CN113288181B - 基于稳态视觉诱发电位脑电信号识别的个体模板重构方法 - Google Patents

基于稳态视觉诱发电位脑电信号识别的个体模板重构方法 Download PDF

Info

Publication number
CN113288181B
CN113288181B CN202110687040.8A CN202110687040A CN113288181B CN 113288181 B CN113288181 B CN 113288181B CN 202110687040 A CN202110687040 A CN 202110687040A CN 113288181 B CN113288181 B CN 113288181B
Authority
CN
China
Prior art keywords
signal
frequency
individual template
coefficient
electroencephalogram
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
Application number
CN202110687040.8A
Other languages
English (en)
Other versions
CN113288181A (zh
Inventor
马玉良
潘隽锴
孙明旭
申涛
张卫
席旭刚
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202110687040.8A priority Critical patent/CN113288181B/zh
Publication of CN113288181A publication Critical patent/CN113288181A/zh
Application granted granted Critical
Publication of CN113288181B publication Critical patent/CN113288181B/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
    • A61B5/7235—Details of waveform analysis
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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

Landscapes

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

Abstract

本发明公开了基于稳态视觉诱发电位脑电信号识别的个体模板重构方法。本发明首先采集大脑皮层枕区上对应电极通道的稳态视觉诱发电位脑电信号数据并预处理；构建人工正‑余弦参考信号，分别选择两种信号质量评价指标，和两种计算方式，计算各训练数据的权重系数，重构包含受试者个体信息的模板信号；分别对脑电信号、人工正‑余弦参考信号和个体模板信号两两之间进行典型相关分析，计算得到的空间滤波器映射到信号上可以得到多种特征；针对本数据集重新选择系数特征组合，与标准扩展典型相关分析相比，重构后的个体模板信号包含了更多的SSVEP响应，提升了算法的识别性能，降低了算法的计算消耗时间。

