CN113679394B - 基于相关性的运动想象的导联选择方法及装置 - Google Patents
基于相关性的运动想象的导联选择方法及装置 Download PDFInfo
- Publication number
- CN113679394B CN113679394B CN202111131441.1A CN202111131441A CN113679394B CN 113679394 B CN113679394 B CN 113679394B CN 202111131441 A CN202111131441 A CN 202111131441A CN 113679394 B CN113679394 B CN 113679394B
- Authority
- CN
- China
- Prior art keywords
- lead
- leads
- target
- correlation
- alternative
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
-
- 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
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Psychology (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于相关性的运动想象的导联选择方法及装置。该运动想象的导联选择方法包括:步骤S1,预处理;步骤S2,数据划分,将用于记录步骤S1所获得的EEG信号的全部导联划分为目标参考导联集合和备选参考导联集合,所述目标参考导联集合包含电极位置C3、C4和Cz的目标导联,所述备选参考导联集合包含非电极位置C3、C4和Cz的备选导联;步骤S3,计算相关性;步骤S4,计算权重;步骤S5,排序选择。通过本发明提供的方案有助于选择出少量有效导联来提升运动想象任务的识别效率。
Description
技术领域
本发明涉及脑-机接口(Brian Computer Interface,简称BCI)和医学康复领域,具体涉及一种基于运动想象的脑电波(Electroencephalogram,EEG)的导联选择方法及装置。
背景技术
脑机接口技术是一种不依赖于常规的肌肉和神经而建立的直接通路,脑机接口技术已经应用医疗、军事、残疾人辅助和生活娱乐等各个方面。脑机接口系统通过分析采集到的脑电信息,识别出受试者的思维状态或运动意图,并进一步将其转化为控制命令用于对外部设备的控制。运动想象脑机接口系统是一种自发的、无需依赖外部刺激的脑机接口系统,使用者可以自主决定运动想象任务的开始和结束,灵活的控制外部的设备。
传统的脑机接口系统为了全面的记录下脑电信息,通常会采用较为大规模的密集导联分布的形式来采集EEG信号,但是随之而来的问题是采集的范围较为广泛,很有可能将过多的伪迹信息和噪声信息同时记录下来,这些伪迹和噪声信息将会对信号的分析产生不利影响,从而影响运动想象脑机接口系统的性能。通过进行导联选择可以将包含有用信息的导联选择出来,有效的剔除冗余导联,进而可以避免伪迹和噪声信息对运动想象脑机接口系统性能的影响。导联选择算法可以分为两种:1)滤波式选择,该类方法的主要通过构建导联的评价指标,根据评价指标快速的选择出目标导联组合,该方法的主要缺点是不能获取精确的导联组合;2)分类器方法,该类方法主要是通过遍历所有可能存在的导联组合,根据分类器得到的分类准确率来确定最优的导联组合,该方法的所需的计算时间较长,在导联数目较大的情况下不太适用。
发明内容
本发明要解决的技术问题是提供基于相关性的运动想象的导联选择方法及装置,通过选择出少量有效导联来提升运动想象任务的识别效率。
为解决上述技术问题,本发明提供了一种基于相关性的运动想象的导联选择方法,包括:
步骤S1,预处理,对原始获取的EEG信号利用巴特沃斯滤波器进行滤波,得到0.5~30Hz的EEG信号;
步骤S2,数据划分,将用于记录步骤S1所获得的EEG信号的全部导联划分为目标参考导联集合和备选参考导联集合,所述目标参考导联集合包含电极位置C3、C4和Cz的目标导联,所述备选参考导联集合包含非电极位置C3、C4和Cz的备选导联;
步骤S3,计算相关性,遍历每一个所述备选导联,分别计算其与每一个所述目标导联的相关性,得到每一个备选导联与目标导联的相关性;
步骤S4,计算权重,根据所述相关性计算对应的权重,根据所述权重计算组合相关性指标;
步骤S5,排序选择,根据所述组合相关性指标对所述备选导联进行排序,选择排序靠前的设定数量的所述备选导联,与所述目标导联合并成目标导联集合。
根据本发明的一个实施例,所述导联选择方法还包括:
步骤S6,特征提取,采用共空间模式算法对所述目标导联集合进行特征提取;
步骤S7,分类,采用支持向量机进行分类。
根据本发明的一个实施例,在步骤S3中,定义所述目标参考导联集合Y={y1,y2,y3},y1,y2,y3分别对应电极位置C3、C4和Cz,每一个yi代表每一个导联记录的EEG信号,维度为1T,T为采样点个数,定义所述备选参考导联集合X={x1,x2,…,xn},维度为1T,T为采样点个数,对于每一个所述备选导联xi,计算其与所述目标导联yi之间的相关性;
