CN116269445A - 一种用于ssvep短时窗信号的精准目标识别方法 - Google Patents
一种用于ssvep短时窗信号的精准目标识别方法 Download PDFInfo
- Publication number
- CN116269445A CN116269445A CN202310266775.2A CN202310266775A CN116269445A CN 116269445 A CN116269445 A CN 116269445A CN 202310266775 A CN202310266775 A CN 202310266775A CN 116269445 A CN116269445 A CN 116269445A
- Authority
- CN
- China
- Prior art keywords
- signal
- ssvep
- signals
- cca
- continuation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000000638 stimulation Effects 0.000 claims abstract description 18
- 238000010219 correlation analysis Methods 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 4
- 210000000624 ear auricle Anatomy 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 210000001061 forehead Anatomy 0.000 claims description 3
- 210000003128 head Anatomy 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 abstract 1
- 230000000007 visual effect Effects 0.000 description 11
- 108091006146 Channels Proteins 0.000 description 9
- 210000004556 brain Anatomy 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
- 230000001755 vocal 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
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/378—Visual stimuli
-
- 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
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种用于SSVEP短时窗信号的精准目标识别方法,利用一个或多个刺激目标对应的SSVEP信号构建信号延拓模型DP‑MAFD‑SEM,通过信号延拓模型对SSVEP短信号进行信号延拓,增长SSVEP信号长度,然后利用基于信号延拓的典型相关性分析方法(SE‑CCA)完成特征频率的识别和分类;通过信号延拓增长SSVEP短时窗信号长度,以提高CCA等基于协方差矩阵估计方法识别的可靠性,实现更高的识别准确率;本发明为提高SSVEP短信号特别频率识别准确率提供了全新的角度和途径,实现了用较短的信号达到更高的识别准确率,有利于进一步提高SSVEP‑BCIs的信息传输率,促进高速SSVEP‑BCIs的发展,促进SSVEP‑BCIs的实用化发展。
Description
技术领域
本发明涉及生物医学工程及脑机接口技术领域,具体涉及一种用于SSVEP短时窗信号的精准目标识别方法。
背景技术
脑机接口(brain-computer interface,BCI)是一种不依赖人的神经肌肉通道,能够实现大脑和外部设备直接信息交流的技术,近十几年得到了突飞猛进的发展,开发了如脑控假肢、脑控拼字、脑控轮椅和脑控无人机等系统。稳态视觉诱发电位(steady-statevisual evoked potentials,SSVEP)是人的视觉系统在受到外部一定频率(通常大于3Hz)的视觉刺激时,在大脑枕区的视觉皮层的电位活动被调制的结果。由于其无需训练、信噪比高、鲁棒性好等特点而被广泛应用于各类脑机接口系统中。
