CN113064493A - 一种基于脑电信号的无人机紧急状况检测方法与系统 - Google Patents

一种基于脑电信号的无人机紧急状况检测方法与系统 Download PDF

Info

Publication number
CN113064493A
CN113064493A CN202110447134.8A CN202110447134A CN113064493A CN 113064493 A CN113064493 A CN 113064493A CN 202110447134 A CN202110447134 A CN 202110447134A CN 113064493 A CN113064493 A CN 113064493A
Authority
CN
China
Prior art keywords
electroencephalogram
aerial vehicle
unmanned aerial
subsystem
brain network
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
Application number
CN202110447134.8A
Other languages
English (en)
Inventor
毕路拯
陈威
王佳蓉
费炜杰
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110447134.8A priority Critical patent/CN113064493A/zh
Publication of CN113064493A publication Critical patent/CN113064493A/zh
Pending legal-status Critical Current

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • 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
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Dermatology (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Human Computer Interaction (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开一种基于脑电信号的无人机紧急状况检测方法与系统，包括以下步骤：S1、实时采集使用者脑电信号，并且进行初步处理，获得原始脑电信号；S2、基于所述原始脑电信号，提取电位幅值特征和脑网络特征；S3、压缩所述电位幅值特征和所述脑网络特征，通过正则化线性判别分类器进行分类，判断是否属于紧急状况，是，则输出悬停指令到无人机。本发明提出一种基于脑电信号的无人机紧急状况检测方法与系统，其有利于提高无人机飞行时的安全性，当紧急状况发生时悬停无人机，防止无人机坠落。

