CN117034078A - 脑电信号解码方法、装置、上位机及计算机可读存储介质 - Google Patents
脑电信号解码方法、装置、上位机及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117034078A CN117034078A CN202310988579.6A CN202310988579A CN117034078A CN 117034078 A CN117034078 A CN 117034078A CN 202310988579 A CN202310988579 A CN 202310988579A CN 117034078 A CN117034078 A CN 117034078A
- Authority
- CN
- China
- Prior art keywords
- decoded
- electroencephalogram
- electroencephalogram signal
- time window
- brain
- 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 90
- 239000013598 vector Substances 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 26
- 210000004556 brain Anatomy 0.000 claims description 112
- 239000002245 particle Substances 0.000 claims description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 230000000694 effects Effects 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010187 selection method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 17
- 230000009471 action Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 9
- 230000000638 stimulation Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 208000012661 Dyskinesia Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61G—TRANSPORT, PERSONAL CONVEYANCES, OR ACCOMMODATION SPECIALLY ADAPTED FOR PATIENTS OR DISABLED PERSONS; OPERATING TABLES OR CHAIRS; CHAIRS FOR DENTISTRY; FUNERAL DEVICES
- A61G5/00—Chairs or personal conveyances specially adapted for patients or disabled persons, e.g. wheelchairs
- A61G5/10—Parts, details or accessories
- A61G5/1051—Arrangements for steering
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
Abstract
本申请提供了一种脑电信号解码方法、装置、上位机及计算机可读存储介质。其中,该方法包括:获取目标用户的最优时间窗口内的待解码脑电信号,所述最优时间窗口基于所述目标用户的脑电信号训练得到;计算所述最优时间窗口内的待解码脑电信号的特征向量;通过特征分类法对所述特征向量中的特征进行分类,以确定所述待解码脑电信号对应的控制意图。本申请通过根据目标用户的脑电信号训练得到该目标用户对应的最优时间窗口,在对脑电信号进行解码时,通过获取该目标用户对应最优时间窗口内的待解码脑电信号,使得待解码的脑电信号均为有效的运动想象,可以提高脑电信号解码的准确性。
Description
技术领域
本申请涉及智能轮椅领域,具体而言,涉及一种脑电信号解码方法、装置、上位机及计算机可读存储介质。
背景技术
脑控轮椅的出现极大的方便了手脚不便的患者,对于手脚不便的患者来说,通过对脑电信号进行解码生成控制信息来控制轮椅是提高运动功能障碍患者生活质量的方法之一。这种通过脑部信号控制轮椅的方式,打破普通轮椅对使用者身体条件的限制,不需要通过例如键盘、操作杆等控制方式驱动轮椅,对于上肢完全不能运动的运动功能障碍患者也具备一定的适用性。
目前的脑电信号解码方式通常采用一个固定时间窗口截取脑电信号,但是这种解码方式常常会影响脑电信号解码的准确性。
发明内容
有鉴于此,本申请实施例的目的在于提供一种脑电信号解码方法、装置、上位机及计算机可读存储介质,能够提高脑电信号解码的准确性。
第一方面,本申请实施例提供了一种脑电信号解码方法,包括:获取目标用户的最优时间窗口内的待解码脑电信号,所述最优时间窗口基于所述目标用户的脑电信号训练得到;计算所述最优时间窗口内的待解码脑电信号的特征向量;通过特征分类法对所述特征向量中的特征进行分类,以确定所述待解码脑电信号对应的控制意图。
