CN114305456A - 一种基于稳态视觉诱发电位脑电信号的通道选择方法 - Google Patents
一种基于稳态视觉诱发电位脑电信号的通道选择方法 Download PDFInfo
- Publication number
- CN114305456A CN114305456A CN202111639377.8A CN202111639377A CN114305456A CN 114305456 A CN114305456 A CN 114305456A CN 202111639377 A CN202111639377 A CN 202111639377A CN 114305456 A CN114305456 A CN 114305456A
- Authority
- CN
- China
- Prior art keywords
- channel
- electroencephalogram
- signals
- steady
- evoked potential
- 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.)
- Granted
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 24
- 230000000763 evoking effect Effects 0.000 title claims abstract description 18
- 238000010187 selection method Methods 0.000 title claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 230000002269 spontaneous effect Effects 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000000638 stimulation Effects 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 13
- 210000004556 brain Anatomy 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000002829 reductive effect Effects 0.000 abstract description 4
- 210000000869 occipital lobe Anatomy 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 210000003710 cerebral cortex Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001936 parietal effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 230000008925 spontaneous activity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Landscapes
- 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稳态视觉诱发电位脑电信号的通道选择方法，包括如下步骤：S1、使用脑电采集设备采集稳态视觉诱发电位脑电信号并制作数据集；S2、将数据集中的脑电信号进行预处理；S3、针对预处理后的每组新脑电信号分别进行任务相关成分分析，得到各trial下对应通道的相关系数；S4、根据相关系数选取通道。通过空间滤波的方式抑制每个通道内的自发脑电活动，最大化通道内的任务相关成分；空间滤波后由计算得出的每个通道内对应的相关系数即可确定哪些通道可以更为明显地诱发出SSVEP响应；进而降低特征数据的维度，尽可能的减少通道数，简化了计算难度，提高系统效率和系统识别的性能，使得脑电信号识别系统更加普遍性。
Description
技术领域
本发明涉及脑电信号技术领域，具体指一种基于稳态视觉诱发电位脑电信号的通道选择方法。
背景技术
脑机接口(brain-computer interface,BCI)是一种不需要依赖大脑外周神经与肌肉，直接由脑电信号实现大脑与外部设备控制的系统。在脑机接口系统中，基于稳态视觉诱发电位(steady-state visual evoked potential,SSVEP)BCI系统具有信噪比高、信息传输率高、不需要训练等特点，在BCI领域得到广泛应用。稳态视觉诱发电位是指当人持续注视某一固定频率闪烁的视觉刺激时，大脑皮层会在刺激频率或谐波频率处产生明显的电位变化。SSVEP的视觉刺激频率范围一般介于4到50Hz之间，分为低频段(4-15Hz)、中频段(15-30Hz)和高频段(30-50Hz)，响应幅值的全局最大值大约在10Hz出现，目前大多数系统所采用的视觉刺激主要集中在中低频段。
任务相关成分分析(task-related component analysis,TRCA)最早应用于近红外光谱(near-infrared spectroscopy,NIRS)的识别上，通过最大化每个任务中神经影像数据的复现性，从而提取任务相关成分。在脑电信号识别方面，TRCA的应用也十分广泛，特别针对锁时(time-locked)信号，该方法可以最大化多个试次之间的可再现性，提高信噪比(signal-noise ratio,SNR)，抑制自发脑电信号。
然而，目前关于SSVEP识别算法的研究中，大多数研究者在选择通道数据时并没有进行通道选择操作或者给出选择的理由。而脑电信号识别存在数据量大、成本高、数据冗余和实时性低等特性，并且不同的脑电来源表现的特征均不相同。因此，若没有进行通道选择或给出选择的理由，从而导致特征数据的维度较高，计算难度非常大，不仅工作效率非常低，并且系统识别的性能也受到一定的限制。
