JP2017202183A - 脳波パターン分類装置、脳波パターン分類方法、脳波パターン分類プログラムおよびニューロフィードバックシステム - Google Patents
脳波パターン分類装置、脳波パターン分類方法、脳波パターン分類プログラムおよびニューロフィードバックシステム Download PDFInfo
- Publication number
- JP2017202183A JP2017202183A JP2016096528A JP2016096528A JP2017202183A JP 2017202183 A JP2017202183 A JP 2017202183A JP 2016096528 A JP2016096528 A JP 2016096528A JP 2016096528 A JP2016096528 A JP 2016096528A JP 2017202183 A JP2017202183 A JP 2017202183A
- Authority
- JP
- Japan
- Prior art keywords
- electroencephalogram
- subject
- feature amount
- signals
- calculating
- 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
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Manipulator (AREA)
- Rehabilitation Tools (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
Description
このようなリハビリテーションの手続きでは、運動を支援するデバイスを活性化するために、脳信号を使用する。そして、このような脳活動に基づく支援型の運動は、中枢神経系の可塑性を引き起こし、正常な運動制御の復元に結びつくと考えられている。
ERDに基づいたBMIシステムは、ニューロ人工器官(たとえば義足)のような外部装置をコントロールするために使用することができることが示されている。また、より具体的には、運動制御回復のためにERDに基づいたブレインロボット・インターフェース(BRI:Brain Robot Interface)の有効性を確認するための臨床試験も行われている(非特許文献8)。
[実施の形態1]
図1は、実施の形態1の下肢についてのニューロフィードバックを利用したニューロリハビリシステムの構成を説明するための概念図である。
また、以下では、下肢に装着される外骨格型ロボットが支援する運動としては、一例として、スクワット運動を想定する。これは、スクワット運動は、足首、膝および股関節の機能的な協調を必要とするので、リハビリテーション・プログラムでも使用されるものだからである。
出力装置135は、能動関節123に制御信号を出力する。出力装置135は、例えば、目標とするエアマッスルの圧力値やモータの制御値を能動関節123に出力する。より詳しくは、このような制御値は、モータドライバや圧力制御バルブなどに出力され、物理的なエネルギー(圧縮空気や電流)がモータやエアマッスルに供給される。
[脳波パターンの分類処理]
本実施の形態では、足の運動想像による脚外骨格のスクワット運動を引き起こすために、ドライ式ワイヤレス型の脳波計ヘッドセットに基づいた非同期型で適応的なBMIを説明する。
このような非同期で適応的なBMIにより、BRIのセットアップタイムの縮小およびセッション内非定常性の影響の緩和が実現される。
以下では、非同期処理の間に、高度に非定常な脳波(EEG:Electroencephalogram)信号からの足運動想像をデコードするために、ERDに基づいたBMIのための適応化アプローチを説明する。
なお、運動想像を検出するための脳波成分としては、ERDに限定されるものではなく、運動に関する事象関連同期(ERS:Event-Related Synchronization)であってもよいし、あるいは、他の脳波成分であってもよい。
非同期システムは、運動想像を行っていない、非常に広範な非コントロール状態(つまり休息状態)を扱わなければならないので、そのような設計はより複雑なものとなる。
以下の公知文献3および公知文献4には、適応的な線形判別分析(LDA)を用いた分類器と適応的な空間フィルタとを組み合わせた技術が開示されている。
公知文献4)R. Tomioka,J. Hill,B. Blankertz,and K. Aihara,“Adapting spatial filtering methods for nonstationary bcis,”transformation,vol. 10,p. 1,2006.