在上述实现过程中,由于该最优时间窗口是根据目标用户的脑电信号训练得到,即该最优时间窗口是对应目标用户运动想象真正开始时间到真正结束时间的时间窗口。因而,在对脑电信号进行解码时,通过获取该目标用户对应最优时间窗口内的待解码脑电信号,使得待解码的脑电信号均为有效的运动想象,可以提高脑电信号解码的准确性。
在一个实施例中,所述方法还包括:采用粒子群算法训练所述目标用户的最优时间窗口。
在一个实施例中,所述采用粒子群算法训练所述目标用户的最优时间窗口,包括:确定多个粒子在当前迭代中的当前局部最优解和当前全局最优解,所述粒子通过所述目标用户的待解码脑电信号划分得到;根据所述当前局部最优解和所述当前全局最优解更新每个粒子的当前速度和当前位置;根据更新后的当前速度和当前位置继续确定所述多个粒子在下一迭代中的当前局部最优解和当前全局最优解,直到确定出多次迭代中的最大局部最优解和最大全局最优解;根据所述最大局部最优解和所述最大全局最优解确定所述目标用户的脑电信号开始时间和时间宽度,以根据所述脑电信号开始时间和所述时间宽度确定所述目标用户的最优时间窗口。
在上述实现过程中,由于粒子群算法具有收敛速度快,对计算机的内存要求不大、原理简单以及易于实现等优势。因而,通过该粒子群算法训练目标用户的最优时间窗口,可以在简化目标用户的最优时间窗口的训练难度的同时,减少最优时间窗口训练的内存占用。
在一个实施例中,所述计算所述最优时间窗口内的待解码脑电信号的特征向量之前,所述方法还包括:按照预设带宽将获取的待解码脑电信号划分为多个子频带待解码脑电信号;所述计算所述最优时间窗口内的待解码脑电信号的特征向量,包括:分别计算所述最优时间窗口内每个子频带待解码脑电信号对应的特征向量。
在上述实现过程中,由于子带越多提供的频带信息越丰富,因而在对脑电信号解码前,先将脑电信号划分为多个子频带待解码脑电信号,可以提高获取到的待解码脑电信号的丰富度,进而提高脑电信号解码的准确性。
在一个实施例中,所述通过特征分类法对所述特征向量中的特征进行分类,以确定所述待解码脑电信号对应的控制意图,包括:根据MIBIF算法从所述多个子频带待解码脑电信号对应的多个特征向量中确定出设定数量的目标特征,所述MIBIF算法为一种基于互信息的特征选取方法;通过特征分类法对所述目标特征进行分类,以确定所述待解码脑电信号对应的控制意图。
在上述实现过程中,由于多个子频带待解码脑电信号中可能只有一部分子频带待解码脑电信号与脑控轮椅的控制相关,通过根据MIBIF算法从多个子频带待解码脑电信号对应的多个特征向量中确定出设定数量的目标特征,一方面,可以减少其他子频带待解码脑电信号对脑控轮椅控制信号生成造成影响,提高脑电信号解码的准确性。另一方面也可以减少特征分类时分类压力,提高脑电信号解码效率。
在一个实施例中,所述根据MIBIF算法从所述多个子频带待解码脑电信号对应的多个特征向量中确定出设定数量的目标特征之前,所述方法还包括:计算脑电信号的时空模式与神经元活动之间的互信息。
在上述实现过程中,通过计算脑电信号的时空模式与神经元活动之间的互信息,可以选择使分类结果误差相对较小的最佳频带,进而提取到该多个特征向量中设定数量的与控制信号最相关的特征向量,提高脑电信号解码的准确性。
在一个实施例中,所述待解码脑电信号为脑控轮椅的控制信息,所述脑控轮椅的坐垫上设置有压力传感器,所述方法还包括:根据所述压力传感器反馈的压力信息和设定压力速度关系确定所述脑控轮椅的移动速度;根据所述移动速度和所述控制意图控制所述脑控轮椅动作。
在上述实现过程中,通过根据脑控轮椅上的压力信息确定该脑控轮椅的移动速度,当不同体重的使用者坐上轮椅后,可以根据压力传感器当前反馈的压力信息调整脑控轮椅移动速度快慢,优化了该脑控轮椅的使用体验感。
第二方面,本申请实施例还提供一种脑电信号解码装置,包括:获取模块,用于获取目标用户的最优时间窗口内的待解码脑电信号,所述最优时间窗口基于所述目标用户的脑电信号训练得到;计算模块,用于计算所述最优时间窗口内的待解码脑电信号的特征向量;分类模块,用于通过特征分类法对所述特征向量中的特征进行分类,以确定所述待解码脑电信号对应的控制意图。
第三方面,本申请实施例还提供一种上位机,包括:处理器、存储器,所述存储器存储有所述处理器可执行的机器可读指令,当上位机运行时,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面的任一种可能的实施方式中的方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面,或第一方面的任一种可能的实施方式中脑电信号解码方法的步骤。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的脑控轮椅系统示意图;
图2为本申请实施例提供的上位机的方框示意图;
图3为本申请实施例提供的脑电信号解码方法的流程图;
图4为本申请实施例提供的脑电信号解码装置的功能模块示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
稳态视觉诱发电位(SSVEP)范式可以在短时间内实现大量指令的输出,用脑电信号刺激装置作为刺激端,使用者只需要通过观察脑电信号刺激装置的动态图标即可实现轮椅移动。
本申请发明人经长期研究发现,目前的脑电信号解码方式采用一个固定时间窗口进行截取脑电信号,由于每个使用者心理或生理状态存在一定的差异,不能保证在该时间窗口内都能进行有效的运动想象,进而影响脑电信号解码的准确性。
有鉴于此,本申请发明人提出一种脑电信号解码方法,通过根据目标用户的脑电信号训练得到该目标用户对应的最优时间窗口,在对脑电信号进行解码时,通过获取该目标用户对应最优时间窗口内的待解码脑电信号,使得待解码的脑电信号均为有效的运动想象,可以提高脑电信号解码的准确性。另外,再通过将待解码脑电信号划分为多个子频带待解码脑电信号,可以提高获取到的待解码脑电信号的丰富度,进一步提高脑电信号解码的准确性。