发明内容
针对目前SSVEP识别中缺乏对选择数据通道的研究这一问题，本发明通过将任务相关成分分析的核心思想引入通道选择中，提出了一种新的基于SSVEP的通道选择方法。该方法通过对每个通道的信号进行空间滤波，以获得可以反应通道内任务相关成分的相关系数，并用二维可视化的方式阐明了所选择通道具有的生理学意义。
为了解决上述技术问题，本发明的技术方案为：
一种基于稳态视觉诱发电位脑电信号的通道选择方法，包括如下步骤：
S1、使用脑电采集设备采集稳态视觉诱发电位脑电信号并制作数据集；
S2、将数据集中的脑电信号进行预处理
S2-1、将采集的64通道脑电数据滤去噪音；
S2-2、将滤去噪音后的每段单一trial、连续的脑电信号切分为同等数据长度的一组新的信号；
S3、针对预处理后的每组新脑电信号分别进行任务相关成分分析，得到各trial下对应通道的相关系数；
S4、根据相关系数选取通道。
作为优选，所述步骤S2-1中，通过带通滤波滤去基线漂移和刺激频率外频段的噪音，得到每段数据长度为5.0s的信号。
作为优选，所述步骤S2-1中，通过带通滤波滤去基线漂移和刺激频率外频段的噪音，得到每段数据长度为[0.14s,0.14+5.0s]的信号
作为优选，所述步骤S2-2中，将得到5.0s长度的信号重新切分呈同等长度为1.0s的一组新的信号。
作为优选，所述每段信号初始尺寸为4×1250，其中64为通道数，1250为采样时间乘以采样率，其中，时间T＝5.0s,采样率fs＝250；切分后新的信号尺寸为64×250×5，该组信号包含5个试次的连续信号。
作为优选，所述步骤S3中，所述任务相关成分分析方法为：
采用留一法交叉验证，对每组信号的各个试次进行任务相关分析，通过空间滤波的方式抑制每个通道内的自发脑电活动，最大化通道内的任务相关成分；空间滤波后，将计算平均信号和测试信号得到结果的均值作为实验该trial下的每个通道对应的相关系数。
作为优选，所述步骤S5中，挑选普遍具有较高相关系数的通道。
本发明具有以下的特点和有益效果：
采用上述技术方案，将任务相关成分分析算法的核心思想应用到通道选择的研究中。通过空间滤波的方式抑制每个通道内的自发脑电活动，最大化通道内的任务相关成分；空间滤波后由计算得出的每个通道内对应的相关系数即可确定哪些通道可以更为明显地诱发出SSVEP响应；将数值转化为柱状图的形式可以更为清晰地显示出生理学特征，数值大小呈现正态分布，即越靠近前枕叶和枕叶区域中央越容易诱发出SSVEP响应，进而降低特征数据的维度，尽可能的减少通道数，简化了计算难度，提高系统效率和系统识别的性能，使得脑电信号识别系统更加普遍性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的的原理流程图。
图2为本发明实施例采集脑电信号的电极分布图。
图3为本发明实施例带通滤波前后信号的时域、频域波形图。
图4为本发明实施例通道内进行任务相关成分分析的流程图。
图5为本发明实施例部分实验trial数据通道相关系数值的柱状图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
本发明提供了一种基于稳态视觉诱发电位脑电信号的通道选择方法，如图1所示，包括如下步骤：
S1、使用脑电采集设备采集稳态视觉诱发电位脑电信号并制作数据集，本实施例中，使用10-20标准导联系统采集SSVEP脑电信号，记录的电极分布如图2所示，每个电极即对应的通道序号已标出，共有64通道；
S2、将数据集中的脑电信号进行预处理
S2-1、将采集的64通道脑电数据滤去噪音；
S2-2、将滤去噪音后的每段单一trial、连续的脑电信号切分为同等数据长度的一组新的信号；
S3、针对预处理后的每组新脑电信号分别进行任务相关成分分析，得到各trial下对应通道的相关系数；
S4、根据相关系数选取通道。
进一步的，所述步骤S2-1中，通过带通滤波滤去基线漂移和刺激频率外频段的噪音，得到每段数据长度为5.0s的信号。
可以理解的，有研究表明视觉刺激SSVEP响应幅值的全局最大值大约在10Hz出现，因此本发明中采用此频率刺激下的脑电信号数据。
具体的，使用零相位切比雪夫无限脉冲响应滤波器对所有数据进行带通滤波，通带频率为6Hz到80Hz，滤波前后脑电信号的时域、频域波形如图3所示，滤波后有效地去除了基线漂移和刺激频率外频段的干扰；
可以理解的，所述步骤S2-1中，通过带通滤波滤去基线漂移和刺激频率外频段的噪音，得到每段数据长度为[0.14s,0.14+5.0s]的信号。
实验持续刺激时间为5s，并且人的视觉系统中存在140ms的视觉延迟，因此从带通滤波后的信号中提取的数据段为[0.14s,0.14+5.0s]。
进一步的，所述步骤S2-2中，将得到5.0s长度的信号重新切分呈同等长度为1.0s的一组新的信号。
可以理解的，所述每段信号初始尺寸为4×1250，其中64为通道数，1250为采样时间乘以采样率，其中，时间T＝5.0s,采样率fs＝250；切分后新的信号尺寸为64×250×5，该组信号包含5个试次的连续信号。
本发明的进一步设置，所述步骤S3中，所述任务相关成分分析方法为：
采用留一法交叉验证，对每组信号的各个试次进行任务相关分析，通过空间滤波的方式抑制每个通道内的自发脑电活动，最大化通道内的任务相关成分；空间滤波后，将计算平均信号和测试信号得到结果的均值作为实验该trial下的每个通道对应的相关系数。
可以理解的，系数值越大表明此通道包含越多的任务相关成分，即可以诱发出更多的SSVEP响应。
具体的，针对每组新的脑电信号进行任务相关成分分析，将结果取平均，得到该trial下各通道的相关系数，具体步骤如下：