根据本发明的一个实施例,在步骤S4中,对于所述相关性计算权重,得到一个加权组合互信息δi,计算公式为:
根据本发明的一个实施例,在步骤S5中,若整体导联数量小于设定值,则所述设定数量为整体导联数量的50%,若整体导联数量大于等于设定值,则所述设定数量为整体导联数量的23%~27%;整体导联数量为所述目标参考导联集合和备选参考导联之和。
根据本发明的一个实施例,在步骤S1中,采用五阶的巴特沃斯滤波器对原始获取的EEG信号进行滤波。
本发明还提供了一种基于相关性的运动想象的导联选择装置,包括:
预处理模块,适于对原始获取的EEG信号利用巴特沃斯滤波器进行滤波,得到0.5~30Hz的EEG信号;
数据划分模块,适于将所述预处理模块处理后获得的EEG信号的全部导联划分为目标参考导联集合和备选参考导联集合,所述目标参考导联集合包含电极位置C3、C4和Cz的目标导联,所述备选参考导联集合包含非电极位置C3、C4和Cz的备选导联;
相关性计算模块,适于遍历每一个所述备选导联,分别计算其与每一个所述目标导联的相关性,得到每一个备选导联与目标导联的相关性;
权重计算模块,适于根据所述相关性计算对应的权重,根据所述权重计算组合相关性指标;
排序模块,适于根据所述组合相关性指标对所述备选导联进行排序,选择排序靠前的设定数量的所述备选导联,与所述目标导联合并成目标导联集合。
根据本发明的一个实施例,导联选择装置还包括评价模块,所述评价模块适于采用共空间模式算法对所述目标导联集合进行特征提取,并采用支持向量机进行分类。
本发明还提供了一种计算机可读介质,其上存储有计算机指令,所述计算机指令运行时执行前述导联选择方法的步骤。
本发明还提供了一种导联选择系统,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行前述导联选择方法的步骤。
本发明提供的一种基于相关性的运动想象的导联选择方法及装置、计算机可读介质、导联选择系统,计算导联之间相关性权重,并根据权重排序,构建目标导联集合,从而选择出有效导联来提升运动想象任务的识别效率。
附图说明
为让本发明的上述目的、特征和优点能更明显易懂,以下结合附图对本发明的具体实施方式作详细说明,其中:
图1示出了国际标准10/20EEG测量下的电极放置位置分布图;
图2示出了本发明实施例的一种基于相关性的运动想象的导联选择方法的流程图。
图3示出了本发明实施例的一种基于相关性的运动想象的导联选择装置的结构示意图。
具体实施方式
为让本发明的上述目的、特征和优点能更明显易懂,以下结合附图对本发明的具体实施方式作详细说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,因此本发明不受下面公开的具体实施例的限制。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
在详述本申请实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本申请保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为了方便描述,此处可能使用诸如“之下”、“下方”、“低于”、“下面”、“上方”、“上”等等的空间关系词语来描述附图中所示的一个元件或特征与其他元件或特征的关系。将理解到,这些空间关系词语意图包含使用中或操作中的器件的、除了附图中描绘的方向之外的其他方向。例如,如果翻转附图中的器件,则被描述为在其他元件或特征“下方”或“之下”或“下面”的元件的方向将改为在所述其他元件或特征的“上方”。因而,示例性的词语“下方”和“下面”能够包含上和下两个方向。器件也可能具有其他朝向(旋转90度或处于其他方向),因此应相应地解释此处使用的空间关系描述词。此外,还将理解,当一层被称为在两层“之间”时,它可以是所述两层之间仅有的层,或者也可以存在一个或多个介于其间的层。
在本申请的上下文中,所描述的第一特征在第二特征之“上”的结构可以包括第一和第二特征形成为直接接触的实施例,也可以包括另外的特征形成在第一和第二特征之间的实施例,这样第一和第二特征可能不是直接接触。
运动想象EEG信号是受试者在进行肢体的运动想象时,大脑的特定皮质被激活,这时可以在运动皮质头皮上利用电极记录到具有一定规律的EEG信号,这种运动想象脑电是一种自发脑电,由人的自主意愿控制。
人的中枢神经系统包含了脊髓和脑。脑被分为三个主要区域:脑干、小脑和大脑。脑干是脊髓的延伸,用以连接大脑皮层、脊髓和小脑,同时它也是运动反射的控制中心。在神经系统内,有来自脊髓的上升神经束负责将信息传递给脑干(例如疼痛或触觉),还有将大脑和小脑等连接到运动神经元的下行神经束,从而控制骨骼肌运动。
当受试者想象一个特定肢体运动时通过在人体头皮放置电极来记录的运动想象的EEG信号,所记录到的大脑电位其实是脑内神经元群体的集体放电的叠加。大脑活动与不同事件和刺激类型有关,例如感觉刺激可以引起神经元集体活动的变化,这种变化可以在EEG信号中观测到。
图1示出了国际标准10/20EEG测量下的电极放置位置分布图。有很多研究在进行运动想象方面的数据分析时都会采用电极位置C3、C4、CZ及其附近区域的电极信号作为数据源。因为C3、C4和CZ包含了对应于左手、右手和脚的大部分运动想象相关的信息。