为便于对本实施例进行理解,首先对执行本申请实施例所公开的一种脑电信号解码方法的运行环境进行详细介绍。
如图1所示,是本申请实施例提供的脑控轮椅系统示意图。该脑控轮椅包括脑电信号刺激装置30、脑电信号采集装置20、上位机以及脑控轮椅10。
其中,脑电信号刺激装置30用于刺激用户产生脑电信号;脑电信号采集装置20用于获取脑电信号,并将脑电信号发送到上位机;上位机用于对脑电信号进行解码。
在一种实施例中,该脑控轮椅的坐垫上可以设置有压力传感器。该压力传感器与上位机连接,并配置为将获取到压力信息发送到上位机。
这里的脑电信号刺激装置30可以是显示器、VR眼镜等用于刺激装置。具体的,该脑电信号刺激装置30中可以设置不同频率的闪烁光源,用户通过注视不同频率的光源可以产生不同的脑电信号。
上述的脑电信号采集装置20可以是脑电帽等用于获取脑电信号的装置。当用于通过注视不同频率的光源可以产生不同的脑电信号,该脑电帽可以通过传感器采集用户头皮上的脑电信号,并将该脑电信号传输到上位机。
可选地,该上位机可以集成在脑控轮椅内部,与脑控轮椅为一体;该上位机也可以和脑控轮椅两个相互独立的装置。当上位机也和脑控轮椅为两个相互独立的装置时,该上位机也可以安装在脑控轮椅上,也可以不安装在脑控轮椅上。
该上位机可以是网络服务器、数据库服务器等,也可以是个人电脑(personalcomputer,PC)、平板电脑、智能手机、个人数字助理(personal digital assistant,PDA)等。该上位机的类型和设置方式可以根据实际情况进行调整,本申请不做具体限制。
可以理解地,上位机在获取到脑电信号后,通过滤波、增益等处理方法,提取出与闪烁光源频率相应的脑电信号,并对该脑电信号进行解码,以生成相应的控制信号。
应理解,若该上位机获取到压力信息,可以根据该压力信息控制该脑控轮椅动作或停止,以及控制该脑控轮椅动作的速度等。
可选地,该脑控轮椅上还可以设置机械臂300。机械臂300配置为执行操作物体任务。
在一种实施方式中,该上位机对脑电信号解码后,生成控制信号,并根据该控制信号控制脑电轮椅动作和/或控制脑电轮椅上的机械臂动作。
为便于对本实施例进行理解,下面对执行本申请实施例所公开的脑电信号解码方法的上位机进行详细介绍。
如图2所示,是上位机的方框示意图。上位机100可以包括存储器111、处理器113、输入输出单元115。本领域普通技术人员可以理解,图2所示的结构仅为示意,其并不对上位机100的结构造成限定。例如,上位机100还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。
上述的存储器111、处理器113及输入输出单元115各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器113用于执行存储器中存储的可执行模块。
其中,存储器111可以是,但不限于,随机存取存储器(Random Access Memory,简称RAM),只读存储器(Read Only Memory,简称ROM),可编程只读存储器(ProgrammableRead-Only Memory,简称PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,简称EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,简称EEPROM)等。其中,存储器111用于存储程序,所述处理器113在接收到执行指令后,执行所述程序,本申请实施例任一实施例揭示的过程定义的上位机100所执行的方法可以应用于处理器113中,或者由处理器113实现。
上述的处理器113可能是一种集成电路芯片,具有信号的处理能力。上述的处理器113可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(digital signalprocessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述的输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是,但不限于,鼠标和键盘等。
本实施例中的上位机100可以用于执行本申请实施例提供的各个方法中的各个步骤。下面通过几个实施例详细描述脑电信号解码方法的实现过程。
请参阅图3,是本申请实施例提供的脑电信号解码方法的流程图。下面将对图3所示的具体流程进行详细阐述。
步骤201,获取目标用户的最优时间窗口内的待解码脑电信号。
这里的待解码脑电信号可以为脑控轮椅动作的控制信息,还可以是脑控轮椅上机械臂动作的控制信息等。该待解码脑电信号可以根据实际情况进行选择,本申请不做具体限制。
应理解,脑控轮椅通常是供重度运动功能障碍者使用,一般来说,每个脑控轮椅供对应的重度运动功能障碍者使用。为了使该脑控轮椅的控制更加精准,在该脑控轮椅首次使用时,可以将该脑控轮椅与目标用户绑定,并可以根据该目标用户的脑电信号训练出该目标用户对用的个性化脑控信号解码模型。这里的目标用户是指该脑控轮椅绑定的使用者。
在一种实施例中,一个脑控轮椅可能供多个目标用户使用。在这种情况下,可以针对每个目标用户均训练对应的脑控信号解码模型,并将该脑控信号解码模型与对应的目标用户的账号绑定。在不同目标用户使用该脑控轮椅时,可以通过切换至该目标用户的账号后,使用与该账号绑定的脑控信号解码模型对相应的目标用户进行脑电信号解码。
上述的最优时间窗口基于目标用户的脑电信号训练得到。