しかしながら、これらの従来技術は、あくまで「同期的な」BMIにおいて、適応化のための方法を開示しているのみであり、そのままでは、非同期的なBMIには不十分である。
(システムの概観)
図5は、脳波パターンの分類処理を実行するための構成を説明する機能ブロック図である。
脳波計300からの計測データは、Bluetooth(登録商標)により送信されインターフェース202に送信され、インターフェース202内のバッファに格納される。
脳波パターン分析部40のオンライン動作において、デコーダ出力がしきい値に達すると、スクワット運動を始めるためにトリガー信号が外骨格型ロボット1に送信される。
脳波パターン分析部40は、足運動想像を検知するために非同期モードで使用され、分類の対象となる2つのクラスは、非コントロール状態と運動想像状態とである。
ここで、以下に説明するように、使用者の頭皮上の複数の部分に配置される電極から取得される脳波信号の共分散行列に対して、適応的な重み付け処理を行うことで、特徴量抽出を行うので、このような重み付け処理を「空間フィルタ」と呼ぶ。
CSPアルゴリズムは、運動イメージによる律動変調に基づくBMIの2クラス(C1またはC2)の分類問題において,特徴量を抽出する手法として多用されてる。
1)行列Λ=(Λ1+Λ2)に対して白色化変換を実行する。
公知文献7)P. J. Rousseeuw and K. V. Driessen,“A fast algorithm for the minimum covariance determinant estimator,”Technometrics,vol. 41,no. 3,pp. 212-223,1999.
(運動想像のEEG信号の分類のための非同期で適応的なCSP処理)
以上の前提の下に、本実施の形態における「適応的なCSPアルゴリズム」について説明する。
まず、図5を参照して、トレーニングセットによる本実施の形態のCSPアルゴリズムの学習処理について説明する。なお、このようなトレーニングセットのデータは、メモリ204に格納されて、演算装置210により以下のような学習処理が実行される。
一方、CSP学習処理部422の制御により、フィルタ処理部402は、より長い非コントロールクラスに対して、運動想像の終了から、たとえば、2秒後から7秒後までの事象を切り出す。
トレーニング・セットに過剰適合するCSPのフィルタに関連した特徴を削除するために、トレーニング・セット上で、forests of treesアルゴリズムを走らせて、特徴の重要度を算出する。
その後Nを特徴の総数とするとき、その重要度が1/Nより大きい特徴を選択する。
このようなforests of treesアルゴリズムについては、以下の文献に開示がある。
そして、上記のような選択を行う前の特徴量、あるいは、状況により上記の選択を行った後の特徴量を使用して、分類器学習処理部424は、クラスの分類のためにロジスティック回帰分類器を訓練する。
公知文献10)G. Lisi and J. Morimoto,“EEG single-trial detection of gait speed changes during treadmill walk,”PLoS ONE,vol. 10,no. 5,p. e0125479,05 2015.
all-or-nothingアプローチでは、具体的には、全体の試行(つまり同じクラスに属する連続するスライディングウィンドウのセット)は、最も高い確率のスライディングウィンドウによって表現される。 ここで、すべての試行には確率出力が割り当てられ、後述するように、しきい値調整部426は、受信動作特性(ROC)およびその最良の動作点の計算により、最良のしきい値を選択する。
図6は、図5に対応して、非同期で適応的なCSPアルゴリズムをオンラインで実行する際のフローチャートである。
スライディングウィンドウ内の信号は、学習期間と同様に、所定期間について、フィルタ処理部402により、7−30Hzの間でバンドパスフィルタ処理される(S100)。
本実施の形態では、非同期処理を扱うために、指数移動平均の時定数に基づいて忘却係数を以下のように決定する。:
ここでは、学習期間において、被験者に応じて、上述した指数移動平均では、例として、2つの可能な選択肢である5秒あるいは10秒のうちから、TCの値を選択するために、n分割交差検証(nは、2以上の自然数であり、たとえば、n=10)を使用して決定されているものとする。すなわち、トレーニングセットに対して、後述する分類処理部410からのクラス判別の出力について、n分割交差検証により、より良好な分類結果を与えるTCの値を選択するものとする。ただし、移動平均の時定数TCの選択肢としては、より多くのものから選択することとしてもよい。
続いて、Σ(t)の固有値分解が計算され、白色化行列Σnew -1/2は、以下のようにして得られる。
続いて、特徴量抽出部406は、式(1)の中の射影マトリックスWadaptを、オンラインで入力されるEEG信号のスライディングウィンドウ信号に乗算して、CSP射影空間へ射影することにより、特徴量を抽出する(S104)。
(特徴適応化処理)
