CN113951896A - 一种基于颅内脑电和头皮脑电融合的脑机接口解码方法 - Google Patents

一种基于颅内脑电和头皮脑电融合的脑机接口解码方法 Download PDF

Info

Publication number
CN113951896A
CN113951896A CN202111060329.3A CN202111060329A CN113951896A CN 113951896 A CN113951896 A CN 113951896A CN 202111060329 A CN202111060329 A CN 202111060329A CN 113951896 A CN113951896 A CN 113951896A
Authority
CN
China
Prior art keywords
signals
eeg
lfp
brain
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.)
Pending
Application number
CN202111060329.3A
Other languages
English (en)
Inventor
孙煜
冯钊
钱霖泽
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.)
Zhejiang University ZJU
Zhejiang Lab
Original Assignee
Zhejiang University ZJU
Zhejiang Lab
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 Zhejiang University ZJU, Zhejiang Lab filed Critical Zhejiang University ZJU
Priority to CN202111060329.3A priority Critical patent/CN113951896A/zh
Publication of CN113951896A publication Critical patent/CN113951896A/zh
Pending legal-status Critical Current

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
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/7228—Signal modulation applied to the input signal sent to patient or subject; demodulation to recover the physiological signal
    • 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

Landscapes

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

Abstract

本发明公开了一种基于颅内脑电和头皮脑电融合的脑机接口解码方法，包括：同步采集颅内脑电信号和头皮脑电信号、脑电信号预处理、脑电信号特征提取、脑电信号联合解码。本发明融合了颅内局部场电位信号LFP信号和头皮脑电图EEG信号的特征对使用者的运动想象意图进行解码，分类准确率高鲁棒性好，可以在基于脑机接口的康复训练中提供准确的实时反馈，从而取得良好的康复效果；为颅内脑电信号和头皮脑电信号的联合应用提供了一种思路和方法。

