B CN 113031782B CN 202110439396 A CN202110439396 A CN 202110439396A CN 113031782 B CN113031782 B CN 113031782B
- Authority
- CN
- China
- Prior art keywords
- motor imagery
- state data
- preset
- electroencephalogram
- source imaging
- 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
Images
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (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
本发明公开了一种运动想象反馈方法、系统及存储介质,该方法包括:获取受试者在不同预设动作下的静息态数据和运动想象态数据;根据静息态数据和运动想象态数据计算不同预设动作下的脑电源成像图像;将不同预设动作下脑电源成像图像和预设脑电源成像图像进行对比,确定所述受试者的最优想象动作。通过实施本发明,通过预先确定多个预设动作,获取不同预设动作的静息态数据和运动想象态数据,采用脑电源成像算法确定不同预设动作的脑电源成像图像,并将其和预设脑电源成像图像进行对比,从而确定相应受试者的最优想象动作。获取受试者采用该想象动作想象的脑电信号进行解码,能够提高信号解码准确率。
Description
技术领域
本发明涉及运动想象技术领域,具体涉及一种运动想象反馈方法、系统及存储介质。
背景技术
在主流的脑机接口(Brain Computer Interface,BCI)范式中,运动想象(MotorImagery,MI)作为一种主动式BCI,因其无需外界刺激,只受受试者主动调控的特点,受到研究者的广泛关注。当人在执行MI任务的时候,从大脑感觉运动皮层采集到的运动想象脑电(Motor Imageryelectroencephalography,MI-EEG)信号的能量会在mu节律(8~14Hz)和beta节律(14~30Hz)上升高或降低。能量升高称为事件相关同步(ERS);能量降低称为事件相关去同步(ERD)。
目前,在获取MI-EEG信号后,需要对其进行信号解码,虽然现有的一些解码算法取得了不错的效果,但鲜有研究关注MI-EEG信号产生过程中的改进。研究发现,不同的受试者所产生的MI-EEG信号存在差异,解码效果也各有优劣。因此,种种因素导致MI范式的解码准确率普遍不高,加大了实际应用的难度。
发明内容
有鉴于此,本发明实施例提供了涉及一种运动想象反馈方法、系统及存储介质,以解决现有技术中MI范式的MI-EEG信号解码准确率普遍不高,加大了实际应用的难度的技术问题。
本发明提出的技术方案如下:
本发明实施例第一方面提供一种运动想象反馈方法,该方法包括:获取受试者在不同预设动作下的静息态数据和运动想象态数据;根据静息态数据和运动想象态数据计算不同预设动作下的脑电源成像图像;将不同预设动作下脑电源成像图像和预设脑电源成像图像进行对比,确定所述受试者的最优想象动作。
可选地,根据静息态数据和运动想象态数据计算不同预设动作下的脑电源成像图像,包括:采用脑电源成像算法根据静息态数据和运动想象态数据计算不同预设动作下的脑电源成像图像,所述脑电源成像算法包括相干源动态成像算法、最小范数估计算法以及线性约束最小方差波束形成算法。
可选地,采用脑电源成像算法根据静息态数据和运动想象态数据计算不同预设动作下的脑电源成像图像,包括:在任一预设动作下,获取第一预设时间段的静息态数据、第二预设时间段的运动想象态数据以及包含第一预设时间段的静息态数据和第二预设时间段的运动想象态数据的合并数据;根据莫莱小波分别计算第一预设时间段静息态数据的第一交叉谱密度矩阵、第二预设时间段运动想象态数据第二交叉谱密度矩阵以及合并数据的第三交叉谱密度矩阵;根据所述第三交叉谱密度矩阵计算空间滤波器;根据所述空间滤波器、第一交叉谱密度矩阵以及第二交叉谱密度矩阵计算得到运动想象态相对于静息态的源能量比值,得到任一预设动作下的脑电源成像图像。
可选地,将不同预设动作下脑电源成像图像和预设脑电源成像图像进行对比,确定所述受试者的最优想象动作,包括:获取不同预设动作下的多张脑电源成像图像;判断每张脑电源成像图像与所述预设脑电源成像图像的接近程度是否大于预设值;统计不同预设动作下接近程度大于预设值的图像张数;将大于预设值的图像张数最多的预设动作确定为所述受试者的最优想象动作。
可选地,所述空间滤波器通过以下公式表示:
其中,A(r)表示空间滤波器,大脑内部每一个源点r都对应一个空间滤波器,L(r)是源点r和数据获取电极间的传递方程,C是第三交叉谱密度矩阵。
可选地,通过以下公式计算运动想象态的源能量和静息态的源能量:
Pi(r)=A(r)CiA(r)T*
