CN113625870A - 基于语言想象的脑-机接口控制系统和方法 - Google Patents
基于语言想象的脑-机接口控制系统和方法 Download PDFInfo
- Publication number
- CN113625870A CN113625870A CN202110862253.XA CN202110862253A CN113625870A CN 113625870 A CN113625870 A CN 113625870A CN 202110862253 A CN202110862253 A CN 202110862253A CN 113625870 A CN113625870 A CN 113625870A
- Authority
- CN
- China
- Prior art keywords
- language
- brain
- imagination
- electroencephalogram
- computer interface
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000002474 experimental method Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000012706 support-vector machine Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 210000004556 brain Anatomy 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 230000000638 stimulation Effects 0.000 abstract description 3
- 230000014509 gene expression Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 14
- 238000012545 processing Methods 0.000 description 10
- 230000008451 emotion Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002087 whitening effect Effects 0.000 description 3
- 230000007177 brain activity Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- QVRVXSZKCXFBTE-UHFFFAOYSA-N n-[4-(6,7-dimethoxy-3,4-dihydro-1h-isoquinolin-2-yl)butyl]-2-(2-fluoroethoxy)-5-methylbenzamide Chemical compound C1C=2C=C(OC)C(OC)=CC=2CCN1CCCCNC(=O)C1=CC(C)=CC=C1OCCF QVRVXSZKCXFBTE-UHFFFAOYSA-N 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
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
本发明公开一种基于语言想象的脑‑机接口控制系统和方法，所述系统包括：脑电采集设备、语言想象实验模块、脑电信号特征提取与分类模块以及在线控制模块。所述脑电采集设备在被试者进行语言想象时采集EEG脑电信号，所述语言想象实验模块提供不同词语的视觉听觉提示，引导被试者进行语言想象，所述特征提取与分类模块运用EMD方法进行信号重构，运用DWT方法进行特征的提取，采用SVM方法进行特征分类，所述在线控制系统通过TCP/IP协议与外部设备进行通讯。本发明通过语言想象进行脑电特征的分类，相比于视觉或听觉刺激能够使被试者更加方便，相比于运动想象能够实现更多分类，提高脑‑机接口的性能，实现对使用者语言想象的高精度稳定的多分类。
Description
技术领域
本发明涉及脑-机接口技术领域。特别是涉及一种基于语言想象的脑-机接口在线控制系统。
背景技术
脑-机接口是一种不依赖于大脑周围神经和肌肉的正常输出通路的通讯系统，其直接将人或动物的大脑与外接的设备相连，通过对脑活动信号的采集与处理实现对外部设备的控制。脑-机接口技术的出现为那些无法通过言语或肢体动作进行交互控制(如语音控制，按键控制等)的病人带来了极大的便利，病人可以通过BCI系统实现对屏幕光标、机械假肢和轮椅等的控制。
在BCI技术中，语言想象(Imagined speech)脑-机接口有着重要的实用价值，不同于稳态视觉诱发(SSVEP)等脑-机接口需要通过外部刺激诱发产生信号；也不同于运动想象(MI-BCI)的通过检测被试者想象肢体运动时大脑运动区中自发的感觉运动节律(SMR)来判别运动类别。语言想象通过检测人脑负责语言与发音的区域来判别信号，可能是最接近人类思维产生的一种形式，同时在分类数量方面具有巨大优势。