Description

一种基于颅内脑电和头皮脑电融合的脑机接口解码方法
技术领域
本发明属于生物医学工程领域，尤其涉及一种基于颅内脑电和头皮脑电融合的脑机接口解码方法。
背景技术
目前运动功能受损的残疾人数呈上升趋势，康复训练是辅助患者运动能力恢复的最常用方法。相比于传统的被动式康复训练，基于脑机接口(brain-computer interface，BCI)的主动式康复训练通过患者自发产生康复训练的运动意图，将其意图转换为指令控制外部设备辅助患者完成训练动作。BCI技术可以提高患者的参与度，被认为能够更有效地诱发神经可塑性、达到更好的康复效果。因此越来越多的研究关注BCI在康复训练中的应用。
基于BCI的主动式康复训练需要解码患者的大脑信号，提取其运动意图。当前研究最广泛的BCI系统使用非侵入式的脑电图(electroencephalogram，EEG)检测患者的大脑活动信号。局部场电位信号(LFP，local field potential)是由贴在头皮表面的电极采集得到的头皮脑电，尽管可以检测到多脑区或全脑的活动，但信号空间分辨率低下且信噪比低，容易造成运动意图解码准确率低下。也有研究采用基于侵入式的颅内信号，如脉冲信号(spike)、局部场电位信号(LFP)的BCI系统解码运动意图。颅内信号信噪比高，可以做到较好的解码准确率。但颅内信号的采集电极只能检测很小区域内的大脑活动，可能只对部分运动意图解码有较好的表现。此外，采集电极植入后无法改变位置，可扩展性较差。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于颅内脑电和头皮脑电融合的脑机接口解码方法。本发明能够结合颅内脑电高信噪比的局部脑区活动信息，与头皮脑电的多脑区活动信息，进一步提高运动意图的解码准确率。
本发明的目的是通过以下技术方案来实现的：一种基于颅内脑电和头皮脑电融合的脑机接口解码方法，包括如下步骤：
(1)同步采集颅内脑电信号(LFP)和头皮脑电信号(EEG)。
(2)脑电信号预处理，对步骤(1)采集到的脑电信号进行预处理以提高信噪比。
(3)脑电信号特征提取，对预处理后的脑电信号进行特征提取。
(4)脑电信号联合解码，通过投票融合LFP和EEG的解码结果。
进一步地，步骤(1)中，LFP信号和EEG信号为使用者进行运动想象任务时同步采集的信号。
进一步地，步骤(2)中，预处理具体包括：使用数字滤波器对LFP、EEG信号进行滤波和陷波，去除基线漂移和工频干扰；对EEG信号进行重参考；使用独立成分分析算法对EEG进行眼电伪迹去除。
进一步地，步骤(3)包括如下步骤：
(3.1)使用数字滤波器对LFP、EEG信号进行带通滤波，得到不同频段的LFP、EEG信号。
(3.2)对步骤(3.1)得到的各频段的LFP、EEG信号，使用其中已知标签的信号计算正则化共空间模式(regularized common spatial pattern，rCSP)空间滤波器。
(3.3)使用步骤(3.2)得到的空间滤波器对相应的信号进行空间滤波，对滤波后的信号提取能量特征，具体为：
F＝log(var(w*Xk))
其中，Xk是某一频率范围内的LFP或者EEG信号，w是步骤(3.2)中使用已知标签的Xk计算得到的空间滤波器，log(var(w*Xi))是对使用w空间滤波器滤波后的Xk信号先求方差，再取所得方差的对数，F为提取的信号能量特征。
进一步地，步骤(3.2)中，对所有运动想象任务中的每两类任务两两组合分别计算两个空间滤波器：
Figure BDA0003256247750000021
和
Figure BDA0003256247750000022
Figure BDA0003256247750000023
其中，w为一维空间滤波器；α为正则化参数，||w||2为w的二范数，C1、C2为某一频段内任两类运动想象任务脑电信号的平均协方差矩阵。Xi,j为第i类运动想象任务的第j次试验的脑电信号，j＝1～N；trace为矩阵的迹。
进一步地，步骤(4)包括如下步骤：
(4.1)使用带标签的LFP和EEG信号的特征分别训练一个解码LFP信号的贝叶斯分类器BLFP和一个解码EEG信号的贝叶斯分类器BEEG。
(4.2)使用BLFP对无标签LFP信号特征进行分类，得到分类结果RLFP和后验概率PLFP。使用BEEG对无标签EEG信号特征进行分类，得到分类结果REEG和后验概率PEEG。
(4.3)对步骤(4.2)中得到的LFP分类结果和EEG分类结果进行投票，得到解码结果R，具体为：
Figure BDA0003256247750000031
本发明的有益效果是：本发明融合了颅内LFP信号和头皮EEG信号的特征对使用者的运动想象意图进行解码，分类准确率高鲁棒性好，可以在基于脑机接口的康复训练中提供准确的实时反馈，从而取得良好的康复效果；为颅内脑电信号和头皮脑电信号的联合应用提供了一种思路和方法。
附图说明