提高SSVEP-BCIs的信息传输率(Information Transfer Rate,ITR)是该领域的研究热点。ITR主要由呈现的刺激目标数量、目标识别正确率、使用的信号时窗长度决定。近些年来先进的刺激目标编码方法和目标识别方法的发展进一步提高了SSVEP-BCIs的ITR,但是提高ITR的关键在于提高算法的性能,即利用较短的信号时窗长度实现更高的识别正确率,近些年来提高ITR的研究主要是聚焦于提高SSVEP目标识别方法的性能。典型相关性分析(Canonical correlation analysis,CCA)因利用了多通道间的空间信息,相较于传统傅里叶变换等具有更好的目标识别性能,从而成为SSVEP的标准目标识别方法。众多研究者从不同的角度对CCA进行拓展,以进一步提高其性能,如P-CCA(Phase ConstrainedCanonical Correlation Analysis)从相位角度进行优化,FBCCA(Filter bank canonicalcorrelation analysis)利用谐波信号进行增强,MsetCCA(Multi-set CanonicalCorrelation Analysis)、MwayCCA(Multiway Canonical Correlation Analysis)、IT-CCA(Individual Template Canonical Correlation Analysis)等从构建信号模板的角度出发构建具有真实脑电信号的信号模板,TRCA(Task-Related Component Analysis)通过提取任务相关成分作为信号模板,eTRCA(Ensemble Task-Related Component Analysis)在TRCA的基础上,集成不同刺激目标获得的空间滤波器以提高目标识别性能。相较于无训练方法如CCA、IT-CCA、FBCCA等,有训练方法如MsetCCA、MwayCCA、IT-CCA等具有更好的目标识别性能,但是基于有训练的方法需要大量的校准数据进行校准,这限制了它的实际应用。
一个用户友好型SSVEP-BCIs更倾向于利用短时窗信号和无训练方法用于目标识别。目前先进识别方法已经显著地提高了SSVEP的目标识别正确率,但是其对于SSVEP的短时窗信号目标识别性能仍然较差,这严重限制了高速SSVEP-BCIs的发展和实际应用。随着SSVEP信号长度增长,目标识别的正确率将提高,这已经成为常识。其原因是较长的SSVEP信号,有助于获得更加准确的空间滤波器。其次,CCA及其拓展方法基于协方差估计的统计学方法,当信号长度较短时,该类方法变得不可靠。基于信号延拓方法在故障诊断领域中解决经验模态分解的端点效应有着广泛应用,但还没有通过信号延拓技术提高SSVEP短时窗信号目标识别准确率的方法。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种用于SSVEP短时窗信号的精准目标识别方法,从数据角度出发,通过信号延拓技术延长SSVEP信号长度,以实现提高SSVEP短时窗信号的目标识别准确率。
为了达到上述目的,本发明采取的技术方案为:
一种用于SSVEP短时窗信号的精准目标识别方法,包括:
SSVEP信号延拓模型DP-MAFD-SEM(Signal Extension Model Based on Multi-channel Adaptive Fourier Decomposition with Different Phase):利用不同相位多通道自适应傅里叶分解(Multi-channel adaptive Fourier decomposition withdifferent Phase,DP-MAFD)同时分解一个或多个源刺激的同一个通道信号,提取共同周期成分,通过共同成分重构SSVEP信号,并通过时间偏移,延拓信号;
基于信号延拓的SSVEP特征频率识别方法SE-CCA(Signal-Extension CanonicalCorrelation Analysis):利用构建的DP-MAFD-SEM对待测信号在每一个刺激目标频率处进行信号延拓,并分别用CCA计算典型相关性系数,将最大的典型相关系数值对应的频率作为识别结果。
一种用于SSVEP短时窗信号的精准目标识别方法,包括以下步骤:
步骤1)多通道信号采集:采集被试的多通道SSVEP信号,SSVEP信号经过放大、滤波与数模转化处理;
步骤2)信号预处理;
步骤3)构建信号延拓模型DP-MAFD-SEM,以实现信号延拓;
步骤4)SSVEP信号延拓;
步骤5)用SE-CCA完成SSVEP特征频率识别。
所述步骤1)中在被试头部枕区布置9个测量电极:Pz、PO5、PO3、POz、PO4、PO6、Oz、O1、O2,在其单侧耳垂布置参考电极Fpz,在其前额处布置地电极Gnd,通过使用脑电采集设备进行脑电信号采集。
所述步骤2)中先对信号进行归一化和零均值化处理,然后利用巴特沃斯滤波器带通滤波器提取6-90Hz的信号成分。
所述步骤3)中随机选择一个或多个刺激目标作为源刺激的SSVEP信号,利用DP-MAFD同时分解一个或多个源刺激的同一个通道信号,提取共同周期成分,并获得对应分解层的自适应基和分解系数;利用自适应基和分解系数重构SSVEP信号,通过时间偏移实现信号延拓。
