CN114767120A - 基于深度学习的单侧肢体患者运动想象脑电通道选择方法 - Google Patents
基于深度学习的单侧肢体患者运动想象脑电通道选择方法 Download PDFInfo
- Publication number
- CN114767120A CN114767120A CN202210436293.2A CN202210436293A CN114767120A CN 114767120 A CN114767120 A CN 114767120A CN 202210436293 A CN202210436293 A CN 202210436293A CN 114767120 A CN114767120 A CN 114767120A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- motor imagery
- patient
- channel
- data
- 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
- 238000010187 selection method Methods 0.000 title claims description 3
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 238000013136 deep learning model Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 210000004556 brain Anatomy 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000968 medical method and process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
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
- A61B5/25—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]
- A61B5/372—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
- A61B5/24—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]
- A61B5/386—Accessories or supplementary instruments therefor
-
- 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
-
- 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
- A61B5/7235—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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Heart & Thoracic Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Psychology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Power Engineering (AREA)
- Rehabilitation Tools (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深度学习的单侧肢体患者运动想象脑电通道选择方法,其包括以下步骤:步骤一,专业人员帮助患者佩戴并使用脑电采集设备;步骤二,脑电采集设备通过有线或无线传输方式将运动想象脑电信号传送给一台电脑进行个性化训练建模;步骤三,电脑接收到脑电数据后首先对数据进行预处理;步骤四,处理后的脑电数据送入深度学习模型进行特征提取;步骤五,当提取脑电数据的时间特征后,对各个单侧肢体患者运动想象脑电通道的重要性进行评估筛选。本发明节约运行成本,不需要再深度学习模型外额外添加算法对脑电通道进行筛选,同时直接在模型中进行通道信息的学习有利于提升最终模型分类的准确率。
Description
技术领域
本发明涉及一种电通道选择方法,特别是涉及一种基于深度学习的单侧肢体患者运动想象脑电通道选择方法。
背景技术
脑卒中是我国成年人致死、致残的首位病因,具有发病率高、致残率高、死亡率高和复发率高的特点,对个人、家庭和社会造成沉重负担。运动想象脑机接口技术能通过对患者的脑电信号采集和解码,判断患者运动意图,由运动意图触发康复外设进行治疗工作,实现闭环训练和主动康复。相较于传统的康复训练技术,运动想象脑机接口对脑卒中病人的康复训练有更好的效果。
现有的脑机接口技术主要应用于对患者左右手运动想象意图的区分,缺乏对单侧肢体患者运动意图有效的检测识别。单侧肢体患者的病例复杂,所受损部位各不相同,对应的运动脑区也有所差异。为了能给每位患者个性化建模,提高康复效果,脑机接口技术需要开发对患者不同脑电通道选择的方法。深度学习作为脑电信号分类的有效手段,能通过对大量脑电数据的学习,提取脑电信号中的时空特征,然后再经过全连接层的整合最终建立合适的模型。然而,脑电信号是一种非线性,非平稳并有大量噪声的电信号,过多的冗余信息会极大干扰对合适通道选择的过程。为了能更好的区分单侧肢体患者的运动意图,如何在建模时对脑电通道选择,筛选出有效的运动脑区,成为亟待解决的技术问题。