其中,Pi(r)表示r源能量,i取1或2,当i=1时,P1(r)表示静息态的源能量,当i=2时,P2(r)表示运动想象态的源能量;当i=1时,C1表示第一交叉谱密度矩阵,当i=2时,C2表示第二交叉谱密度矩阵。
可选地,不同预设动作包括:左手、右手、双脚、舌头四个身体部位的多个不同预设动作。
本发明实施例第二方面提供一种运动想象反馈系统,该系统包括:脑电采集单元,用于采集受试者的脑电信号,得到在不同预设动作下的静息态数据和运动想象态数据;处理器,用于根据本发明实施例第一方面及第一方面任一项所述的运动想象反馈方法确定所述受试者的最优想象动作。
可选地,所述脑电采集单元包括:脑电帽和脑电放大器,反馈系统还包括:多参数同步器,用于将不同设备的时间戳同步;路由器,用于将脑电信号传输至所述处理器。
本发明实施例第三方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的运动想象反馈方法。
本发明提供的技术方案,具有如下效果:
本发明实施例提供的运动想象反馈方法、系统及存储介质,通过预先确定多个预设动作,获取不同预设动作的静息态数据和运动想象态数据,采用脑电源成像算法确定不同预设动作的脑电源成像图像,并将其和预设脑电源成像图像进行对比,从而确定相应受试者的最优想象动作。获取受试者采用该想象动作想象的脑电信号进行解码,能够提高信号解码准确率。同时,在同一特征提取算法(FBCSP)和分类算法(SVM)的条件下,受试者想象最优想象动作的平均准确率相比于默认动作能够提高6%以上。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的运动想象反馈方法的流程图;
图2(A)至图2(D)是根据本发明实施例的想象左手、右手、双脚和舌头运动时预设脑电源成像图像;
图3是根据本发明另一实施例的运动想象反馈方法的流程图;
图4是根据本发明另一实施例的运动想象反馈方法的流程图;
图5是根据本发明实施例的运动想象反馈系统的结构框图;
图6是根据本发明实施例提供的微处理器的结构示意图;
图7是根据本发明实施例提供的计算机可读存储介质的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
本发明实施例提供一种运动想象反馈方法,如图1所示,该反馈方法包括如下步骤:
步骤S101:获取受试者在不同预设动作下的静息态数据和运动想象态数据;在一实施例中,不同预设动作可以预先设计一系列不同的动作,其中,不同的预设动作包括左手、右手、双脚、舌头四个身体部位的多个不同预设动作,具体可以针对这四个身体部分分别确定多个预设动作。同时,为了提高效率,尽可能缩短所用时间,在确定预设动作时,选择区分度比较大的同一身体部位不同想象动作,比如想象左手抓握和左手挥手区分度就比较大,而想象左手食指动和想象左手中指动的区分度就比较小。
在一具体实施方式中,预设动作包括左手抓握、右手抓握、双脚抬起和舌头后卷、左手抬手、左手挥手、左手挥拳、左臂屈伸、左臂前伸拉回、右手抬手、右手挥手、右手挥拳、右臂屈伸、右臂前伸拉回、双腿抖腿/单腿抖腿/跺脚、双腿弯举、走路、跑步、高抬腿、说话、唱歌吞咽、咀嚼等等。
在一实施例中,在获取数据时可以通过获取受试者在不同预设动作下的脑电信号得到。具体地,对于任一预设动作,在获取其静息态数据和运动想象态数据时,首先受试者面前的屏幕上出现静息状态界面,提醒受试者盯着黑色十字并放松身体,不要想任何东西。在第4秒后开始获取受试者的静息态数据,数据时长1.5秒;然后在第6秒屏幕上出现运动想象状态界面(界面上显示受试者需要想象的预设动作),提示受试者开始进行运动想象;在第8秒后开始获取受试者的运动想象(MI)态数据,数据时长1.5秒。最终得到每一预设动作下的静息态数据和运动想象态数据。其中,对于静息状态时长以及运动想象状态时长可以根据实际需要进行设置,本发明不以上述时长为限。
步骤S102:根据静息态数据和运动想象态数据计算不同预设动作下的脑电源成像图像;在一实施例中,在计算脑电源成像图像时,可以采用相干源动态成像(DICS)算法、最小范数估计(minimum-norm estimation,MNE)算法以及线性约束最小方差波束形成(LCMVbeamformer)算法。其中,还可以采用最小范数估计算法的变种sLORETA、eLORETA、dSPM等算法。
步骤S103:将不同预设动作下脑电源成像图像和预设脑电源成像图像进行对比,确定受试者的最优想象动作。
在一实施例中,对于上述左手、右手、双脚、舌头四个身体部位,每个身体部分均对应一个预设脑电源成像图像。在获取到每个身体部位不同预设动作下的脑电源成像图像后,可以将其和该身体部位的预设脑电源成像图像进行对比,确定该身体部位对应的最优想象动作。其中,每个身体部位的预设脑电源图像如图2所示,图2中(A)~(D)分别是想象左手、右手、双脚和舌头运动时的预设脑电源成像图像。图像的左、右侧分别对应左、右侧大脑感觉运动皮层,其上的每一个点代表感觉运动皮层上的一个源点,颜色反映了运动想象状态MI-EEG信号相对于静息状态MI-EEG信号的源能量比。灰色在数值上表示1,即两种状态间无能量变化;颜色越偏白,表示运动想象状态相对于静息状态的源能量更高,即出现了事件相关同步(ERS)现象;颜色越偏黑,表示运动想象状态相对于静息状态的源能量更低,即出现了事件相关去同步(ERD)现象。