步骤3-1：为防止随机因素影响到实验结果，采用留一法交叉验证，即依次将每组信号中的四个试次作为训练数据用于计算空间滤波器，剩下的一项作为测试数据用于计算对应通道的相关系数，循环进行直至每个试次的信号都被当做一次测试数据；
步骤3-2：将SSVEP信号x(t)看作由任务相关成分s(t)和任务无关成分n(t)组成：
xj(t)＝a1,js(t)+a2,jn(t),j＝1,2,...,Nc (1)
式中，a1,j和a2,j为混合系数，j为通道数。在本发明中每个通道间视作相互独立，将每个通道的数据逐个提取出来，单通道信号的尺寸为1×250，即j始终等于1，但为了阅读清晰，后续的书写中通道数依旧用j表示。要使脑电信号中仅保留任务相关的成分s(t)，先对信号进行加权求和，表示为一个线性模型：
式中，wj为权重系数即空间滤波器。为了完成目标使得y(t)＝s(t)，必须有：
若能解出式中的权重系数wj，便能得到在多个试次之间的高度相关性y(t)；
步骤3-3：将上述问题通过协方差最大化解决。记第h次试次的脑电信号和任务相关成分为x(h)(t)和y(h)(t)，那么h1次和h2次的y(t)之间的协方差可表示为：
每组信号所有试次的组合由下式表示：
定义对称矩阵S为：
为了得到有限解，需要对y(t)的方差做归一化约束，即：
式中，Q＝Cov(xj1(t),xj2(t))。约束优化问题可以转化为一个Rayleigh-Ritz特征值问题：
根据Rayleigh-Ritz理论，通过求解Q-1S的特征向量可以得到最佳的系数向量w即目标的空间滤波器。
步骤3-4：将训练数据平均化，构造训练集平均信号：
通过TRCA算法得到该通道下每个训练时据对应的空间滤波器w(m)，利用w(m)分别对测试数据X(m)和平均信号进行空间滤波，然后计算二者的Person相关系数：
其流程如图4所示。交叉验证直至所有信号都被当作一次测试数据，计算其相关系数的平均值作为每个通道内的最终相关系数，系数值越大表明该通道信号包含的任务相关成分越大，即诱发的SSVEP响应越多。
本发明的进一步设置，通过步骤S3、重复操作其他多个trial信号，部分结果如表1所示。可以看出各trial下相关系数较大的集中在47-64通道，这部分电极位于脑皮层的顶叶和枕叶区域，从中挑出普遍数值较大的48、54-58、61-63作为选择通道，对应的电极为Pz、PO5、PO3、POz、PO4、PO6、O1、Oz、O2。
表1各trial下64通道对应的相关系数
为了更为清晰看出每个通道的任务相关性，将表1转化为如图5所示的柱状图，仅列出47-64通道便于展示。可以看到，相关系数值的局部最大值集中在48、56和64通道，对应的电极为顶叶中点Pz、前枕叶中点POz和枕叶中点Oz。数值大小在局部区域呈现正态分布，即中央向两侧数值大小逐渐递减。从生理学角度说明越靠近大脑皮层前枕叶和枕叶区域中央，越可以诱发出明显的SSVEP响应。而即使受试者处于视觉刺激的过程中，其他通道产生的脑电信号也基本都与大脑自发活动有关，无法被视觉刺激诱发响应。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式包括部件进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。
Claims (7)
1.一种基于稳态视觉诱发电位脑电信号的通道选择方法，其特征在于，包括如下步骤：
S1、使用脑电采集设备采集稳态视觉诱发电位脑电信号并制作数据集；
S2、将数据集中的脑电信号进行预处理
S2-1、将采集的64通道脑电数据滤去噪音；
S2-2、将滤去噪音后的每段单一trial、连续的脑电信号切分为同等数据长度的一组新的信号；
S3、针对预处理后的每组新脑电信号分别进行任务相关成分分析，得到各trial下对应通道的相关系数；
S4、根据相关系数选取通道。
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的通道选择方法，其特征在于，所述步骤S2-1中，通过带通滤波滤去基线漂移和刺激频率外频段的噪音，得到每段数据长度为5.0s的信号。
3.根据权利要求1所述的基于稳态视觉诱发电位脑电信号的通道选择方法，其特征在于，所述步骤S2-1中，通过带通滤波滤去基线漂移和刺激频率外频段的噪音，得到每段数据长度为[0.14s,0.14+5.0s]的信号
4.根据权利要求2或3所述的基于稳态视觉诱发电位脑电信号的通道选择方法，其特征在于，所述步骤S2-2中，将得到5.0s长度的信号重新切分呈同等长度为1.0s的一组新的信号。
5.根据权利要求4所述的基于稳态视觉诱发电位脑电信号的通道选择方法，其特征在于，所述每段信号初始尺寸为4×1250，其中64为通道数，1250为采样时间乘以采样率，其中，时间T＝5.0s,采样率fs＝250；切分后新的信号尺寸为64×250×5，该组信号包含5个试次的连续信号。
6.根据权利要求1或2或3中任意一项所述的基于稳态视觉诱发电位脑电信号的通道选择方法，其特征在于，所述步骤S3中，所述任务相关成分分析方法为：
采用留一法交叉验证，对每组信号的各个试次进行任务相关分析，通过空间滤波的方式抑制每个通道内的自发脑电活动，最大化通道内的任务相关成分；空间滤波后，将计算平均信号和测试信号得到结果的均值作为实验该trial下的每个通道对应的相关系数。
7.根据权利要求6所述的基于稳态视觉诱发电位脑电信号的通道选择方法，其特征在于，所述步骤S5中，挑选普遍具有较高相关系数的通道。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111639377.8A CN114305456B (zh) | 2021-12-29 | 2021-12-29 | 一种基于稳态视觉诱发电位脑电信号的通道选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111639377.8A CN114305456B (zh) | 2021-12-29 | 2021-12-29 | 一种基于稳态视觉诱发电位脑电信号的通道选择方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114305456A true CN114305456A (zh) | 2022-04-12 |