发明内容
针对上述情况,为了克服现有技术的缺陷,本发明提供一种基于深度学习的单侧肢体患者运动想象脑电通道选择方法。
本发明是通过下述技术方案来解决上述技术问题的:一种基于深度学习的单侧肢体患者运动想象脑电通道选择方法,其特征在于,其包括以下步骤:
步骤一,专业人员帮助患者佩戴并使用脑电采集设备;
步骤二,患者根据提示进行运动想象,脑电采集设备通过有线或无线传输方式将运动想象脑电信号传送给一台电脑进行个性化训练建模;
步骤三,电脑接收到脑电数据后首先对数据进行预处理;
步骤四,处理后的脑电数据送入深度学习模型进行特征提取;一维的神经卷积网络层将会提取每个脑电通道的时间特征;
步骤五,当提取脑电数据的时间特征后,对各个单侧肢体患者运动想象脑电通道的重要性进行评估筛选;首先各个通道的时间特征会经过一层全局平均池化,计算每个通道时间特征的平均值;之后每个通道的特征平均值将作为新的输入送入两层全连接层进行权重的学习,最后通过sigmoid函数输出;
步骤六,更新权重后的单侧肢体患者运动想象脑电通道与各自通道的时间特征相乘,再送入深度卷积层得到空间特征;步骤四中时间特征再经过步骤六提取空间特征后的特征称为时空特征;
步骤七,脑电数据的时空特征送入全连接层整合输出,最终建立好完整的个性化模型;
步骤八,患者使用个性化模型进行康复训练。
优选地,所述步骤三的预处理包括滤波、去基线以及数据切片整合。
优选地,所述脑电采集设备采用CGX公司的Quick30系列导联干电极帽,通过有线串口通讯或无线蓝牙方式与电脑连。本发明的积极进步效果在于:
一,本发明使用深度学习对单侧肢体患者的运动想象脑电数据进行解码,在建模的过程中通过对脑电通道信息的学习,可以在算法迭代的过程中对通道的权重进行更新,以此来筛选出有用的脑电通道。该方法节约运行成本,不需要再深度学习模型外额外添加算法对脑电通道进行筛选,同时直接在模型中进行通道信息的学习有利于提升最终模型分类的准确率。
二,本发明进行模型训练时可以直接通过数据的分析来得到各脑电通道不同的重要性,无需对患者的受损部位和脑区进行复杂的检测。考虑到受损部位对应的脑区有时难以通过医学方法准确检测,本发明可以解决这种问题并为医护人员提供一定的参考。
附图说明
图1为本发明基于深度学习的单侧肢体患者运动想象脑电通道选择方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“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。
如图1所示,本发明基于深度学习的单侧肢体患者运动想象脑电通道选择方法包括以下步骤:
步骤一,专业人员帮助患者佩戴并使用脑电采集设备;
步骤二,患者根据提示进行运动想象,脑电采集设备通过有线或无线传输方式将运动想象脑电信号传送给一台电脑进行个性化训练建模;
步骤三,电脑接收到脑电数据后首先对数据进行预处理,包括滤波、去基线以及数据切片整合,这样做可以有效的过滤脑电信号的无用信息,降低数据的冗余度,提高信号的信噪比,使得深度学习模型能更好的学习脑电信号中的有效特征。
步骤四,处理后的脑电数据送入深度学习模型进行特征提取;一维的神经卷积网络层将会提取每个脑电通道的时间特征;
步骤五,当提取脑电数据的时间特征后,对各个单侧肢体患者运动想象脑电通道的重要性进行评估筛选;首先各个通道的时间特征会经过一层全局平均池化,即计算每个通道时间特征的平均值;之后每个通道的特征平均值将作为新的输入送入两层全连接层进行权重的学习,最后通过sigmoid函数输出。这样可以将通道的权重限制在0-1的区间,便于步骤六中与通道原始特征的乘法运算。
步骤六,更新权重后的单侧肢体患者运动想象脑电通道与各自通道的时间特征相乘,再送入深度卷积层得到空间特征;步骤四中时间特征再经过步骤六提取空间特征后的特征称为时空特征。
步骤七,脑电数据的时空特征送入全连接层整合输出,最终建立好完整的个性化模型;
步骤八,患者使用个性化模型进行康复训练。
步骤五中的单侧肢体患者运动想象脑电通道包括权重值,通过两个全连接层对权重值进行解码和编码,在深度训练不断学习迭代的过程中,对各个单侧肢体患者运动想象脑电通道的权重值进行更新,以此达到对单侧肢体患者运动想象脑电通道的选择。
脑电采集设备可以采用CGX公司的Quick30系列导联干电极帽,通过有线串口通讯或无线蓝牙方式与电脑连接,由医院专业人员使用电脑帮助患者采集运动想象样本数据,结构简单,方便连接和使用。
深度学习模型会获取通道相互之间的关系,卷积特征的学习也会得到增强。
个性化模型会得到各通道的权重信息,即每个脑电通道在分析患者运动意图时的重要程度。通过这种方法对于单侧肢体患者的脑电通道筛选就可以直接在模型的训练中实现,而不需要在建模前额外进行通道优化,节约运算成本的同时,也能提高提高深度学习模型分类的精确性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种基于深度学习的单侧肢体患者运动想象脑电通道选择方法,其特征在于,其包括以下步骤:
步骤一,专业人员帮助患者佩戴并使用脑电采集设备;
步骤二,患者根据提示进行运动想象,脑电采集设备通过有线或无线传输方式将运动想象脑电信号传送给一台电脑进行个性化训练建模;
步骤三,电脑接收到脑电数据后首先对数据进行预处理;
步骤四,处理后的脑电数据送入深度学习模型进行特征提取;一维的神经卷积网络层将会提取每个脑电通道的时间特征;
步骤五,当提取脑电数据的时间特征后,对各个单侧肢体患者运动想象脑电通道的重要性进行评估筛选;首先各个通道的时间特征会经过一层全局平均池化,计算每个通道时间特征的平均值;之后每个通道的特征平均值将作为新的输入送入两层全连接层进行权重的学习,最后通过sigmoid函数输出;
