CN116150646A - 一种基于非均匀频带mfmdrm的运动想象脑电信号分类算法 - Google Patents

一种基于非均匀频带mfmdrm的运动想象脑电信号分类算法 Download PDF

Info

Publication number
CN116150646A
CN116150646A CN202211389322.0A CN202211389322A CN116150646A CN 116150646 A CN116150646 A CN 116150646A CN 202211389322 A CN202211389322 A CN 202211389322A CN 116150646 A CN116150646 A CN 116150646A
Authority
CN
China
Prior art keywords
riemann
frequency band
space
sample
signal
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
CN202211389322.0A
Other languages
English (en)
Inventor
谭平
苏晓萌
刘坤
周鲜成
王莉
申毅
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.)
Hunan University of Technology
Original Assignee
Hunan University of 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 Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202211389322.0A priority Critical patent/CN116150646A/zh
Publication of CN116150646A publication Critical patent/CN116150646A/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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Neurosurgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Health & Medical Sciences (AREA)
  • Dermatology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了一种基于非均匀频带多滤波器黎曼均值最小距离MFMDRM的运动想象脑电信号分类算法，包括以下步骤：(1)对脑电信号进行预处理；(2)使用多个带通滤波器对脑电信号进行频带滤波，划分为若干个非均匀频带信号；(3)提取每个频带信号的样本协方差特征，将样本空间由欧式空间转换到黎曼空间；(4)对黎曼空间中的样本特征进行类均值协方差矩阵计算，得到每个类别的均值点；(5)使用黎曼流形方法和交叉验证，得到最佳感觉运动频带；(6)对测试信号进行最佳感觉运动频带的带通滤波；(7)使用MDRM进行测试分类。本发明具有特征信息全面、分类精度高、泛化能力强、频带优化稳定等优点。