图2示出了本发明实施例的一种基于相关性的运动想象的导联选择方法的流程图。如图所示,一种基于相关性的运动想象的导联选择方法,包括:
步骤S1,预处理,对原始获取的EEG信号利用巴特沃斯滤波器进行滤波,得到0.5~30Hz的EEG信号;
步骤S2,数据划分,将用于记录步骤S1所获得的EEG信号的全部导联划分为目标参考导联集合和备选参考导联集合,目标参考导联集合包含电极位置C3、C4和Cz的目标导联,备选参考导联集合包含非电极位置C3、C4和Cz的备选导联,即除电极位置C3、C4和Cz以外所剩余的导联;
步骤S3,计算相关性,就是计算备选导联和目标导联的相关性,遍历每一个备选导联,分别计算其与目标参考导联集合中的每一个目标导联的相关性,得到每一个备选导联与目标导联的相关性;
步骤S4,计算权重,根据相关性计算对应的权重,根据权重计算组合相关性指标;
步骤S5,排序选择,根据组合相关性指标对备选导联进行排序,选择排序靠前的设定数量的备选导联,与目标导联合并成目标导联集合。组合相关性指标相当于一个加权值,组合相关性指标进行大小排序,排序靠前的加权值大,关联度更高。
较佳地,导联选择方法还包括:
步骤S6,特征提取,采用共空间模式算法对目标导联集合进行特征提取,利用经过共空间模式空域特过滤后得到的结果作为特征向量。经过多通道电极采集大脑皮质上的真实神经活动,通过共空间模式过滤后得到的结果被证明是识别信息的重要信号源。
步骤S7,分类,采用支持向量机进行分类。经过支持向量机对所提取的特征进行分类从而准确识别出运动倾向。
较佳地,在步骤S3中,定义目标参考导联集合Y={y1,y2,y3},y1,y2,y3分别对应电极位置C3、C4和Cz,每一个yi代表每一个导联记录的EEG信号,维度为1×T,T为采样点个数,定义备选参考导联集合X={x1,x2,...,xn},维度为1×T,T为采样点个数,对于每一个备选导联xi,计算其与目标导联yi之间的相关性;
yp表示的是第p个目标参考导联变量,I代表互信息计算。利用互信息进行导联相似性评价的过程中,计算每一个备选导联与所有目标导联之间的互信息,从而可以全方位的评价备选导联与目标导联集合之间的关系。在公式1中对于每一对需要计算互信息的导联(xi,yp),其中每一个导联记录下的采样点都为T,互信息计算的公式为:
较佳地,在步骤S4中,对于相关性计算权重,得到一个加权组合互信息δi,计算公式为:
其中M代表电极位置的数量,在本发明中包含了电极位置C3、C4和Cz,因此M=3,代表备选导联xi与第m个目标参考导联之间的相关性。提出的加权组合互信息可以有效地对测量的互信息进行整合,达到对备选导联全方位地评价,以加权组合互信息对备选导联进行评价可以有效的选择出包含重要信息的导联。
较佳地,在步骤S5中,若整体导联数量小于设定值,则设定数量为整体导联数量的50%,若整体导联数量大于等于设定值,则设定数量为整体导联数量的23%~27%;整体导联数量为目标参考导联集合和备选参考导联之和。作为举例而非限制,在本实施例中,设定值为32。
较佳地,在步骤S1中,采用五阶的巴特沃斯滤波器对原始获取的EEG信号进行滤波。
图3示出了本发明实施例的一种基于相关性的运动想象的导联选择装置的结构示意图。如图所示,一种基于相关性的运动想象的导联选择装置300包括预处理模块301、数据划分模块302、相关性计算模块303、权重计算模块304和排序模块305。
其中,预处理模块301适于对原始获取的EEG信号利用巴特沃斯滤波器进行滤波,得到0.5~30Hz的EEG信号。
数据划分模块302适于将预处理模块301处理后获得的EEG信号的全部导联划分为目标参考导联集合和备选参考导联集合,目标参考导联集合包含电极位置C3、C4和Cz的目标导联,备选参考导联集合包含非电极位置C3、C4和Cz的备选导联。
相关性计算模块303适于遍历每一个备选导联,分别计算其与每一个目标导联的相关性,得到每一个备选导联与目标导联的相关性。
权重计算模块304适于根据相关性计算对应的权重,根据权重计算组合相关性指标。
排序模块305适于根据组合相关性指标对备选导联进行排序,选择排序靠前的设定数量的备选导联,与目标导联合并成目标导联集合。
较佳地,导联选择装置300还包括评价模块306。该评价模块306适于采用共空间模式算法对目标导联集合进行特征提取,并采用支持向量机进行分类。
本发明还提供了一种计算机可读介质,其上存储有计算机指令,计算机指令运行时执行前述导联选择方法的步骤。
本发明还提供了一种导联选择系统,包括存储器和处理器,存储器上存储有能够在处理器上运行的计算机指令,处理器运行计算机指令时执行前述导联选择方法的步骤。
本发明的基于相关性的运动想象的导联选择方法的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。例如,计算机可读介质可包括,但不限于,磁性存储设备(例如,硬盘、软盘、磁带……)、光盘(例如,压缩盘CD、数字多功能盘DVD……)、智能卡以及闪存设备(例如,卡、棒、键驱动器……)。
计算机可读介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。