Description

一种基于脑电信号的无人机紧急状况检测方法与系统
技术领域
本发明涉及人机交互科学、认知神经科学和自动控制领域，特别是涉及一种基于脑电信号的无人机紧急状况检测方法与系统。
背景技术
脑-机接口(brain-computer interface,BCI)是不依赖于外周神经和肌肉组织等常规大脑输出通路的一种信号传导通道,可以被用于取代、恢复、增强、补充或者改善中枢神经的输出，从而改变中枢神经与其外部或内部环境之间的持续的相互作用。由于低成本和使用方便等优势，非侵入式的脑-机接口测量脑电信号的这一方式被广泛的应用于各个领域，其中就包括脑控机器人领域。
近年来，随着无人机的发展，由于其灵活度高、体积小、操作要求低、飞行高度高和价格亲民等优势，被广泛应用于侦察、勘探、救援、消防和航拍等领域，然而在无人机使用过程中，由于操作员操作失误、自身程序出现错误或环境影响等原因，有时会导致无人机失控坠落，轻则导致无人机坠毁，重则坠落致人受伤。
为了能够让无人机在遭遇紧急状况时可以紧急悬空，本发明提出一种基于脑电信号的无人机紧急状况检测方法与系统，利用脑机接口技术实时检测操作员的心理生理应急状况，从而判断无人机是否遭遇紧急状况，从而使无人机系统及时做出悬空的应急操作，避免无人机坠落。
发明内容
本发明的目的是提供一种基于脑电信号的无人机紧急状况检测方法与系统，以解决上述现有技术存在的问题，不需要任何的肢体运动和语言，只需要通过分析操作员在无人机遭遇紧急状况时的脑电信号，即可判断出是否需要进行紧急悬停，并通过系统实现紧急状况下无人机的悬停，提高了无人机飞行时的安全性，防止紧急状况发生时无人机坠落。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于脑电信号的无人机紧急状况检测方法，包括以下步骤：
S1、实时采集使用者脑电信号，并且进行初步处理，获得原始脑电信号；
S2、基于所述原始脑电信号，提取电位幅值特征和脑网络特征；
S3、压缩所述电位幅值特征和所述脑网络特征，通过正则化线性判别分类器进行分类，判断是否属于紧急状况，是，则输出悬停指令到无人机。
优选的，所述初步处理包括信号放大和模数转换。
优选的，所述S1中使用者脑电信号采集使用非侵入式的脑电电极，所述脑电电极置于使用者大脑头皮上。
优选的，所述S2具体包括：
S21，提取所述脑电信号中的脑电事件诱发电位，获取所述脑电事件诱发电位的幅值，作为所述电位幅值特征；
S22，计算所述脑电信号中的脑网络的节点信息，优化节点间的关系，获得邻接矩阵，并将所述邻接矩阵的元素作为所述脑网络特征。
优选的，所述步骤S21具体包括：
S211，对所述原始脑电信号进行预处理，获得纯净脑电信号，所述预处理包括带通滤波，采用独立成分分析滤除眨眼伪迹以及肌电伪迹，采用共平均参考和基线修正滤除噪音；
S212，检测所述纯净脑电信号，获得脑电事件诱发电位获取脑电事件诱发电位的幅值，作为所述电位幅值特征，输出到决策子系统。
优选的，所述S22包括：
S221，定义所述脑电电极所对应的位置或脑区为网络节点；
S222，构建所述网络节点间的关系，建立邻接矩阵；
S223，优化所述邻接矩阵，获得最终邻接矩阵；
S224，将所述最终邻接矩阵元素作为所述脑网络特征，提取所述脑网络特征。
一种基于脑电信号的无人机紧急状况检测系统，包括脑电事件诱发电位检测子系统、脑网络分析子系统和决策子系统；
所述脑电事件诱发电位检测子系统用于采集脑电信号采集并处理检测操作员的脑电事件诱发电位；
所述脑网络分析子系统用于获取脑电信号的脑网络特征；
所述决策子系统用于判断是否发生紧急状况发出悬停指令；
所述脑电事件诱发电位检测子系统与所述脑网络分析子系统、所述决策子系统连接，所述脑网络分析子系统与所述决策子系统连接。
优选的，所述脑电事件诱发电位检测子系统包括脑电采集模块和脑电处理模块，所述脑电采集模块通过线路与所述脑电处理模块连接，所述脑电采集模块与所述脑网络分析子系统连接，所述脑电处理模块与所述决策子系统连接。
优选的，所述决策子系统包括基于自编码器的脑电信号特征提取部和正则化线性判别分析模型。