適応化特徴処理部408は、適応化された射影マトリックスWadaptを使用して、スライディングウィンドウの現フレームを射影し、各射影zpのログ強度をlog(E[zp 2])として計算する。
続いて、適応化特徴処理部408は、ゼロ平均データセットとなるように、移動平均を差し引く(つまり適応的なベースラインの減算)ことにより、射影のログ強度を直接的に適応させる(S106)。
適応化特徴処理部408は、射影のログ強度の適応的な平均μを、以下のような指数移動平均によって評価する。
適応化特徴処理部408は、移動平均を計算した後に、現在時間の特徴のゼロ平均評価を、以下の式で算出する。
(分類処理およびしきい値判定)
オンライン処理においては、分類処理部410は、学習期間で訓練された分類器を用いて、適応化特徴処理部408に対して分類処理を実行し、運動想像クラスに属する状態であるか否かを判別する(S108)。
その後、分類器の出力が所定のしきい値を超えることに応じて、しきい値判定部412は、外骨格型ロボット1を駆動するためのトリガ―信号を生成して、能動関節制御コマンド生成部30に対して出力する(S110)。
(ロボット制御)
上述のとおり、外骨格型ロボット1は、PAM(空圧駆動の人工筋肉)および電動モータによって駆動される、股関節、膝関節および足首関節の屈曲および伸張する能動関節を有している。
スクワット運動は、以下のように疑似重量のパラメータを変調することにより実現される。
(実験結果)
以下、上述したようなシステムを動作させた場合の実験結果について説明する。
しかしながら、被験者はいずれも、かつて以前に足運動想像を行ったことはない。
たとえ被験者S1に長期の体験があったとしても、足運動想像のまさに最初の実験から、彼が高いパフォーマンスを達成することができたことは注目される。したがって、そのような長い経験は提案されたBMIの要件ではない。
図7のセグメント1とセグメント2の対比は、提案された適応化で、セグメント2のERDが、セグメント1に関して、強調されているこを示す。
セグメント4では、強い非定常性は、生の特徴平均の低下をもたらしている。しかしながら、この場合、提案された適応化はERDを再現することまではできないものの、特徴平均は、誤って正になることなく、ゼロに近い値となっていることを示す。
図8は、分類器の出力としきい値の関係を示す図である。
デコーダの疑似的なオンライン・パフォーマンスを評価するために、all-or-nothingアプローチによって導出されたしきい値は、オンラインで入力される信号を分類するために使用される(図8の中の下段のグラフ)。
非コントロール期間全体(つまり0−8s)は正確に分類された。
トリガーを誘発するのに必要な時間は、運動想像の開始(図中の斜線の棒)が表示されて)から、16s後であった。
したがって、図9における応答時間は、スクワット運動の2つのサイクルを示している。
図10は、疑似的にオンライン処理を行った場合の交差検証の結果を示す図である。
交差検証されたall-or-nothingのデコーダの疑似的なオンラインパフォーマンスは、ROCおよびROC曲線下面積(AUC:Area Under the Curve)として図10の表に表示される。
AUCに基づいて、テストセット中のクラス識別性は被験者S1およびS2に、良といえる結果が得られ(0.8 ≦AUC≦0.89)、一方で、被験者S3にとって、それは可といえる結果であった(0.7≦AUC≦0.79)。
さらに、最初の2人の被験者は、オンライン処理時に、70%以上の精度を有しており、その精度は、通常、BMIコミュニケーションに必要であると考えられる値である。 図11は、各被験者に対して、交差検証の各分割処理にわたって、自動的に選択された空間的パターンを示す図である。
被験者S1については、空間フィルタが運動野の皮質中の活動を構成しており、筋運動感覚の足運動想像が正確に行なわれたことを示唆している。
被験者S2の頭皮地図は、後頭部の皮質中のアクティビティに対応しており、被験者が筋運動感覚であるというよりむしろ視覚的に、運動想像を行ったことを示している。
被験者S3については、抽出された空間フィルタは、交差検証の各回についてより不安定であり、最初の2つでは頭頂後頭葉皮質中のアクティビティを、あるいは、残りの2つでは感覚運動皮質中のアクティビティを示している。
これは、被験者S3に対して、疑似的なオンライン・パフォーマンスが全体として低調であることの理由を示すものと考えられる。
図12は、被験者S1の1つの試行のスライディングウィンドウ出力を示す図である。
確率出力がしきい値に達する場合は、足運動想像が行われていることが検知される。
これは、セッション内の解析でさえ、EEG非定常性に対処するために適応的なBMIアルゴリズムを実装する必要性を示している。
[実施の形態2]
図14は、実施の形態1での脳波パターン分析部40の学習とオンライン処理とを示す概念図である。
Claims (8)
- 対象者の運動想像による脳波パターンを非同期に分類するための脳波パターン分類装置であって、
前記対象者の頭皮上の複数箇所において、対象者の脳の活動を検出する複数チャンネルの脳波信号を取得するための脳波計測手段と、
前記複数チャンネルの信号の各々から、対象者による運動想像により誘発された所定の周波数帯域の成分を抽出するためのフィルタ手段と、
