CN113849067A - 基于经验模态分解的运动想象人工数据生成方法及装置 - Google Patents

基于经验模态分解的运动想象人工数据生成方法及装置 Download PDF

Info

Publication number
CN113849067A
CN113849067A CN202111129725.7A CN202111129725A CN113849067A CN 113849067 A CN113849067 A CN 113849067A CN 202111129725 A CN202111129725 A CN 202111129725A CN 113849067 A CN113849067 A CN 113849067A
Authority
CN
China
Prior art keywords
data
motor imagery
artificial data
artificial
real
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
CN202111129725.7A
Other languages
English (en)
Inventor
金晶
刘畅
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.)
East China University of Science and Technology
Original Assignee
East China University of Science and Technology
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 East China University of Science and Technology filed Critical East China University of Science and Technology
Priority to CN202111129725.7A priority Critical patent/CN113849067A/zh
Publication of CN113849067A publication Critical patent/CN113849067A/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
    • G06F18/24—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
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns

Abstract

本发明涉及一种基于经验模态分解的运动想象人工数据生成方法、装置。该运动想象人工数据生成方法包括：步骤S1，确定需要生成的人工数据的试次数目m；步骤S2，获取用户部分真实运动想象数据；步骤S3，对真实运动想象数据进行经验模式分解，得到多个本征模函数IMFs，并根据标签分组；步骤S4，针对每组数据，随机选取若干真实运动想象数据，并对其分解产生的本征模函数IMFs求和取平均，得到一个试次的人工数据；步骤S5，重复执行步骤S4，得到试次数目m的人工数据；步骤S6，输出所述人工数据。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