Description

基于稳态视觉诱发电位脑电信号识别的个体模板重构方法
技术领域
本发明涉及稳态视觉诱发电位脑电信号识别方法，特别涉及一种基于稳态视觉诱发电位脑电信号识别的个体模板重构方法。
背景技术
脑科学是研究人类脑部结构与功能的学科，其核心是以大脑为认知主体的神经科学。脑机接口(brain-computer interface,BCI)技术是指不依赖人体的外围神经和肌肉组织，通过解码大脑的意识活动从而实现人脑与外部设备的通信交流。目前脑机接口的发展受限于识别率低、通信速度慢等问题，而基于稳态视觉诱发电位的脑机接口系统(SSVEP-BCIs)由于其具有较高的识别准确率、信息传输率，以及实验环境配置简单、受试者仅需进行少量的训练等优点，近十年来备受关注与发展。
典型相关分析算法(canonical correlation analysis,CCA)是一种经典的多元统计方法，用于测量两组变量之间的潜在相关性。其目标是寻找一对线性组合，使得经过变换后的两组变量之间相关性最大。作为一种良好的空间滤波算法，典型相关分析被广泛用于稳态视觉诱发电位脑电信号的识别中。CCA最初被用来检测频率，但随着越来越多的实验范式采用联合频率、相位的编码方式，如何在识别过程中有效利用SSVEP的相位信息变得很重要。有学者将标准CCA(sCCA)与基于个体模板的CCA(it-CCA)结合，加入训练数据，提出了扩展典型相关分析(extended CCA,eCCA)，大幅度提升了标准CCA的识别性能。
发明内容
本发明针对部分空间滤波算法在数据校准阶段选择直接对训练数据平均化，得到的模板信号包含的稳态视觉诱发电位信息可能不够可靠的问题，分别引入两种信号质量评价指标和两种计算方式对个体模板进行重新构造，提出了一种更为精细的操作，之后再对电话拨号数据集重新选择适合的系数特征组合。
按照发明内容，具体包括以下步骤：
步骤1、使用脑电采集设备采集稳态视觉诱发电位脑电信号；
步骤2、选取位于脑皮层视觉区域(枕区)对应的电极通道，并对信号进行预处理；
步骤3、除预处理后的脑电信号外，再构建人工正-余弦参考信号以及包含受试者个体信息的模板信号；
步骤4、分别对脑电信号、人工正-余弦参考信号和个体模板信号两两之间进行典型相关分析，计算的空间滤波器映射到信号上可以得到多种系数特征；
步骤5、将系数特征集成为最终特征后选择相关系数最大值对应的频率视为识别的目标刺激频率。
本发明由于从计算准确性和计算的复杂性方面进行考虑采用了针对本数据集选择对应的的系数特征组合。
作为优选，在构建个体模板时采用了两种信号质量评价指标和计算方式用于确定训练数据的权重系数，具体步骤如下：
步骤3-1：构建一组与多通道脑电信号长度相同的人工正-余弦参考信号；
步骤3-2：对脑电信号进行快速傅里叶变换，将时域信号转换为频域信号，然后分别以训练数据的频谱均值与信噪比作为评价指标，定义频率fk处的信噪比为幅频响应曲线中fk处的幅值与附近L个频率的幅值均值之比：
Figure BDA0003124966600000021
式中，amp(fk)为SSVEP在频率fk处的频谱幅值，L取值为16，相邻频率间隔Δf为0.125Hz；
步骤3-3：分别采用两种计算方式确定权重系数——第一种为计算频谱中所有12个刺激频率对应的评价指标(evaluation index,EI)取平均，见式(4)；第二种为针对各刺激频率，计算其基频与各谐波频率所对应的评价指标；
Figure BDA0003124966600000022
Figure BDA0003124966600000023
式(5)中，Nh为谐波个数；
步骤3-4：对各次试验数据的评价指标做归一化处理，得到构造个体模板中各试次所对应的权重系数：
Figure BDA0003124966600000031
∑EI为各次试验数据评价指标之和，权重系数
Figure BDA0003124966600000032
C为通道数，Ntrain为训练数据个数，得到个体模板信号为：
Figure BDA0003124966600000033
作为优选，所述步骤4包括：
步骤4-1：针对脑电信号、人工参考信号、个体模板信号，寻找一组权重向量
Figure BDA0003124966600000034
使得经过映射后的典型变量
Figure BDA0003124966600000035
Figure BDA0003124966600000036
二者之间相关性最大，相关性由计算二者之间Person相关系数确定：
Figure BDA0003124966600000037
步骤4-2：由这3种信号得到6种权重向量即空间滤波器的形式，
(1)测试信号X与个体模板
Figure BDA0003124966600000038
之间：
Figure BDA0003124966600000039
(2)测试信号X与正-余弦参考信号Y之间：wX(XY)、wY(XY)；
(3)个体模板信号与正-余弦参考信号之间：
Figure BDA00031249666000000310
步骤4-3：由6种空间滤波器与测试信号、正-余弦参考信号和个体模板信号分别进行映射，总共得到10个典型变量，由这10个典型变量两两之间进行相关系数计算，可以得到45个系数特征，在保持算法准确率的同时降低计算复杂度的原则，选择了如下3个系数特征：
Figure BDA00031249666000000311
本发明中10个典型变量参见表1。
Figure BDA0003124966600000041
表1 10个典型变量
本发明有益效果如下：
在大多数空间滤波算法中传统的个体模板构造方式的基础上，考虑到选择直接对训练数据平均化以得到个体模板这一操作可能稍显粗略，使得计算出的空间滤波器不够准确从而影响算法的识别效果，提出了一种在构造个体模板时引入各训练数据权重系数的方式。为了确定权重系数，分别选择频率幅值和信噪比作为训练信号质量的两种评价指标，以及计算所有刺激频率和各刺激频率对应的基频与谐波频率的评价指标这两种计算方式，对算法中的个体模板进行重构。然后针对电话拨号数据集重新选择系数特征组合，在提高识别准确率的同时降低了计算消耗时间。
附图说明
图1为本发明的流程图
图2为预处理前、后脑电信号频域波形图
图3为系数特征提取流程图
图4(a)为电话拨号的虚拟键盘
图4(b)为目标对应的刺激频率和相位设置
图5为重构前、后个体模板的频谱波形图