从图2中可以看出,左手运动想象时图像左侧偏白,出现ERS,右侧偏黑,出现ERD;右手运动想象时图像右侧偏白,出现ERS,左侧偏黑,出现ERD;双脚运动想象时图像两侧偏白,出现ERS,中间偏黑,出现ERD;舌头运动想象时图像整体偏白,出现ERS。这四类运动想象的源成像反馈图像均与它们相对应的脑电活动相符。
具体地,该预设脑电源成像图像可以作为四个身体部位理想的脑电源成像图像。由于脑电信号本身具有不稳定性,该理想图像并不是真正的理想图像,但是是较接近理想图像的图像,因此可以作为确定最优想象动作的判断依据。同时,需要说明的是,最优想象动作是基于多个预设动作确定的,是通过对比之后,将多个预设动作中的一个动作作为预设动作,即最优想象动作是多个预设动作中最优的一个,采用该最优想象动作得到的信号解码率准确性更高。
本发明实施例提供的运动想象反馈方法,通过预先确定多个预设动作,获取不同预设动作的静息态数据和运动想象态数据,采用脑电源成像算法确定不同预设动作的脑电源成像图像,并将其和预设脑电源成像图像进行对比,从而确定相应受试者的最优想象动作。获取受试者采用该想象动作想象的脑电信号进行解码,能够提高信号解码准确率。同时,在同一特征提取算法(FBCSP)和分类算法(SVM)的条件下,受试者想象最优想象动作的平均准确率相比于默认动作能够提高6%以上。
在一实施例中,可以采用相干源动态成像(DICS)算法计算脑电源成像图像。其中,相干源动态成像(DICS)算法是基于分布式电流密度模型的脑电源成像算法。分布式电流密度模型是对大脑内神经元分布的一种源模型假设;DICS算法的核心是利用采集到的头皮脑电信号构建出一个空间滤波器用于估计特定频带、不同时间段的源域能量,然后通过计算感觉运动皮层区域上运动想象状态时间段相对于静息状态时间段的源能量比值,能够得到该区域的源成像图像。相比于直接计算头皮电极脑电信号的能量,计算源域能量更能反映大脑内部的真实神经元活动。
在一具体实施方式中,如图3所示,采用脑电源成像算法根据静息态数据和运动想象态数据计算不同预设动作下的脑电源成像图像,包括如下步骤:
步骤S201:在任一预设动作下,获取第一预设时间段的静息态数据、第二预设时间段的运动想象态数据以及包含第一预设时间段的静息态数据和第二预设时间段的运动想象态数据的合并数据;在一实施例中,第一预设时间段和第二预设时间段可以分别是1.5s。合并数据包括两个时间段3秒的数据,即包括1.5秒的静息态数据和1.5秒的运动想象态数据。该预设时间段也可以是其他数值,本发明对此不做限定。
步骤S202:根据莫莱小波分别计算第一预设时间段静息态数据的第一交叉谱密度矩阵、第二预设时间段运动想象态数据第二交叉谱密度矩阵以及合并数据的第三交叉谱密度矩阵;在一实施例中,可以在8-15Hz频带范围内计算交叉谱密度(The cross spectrumdensity method,CSD)矩阵。
步骤S203:根据第三交叉谱密度矩阵计算空间滤波器。在一实施例中,空间滤波器通过以下公式表示:
其中,A(r)表示空间滤波器,大脑内部每一个源点r都对应一个空间滤波器,L(r)是源点r和数据获取电极间的传递方程,C是第三交叉谱密度矩阵。其中,L(r)可以通过Python的MNE工具箱自带的MRI头模型计算得到。
步骤S204:根据空间滤波器、第一交叉谱密度矩阵以及第二交叉谱密度矩阵计算得到运动想象态相对于静息态的源能量比值,得到任一预设动作下的脑电源成像图像。在一实施例中,通过以下公式计算运动想象态的源能量和静息态的源能量:
Pi(r)=A(r)CiA(r)T*
其中,Pi(r)表示r源能量,i取1或2,当i=1时,P1(r)表示静息态的源能量,当i=2时,P2(r)表示运动想象态的源能量;当i=1时,C1表示第一交叉谱密度矩阵,当i=2时,C2表示第二交叉谱密度矩阵。具体地,在通过公式计算得到静息态和运动想象态的源能量后,可以通过计算二者的比值,得到相应的脑电源成像图像。
在一实施例中,如图4所示,将不同预设动作下脑电源成像图像和预设脑电源成像图像进行对比,确定受试者的最优想象动作,包括如下步骤:
步骤S301:获取不同预设动作下的多张脑电源成像图像;具体地,为了提高确定的最优想象动作的准确性,对于每一预设动作,可以让受试者在一段时间内一直想象该预设动作,从而通过脑电源成像算法得到该预设动作对应的多张脑电源成像图像。例如,当想象时间为30秒时,则可以通过计算得到30张脑电源成像图像。
步骤S302:判断每张脑电源成像图像与预设脑电源成像图像的接近程度是否大于预设值;在一实施例中,将每张脑电源成像图像与预设脑电源成像图像进行对比时,可以判断图像中的特征的接近程度,例如,左手想象的情况下图像特征应是左侧偏白,右侧偏黑,具体可以分别计算左侧和右侧图像的灰度值,通过灰度值判断两张图像的接近程度。其中,为了确定接近程度,可以设定一个预设值,例如80%,当两张图像的接近程度大于预设值时,则认为两张图像较为接近。