基于经验模态分解的运动想象人工数据生成方法及装置
技术领域
本发明涉及脑-机接口(Brian Computer Interface，简称BCI)人工数据生成领域，具体涉及一种基于经验模态分解的运动想象人工数据生成方法及装置。
背景技术
脑机接口技术(Brain computer interface,BCI)在人类大脑与计算机之间建立非肌肉且不依赖于外围神经的信息传输通道。该技术则能够通过采集和分类识别脑信号，将信号转换为控制信号，因此不通过外周神经和肌肉组织便达到信息传递的目的。1997年，Gert Pfurtscheller发现人类的左手和右手运动想象在脑电图(electroencephalography,EEG)信号感觉运动区中的某些频段具备可分性。因此基于运动想象的脑机接口技术可以帮助患有肌萎缩侧索硬化症等疾病的患者控制外部设备。
本发明针对基于运动想象的BCI系统进行研究。事件相关同步/去同步指在某思维事件发生后一段时间内，脑电图特定频率段表现出能量降低/升高的现象，可在脑区特定部位表征人类的运动想象意图。1991年，Wolpaw团队利用mu节律实现一维光标移动，使基于运动想象的脑机接口系统控制外部设备成为可能。目前，基于运动想象的主流脑机接口系统一般可根据左手，右手，脚和舌头的运动想象实现四指令输出。该类脑机接口系统的性能主要由在线分类准确率衡量。本发明公开了一项基于经验模态分解的运动想象人工数据生成方法。该方法实现真实数据集扩充，获得频域和时域特征两方面近似于真实数据的生成数据。
基于运动想象的BCI数据量小，难以获得高性能的分类模型，且需要长时间的校准，容易导致用户疲劳，大大降低了脑机接口系统的易用性。为了克服特征差异大和可训练数据量小的情况的问题，引入人工数据生成的方法。利用真实数据和生成数据训练获得适应性更强的分类模型，该模型可适应少量新用户脑电数据的校准便可实现在线模式的识别任务。
发明内容
本发明要解决的技术问题是提供基于经验模态分解的运动想象人工数据生成方法及装置，以人工生成数据的方式代替新用户校准系统时长时间的数据采集，能够有效缩短校准时间，提升基于运动想象的BCI系统的实用性。
为解决上述技术问题，本发明提供了一种基于经验模态分解的运动想象人工数据生成方法，包括：
步骤S1，确定需要生成的人工数据的试次数目m；
步骤S2，获取用户部分真实运动想象数据；
步骤S3，对所述真实运动想象数据进行经验模式分解，得到多个本征模函数IMFs，并根据标签分组，所述标签对应真实运动想象的不同肢体部位；
步骤S4，针对每组数据，随机选取若干所述真实运动想象数据，并对其分解产生的本征模函数IMFs求和取平均，得到一个试次的人工数据；
步骤S5，重复执行步骤S4，得到试次数目m的人工数据；
步骤S6，输出所述人工数据。
根据本发明的一个实施例，所述的运动想象人工数据生成方法还包括：
步骤S7，合并所述人工数据和真实运动想象数据，采用共空间模式算法进行特征提取；
步骤S8，采用支持向量机构建分类器模型并进行分类。
根据本发明的一个实施例，在步骤S3中，经验模式分解步骤包括：
步骤S31，假设真实运动想象数据为x(t)，令s(t)＝x(t)，初始化i＝0,r0(t)＝x(t)；
步骤S32，计算s(t)局部最大和局部最小值，并使用插值法得到s(t)的上下包络线；
步骤S33，计算s(t)上下包络线的平均值m(t)；
步骤S34，从s(t)中减去m(t)，得到h(t)＝s(t)-m(t)，并判断h(t)是否满足IMF条件；
步骤S35，若h(t)不满足IMF条件，则令s(t)＝h(t)，并返回步骤S32，否则到执行步骤S36；
步骤S36，得到第i+1个IMF：IMFi+1(t)＝h(t)；
步骤S37，计算ri+1(t)＝ri(t)-IMFi+1(t)；
步骤S38，若ri+1(t)的上下包络线能够得到且ri+1(t)不单调，则令s(t)＝ri+1(t),i＝i+1，返回步骤S32。
根据本发明的一个实施例，在步骤S1，选择常规校准过程的试次数目的40％作为所述试次数目m。
根据本发明的一个实施例，在步骤S2，采集用户的左右手的真实运动想象数据，并根据左手或右手进行标记。
本发明还提供了一种基于经验模态分解的运动想象人工数据生成装置，包括：
试次数目生成模块，适于确定需要生成的人工数据的试次数目m；
获取模块，获取用户部分真实运动想象数据；
分解和分组模块，适于对所述真实运动想象数据进行经验模式分解，得到多个本征模函数IMFs，并根据标签分组，所述标签对应真实运动想象的不同肢体部位；
数据生成模块，适于得到试次数目m的人工数据，每个试次的人工数据通过针对每组数据随机选取若干所述真实运动想象数据，并分解产生的本征模函数IMFs求和取平均；
输出模块，适于输出所述人工数据。
根据本发明的一个实施例，运动想象人工数据生成装置还包括评价模块，适于合并所述人工数据和真实运动想象数据，采用共空间模式算法进行特征提取；通过支持向量机构建分类器模型并进行分类。
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基于经验模态分解的运动想象人工数据生成方法的步骤。
本发明还提供了一种人工数据生成系统，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基于经验模态分解的运动想象人工数据生成方法的步骤。
本发明提供的一种基于经验模态分解的运动想象人工数据生成方法及装置、计算机可读介质、生成系统，以人工生成数据的方式代替新用户校准系统时长时间的数据采集，能够有效缩短校准时间，提升基于运动想象的BCI系统的实用性。
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示出了本发明实施例的一种基于经验模态分解的运动想象人工数据生成方法的流程图；