所述步骤4)中利用步骤3)中获得的信号延拓模型通过时间偏移实现对SSVEP的每一个通道分别进行信号延拓,获得延拓部分信号,在信号后拼接延拓部分信号完成信号延拓。
所述步骤5)中利用SE-CCA实现最终的特征频率识别,利用步骤3)中构建的DP-MAFD-SEM和步骤4)的延拓过程对待测信号在每一个刺激目标频率处进行信号延拓,并分别用CCA计算典型相关性系数,将最大的典型相关系数值对应的频率作为识别结果。
本发明的有益效果为:
本发明针对现有识别方法对SSVEP短时窗信号的特征频率识别性能较差问题,从信号角度出发,提出了一种用于SSVEP短时窗信号的精准目标识别方法,为提高识别准确率,提高信息传输率提供新方法和新思路,其具有如下优越性:
(1)通过信号延拓技术,延长SSVEP信号长度,解决SSVEP特征频率识别方法受限于信号长度的问题。
(2)利用较短的信号实现更高的识别准确率,显著提高了BCI系统的信息传输率。
(3)该方法实现简单,可以与其它特征频率识别方法相结合,方便在各种基于SSVEP的系统中布置使用。
附图说明
图1为本发明的流程图。
图2为本发明SSVEP特征频率识别流程图。
图3为本发明实施例的SSVEP信号,(a)为SSVEP信号延拓前后在时域、频域比较图,(b)为SSVEP信号延拓后与等长度的真实信号在时域、频域的比较图。
图4为本发明与传统方法在分类性能上的比较图,(a)为分类正确率比较图,(b)为信息传输率比较图。
具体实施方式
下面结合实施例和附图对本发明作详细描述。
参照图1,一种用于SSVEP短时窗信号的精准目标识别方法,包括:
SSVEP信号延拓模型DP-MAFD-SEM:利用不同相位多通道自适应傅里叶分解(Multi-channel adaptive Fourier decomposition with different Phase,DP-MAFD)同时分解一个或多个源刺激(选择用于构建延拓模型的刺激标目标对应的SSVEP信号)的同一个通道信号,提取共同周期成分,获得对应分解层的自适应基Bc,n(θ)和分解系数Ac,j,n,通过自适应基Bc,n(θ)和分解系数Ac,j,n重构SSVEP信号,并通过时间偏移,延拓信号;
基于信号延拓的SSVEP特征频率识别方法SE-CCA:参照图2,利用构建的DP-MAFD-SEM对待测信号在每一个刺激目标频率处进行信号延拓,并分别用CCA计算典型相关性系数,将最大的典型相关系数值对应的频率作为识别结果。
参照图1,一种用于SSVEP短时窗信号的精准目标识别方法,包括以下步骤:
步骤1)多通道脑电信号采集:采集被试的多通道SSVEP信号,SSVEP信号经过放大、滤波与数模转化处理;具体为:
1.1)呈现视觉刺激范式,视觉刺激范式刺激人的视觉系统并在人大脑枕区诱发SSVEP响应,视觉刺激范式可以是光闪烁、光栅、棋盘格或运动型刺激范式等,显示器上可以同时呈现多个视觉刺激;
1.2)在被试头部枕区布置9个测量电极:Pz、PO5、PO3、POz、PO4、PO6、Oz、O1、O2,在其单侧耳垂布置参考电极,在其前额Fpz处布置地电极Gnd,通过使用脑电采集设备进行脑电信号采集;
1.3)在呈现视觉刺激范式的同时脑电采集设备采集脑电信号;
步骤2)信号预处理:首先对信号进行归一化和零均值化处理,然后利用巴特沃斯带通滤波器获得6-90Hz的成分(可根据刺激频率范围调整);
步骤3)构建信号延拓模型DP-MAFD-SEM(Signal Extension Model based onMulti-channel Adaptive Fourier Decomposition with Different Phase,DP-MAFD-SEM),以实现信号延拓:首先选择一个或多个刺激目标的SSVEP信号作为源刺激,利用DP-MAFD同时分解所有源刺激的同一个通道信号,提取共同周期成分,获得每一个分解层的自适应基Bc,n(θ)和分解系数Ac,j,n,其中c表示第c个通道,n表示当前的分解层数,j表示第j个源刺激,θ为信号当前时刻对应的相位,进而重构该通道信号,通过时间偏移实现SSVEP信号延拓;在分解过程中通过匹配追踪生成自适应基Bc,n(θ),自适应基Bc,n(θ)可以表示为:
Gc,j,n(t1)是剩余量,可以通过下列递归过程获得:
Ac,j,n可以通过下式获得:
在获得自适应基Bc,n(θ)和分解系数Ac,j,n后,可通过下式重构SSVEP信号,并通过时间偏移延拓信号:
步骤4)SSVEP信号延拓:在获得信号延拓模型DP-MAFD-SEM后对预处理后的待测信号进行延拓如下式所示:
步骤5)利用SE-CCA实现最终的特征频率识别:利用步骤3)中构建的DP-MAFD-SEM和步骤4)的延拓过程对待测信号在每一个刺激目标频率处进行信号延拓,并分别用CCA计算典型相关性系数,将最大的典型相关系数值对应的频率作为识别结果,SSVEP特征频率识别流程如图2所示。