| CN114305456B CN114305456B (zh) | 2024-05-03 |
Family
ID=81016992
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111639377.8A Active CN114305456B (zh) | 2021-12-29 | 2021-12-29 | 一种基于稳态视觉诱发电位脑电信号的通道选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114305456B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116010783A (zh) * | 2023-01-06 | 2023-04-25 | 上海大学 | 一种rsvp弱隐目标诱发脑电识别方法、装置及存储介质 |
| CN116010783B (zh) * | 2023-01-06 | 2024-06-07 | 上海大学 | 一种rsvp弱隐目标诱发脑电识别方法、装置及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130060125A1 (en) * | 2010-04-16 | 2013-03-07 | Applied Brain And Vision Sciences Inc. | Encephalography method and apparatus incorporating independent component analysis and a spectral shaping filter |
| CN105411580A (zh) * | 2015-10-27 | 2016-03-23 | 中国航天员科研训练中心 | 一种基于触听觉诱发电位的脑控轮椅系统 |
| CN111487988A (zh) * | 2020-03-03 | 2020-08-04 | 天津大学 | 基于稳态视觉诱发电位脑-机接口的脑控无人机方法 |
| CN111671421A (zh) * | 2020-06-24 | 2020-09-18 | 安徽智趣小天使信息科技有限公司 | 一种基于脑电图的儿童需求感知方法 |
| CN112515685A (zh) * | 2020-11-10 | 2021-03-19 | 上海大学 | 基于时频共融的多通道脑电信号通道选择方法 |
| CN113288181A (zh) * | 2021-06-21 | 2021-08-24 | 杭州电子科技大学 | 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 |
| WO2021203719A1 (zh) * | 2020-04-08 | 2021-10-14 | 江苏贝泰福医疗科技有限公司 | 结合脑电检测分析控制的声电刺激神经调控方法及装置 |
| CN113780392A (zh) * | 2021-08-31 | 2021-12-10 | 杭州电子科技大学 | 一种运动想象脑电识别的通道选择方法 |
-
2021
- 2021-12-29 CN CN202111639377.8A patent/CN114305456B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130060125A1 (en) * | 2010-04-16 | 2013-03-07 | Applied Brain And Vision Sciences Inc. | Encephalography method and apparatus incorporating independent component analysis and a spectral shaping filter |
| CN105411580A (zh) * | 2015-10-27 | 2016-03-23 | 中国航天员科研训练中心 | 一种基于触听觉诱发电位的脑控轮椅系统 |
| CN111487988A (zh) * | 2020-03-03 | 2020-08-04 | 天津大学 | 基于稳态视觉诱发电位脑-机接口的脑控无人机方法 |
| WO2021203719A1 (zh) * | 2020-04-08 | 2021-10-14 | 江苏贝泰福医疗科技有限公司 | 结合脑电检测分析控制的声电刺激神经调控方法及装置 |
| CN111671421A (zh) * | 2020-06-24 | 2020-09-18 | 安徽智趣小天使信息科技有限公司 | 一种基于脑电图的儿童需求感知方法 |
| CN112515685A (zh) * | 2020-11-10 | 2021-03-19 | 上海大学 | 基于时频共融的多通道脑电信号通道选择方法 |
| CN113288181A (zh) * | 2021-06-21 | 2021-08-24 | 杭州电子科技大学 | 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 |
| CN113780392A (zh) * | 2021-08-31 | 2021-12-10 | 杭州电子科技大学 | 一种运动想象脑电识别的通道选择方法 |
Non-Patent Citations (1)
| Title |
|---|