图2示出了真实运动想象数据进行经验模态分解得到本征模函数IMFs的示意图；
图3示出了本征模函数IMFs合成人工数据方法图；
图4示出了本发明实施例的一种基于经验模态分解的运动想象人工数据生成装置的结构示意图。
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。
在详细说明基于经验模态分解的运动想象人工数据生成方法前，先介绍方法的应用场景。常规的运动想象脑机接口系统，需要用户在使用前进行校准。单个试次需要用户佩戴信号采集装置，并想象相应肢体运动持续4-8秒，相邻试次之间还存在1秒左右的间隔时间。用户的校准通常需要采集100至200个试次的数据，十分耗时，且容易使用户疲劳。人工数据生成方法可以通过先采集用户部分真实数据，再生成具有相同频域时域特征的人工数据，起到减少运动想象脑机接口系统校准时间，从而获得提升系统实用性的作用。
图1示出了本发明实施例的一种基于经验模态分解的运动想象人工数据生成方法的流程图。图2示出了真实运动想象数据进行经验模态分解得到本征模函数IMFs的示意图。图3示出了本征模函数IMFs合成人工数据方法图。如图所示，一种基于经验模态分解的运动想象人工数据生成方法包括：
步骤S1，确定需要生成的人工数据的试次数目m；
步骤S2，获取用户部分真实运动想象数据；
步骤S3，对真实运动想象数据进行经验模式分解，得到多个本征模函数IMFs，并根据标签分成不同组别，标签对应真实运动想象的不同肢体部位，例如左手、右手；
步骤S4，针对每组数据，随机选取若干真实运动想象数据，并对其分解产生的本征模函数IMFs求和取平均，得到一个试次的人工数据；
步骤S5，重复执行步骤S4，得到试次数目m的人工数据；
步骤S6，输出人工数据。
较佳地，运动想象人工数据生成方法还包括：
步骤S7，合并人工数据和真实运动想象数据，采用共空间模式算法进行特征提取；
步骤S8，采用支持向量机构建分类器模型并进行分类。支持向量机是一类监督学习方式对数据进行二元分类的广义线性分类器(generalized linear classifier)，其决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane)。
较佳地，在步骤S3中，经验模式分解步骤包括：
步骤S31，假设真实运动想象数据为x(t)，令s(t)＝x(t)，初始化i＝0,r0(t)＝x(t)；
步骤S32，计算s(t)局部最大和局部最小值，并使用插值法得到s(t)的上下包络线；
步骤S33，计算s(t)上下包络线的平均值m(t)；
步骤S34，从s(t)中减去m(t)，得到h(t)＝s(t)-m(t)，并判断h(t)是否满足IMF条件；
步骤S35，若h(t)不满足IMF条件，则令s(t)＝h(t)，并返回步骤S32，否则到执行步骤S36；
步骤S36，得到第i+1个IMF：IMFi+1(t)＝h(t)；
步骤S37，计算ri+1(t)＝ri(t)-IMFi+1(t)；
步骤S38，若ri+1(t)的上下包络线能够得到且ri+1(t)不单调，则令s(t)＝ri+1(t),i＝i+1，返回步骤S32，否则经验模式分解计算结束；。
较佳地，在步骤S1，选择常规校准过程的试次数目的40％作为试次数目m。常规校准过程的试次数目凭经验设定，一般为150～200次，相应的试次数目m为60～80次。
较佳地，在步骤S2，采集用户的左右手的真实运动想象数据，并根据左手或右手进行标记。例如，真实想象左手运动的数据标记为1，真实想象右手运动的数据标记为-1。
图4示出了本发明实施例的一种基于经验模态分解的运动想象人工数据生成装置的结构示意图。如图所示，一种基于经验模态分解的运动想象人工数据生成装置400包括试次数目生成模块401、获取模块402、分解和分组模块403、数据生成模块404和输出模块405。
其中，试次数目生成模块401适于确定需要生成的人工数据的试次数目m；
获取模块402适于获取用户部分真实运动想象数据；
分解和分组模块403适于对真实运动想象数据进行经验模式分解，得到多个本征模函数IMFs，并根据标签分组，标签对应真实运动想象的不同肢体部位；
数据生成模块404适于得到试次数目m的人工数据，每个试次的人工数据通过针对每组数据随机选取若干真实运动想象数据，并分解产生的本征模函数IMFs求和取平均；
输出模块405适于输出人工数据。
较佳地，运动想象人工数据生成装置还包括评价模块406。该评价模块406适于合并人工数据和真实运动想象数据，采用共空间模式算法进行特征提取；通过支持向量机构建分类器模型并进行分类。
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基于经验模态分解的运动想象人工数据生成方法的步骤。
本发明还提供了一种人工数据生成系统，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基于经验模态分解的运动想象人工数据生成方法的步骤。
本发明的基于经验模态分解的运动想象人工数据生成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。
本发明提出的基于经验模态分解的运动想象人工数据生成方法及装置、计算机可读介质、生成系统，能够利用EMD算法将真实采集的运动想象脑电数据分解为IMFs，通过随机组合IMFs叠加平均，可以生成与真实数据具有相同频域和时域特征的人工数据，实现减少运动想象脑机接口校准时间的功能。
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 (9)