Description

一种基于非均匀频带MFMDRM的运动想象脑电信号分类算法
技术领域
本发明涉及电子通信技术领域，特别地，涉及一种基于非均匀频带MFMDRM的运动想象脑电信号分类算法。
背景技术
脑机接口可将大脑与外部环境之间建立一种全新的不依赖于外周神经和肌肉的交流与控制通道，通过将大脑信号转化为控制信号，实现大脑与外部设备的直接交互。该技术能够起到监测、替代、改善/恢复、增强、补充的作用，无论是在临床上还是军事、企业的生产制造上都发挥了显著的应用价值。
在脑机接口系统中，脑电信号(Electroencephalogram，EEG)因其无创、高时间分辨率、低成本等特点成为脑机接口研究中采用最多的信号。运动想象(Motor Imagery，MI)是一种不需要外界刺激，能自发产生的脑电信号，具有事件相关同步和事件相关去同步的特点。不同MI任务的EEG信号通常伴随着不同的感觉运动节律(sensory motor rhythm，SMR)，即各脑区特定频带功率的升高或降低。而且，脑机接口解码方面的一大难点是EEG信号具有显著的个体差异性。
因此能够主动选择用户具有区别性的特定频带，对于分类任务至关重要。然而，现阶段在黎曼流形分类方面，多采用宽频段的带通滤波，并没有考虑到用户的频段差异性。若能在现有研究的基础上，实现自动提取用户MI-EEG的最优频带特征，将会提高运动想象脑机接口识别率。
发明内容
本发明目的在于提供一种基于非均匀频带MFMDRM的运动想象脑电信号分类算法，以解决分类精度不够的技术问题。
为实现上述目的，本发明提供了一种基于非均匀频带多滤波器黎曼最小均值距离MFMDRM(Multi-Filter Minimum Distance Riemannian Mean)的运动想象脑电信号分类算法，包括以下步骤：
(1)对脑电信号进行预处理，提取脑电数据；
(2)使用多个带通滤波器对脑电信号进行频带滤波，划分为若干个非均匀频带信号；
(3)提取每个频带的样本协方差特征，将样本空间由欧式空间转换到黎曼空间；
(4)对黎曼空间中的样本特征进行类均值协方差矩阵计算，得到每个类别的均值点
(5)使用黎曼流形方法和交叉验证得到最佳感觉运动频带；
(6)对测试信号进行最佳感觉运动频带的带通滤波；
(7)采用MDRM(Minimum Distance Riemannian Mean)方法进行分类。
优选的，步骤(1)的具体方法为：选取样本MI任务提示后0.5-4.5s时间窗的数据。
优选的，步骤(2)中，运动想象脑机接口的运动意图识别是通过对脑电信号中感觉运动节律SMR的时间相关去同步ERD和时间相关同步ERS特性进行分类实现的。受试者进行运动想象任务时，SMR会发生变化，在脑部的感觉运动区可记录到8-12Hz的μ节律，也可以记录到18-26Hz的β节律脑电波以及部分α和γ节律。然而，SMR因受试者不同、想象运动的肢体或部位不同，其节律成分和带宽会发生变化，并且这种变化因人而异。因此找到试验者的最佳感觉运动频带，将最大程度提高运动意图识别精度。基于这种思路，文章使用7个带通滤波器，将脑电信号频带划分为以下7个非均匀重叠频带：4-8Hz,8-12Hz,12-26Hz,18-26Hz,26-30Hz,30-36Hz,36-40Hz，以找到试验者最佳感觉运动频带。
优选的，步骤(3)包括：
(3.1)采集脑电信号的电极分布在大脑皮层各脑区，并非一个平面，相比较欧式空间两点之间的距离度量方式，黎曼空间的黎曼度量方法可测量流形两点之间的真实测地距离(Geodesic Distance)，且具有仿射不变性；具体的形式如下：
δ(Ci，Cj)＝δ(XTCiX，XTCjX) (1)
Ci，Cj是黎曼流形上的两个样本点(i,j分别第i和j个样本)，δ为两个点之间的黎曼距离，X为混合信号,上标T表示矩阵转置。
(3.2)黎曼仿射不变性可以使传感器空间样本点之间的距离与源空间保持一致；
假设测量到的脑电信号生成模型为x＝A·s，其中s为脑偶极源的线性混合信号，由偶极子在大脑中的位置用户状态和头皮上电极的位置决定，A为混合矩阵，，Si，Sj为源空间任意两个样本的协方差矩阵，则传感器空间i和j样本的协方差矩阵为
Ci＝xi·xi T＝ATsi TsiA＝ATSiA (2)
Cj＝xj·xj T＝ATsj TsjA＝ATSjA (3)
由黎曼度量的仿射不变性可知，
δ(Ci，Cj)＝δ(XTSiX，XTSjX)＝δ(Si，Sj) (4)
无论A发生什么变化，都能保持特征空间的信息不变，相比欧式度量，黎曼度量具有更好的泛化能力；
