TWI755871B - 深度學習辨識想像運動腦波結合輔助外骨骼控制系統與方法 - Google Patents
深度學習辨識想像運動腦波結合輔助外骨骼控制系統與方法 Download PDFInfo
- Publication number
- TWI755871B TWI755871B TW109133569A TW109133569A TWI755871B TW I755871 B TWI755871 B TW I755871B TW 109133569 A TW109133569 A TW 109133569A TW 109133569 A TW109133569 A TW 109133569A TW I755871 B TWI755871 B TW I755871B
- Authority
- TW
- Taiwan
- Prior art keywords
- complex
- unit
- information
- brainwave
- time
- Prior art date
Links
Images
Landscapes
- Rehabilitation Tools (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一種深度學習辨識想像運動腦波結合輔助外骨骼控制系統,其中包括:一偵測單元,該偵測單元係用於偵測一受測者的複數腦波資訊,並將該複數腦波資訊進行電訊號處理從而獲得複數腦波訊號;一處理單元,該處理單元係電性連接該偵測單元,並用於接收該複數腦波訊號,並將該複數腦波訊號進行處理從而獲得複數判斷資訊,並將該複數判斷資訊進行辨識從而產生一作動資訊;以及一操作單元,該操作單元係電性連接該處理單元,該操作單元則根據該作動資訊進行一外部裝置之控制。
Description
本發明係關於一種辨識系統,特別是關於一種深度學習辨識想像運動腦波結合輔助外骨骼控制系統。
現今全世界人口組成趨於高齡化,隨著年齡增長手部肌肉萎縮的趨勢也越來越明顯,甚至舉起自己的雙手成為了夢想,現代醫療輔助器材尚未有電器輔助外骨骼的產生,多為無電的輔助設計,由於人工智慧的興起,將深度學習設計於輕巧設備已成為日常,以一套輕巧且具有腦波辨識功能的電氣外骨骼輔助設備已不是夢想,不但可以使年長者利用自己的意念操控外骨骼,可輕鬆讓自己回復年輕時的活力,甚至能讓自己有能力提起年輕時無法提起的重物。
傳統深度學習結合想像運動腦波之技術,有透過辨識想像運動腦波的技術只提供訓練模型且預處理腦波的方式,並無將最新之人工智慧模型導入即時辨識系統中且控制載具或外骨骼,只有使用DNN之模型架構作模型訓練,模型的泛化程度以及受測者之熟悉操作程度依舊深深影響著操控載具的準確性;或者提到將受測者透過訓練受測者觀看特定模式之幾何圖片在將腦波透過基礎之分析方式控制載
具,並未提及深度學習以及載具之應用以及外骨骼機構之設計以及系統之應用;又或者利用電流刺激受測者腦部運動區,觀察受測者經穿顱直流電刺激後再執行想像運動腦波,計算左右腦電位之能量平均功率,控制螢幕標的物運動之移動並計算準確性,並尚未提及操控載具以及外骨骼機構之設計。
另外,先前技術還提到請受測者觀看不同赫茲之閃頻方格,及藉由穩態視覺誘發電位(SSVEP)作為是否驅動外部復健器械,當達到一定的誘發程度代表可以繼續進行腦波特徵辨識,下一步利用共模空間模式濾波器(Common Spatial Pattern Filter)去提取左右腦腦波中差異最大化之特徵(提取腦波訊號之協方差矩陣之後取特徵值,特徵矩陣依照特徵值大小依序編排後,作矩陣白化之方式,將數筆腦波跟白化後矩陣做運算,將左右腦訊號相關性最低之特徵提取出),此種方式可以將腦波之(事件同步化/事件非同步化)(Event-related Desynchronization(ERD)/Event-related Synchronization(ERS))做區隔,且可以提高不同受測者之腦波差異程度之空間濾波器,後藉支持向量機(SVM)區分左右腦之特徵辨別左右手之依據,但尚未使用深度學習,且SSVEP之P300(人眼在受刺激時在大腦視覺區會有一個300毫秒延遲的能量表現)有機會造成機器學習SVM誤判,外部復健器械之構想也非本專利提案外骨骼構想;因此,過去在為肢殘
患者設計可動輔助義肢的方法,多會將金屬電極感測器貼於病人患部或是直接插入患部,會影響患者的舒適度,以及在運行機器學習或傳統的計算方式皆需要體積較大的運算設備,在做腦波的特徵計算需較多的運算量,這些計算的資源需要有體積較大的電腦做運算,會影響後續辨識的時間。