本发明公开了以下技术效果：本发明提出一种基于脑电信号的无人机紧急状况检测方法与系统，该技术通过非侵入式脑机接口实时检测和分析无人机操作员的脑电信号，判断其在操作过程中无人机是否发生紧急状况，并在发生紧急状况时及时发送命令使无人机紧急悬停，其有利于提高无人机飞行时的安全性，当紧急状况发生时防止无人机坠落。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的工作系统结构示意图；
图2为本发明所需要采集的脑电信号对应的通道位置示意图；
图3为本发明基于脑电信号的无人机紧急状况检测方法的流程示意图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供一种基于脑电信号的无人机紧急状况检测方法与系统。参照图1，本发明的无人机紧急状况检测系统包括脑电事件诱发电位检测子系统，基于互信息的功能性脑网络分析子系统和决策子系统。
脑电事件诱发电位监测子系统用于采集脑电信号并进行处理，检测操作员的脑电事件诱发电位。脑电事件诱发电位监测子系统包括脑电采集模块、脑电处理模块。
其中，脑电采集模块采用脑电采集仪实时采集操作者的脑电信号，并将脑电信号放大到±200微伏的区间内以便于观测，之后进行模数转换获得原始脑电信号，然后将原始脑电信号通过数据线传输到脑电处理模块。如图2所示，本实施例中的脑电采集仪进行脑电信号采集的通道总数为16个，根据“10-20国际标准导联”将脑电采集电极放置在使用者头部的F3，F4，Fz，C3，C4，Cz，P7，P3，P4，P8，Pz，O1，O2，Oz，T7，T8位置，将参考电极放置在使用者耳垂上的A11、A12位置，各电极位置如图2所示。采样频率设置为1000Hz。
脑电处理模块用于接收脑电采集模块传输的脑电信号，并对脑电信号进行预处理，检测操作员的脑电事件诱发电位获取脑电事件诱发电位的幅值特征。本实施例中，脑电处理模块以1s的窗宽，0.1s的步长对每个通道采集的脑电信号进行预处理，滤除伪迹，以便于后续的特征提取。预处理过程如图3所示，具体包括以下步骤：
1)滤波去噪
由于采集脑电信号时极易受到外界的噪音干扰，所以首先对脑电信号进行滤波处理，以滤除低频动作干扰，对每个通道的脑电数据进行带通滤波，截止频率采用5-25Hz。
2)独立成分分析
在操作者进行无人机操作时，会做出影响人体部位电位差的动作，引起该部位电位差突变，从而产生行为伪迹，影响信号质量，需要去除行为伪迹。本实施例以眨眼活动为例，在眨眼过程中，眼睑快速划过眼球，造成眼部电位差的突变，从而产生眨眼伪迹，影响信号质量。为了去除眨眼伪迹，采用独立成分分析的方法以实现脑电信号和眨眼伪迹的分离，从而可以将眨眼伪迹去除获得较纯净的脑电信号。具体上是将16个通道的脑电信号投影到源空间(信号源所在的数学维度)上，可表达为如式(1)所示：
Y(t)＝W1·X(t) (1)
式中，X(t)＝[x1(t)，x2(t)，…，xi(t)]T，X(t)表示原始脑电信号的集合，xi(t)代表第i个电极所采集的数据，Y(t)＝[y1(t),y2(t)，…，yi(t)]T，T表示矩阵转置，Y(t)表示投影后的源信号的集合，yi(t)代表第i个独立成分，t代表采样时间点，W1为解混矩阵(本发明中采用informax算法计算)。然后根据眨眼伪迹存在高幅值震荡的特点，去除眨眼伪迹对应的独立成分(通常是将第一个成分y1(t)设为0)，最后通过逆变换再投影回原来的数学空间中，如式(2)所示：
X(t)＝W1 -1·Y(t) (2)
从而滤除眨眼伪迹。
3)对经独立成分分析处理获得的脑电信号进行降采样、共平均参考及基线修正
将经过独立成分分析处理获得的脑电信号从1000Hz降采样到200HZ，为了方便后续的分析，继续对经过独立成分分析处理获得的脑电信号进行处理，处理方法为先进行基线修正然后进行共平均参考。使用基线修正对数据进行处理的具体方法为首先选取每个信号通道前十分之一的数据求均值，如式(3)所示：
Figure BDA0003037360660000071
式中，
Figure BDA0003037360660000072
表示第k个通道的前十分之一数据的平均值，N为该段数据的采样点数，xk，j表示第k个通道的第j个采样点。之后，每个通道减去式中求得的平均值，得到进行基线修正得数据：
