CN113288170A - 一种基于模糊处理的脑电信号标定方法 - Google Patents
一种基于模糊处理的脑电信号标定方法 Download PDFInfo
- Publication number
- CN113288170A CN113288170A CN202110523635.XA CN202110523635A CN113288170A CN 113288170 A CN113288170 A CN 113288170A CN 202110523635 A CN202110523635 A CN 202110523635A CN 113288170 A CN113288170 A CN 113288170A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- segment
- manifold
- performance data
- representing
- 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
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
- A61B5/7235—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
- 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
Abstract
本发明公开了一种基于模糊处理的脑电信号标定方法。本发明包括以下步骤:1)多个佩戴电极帽的受试者乘坐乘运设备,采集受试者的脑电信号和乘运设备的运行性能数据;2)对采集的脑电信号和运行性能数据进行预处理;3)对预处理后的脑电信号进行分割,计算每个脑电片段的流形特征;4)对预处理后的运行性能数据进行模糊处理后,利用模糊处理结果参数对每个脑电片段进行标定;5)将脑电片段的流形特征和标定标签输入到支持向量机算法中进行训练,利用支持向量机模型进行待标定的脑电片段的标定。本发明能够提取获得脑电信号的流形特征,建立了脑电信号和乘运设备波动的对应关系,有效解决了乘运设备的多类运行性能类型之间耦合性强的问题。
Description
技术领域
本发明涉及了一种脑电信号标定方法,尤其是涉及了一种基于模糊处理的脑电信号标定方法。
背景技术
随着心理学、认知科学、脑科学等领域的发展,通过不同生理信号采集分析可以推测出受试者的认知状态和心理活动等内容。产品的运行性能表现引发用户基于记忆联想和认知感受的心理反应,因此对于产品方案的评价应该将用户的认知状态和其反映出来的高层次情感需求作为考虑因素。
目前基于神经认知的产品方案评价研究中对脑电信号标定主要有两种方法:一种是基于主观评价的脑电信号标定方法,即将受试者认知反馈简单地融入到脑电信号标定过程中,但该方法往往只能在较粗时间尺度上反映一个整体记忆性的体验状态,而无法反映细时间尺度下的产品方案性能;另一种是基于客观评价的脑电信号标定方法,即通过评估产品的各类物理性能指标来实现脑电信号的标定,但该方法往往忽略了物理性能参数之间存在较强的耦合关系。
发明内容
为了解决背景技术中存在的问题和需求,本发明提供了一种基于模糊处理的脑电信号标定方法,采用模糊处理方法将乘运设备的多类运行性能类型进行解耦,评价乘运设备的运行性能等级,提高了脑电信号标定结果的准确性。
本发明采用以下技术方案,包括以下步骤:
本发明包括以下步骤:
1)多个佩戴电极帽的受试者乘坐乘运设备,采集每个受试者的脑电信号和乘运设备的运行性能数据;
2)对采集的脑电信号和运行性能数据进行预处理后,分别获得预处理后的脑电信号和预处理后的运行性能数据;
3)对每个预处理后的脑电信号进行时间上的均等分割,获得不同时间段的脑电片段,计算每个脑电片段的流形特征,获得所有预处理后的脑电信号的对应的每个脑电片段的流形特征;
4)对所有预处理后的运行性能数据进行模糊处理后,获得模糊处理结果参数,利用模糊处理结果参数对每个脑电片段进行标定,使得每个脑电片段均对应有一个标定标签;
5)将所有脑电片段的流形特征和对应的标定标签输入到支持向量机算法中进行训练,获得支持向量机模型,利用支持向量机模型进行待标定的脑电片段的标定。
所述步骤2)中脑电信号的预处理为低通滤波和去伪迹操作。
所述步骤2)中运行性能数据的预处理为低通滤波和重采样操作。
所述步骤3)具体为:
3.1)对每个预处理后的脑电信号进行时间上的均等分割,获得G个不同时间段的脑电片段,其中第i段脑电片段Xi通过以下公式进行设置:
3.2)第i段脑电片段的样本协方差矩阵Ci,Ci∈RN×N,通过以下公式进行求解:
其中,T表示矩阵转置操作,Ci∈RN×N表示第i段脑电片段的样本协方差矩阵的维数为N×N;
当前预处理后的脑电信号的流形中心通过以下公式进行求解:
其中,CM表示当前预处理后的脑电信号的流形中心,表示取当前预处理后的脑电信号的流形中心的操作,为流形中心的脑电片段的样本协方差矩阵在流形空间中到其余脑电片段的样本协方差矩阵的测地线距离和最小,Cj表示第j段脑电片段的样本协方差矩阵,δR(Ci,Cj)表示第i段脑电片段的样本协方差矩阵和第j段脑电片段的样本协方差矩阵在流形空间中的测地距离;upper(·)为矩阵向量化运算操作,具体为取括号中的矩阵的含主对角线的上三角部分并将上三角部分一维向量化,其中上三角部分中的对角线元素保持不变,非对角线元素乘上系数