可以理解地,每个用户因为心理或生理状态不同,每个用户在指定任务时间内,真正开始想象任务和结束运动想象任务的时间也不尽相同。因此,可以根据每个用户实际情况对时间窗口寻优,以确定出每个用户对应的最优时间窗口。该最优时间窗口即该用户运动想象真正开始时间到真正结束时间这一时间窗口。
步骤202,计算最优时间窗口内的待解码脑电信号的特征向量。
上述待解码脑电信号的特征向量可以通过CSP(中文名称:共空间模式)算法、小波变换算法以及功率谱密度算法等方式计算。该脑电信号的特征向量的计算方式可以根据实际情况进行选择,本申请不做具体限制。
示例性地,若计算左右机械手的待解码脑电信号的特征向量,且假设训练集中的左右机械手分别包括n个测试,每次测试数据为EN*T,其中N为通道数,T为某一时间间隔中所有的采样点,则该CSP算法具体如下:
1)计算每个测试的协方差:
其中,trace(EN*TEN*T T)表示矩阵EN*TEN*T T的迹。
2)分别计算左右机械手的平均协方差Cl、Cr和混合空间协方差Cc:
Cc=Cl+Cr;
其中,Cl,i为左机械手第i个测试的协方差,Cr,i为右机械手第i个测试的协方差。
3)对混合协方差Cc进行特征值分解:
Cc=UcΛcUC T
其中,Λc为特征值对角矩阵,Uc为特征向量矩阵。
4)构造白化矩阵和左右手对应空间系数矩阵:
Sl=PClPT;
Sr=PCrPT;
其中,P为白化矩阵,Sl为左机械手空间系数矩阵,Sr为右机械手空间系数矩阵。
5)对白化后的Sl和Sr进行特征值分解:
Sl=BΛlBT
Sr=BΛrBT;
6)计算空间滤波器矩阵W:
W=(BTP)T;
其中,将脑电信号EN*T通过WN*N滤波,可得:
ZN*T=WN*NEN*T;
7)可选择XN*T的前m行和后m行(2m<N)作为原始输入数据的特征,计算特征向量f:
其中,var(Zp)为ZN*T中第i行的方差。
上述计算方式仅是示例性地,待解码脑电信号的特征向量还可以通过其他计算方式获得,本申请不做具体限制。
步骤203,通过特征分类法对特征向量中的特征进行分类,以确定待解码脑电信号对应的控制意图。
可选地,这里的特征分类法可以采用SVM(Support Vector Machine,中文名称:监督学习)算法、LDA(Latent Dirichlet Allocation,中文名称:隐含狄利克雷分布)算法等,该特征分类法的具体算法类型可以根据实际情况进行调整,本申请不做具体限制。
在上述实现过程中,由于该最优时间窗口是根据目标用户的脑电信号训练得到,即该最优时间窗口是对应目标用户运动想象真正开始时间到真正结束时间的时间窗口。因而,在对脑电信号进行解码时,通过获取该目标用户对应最优时间窗口内的待解码脑电信号,使得待解码的脑电信号均为有效的运动想象,可以提高脑电信号解码的准确性。
在一种可能的实现方式中,该方法还包括:采用粒子群算法训练目标用户的最优时间窗口。
这里的粒子群算法是一种通过模拟鸟群觅食行为发展起来的一种群体协作的搜索算法。该粒子群算法的基本思想在于通过群体中个体之间的协作和信息共享来寻找最优解。
可以理解地,不同的目标用户其最优时间窗口不同。因而,可以在进行脑电信号解码前,先针对目标用户训练其最优时间窗口,并将训练得到的最优时间窗口与相应的目标用户进行绑定,以在后续的脑电信号解码时可以直接根据存储的该目标用户对应的最优时间窗口进行解析。
可选地,该最优时间窗口可以在上位机首次启动时进行训练,也可以在首次进行脑电信号解码时训练,还可以在每次脑电信号解码后进行训练。该最优时间窗口的训练时间可以根据实际情况进行调整,本申请不做具体限制。
在一些实施例中,还可以根据目标用户每次的脑电信号解码信息更新该目标用户对应的最优时间窗口。
在一种可能的实现方式中,采用粒子群算法训练目标用户的最优时间窗口,包括:确定多个粒子在当前迭代中的当前局部最优解和当前全局最优解;根据当前局部最优解和当前全局最优解更新每个粒子的当前速度和当前位置;根据更新后的当前速度和当前位置继续确定多个粒子在下一迭代中的当前局部最优解和当前全局最优解,直到确定出多次迭代中的最大局部最优解和最大全局最优解;根据最大局部最优解和最大全局最优解确定目标用户的脑电信号开始时间和时间宽度,以根据脑电信号开始时间和时间宽度确定目标用户的最优时间窗口。
这里的粒子通过目标用户的待解码脑电信号划分得到。即确定设定数量的脑电信号属于一个粒子种群,将待解码脑电信号划分为多个粒子种群。
在一种实施例中,假设M个脑电信号属于1个粒子种群,且每个粒子的维度为2维,且粒子的移动方向为位置向量X,移动速度为速度向量V。则第h个粒子在第k次迭代时,位置向量可表示为:速度向量可表示为:则在第k次迭代时,局部最优解定义为:Qbest,(k),全局最优解为:Gbest(k)。
上述粒子群中每个粒子的速度和位置通过当前局部最优解进行更新,可通过如下公式实现:
其中,k为迭代次数,j为粒子的维度,c1和c2为加速因子,c1和c2在[0,1]之间,r1和r2为[0,1]之间的随机数。
可以理解地,按照上述公式,通过对每个粒子的当前速度和当前位置不断更新迭代,可以得到大量的局部最优解和全局最优解,该局部最优解和全局最优解按照一定的趋势变化。通常为从小到大,然后到达最大后,又会继续变小。通过分析该局部最优解和全局最优解的变化趋势,可以确定出多次迭代中的最大局部最优解和最大全局最优解。
这里的最大局部最优解和最大全局最优解对应的粒子群的开始时间和时间宽度即为该目标用户的脑电信号开始时间和时间宽度。
在上述实现过程中,由于粒子群算法具有收敛速度快,对计算机的内存要求不大、原理简单以及易于实现等优势。因而,通过该粒子群算法训练目标用户的最优时间窗口,可以在简化目标用户的最优时间窗口的训练难度的同时,减少最优时间窗口训练的内存占用。