本发明提供的一种基于相关性的运动想象的导联选择方法及装置、计算机可读介质、导联选择系统,可以从高密度导联集合中选取出少数带有重要信息的导联集合,经过筛选的导联集合可以涵盖用于识别运动想象任务的重要信息,有效的避免了伪迹信息和噪声对脑机接口系统的影响。本发明的目的是通过对运动想象脑机接口系统的采集EEG数据的导联之间的相关性进行测量,选择电极位置C3、C4和Cz的导联作为目标参考导联集合,其余作为备选参考导联集合,根据每一个备选导联与目标导联之间的相关性测量指标,构建新的联合导联评价指标,根据新的导联评价指标对导联进行排序,选择出设定数量的导联构成目标导联集合。所述的导联选择过程主要包括:数据预处理、目标参考导联集合和备选参考导联集合的划分、相关性及其互信息计算、备选导联加权组合互信息的计算和备选导联的排序选择过程。
虽然本发明已参照当前的具体实施例来描述,但是本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,在没有脱离本发明精神的情况下还可作出各种等效的变化或替换,因此,只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。
Claims (8)
1.一种基于相关性的运动想象的导联选择方法,包括:
步骤S1,预处理,对原始获取的EEG信号利用巴特沃斯滤波器进行滤波,得到0.5~30Hz的EEG信号;
步骤S2,数据划分,将用于记录步骤S1所获得的EEG信号的全部导联划分为目标参考导联集合和备选参考导联集合,所述目标参考导联集合包含电极位置C3、C4和Cz的目标导联,所述备选参考导联集合包含非电极位置C3、C4和Cz的备选导联;
步骤S3,计算相关性,遍历每一个所述备选导联,分别计算其与每一个所述目标导联的相关性,得到每一个备选导联与目标导联的相关性;
步骤S4,计算权重,根据所述相关性计算对应的权重,根据所述权重计算组合相关性指标;
步骤S5,排序选择,根据所述组合相关性指标对所述备选导联进行排序,选择排序靠前的设定数量的所述备选导联,与所述目标导联合并成目标导联集合;
步骤S6,特征提取,采用共空间模式算法对所述目标导联集合进行特征提取;
步骤S7,分类,采用支持向量机进行分类,通过支持向量机对所提取的特征进行分类从而识别出运动倾向。
4.如权利要求1所述的导联选择方法,其特征在于,在步骤S5中,若整体导联数量小于设定值,则所述设定数量为整体导联数量的50%,若整体导联数量大于等于设定值,则所述设定数量为整体导联数量的23%~27%;整体导联数量为所述目标参考导联集合和备选参考导联之和。
5.如权利要求1所述的导联选择方法,其特征在于,在步骤S1中,采用五阶的巴特沃斯滤波器对原始获取的EEG信号进行滤波。
6.一种基于相关性的运动想象的导联选择装置,其特征在于,包括
预处理模块,适于对原始获取的EEG信号利用巴特沃斯滤波器进行滤波,得到0.5~30Hz的EEG信号;
数据划分模块,适于将所述预处理模块处理后获得的EEG信号的全部导联划分为目标参考导联集合和备选参考导联集合,所述目标参考导联集合包含电极位置C3、C4和Cz的目标导联,所述备选参考导联集合包含非电极位置C3、C4和Cz的备选导联;
相关性计算模块,适于遍历每一个所述备选导联,分别计算其与每一个所述目标导联的相关性,得到每一个备选导联与目标导联的相关性;
权重计算模块,适于根据所述相关性计算对应的权重,根据所述权重计算组合相关性指标;
排序模块,适于根据所述组合相关性指标对所述备选导联进行排序,选择排序靠前的设定数量的所述备选导联,与所述目标导联合并成目标导联集合;
评价模块,所述评价模块适于采用共空间模式算法对所述目标导联集合进行特征提取,并采用支持向量机进行分类,通过支持向量机对所提取的特征进行分类从而识别出运动倾向。
7.一种计算机可读介质,其上存储有计算机指令,其特征在于,所述计算机指令运行时执行权利要求1至5任一项所述导联选择方法的步骤。
8.一种导联选择系统,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机指令,其特征在于,所述处理器运行所述计算机指令时执行权利要求1至5任一项所述导联选择方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111131441.1A CN113679394B (zh) | 2021-09-26 | 2021-09-26 | 基于相关性的运动想象的导联选择方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111131441.1A CN113679394B (zh) | 2021-09-26 | 2021-09-26 | 基于相关性的运动想象的导联选择方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113679394A CN113679394A (zh) | 2021-11-23 |
CN113679394B true CN113679394B (zh) | 2022-09-27 |
Family