Figure BDA0003037360660000073
共平均参考即为每个信号通道减去所有通道的平均值，具体方法为首先求每个通道的平均值：
Figure BDA0003037360660000074
式中，
Figure BDA0003037360660000075
表示第N个采样点的数据的平均值，N为采样点的序数，xN,j表示第j个通道的第N个采样点。之后，每个通道减去式中求得的平均值，得到进行共平均参考的数据：
Figure BDA0003037360660000081
基于互信息的功能性脑网络分析子系统用于分析脑电处理模块获取的脑电信号，通过对不同通道脑电信号间的统计关系构建的无向网络进行分析，获得不同通道间的邻接矩阵，并将矩阵元素作为特征输出给决策子系统。基于互信息的功能性脑网络分析子系统接收预处理后的脑电信号，计算出脑网络的节点信息，优化节点间的关系，获得邻接矩阵，并将矩阵的元素作为特征输出给决策子系统，具体步骤包括：
步骤1，定义网络节点，以EEG采集时电极所对应的位置或脑区作为节点；
步骤2，建立节点间的关系，通过各通道EEG数据建立所有通道之间的量化关系，建立邻接矩阵：
根据脑电信号，计算两两通道的互信息I(X；Y)，如式(7)所示：
I(X；Y)＝H(X)+H(Y)-H(X,Y) (7)
其中H(X)和H(Y)是两个通道各自的信息熵，H(X,Y)是两个通道的联合熵。
步骤3，优化节点间关系，为了避免自连接以及随机成分造成的连接，需要对邻接矩阵进行优化，具体为采用假设检验的方法将随机连接的两个通道的连接强度设为0，获得最终邻接矩阵；
步骤4，将最终邻接矩阵元素作为脑网络特征，将提取的脑网络特征输出给决策子系统。
决策子系统用于将脑电事件诱发电位检测子系统以及基于互信息的功能性脑网络分析子系统的输出特征进一步提取压缩，将其代入正则化线性判别分类器，对当前是否需要紧急悬停进行判断并输出最终结果。决策子系统包括特征提取模块和分类模块。
其中，特征提取模块采用基于自编码器的脑电信号特征提取部分。自编码器是一种非线性的表征学习算法，是一种无监督的神经网络模型，它可以获取数据的隐变量，从而紧凑地表示数据。隐变量可用式(8)进行计算：
z＝fθ(u)＝actfun(Wu+b) (8)
其中，θ＝{W,b}。W是Dl*Dv维的权重矩阵，b是偏置向量。actfun是非线性的激活函数，u是事件相关电位的幅值特征和脑网络特征。本发明采用梯度下降法训练自编码器网络，在训练结束后只保留编码器用于特征提取。
分类模块采用正则化线性判别分析模型。分类模块采用了正则化线性判别分析的方法(RLDA)，表达为如式(9)所示：
y＝wTx (9)
式中，x表示一个样本(维度为m)，wT表示投影矩阵w的转置，y是分类结果，最佳投影矩阵w的计算公式为：
w＝D′w/(e1-e2)
式中，e1和e2分别表示紧急状况的训练样本和正常操作的训练样本的平均值，D′w则表示标准化的类内离散度矩阵，在正则化线性判别分析(RLDA)中获得D′w的方法为将Dw正则化，计算公式如下：
D′w＝(1-λ)Dw+λvI
Figure BDA0003037360660000091
式中，Dw是原始类内离散度矩阵，它可以通过对两类样本的协方差矩阵求和得到，λ表示修正系数，且λ∈[0,1]，I表示与Dw纬度相等的单位矩阵，trace()表示矩阵的迹，d表示类内离散度矩阵D′w的维度，v的含义则是类内离散度矩阵Dw的特征值的平均值。
设置阈值Tr用于判别公式(9)中输出y。如果y>Tr，则判别结果yida＝1，即检测到操作员操控的无人机出现紧急状况。否则yida＝-1，即未检测到。
本发明的基本原理是当无人机遇到紧急状况时，操作员在刺激下大脑会产生相应的事件诱发电位，通过对操作员脑电事件诱发电位与脑网络节点进行检测从而快速的判断是否有紧急状况发生；随后将脑电事件诱发电位与脑网络节点信息相结合，通过决策系统分析并输出紧急状况检测的最终结果，无人机根据指令悬停，避免出现坠落。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (9)