步骤S303:统计不同预设动作下接近程度大于预设值的图像张数;具体地,对于每个预设动作对应的多张脑电源成像图像,可以通过步骤S302的结果,统计多张脑电源成像图像中接近程度大于预设值的张数,得到每个预设动作下的较为接近的图像张数。
步骤S304:将大于预设值的图像张数最多的预设动作确定为受试者的最优想象动作。具体地,在确定每个预设动作下的较为接近的图像张数之后,可以将对应的张数进行比较,得到最多的张数。然后将张数最多的预设动作确定为受试者的最优想象动作。
本发明实施例还提供一种运动想象反馈系统,如图5所示,该系统包括:脑电采集单元10,用于采集受试者的脑电信号,得到在不同预设动作下的静息态数据和运动想象态数据;微处理器20,用于根据上述实施例所述的运动想象反馈方法确定受试者的最优想象动作。
本发明实施例提供的运动想象反馈系统,通过预先确定多个预设动作,采用脑电采集单元获取不同预设动作的静息态数据和运动想象态数据,采用脑电源成像算法确定不同预设动作的脑电源成像图像,并将其和预设脑电源成像图像进行对比,从而确定相应受试者的最优想象动作。获取受试者采用该想象动作想象的脑电信号进行解码,能够提高信号解码准确率。同时,在同一特征提取算法(FBCSP)和分类算法(SVM)的条件下,受试者想象最优想象动作的平均准确率相比于默认动作能够提高6%以上。
在一实施例中,脑电采集单元10包括:脑电帽和脑电放大器,反馈系统还包括:多参数同步器,用于将不同设备的时间戳同步;路由器,用于将脑电信号传输至所述处理器。其中,脑电帽可以戴在受试者的头上,实时读取受试者的脑电信号,其采样率可以是1kHz。脑电放大器可以采用无线脑电放大器,放大微弱的脑电信号,提高信噪比。
本发明实施例提供的运动想象反馈系统的功能描述详细参见上述实施例中运动想象反馈方法描述。
在一实施例中,如图6所示,微处理器20可以包括处理器51和存储器52,其中处理器51和存储器52可以通过总线或者其他方式连接,图5中以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit,CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的运动想象反馈方法。
存储器52可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器51所创建的数据等。此外,存储器52可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器52可选包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中,当被所述处理器51执行时,执行如图1-4所示实施例中的运动想象反馈方法。
上述电子设备具体细节可以对应参阅图1至图4所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本发明实施例还提供一种存储介质,如图7所示,其上存储有计算机程序601,该指令被处理器执行时实现上述实施例中运动想象反馈方法的步骤。该存储介质上还存储有音视频流数据,特征帧数据、交互请求信令、加密数据以及预设数据大小等。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccess Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (8)
1.一种运动想象反馈方法,其特征在于,包括:
获取受试者在不同预设动作下的静息态数据和运动想象态数据;
根据静息态数据和运动想象态数据计算不同预设动作下的脑电源成像图像;
将不同预设动作下脑电源成像图像和预设脑电源成像图像进行对比,确定所述受试者的最优想象动作;
根据静息态数据和运动想象态数据计算不同预设动作下的脑电源成像图像,包括:
采用脑电源成像算法根据静息态数据和运动想象态数据计算不同预设动作下的脑电源成像图像,所述脑电源成像算法包括相干源动态成像算法、最小范数估计算法以及线性约束最小方差波束形成算法;
采用脑电源成像算法根据静息态数据和运动想象态数据计算不同预设动作下的脑电源成像图像,包括:
在任一预设动作下,获取第一预设时间段的静息态数据、第二预设时间段的运动想象态数据以及包含第一预设时间段的静息态数据和第二预设时间段的运动想象态数据的合并数据;
根据莫莱小波分别计算第一预设时间段静息态数据的第一交叉谱密度矩阵、第二预设时间段运动想象态数据第二交叉谱密度矩阵以及合并数据的第三交叉谱密度矩阵;
根据所述第三交叉谱密度矩阵计算空间滤波器;
根据所述空间滤波器、第一交叉谱密度矩阵以及第二交叉谱密度矩阵计算得到运动想象态相对于静息态的源能量比值,得到任一预设动作下的脑电源成像图像。
2.根据权利要求1所述的运动想象反馈方法,其特征在于,将不同预设动作下脑电源成像图像和预设脑电源成像图像进行对比,确定所述受试者的最优想象动作,包括:
获取不同预设动作下的多张脑电源成像图像;
判断每张脑电源成像图像与所述预设脑电源成像图像的接近程度是否大于预设值;