在一种可能的实现方式中,步骤202之前,该方法还包括:按照预设带宽将获取的待解码脑电信号划分为多个子频带待解码脑电信号。
这里的预设带宽可以是2Hz、4Hz、6Hz…等,该预设带宽可以根据实际情况选择。
示例性地,若该预设带宽为4Hz,待解码脑电信号所在的范围为4-40Hz,则可以将该待解码脑电信号分解为4-8Hz、8-12Hz、12-16H…36-40Hz共9个子频带待解码脑电信号。
可选地,该待解码脑电信号可以通过巴特沃斯滤波器、贝塞尔滤波器、切比雪夫型滤波器等滤波器进行分频。对该待解码脑电信号进行分频的滤波器可以根据实际情况进行选择,本申请不做具体限制。
在一些实施例中,步骤202包括:分别计算最优时间窗口内每个子频带待解码脑电信号对应的特征向量。
应理解,每个子频带待解码脑电信号可以通过CSP算法、小波变换算法以及功率谱密度算法等算法分别计算,以得到多个特征向量。
在上述实现过程中,由于子带越多提供的频带信息越丰富,因而在对脑电信号解码前,先将脑电信号划分为多个子频带待解码脑电信号,可以提高获取到的待解码脑电信号的丰富度,进而提高脑电信号解码的准确性。
在一种可能的实现方式中,步骤203,包括:根据MIBIF算法从多个子频带待解码脑电信号对应的多个特征向量中确定出设定数量的目标特征;通过特征分类法对目标特征进行分类,以确定待解码脑电信号对应的控制意图。
应理解,多个子频带待解码脑电信号中可能只有一部分子频带待解码脑电信号与脑控轮椅的控制相关。因而,在计算出每个子频带待解码脑电信号的特征向量后,还可以进一步对得到的多个特征向量进行筛选,选择出与脑控轮椅控制相关性较高的子频带待解码脑电信号。这里的与脑控轮椅控制相关性较高的子频带待解码脑电信号对应的特征向量即为目标特征。
这里的MIBIF算法为一种基于互信息的特征选取方法。该特征选取是指从多种特征向量中选择与任务目标相关的最佳特征子集。其中,互信息是一种特征选择度量方法,它可以衡量两个随机变量之间的相关性。在特征选择过程中,我们将互信息用于评估脑电信号与相应神经元活动之间的相关性,进而选择对分类结果影响最大的特征。
上述的互信息可以是脑电信号的时空模式与神经元活动之间的互信息。
可选地,目标特征的设定数量可以为4、5、6等,该目标特征的设定数量可以根据实际情况进行选择,本申请不做具体限制。
在上述实现过程中,由于多个子频带待解码脑电信号中可能只有一部分子频带待解码脑电信号与脑控轮椅的控制相关,通过根据MIBIF算法从多个子频带待解码脑电信号对应的多个特征向量中确定出设定数量的目标特征,一方面,可以减少其他子频带待解码脑电信号对脑控轮椅控制信号生成造成影响,提高脑电信号解码的准确性。另一方面也可以减少特征分类时分类压力,提高脑电信号解码效率。
在一种可能的实现方式中,根据MIBIF算法从多个子频带待解码脑电信号对应的多个特征向量中确定出设定数量的目标特征之前,该方法还包括:计算脑电信号的时空模式与神经元活动之间的互信息。
可以理解地,在基于互信息的特征选择中,问题定义为:给定一个具有d个特征的初始集合F,找到具有k个特征的子集S使互信息最大化。
则该脑电信号的时空模式与神经元活动之间的互信息可以通过以下公式表示:
I(X;Y)=H(X)+H(Y)-H(Y1X);
这里的X可以为脑电信号的时空模式,也可以为神经元活动。该Y可以为脑电信号的时空模式,也可以为神经元活动。当X为脑电信号的时空模式时,Y为神经元活动。当X为神经元活动时,Y为脑电信号的时空模式。该X和Y的表达的具体对象可以根据实际情况进行调整。
其中,I(X;Y)为脑电信号的时空模式与神经元活动之间的互信息,H(X)为X的熵,H(Y)为Y的熵,H(Y|X)为X和Y的条件熵。
应理解,脑电信号的时空模式与神经元活动之间的互信息用于表示脑电信号的时空模式与神经元活动之间的相关性。若脑电信号的时空模式与神经元活动之间存在某种相关性,那么I(X;Y)会大于(H(X)+H(Y))。若脑电信号的时空模式与神经元活动之间没有相关性,那么I(X;Y)会小于(H(X)+H(Y))。
在一种实施例中,X的熵如下所示:
H(X)-∑Xp(x)log2p(x);
其中,p(x)为变量X取某一具体值x的概率,H(X)为X的熵。
Y的熵如下所示:
H(Y)=-∑Yp(y)log2p(y);
其中,p(y)为变量Y取某一具体值y的概率,H(Y)为Y的熵。
进一步,该X、Y的条件熵如下所示:
H(Y|X)=-∑X∑Yp(x,y)log2p(y|x);
其中,p(x,y)为X取x以及Y取y的联合概率,p(y|x)为X取x以及Y取y的条件概率。
在上述实现过程中,通过计算脑电信号的时空模式与神经元活动之间的互信息,可以选择使分类结果误差相对较小的最佳频带,进而提取到该多个特征向量中设定数量的与控制信号最相关的特征向量,提高脑电信号解码的准确性。
在一种可能的实现方式中,该方法还包括:根据压力传感器反馈的压力信息和设定压力速度关系确定脑控轮椅的移动速度;根据移动速度和控制意图控制脑控轮椅动作。
这里的压力传感器可以是柔性压力传感器,可以通过该压力传感器的形变程度反馈不同电阻值,进而输出不同幅值的压力信号,以用于区分人体和重物压在坐垫上的情况。例如,可以设置压力幅值阈值,当该压力信息大于压力幅值阈值,则可以确定该压在坐垫上的是人体。
上述设定压力速度关系为设定的压力值与速度对照关系。该设定压力速度关系可以提前存储在上位机的存储器中。
可以理解地,脑控轮椅承载不同重量的重物时,其对应需要的制动力和/或牵引力等都可能会发生变化。因而,可以根据不同重量的重物对脑控轮椅的制动力和/或牵引力的影响关系,建立压力值与速度对照关系,以在上位机获取到对应的压力信息后,根据该压力信息确定对应的速度值,并控制该脑控轮椅按照该速度移动。