具体实施方式：
下面结合具体实施例对本发明做进一步说明。以下描述仅作为示范和解释，并不对本发明作任何形式上的限制。
如图1所示，本发明的实施例实现步骤如下：
步骤1、使用脑电采集设备采集稳态视觉诱发电位脑电信号，采样频率为256Hz；
步骤2、选取位于脑皮层视觉区域(枕区)对应的电极通道，分别为POz、PO3、PO4、PO5、PO6、Oz、O1、O2，并用零相位切比雪夫无限脉冲响应滤波器对信号进行6～80Hz的带通滤波，截取提示信号出现后的2s视觉刺激时间作为初始脑电数据，预处理后的频域信号如图2所示；
步骤3、构造人工正-余弦参考信号和包含各训练数据权重系数的个体模板信号，具体步骤如下：
步骤3-1：设
Figure BDA0003124966600000051
为一组多通道的脑电信号，
Figure BDA0003124966600000052
为一组长度与X相同的人工正-余弦参考信号：
Figure BDA0003124966600000053
式中，fk刺激频率设置为9.25Hz到14.75Hz，等差间隔0.5Hz；fs采样率设置为256Hz；Nh谐波数量设置为5。
步骤3-2：对脑电信号进行快速傅里叶变换，然后分别以训练数据的频谱均值与信噪比作为评价指标，定义频率fk处的信噪比为幅频响应曲线中fk处的幅值与附近L个频率的幅值均值之比：
Figure BDA0003124966600000054
式中，amp(fk)为SSVEP在频率fk处的频谱幅值，L取值为16，相邻频率间隔Δf为0.125Hz。
步骤3-3：分别采用两种计算方式确定权重系数——第一种为计算频谱中所有12个刺激频率对应的评价指标(evaluation index,EI)取平均，见式(3)；第二种为针对各刺激频率，计算其基频与各谐波频率所对应的评价指标，见式(4)。
Figure BDA0003124966600000055
Figure BDA0003124966600000056
式(4)中，Nh谐波个数设置为5，即针对频率为9.25Hz时计算9.25Hz、18.5Hz、27.75Hz、37Hz、46.25Hz对应的评价指标，其他频率以此类推。
步骤3-4：对各次试验数据的评价指标做归一化处理，得到构造个体模板中各试次所对应的权重系数：
Figure BDA0003124966600000061
∑EI为各次试验数据评价指标之和，权重系数
Figure BDA0003124966600000062
C为通道数，Ntrain为训练数据个数。得到个体模板信号为：
Figure BDA0003124966600000063
步骤4、运用扩展典型相关分析算法，分别对脑电信号、人工正-余弦参考信号和个体模板信号两两之间进行典型相关分析，计算的空间滤波器映射到信号上可以得到多种特征，本文选择了其中的3个系数特征，具体步骤如下：
步骤4-1：针对脑电信号、人工参考信号、个体模板信号，寻找一组权重向量
Figure BDA0003124966600000064
使得经过映射后的典型变量
Figure BDA0003124966600000065
Figure BDA0003124966600000066
二者之间相关性最大。相关性由计算二者之间Person相关系数确定，以x，y举例：
Figure BDA0003124966600000067
步骤4-2：由这3种信号可以得到6种权重向量即空间滤波器的形式(1)测试信号X与个体模板
Figure BDA0003124966600000068
之间：
Figure BDA0003124966600000069
(2)测试信号X与正-余弦参考信号Y之间：wX(XY)、wY(XY)；(3)个体模板信号与正-余弦参考信号之间：
Figure BDA00031249666000000610
步骤4-3：由6种空间滤波器与测试信号、正-余弦参考信号和个体模板信号分别进行映射，总共可以得到10个典型变量，见表1。本发明选择了如下3个系数特征，系数特征提取流程见图3：
Figure BDA0003124966600000071
步骤5、先采用一个集成分类器用于组合3种系数特征作为最终特征用于识别：
Figure BDA0003124966600000072
最后选择相关系数最大值对应的频率视为SSVEP的目标刺激频率：
Figure BDA0003124966600000073
本发明以10个受试者作为实验对象，总共有12个目标即为12分类，视觉刺激布局如图4所示，实验有15个模块组成，每个模块中受试者被要求以随机顺序注视程序指示的一个视觉刺激，完成对应12个目标的12次试验。采用留一法交叉验证，即将某一识别目标15次试验中的14项作为训练数据用于构造受试者个体模板，剩余的1项作为测试数据用于验证，循环进行直至每项数据皆被当作一次测试数据。表2显示了采用了两种信号质量评价指标和两种计算方式重构个体模板后的eCCA与标准eCCA的识别结果对比。
Figure BDA0003124966600000074
Figure BDA0003124966600000081
表2每位受试者的识别准确率
Figure BDA0003124966600000082
表3每位受试者计算消耗时间
比较四种方式，计算12个刺激频率的频谱幅值用于确定各训练数据权重系数的方式取得了最好的结果，其中受试者S2的提升尤为明显，其他三种方式也有着相应的提高，识别结果验证了本发明的有效性，同时从表3中可以看出本发明提出的方法与标准扩展典型相关分析相比降低了计算消耗时间。为了可视化重构个体模板带来的效果，图5显示了重构前后两种模板的波形图，后者基频和谐波频率外的成分被有效地抑制，增强了信号的SSVEP响应，可以看出重新构造个体模板后从基波到谐波的信噪比均超过或接近40dB。
本实施例在大多数空间滤波算法中传统的个体模板构造方式的基础上，考虑到选择直接对训练数据平均化以得到个体模板这一操作可能稍显粗略，使得计算出的空间滤波器不够准确从而影响算法的识别效果，提出了一种在构造个体模板时引入各训练数据权重系数的方式。为了确定权重系数，分别选择频率幅值和信噪比作为训练信号质量的两种评价指标，以及计算所有刺激频率和各刺激频率对应的基频与谐波频率的评价指标这两种计算方式，对算法中的个体模板进行重构。然后针对电话拨号数据集重新选择系数特征组合，在提高识别准确率的同时降低了计算消耗时间。