统计不同预设动作下接近程度大于预设值的图像张数;
将大于预设值的图像张数最多的预设动作确定为所述受试者的最优想象动作。
4.根据权利要求1所述的运动想象反馈方法,其特征在于,通过以下公式计算运动想象态的源能量和静息态的源能量:
Pi(r)=A(r)CiA(r)T*
其中,A(r)表示空间滤波器,Pi(r)表示r源能量,i取1或2,当i=1时,P1(r)表示静息态的源能量,当i=2时,P2(r)表示运动想象态的源能量;当i=1时,C1表示第一交叉谱密度矩阵,当i=2时,C2表示第二交叉谱密度矩阵。
5.根据权利要求1所述的运动想象反馈方法,其特征在于,不同预设动作包括:左手、右手、双脚、舌头四个身体部位的多个不同预设动作。
6.一种运动想象反馈系统,其特征在于,包括:
脑电采集单元,用于采集受试者的脑电信号,得到在不同预设动作下的静息态数据和运动想象态数据;
处理器,用于根据权利要求1-5任一项所述的运动想象反馈方法确定所述受试者的最优想象动作。
7.根据权利要求6所述的运动想象反馈系统,其特征在于,所述脑电采集单元包括:脑电帽和脑电放大器,反馈系统还包括:
多参数同步器,用于将不同设备的时间戳同步;
路由器,用于将脑电信号传输至所述处理器。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-5任一项所述的运动想象反馈方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110439396.XA CN113031782B (zh) | 2021-04-22 | 2021-04-22 | 一种运动想象反馈方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110439396.XA CN113031782B (zh) | 2021-04-22 | 2021-04-22 | 一种运动想象反馈方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113031782A CN113031782A (zh) | 2021-06-25 |
CN113031782B true CN113031782B (zh) | 2023-01-24 |
Family
ID=76457797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110439396.XA Active CN113031782B (zh) | 2021-04-22 | 2021-04-22 | 一种运动想象反馈方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113031782B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013063986A1 (zh) * | 2011-11-03 | 2013-05-10 | 深圳Tcl新技术有限公司 | 基于脑波进行遥控的方法、装置及系统 |
CN105867641A (zh) * | 2016-05-12 | 2016-08-17 | 深圳市联谛信息无障碍有限责任公司 | 基于脑波的读屏应用指令输入方法及装置 |
CN107015632A (zh) * | 2016-01-28 | 2017-08-04 | 南开大学 | 基于脑电驾驶的车辆控制方法、系统 |
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 |
CN109965869A (zh) * | 2018-12-16 | 2019-07-05 | 北京工业大学 | 基于脑源域空间的mi-eeg识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140378815A1 (en) * | 2011-05-24 | 2014-12-25 | The Regents Of The University Of California | Magnetoencephalography source imaging |
CN108523883A (zh) * | 2018-03-19 | 2018-09-14 | 天津大学 | 一种基于实际动作建模的左右食指连续运动想象识别系统 |
-
2021
- 2021-04-22 CN CN202110439396.XA patent/CN113031782B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013063986A1 (zh) * | 2011-11-03 | 2013-05-10 | 深圳Tcl新技术有限公司 | 基于脑波进行遥控的方法、装置及系统 |
CN107015632A (zh) * | 2016-01-28 | 2017-08-04 | 南开大学 | 基于脑电驾驶的车辆控制方法、系统 |