可选地,该控制意图控制脑控轮椅的动作方向,移动速度控制脑控轮椅的移动速度;或该控制意图控制脑控轮椅的动作方向,移动速度和该控制意图控制脑控轮椅的移动速度;或移动速度和控制意图设置优先级,当控制意图中包括速度控制时,该控制意图控制脑控轮椅的动作方向和移动速度等。该脑控轮椅的具体控制方式可以根据实际情况进行调整,本申请不做具体限制。
在一些实施例中,该压力信号还可以用于控制脑控轮椅的启停。例如,根据该压力信号确定出该脑控轮椅上的重物为人体时,该脑控轮椅才启动。当确定出该脑控轮椅的重物不是人体时,该脑控轮椅停止。
在上述实现过程中,通过根据脑控轮椅上的压力信息确定该脑控轮椅的移动速度,当不同体重的使用者坐上轮椅后,可以根据压力传感器当前反馈的压力信息调整脑控轮椅移动速度快慢,优化了该脑控轮椅的使用体验感。
基于同一申请构思,本申请实施例中还提供了与脑电信号解码方法对应的脑电信号解码装置,由于本申请实施例中的装置解决问题的原理与前述的脑电信号解码方法实施例相似,因此本实施例中的装置的实施可以参见上述方法的实施例中的描述,重复之处不再赘述。
请参阅图4,是本申请实施例提供的脑电信号解码装置的功能模块示意图。本实施例中的脑电信号解码装置中的各个模块用于执行上述方法实施例中的各个步骤。脑电信号解码装置包括获取模块301、计算模块302、分类模块303;其中,
获取模块301用于获取目标用户的最优时间窗口内的待解码脑电信号,最优时间窗口基于目标用户的脑电信号训练得到。
计算模块302用于计算最优时间窗口内的待解码脑电信号的特征向量。
分类模块303用于通过特征分类法对特征向量中的特征进行分类,以确定待解码脑电信号对应的控制意图。
一种可能的实施方式中,该脑电信号解码装置还包括训练模块,用于:采用粒子群算法训练目标用户的最优时间窗口。
一种可能的实施方式中,训练模块,还用于:确定多个粒子在当前迭代中的当前局部最优解和当前全局最优解,粒子通过目标用户的待解码脑电信号划分得到;根据当前局部最优解和当前全局最优解更新每个粒子的当前速度和当前位置;根据更新后的当前速度和当前位置继续确定多个粒子在下一迭代中的当前局部最优解和当前全局最优解,直到确定出多次迭代中的最大局部最优解和最大全局最优解;根据最大局部最优解和最大全局最优解确定目标用户的脑电信号开始时间和时间宽度,以根据脑电信号开始时间和时间宽度确定目标用户的最优时间窗口。
一种可能的实施方式中,该脑电信号解码装置还包括划分模块,用于:按照预设带宽将获取的待解码脑电信号划分为多个子频带待解码脑电信号。
一种可能的实施方式中,计算模块302,具体用于:分别计算最优时间窗口内每个子频带待解码脑电信号对应的特征向量。
一种可能的实施方式中,分类模块303,具体用于:根据MIBIF算法从多个子频带待解码脑电信号对应的多个特征向量中确定出设定数量的目标特征,MIBIF算法为一种基于互信息的特征选取方法;通过特征分类法对目标特征进行分类,以确定待解码脑电信号对应的控制意图。
一种可能的实施方式中,计算模块302,还用于:计算脑电信号的时空模式与神经元活动之间的互信息。
一种可能的实施方式中,该脑电信号解码装置还包括控制模块,用于:根据压力传感器反馈的压力信息和设定压力速度关系确定脑控轮椅的移动速度;根据移动速度和控制意图控制脑控轮椅动作。
此外,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中的脑电信号解码方法的步骤。
本申请实施例所提供的脑电信号解码方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行上述方法实施例中的脑电信号解码方法的步骤,具体可参见上述方法实施例,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种脑电信号解码方法,其特征在于,包括:
获取目标用户的最优时间窗口内的待解码脑电信号,所述最优时间窗口基于所述目标用户的脑电信号训练得到;
计算所述最优时间窗口内的待解码脑电信号的特征向量;
通过特征分类法对所述特征向量中的特征进行分类,以确定所述待解码脑电信号对应的控制意图。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采用粒子群算法训练所述目标用户的最优时间窗口。
3.根据权利要求2所述的方法,其特征在于,所述采用粒子群算法训练所述目标用户的最优时间窗口,包括:
确定多个粒子在当前迭代中的当前局部最优解和当前全局最优解,所述粒子通过所述目标用户的待解码脑电信号划分得到;
根据所述当前局部最优解和所述当前全局最优解更新每个粒子的当前速度和当前位置;
根据更新后的当前速度和当前位置继续确定所述多个粒子在下一迭代中的当前局部最优解和当前全局最优解,直到确定出多次迭代中的最大局部最优解和最大全局最优解;
根据所述最大局部最优解和所述最大全局最优解确定所述目标用户的脑电信号开始时间和时间宽度,以根据所述脑电信号开始时间和所述时间宽度确定所述目标用户的最优时间窗口。
4.根据权利要求1所述的方法,其特征在于,所述计算所述最优时间窗口内的待解码脑电信号的特征向量之前,所述方法还包括:
按照预设带宽将获取的待解码脑电信号划分为多个子频带待解码脑电信号;
所述计算所述最优时间窗口内的待解码脑电信号的特征向量,包括:
分别计算所述最优时间窗口内每个子频带待解码脑电信号对应的特征向量。
5.根据权利要求4所述的方法,其特征在于,所述通过特征分类法对所述特征向量中的特征进行分类,以确定所述待解码脑电信号对应的控制意图,包括:
根据MIBIF算法从所述多个子频带待解码脑电信号对应的多个特征向量中确定出设定数量的目标特征,所述MIBIF算法为一种基于互信息的特征选取方法;