1.一种基于经验模态分解的运动想象人工数据生成方法，包括：
步骤S1，确定需要生成的人工数据的试次数目m；
步骤S2，获取用户部分真实运动想象数据；
步骤S3，对所述真实运动想象数据进行经验模式分解，得到多个本征模函数IMFs，并根据标签分组，所述标签对应真实运动想象的不同肢体部位；
步骤S4，针对每组数据，随机选取若干所述真实运动想象数据，并对其分解产生的本征模函数IMFs求和取平均，得到一个试次的人工数据；
步骤S5，重复执行步骤S4，得到试次数目m的人工数据；
步骤S6，输出所述人工数据。
2.如权利要求1所述的运动想象人工数据生成方法，其特征在于，还包括：
步骤S7，合并所述人工数据和真实运动想象数据，采用共空间模式算法进行特征提取；
步骤S8，采用支持向量机构建分类器模型并进行分类。
3.如权利要求1所述的运动想象人工数据生成方法，其特征在于，在步骤S3中，经验模式分解步骤包括：
步骤S31，假设真实运动想象数据为x(t)，令s(t)＝x(t)，初始化i＝0，r0(t)＝x(t)；
步骤S32，计算s(t)局部最大和局部最小值，并使用插值法得到s(t)的上下包络线；
步骤S33，计算s(t)上下包络线的平均值m(t)；
步骤S34，从s(t)中减去m(t)，得到h(t)＝s(t)-m(t)，并判断h(t)是否满足IMF条件；
步骤S35，若h(t)不满足IMF条件，则令s(t)＝h(t)，并返回步骤S32，否则到执行步骤S36；
步骤S36，得到第i+1个IMF：IMFi+1(t)＝h(t)；
步骤S37，计算ri+1(t)＝ri(t)-IMFi+1(t)；
步骤S38，若ri+1(t)的上下包络线能够得到且ri+1(t)不单调，则令s(t)＝ri+1(t)，i＝i+1，返回步骤S32。
4.如权利要求1所述的运动想象人工数据生成方法，其特征在于，在步骤S1，选择常规校准过程的试次数目的40％作为所述试次数目m。
5.如权利要求1所述的运动想象人工数据生成方法，其特征在于，在步骤S2，采集用户的左右手的真实运动想象数据，并根据左手或右手进行标记。
6.一种基于经验模态分解的运动想象人工数据生成装置，其特征在于，包括：
试次数目生成模块，适于确定需要生成的人工数据的试次数目m；
获取模块，获取用户部分真实运动想象数据；
分解和分组模块，适于对所述真实运动想象数据进行经验模式分解，得到多个本征模函数IMFs，并根据标签分组，所述标签对应真实运动想象的不同肢体部位；
数据生成模块，适于得到试次数目m的人工数据，每个试次的人工数据通过针对每组数据随机选取若干所述真实运动想象数据，并分解产生的本征模函数IMFs求和取平均；
输出模块，适于输出所述人工数据。
7.如权利要求6所述的运动想象人工数据生成装置，其特征在于，还包括评价模块，适于合并所述人工数据和真实运动想象数据，采用共空间模式算法进行特征提取；通过支持向量机构建分类器模型并进行分类。
8.一种计算机可读介质，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任一项所述基于经验模态分解的运动想象人工数据生成方法的步骤。
9.一种人工数据生成系统，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任一项所述基于经验模态分解的运动想象人工数据生成方法的步骤。
CN202111129725.7A 2021-09-26 2021-09-26 基于经验模态分解的运动想象人工数据生成方法及装置 Pending CN113849067A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111129725.7A CN113849067A (zh) 2021-09-26 2021-09-26 基于经验模态分解的运动想象人工数据生成方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111129725.7A CN113849067A (zh) 2021-09-26 2021-09-26 基于经验模态分解的运动想象人工数据生成方法及装置