| BINGCHUAN LIU ET AL: "Improving the Performance of Individually Calibrated SSVEP-BCI by Task-Discriminant Component Analysis", 《IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING》, 31 December 2021 (2021-12-31), pages 1998 - 2006 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116010783A (zh) * | 2023-01-06 | 2023-04-25 | 上海大学 | 一种rsvp弱隐目标诱发脑电识别方法、装置及存储介质 |
| CN116010783B (zh) * | 2023-01-06 | 2024-06-07 | 上海大学 | 一种rsvp弱隐目标诱发脑电识别方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114305456B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7809433B2 (en) | Method and system for limiting interference in electroencephalographic signals | |
| US4705049A (en) | Intraoperative monitoring or EP evaluation system utilizing an automatic adaptive self-optimizing digital comb filter | |
| CN110558973B (zh) | 一种执行基于极值能量分解法的心电图信号量化分析方法的计算机设备 | |
| CA2594456C (en) | System and method for prediction of adverse events during treatment of psychological and neurological disorders | |
| CN105496363A (zh) | 基于检测睡眠脑电信号对睡眠阶段进行分类的方法 | |
| CN105342605B (zh) | 一种去除脑电信号中肌电伪迹的方法 | |
| 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 | |
| CN112084879B (zh) | 一种运动想象脑电的块选择共空间模式特征提取方法 | |
| CN113780392B (zh) | 一种运动想象脑电识别的通道选择方法 | |
| CN106236027B (zh) | 一种脑电与温度相结合的抑郁人群判定系统 | |
| CN112426162A (zh) | 一种基于脑电信号节律熵的疲劳检测方法 | |
| CN111820876A (zh) | 一种脑电空间滤波器的动态构建方法 | |
| CN117064409B (zh) | 经颅直流电干预刺激效果实时评估方法、装置及终端 | |
| CN112294340A (zh) | 快速自动去除肌电伪迹的方法、系统、存储介质及计算机设备 | |
| Cerutti et al. | Analysis of visual evoked potentials through Wiener filtering applied to a small number of sweeps | |
| CN112861625A (zh) | 一种堆叠去噪自编码器模型确定方法 | |
| Uthayakumar et al. | Multifractal-wavelet based denoising in the classification of healthy and epileptic EEG signals | |
| Frikha et al. | Source localization of EEG brainwaves activities via mother wavelets families for SWT decomposition | |
| Ladekar et al. | EEG based visual cognitive workload analysis using multirate IIR filters | |
| Mansour et al. | Intelligent Classifiers of EEG Signals for Epilepsy Detection | |
| Shen et al. | Method for extracting time-varying rhythms of electroencephalography via wavelet packet analysis | |
| CN114305456A (zh) | 一种基于稳态视觉诱发电位脑电信号的通道选择方法 | |
| De Clercq et al. | Modeling common dynamics in multichannel signals with applications to artifact and background removal in EEG recordings | |
| CN110558974A (zh) | 一种基于极值能量分解法的心电图信号分析方法 | |
| CN116269445A (zh) | 一种用于ssvep短时窗信号的精准目标识别方法 |
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 |