前記フィルタ手段により抽出された、前記複数チャンネルの信号の周波数帯域の成分から、適応的に空間フィルタにより特徴量を算出するための特徴量算出手段とを備え、
前記特徴量算出手段は、
現時点までの前記複数チャンネルの脳波信号の共分散行列から導出される空間フィルタを、前記共分散行列の指数移動平均を計算することにより適応的に更新する空間フィルタ更新手段と、
前記指数移動平均における忘却係数を、前記指数移動平均の時定数に基づいて決定する忘却係数決定手段とを含み、
前記特徴量算出手段からの特徴量に基づく分類処理により、当該特徴量に応じて前記対象者が前記運動想像を行ったことを示す信号を出力する分類処理手段とを備える、脳波パターン分類装置。 - 前記空間フィルタの導出は、CSP(Common Spatial Patterns)法によるものであり、
前記空間フィルタ更新手段は、
学習期間において、トレーニングセットで導出されたCSP法における射影行列に、現時点での脳波信号についての白色化行列とトレーニングセットに対して算出された白色化行列の逆行列を乗算して得られる適応的な射影行列から、更新された前記空間フィルタを算出する適応白色化処理手段を含む、請求項1記載の脳波パターン分類装置。 - 前記忘却係数決定手段は、忘却係数の時定数の複数の候補のうちから、前記分類処理手段の出力に対するn分割交差検証(n:2以上の自然数)により、前記時定数を決定する、請求項1または2記載の脳波パターン分類装置。
- 前記特徴量算出手段は、前記更新された空間フィルタにより導出される特徴量を、ゼロ平均の特徴量となるように変換する適応化特徴処理手段をさらに含む、請求項1〜3のいずれか1項に記載の脳波パターン分類装置。
- 前記脳波計測手段は、ドライ式電極を用いたワイヤレス型ヘッドセットを含む、請求項1〜4のいずれか1項に記載の脳波パターン分類装置。
- 対象者の頭皮上の複数箇所において、対象者の脳の活動を検出する複数チャンネルの脳波信号を取得するための脳波計測装置からの信号に基づき、演算装置および記憶装置を有するコンピュータに前記対象者の運動想像による脳波パターンを非同期に分類する処理を実行させるための脳波パターン分類方法であって、
前記複数チャンネルの信号の各々を前記記憶装置に格納し、格納された前記複数チャネルの信号から、前記演算装置が、対象者による運動想像により誘発された所定の周波数帯域の成分をフィルタリングにより抽出するステップと、
前記演算装置が、前記フィルタリングにより抽出するステップにおいて抽出された、前記複数チャンネルの信号の周波数帯域の成分から、適応的に空間フィルタにより特徴量を算出するステップとを備え、
前記特徴量を算出するステップは、
現時点までの前記複数チャンネルの脳波信号の共分散行列から導出される空間フィルタを、前記共分散行列の指数移動平均を計算することにより適応的に更新するステップと、
前記指数移動平均における忘却係数を、前記指数移動平均の時定数に基づいて決定するステップとを含み、
前記演算装置が、前記特徴量を算出するステップで算出された特徴量に基づく分類処理により、当該特徴量に応じて前記対象者が前記運動想像を行ったことを示す信号を出力するステップとを備える、脳波パターン分類方法。 - 対象者の頭皮上の複数箇所において、対象者の脳の活動を検出する複数チャンネルの脳波信号を取得するための脳波計測装置からの信号に基づき、演算装置および記憶装置を有するコンピュータに前記対象者の運動想像による脳波パターンを非同期に分類する処理を実行させるための脳波パターン分類プログラムであって、
前記プログラムは、
前記複数チャンネルの信号の各々を前記記憶装置に格納し、格納された前記複数チャネルの信号から、前記演算装置が、対象者による運動想像により誘発された所定の周波数帯域の成分をフィルタリングにより抽出するステップと、
前記演算装置が、前記フィルタリングにより抽出するステップにおいて抽出された、前記複数チャンネルの信号の周波数帯域の成分から、適応的に空間フィルタにより特徴量を算出するステップとを備え、
前記特徴量を算出するステップは、
現時点までの前記複数チャンネルの脳波信号の共分散行列から導出される空間フィルタを、前記共分散行列の指数移動平均を計算することにより適応的に更新するステップと、
前記指数移動平均における忘却係数を、前記指数移動平均の時定数に基づいて決定するステップとを含み、
前記演算装置が、前記特徴量を算出するステップで算出された特徴量に基づく分類処理により、当該特徴量に応じて前記対象者が前記運動想像を行ったことを示す信号を出力するステップとを備える処理を、コンピュータに実行させる、脳波パターン分類プログラム。 - 対象者の脳内の運動想像を検知したことに応じて、前記対象者の運動を支援するニューロフィードバックシステムであって、
前記対象者の脳内の運動想像による脳波パターンを非同期に分類するための脳波パターン分析装置を備え、前記脳波パターン分析装置は、
前記対象者の頭皮上の複数箇所において、対象者の脳の活動を検出する複数チャンネルの脳波信号を取得するための脳波計測手段と、
前記複数チャンネルの信号の各々から、対象者による運動想像により誘発された所定の周波数帯域の成分を抽出するためのフィルタ手段と、