3.4)根据当前预处理后的脑电信号的流形中心CM,计算每个脑电片段的流形特征及其向量维度,第i段脑电片段的流形特征及其维度通过以下公式进行设置:
m=N(N+1)/2
3.5)重复步骤3.1)-3.4),计算所有预处理后的脑电信号的对应的每个脑电片段的流形特征。
所述步骤4)具体为:
4.1)根据乘运设备的运行性能标签,利用功率谱频率加权密度法对所有预处理后的运行性能数据进行计算,获得对应的模糊性能关联矩阵,通过以下公式进行设置:
其中,R表示模糊性能关联矩阵;rij表示第i类运行性能数据在第j个波动等级下的模糊性能隶属度,0≤rij≤1,(rij)I×J表示rij的维数为I×J;i表示运行性能数据的类型序号,i=1,…,I,I表示运行性能数据的类型总数;j表示乘运设备在各类运行性能数据上的波动等级序号,j=1,…,J,J表示乘运设备在各类运行性能数据上的波动等级总数;
4.2)设置乘运设备中各类运行性能数据的权重向量ω,利用模糊性能关联矩阵R进行计算,获得模糊处理结果参数B,通过以下公式进行设置:
B=(b1,b2,…,bJ)
其中,b1表示乘运设备在第一波动等级下的隶属度,b2表示乘运设备在第二波动等级下的隶属度,bJ表示乘运设备在第J波动等级下的隶属度;
4.3)根据模糊处理结果参数B,利用最大隶属度法对每个脑电片段进行标定,使得每个脑电片段均对应有一个标定标签。
本发明的有益效果为:
本发明对乘运设备的运行性能数据和脑电信号进行实时监测和分析,综合考虑乘运设备的多类运行性能数据,采用模糊处理方法对受试者的脑电信号进行分级标定,有效解决了乘运设备的多类运行性能类型之间耦合性强的问题。
附图说明
图1为本发明方法流程图。
图2为不同评价等级下Fp1导联500ms信号及脑电地形图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明的实施例及其实施工作过程是:
实施例将电梯的乘运性能评价作为案例,本发明的方法流程如图1所示。
实验共招募12名年龄在22-32岁之间的受试者,受试者均为电梯企业员工,每人都对三台方案样机进行乘坐。
实验前给每一位受试者详细介绍脑电采集基本原理和实验内容,详细阐述实验过程无伤害性,防止受试者产生紧张等不良情绪,并要求受试者签署知情同意书。每位受试者在实验准备时都需要保证头部清洁,以保证脑电信号采集的可靠性和准确性。
受试者在戴上电极帽之后,连接电极帽、放大器与采集专用计算机,并在电极处注射脑电膏保证脑电信号导通。
实验人员在每轮实验开始时对数据采集实验设备与用于数据采集的电脑系统时间进行校准,便于后续处理时建立数据关联。实验中受试者面对电梯轿厢壁,保持放松状态进而专心感受电梯运行的情况。采集电梯运行振动数据和受试者脑电信号。
本发明包括以下步骤:
1)多个佩戴电极帽的受试者乘坐乘运设备,采集每个受试者的脑电信号和乘运设备的运行性能数据;具体实施中,乘运设备的运行性能数据具体为在乘坐过程中,乘运设备在三个空间方向上的振动数据。
2)对每个采集的脑电信号和运行性能数据进行预处理后,分别获得预处理后的脑电信号和预处理后的运行性能数据;
步骤2)中脑电信号的预处理为低通滤波和去伪迹操作,运行性能数据的预处理为低通滤波和重采样操作。如图2所示为,不同波动等级下的FP1导联下的脑电信号,其中,图2的(a)为轻微波动等级的脑电信号,图2的(b)为中度波动等级的脑电信号,图2的(c)为强烈波动等级的脑电信号。
3)对每个预处理后的脑电信号进行时间上的均等分割,获得不同时间段的脑电片段,计算每个脑电片段的流形特征,获得所有预处理后的脑电信号的对应的每个脑电片段的流形特征;
步骤3)具体为:
3.1)对每个预处理后的脑电信号进行时间上的均等分割,获得G个不同时间段的脑电片段,其中第i段脑电片段Xi通过以下公式进行设置:
3.2)第i段脑电片段的样本协方差矩阵Ci,Ci∈RN×N,通过以下公式进行求解:
其中,T表示矩阵转置操作,Ci∈RN×N表示第i段脑电片段的样本协方差矩阵的维数为N×N;
当前预处理后的脑电信号的流形中心通过以下公式进行求解:
其中,CM表示当前预处理后的脑电信号的流形中心,流形中心存在且唯一,表示取当前预处理后的脑电信号的流形中心的操作,为流形中心的脑电片段的样本协方差矩阵在流形空间中到其余脑电片段的样本协方差矩阵的测地线距离和最小,Cj表示第j段脑电片段的样本协方差矩阵,δR(Ci,Cj)表示第i段脑电片段的样本协方差矩阵和第j段脑电片段的样本协方差矩阵在流形空间中的测地距离;upper(·)为矩阵向量化运算操作,具体为取括号中的矩阵的含主对角线的上三角部分并将上三角部分一维向量化,其中上三角部分中的对角线元素保持不变,非对角线元素乘上系数
3.4)根据当前预处理后的脑电信号的流形中心CM,计算每个脑电片段的流形特征及其向量维度;
对于由有限点集合映射生成的局部流形,将其他样本点Ci向流形中心对应的切空间映射可以得到第i段脑电片段的流形特征及其维度如下获得:
m=N(N+1)/2
3.5)重复步骤3.1)-3.4),计算所有预处理后的脑电信号的对应的每个脑电片段的流形特征。