步骤六,更新权重后的单侧肢体患者运动想象脑电通道与各自通道的时间特征相乘,再送入深度卷积层得到空间特征;步骤四中时间特征再经过步骤六提取空间特征后的特征称为时空特征;
步骤七,脑电数据的时空特征送入全连接层整合输出,最终建立好完整的个性化模型;
步骤八,患者使用个性化模型进行康复训练。
2.如权利要求1所述的基于深度学习的单侧肢体患者运动想象脑电通道选择方法,其特征在于,所述步骤三的预处理包括滤波、去基线以及数据切片整合。
3.如权利要求1所述的基于深度学习的单侧肢体患者运动想象脑电通道选择方法,其特征在于,所述脑电采集设备采用CGX公司的Quick30系列导联干电极帽,通过有线串口通讯或无线蓝牙方式与电脑连。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210436293.2A CN114767120B (zh) | 2022-04-25 | 2022-04-25 | 基于深度学习的单侧肢体患者运动想象脑电通道选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210436293.2A CN114767120B (zh) | 2022-04-25 | 2022-04-25 | 基于深度学习的单侧肢体患者运动想象脑电通道选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114767120A true CN114767120A (zh) | 2022-07-22 |
CN114767120B CN114767120B (zh) | 2024-05-10 |
Family
ID=82432437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210436293.2A Active CN114767120B (zh) | 2022-04-25 | 2022-04-25 | 基于深度学习的单侧肢体患者运动想象脑电通道选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114767120B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030093129A1 (en) * | 2001-10-29 | 2003-05-15 | Nicolelis Miguel A.L. | Closed loop brain machine interface |
US20070250119A1 (en) * | 2005-01-11 | 2007-10-25 | Wicab, Inc. | Systems and methods for altering brain and body functions and for treating conditions and diseases of the same |
WO2007138598A2 (en) * | 2006-06-01 | 2007-12-06 | Tylerton International Inc. | Brain stimulation and rehabilitation |
CN101219048A (zh) * | 2008-01-25 | 2008-07-16 | 北京工业大学 | 想象单侧肢体运动的脑电特征的提取方法 |
WO2008151291A1 (en) * | 2007-06-05 | 2008-12-11 | Washington University | Methods and systems for controlling body parts and devices using ipsilateral motor cortex and motor related cortex |
US20140058528A1 (en) * | 2010-05-05 | 2014-02-27 | University Of Maryland, College Park | Time Domain-Based Methods for Noninvasive Brain-Machine Interfaces |
US20140277582A1 (en) * | 2013-03-15 | 2014-09-18 | Neurolutions, Inc. | Brain-controlled body movement assistance devices and methods |
US20150088024A1 (en) * | 2012-03-19 | 2015-03-26 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
US20150297106A1 (en) * | 2012-10-26 | 2015-10-22 | The Regents Of The University Of California | Methods of decoding speech from brain activity data and devices for practicing the same |
CN111062250A (zh) * | 2019-11-12 | 2020-04-24 | 西安理工大学 | 基于深度特征学习的多受试者运动想象脑电信号识别方法 |
CN111544854A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于脑肌电信号深度学习融合的脑卒中运动康复方法 |