1.一种基于脑电信号的无人机紧急状况检测方法，其特征在于：包括以下步骤：
S1、实时采集使用者脑电信号，并且进行初步处理，获得原始脑电信号；
S2、基于所述原始脑电信号，提取电位幅值特征和脑网络特征；
S3、压缩所述电位幅值特征和所述脑网络特征，通过正则化线性判别分类器进行分类，判断是否属于紧急状况，是，则输出悬停指令到无人机。
2.根据权利要求1所述的基于脑电信号的无人机紧急状况检测方法，其特征在于：所述初步处理包括信号放大和模数转换。
3.根据权利要求1所述的基于脑电信号的无人机紧急状况检测方法，其特征在于：所述S1中使用者脑电信号采集使用非侵入式的脑电电极，所述脑电电极置于使用者大脑头皮上。
4.根据权利要求1所述的基于脑电信号的无人机紧急状况检测方法，其特征在于：所述S2具体包括：
S21，提取所述脑电信号中的脑电事件诱发电位，获取所述脑电事件诱发电位的幅值，作为所述电位幅值特征；
S22，计算所述脑电信号中的脑网络的节点信息，优化节点间的关系，获得邻接矩阵，并将所述邻接矩阵的元素作为所述脑网络特征。
5.根据权利要求4所述的基于脑电信号的无人机紧急状况检测方法，其特征在于：所述步骤S21具体包括：
S211，对所述原始脑电信号进行预处理，获得纯净脑电信号，所述预处理包括带通滤波，采用独立成分分析滤除眨眼伪迹以及肌电伪迹，采用共平均参考和基线修正滤除噪音；
S212，检测所述纯净脑电信号，获得脑电事件诱发电位获取脑电事件诱发电位的幅值特征，作为所述电位幅值特征，输出到决策子系统。
6.根据权利要求4所述的基于脑电信号的无人机紧急状况检测方法，其特征在于：所述S22包括：
S221，定义所述脑电电极所对应的位置或脑区为网络节点；
S222，构建所述网络节点间的关系，建立邻接矩阵；
S223，优化所述邻接矩阵，获得最终邻接矩阵；
S224，将所述最终邻接矩阵元素作为所述脑网络特征，提取所述脑网络特征。
7.一种基于脑电信号的无人机紧急状况检测系统，其特征在于：用于实施权利要求1-6任一所述基于脑电信号的无人机紧急状况检测方法，包括脑电事件诱发电位检测子系统、脑网络分析子系统和决策子系统；
所述脑电事件诱发电位检测子系统用于采集脑电信号采集并处理检测操作员的脑电事件诱发电位；
所述脑网络分析子系统用于获取脑电信号的脑网络特征；
所述决策子系统用于判断是否发生紧急状况发出悬停指令；
所述脑电事件诱发电位检测子系统与所述脑网络分析子系统、所述决策子系统连接，所述脑网络分析子系统与所述决策子系统连接。
8.根据权利要求7所述的基于脑电信号的无人机紧急状况检测系统，其特征在于：所述脑电事件诱发电位检测子系统包括脑电采集模块和脑电处理模块，所述脑电采集模块通过线路与所述脑电处理模块连接，所述脑电采集模块与所述脑网络分析子系统连接，所述脑电处理模块与所述决策子系统连接。
9.根据权利要求7所述的基于脑电信号的无人机紧急状况检测系统，其特征在于：所述决策子系统包括基于自编码器的脑电信号特征提取部和正则化线性判别分析模型。
CN202110447134.8A 2021-04-25 2021-04-25 一种基于脑电信号的无人机紧急状况检测方法与系统 Pending CN113064493A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110447134.8A CN113064493A (zh) 2021-04-25 2021-04-25 一种基于脑电信号的无人机紧急状况检测方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110447134.8A CN113064493A (zh) 2021-04-25 2021-04-25 一种基于脑电信号的无人机紧急状况检测方法与系统