表1不同方案样机下的受试者部分脑电片段的流形特征
4)对所有预处理后的运行性能数据进行模糊处理后,获得模糊处理结果参数,利用模糊处理结果参数对每个脑电片段进行标定,使得每个脑电片段均对应有一个标定标签;标定标签是指乘运设备的波动等级。
步骤4)具体为:
4.1)根据乘运设备的运行性能标签,乘运设备的运行性能标签为乘运设备在各类运行性能数据上的波动等级,波动等级为轻微、中度和剧烈,具体为乘运设备在空间中三个方向的波动等级。利用功率谱频率加权密度法对所有预处理后的运行性能数据进行计算,获得对应的模糊性能关联矩阵,通过以下公式进行设置:
其中,R表示模糊性能关联矩阵;rij表示第i类运行性能数据第j个波动等级的模糊性能关联参数,0≤rij≤1,(rij)I×J表示rij的维数为I×J;i表示运行性能数据的类型序号,i=1,…,I,I表示运行性能数据的类型总数,具体实施中,I=3;j表示乘运设备在各类运行性能数据上的波动等级序号,j=1,…,J,J表示乘运设备在各类运行性能数据上的波动等级总数,具体实施中,J=3;
4.2)乘运设备的运行性能数据有多类,利用熵权法和层次分析法设置乘运设备中各类运行性能数据数据的权重向量ω,利用模糊性能关联矩阵R进行计算,获得模糊处理结果参数B,通过以下公式进行设置:
其中,是模糊算子,w1表示第一类运行性能的权重,w2表示第二类运行性能的权重,wI表示第I类运行性能的权重,b1表示乘运设备在第一波动等级下的隶属度,b2表示乘运设备在第二波动等级下的隶属度,bJ表示乘运设备在第J波动等级下的隶属度;
4.3)根据模糊处理结果参数B,利用最大隶属度法对每个脑电片段进行标定,使得每个脑电片段均对应有一个标定标签。
对于不同方向的振动频率带刺激的脑电信号分布的不同,设置乘运设备中各类运行性能数据的权重向量ω={0.2,0.2,0.6}。由此可以计算得到三个方案样机的模糊处理结果参数B1=(0.318,0.582,0.100),B2=(0.424,0.532,0.044),B3=(0.066,0.262,0.672)。设置模糊处理结果参数中各个波动等级的隶属度的权重γ={3,2,1},如表2所示,根据加权平均准则得到最终分级结论:{P1:θ2,P2:θ1,P3:θ3},其中,P1为第一个方案样机,P2为第二个方案样机,P3为第三个方案样机,θ1表示波动等级为轻微,θ2表示波动等级为中度,θ3表示波动等级为剧烈,c1表示第一类运行性能数据,c2表示第二类运行性能数据,c3表示第三类运行性能数据,进而实现对不同方案样机下的脑电信号的标定。
表2不同方案样机的模糊性能关联矩阵
5)将所有脑电片段的流形特征和对应的标定标签输入到支持向量机算法中进行训练,获得支持向量机模型,利用支持向量机模型进行待标定的脑电片段的标定。
Claims (5)
1.一种基于模糊处理的脑电信号标定方法,其特征在于,包括以下步骤:
1)多个佩戴电极帽的受试者乘坐乘运设备,采集每个受试者的脑电信号和乘运设备的运行性能数据;
2)对采集的脑电信号和运行性能数据进行预处理后,分别获得预处理后的脑电信号和预处理后的运行性能数据;
3)对每个预处理后的脑电信号进行时间上的均等分割,获得不同时间段的脑电片段,计算每个脑电片段的流形特征,获得所有预处理后的脑电信号的对应的每个脑电片段的流形特征;
4)对所有预处理后的运行性能数据进行模糊处理后,获得模糊处理结果参数,利用模糊处理结果参数对每个脑电片段进行标定,使得每个脑电片段均对应有一个标定标签;
5)将所有脑电片段的流形特征和对应的标定标签输入到支持向量机算法中进行训练,获得支持向量机模型,利用支持向量机模型进行待标定的脑电片段的标定。
2.根据权利要求1所述的一种基于模糊处理的脑电信号标定方法,其特征在于,所述步骤2)中脑电信号的预处理为低通滤波和去伪迹操作。
3.根据权利要求1所述的一种基于模糊处理的脑电信号标定方法,其特征在于,所述步骤2)中运行性能数据的预处理为低通滤波和重采样操作。
4.根据权利要求1所述的一种基于模糊处理的脑电信号标定方法,其特征在于,所述步骤3)具体为:
3.1)对每个预处理后的脑电信号进行时间上的均等分割,获得G个不同时间段的脑电片段,其中第i段脑电片段Xi通过以下公式进行设置:
3.2)第i段脑电片段的样本协方差矩阵Ci,Ci∈RN×N,通过以下公式进行求解:
其中,T表示矩阵转置操作,Ci∈RN×N表示第i段脑电片段的样本协方差矩阵的维数为N×N;
当前预处理后的脑电信号的流形中心通过以下公式进行求解:
其中,CM表示当前预处理后的脑电信号的流形中心,表示取当前预处理后的脑电信号的流形中心的操作,为流形中心的脑电片段的样本协方差矩阵在流形空间中到其余脑电片段的样本协方差矩阵的测地线距离和最小,Cj表示第j段脑电片段的样本协方差矩阵,δR(Ci,Cj)表示第i段脑电片段的样本协方差矩阵和第j段脑电片段的样本协方差矩阵在流形空间中的测地距离;upper(·)为矩阵向量化运算操作,具体为取括号中的矩阵的含主对角线的上三角部分并将上三角部分一维向量化,其中上三角部分中的对角线元素保持不变,非对角线元素乘上系数
3.4)根据当前预处理后的脑电信号的流形中心CM,计算每个脑电片段的流形特征及其向量维度,第i段脑电片段的流形特征及其维度通过以下公式进行设置:
m=N(N+1)/2
3.5)重复步骤3.1)-3.4),计算所有预处理后的脑电信号的对应的每个脑电片段的流形特征。
5.根据权利要求1所述的一种基于模糊处理的脑电信号标定方法,其特征在于,所述步骤4)具体为:
4.1)根据乘运设备的运行性能标签,利用功率谱频率加权密度法对所有预处理后的运行性能数据进行计算,获得对应的模糊性能关联矩阵,通过以下公式进行设置:
其中,R表示模糊性能关联矩阵;rij表示第i类运行性能数据在第j个波动等级下的模糊性能隶属度,(rij)I×J表示rij的维数为I×J;i表示运行性能数据的类型序号,i=1,…,I,I表示运行性能数据的类型总数;j表示乘运设备在各类运行性能数据上的波动等级序号,j=1,…,J,J表示乘运设备在各类运行性能数据上的波动等级总数;
4.2)设置乘运设备中各类运行性能数据的权重向量ω,利用模糊性能关联矩阵R进行计算,获得模糊处理结果参数B,通过以下公式进行设置:
B=(b1,b2,…,bJ)
其中,b1表示乘运设备在第一波动等级下的隶属度,b2表示乘运设备在第二波动等级下的隶属度,bJ表示乘运设备在第J波动等级下的隶属度;
4.3)根据模糊处理结果参数B,利用最大隶属度法对每个脑电片段进行标定,使得每个脑电片段均对应有一个标定标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110523635.XA CN113288170A (zh) | 2021-05-13 | 2021-05-13 | 一种基于模糊处理的脑电信号标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110523635.XA CN113288170A (zh) | 2021-05-13 | 2021-05-13 | 一种基于模糊处理的脑电信号标定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113288170A true CN113288170A (zh) | 2021-08-24 |
Family
ID=77321921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110523635.XA Pending CN113288170A (zh) | 2021-05-13 | 2021-05-13 | 一种基于模糊处理的脑电信号标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113288170A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114366129A (zh) * | 2021-12-31 | 2022-04-19 | 西安臻泰智能科技有限公司 | 一种脑机接口手功能康复训练系统和方法 |
CN114886388A (zh) * | 2022-07-12 | 2022-08-12 | 浙江普可医疗科技有限公司 | 一种麻醉深度监测过程中脑电信号质量的评估方法及装置 |
CN114898193A (zh) * | 2022-07-11 | 2022-08-12 | 之江实验室 | 基于流形学习的图像特征融合方法、装置及图像分类系统 |
CN114366129B (zh) * | 2021-12-31 | 2024-05-03 | 西安臻泰智能科技有限公司 | 一种脑机接口手功能康复训练系统和方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102274108A (zh) * | 2011-05-17 | 2011-12-14 | 天津大学 | 步行器助行中稳定性与脑电-肌电相干系数模糊融合方法 |
US20120071780A1 (en) * | 2010-07-13 | 2012-03-22 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method and a System for Classifying Neural Signals, and a Method of Selecting Electrodes for Direct Neural Control |
CN104385951A (zh) * | 2014-07-02 | 2015-03-04 | 河北科技大学 | 一种能够监测乘坐者生理与心理状态的车辆座椅系统 |
CN106529476A (zh) * | 2016-11-11 | 2017-03-22 | 重庆邮电大学 | 一种基于深层堆叠网络的脑电信号特征提取及分类方法 |
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 |
CN112656427A (zh) * | 2020-11-26 | 2021-04-16 | 山西大学 | 一种基于维度模型的脑电信号情绪识别方法 |
CN112741629A (zh) * | 2019-10-29 | 2021-05-04 | 现代自动车株式会社 | 使用脑波信号确定乘客的乘坐舒适度的设备和方法 |