ID=78587442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111131441.1A Active CN113679394B (zh) | 2021-09-26 | 2021-09-26 | 基于相关性的运动想象的导联选择方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113679394B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012151498A2 (en) * | 2011-05-04 | 2012-11-08 | Cardioinsight Technologies, Inc. | Signal averaging |
CN208766134U (zh) * | 2018-08-29 | 2019-04-19 | 华东理工大学 | 一种基于云分析的多维电化学检测系统 |
CN110013247A (zh) * | 2019-05-24 | 2019-07-16 | 东北大学 | 一种心电图p波和t波的检测、区分与定位方法 |
CN110353673A (zh) * | 2019-07-16 | 2019-10-22 | 西安邮电大学 | 一种基于标准互信息的脑电通道选择方法 |
CN112545534A (zh) * | 2020-12-08 | 2021-03-26 | 苏州中德双智科创发展有限公司 | 一种导联电极布置位置的确定方法、装置、介质及电子设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7769078B2 (en) * | 2000-12-22 | 2010-08-03 | Telefonaktiebolaget Lm Ericsson (Publ) | Apparatus, methods and computer program products for delay selection in a spread-spectrum receiver |
US9211078B2 (en) * | 2010-09-03 | 2015-12-15 | Faculdades Católicas, a nonprofit association, maintainer of the Pontificia Universidade Católica of Rio de Janeiro | Process and device for brain computer interface |
JP2013121369A (ja) * | 2011-12-09 | 2013-06-20 | Sony Corp | 入力装置及び校正方法 |
WO2015179567A1 (en) * | 2014-05-20 | 2015-11-26 | The Regents Of The University Of California | Systems and methods for measuring cardiac timing from a ballistocardiogram |
US10499823B2 (en) * | 2014-11-06 | 2019-12-10 | Tata Consultancy Services Limited | Selection of electroencephalography (EEG) channels valid for determining cognitive load of a subject |
CN110059755B (zh) * | 2019-04-22 | 2023-10-13 | 中国石油大学(华东) | 一种多特征评价准则融合的地震属性优选方法 |
CN110584660B (zh) * | 2019-09-05 | 2022-02-15 | 北京工业大学 | 基于脑源成像与相关性分析的电极选择方法 |
CN111090579B (zh) * | 2019-11-14 | 2021-08-31 | 北京航空航天大学 | 基于皮尔森相关性加权关联分类规则的软件缺陷预测方法 |
-
2021
- 2021-09-26 CN CN202111131441.1A patent/CN113679394B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012151498A2 (en) * | 2011-05-04 | 2012-11-08 | Cardioinsight Technologies, Inc. | Signal averaging |
CN208766134U (zh) * | 2018-08-29 | 2019-04-19 | 华东理工大学 | 一种基于云分析的多维电化学检测系统 |
CN110013247A (zh) * | 2019-05-24 | 2019-07-16 | 东北大学 | 一种心电图p波和t波的检测、区分与定位方法 |
CN110353673A (zh) * | 2019-07-16 | 2019-10-22 | 西安邮电大学 | 一种基于标准互信息的脑电通道选择方法 |
CN112545534A (zh) * | 2020-12-08 | 2021-03-26 | 苏州中德双智科创发展有限公司 | 一种导联电极布置位置的确定方法、装置、介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