为验证本发明方法的可行性,本实施例利用采集的35名被试(男女比例为4:3)的SSVEP信号,年龄分布为20~27岁且都具有正常或矫正后正常的视力,刺激范式为光闪烁,每位被试进行6轮实验,每轮实验的目标频率为8-15.8Hz,间隔为0.2Hz,共40个目标频率;每次视觉刺激开始前会在屏幕中央出现1s的光标以及语言提醒,接着是5s的视觉刺激,每两个视觉刺激间休息5s。
在预处理前去除实验开始后因视觉系统延迟对应的0.14s信号,即用剩余的4.86s信号进行数据处理,通过时窗截取获得不同长度的信号;随机选择一个刺激目标的SSVEP信号作为源刺激,构建延拓模型,信号延拓的长度为使用的信号长度的1倍。
图3(a)为被试3延拓前后信号的时域和频域比较图,刺激频率为8.4Hz,原始信号长度为1s。从图中可以看出延拓后的信号与延拓前的信号具有相同的频谱分布,且延拓后的信号在主要成分处(刺激频率及其谐波)具有更高的幅值。图3(b)为被试3延拓后信号与真实SSVEP信号的时域和频域比较图,刺激频率为8.4Hz,原始信号长度为1s。从图中可以看出延拓后的信号与真实SSVEP信号具有相同的频谱分布,延拓后的信号在主要成分处的幅值略低于真实SSVEP信号的幅值。这说明DP-MAFD-SEM用于SSVEP信号延拓的可行性。
本发明用于SSVEP特征频率识别的效果如图4所示,其结果为所有被试的所有试次的统计结果。结果显示SE-CCA的特征频率识别性能优于标准CCA和FBCCA,SE-CCA明显提高了对于SSVEP短信号的特征频率识别准确率,进一步提高SSVEP-BCIs的ITR,尤其是对于短信号。
Claims (7)
1.一种用于SSVEP短时窗信号的精准目标识别方法,其特征在于,包括:
SSVEP信号延拓模型DP-MAFD-SEM(Signal Extension Model Based on Multi-channel Adaptive Fourier Decomposition with Different Phase):利用不同相位多通道自适应傅里叶分解(Multi-channel adaptive Fourier decomposition withdifferent Phase,DP-MAFD)同时分解一个或多个源刺激的同一个通道信号,提取共同周期成分,通过共同成分重构SSVEP信号,并通过时间偏移,延拓信号;
基于信号延拓的SSVEP特征频率识别方法SE-CCA(Signal-Extension CanonicalCorrelation Analysis):利用构建的DP-MAFD-SEM对待测信号在每一个刺激目标频率处进行信号延拓,并分别用CCA计算典型相关性系数,将最大的典型相关系数值对应的频率作为识别结果。
2.根据权利要求1所述的方法,其特征在于,包括以下步骤:
步骤1)多通道信号采集:采集被试的多通道SSVEP信号,SSVEP信号经过放大、滤波与数模转化处理;
步骤2)信号预处理;
步骤3)构建信号延拓模型DP-MAFD-SEM,以实现信号延拓;
步骤4)SSVEP信号延拓;
步骤5)用SE-CCA完成SSVEP特征频率识别。
3.根据权利要求2所述的方法,其特征在于,所述步骤1)中在被试头部枕区布置9个测量电极:Pz、PO5、PO3、POz、PO4、PO6、Oz、O1、O2,在其单侧耳垂布置参考电极Fpz,在其前额处布置地电极Gnd,通过使用脑电采集设备进行脑电信号采集。
4.根据权利要求2所述的方法,其特征在于,所述步骤2)中先对信号进行归一化和零均值化处理,然后利用巴特沃斯滤波器带通滤波器提取6-90Hz的信号成分。
5.根据权利要求2所述的方法,其特征在于,所述步骤3)中随机选择一个或多个刺激目标作为源刺激的SSVEP信号,利用DP-MAFD同时分解一个或多个源刺激的同一个通道信号,提取共同周期成分,并获得对应分解层的自适应基和分解系数;利用自适应基和分解系数重构SSVEP信号,通过时间偏移实现信号延拓。
6.根据权利要求2所述的方法,其特征在于,所述步骤4)中利用步骤3)中获得的信号延拓模型通过时间偏移实现对SSVEP的每一个通道分别进行信号延拓,获得延拓部分信号,在信号后拼接延拓部分信号完成信号延拓。
7.根据权利要求2所述的方法,其特征在于,所述步骤5)中利用SE-CCA实现最终的特征频率识别,利用步骤3)中构建的DP-MAFD-SEM和步骤4)的延拓过程对待测信号在每一个刺激目标频率处进行信号延拓,并分别用CCA计算典型相关性系数,将最大的典型相关系数值对应的频率作为识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310266775.2A CN116269445A (zh) | 2023-03-20 | 2023-03-20 | 一种用于ssvep短时窗信号的精准目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310266775.2A CN116269445A (zh) | 2023-03-20 | 2023-03-20 | 一种用于ssvep短时窗信号的精准目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116269445A true CN116269445A (zh) | 2023-06-23 |