现有脑-机接口技术中，如专利申请CN110347242A公开的基于空间和语义一致的视听觉脑-机接口拼写系统及其方法通过将视觉刺激和听觉刺激的空间特征和语义特征相结合，实现视听觉双模态刺激的空间和语义一致性。该方法采用刺激诱发信号，不接近人类思维的产生方式。又如专利申请CN110534180A公开的深度学习人机互适应运动想象脑-机接口系统和训练方法，训练过程采用了“人在回路”的实时反馈，让使用者在试错中习得正确而稳定的可解码运动想象方式。该方法能够实现较精确的运动想象分类，但运动想象分类类别较少，无法得到更多的分类。再如专利CN111616721A公开的基于深度学习和脑-机接口的情绪识别系统及应用实现对情绪脑电信号的准确获取、有效辨识和正确分类，并直观提示情绪状态，实现情绪状态监测的功能。该方法对情绪进行分类，可以用来检测心理状态，但无法进行外部控制。
发明内容
本发明针对现有技术的不足和需求，提出一种提高使用者语言想象脑活动的正确性，反馈结果易于理解辨识，分类结果更加稳定准确，应用范围广泛的基于语言想象的脑-机接口在线控制系统。
本发明还提供了上述基于语言想象的脑-机接口控制系统的控制方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于语言想象的脑-机接口控制系统，包括脑电采集设备、语言想象实验模块、脑电信号特征提取与分类模块、语言想象脑-机接口在线控制模块；所述脑电采集设备从被试者大脑采集语言想象EEG脑电信号；所述语言想象实验模块提供不同词语的视觉提示和/或听觉提示用以引导被试者进行语言想象，同时进行脑电信号的存储；所述脑电信号特征提取与分类模块对采集存储的脑电信号进行处理，根据脑电信号提取的特征对不同的想象语言进行分类；所述语言想象脑-机接口在线控制模块通过相关通信协议与外部设备进行通讯，根据脑电信号分类结果实时进行控制。
进一步的，所述脑电采集设备采用非侵入式EEG采集设备。
进一步的，所述的脑电采集设备采集被试者语言想象的EEG脑电信号，并排除相关干扰信号通道。
进一步的，所述的语言想象脑-机接口在线控制模块通过搭建在线脑电信号识别方法，对采样后的脑电信号进行分类，得到控制指令，与外部设备通讯，对外部设备进行控制。
进一步的，所述的语言想象实验模块包括视听提示模块和信号记录模块，所述视觉提示模块显示被试需要想象的词语；听觉提示模块在词语显示的同时进行词语发音；所述的语言想象实验模块与便携式脑电采集设备相连，将脑电信号保存至本地。
本发明还提供了上述基于语言想象的脑-机接口控制系统的控制方法的技术方案，包括以下步骤：
步骤一：对采集到的脑电信号进行巴特沃斯零相带通滤波；
步骤二：使用共空间模式(Common Spatial Pattern，CSP)提取特征，运用支持向量机(SVM)进行想象语言与非想象语言的区分；
步骤三：使用经验模态分解(EMD)对脑电信号进行分解，提取前三阶本征模函数(IMF)分量重构信号，对重构信号进行离散小波变换(DWT)，采用4个分解水平(3个详细系数和一个近似系数)，计算每个通道DWT变换后信号的标准差(SD)和均方根(RMS)，特征总数为112(14通道x 4个分解水平x 2个特征)，生成特征向量；
步骤四：对所获得的特征向量利用支持向量机进行分类训练，将步骤三中生成的特征向量输入训练完毕的支持向量机进行特征分类，获得特征分类结果；
步骤五：将训练完成的脑电信号特征提取与分类模块应用至在线控制模块，进行实时脑电信号分类，通过TCP/IP协议与外部设备通讯，实现语言想象BCI在线控制。
和现有技术相比，本发明具有下述优点：
本发明所提出的基于语言想象的脑-机接口在线控制系统采用视听结合提示的语言想象实验范式对被试者进行目标词语的提示，首次提出采用共空间模式(CSP)进行想象语言和非想象语言的区分，采用经验模态分解(EMD)进行信号重构，再采用离散小波分析(DWT)计算其标准差和均方根，生成包含112个特征值的特征向量，提高语言想象分类准确性，从而提高脑-机接口的性能，同时，本发明所提出的基于语言想象脑-机接口在线控制系统能够使被试者更加方便地发布多个控制指令，具有较强的通用性。
附图说明
图1为本发明具体实施例的一种脑-机接口方法流程图；
图2为本发明具体实施例的语言想象实验示意图；
图3为本发明具体实施例的实验屏幕显示示意图；
图4为本发明具体实施例的脑电信号特征提取分类流程图；
图5为本发明具体实施例的脑-机接口在线控制系统显示输出示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，本发明公开一种基于语言想象脑-机接口在线控制系统，该系统包括便携式脑电采集设备、语言想象实验模块、脑电信号特征提取与分类模块以及语言想象脑-机接口在线控制模块，其中，便携式脑电采集设备在被试者进行语言想象时从被试者大脑采集EEG脑电信号，语言想象实验模块提供不同词语的视觉提示和听觉提示，引导被试者进行语言想象，同时进行脑电信号的存储，脑电信号特征提取与分类模块对采集存储的脑电信号进行处理，根据脑电信号特征对不同的想象语言进行分类，语言想象脑-机接口在线控制系统通过TCP/IP协议与外部设备进行通讯，根据脑电信号分类结果实时进行控制。
具体地，在本实施例中，便携式脑电采集设备用于采集被试者的脑电信号，并将采集到的脑电信号数据发送至计算机。本实施例中的便携式脑电采集设备采用非侵入式脑电信号采集设备，覆盖躯体运动和感觉中枢。
如图2所示，本发明所述的语言想象实验模块包括空闲期、提示期和想象期：