鑒於上述習知技術之缺點,本發明提出使用深度學習辨識想像運動腦波結合輔助外骨骼控制系統,可透過對於模型的適應性較佳,非使用網路之資料集來解決上述的缺點。
為了達到上述目的,根據本發明所提出之一種深度學習辨識想像運動腦波結合輔助外骨骼控制系統,其中包括:一偵測單元,該偵測單元係用於偵測一受測者的複數腦波資訊,並將該複數腦波資訊進行電訊號處理從而獲得複數腦波訊號;一處理單元,該處理單元係電性連接該偵測單元,並用於接收該複數腦波訊號,並將該複數腦波訊號進行處理從而獲得複數判斷資訊,並將該複數判斷資訊進行辨識從而產生一作動資訊;以及一操作單元,該操作單元係電性連接該處理單元,該操作單元則根據該作動資訊進行一外部裝置之控制。
本發明的該深度學習辨識想像運動腦波結合輔助外骨骼控制系統,其中該處理單元包括一濾波單元,該濾
波單元用於將該複數腦波訊號進行濾波從而獲得複數濾波腦波訊號;一時域處理單元,該時域處理單元係電性連接該濾波單元,並將該複數濾波腦波訊號進行一時域處理從而獲得複數時域特徵向量;一頻域處理單元,該頻域處理單元係電性連接該濾波單元,並將複數濾波腦波訊號進行一頻域處理從而獲得複數頻域特徵向量;以及一分類單元,該分類單元係電性連接頻域處理單元與時域處理單元,並將該複數頻域特徵向量與複數時域特徵向量進行分類從而獲得複數判斷資訊,並將該複數判斷資訊進行辨識從而產生該作動資訊。
本發明的該深度學習辨識想像運動腦波結合輔助外骨骼控制系統,其中該時域處理係將該複數濾波腦波訊號先利用一二維卷積神經網路層(Conv2D)分成N x M濾波腦波訊號,並利用K個不同初始值並藉由卷積運算後獲得K x N x M濾波腦波訊號,接著利用深度卷積神經網路(DepthwiseConv2D)合成不同通道特徵從而獲得K x 1 x M濾波腦波訊號,再接著利用分離卷積神經網路(SeparableConv2D)提取先前利用該二維卷積神經網路層(Conv2D)所展延的不同維度之特徵合成從而獲得該複數時域特徵向量。
本發明的該深度學習辨識想像運動腦波結合輔助外骨骼控制系統,其中該頻域處理係將該複數濾波腦波訊號進行複數時頻訊號處理獲得複數時頻圖,該複數時頻圖具
有複數個時間點,並將該複數時頻圖中相同時間點進行堆疊進而獲得每個時間點的複數頻域特徵向量。
本發明的該深度學習辨識想像運動腦波結合輔助外骨骼控制系統,其中該複數時頻訊號處理為小波轉換或傅立葉分析轉換。
本發明的該深度學習辨識想像運動腦波結合輔助外骨骼控制系統,其中該操作單元包括:一訊號傳遞單元,該訊號傳遞單元用於接收該作動資訊;一作動單元,該作動單元係電性連接該訊號傳遞單元並用於接收該作動資訊,該作動單元根據該作動資訊進行該外部裝置之控制。
本發明的該深度學習辨識想像運動腦波結合輔助外骨骼控制系統,其中該複數判斷資訊為左手操作資訊、右手操作資訊或休息資訊。
本發明的該深度學習辨識想像運動腦波結合輔助外骨骼控制方法,其中利用該偵測單元偵測該受測者的複數腦波資訊,並將該複數腦波資訊進行電訊號處理從而獲得複數腦波訊號;接著該處理單元用於接收該複數腦波訊號,並利用一濾波單元將該複數腦波訊號進行濾波從而獲得複數濾波腦波訊號,接著將複數濾波腦波訊號進行一時域處理從而獲得複數時域特徵向量,再接著將複數濾波腦波訊號進行一頻域處理從而獲得複數頻域特徵向量,接著將該複數頻域特徵向量與複數時域特徵向量進行分類從而獲得複數判
斷資訊,並將該複數判斷資訊進行辨識從而產生該作動資訊,以及該操作單元則根據該作動資訊進行該外部裝置之控制。
本發明的該深度學習辨識想像運動腦波結合輔助外骨骼控制方法,其中該時域處理係將該複數濾波腦波訊號先利用一二維卷積神經網路層(Conv2D)分成N x M濾波腦波訊號,並利用K個不同初始值並藉由卷積運算後獲得K x N x M濾波腦波訊號,接著利用深度卷積神經網路(DepthwiseConv2D)合成不同通道特徵從而獲得K x 1 x M濾波腦波訊號,再接著利用分離卷積神經網路(SeparableConv2D)提取先前利用該二維卷積神經網路層(Conv2D)所展延的不同維度之特徵合成從而獲得該複數時域特徵向量。
本發明的該深度學習辨識想像運動腦波結合輔助外骨骼控制方法,其中該頻域處理係將該複數濾波腦波訊號進行複數時頻訊號處理獲得複數時頻圖,該複數時頻圖具有複數個時間點,並將該複數時頻圖中相同時間點進行堆疊進而獲得每個時間點的複數頻域特徵向量。
因此,本案提供肢殘患者或是受傷士兵,以個人意念操控的機械輔助外骨骼的系統,將操控者想像舉起左手或是右手的腦波特徵輸入至人工智慧深度學習模型辨識,並依照辨識結果驅使機械外骨骼是執行舉起右手、左手或是休息靜止的動作,組成腦波輔助外骨骼之系統。