CN105867641A (zh) * | 2016-05-12 | 2016-08-17 | 深圳市联谛信息无障碍有限责任公司 | 基于脑波的读屏应用指令输入方法及装置 |
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 |
CN109965869A (zh) * | 2018-12-16 | 2019-07-05 | 北京工业大学 | 基于脑源域空间的mi-eeg识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113031782A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Roy et al. | Gaussian Elimination‐Based Novel Canonical Correlation Analysis Method for EEG Motion Artifact Removal | |
CN110353672B (zh) | 一种脑电信号中眼部伪迹去除系统及去除方法 | |
Leite et al. | Deep convolutional autoencoder for EEG noise filtering | |
Hu et al. | Removal of EOG and EMG artifacts from EEG using combination of functional link neural network and adaptive neural fuzzy inference system | |
WO2021109601A1 (zh) | 一种麻醉深度的测量方法、存储介质及电子设备 | |
CN108310759B (zh) | 信息处理方法及相关产品 | |
CN109247917A (zh) | 一种空间听觉诱发p300脑电信号识别方法及装置 | |
Mohamed et al. | Towards automated quality assessment measure for EEG signals | |
Noorbasha et al. | Removal of EOG artifacts from single channel EEG–an efficient model combining overlap segmented ASSA and ANC | |
CN110859600A (zh) | 一种生成脑电信号的方法、存储介质及电子设备 | |
CN113274037B (zh) | 一种动态脑功能网络的生成方法、系统及设备 | |
Molla et al. | Data-adaptive spatiotemporal ERP cleaning for single-trial BCI implementation | |
Petrantonakis et al. | EEG‐Based Emotion Recognition Using Advanced Signal Processing Techniques | |
CN113031782B (zh) | 一种运动想象反馈方法、系统及存储介质 | |
Liu et al. | Sparse multi-task inverse covariance estimation for connectivity analysis in EEG source space | |
CN115989997A (zh) | 一种无监督聚类的睡眠脑电信号分期方法、设备和介质 | |
Akhtar et al. | Focal artifact removal from ongoing EEG–a hybrid approach based on spatially-constrained ICA and wavelet de-noising | |
CN111317466A (zh) | 一种脑电信号成像方法、系统以及计算机设备 | |
US20230363718A1 (en) | Removing latent noise components from data signals | |
Paulraj et al. | Fractal feature based detection of muscular and ocular artifacts in EEG signals | |
CN108388345A (zh) | 基于小波多分辨率复杂网络的脑电极优化方法及其应用 | |
CN114366101A (zh) | 运动想象脑电信号分类方法、装置、设备和存储介质 | |
CN106682605A (zh) | 一种识别脑电放松度的方法及系统 | |
CN116491960B (zh) | 脑瞬态监测设备、电子设备及存储介质 | |
CN113017647A (zh) | 监测用户清醒状态的方法、装置、电子设备及介质 |
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 |