空闲期屏幕空白，被试者保持放松状态，不进行想象任务，持续4秒，同时保存脑电信号至本地；
提示期如图3所示，在屏幕中央显示目标词语，包括“左”，“右”，“上”，“下”和“选择”，同时进行语音提示，持续2秒；
屏幕提示被试者开始想象，被试者进行目标词语的想象，持续4秒，同时采集脑电信号保存至本地。
计算机对脑电信号采集装置采集的脑电信号数据进行数据预处理，其中数据预处理包括对脑电信号数据依次进行去眼电处理、分段处理、去伪迹处理和滤波处理。去眼电处理，即去除眨眼对脑电信号的干扰；对去眼电处理后的脑电信号数据进行脑电分段，截取想象语言过程共4秒时长的脑电信号数据以及空闲时期共4秒时长的脑电信号数据，对分段后的脑电信号数据进行基线校正，其中截取信号的前200毫秒用于基线校正；对分段后的脑电信号数据进行去伪迹处理；最后，对去伪迹处理后的脑电信号数据进行带通滤波处理，采用巴特沃斯(0.5-43Hz)零相带通滤波器对数据进行滤波。
根据实验范式，将脑电信号分为空闲时期，想象语言时期，想象语言时期分为五个词语，即共分为六个部分；
图4显示了脑电信号特征提取与分类的流程，首先使用共空间模式(CSP)提取特征，运用支持向量机(SVM)进行想象语言与非想象语言的区分；
所述利用公共空间模式算法具体过程如下：
将单次任务实验的脑电数据表示为一个N×T维的矩阵X，其中，T是脑电测量时的通道数，N是脑电采集时每个通道的采样点数，XI和XN表示预处理过的EEG矩阵(下标I和N分别想象语言和非想象语言)，则归一化的想象与非想象的脑电数据协方差矩阵可以分别表示为：
两类合成的空间协方差矩阵可以表示为：
C＝CI+CN
对C进行特征值分解：
式中：UC是特征向量矩阵，λC是对角线元为相应特征值的对角矩阵，
是特征向量矩阵的转置矩阵，UC可被白化矩阵P白化：
I＝PCPT
式中：I为单位矩阵，其中：
对CI和CN进行白化处理：
式中
代表白化处理后的想象和非想象的脑电数据协方差矩阵，利用
具有相同特征向量的特点，经特征值分解后可得：
设BI，BN∈RN×1分别为特征值对角阵λ1，λ2中最大特征值对应的特征向量，因此求得空间滤波器矩阵为：
此处W即空间滤波器，对原始信号矩阵X经过滤波器滤波得到新的数据集Z：
ZI＝WI·X，ZN＝WN·X
定义特征向量为：
其中，var(·)表示信号的方差；
采用网格化交叉验证方法进行和最优参数的选择,将训练集作为原始的数据集,在一定范围内改变核函数g和惩罚因子C的值,运用交叉验证方法进行分类,选择分类准确率最高的g和C作为最佳参数，运用训练好的支持向量机进行特征分类；
使用经验模态分解(EMD)对脑电信号进行分解，具体步骤如下：
(1)判断每个脑电信号x(t)的局部极值，用三次样条曲线进行曲线拟合,局部极大值形成上包络emax(t)，局部极小值形成下包络emin(t)，其中t为时间。
(2)求得所述emax(t)和emin(t)的均值：
(3)计算输入的脑电信号x(t)和均值m(t)的差值：
c(t)＝x(t)-m(t)
如果c(t)不能满足IMF的定义截至条件,重复上述过程(1)-(3),否则,提取c(t)作为固有模态函数,剩余量r(t)计算如下：
r(t)＝x(t)-c(t)
剩余量作为一个新的数据经过相同的筛选过程以获得下一个更低频率的固有模态函数。直到剩余量r(t)为一个单调函数或者仅有一个极致时,分解过程停止。假设原始脑电信号x(t)被分解为n个固有模态函数和一个剩余量函数r(t),选取频率在0.5至43Hz之间的固有模态函数,可以组成所有子带信号的重构信号：
式中ci(t)为第i个固有模态函数，rn(t)为剩余量函数。由于信号的频谱能量主要集中在前三个IMF分量之中，故提取前三阶本征模函数(IMF)分量重构信号；
对EMD分解后的信号进行离散小波变换(DWT)，采用4个分解水平(3个细节系数和一个近似系数)，计算每个通道DWT分解信号的标准差(SD)和均方根(RMS)，特征总数为112(14通道x4个分解水平x2个特征)，生成特征向量；
其中，对重构后的信号x(t)的离散小波变换定义为：
其中a代表尺度位移，τ代表时间位移，Ψ(t)为小波基函数；
对所获得的特征向量利用支持向量机(SVM)进行分类训练，将上述生成的特征向量输入训练完毕的支持向量机进行特征分类，获得特征分类结果。
本实施例所述的语言想象脑-机接口在线控制系统的控制方法包括以下步骤：
(1)将所述的便携式脑电采集设备与在线控制模块相连，实时将采集到的脑电信号数据发送至在线控制模块；
(2)将实验平台训练完成的脑电信号特征提取与分类模块应用至在线控制模块，进行实时脑电信号分类；
(3)将所述的分类结果转化为控制指令输出至显示设备，如图5所示，包括上、下、左、右和中间五个方位；
(4)通过TCP/IP协议与外部设备相通讯，将控制指令传递给外部设备，实现语言想象脑-机接口在线控制。
至此，完成了语言想象脑机接口在线控制系统，被试者进行训练后即可进行在线控制。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于语言想象的脑-机接口控制系统，其特征在于：包括脑电采集设备、语言想象实验模块、脑电信号特征提取与分类模块、语言想象脑-机接口在线控制模块；所述脑电采集设备从被试者大脑采集语言想象EEG脑电信号；所述语言想象实验模块提供不同词语的视觉提示和/或听觉提示用以引导被试者进行语言想象，同时进行脑电信号的存储；所述脑电信号特征提取与分类模块对采集存储的脑电信号进行处理，根据脑电信号提取的特征对不同的想象语言进行分类；所述语言想象脑-机接口在线控制模块通过相关通信协议与外部设备进行通讯，根据脑电信号分类结果实时进行控制。