图1为本发明颅内脑电和头皮脑电融合的脑机接口解码方法的流程图；
图2为本发明实施例采用的EEG电极分布地形图；其中52个电极位置按照国际10-20系统分布。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步详细描述。
如图1所示，本发明一种基于颅内脑电和头皮脑电融合的脑机接口解码方法，主要包括：同步采集颅内脑电信号(LFP)和头皮脑电信号(EEG)、脑电信号预处理、脑电信号特征提取、脑电信号联合解码。具体包括如下步骤：
一、同步采集颅内脑电信号(LFP)和头皮脑电信号(EEG)。
使用52导联的EEG脑电帽以1kHz采样频率采集被试EEG信号。其中电极分布符合国际10-20系统，以CPz为参考电极，具体所采用的电极及其位置如图2所示。
使用植入于左侧初级运动皮质的96通道的Utah array微电极阵列以1kHz采样频率采集患者LFP信号。
本发明实施例采集的是，被试在进行四类运动想象康复训练任务中的脑电数据。被试根据VR系统指令，执行四类运动想象任务，分别是：休息、左手屈肘、右手屈肘、双手屈肘任务。每个运动想象任务持续3s。
二、脑电信号预处理，对步骤一采集到的脑电信号进行预处理以提高信噪比。
对LFP信号进行预处理，包括：使用1-200Hz 6阶Butterworth带通滤波器进行零相位带通滤波去除基线漂移，使用50Hz陷波器去除工频干扰。
对EEG信号进行预处理，包括：使用1-40Hz 6阶Butterworth带通滤波进行零相位带通滤波去除基线漂移和高频噪声，共平均重参考，独立成分分析算法ICA去眼电。
三、脑电信号特征提取，对预处理后的脑电信号进行特征提取。
对步骤二预处理后的信号，提取每次被试执行运动想象任务开始后的0.5s-1.5s时间窗内的EEG信号和LFP信号的特征。
(1)对EEG信号进行特征提取，包括：对EEG信号，使用以中心频率为4、6、8、…、32、34、36Hz带宽为4Hz的6阶Butterworth带通滤波器，进行零相位带通滤波，共得到17个频段的EEG信号。对滤波后的各频段EEG信号，使用带标签数据，计算吉洪诺夫正则化共空间模式(Tikhonov-regularized common spatial pattern，TRCSP)空间滤波器，提取各频段EEG信号空间滤波后的EEG能量特征。
使用空间滤波器对信号进行空间滤波，对滤波后信号提取能量特征，具体为：
(1.1)TRCSP空间滤波器的计算方法如下：
Figure BDA0003256247750000041
其中，w为使表达式
Figure BDA0003256247750000042
取得最大值的一维空间滤波器；α为正则化参数，||w||2为w的二范数，C1、C2为某一频段内任两类运动想象任务脑电信号的平均协方差矩阵。
Figure BDA0003256247750000043
其中，Xi,j为第i类运动想象任务的第j次试验(trial)的脑电信号，j＝1～N；trace为矩阵的迹。对四类运动想象任务的每两类任务两两组合分别计算空间滤波器，共有
Figure BDA0003256247750000044
种组合。对每种组合，按步骤(1.1)分别计算两个空间滤波器：
Figure BDA0003256247750000045
和
Figure BDA0003256247750000046
(1.2)能量特征F的计算如下：
F＝log(var(w*Xk)) (3)
其中，Xk是某一频率范围内的EEG信号，w是按照步骤(1.1)使用已知标签的Xk计算得到的空间滤波器。log(var(w*Xk))是对使用w空间滤波器滤波后的Xk信号，先求方差，再取所得方差的自然对数，得到提取的信号能量特征F；其中每种组合可以对应得到两个特征。
(2)对LFP使用1-4Hz、4-8Hz、8-13Hz、13-30Hz、30-50Hz、50-100Hz、100-200Hz的6阶Butterworth带通滤波器进行零相位带通滤波。对滤波后各频段LFP信号按照上述步骤(1.1)使用带标签数据计算TRCSP空间滤波器，按上述步骤(1.2)提取各频段信号空间滤波后的能量特征。
四、脑电信号联合解码，通过投票融合LFP和EEG的解码结果。
使用步骤(2)提取的带标签LFP特征训练一个朴素贝叶斯(
Figure BDA0003256247750000047
Bayes，NB)分类器BLFP。
使用步骤(1)提取的带标签EEG特征也训练一个NB分类器BEEG。
使用分类器BLFP对无标签LFP信号特征进行分类，得到分类结果RLFP和后验概率PLFP。
使用分类器BEEG对无标签EEG信号特征进行分类，得到分类结果REEG和后验概率PEEG。
对得到的LFP分类结果RLFP和EEG分类结果REEG进行投票，得到最终解码结果R，具体为：
Figure BDA0003256247750000051
其中，无标签特征也是经过步骤一～三提取得到。