以上之概述與接下來的詳細說明及附圖,皆是為了能進一步說明本創作達到預定目的所採取的方式、手段及功效。而有關本創作的其他目的及優點,將在後續的說明及圖式中加以闡述。
1:偵測單元
2:處理單元
3:操作單元
21:濾波單元
22:時域處理單元
23:頻域處理單元
24:分類單元
31:訊號傳遞單元
32:作動單元
第一圖係為本發明深度學習辨識想像運動腦波
結合輔助外骨骼控制系統之示意圖;
第二圖係為本發明時域處理架構之示意圖;
第三圖係為本發明頻域處理架構之示意圖。
以下係藉由特定的具體實例說明本創作之實施方式,熟悉此技藝之人士可由本說明書所揭示之內容輕易地了解本創作之優點及功效。
請參閱第一圖所示,本發明深度學習辨識想像運動腦波結合輔助外骨骼控制系統之示意圖,其中深度學習辨識想像運動腦波結合輔助外骨骼控制系統係由偵測單元1、處理單元2與操作單元3所組成,其中該偵測單元1用於偵測一受測者的複數腦波資訊,並將該複數腦波資訊進行電訊號處理從而獲得複數腦波訊號,而該處理單元2係電性連接該偵測單元1,並用於接收該複數腦波訊號,並將該複數腦波訊號進行處理從而獲得複數判斷資訊,並將該複數判斷資訊進行辨識從而產生一作動資訊,以及該操作單元3係電性連接
該處理單元2,該操作單元3則根據該作動資訊進行一外部裝置之控制,其中該複數判斷資訊為左手操作資訊、右手操作資訊或休息資訊,而上述所述複數判斷資訊不應本次實施例而有所限定。
其中,該處理單元2係由濾波單元21、時域處理單元22、頻域處理單元23與分類單元24所組成,該濾波單元21用於將該複數腦波訊號進行濾波從而獲得複數濾波腦波訊號,該時域處理單元22係電性連接該濾波單元21,並將該複數濾波腦波訊號進行一時域處理從而獲得複數時域特徵向量,該頻域處理單元23係電性連接該濾波單元21,並將該複數濾波腦波訊號進行一頻域處理從而獲得複數頻域特徵向量,以及該分類單元24係電性連接頻域處理單元23與時域處理單元22,並將該複數頻域特徵向量與複數時域特徵向量進行分類從而獲得複數判斷資訊,並將該複數判斷資訊進行辨識從而產生該作動資訊;另外,該操作單元3係由訊號傳遞單元31與作動單元32所組成,該訊號傳遞單元31用於接收該作動資訊,而該作動單元32係電性連接該訊號傳遞單元31並用於接收該作動資訊,而該作動單元32根據該作動資訊進行該外部裝置之控制,其中該外部裝置為機械手臂或機械外骨骼機構,而上述所述外部裝置不應本次實施例而有所限定。
再一較佳實施例中,將作動資訊(左手作動、右
手作動或休息)藉由訊號傳遞單元31傳送至該作動單元32,該作動單元32則根據該作動資訊進行外部裝置之控制,以此來驅動左右外骨骼裝置,以控制舉起左手外骨骼手臂及右手外骨骼手臂為主軸,以即時輔助肢殘士兵或病人回歸正常日常活動、提取更重之物件或執行更艱難的作戰任務。
再另一較佳實施例中,該深度學習辨識想像運動腦波結合輔助外骨骼控制方法,先利用該偵測單元1偵測該受測者的複數腦波資訊,並將該複數腦波資訊進行電訊號處理從而獲得複數腦波訊號,接著透過該處理單元2用於接收該複數腦波訊號,並利用濾波單元21將該複數腦波訊號進行濾波從而獲得複數濾波腦波訊號,接著將複數濾波腦波訊號進行一時域處理從而獲得複數時域特徵向量,再接著將複數濾波腦波訊號進行一頻域處理從而獲得複數頻域特徵向量,接著將該將該複數頻域特徵向量與複數時域特徵向量進行分類從而獲得複數判斷資訊,並將該複數判斷資訊進行辨識從而產生該作動資訊,以及該操作單元則根據該作動資訊進行該外部裝置之控制。
請參閱第二圖所示,而第二圖是根據第一圖為深度學習辨識想像運動腦波結合輔助外骨骼控制系統再進一步說明本發明時域處理架構之示意圖;該時域處理係將該複數濾波腦波訊號先利用一二維卷積神經網路層(Conv2D)分成N x M濾波腦波訊號,並利用K個不同初始值並藉由卷積運算後
獲得K x N x M濾波腦波訊號,接著利用深度卷積神經網路(DepthwiseConv2D)合成不同通道特徵從而獲得K x 1 x M濾波腦波訊號,再接著利用分離卷積神經網路(SeparableConv2D)提取先前利用該二維卷積神經網路層(Conv2D)所展延的不同維度之特徵合成從而獲得該複數時域特徵向量;因此複數濾波腦波訊號的特徵在時域處理之特徵為事件同步化/事件非同步化(ERD/ERS),這種腦波訊號行為稱為事件同步化/事件非同步化的腦波表現,為當人在想抬起右手或左手時,在事件發生前腦波訊號在左右腦有明顯與時間點不同步之上升或下降,在這方面的特徵,我們利用時域處理也就是類神經網路,它可以取出不同大腦位置腦波在哪個時間點上升或是下降且將其數值化,經過不同批次的學習,人工智慧模型參數的調教,千筆想像左右手的腦波經過訓練後,抓出其腦波之ERD/ERS之時域特徵,藉時域處理作為辨識左右手之依據。