(3.3)对于第i个试次，样本协方差矩阵CiεRn×n的计算方式如下：
Figure BDA0003931322270000031
其中，Ci为样本协方差矩阵的无偏估计，n为样本数，X为原始脑电信号矩阵，上标T表示矩阵转置，Ts为每个样本的采样时间点数量。
优选的，步骤(4)的具体方法为：已知n∈R属于四个类别，每个类别Ci的均值协方差矩阵计算方法为：
Figure BDA0003931322270000032
其中，K为每个类别的样本数，，δR为两个样本点之间的黎曼距离。
优选的，步骤(5)的具体方法为：基于特征选择的hold-out方法，对于每一个频带，在每个黎曼空间中使用MDRM分类器对训练样本进行十折交叉验证，根据分类结果选出最佳感觉运动频带。
优选的，步骤(6)的具体方法为：使用一个会话的数据作为训练集，另一个会话的数据作为测试集；由于黎曼度量的强泛化能力，在跨会话中，测试结果也完全不受影响；
假设Si，Sj为源空间任意两个样本的协方差矩阵，则传感器空间的协方差矩阵为
Ci＝ATSiA,Cj＝ATSjA (7)
其中，A为信号传导过程中的混合矩阵。上标T表示矩阵转置。
测试集与训练集具有相同的源过程Si，Sj，这次的线性混合矩阵为E，新会话的传感器协方差矩阵为
Ti＝ETSiE，Tj＝ETSjE (8)
显然，
δR(Ti，Tj)＝δR(Si，Sj) (9)
黎曼距离δR(Ci，C)具体计算方法如下：
Figure BDA0003931322270000033
其中R代表黎曼距离，Ci，C为黎曼流形上的两个样本点，λi,i＝1…n是
Figure BDA0003931322270000041
的实特征值，F为矩阵的范数。
即可根据以下公式估计出未知样本所属的类别标签
i＝arg miniδR(C，Ci) (11)。本发明具有以下有益效果：
(1)特征信息全面：使用频带划分的方法，可以避免与MI不相关频段的干扰，提取到最优的时频空特征。
(2)分类精度高：相较宽频带的特征分类，该方法能够自动选取用户具有区别性的最佳感觉运动频带，使用最优频段特征以提高分类精确度。
(3)泛化能力强：由于黎曼度量具有仿射不变特性，可保持不同样本之间的特征信息不变性，只需计算未知类别与已知类别的黎曼距离即可判定分类且保持高精度。
(4)频带优化稳定：感觉运动节律会随着MI进行非均匀的变化，对MI-EEG划分多个非均匀频带，最大程度确保用户的最佳频带选择。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明一种基于非均匀频带MFMDRM运动想象脑电信号分类算法的流程图；
图2是非均匀频带划分示意图；
图3为最佳感觉运动频带MDRM分类的示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
如图1所示，本发明主要包括以下步骤：
步骤1：对脑电信号进行预处理。
采用BCI IV 2a数据集，包括9个用户的四类MI任务，共两个会话，一个会话作为训练集，另外一个作为测试集。每个会话包括共288个试次。每个试次选取MI任务相关的4s时间窗脑电数据。
步骤2：采用多个带通滤波器脑电信号分解为多个非均匀频带信号；
对步骤2的具体说明：
(2.1)总共使用了7个带通滤波器，分别为4-8Hz,8-12Hz,12-26Hz,18-26Hz,26-30Hz,30-36Hz,36-40Hz。(图2)
(2.2)与运动想象有关的感觉运动节律包括mu和beta节律，它们分别是位于mu波段(7-13Hz)和beta波段(13-30Hz)中的大脑神经元活动。通过想象，这些大脑活动波段会发生变化，电极就可以通过感知运动节律的改变采集到MI-EEG。大脑节律具有非均匀性，运动想象引起的节律变化也是不均匀的，本发明使用的非均匀频带划分方法，相比较均匀子带划分更加符合大脑的节律变化特性，有利于提取用户MI任务的显著特征频段。而我们选取低频为6Hz，高频为40Hz的宽频带划分频带，则能保证MI频带的可覆盖性。
步骤3：提取频带的样本协方差特征，完成黎曼空间的转化；
对步骤3的具体说明：
(3.1)采集脑电信号的电极分布在大脑皮层各脑区，并非一个平面，相比较欧式空间两点之间的距离度量方式，黎曼空间的黎曼度量方法可测量流形两点之间的真实测地距离(Geodesic Distance)，且具有仿射不变性。具体的形式如下：
δ(Ci，Cj)＝δ(XTCiX，XTCjX) (1)
Ci，Cj是黎曼流形上的两个点，δ为两个点之间的黎曼距离，X为混合信号,上标T表示矩阵转置。
(3.2)仿射不变性可以使传感器空间样本点之间的距离与源空间保持一致。