Claims (6)

1.一种基于颅内脑电和头皮脑电融合的脑机接口解码方法，其特征在于，包括如下步骤：
(1)同步采集颅内脑电信号(LFP)和头皮脑电信号(EEG)。
(2)脑电信号预处理，对步骤(1)采集到的脑电信号进行预处理以提高信噪比。
(3)脑电信号特征提取，对预处理后的脑电信号进行特征提取。
(4)脑电信号联合解码，通过投票融合LFP和EEG的解码结果。
2.如权利要求1所述基于颅内脑电和头皮脑电融合的脑机接口解码方法，其特征在于，步骤(1)中，LFP信号和EEG信号为使用者进行运动想象任务时同步采集的信号。
3.如权利要求1所述基于颅内脑电和头皮脑电融合的脑机接口解码方法，其特征在于，步骤(2)中，预处理具体包括：使用数字滤波器对LFP、EEG信号进行滤波和陷波，去除基线漂移和工频干扰；对EEG信号进行重参考；使用独立成分分析算法对EEG进行眼电伪迹去除。
4.如权利要求1所述基于颅内脑电和头皮脑电融合的脑机接口解码方法，其特征在于，步骤(3)包括如下步骤：
(3.1)使用数字滤波器对LFP、EEG信号进行带通滤波，得到不同频段的LFP、EEG信号。
(3.2)对步骤(3.1)得到的各频段的LFP、EEG信号，使用其中已知标签的信号计算正则化共空间模式(regularized common spatial pattern，rCSP)空间滤波器。
(3.3)使用步骤(3.2)得到的空间滤波器对相应的信号进行空间滤波，对滤波后的信号提取能量特征，具体为：
F＝log(var(w*Xk))
其中，Xl是某一频率范围内的LFP或者EEG信号，w是步骤(3.2)中使用已知标签的Xl计算得到的空间滤波器，log(var(w*Xi))是对使用w空间滤波器滤波后的Xk信号先求方差，再取所得方差的对数，F为提取的信号能量特征。
5.如权利要求4所述基于颅内脑电和头皮脑电融合的脑机接口解码方法，其特征在于，步骤(3.2)中，对所有运动想象任务中的每两类任务两两组合分别计算两个空间滤波器：
Figure FDA0003256247740000011
和
Figure FDA0003256247740000012
Figure FDA0003256247740000013
其中，w为一维空间滤波器；α为正则化参数，||w||2为w的二范数，C1、C2为某一频段内任两类运动想象任务脑电信号的平均协方差矩阵。Xi,j为第i类运动想象任务的第j次试验的脑电信号，j＝1～N；trace为矩阵的迹。
6.如权利要求1所述基于颅内脑电和头皮脑电融合的脑机接口解码方法，其特征在于，步骤(4)包括如下步骤：
(4.1)使用带标签的LFP和EEG信号的特征分别训练一个解码LFP信号的贝叶斯分类器BLFP和一个解码EEG信号的贝叶斯分类器BEEG。
(4.2)使用BLFP对无标签LFP信号特征进行分类，得到分类结果RLFP和后验概率PLFP。使用BEEG对无标签EEG信号特征进行分类，得到分类结果REEG和后验概率PEEG。
(4.3)对步骤(4.2)中得到的LFP分类结果和EEG分类结果进行投票，得到解码结果R，具体为：
Figure FDA0003256247740000021
CN202111060329.3A 2021-09-10 2021-09-10 一种基于颅内脑电和头皮脑电融合的脑机接口解码方法 Pending CN113951896A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111060329.3A CN113951896A (zh) 2021-09-10 2021-09-10 一种基于颅内脑电和头皮脑电融合的脑机接口解码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111060329.3A CN113951896A (zh) 2021-09-10 2021-09-10 一种基于颅内脑电和头皮脑电融合的脑机接口解码方法

Publications (1)

Publication Number Publication Date
CN113951896A true CN113951896A (zh) 2022-01-21

Family

ID=79461321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111060329.3A Pending CN113951896A (zh) 2021-09-10 2021-09-10 一种基于颅内脑电和头皮脑电融合的脑机接口解码方法

Country Status (1)