双频段双谱导联选择算法用于运动想象脑-机接口;刘畅,金晶;《第31届中国过程控制会议摘要集》;20200730;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113679394A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kshirsagar et al. | Optimization of BPNN parameters using PSO for EEG signals | |
Yu et al. | Deep common spatial pattern based motor imagery classification with improved objective function | |
Gevins | Analysis of the electromagnetic signals of the human brain: milestones, obstacles, and goals | |
CN110070105B (zh) | 基于元学习实例快速筛选的脑电情绪识别方法、系统 | |
CN106473736B (zh) | 基于复杂网络的脑电信号分析方法及应用 | |
CN111714118B (zh) | 一种基于集成学习的脑认知模型融合方法 | |
Li et al. | Analysis and classification of EEG signals using a hybrid clustering technique | |
Ramos-Aguilar et al. | Analysis of EEG signal processing techniques based on spectrograms | |
CN111772629B (zh) | 一种脑认知技能移植的方法 | |
Thomas et al. | Automated epileptiform spike detection via affinity propagation-based template matching | |
CN110338760B (zh) | 一种基于脑电图频域数据的精神分裂症三分类方法 | |
CN117064389A (zh) | 基于XGBoost算法的EEG信号抑郁症识别系统及方法 | |
Amin et al. | Deep learning for EEG motor imagery-based cognitive healthcare | |
Shi et al. | Categorizing objects from MEG signals using EEGNet | |
Rizvi et al. | Classifying Parkinson’s disease using resting state electroencephalogram signals and U EN-PDNet | |
Okreghe et al. | A deep neural network-based spike sorting with improved channel selection and artefact removal | |
Ng et al. | Automated identification of epileptic and alcoholic EEG signals using recurrence quantification analysis | |
CN113679394B (zh) | 基于相关性的运动想象的导联选择方法及装置 | |
Chakrabarti et al. | A review on epileptic seizure detection and prediction using soft computing techniques | |
Shekokar et al. | Epileptic seizure classification using LSTM | |
Arjaria et al. | Hjorth parameter based seizure diagnosis using cluster analysis | |
CN113705732A (zh) | 基于通用模型的减少p300训练时间的方法及装置 | |
Kingphai et al. | On channel selection for EEG-based mental workload classification | |
Hussain et al. | Epileptic seizure detection using temporal based measures in EEG signal | |
Fouad et al. | Attempts towards the first brain-computer interface system in INAYA Medical College |
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 |