CN111543985A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 一种基于新型深度学习模型的脑控混合智能康复方法 |
CN111695500A (zh) * | 2020-06-11 | 2020-09-22 | 齐鲁工业大学 | 基于迁移学习的脑卒中患者运动想象任务识别方法及系统 |
KR20200130768A (ko) * | 2019-04-30 | 2020-11-20 | 한양대학교 산학협력단 | 비디오 시간 정보를 활용하는 딥러닝 기반 물체 검출 방법 및 장치 |
CN113274032A (zh) * | 2021-04-29 | 2021-08-20 | 上海大学 | 一种基于ssvep+mi脑机接口的脑卒中康复训练系统及方法 |
US20210279554A1 (en) * | 2020-03-03 | 2021-09-09 | Samsung Electronics Co., Ltd. | Method and apparatus for monitoring physical activity |
CN113398422A (zh) * | 2021-07-19 | 2021-09-17 | 燕山大学 | 基于运动想象-脑机接口和虚拟现实的康复训练系统及方法 |
US20210307673A1 (en) * | 2020-03-30 | 2021-10-07 | University Of Louisiana At Lafayette | System and method for early and efficient prediction of epilectic seizures |
CN113506607A (zh) * | 2021-04-29 | 2021-10-15 | 上海大学 | 一种基于树莓派的便携式脑卒中康复训练系统及方法 |
CN114089834A (zh) * | 2021-12-27 | 2022-02-25 | 杭州电子科技大学 | 一种基于时间-通道级联Transformer网络的脑电识别方法 |
CN114266276A (zh) * | 2021-12-25 | 2022-04-01 | 北京工业大学 | 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法 |
-
2022
- 2022-04-25 CN CN202210436293.2A patent/CN114767120B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030093129A1 (en) * | 2001-10-29 | 2003-05-15 | Nicolelis Miguel A.L. | Closed loop brain machine interface |
US20070250119A1 (en) * | 2005-01-11 | 2007-10-25 | Wicab, Inc. | Systems and methods for altering brain and body functions and for treating conditions and diseases of the same |
WO2007138598A2 (en) * | 2006-06-01 | 2007-12-06 | Tylerton International Inc. | Brain stimulation and rehabilitation |
WO2008151291A1 (en) * | 2007-06-05 | 2008-12-11 | Washington University | Methods and systems for controlling body parts and devices using ipsilateral motor cortex and motor related cortex |
CN101219048A (zh) * | 2008-01-25 | 2008-07-16 | 北京工业大学 | 想象单侧肢体运动的脑电特征的提取方法 |
US20140058528A1 (en) * | 2010-05-05 | 2014-02-27 | University Of Maryland, College Park | Time Domain-Based Methods for Noninvasive Brain-Machine Interfaces |
US20150088024A1 (en) * | 2012-03-19 | 2015-03-26 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
US20150297106A1 (en) * | 2012-10-26 | 2015-10-22 | The Regents Of The University Of California | Methods of decoding speech from brain activity data and devices for practicing the same |
US20140277582A1 (en) * | 2013-03-15 | 2014-09-18 | Neurolutions, Inc. | Brain-controlled body movement assistance devices and methods |
KR20200130768A (ko) * | 2019-04-30 | 2020-11-20 | 한양대학교 산학협력단 | 비디오 시간 정보를 활용하는 딥러닝 기반 물체 검출 방법 및 장치 |