-
2021
- 2021-05-13 CN CN202110523635.XA patent/CN113288170A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120071780A1 (en) * | 2010-07-13 | 2012-03-22 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method and a System for Classifying Neural Signals, and a Method of Selecting Electrodes for Direct Neural Control |
CN102274108A (zh) * | 2011-05-17 | 2011-12-14 | 天津大学 | 步行器助行中稳定性与脑电-肌电相干系数模糊融合方法 |
CN104385951A (zh) * | 2014-07-02 | 2015-03-04 | 河北科技大学 | 一种能够监测乘坐者生理与心理状态的车辆座椅系统 |
CN106529476A (zh) * | 2016-11-11 | 2017-03-22 | 重庆邮电大学 | 一种基于深层堆叠网络的脑电信号特征提取及分类方法 |
CN112741629A (zh) * | 2019-10-29 | 2021-05-04 | 现代自动车株式会社 | 使用脑波信号确定乘客的乘坐舒适度的设备和方法 |
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 |
CN112656427A (zh) * | 2020-11-26 | 2021-04-16 | 山西大学 | 一种基于维度模型的脑电信号情绪识别方法 |
Non-Patent Citations (4)
Title |
---|
SHANHE LOU等人: "A Cyber-Physical System for Product Conceptual Design Based on an Intelligent Psycho-Physiological Approach", 《IEEE ACCESS》 * |
SHANHE LOU等人: "An integrated decision-making method for product design scheme evaluation based on cloud model and EEG data", 《ADVANCED ENGINEERING INFORMATICS》 * |
YIXIONG FENG等人: "A Digital Twin-Driven Method for Product Performance Evaluation Based on Intelligent Psycho-Physiological Analysis", 《JOURNAL OF COMPUTING AND INFORMATION SCIENCE IN ENGINEERING》 * |
冯毅雄等人: "面向性能的定制产品感性意象评价方法研究", 《机械工程学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114366129A (zh) * | 2021-12-31 | 2022-04-19 | 西安臻泰智能科技有限公司 | 一种脑机接口手功能康复训练系统和方法 |
CN114366129B (zh) * | 2021-12-31 | 2024-05-03 | 西安臻泰智能科技有限公司 | 一种脑机接口手功能康复训练系统和方法 |
CN114898193A (zh) * | 2022-07-11 | 2022-08-12 | 之江实验室 | 基于流形学习的图像特征融合方法、装置及图像分类系统 |
CN114886388A (zh) * | 2022-07-12 | 2022-08-12 | 浙江普可医疗科技有限公司 | 一种麻醉深度监测过程中脑电信号质量的评估方法及装置 |
CN114886388B (zh) * | 2022-07-12 | 2022-11-22 | 浙江普可医疗科技有限公司 | 一种麻醉深度监测过程中脑电信号质量的评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharanreddy et al. | EEG signal classification for epilepsy seizure detection using improved approximate entropy | |
US8577451B2 (en) | System and methods for neurologic monitoring and improving classification and treatment of neurologic states | |
George et al. | Classification of epileptic EEG signals using PSO based artificial neural network and tunable-Q wavelet transform | |