Family
ID=86818222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310266775.2A Pending CN116269445A (zh) | 2023-03-20 | 2023-03-20 | 一种用于ssvep短时窗信号的精准目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116269445A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738215A (zh) * | 2023-08-11 | 2023-09-12 | 之江实验室 | 一种基于稳态视觉诱发电位的脑电身份识别方法及装置 |
-
2023
- 2023-03-20 CN CN202310266775.2A patent/CN116269445A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738215A (zh) * | 2023-08-11 | 2023-09-12 | 之江实验室 | 一种基于稳态视觉诱发电位的脑电身份识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | A novel EEMD-CCA approach to removing muscle artifacts for pervasive EEG | |
CN105286890B (zh) | 一种基于脑电信号的驾驶员瞌睡状态监测方法 | |
CN112515685B (zh) | 基于时频共融的多通道脑电信号通道选择方法 | |
CN107260166A (zh) | 一种实用化在线脑电伪迹剔除方法 | |
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 | |
CN105342605B (zh) | 一种去除脑电信号中肌电伪迹的方法 | |
CN111184509A (zh) | 一种基于传递熵的情绪诱导脑电信号分类方法 | |
CN108681391A (zh) | 一种基于多模式的脑电信号虚拟键盘设计方法 | |
CN104914994A (zh) | 基于稳态视觉诱发电位的飞行器控制系统和飞行控制方法 | |
CN109770900B (zh) | 基于卷积神经网络的脑机接口指令下发方法、系统、装置 | |
CN112528834B (zh) | 子带目标对齐共空间模式的脑电信号跨被试分类方法 | |
CN116269445A (zh) | 一种用于ssvep短时窗信号的精准目标识别方法 | |
CN112426162A (zh) | 一种基于脑电信号节律熵的疲劳检测方法 | |
CN112861625A (zh) | 一种堆叠去噪自编码器模型确定方法 | |
CN113576498B (zh) | 基于脑电信号的视听觉美学评价方法及系统 | |
Moser et al. | Classification and detection of single evoked brain potentials using time-frequency amplitude features | |
de Cheveigné et al. | Component analysis reveals sharp tuning of the local field potential in the guinea pig auditory cortex | |
CN112244880A (zh) | 基于变尺度符号补偿传递熵的情绪诱导脑电信号分析方法 | |
CN113180706B (zh) | 一种基于fhn随机共振的ssvep特征频率提取方法 | |
CN114831652A (zh) | 基于同步压缩小波变换和mlf-cnn的脑电信号处理方法 | |
CN114081506A (zh) | 一种基于长短期记忆网络的稳态视觉诱发电位分类方法 | |
CN113558637A (zh) | 一种基于相位传递熵的音乐感知下脑网络构建方法 | |
CN110613446A (zh) | 一种信号处理方法及装置 | |
CN113673440B (zh) | 一种基于fhn-cca融合的ssvep多尺度噪声转移及特征频率检测方法 | |
CN114041803B (zh) | 一种基于区间中值滤波的tms脉冲伪迹的去除装置 |
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 |