2.根据权利要求1所述的基于语言想象的脑-机接口控制系统，其特征在于：所述脑电采集设备采用非侵入式EEG采集设备。
3.根据权利要求2所述的基于语言想象的脑-机接口控制系统，其特征在于：所述的脑电采集设备采集被试者语言想象的EEG脑电信号，并排除相关干扰信号通道。
4.根据权利要求1所述的基于语言想象的脑-机接口控制系统。其特征在于：所述的语言想象脑-机接口在线控制模块通过搭建在线脑电信号识别方法，对采样后的脑电信号进行分类，得到控制指令，与外部设备通讯，对外部设备进行控制。
5.根据权利要求1所述的基于语言想象的脑-机接口控制系统，其特征在于：所述的语言想象实验模块包括视听提示模块和信号记录模块，所述视觉提示模块显示被试需要想象的词语；听觉提示模块在词语显示的同时进行词语发音；所述的语言想象实验模块与便携式脑电采集设备相连，将脑电信号保存至本地。
6.一种使用根据权利要求1至5中任一项所述的基于语言想象的脑-机接口控制系统的控制方法，其特征在于：包括以下步骤：
步骤一：对采集到的脑电信号进行巴特沃斯零相带通滤波；
步骤二：使用共空间模式提取特征，运用支持向量机进行想象语言与非想象语言的区分；
步骤三：使用经验模态分解对脑电信号进行分解，提取前三阶本征模函数分量进行信号重构，对重构后的信号进行离散小波变换，采用4个分解水平，计算每个通道的标准差和均方根，生成特征向量，特征总数为112，包括14通道x4个分解水平x2个特征；
步骤四：对所获得的特征向量利用支持向量机进行分类训练，将步骤三中生成的特征向量输入训练完毕的支持向量机进行特征分类，获得特征分类结果；
步骤五：将训练完成的脑电信号特征提取与分类模块应用至在线控制模块，进行实时脑电信号分类，通过TCP/IP协议与外部设备通讯，实现语言想象BCI在线控制。
7.一种计算机设备，其特征在于：该计算机设备被编程或配置以执行权利要求6所述基于语言想象的脑-机接口控制系统的步骤，或者该计算机设备的存储器上存储有被编程或配置以执行权利要求6所述基于语言想象的脑-机接口控制系统的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110862253.XA CN113625870A (zh) | 2021-07-29 | 2021-07-29 | 基于语言想象的脑-机接口控制系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110862253.XA CN113625870A (zh) | 2021-07-29 | 2021-07-29 | 基于语言想象的脑-机接口控制系统和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113625870A true CN113625870A (zh) | 2021-11-09 |
Family
ID=78381471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110862253.XA Pending CN113625870A (zh) | 2021-07-29 | 2021-07-29 | 基于语言想象的脑-机接口控制系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113625870A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117130490A (zh) * | 2023-10-26 | 2023-11-28 | 天津大学 | 一种脑机接口控制系统及其控制方法和实现方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102866775A (zh) * | 2012-09-04 | 2013-01-09 | 同济大学 | 基于多模式融合的脑机接口控制系统及方法 |
| CN104135920A (zh) * | 2012-01-24 | 2014-11-05 | 诺罗维吉尔公司 | 将脑信号与脑状态的有意改变和无意改变关联 |
| CN111931646A (zh) * | 2020-08-10 | 2020-11-13 | 华东理工大学 | 基于经验模态分解算法的运动想象脑电信号的识别系统 |
| CN112732082A (zh) * | 2021-01-04 | 2021-04-30 | 河北工业大学 | 基于附加汉字默读运动想象方式的脑-机接口方法 |
-
2021
- 2021-07-29 CN CN202110862253.XA patent/CN113625870A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104135920A (zh) * | 2012-01-24 | 2014-11-05 | 诺罗维吉尔公司 | 将脑信号与脑状态的有意改变和无意改变关联 |
| CN102866775A (zh) * | 2012-09-04 | 2013-01-09 | 同济大学 | 基于多模式融合的脑机接口控制系统及方法 |