請參閱第三圖所示,而第三圖是根據第一圖為深度學習辨識想像運動腦波結合輔助外骨骼控制系統再進一步說明本發明頻域處理架構之示意圖;該頻域處理係將複數濾波腦波訊號(如:C3、C4、Cz)進行複數時頻訊號處理獲得複數時頻圖,該時頻圖上具有複數個時間點,並將該複數時頻圖中相同時間點(t1~t6)進行堆疊進而獲得每個時間點的複數頻域特徵向量,而該複數頻域特徵向量包含μ band能量、C3、C4與Cz之腦區通道之特徵訊號,其中該複數時頻訊號處理為
小波轉換或傅立葉分析轉換;再一較佳加實施例中,複數時頻圖中休息狀態腦波之μ band能量沒有想像左手/右手訊號能量來的強,故分別將C3、C4、Cz之能量做複數訊號轉換轉成時頻圖,該時頻圖上具有複數個時間點(t1~t6),再將每個時間點之μ band腦波提取出來且將其堆疊,進而獲得每個時間點的複數頻域特徵向量;最後將該將該複數頻域特徵向量與複數時域特徵向量訊號進行分類從而獲得複數判斷資訊,並將該複數判斷資訊進行辨識從而產生該作動資訊,該操作單元3則根據該作動資訊進行該外部裝置之控制。
需陳明者,以上所述僅為本案之較佳實施例,並非用以限制本創作,若依本創作之構想所作之改變,在不脫離本創作精神範圍內,例如:對於構型或佈置型態加以變換,對於各種變化,修飾與應用,所產生等效作用,均應包含於本案之權利範圍內,合予陳明。
1:偵測單元
2:處理單元
3:操作單元
21:濾波單元
22:時域處理單元
23:頻域處理單元
24:分類單元
31:訊號傳遞單元
32:作動單元
Claims (10)
- 一種深度學習辨識想像運動腦波結合輔助外骨骼控制系統,其中包括:一偵測單元,該偵測單元係用於偵測一受測者的複數腦波資訊,並將該複數腦波資訊進行電訊號處理從而獲得複數腦波訊號;一處理單元,該處理單元係電性連接該偵測單元,並用於接收該複數腦波訊號,並將該複數腦波訊號進行處理從而獲得複數判斷資訊,並將該複數判斷資訊進行辨識從而產生一作動資訊;以及一操作單元,該操作單元係電性連接該處理單元,該操作單元則根據該作動資訊進行一外部裝置之控制。
- 如申請專利範圍第1項深度學習辨識想像運動腦波結合輔助外骨骼控制系統,其中該處理單元包括:一濾波單元,該濾波單元用於將該複數腦波訊號進行濾波從而獲得複數濾波腦波訊號;一時域處理單元,該時域處理單元係電性連接該濾波單元,並將該複數濾波腦波訊號進行一時域處理從而獲得複數時域特徵向量;一頻域處理單元,該頻域處理單元係電性連接該濾波單元,並將複數濾波腦波訊號進行一頻域處理從而獲得複數頻域特徵向量;以及一分類單元,該分類單元係電性連接頻域處理單元與時域處理單元,並將該複數頻域特徵向量與複數時域特徵向量進行分類從而獲得複數判斷資訊,並將該複數判斷資訊進行辨識從而產生該作動資訊。
- 如申請專利範圍第2項深度學習辨識想像運動腦波結合輔助外骨骼控制系統,其中該時域處理係將該複數濾波腦波訊號先利用一二維卷積神經網路層(Conv2D)分成N x M濾波腦波訊號,並利用K個不同初始值並藉由卷積運算後獲得K x N x M濾波腦波訊號,接著利用深度卷積神經網路(DepthwiseConv2D)合成不同通道特徵從而獲得K x 1 x M濾波腦波訊號,再接著利用分離卷積神經網路(SeparableConv2D)提取先前利用該二維卷積神經網路層(Conv2D)所展延的不同維度之特徵合成從而獲得該複數時域特徵向量。
- 如申請專利範圍第2項深度學習辨識想像運動腦波結合輔助外骨骼控制系統,其中該頻域處理係將複數濾波腦波訊號進行複數時頻訊號處理獲得複數時頻圖,該複數時頻圖具有複數個時間點,並將該複數時頻圖中相同時間點進行堆疊進而獲得每個時間點的複數頻域特徵向量。
- 如申請專利範圍第4項深度學習辨識想像運動腦波結合輔助外骨骼控制系統,其中該複數時頻訊號處理為小波轉換或傅立葉分析轉換。
- 如申請專利範圍第1項深度學習辨識想像運動腦波結合輔助外骨骼控制系統,其中該操作單元包括:一訊號傳遞單元,該訊號傳遞單元用於接收該作動資訊;一作動單元,該作動單元係電性連接該訊號傳遞單元並用於接收該作動資訊,該作動單元根據該作動資訊進行該外部裝置之控制。
- 如申請專利範圍第1項深度學習辨識想像運動腦波結合輔助外骨骼控制系統,其中該複數判斷資訊為左手操作資訊、右手操作資訊或休息資訊。