Claims (2)

1.基于稳态视觉诱发电位脑电信号识别的个体模板重构方法，其特征在于包括如下步骤：
步骤1、使用脑电采集设备采集稳态视觉诱发电位脑电信号；
步骤2、选取位于脑皮层视觉区域对应的电极通道，并对信号进行预处理；
步骤3、除预处理后的脑电信号外，再构建人工正-余弦参考信号以及包含受试者个体信息的模板信号；
步骤4、分别对脑电信号、人工正-余弦参考信号和个体模板信号两两之间进行典型相关分析，计算的空间滤波器映射到信号上可以得到若干种特征，针对本数据集选择对应的系数特征组合；
步骤5、先采用一个集成分类器用于组合由步骤4得到的系数特征作为最终特征用于识别：
Figure FDA0003742887040000011
最后选择相关系数最大值对应的频率视为SSVEP的目标刺激频率：
Figure FDA0003742887040000012
其中rk表示系数特征，ρk为最终特征；
在构建个体模板时采用了两种信号质量评价指标和计算方式用于确定训练数据的权重系数，具体步骤如下：
步骤3-1：构建一组与多通道脑电信号长度相同的人工正-余弦参考信号；
步骤3-2：对脑电信号进行快速傅里叶变换，将时域信号转换为频域信号，然后分别以训练数据的频谱均值与信噪比作为评价指标，定义频率fk处的信噪比为幅频响应曲线中fk处的幅值与附近L个频率的幅值均值之比：
Figure FDA0003742887040000013
式中，amp(fk)为SSVEP在频率fk处的频谱幅值，L取值为16，相邻频率间隔Δf 为0.125Hz；i＝1–8取整；fk刺激频率设置为9.25Hz到14.75Hz，等差间隔0.5Hz；
步骤3-3：分别采用两种计算方式确定权重系数——第一种为计算频谱中所有12个刺激频率对应的评价指标EI(evaluation index)取平均，见式(4)；第二种为针对各刺激频率，计算其基频与各谐波频率所对应的评价指标；
Figure FDA0003742887040000021
Figure FDA0003742887040000022
式(5)中，Nh为谐波个数；
步骤3-4：对各次试验数据的评价指标做归一化处理，得到构造个体模板中各试次所对应的权重系数：
Figure FDA0003742887040000023
∑EI为各次试验数据评价指标之和，权重系数
Figure FDA0003742887040000024
C为通道数，Ntrain为训练数据个数，得到个体模板信号为：
Figure FDA0003742887040000025
2.根据权利要求1所述的基于稳态视觉诱发电位脑电信号识别的个体模板重构方法，其特征在于，所述步骤4包括：
步骤4-1：针对脑电信号X、人工参考信号Y、个体模板信号
Figure FDA0003742887040000026
寻找一组权重向量
Figure FDA0003742887040000027
使得经过映射后的典型变量
Figure FDA0003742887040000028
Figure FDA0003742887040000029
二者之间相关性最大，相关性由计算二者之间Person相关系数确定：
Figure FDA00037428870400000210
步骤4-2：由这3种信号得到6种权重向量即空间滤波器的形式，
(1)脑电信号X与个体模板
Figure FDA00037428870400000211
之间：
Figure FDA00037428870400000212
(2)脑电信号X与正-余弦参考信号Y之间：wX(XY)、wY(XY)；
(3)个体模板信号与正-余弦参考信号之间：
Figure FDA00037428870400000213
步骤4-3：由6种空间滤波器与测试信号、正-余弦参考信号和个体模板信号分别进行映射，总共得到10个典型变量，由这10个典型变量两两之间进行相关系数计算，可以得到45个系数特征，在保持算法准确率的同时降低计算复杂度的原则，选择了如下3个系数特征：
Figure FDA0003742887040000031
CN202110687040.8A 2021-06-21 2021-06-21 基于稳态视觉诱发电位脑电信号识别的个体模板重构方法 Active CN113288181B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110687040.8A CN113288181B (zh) 2021-06-21 2021-06-21 基于稳态视觉诱发电位脑电信号识别的个体模板重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110687040.8A CN113288181B (zh) 2021-06-21 2021-06-21 基于稳态视觉诱发电位脑电信号识别的个体模板重构方法