| CN111931646A (zh) * | 2020-08-10 | 2020-11-13 | 华东理工大学 | 基于经验模态分解算法的运动想象脑电信号的识别系统 |
| CN112732082A (zh) * | 2021-01-04 | 2021-04-30 | 河北工业大学 | 基于附加汉字默读运动想象方式的脑-机接口方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117130490A (zh) * | 2023-10-26 | 2023-11-28 | 天津大学 | 一种脑机接口控制系统及其控制方法和实现方法 |
| CN117130490B (zh) * | 2023-10-26 | 2024-01-26 | 天津大学 | 一种脑机接口控制系统及其控制方法和实现方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111265212A (zh) | 一种运动想象脑电信号分类方法及闭环训练测试交互系统 | |
| Abbas et al. | DeepMI: Deep learning for multiclass motor imagery classification | |
| KR102096565B1 (ko) | 움직임 상상 뇌신호 인식을 위한 웨이블릿 변환 기반의 컨볼루션 신경망 분석 방법 | |
| CN105956624B (zh) | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 | |
| CN113288183B (zh) | 一种基于面颈部表面肌电的无声语音识别方法 | |
| Molina et al. | Joint time-frequency-space classification of EEG in a brain-computer interface application | |
| CN111110230A (zh) | 一种运动想象脑电特征增强方法及系统 | |
| Pan et al. | Emotion recognition based on EEG using generative adversarial nets and convolutional neural network | |
| CN112370066A (zh) | 一种基于生成对抗网络的脑卒中康复系统脑机接口方法 | |
| CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
| CN111920420B (zh) | 一种基于统计学习的患者行为多模态分析与预测系统 | |
| Song et al. | Common spatial generative adversarial networks based EEG data augmentation for cross-subject brain-computer interface | |
| CN113180659A (zh) | 一种基于三维特征和空洞全卷积网络的脑电情感识别系统 | |
| CN113625870A (zh) | 基于语言想象的脑-机接口控制系统和方法 | |
| Milan et al. | Adaptive brain interfaces for physically-disabled people | |
| Tabar et al. | Brain computer interfaces for silent speech | |
| CN107822628B (zh) | 一种癫痫脑部病灶区自动定位装置及系统 | |
| CN117883082A (zh) | 一种异常情绪识别方法、系统、设备及介质 | |
| Ghane et al. | Robust understanding of EEG patterns in silent speech | |
| CN116603229A (zh) | 基于脑电信号的电子游戏难度动态调整方法 | |
| Chenane et al. | EEG Signal Classification for BCI based on Neural Network | |
| Tan et al. | EEG signal recognition algorithm with sample entropy and pattern recognition | |
| Al-Anbary et al. | A Survey of Eeg Signals Prepossessing and Classification for Imagined Speech Application | |
| Majoros et al. | Comparison of motor imagery EEG classification using feedforward and convolutional neural network | |
| CN116077071B (zh) | 一种智能康复按摩方法、机器人及存储介质 |
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 |