- 一種深度學習辨識想像運動腦波結合輔助外骨骼控制方法,係利用如請求項1所述之深度學習辨識想像運動腦波結合輔助外骨骼控制系統,包括:利用該偵測單元偵測該受測者的複數腦波資訊,並將該複數腦波資訊進行電訊號處理從而獲得複數腦波訊號;接著該處理單元用於接收該複數腦波訊號,並利用一濾波單元將該複數腦波訊號進行濾波從而獲得複數濾波腦波訊號,接著將複數濾波腦波訊號進行一時域處理從而獲得複數時域特徵向量,再接著將該複數濾波腦波訊號進行一頻域處理從而獲得複數頻域特徵向量,接著將該複數頻域特徵向量與複數時域特徵向量進行分類從而獲得複數判斷資訊,並將該複數判斷資訊進行辨識從而產生該作動資 訊,以及該操作單元則根據該作動資訊進行該外部裝置之控制。
- 如申請專利範圍第8項深度學習辨識想像運動腦波結合輔助外骨骼控制方法,其中該時域處理係將該複數濾波腦波訊號先利用一二維卷積神經網路層(Conv2D)分成N x M濾波腦波訊號,並利用K個不同初始值並藉由卷積運算後獲得K x N x M濾波腦波訊號,接著利用深度卷積神經網路(DepthwiseConv2D)合成不同通道特徵從而獲得K x 1 x M濾波腦波訊號,再接著利用分離卷積神經網路(SeparableConv2D)提取先前利用該二維卷積神經網路層(Conv2D)所展延的不同維度之特徵合成從而獲得該複數時域特徵向量。
- 如申請專利範圍第8項深度學習辨識想像運動腦波結合輔助外骨骼控制方法,其中該頻域處理係將複數濾波腦波訊號進行複數時頻訊號處理獲得複數時頻圖,該複數時頻圖具有複數個時間點,並將該複數時頻圖中相同時間點進行堆疊進而獲得每個時間點的複數頻域特徵向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109133569A TWI755871B (zh) | 2020-09-25 | 2020-09-25 | 深度學習辨識想像運動腦波結合輔助外骨骼控制系統與方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109133569A TWI755871B (zh) | 2020-09-25 | 2020-09-25 | 深度學習辨識想像運動腦波結合輔助外骨骼控制系統與方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI755871B true TWI755871B (zh) | 2022-02-21 |
TW202211867A TW202211867A (zh) | 2022-04-01 |
Family
ID=81329663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109133569A TWI755871B (zh) | 2020-09-25 | 2020-09-25 | 深度學習辨識想像運動腦波結合輔助外骨骼控制系統與方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI755871B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202004773A (zh) * | 2018-05-18 | 2020-01-16 | 南開科技大學 | 診斷認知功能以提供體適能矯正方案之系統及方法 |
TWI699672B (zh) * | 2019-03-25 | 2020-07-21 | 國家中山科學研究院 | 以腦波訊號辨識視覺控制指令之方法及裝置 |
-
2020
- 2020-09-25 TW TW109133569A patent/TWI755871B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202004773A (zh) * | 2018-05-18 | 2020-01-16 | 南開科技大學 | 診斷認知功能以提供體適能矯正方案之系統及方法 |
TWI699672B (zh) * | 2019-03-25 | 2020-07-21 | 國家中山科學研究院 | 以腦波訊號辨識視覺控制指令之方法及裝置 |
Also Published As
Publication number | Publication date |
---|---|
TW202211867A (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grosse-Wentrup et al. | Beamforming in noninvasive brain–computer interfaces | |
Bascil et al. | Spectral feature extraction of EEG signals and pattern recognition during mental tasks of 2-D cursor movements for BCI using SVM and ANN | |