Publications (2)

Publication Number Publication Date
CN113288181A CN113288181A (zh) 2021-08-24
CN113288181B true CN113288181B (zh) 2022-09-27

Family

ID=77328984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110687040.8A Active CN113288181B (zh) 2021-06-21 2021-06-21 基于稳态视觉诱发电位脑电信号识别的个体模板重构方法

Country Status (1)

Country Link
CN (1) CN113288181B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114010208B (zh) * 2021-11-08 2023-09-08 成都信息工程大学 适用于ssvep分类的零填充频域卷积神经网络方法
CN114305456B (zh) * 2021-12-29 2024-05-03 杭州电子科技大学 一种基于稳态视觉诱发电位脑电信号的通道选择方法
CN116541766B (zh) * 2023-07-04 2023-09-22 中国民用航空飞行学院 脑电数据修复模型的训练方法、脑电数据修复方法及装置
CN117807417A (zh) * 2023-08-09 2024-04-02 上海韶脑传感技术有限公司 一种基于et-trca的ssvep脑电识别方法
CN116738215A (zh) * 2023-08-11 2023-09-12 之江实验室 一种基于稳态视觉诱发电位的脑电身份识别方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105549743A (zh) * 2016-01-18 2016-05-04 中国医学科学院生物医学工程研究所 一种基于脑-机接口的机器人系统及实现方法
CN105938397A (zh) * 2016-06-21 2016-09-14 西安交通大学 基于稳态运动视觉诱发电位与缺省刺激响应的混合脑-机接口方法
CN107748622A (zh) * 2017-11-08 2018-03-02 中国医学科学院生物医学工程研究所 一种基于人脸感知的稳态视觉诱发电位脑‑机接口方法
CN108294748A (zh) * 2018-01-23 2018-07-20 南京航空航天大学 一种基于稳态视觉诱发的脑电信号采集与分类方法
CN110537929A (zh) * 2019-08-23 2019-12-06 杭州曼安智能科技有限公司 一种基于ssvep的注意力测评方法、训练方法以及脑机接口