Publications (1)

Publication Number Publication Date
CN113064493A true CN113064493A (zh) 2021-07-02

Family

ID=76567555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110447134.8A Pending CN113064493A (zh) 2021-04-25 2021-04-25 一种基于脑电信号的无人机紧急状况检测方法与系统

Country Status (1)

Country Link
CN (1) CN113064493A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258120A (zh) * 2013-04-19 2013-08-21 杭州电子科技大学 一种基于脑电信号的中风康复程度指标计算方法
CN103885445A (zh) * 2014-03-20 2014-06-25 浙江大学 一种脑控动物机器人系统以及动物机器人的脑控方法
CN105739444A (zh) * 2016-04-06 2016-07-06 济南大学 机械手多参数控制脑机接口
CN107111372A (zh) * 2016-12-22 2017-08-29 深圳市大疆创新科技有限公司 无人机套件、无人机控制装置及控制方法
CN110175510A (zh) * 2019-04-10 2019-08-27 杭州电子科技大学 基于脑功能网络特征的多模式运动想象识别方法
CN110502103A (zh) * 2019-05-29 2019-11-26 中国人民解放军军事科学院军事医学研究院 基于脑机接口的脑控无人机系统及其控制方法
CN110658810A (zh) * 2019-08-27 2020-01-07 北京航空航天大学 基于ssvep脑机接口的单兵作战无人武器控制系统
CN112364977A (zh) * 2020-10-30 2021-02-12 南京航空航天大学 一种基于脑机接口的运动想象信号的无人机控制方法
CN112631173A (zh) * 2020-12-11 2021-04-09 中国人民解放军国防科技大学 脑控无人平台协同控制系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258120A (zh) * 2013-04-19 2013-08-21 杭州电子科技大学 一种基于脑电信号的中风康复程度指标计算方法
CN103885445A (zh) * 2014-03-20 2014-06-25 浙江大学 一种脑控动物机器人系统以及动物机器人的脑控方法
CN105739444A (zh) * 2016-04-06 2016-07-06 济南大学 机械手多参数控制脑机接口
CN107111372A (zh) * 2016-12-22 2017-08-29 深圳市大疆创新科技有限公司 无人机套件、无人机控制装置及控制方法
CN110175510A (zh) * 2019-04-10 2019-08-27 杭州电子科技大学 基于脑功能网络特征的多模式运动想象识别方法
CN110502103A (zh) * 2019-05-29 2019-11-26 中国人民解放军军事科学院军事医学研究院 基于脑机接口的脑控无人机系统及其控制方法
CN110658810A (zh) * 2019-08-27 2020-01-07 北京航空航天大学 基于ssvep脑机接口的单兵作战无人武器控制系统
CN112364977A (zh) * 2020-10-30 2021-02-12 南京航空航天大学 一种基于脑机接口的运动想象信号的无人机控制方法
CN112631173A (zh) * 2020-12-11 2021-04-09 中国人民解放军国防科技大学 脑控无人平台协同控制系统

Similar Documents

Publication Publication Date Title
Wang et al. BCI competition 2003-data set IV: an algorithm based on CSSD and FDA for classifying single-trial EEG
Li et al. Classification of single-trial electroencephalogram during finger movement
Tomioka et al. Spectrally weighted common spatial pattern algorithm for single trial EEG classification
CN108693973B (zh) 一种融合脑电信号和环境信息的紧急状况检测系统
Dornhege et al. Optimizing spatio-temporal filters for improving brain-computer interfacing
CN107981997B (zh) 一种基于人脑运动意图的智能轮椅控制方法及系统
CN108784693B (zh) 基于独立成分分析和卡尔曼平滑的p300单次提取技术
Sarma et al. Pre-processing and feature extraction techniques for EEGBCI applications-a review of recent research
Awan et al. Effective classification of EEG signals using K-nearest neighbor algorithm
CN114533086A (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
Giudice et al. 1D Convolutional Neural Network approach to classify voluntary eye blinks in EEG signals for BCI applications
Kalantar et al. Adaptive dimensionality reduction method using graph-based spectral decomposition for motor imagery-based brain-computer interfaces
Shoker et al. Removal of eye blinking artifact from the electro-encephalogram, incorporating a new constrained blind source separation algorithm
Milan et al. Adaptive brain interfaces for physically-disabled people
CN114557708A (zh) 基于脑电双特征融合的体感刺激意识检测装置和方法
Geng et al. A fusion algorithm for EEG signal processing based on motor imagery brain-computer interface
Dzitac et al. Identification of ERD using fuzzy inference systems for brain-computer interface
Liu et al. Identification of anisomerous motor imagery EEG signals based on complex algorithms
Zhao et al. Incremental common spatial pattern algorithm for BCI
Ahmed et al. Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artefacts from electroencephalogram (EEG) mixtures
CN110705656A (zh) 一种基于eeg传感器的面部动作识别方法
Shoker et al. Removal of eye blinking artifacts from EEG incorporating a new constrained BSS algorithm
CN113064493A (zh) 一种基于脑电信号的无人机紧急状况检测方法与系统
Echtioui et al. Automated EEG artifact detection using independent component analysis
Planelles et al. First steps in the development of an EEG-based system to detect intention of gait initiation

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: 20210702