通过特征分类法对所述目标特征进行分类,以确定所述待解码脑电信号对应的控制意图。
6.根据权利要求5所述的方法,其特征在于,所述根据MIBIF算法从所述多个子频带待解码脑电信号对应的多个特征向量中确定出设定数量的目标特征之前,所述方法还包括:
计算脑电信号的时空模式与神经元活动之间的互信息。
7.根据权利要求1-6任意一项所述的方法,其特征在于,所述待解码脑电信号为脑控轮椅的控制信息,所述脑控轮椅的坐垫上设置有压力传感器,所述方法还包括:
根据所述压力传感器反馈的压力信息和设定压力速度关系确定所述脑控轮椅的移动速度;
根据所述移动速度和所述控制意图控制所述脑控轮椅动作。
8.一种脑电信号解码装置,其特征在于,包括:
获取模块,用于获取目标用户的最优时间窗口内的待解码脑电信号,所述最优时间窗口基于所述目标用户的脑电信号训练得到;
计算模块,用于计算所述最优时间窗口内的待解码脑电信号的特征向量;
分类模块,用于通过特征分类法对所述特征向量中的特征进行分类,以确定所述待解码脑电信号对应的控制意图。
9.一种上位机,其特征在于,包括:处理器、存储器,所述存储器存储有所述处理器可执行的机器可读指令,当上位机运行时,所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310988579.6A CN117034078A (zh) | 2023-08-07 | 2023-08-07 | 脑电信号解码方法、装置、上位机及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310988579.6A CN117034078A (zh) | 2023-08-07 | 2023-08-07 | 脑电信号解码方法、装置、上位机及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117034078A true CN117034078A (zh) | 2023-11-10 |
Family
ID=88632967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310988579.6A Pending CN117034078A (zh) | 2023-08-07 | 2023-08-07 | 脑电信号解码方法、装置、上位机及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117034078A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
CN109766845A (zh) * | 2019-01-14 | 2019-05-17 | 首都医科大学宣武医院 | 一种脑电信号分类方法、装置、设备和介质 |
KR20200053171A (ko) * | 2018-11-08 | 2020-05-18 | 고려대학교 산학협력단 | 동작 상상 뇌-컴퓨터 인터페이스를 위한 시간-주파수 최적 공간 패턴 기반 뇌파 분석 방법 |
CN111728609A (zh) * | 2020-08-26 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 脑电信号的分类方法、分类模型的训练方法、装置及介质 |
CN116415700A (zh) * | 2021-12-28 | 2023-07-11 | 北京金风慧能技术有限公司 | 一种结合人工智能的风能数值预报方法及其装置 |
-
2023
- 2023-08-07 CN CN202310988579.6A patent/CN117034078A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
KR20200053171A (ko) * | 2018-11-08 | 2020-05-18 | 고려대학교 산학협력단 | 동작 상상 뇌-컴퓨터 인터페이스를 위한 시간-주파수 최적 공간 패턴 기반 뇌파 분석 방법 |
CN109766845A (zh) * | 2019-01-14 | 2019-05-17 | 首都医科大学宣武医院 | 一种脑电信号分类方法、装置、设备和介质 |
CN111728609A (zh) * | 2020-08-26 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 脑电信号的分类方法、分类模型的训练方法、装置及介质 |
CN116415700A (zh) * | 2021-12-28 | 2023-07-11 | 北京金风慧能技术有限公司 | 一种结合人工智能的风能数值预报方法及其装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shukla et al. | Feature extraction and selection for emotion recognition from electrodermal activity | |
Aznan et al. | Simulating brain signals: Creating synthetic eeg data via neural-based generative models for improved ssvep classification | |
Hyvarinen et al. | Unsupervised feature extraction by time-contrastive learning and nonlinear ica | |