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9183511B2 (en) * 2012-02-24 2015-11-10 Ming Li System and method for universal translating from natural language questions to structured queries
US10417554B2 (en) * 2014-05-22 2019-09-17 Lee J. Scheffler Methods and systems for neural and cognitive processing
CN105942975B (zh) * 2016-04-20 2018-07-06 西安电子科技大学 基于稳态视觉诱发的脑电信号处理方法
US10849526B1 (en) * 2016-10-13 2020-12-01 University Of South Florida System and method for bio-inspired filter banks for a brain-computer interface
CN107146228B (zh) * 2017-03-22 2019-10-08 东南大学 一种基于先验知识的大脑磁共振图像超体素生成方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105549743A (zh) * 2016-01-18 2016-05-04 中国医学科学院生物医学工程研究所 一种基于脑-机接口的机器人系统及实现方法
CN105938397A (zh) * 2016-06-21 2016-09-14 西安交通大学 基于稳态运动视觉诱发电位与缺省刺激响应的混合脑-机接口方法
CN107748622A (zh) * 2017-11-08 2018-03-02 中国医学科学院生物医学工程研究所 一种基于人脸感知的稳态视觉诱发电位脑‑机接口方法
CN108294748A (zh) * 2018-01-23 2018-07-20 南京航空航天大学 一种基于稳态视觉诱发的脑电信号采集与分类方法
CN110537929A (zh) * 2019-08-23 2019-12-06 杭州曼安智能科技有限公司 一种基于ssvep的注意力测评方法、训练方法以及脑机接口

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高速率稳态视觉诱发电位脑-机接口的关键技术研究;陈小刚;《中国博士学位论文全文数据库 医药卫生科技辑（月刊）》;20160715;第10-97页 *

Also Published As

Publication number Publication date
CN113288181A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN113288181B (zh) 基于稳态视觉诱发电位脑电信号识别的个体模板重构方法
Chen et al. A novel EEMD-CCA approach to removing muscle artifacts for pervasive EEG
CN106709469B (zh) 基于脑电和肌电多特征的自动睡眠分期方法
CN109224242B (zh) 基于vr交互的心理放松系统及方法
CN107024987A (zh) 一种基于eeg的实时人脑注意力测试和训练系统
CN104688220B (zh) 一种去除脑电信号中眼电伪迹的方法
CN108577834B (zh) 一种用于癫痫间期棘波自动检测的方法
US20080262371A1 (en) Method for Adaptive Complex Wavelet Based Filtering of Eeg Signals
CN103019383B (zh) 一种稳态视觉诱发电位脑—机接口信号识别方法
CN101515200B (zh) 基于瞬态视觉诱发脑电的目标选择方法
CN110251064A (zh) 基于运动视觉诱发电位的视敏度检测方法
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
CN109222906B (zh) 一种基于脑部电信号构建疼痛状态预测模型的方法
CN108324292A (zh) 基于脑电信号的室内视觉环境满意度分析方法
CN105748067B (zh) 一种基于随机梯度自适应滤波的诱发脑电提取方法
CN112426162A (zh) 一种基于脑电信号节律熵的疲劳检测方法
CN115251845A (zh) 基于TB-TF-BiGRU模型处理脑电波信号的睡眠监测方法
Moser et al. Classification and detection of single evoked brain potentials using time-frequency amplitude features
CN116269445A (zh) 一种用于ssvep短时窗信号的精准目标识别方法
CN117281479A (zh) 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置
CN111671421A (zh) 一种基于脑电图的儿童需求感知方法
CN116172576A (zh) 一种基于多模块神经网络的脑电信号伪迹去除方法
CN110613446A (zh) 一种信号处理方法及装置
Xu et al. Algorithm of imagined left-right hand movement classification based on wavelet transform and AR parameter model
CN107440687B (zh) 一种疼痛等级评估方法及采用其的疼痛等级评估装置

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