Country Link
CN (1) CN113951896A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102613972A (zh) * 2012-03-28 2012-08-01 西安电子科技大学 运动想象脑电信号特征的提取方法
CN204765635U (zh) * 2015-05-27 2015-11-18 昆明理工大学 一种功能核磁共振和脑电同步采集脑信号装置
CN106362287A (zh) * 2016-10-24 2017-02-01 天津大学 一种新型mi‑sssep混合脑‑机接口方法及系统
CN108681396A (zh) * 2018-04-28 2018-10-19 北京机械设备研究所 基于脑-肌电双模态神经信号的人机交互系统及其方法
CN109063639A (zh) * 2018-07-30 2018-12-21 浙江大学 一种实时预测大脑行为的方法
CN110248697A (zh) * 2016-12-14 2019-09-17 内宇宙有限责任公司 脑机接口系统及其使用方法
CN112465059A (zh) * 2020-12-07 2021-03-09 杭州电子科技大学 基于跨脑融合决策的多人运动想象识别方法及脑机系统
CN112518743A (zh) * 2020-11-20 2021-03-19 南京航空航天大学 一种面向空间机械臂在轨操作的多模态神经解码控制系统及方法
CN112617863A (zh) * 2020-12-30 2021-04-09 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102613972A (zh) * 2012-03-28 2012-08-01 西安电子科技大学 运动想象脑电信号特征的提取方法
CN204765635U (zh) * 2015-05-27 2015-11-18 昆明理工大学 一种功能核磁共振和脑电同步采集脑信号装置
CN106362287A (zh) * 2016-10-24 2017-02-01 天津大学 一种新型mi‑sssep混合脑‑机接口方法及系统
CN110248697A (zh) * 2016-12-14 2019-09-17 内宇宙有限责任公司 脑机接口系统及其使用方法
CN108681396A (zh) * 2018-04-28 2018-10-19 北京机械设备研究所 基于脑-肌电双模态神经信号的人机交互系统及其方法
CN109063639A (zh) * 2018-07-30 2018-12-21 浙江大学 一种实时预测大脑行为的方法
CN112518743A (zh) * 2020-11-20 2021-03-19 南京航空航天大学 一种面向空间机械臂在轨操作的多模态神经解码控制系统及方法
CN112465059A (zh) * 2020-12-07 2021-03-09 杭州电子科技大学 基于跨脑融合决策的多人运动想象识别方法及脑机系统
CN112617863A (zh) * 2020-12-30 2021-04-09 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法

Similar Documents

Publication Publication Date Title
CN110969108B (zh) 一种基于自主运动想象脑电的肢体动作识别方法
Kachenoura et al. ICA: a potential tool for BCI systems
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
Giudice et al. 1D Convolutional Neural Network approach to classify voluntary eye blinks in EEG signals for BCI applications
Yang et al. Fast removal of ocular artifacts from electroencephalogram signals using spatial constraint independent component analysis based recursive least squares in brain-computer interface
CN113143261A (zh) 基于肌电信号的身份识别系统、方法及设备
Xie et al. A brain controlled wheelchair based on common spatial pattern
CN114186608A (zh) 基于运动想象的混合脑机接口特征提取方法
Imran et al. Motor imagery EEG signal classification scheme based on wavelet domain statistical features
CN116756643A (zh) 一种基于Fisher分数的脑电通道选择方法
Gao et al. An ICA/HHT hybrid approach for automatic ocular artifact correction
Ji et al. Stationary wavelet-based two-directional two-dimensional principal component analysis for EMG signal classification
CN113951896A (zh) 一种基于颅内脑电和头皮脑电融合的脑机接口解码方法
Trad et al. Nonlinear and nonstationary framework for feature extraction and classification of motor imagery
Bandara et al. Differentiation of signals generated by eye blinks and mouth clenching in a portable brain computer interface system
CN114098768A (zh) 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法
Somadder et al. Frequency domain CSP for foot motor imagery classification using SVM for BCI application
Asogbon et al. A Robust Multi-Channel EEG Signals Preprocessing Method for Enhanced Upper Extremity Motor Imagery Decoding
Xiong et al. Classification of gesture based on sEMG decomposition: A preliminary study
Li et al. Ocular Artifact Removal Algorithm of Single Channel EEG Based on CEEMDAN-ICA-WTD
Bhattacharyya et al. Reactive frequency band-based real-time motor imagery classification
Motlagh et al. Optimal accuracy and runtime trade-off in wavelet based single-trial P300 detection
Abdullah Brain computer interface enhancement based on stones blind source separation and naive bayes classifier
Yu et al. A Joint SSA and CNN algorithm to remove EMG artifacts from single channel EEG
Alam Electroencephalographic signal processing and classification techniques for noninvasive motor imagery based brain computer interface

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220121