Hermosilla et al. | Shallow convolutional network excel for classifying motor imagery EEG in BCI applications | |
CN101828921A (zh) | 基于视觉诱发脑电vep的身份识别方法 | |
Poorna et al. | Classification of EEG based control using ANN and KNN—A comparison | |
Aljalal et al. | Feature extraction of EEG based motor imagery using CSP based on logarithmic band power, entropy and energy | |
Awan et al. | Effective classification of EEG signals using K-nearest neighbor algorithm | |
CN112488002A (zh) | 基于n170的情绪识别方法及识别系统 | |
Plotnikov et al. | Artificial intelligence based neurofeedback | |
US20220000426A1 (en) | Multi-modal brain-computer interface based system and method | |
Li et al. | An adaptive feature extraction method in BCI-based rehabilitation | |
Abougharbia et al. | A novel BCI system based on hybrid features for classifying motor imagery tasks | |
TWI755871B (zh) | 深度學習辨識想像運動腦波結合輔助外骨骼控制系統與方法 | |
CN110321856B (zh) | 一种时频多尺度散度csp的脑机接口方法及装置 | |
Shantala et al. | Mind controlled wireless robotic arm using brain computer interface | |
Sun et al. | Research on facial emotion recognition system based on exoskeleton rehabilitation robot | |
CN114082169B (zh) | 基于脑电信号的伤残手软体康复机器人运动想象识别方法 | |
Arabshahi et al. | A convolutional neural network and stacked autoencoders approach for motor imagery based brain-computer interface | |
Ananthi et al. | A review on-EEG signals by motor imagery based brain computer interface | |
Al-Turabi et al. | Brain computer interface for wheelchair control in smart environment | |
Gondal et al. | EMG-based Control of Wheel Chair | |
Zhou et al. | MI-EEG temporal information learning based on one-dimensional convolutional neural network | |
Roy et al. | EEG driven model predictive position control of an artificial limb using neural net | |
Shilaskar et al. | Brain Computer Interface for Eye Movement Recognition Using Random Forest | |
Sharma et al. | Brain-Computer Interface Based Control for Disabled |