前記フィルタ手段により抽出された、前記複数チャンネルの信号の周波数帯域の成分から、適応的に空間フィルタにより特徴量を算出するための特徴量算出手段とを備え、
前記特徴量算出手段は、
現時点までの前記複数チャンネルの脳波信号の共分散行列から導出される空間フィルタを、前記共分散行列の指数移動平均を計算することにより適応的に更新する空間フィルタ更新手段と、
前記指数移動平均における忘却係数を、前記指数移動平均の時定数に基づいて決定する忘却係数決定手段とを有し、
前記特徴量算出手段からの特徴量に基づく分類処理により、当該特徴量に応じて前記対象者が前記運動想像を行ったことを示す信号を出力する分類処理手段と、
前記分類処理手段の出力が所定のしきい値を超えることに応じてトリガー信号を生成するしきい値判定手段とを含み、
前記トリガー信号に応じて、前記対象者の運動を支援するアシストロボットとを備える、ニューロフィードバックシステム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016096528A JP6759496B2 (ja) | 2016-05-12 | 2016-05-12 | 脳波パターン分類装置、脳波パターン分類方法、脳波パターン分類プログラムおよびニューロフィードバックシステム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016096528A JP6759496B2 (ja) | 2016-05-12 | 2016-05-12 | 脳波パターン分類装置、脳波パターン分類方法、脳波パターン分類プログラムおよびニューロフィードバックシステム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017202183A true JP2017202183A (ja) | 2017-11-16 |
JP6759496B2 JP6759496B2 (ja) | 2020-09-23 |
Family
ID=60321228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016096528A Active JP6759496B2 (ja) | 2016-05-12 | 2016-05-12 | 脳波パターン分類装置、脳波パターン分類方法、脳波パターン分類プログラムおよびニューロフィードバックシステム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6759496B2 (ja) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2682492C1 (ru) * | 2018-02-26 | 2019-03-19 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Саратовский государственный технический университет имени Гагарина Ю.А." (СГТУ имени Гагарина Ю.А.) | Способ классификации сигналов ЭЭГ при воображении двигательной активности у нетренированного оператора |
KR20190062285A (ko) * | 2017-11-27 | 2019-06-05 | 고려대학교 산학협력단 | 지역별 결합 뇌전도 신호의 csp 특징을 이용한 운동 심상 분류 장치 및 방법 |
CN110403602A (zh) * | 2019-06-06 | 2019-11-05 | 西安电子科技大学 | 用于脑电信号情感分析的改进公共空间模式特征提取方法 |
US10754426B2 (en) | 2018-08-20 | 2020-08-25 | GungHo Online Entertainment, Inc. | Terminal device, program, method, and system |
US10761606B1 (en) | 2019-04-03 | 2020-09-01 | GungHo Online Entertainment, Inc. | Terminal device, program, method, and system |
CN111616701A (zh) * | 2020-04-24 | 2020-09-04 | 杭州电子科技大学 | 基于多元变分模态分解的脑电多域特征提取方法 |
CN111950366A (zh) * | 2020-07-08 | 2020-11-17 | 北京理工大学 | 基于数据增强的卷积神经网络运动想象脑电分类方法 |
CN112270255A (zh) * | 2020-10-27 | 2021-01-26 | 广州大学 | 一种脑电信号识别方法、装置、电子设备及存储介质 |
CN113312996A (zh) * | 2021-05-19 | 2021-08-27 | 哈尔滨工程大学 | 一种混叠短波通信信号检测与识别方法 |