假设脑电信号生成模型为x＝A·s，其中s为脑偶极源的线性混合信号，由偶极子在大脑中的位置用户状态和头皮上电极的位置决定，A为混合矩阵，i,j分别代表所有试次中的第i和j个试次，Si，Sj为源空间任意两个试次的协方差矩阵，则传感器空间的协方差矩阵为
Ci＝xi·xi T＝ATsi TsiA＝ATSiA (2)
Cj＝xj·xj T＝ATsj TsjA＝ATSjA (3)
由黎曼度量的仿射不变性可知，
δ(Ci，Cj)＝δ(XTSiX，XTSjX)＝δ(Si，Sj) (4)
无论A发生什么变化，都能保持特征空间的信息不变。
(3.3)对于第i个试次，协方差矩阵的计算方式为：
Figure BDA0003931322270000051
其中，n为样本数，X为原始脑电信号，CiεRn×n为样本协方差矩阵的无偏估计，Ts为每次试验的采样时间点数量。
步骤4：计算黎曼空间样本均值协方差矩阵；
已知Xi属于Y个类别，则每个类别协方差矩阵均值的计算方法为
Figure BDA0003931322270000061
其中，k为每个类别的样本数，Ci为每个样本的协方差矩阵，δ为两个点之间的黎曼距离。
步骤5：使用黎曼流形方法和交叉验证，自动选择用户的最佳感觉运动频带。(图3)
基于特征选择的hold-out方法，对于每一个频带，在每个黎曼空间中使用MDRM分类器对训练样本进行十折交叉验证，根据分类结果选出最佳感觉运动频带。
步骤6：使用选取的最佳感觉运动频带对运动想象脑电信号进行测试分类。
使用一个会话的数据作为训练集，另一个会话的数据作为测试集。由于黎曼度量的强泛化能力，在跨会话中，测试结果也完全不受影响。
还是假设Si，Sj为源空间任意两个trail的协方差矩阵，则传感器空间的协方差矩阵为
Ci＝ATSiA,Cj＝ATSjA (7)
A为信号传导过程中的混合矩阵。
测试集与训练集具有相同的源过程Si，Sj，这次的线性混合信号为B，新会话的传感器协方差矩阵为
Ti＝BTSiB，Tj＝BTSjB (8)
显然，
δ(Ti，Tj)＝δ(Si，Sj) (9)
黎曼距离计算方法：
Figure BDA0003931322270000062
其中R代表黎曼距离，Ci，C为黎曼流形上的两个样本点，λi,i＝1…n是
Figure BDA0003931322270000063
的实特征值，F为矩阵的范数。
即可根据以下公式估计出未知样本所属的类别标签。
i＝arg miniδR(C，Ci) (11)
C为未知试次。
对比算法：
(1)FBCSP：该方法将EEG信号分解为多个子带，频带划分范围为4-40Hz，带宽为4Hz，均匀划分。提取每个子带的CSP特征，得到滤波器组特征。算法使用0.5～4s的时间间隔，使用支持向量机分类器进行训练和测试。
(2)MDRM：该方法使用4-40Hz宽频带滤波，0.5～4s的时间间隔。提取COV作为样本空间特征，使用黎曼流形方法MDRM进行训练和测试。
本发明采用BCI IV 2a数据集，与FBCSP，MDRM均进行了对比。结果如表1所示。(其中，S1…S9位数据集中9位受试者，AVG为平均值。)
表1.BCI IV 2a四分类测试分类精度算法对比
Figure BDA0003931322270000071
实验结果表明，该方法在MI-EEG四分类中可达到较好的效果。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于非均匀频带MFMDRM的运动想象脑电信号分类算法，其特征在于，包括以下步骤：
(1)对脑电信号进行预处理，提取脑电数据；
(2)使用多个带通滤波器对脑电信号进行频带滤波，划分为若干个非均匀频带信号；
(3)提取每个频带信号的样本协方差特征，将样本空间由欧式空间转换到黎曼空间；
(4)对黎曼空间中的样本特征进行类均值协方差矩阵计算，得到每个类别的均值点；
(5)使用黎曼流形方法和交叉验证，得到最佳感觉运动频带；
(6)对测试信号进行最佳感觉运动频带的带通滤波
(7)使用MDRM方法进行测试分类。
2.根据权利要求书1所述的一种基于非均匀频带MFMDRM的运动想象脑电信号分类算法，其特征在于，步骤(1)的具体方法为：选取样本MI任务提示后0.5-4.5s时间窗的数据。
3.根据权利要求书1所述的一种基于非均匀频带MFMDRM的运动想象脑电信号分类算法，其特征在于，步骤(2)中，运动想象脑机接口的运动意图识别是通过对脑电信号中感觉运动节律SMR的时间相关去同步ERD和时间相关同步ERS特性进行分类实现的；使用7个带通滤波器，将脑电信号频带划分为以下7个非均匀重叠频带：4-8Hz,8-12Hz,12-26Hz,18-26Hz,26-30Hz,30-36Hz,36-40Hz，以找到试验者最佳感觉运动频带。