EP2571461B1 (en) | Direct neural interface system and method of calibrating it | |
Lan et al. | Channel selection and feature projection for cognitive load estimation using ambulatory EEG | |
Li et al. | Brain-based computer interfaces in virtual reality | |
Ma et al. | EEG signal and feature interaction modeling-based eye behavior prediction research | |
Amarasinghe et al. | EEG feature selection for thought driven robots using evolutionary algorithms | |
Miah et al. | Movie Oriented Positive Negative Emotion Classification from EEG Signal using Wavelet transformation and Machine learning Approaches | |
Furman et al. | Short-time Fourier transform and embedding method for recurrence quantification analysis of EEG time series | |
Wankhade et al. | IKKN predictor: An EEG signal based emotion recognition for HCI | |
Forney et al. | Echo state networks for modeling and classification of EEG signals in mental-task brain-computer interfaces | |
Williams | Deep learning and transfer learning in the classification of EEG signals | |
Seok et al. | Recognition of human motion with deep reinforcement learning | |
Kasabov et al. | Spatio-temporal EEG data classification in the NeuCube 3D SNN environment: methodology and examples | |
Bhanumathi et al. | Feedback artificial shuffled shepherd optimization-based deep maxout network for human emotion recognition using EEG signals | |
Al‐Canaan et al. | BCI‐control and monitoring system for smart home automation using wavelet classifiers | |
CN117034078A (zh) | 脑电信号解码方法、装置、上位机及计算机可读存储介质 | |
Trofimov et al. | A greedy feature selection algorithm for brain-computer interface classification committees | |
Abgeena et al. | S-LSTM-ATT: a hybrid deep learning approach with optimized features for emotion recognition in electroencephalogram | |
Fatourechi et al. | A self-paced brain interface system that uses movement related potentials and changes in the power of brain rhythms | |
Bhattacharyya et al. | Motor imagery-based neuro-feedback system using neuronal excitation of the active synapses | |
Pal et al. | Study of neuromarketing with eeg signals and machine learning techniques | |
Singh et al. | Interpreting imagined speech waves with machine learning techniques | |
Purnamasari et al. | EEG based emotion recognition system induced by video music using a wavelet feature vectors and an artificial neural networks |
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 |