US8930212B2 (en) | Patient data management apparatus for comparing patient data with ailment archetypes to determine correlation with established ailment biomarkers | |
CN113288170A (zh) | 一种基于模糊处理的脑电信号标定方法 | |
JP6884344B2 (ja) | 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル | |
Jia et al. | Automated identification of epileptic seizures in EEG signals based on phase space representation and statistical features in the CEEMD domain | |
US8924230B2 (en) | Data management apparatus for comparing patient data with ailment archetypes to determine correlation with established ailment biomarkers | |
Nanthini et al. | Electroencephalogram signal classification for automated epileptic seizure detection using genetic algorithm | |
Boashash et al. | Time-frequency signal and image processing of non-stationary signals with application to the classification of newborn EEG abnormalities | |
van Pelt et al. | The need for integrating neuronal morphology databases and computational environments in exploring neuronal structure and function | |
CN114343635A (zh) | 一种基于变分相幅耦合的情绪识别方法及装置 | |
Wani et al. | Detection of epileptic seizure using wavelet transform and neural network classifier | |
Bueno-López et al. | Understanding instantaneous frequency detection: a discussion of Hilbert-Huang Transform versus Wavelet Transform | |
CN108470182B (zh) | 一种用于非对称脑电特征增强与识别的脑-机接口方法 | |
CN113069117A (zh) | 一种基于时间卷积神经网络的脑电情绪识别方法及系统 | |
CN114305452A (zh) | 一种基于脑电和领域适配的跨任务认知负荷识别方法 | |
Sahu et al. | HHT based features for discrimination of EMG signals | |
Nanthini et al. | Different approaches of analysing EEG signals for seizure detection | |
US20210199643A1 (en) | Fluid classification | |
Bhateja et al. | Artificial neural networks based fusion and classification of EEG/EOG signals | |
CN112438741A (zh) | 一种基于脑电特征迁移学习的驾驶状态检测方法及系统 | |
Aziz et al. | Analysis of Electroencephalogram (EEG) signals | |
Jagtap | A Review on Epileptic Signals Analysis using KNN, K-means clustering and SVM Classifier | |
CN114330422A (zh) | 一种实时估计脑电情感特征的跨被试迁移学习方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210824 |
|
WD01 | Invention patent application deemed withdrawn after publication |