CN113662562A (zh) * | 2021-08-19 | 2021-11-19 | 西交利物浦大学 | 运动想象任务的脑电信号特征提取方法、装置及存储介质 |
CN113662561A (zh) * | 2021-08-19 | 2021-11-19 | 西交利物浦大学 | 子带级联共空间模式的脑电特征提取方法及装置 |
CN114343673A (zh) * | 2021-11-29 | 2022-04-15 | 北京机械设备研究所 | 跨被试的运动想象脑电信号处理方法、介质、设备 |
CN116491960A (zh) * | 2023-06-28 | 2023-07-28 | 南昌大学第一附属医院 | 脑瞬态监测设备、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010050113A1 (ja) * | 2008-10-29 | 2010-05-06 | トヨタ自動車株式会社 | 移動体制御装置及び移動体制御方法 |
JP2010538701A (ja) * | 2007-09-07 | 2010-12-16 | エムセンス コーポレイション | 一体化されたセンサ型ヘッドセット |
JP2011076177A (ja) * | 2009-09-29 | 2011-04-14 | Advanced Telecommunication Research Institute International | 歯の接触によって誘発された脳波を利用した機器制御方法及び機器制御装置 |
-
2016
- 2016-05-12 JP JP2016096528A patent/JP6759496B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010538701A (ja) * | 2007-09-07 | 2010-12-16 | エムセンス コーポレイション | 一体化されたセンサ型ヘッドセット |
WO2010050113A1 (ja) * | 2008-10-29 | 2010-05-06 | トヨタ自動車株式会社 | 移動体制御装置及び移動体制御方法 |
US20110152709A1 (en) * | 2008-10-29 | 2011-06-23 | Toyota Jidosha Kabushiki Kaisha | Mobile body control device and mobile body control method |
JP2011076177A (ja) * | 2009-09-29 | 2011-04-14 | Advanced Telecommunication Research Institute International | 歯の接触によって誘発された脳波を利用した機器制御方法及び機器制御装置 |
Non-Patent Citations (1)
Title |
---|
C.VIDAURRE ET AL.: "Toward Unsupervised Adaptation of LDA for Brain-Computer Interfaces", IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, vol. 58, no. 3, JPN6020006917, March 2011 (2011-03-01), pages 587 - 597, XP011372928, ISSN: 0004219640, DOI: 10.1109/TBME.2010.2093133 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102152785B1 (ko) | 2017-11-27 | 2020-09-07 | 고려대학교 산학협력단 | 지역별 결합 뇌전도 신호의 csp 특징을 이용한 운동 심상 분류 장치 및 방법 |
KR20190062285A (ko) * | 2017-11-27 | 2019-06-05 | 고려대학교 산학협력단 | 지역별 결합 뇌전도 신호의 csp 특징을 이용한 운동 심상 분류 장치 및 방법 |
RU2682492C1 (ru) * | 2018-02-26 | 2019-03-19 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Саратовский государственный технический университет имени Гагарина Ю.А." (СГТУ имени Гагарина Ю.А.) | Способ классификации сигналов ЭЭГ при воображении двигательной активности у нетренированного оператора |
US10754426B2 (en) | 2018-08-20 | 2020-08-25 | GungHo Online Entertainment, Inc. | Terminal device, program, method, and system |