CN111062250A (zh) * | 2019-11-12 | 2020-04-24 | 西安理工大学 | 基于深度特征学习的多受试者运动想象脑电信号识别方法 |
US20210279554A1 (en) * | 2020-03-03 | 2021-09-09 | Samsung Electronics Co., Ltd. | Method and apparatus for monitoring physical activity |
US20210307673A1 (en) * | 2020-03-30 | 2021-10-07 | University Of Louisiana At Lafayette | System and method for early and efficient prediction of epilectic seizures |
CN111543985A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 一种基于新型深度学习模型的脑控混合智能康复方法 |
CN111544854A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于脑肌电信号深度学习融合的脑卒中运动康复方法 |
CN111695500A (zh) * | 2020-06-11 | 2020-09-22 | 齐鲁工业大学 | 基于迁移学习的脑卒中患者运动想象任务识别方法及系统 |
CN113274032A (zh) * | 2021-04-29 | 2021-08-20 | 上海大学 | 一种基于ssvep+mi脑机接口的脑卒中康复训练系统及方法 |
CN113506607A (zh) * | 2021-04-29 | 2021-10-15 | 上海大学 | 一种基于树莓派的便携式脑卒中康复训练系统及方法 |
CN113398422A (zh) * | 2021-07-19 | 2021-09-17 | 燕山大学 | 基于运动想象-脑机接口和虚拟现实的康复训练系统及方法 |
CN114266276A (zh) * | 2021-12-25 | 2022-04-01 | 北京工业大学 | 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法 |
CN114089834A (zh) * | 2021-12-27 | 2022-02-25 | 杭州电子科技大学 | 一种基于时间-通道级联Transformer网络的脑电识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114767120B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203692A (zh) | 基于深度卷积神经网络的房颤检测的实现方法 | |
CN111544855B (zh) | 基于蒸馏学习和深度学习纯意念控制智能康复方法及应用 | |
CN114224342B (zh) | 一种基于时空融合特征网络的多通道脑电信号情绪识别方法 | |
CN106725452A (zh) | 基于情感诱发的脑电信号识别方法 | |
CN111584029B (zh) | 基于判别式对抗网络的脑电自适应模型及在康复中的应用 | |
CN109259756B (zh) | 基于非平衡训练的二级神经网络的ecg信号处理方法 | |
CN109919938A (zh) | 青光眼的视盘分割图谱获取方法 | |
CN113111831A (zh) | 一种基于多模态信息融合的手势识别技术 | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
CN111544256A (zh) | 基于图卷积和迁移学习的脑控智能全肢体康复方法 | |
CN106446765A (zh) | 一种基于多维生理大数据深度学习的健康状态评价系统 | |
CN111481192A (zh) | 一种基于改进U-Net的心电信号R波检测方法 | |
CN110974219A (zh) | 一种基于侵入式bci的人脑意念识别系统 | |
CN110738660A (zh) | 基于改进U-net的脊椎CT图像分割方法及装置 | |
CN107212883A (zh) | 一种基于脑电控制的机械臂写字装置及控制方法 | |
CN110472595B (zh) | 脑电信号的识别模型构建方法、装置以及识别方法、装置 | |
CN116012916A (zh) | 远程光体积描记信号和心率检测模型构建方法及检测方法 | |
CN110916672A (zh) | 一种基于一维卷积神经网络的老年人日常活动监测方法 | |
CN114145744A (zh) | 基于跨设备前额脑电情绪识别的方法和系统 | |
CN114767120B (zh) | 基于深度学习的单侧肢体患者运动想象脑电通道选择方法 | |
CN117520891A (zh) | 一种运动想象脑电信号分类方法及系统 | |
CN111543985A (zh) | 一种基于新型深度学习模型的脑控混合智能康复方法 | |
CN117158994A (zh) | 一种基于运动想象的脑卒中患者脑电信号分类方法及系统 | |
CN116383696A (zh) | 一种基于深度学习的脑电信号分类识别方法及系统 | |
CN114818803A (zh) | 基于神经元优化的单侧肢体患者运动想象脑电建模方法 |
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 |