4.根据权利要求书1所述的一种基于非均匀频带MFMDRM的运动想象脑电信号分类算法，其特征在于，步骤(3)包括：
(3.1)采集脑电信号的电极分布在大脑皮层各脑区，并非一个平面，相比较欧式空间两点之间的距离度量方式，黎曼空间的黎曼度量方法可测量流形两点之间的真实测地距离(Geodesic Distance)，且具有仿射不变性；
具体的形式如下：
δ(Ci，Cj)＝δ(XTCiX，XTCjX) (1)
Ci，Cj是黎曼流形上的两个样本点(i,j分别第i和j个样本)，δ为两个样本之间的黎曼距离，X为混合信号，上标T表示矩阵转置；
(3.2)黎曼仿射不变性可以使传感器空间样本点之间的距离与源空间保持一致；
假设测量到脑电信号生成模型为x＝A·s，其中s为脑偶极源的线性混合信号，由偶极子在大脑中的位置用户状态和头皮上电极的位置决定，A为混合矩阵，Si，Sj为源空间任意两个试次的协方差矩阵，则传感器空间i和j的样本协方差矩阵为
Ci＝xi·xi T＝ATsi TsiA＝ATSiA (2)
Cj＝xj·xj T＝ATsj TsjA＝ATSjA (3)
由黎曼度量的仿射不变性可知，
δ(Ci，Cj)＝δ(ATSiA，ATSjA)＝δ(Si，Sj) (4)
无论A发生什么变化，都能保持特征空间的信息不变，相比欧式度量，黎曼度量具有更好的泛化能力；
(3.3)对于第i个试次，样本协方差矩阵的计算方式如下：
Figure FDA0003931322260000021
其中，Ci为样本协方差矩阵的无偏估计，n为样本数，X为原始脑电信号矩阵，上标T表示矩阵转置，Ts为每个样本的采样时间点数量。
5.根据权利要求书1所述的一种基于非均匀频带MFMDRM的运动想象脑电信号分类算法，其特征在于，步骤(4)的具体方法为：已知nεR属于四个类别，每个类别的均值协方差矩阵Ci计算方法为：
Figure FDA0003931322260000022
其中，K为每个类别的样本数，δR为两个样本点之间的黎曼距离。
6.根据权利要求书1所述的一种基于非均匀频带MFMDRM的运动想象脑电信号分类算法，其特征在于，步骤(5)的具体方法为：基于特征选择的hold-out方法，对于每一个频带，在每个黎曼空间中使用MDRM分类器对训练样本进行十折交叉验证，根据分类结果选出最佳感觉运动频带。
7.根据权利要求书1所述的一种基于非均匀频带MFMDRM的运动想象脑电信号分类算法，其特征在于，步骤(6)的具体方法为：使用一个会话的数据作为训练集，另一个会话的数据作为测试集；由于黎曼度量的强泛化能力，在跨会话中，测试结果也完全不受影响；
假设Si，Sj为源空间任意两个样本的协方差矩阵，则传感器空间的协方差矩阵为
Ci＝ATSiA,Cj＝ATSjA (7)
其中，A为信号传导过程中的混合矩阵，上标T表示矩阵转置；
测试集与训练集具有相同的源过程Si，Sj，这次的线性混合信号为E，新会话的传感器协方差矩阵为
Ti＝ETSiE，Tj＝ETSjE (8)
显然，
δ(Ti，Tj)＝δ(Si，Sj) (9)
黎曼距离计算方法：
Figure FDA0003931322260000031
其中R代表黎曼距离，Ci，C为黎曼流形上的两个样本点，λi,i＝1…n是
Figure FDA0003931322260000032
的实特征值，F为矩阵的范数；
即可根据以下公式估计出未知样本Co所属的类别标签
Figure FDA0003931322260000033
Figure FDA0003931322260000034
/>
CN202211389322.0A 2022-11-08 2022-11-08 一种基于非均匀频带mfmdrm的运动想象脑电信号分类算法 Pending CN116150646A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211389322.0A CN116150646A (zh) 2022-11-08 2022-11-08 一种基于非均匀频带mfmdrm的运动想象脑电信号分类算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211389322.0A CN116150646A (zh) 2022-11-08 2022-11-08 一种基于非均匀频带mfmdrm的运动想象脑电信号分类算法