US10761606B1 (en) | 2019-04-03 | 2020-09-01 | GungHo Online Entertainment, Inc. | Terminal device, program, method, and system |
CN110403602A (zh) * | 2019-06-06 | 2019-11-05 | 西安电子科技大学 | 用于脑电信号情感分析的改进公共空间模式特征提取方法 |
CN110403602B (zh) * | 2019-06-06 | 2022-02-08 | 西安电子科技大学 | 用于脑电信号情感分析的改进公共空间模式特征提取方法 |
CN111616701A (zh) * | 2020-04-24 | 2020-09-04 | 杭州电子科技大学 | 基于多元变分模态分解的脑电多域特征提取方法 |
CN111950366A (zh) * | 2020-07-08 | 2020-11-17 | 北京理工大学 | 基于数据增强的卷积神经网络运动想象脑电分类方法 |
CN111950366B (zh) * | 2020-07-08 | 2023-10-24 | 北京理工大学 | 基于数据增强的卷积神经网络运动想象脑电分类方法 |
CN112270255B (zh) * | 2020-10-27 | 2023-09-26 | 广州大学 | 一种脑电信号识别方法、装置、电子设备及存储介质 |
CN112270255A (zh) * | 2020-10-27 | 2021-01-26 | 广州大学 | 一种脑电信号识别方法、装置、电子设备及存储介质 |
CN113312996A (zh) * | 2021-05-19 | 2021-08-27 | 哈尔滨工程大学 | 一种混叠短波通信信号检测与识别方法 |
CN113662562A (zh) * | 2021-08-19 | 2021-11-19 | 西交利物浦大学 | 运动想象任务的脑电信号特征提取方法、装置及存储介质 |
CN113662561A (zh) * | 2021-08-19 | 2021-11-19 | 西交利物浦大学 | 子带级联共空间模式的脑电特征提取方法及装置 |
CN113662562B (zh) * | 2021-08-19 | 2024-02-09 | 西交利物浦大学 | 运动想象任务的脑电信号特征提取方法、装置及存储介质 |
CN113662561B (zh) * | 2021-08-19 | 2024-03-01 | 西交利物浦大学 | 子带级联共空间模式的脑电特征提取方法及装置 |
CN114343673A (zh) * | 2021-11-29 | 2022-04-15 | 北京机械设备研究所 | 跨被试的运动想象脑电信号处理方法、介质、设备 |
CN114343673B (zh) * | 2021-11-29 | 2024-03-29 | 北京机械设备研究所 | 跨被试的运动想象脑电信号处理方法、介质、设备 |
CN116491960A (zh) * | 2023-06-28 | 2023-07-28 | 南昌大学第一附属医院 | 脑瞬态监测设备、电子设备及存储介质 |
CN116491960B (zh) * | 2023-06-28 | 2023-09-19 | 南昌大学第一附属医院 | 脑瞬态监测设备、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP6759496B2 (ja) | 2020-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6759496B2 (ja) | 脳波パターン分類装置、脳波パターン分類方法、脳波パターン分類プログラムおよびニューロフィードバックシステム | |
Bi et al. | A review on EMG-based motor intention prediction of continuous human upper limb motion for human-robot collaboration | |
Li et al. | A review of the key technologies for sEMG-based human-robot interaction systems | |
Yuan et al. | Brain–computer interfaces using sensorimotor rhythms: current state and future perspectives | |
US10092205B2 (en) | Methods for closed-loop neural-machine interface systems for the control of wearable exoskeletons and prosthetic devices | |
Kieliba et al. | How are muscle synergies affected by electromyography pre-processing? | |
Tkach et al. | Study of stability of time-domain features for electromyographic pattern recognition | |