Publications (1)

Publication Number Publication Date
CN113849067A true CN113849067A (zh) 2021-12-28

Family

ID=78979585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111129725.7A Pending CN113849067A (zh) 2021-09-26 2021-09-26 基于经验模态分解的运动想象人工数据生成方法及装置

Country Status (1)

Country Link
CN (1) CN113849067A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6381559B1 (en) * 1996-08-12 2002-04-30 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Empirical mode decomposition apparatus, method and article of manufacture for analyzing biological signals and performing curve fitting
CN103845137A (zh) * 2014-03-19 2014-06-11 北京工业大学 基于稳态视觉诱发脑机接口的机器人控制方法
CN107813307A (zh) * 2017-09-12 2018-03-20 上海谱康电子科技有限公司 基于运动想象脑电信号的机械手臂控制系统
CN108363493A (zh) * 2018-03-20 2018-08-03 山东建筑大学 基于脑机接口的用户特征模型建立方法、系统及存储介质
CN108942938A (zh) * 2018-07-27 2018-12-07 齐鲁工业大学 一种基于脑电波信号的四轴机器臂运动控制方法及系统
CN109605385A (zh) * 2018-11-28 2019-04-12 东南大学 一种混合脑机接口驱动的康复辅助机器人
CN111580654A (zh) * 2020-05-07 2020-08-25 重庆邮电大学 一种基于emd的脑电信号的短时特征提取方法
CN111616701A (zh) * 2020-04-24 2020-09-04 杭州电子科技大学 基于多元变分模态分解的脑电多域特征提取方法
CN113269048A (zh) * 2021-04-29 2021-08-17 北京工业大学 基于深度学习和混合噪声数据增强的运动想象脑电信号分类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6381559B1 (en) * 1996-08-12 2002-04-30 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Empirical mode decomposition apparatus, method and article of manufacture for analyzing biological signals and performing curve fitting
CN103845137A (zh) * 2014-03-19 2014-06-11 北京工业大学 基于稳态视觉诱发脑机接口的机器人控制方法
CN107813307A (zh) * 2017-09-12 2018-03-20 上海谱康电子科技有限公司 基于运动想象脑电信号的机械手臂控制系统
CN108363493A (zh) * 2018-03-20 2018-08-03 山东建筑大学 基于脑机接口的用户特征模型建立方法、系统及存储介质
CN108942938A (zh) * 2018-07-27 2018-12-07 齐鲁工业大学 一种基于脑电波信号的四轴机器臂运动控制方法及系统
CN109605385A (zh) * 2018-11-28 2019-04-12 东南大学 一种混合脑机接口驱动的康复辅助机器人
CN111616701A (zh) * 2020-04-24 2020-09-04 杭州电子科技大学 基于多元变分模态分解的脑电多域特征提取方法
CN111580654A (zh) * 2020-05-07 2020-08-25 重庆邮电大学 一种基于emd的脑电信号的短时特征提取方法
CN113269048A (zh) * 2021-04-29 2021-08-17 北京工业大学 基于深度学习和混合噪声数据增强的运动想象脑电信号分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
VARUN BAJAJ； RAM BILAS PACHORI: "Classification of Seizure and Nonseizure EEG Signals Using Empirical Mode Decomposition", IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE, vol. 16, no. 6, 30 November 2012 (2012-11-30), pages 1135 - 1142, XP011474905, DOI: 10.1109/TITB.2011.2181403 *
刘刚； 李晓欧: "脑电信号识别及其在机械手臂控制中的应用", 生物医学工程研究, vol. 35, no. 04, 15 December 2016 (2016-12-15), pages 284 - 289 *

Similar Documents

Publication Publication Date Title
Yang et al. Motor imagery EEG decoding method based on a discriminative feature learning strategy
Liao et al. Decoding individual finger movements from one hand using human EEG signals
Lemm et al. Spatio-spectral filters for improving the classification of single trial EEG
Fang et al. Extracting features from phase space of EEG signals in brain–computer interfaces
Chen et al. Phase space reconstruction for improving the classification of single trial EEG
Ieracitano et al. A hybrid-domain deep learning-based BCI for discriminating hand motion planning from EEG sources
Miao et al. A spatial-frequency-temporal optimized feature sparse representation-based classification method for motor imagery EEG pattern recognition
Zhao et al. Deep CNN model based on serial-parallel structure optimization for four-class motor imagery EEG classification
Pun et al. Brain-computer interaction research at the Computer Vision and Multimedia Laboratory, University of Geneva
Cantillo-Negrete et al. Robotic orthosis compared to virtual hand for Brain–Computer Interface feedback
Athif et al. WaveCSP: a robust motor imagery classifier for consumer EEG devices
Lin et al. A high performance MEG based BCI using single trial detection of human movement intention
Zhang et al. Fused group lasso: A new EEG classification model with spatial smooth constraint for motor imagery-based brain–computer interface
Asanza et al. EEG signal clustering for motor and imaginary motor tasks on hands and feet
Xu et al. EEG decoding method based on multi-feature information fusion for spinal cord injury
Ghonchi et al. Spatio-temporal deep learning for EEG-fNIRS brain computer interface
Hu et al. Multi-feature fusion method based on WOSF and MSE for four-class MI EEG identification
CN111728822B (zh) 用于脑损伤后的脑机交互闭环康复机器人控制方法
Xie et al. Multiscale two-directional two-dimensional principal component analysis and its application to high-dimensional biomedical signal classification
Li et al. Subject-based dipole selection for decoding motor imagery tasks
Elghrabawy et al. Prediction of five-class finger flexion using ECoG signals
Esfahani et al. Application of NSGA-II in channel selection of motor imagery EEG signals with common spatio-spectral patterns in BCI systems
Materka et al. High-speed noninvasive brain-computer interfaces
CN113849067A (zh) 基于经验模态分解的运动想象人工数据生成方法及装置
Yin et al. Locally Robust Feature Selection of EEG Signals for the Inter-subject Emotion Recognition

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