Publications (1)

Publication Number Publication Date
CN116150646A true CN116150646A (zh) 2023-05-23

Family

ID=86355177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211389322.0A Pending CN116150646A (zh) 2022-11-08 2022-11-08 一种基于非均匀频带mfmdrm的运动想象脑电信号分类算法

Country Status (1)

Country Link
CN (1) CN116150646A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117389441A (zh) * 2023-11-23 2024-01-12 首都医科大学附属北京天坛医院 基于视觉追随辅助的书写想象汉字轨迹确定方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117389441A (zh) * 2023-11-23 2024-01-12 首都医科大学附属北京天坛医院 基于视觉追随辅助的书写想象汉字轨迹确定方法及系统
CN117389441B (zh) * 2023-11-23 2024-03-15 首都医科大学附属北京天坛医院 基于视觉追随辅助的书写想象汉字轨迹确定方法及系统

Similar Documents

Publication Publication Date Title
Park et al. Filter bank regularized common spatial pattern ensemble for small sample motor imagery classification
Chen et al. Removal of muscle artifacts from the EEG: A review and recommendations
Zou et al. Automatic identification of artifact-related independent components for artifact removal in EEG recordings
Ramoser et al. Optimal spatial filtering of single trial EEG during imagined hand movement
Parra et al. Response error correction-a demonstration of improved human-machine performance using real-time EEG monitoring
La Rocca et al. EEG biometrics for individual recognition in resting state with closed eyes
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
La Rocca et al. On the repeatability of EEG features in a biometric recognition framework using a resting state protocol
Tarnowski et al. Combined analysis of GSR and EEG signals for emotion recognition
KR102038203B1 (ko) 동작 상상 뇌파 신호 분류 장치 및 그 방법
CN104635934A (zh) 基于逻辑思维和形象思维的脑机接口方法
CN112515685A (zh) 基于时频共融的多通道脑电信号通道选择方法
Song et al. A novel technique for selecting EMG-contaminated EEG channels in self-paced brain–computer Interface task onset
CN112806994A (zh) 一种基于生理信号预测个体压力应对方式的系统和方法
Guo et al. EEG classification by filter band component regularized common spatial pattern for motor imagery
CN116150646A (zh) 一种基于非均匀频带mfmdrm的运动想象脑电信号分类算法
Liu et al. An efficient and robust muscle artifact removal method for few-channel EEG
Nasehi et al. A novel effective feature selection algorithm based on S-PCA and wavelet transform features in EEG signal classification
Kaewwit et al. High accuracy EEG biometrics identification using ICA and AR model
CN109009098A (zh) 一种运动想象状态下的脑电信号特征识别方法
Tian et al. Study on classification of left-right hands motor imagery EEG signals based on CNN
CN107423668B (zh) 基于小波变换和稀疏表达的脑电信号分类系统与方法
Geng et al. A fusion algorithm for EEG signal processing based on motor imagery brain-computer interface
Li et al. Emotion recognition based on EEG brain rhythm sequencing technique
Navarro et al. A comparison of time, frequency and ICA based features and five classifiers for wrist movement classification in EEG signals

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