US20200038653A1 (en) | Multimodal closed-loop brain-computer interface and peripheral stimulation for neuro-rehabilitation | |
Gopura et al. | Recent trends in EMG-Based control methods for assistive robots | |
Loconsole et al. | An EMG-based approach for on-line predicted torque control in robotic-assisted rehabilitation | |
Liu et al. | A home-based bilateral rehabilitation system with sEMG-based real-time variable stiffness | |
JP2014104549A (ja) | 外骨格型ロボットおよびリハビリテーション装置 | |
Caulcrick et al. | Human joint torque modelling with MMG and EMG during lower limb human-exoskeleton interaction | |
Wehner | Man to machine, applications in electromyography | |
Lisi et al. | Dry-wireless EEG and asynchronous adaptive feature extraction towards a plug-and-play co-adaptive brain robot interface | |
JP7477309B2 (ja) | 生体信号が表す情報を識別するためのシステム | |
CN113058157B (zh) | 多信号融合的反馈式功能性电刺激系统 | |
Itoh et al. | Development of a bioinstrumentation system in the interaction between a human and a robot | |
JP2019088456A (ja) | パワーアシスト装置およびパワーアシスト装置の制御方法 | |
Folgheraiter et al. | A Multimodal Brain-arm Interface for Operation of Complex Robotic Systems and Upper Limb Motor Recovery. | |
Koyas et al. | Detection of intention level in response to task difficulty from EEG signals | |
Tong et al. | BP-AR-based human joint angle estimation using multi-channel sEMG | |
Ubeda et al. | Single joint movement decoding from EEG in healthy and incomplete spinal cord injured subjects | |
Oboe et al. | Robotic finger rehabilitation system for stroke patient using surface EMG armband | |
Roy et al. | An approach towards development of brain controlled lower limb exoskeleton for mobility regeneration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20160609 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190509 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200221 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200317 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20200515 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200715 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200729 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200729 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6759496 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |