WO2021086218A1 - Способ определения категории объекта на основе сигнала электроэнцефалографии - Google Patents

Способ определения категории объекта на основе сигнала электроэнцефалографии Download PDF

Info

Publication number
WO2021086218A1
WO2021086218A1 PCT/RU2019/000772 RU2019000772W WO2021086218A1 WO 2021086218 A1 WO2021086218 A1 WO 2021086218A1 RU 2019000772 W RU2019000772 W RU 2019000772W WO 2021086218 A1 WO2021086218 A1 WO 2021086218A1
Authority
WO
WIPO (PCT)
Prior art keywords
visual
neural network
stimuli
class
stimulus
Prior art date
Application number
PCT/RU2019/000772
Other languages
English (en)
French (fr)
Inventor
Анатолий Сергеевич БОБЕ
Мария Валерьевна КОМАРОВА
Андрей Сергеевич АЛЕКСЕЕВ
Дмитрий Владиславович ФЕСТОВЕЦ
Original Assignee
Общество С Ограниченной Ответственностью "Нейроассистивные Технологии"
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 Общество С Ограниченной Ответственностью "Нейроассистивные Технологии" filed Critical Общество С Ограниченной Ответственностью "Нейроассистивные Технологии"
Priority to PCT/RU2019/000772 priority Critical patent/WO2021086218A1/ru
Publication of WO2021086218A1 publication Critical patent/WO2021086218A1/ru

Links

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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for 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]
    • A61B5/377—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
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
    • 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
    • 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

Definitions

  • the invention relates to bioengineering and computer technology, in particular to the field of communication of the human brain with a computer (brain-computer-interface), and is intended to determine the category of a visual object observed by a person, based on the recognition of the electroencephalography (EEG) signal.
  • EEG electroencephalography
  • the disadvantage of the known technical solution is the great complexity and duration of the process of training the system and identification of operators, the high probability of erroneous actions of operators in the identification process, which reduces the reliability and efficiency of practical use of the system.
  • the disadvantage of the above technical solution is the great complexity and duration of the process of training the system and identification of operators, the high probability of erroneous actions of operators in the identification process, which reduces the reliability and efficiency of practical use of the system.
  • the objective of the claimed invention is to develop a computer-implemented method for determining the category of a visual object observed by a person, based on the recognition of the EEG signal in real time.
  • the technical result of the invention is to improve the recognition accuracy when using a smaller number of EEG signal features and high processing speed.
  • a computer-implemented method for determining the category of a visual object observed by a person, based on recognition of an EEG signal contains a processor for performing the following stages: the first stage is a preparatory stage, at which: an EEG signal is recorded to calculate a pattern of visual stimuli of various classes, using electrodes, by presenting visual stimuli of various classes in an arbitrary order; process EEG signals to calculate averaged patterns for each class of visual stimuli, a number of informative features, and also build heat maps of brain activity based on informative features; save the averaged patterns as reference, as well as informative signs and heat maps of brain activity to the database; train the artificial neural network to recognize the presented visual stimuli based on the analysis of the stored heat maps of brain activity; reject classes of visual stimuli, the recognition level of which does not correspond to a given level; the second stage is a worker, at which: a cognitive test is carried out by presenting visual stimuli of various classes to the user in an arbitrary order; in real time,
  • the trained artificial neural network gives a result about the recognized class of visual stimulus, and comparison with the averaged pattern gives characteristics about the time and strength of the reaction of the recognized class of visual stimulus.
  • the informative signs of the signal are the characteristic time intervals and the strength of the subject's reaction to visual stimuli.
  • FIG. 1 - A computer-implemented method for determining the category of a visual object observed by a person, based on the recognition of an EEG signal.
  • a computer-implemented method for determining the category of a visual object observed by a person based on recognition of an EEG signal is implemented as follows.
  • an electroencephalograph with EEG electrodes is used, with a number of monopolar leads of at least 32 and a signal recording frequency of at least 200 Hz.
  • Selected from 2 to 6 different classes of visual stimuli Selected from 2 to 6 different classes of visual stimuli. For each of the classes of visual stimuli, a set of several different stimulus patterns is formed.
  • Various images are used as visual stimuli: images of a person, images of animals, images of parts of the human body, images of fruits, vegetables and berries, images of objects used in everyday life and other images.
  • An electroencephalograph with EEG electrodes connected to a signal biomplifier is fixed on the head of the test person.
  • Visual stimuli of different classes are alternately presented to the subject in random order, for 1-2 seconds each, with intervals of 2-3 seconds. Each stimulus is repeated 3-5 times during the calibration procedure.
  • EEG signals are recorded and recorded, after which the EEG signal is amplified in a biomplifier and, through wireless communication, in real time, is transmitted for processing to a computing device.
  • the received EEG signal is processed as follows: - divide the multiple EEG signal into independent components using the ICA method;
  • Non-informative components are considered to be components, the averaging of which for different classes of presented stimuli gives statistically indistinguishable averaged patterns;
  • the averaged patterns are saved as reference, as well as informative signs and heat maps of brain activity into a database.
  • the artificial neural network is trained to recognize the presented visual stimuli based on the analysis of the stored heat maps of brain activity.
  • the neural network consists of three convolutional and three fully connected layers.
  • the neural network is trained on the classification problem based on the minimization of the objective function - cross-entropy. Teaching takes place over 50 epochs.
  • the weights are updated through an optimization method: Adam Adaptive Stochastic Gradient Descent.
  • overfitting protection is achieved by using a technical failure (dropout) between fully connected network layers.
  • the system rejects the unsuitable visual stimulus and may suggest repeating the calibration procedure or changing the classes of visual stimuli.
  • the working stage is carried out.
  • an electroencephalograph with EEG electrodes remains on the head of the test person.
  • a cognitive test for example, the Rorschach test
  • the Rorschach test is carried out based on the presentation of the same classes of visual stimuli that were used to calibrate the system (the specific essence of visual stimuli may differ in this case).
  • EEG signals are recorded, which are processed in the same way as when calibrating the system using the ICA algorithm and building heat maps.
  • the current pattern and the current heat map are calculated for each of the presented visual stimuli
  • a heat map is calculated for each of the presented visual stimuli.
  • the class of visual stimulus is determined from the classes of stimuli presented during the cognitive test. Informative signs are the characteristic time intervals and the strength of the subject's reaction to visual stimuli
  • the current pattern corresponding to the presented visual stimulus is compared with the reference average pattern for the given class of stimuli. Based on the comparison, a result is given about the time and strength of the reaction of the recognized class of visual stimulus.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Neurosurgery (AREA)
  • Fuzzy Systems (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Dermatology (AREA)
  • Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Neurology (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

Изобретение относится к биоинженерии и компьютерной технологии, в частности к области коммуникации мозга человека с компьютером (интерфейс мозг-компьютер), и предназначено для определения категории визуального объекта, наблюдаемого человеком, на основе распознавания сигнала электроэнцефалографии (ЭЭГ). Техническим результатом изобретения является повышение точности распознавания при использовании меньшего числа признаков сигнала ЭЭГ и высокой скорости обработки. Компьютерно-реализованный способ определения категории визуального объекта, наблюдаемого человеком, на основе распознавания сигнала ЭЭГ, содержащий подготовительный и рабочий этапы. На подготовительном этапе осуществляют калибровку системы для определения эталонных паттернов и информативных признаков при обработке сигналов ЭЭГ в ответ на предъявляемые визуальные стимулы, с последующим обучением искусственную нейронную сеть сверточного типа распознавать предъявляемые визуальные стимулы, а на рабочем этапе осуществляют распознавание обученной искусственной нейронной сетью класса предъявляемого стимула, на основе сравнения текущего паттерна, соответствующего предъявляемому визуальному стимулу, с эталонным паттерном в обученной искусственной нейронной сети сверточного типа, с последующим определением времени и силы реакции распознанного класса визуального стимула.

Description

СПОСОБ ОПРЕДЕЛЕНИЯ КАТЕГОРИИ ОБЪЕКТА НА ОСНОВЕ СИГНАЛА
ЭЛЕКТРОЭНЦЕФАЛОГРАФИИ
ОБЛАСТЬ ТЕХНИКИ
Изобретение относится к биоинженерии и компьютерной технологии, в частности к области коммуникации мозга человека с компьютером (мозг-компьютер-интерфейс), и предназначено для определения категории визуального объекта, наблюдаемого человеком, на основе распознавания сигнала электроэнцефалографии (ЭЭГ).
УРОВЕНЬ ТЕХНИКИ
Известен способ биометрического распознавания на основе когнитивных событий, заключающийся в идентификации индивидуальных реакций на различные стимулы (первичное визуальное восприятие, распознавание лиц, вкус) с помощью обработки сигнала ЭЭГ (Maria V. Ruiz-Blondet. CEREBRE: A Novel Method for Very High Accuracy Event-Related Potential Biometric Identification / Maria V. Ruiz-Blondet, Zhanpeng Jin, Sarah Laszlo // IEEE Transactions on Information Forensics and Security. - 2016. - vol. 11. - Is. 7. - P. 1618-1629).
Недостатком известного технического решения является большая сложность и длительность процесса обучения системы и идентификации операторов, высокая вероятность ошибочных действий операторов в процессе идентификации, что снижает надежность и эффективность практического использования системы.
Кроме того, из уровня техники известен способ определения категории визуального стимула на основе предъявления визуальных стимулов различных классов, раскрытый в Kaneshiro Blair, Amardottir Steinunn, M. Norcia Anthony, Suppes Patrick, "Object Category EEG Dataset", Stanford Digital Repository, 2015, прототип (https://purl.stanford.edu/tc919dd5388).
Недостатком раскрытого выше технического решения является большая сложность и длительность процесса обучения системы и идентификации операторов, высокая вероятность ошибочных действий операторов в процессе идентификации, что снижает надежность и эффективность практического использования системы.
РАСКРЫТИЕ ИЗОБРЕТЕНИЯ
Задачей заявленного изобретения является разработка компьютерно-реализованного способа определения категории визуального объекта, наблюдаемого человеком, на основе распознавания сигнала ЭЭГ в режиме реального времени. Техническим результатом изобретения является повышение точности распознавания при использовании меньшего числа признаков сигнала ЭЭГ и высокой скорости обработки.
Указанный технический результат достигается за счет того, что компьютерно- реализованный способ определения категории визуального объекта, наблюдаемого человеком, на основе распознавания сигнала ЭЭГ, содержащий процессор для выполнения следующих этапов: первый этап - подготовительный этап, на котором: записывают сигнал ЭЭГ для расчета паттерна визуальных стимулов различных классов, при помощи электродов, посредством предъявления визуальных стимулов различных классов в произвольном порядке; обрабатывают сигналы ЭЭГ для расчета усредненных паттернов для каждого класса визуальных стимулов, ряда информативных признаков, а также осуществляют построение тепловых карт активности мозга на основе информативных признаков; сохраняют усредненные паттерны как эталонные, а также информативные признаки и тепловые карты активности мозга в базу данных; обучают искусственную нейронную сеть распознавать предъявляемые визуальные стимулы на основе анализа сохраненных тепловых карт активности мозга; отклоняют классы визуальных стимулов, уровень распознавания которых не соответствует заданному уровню; второй этап - рабочий, на котором: проводят когнитивный тест предъявляя пользователю визуальные стимулы различных классов в произвольном порядке; в режиме реального времени, во время проведения когнитивного теста, регистрируют сигналы ЭЭГ при помощи электродов для каждого класса предъявляемого визуального стимула; обрабатывают сигналы ЭЭГ для расчета текущего паттерна и информативных признаков для каждого класса предъявляемого визуального стимула, с последующим определением класса визуального стимула из предъявляемых классов стимулов при проведении когнитивного теста; на основе текущего паттерна обученная искусственная нейронной сеть выдает результат о наличии или отсутствии реакции на текущий визуальный стимул. сравнивают текущий паттерн, соответствующий предъявляемому визуальному стимулу, с эталонным усредненным паттерном в базе данных; При наличии реакции на текущий визуальный стимул, обученная искусственная нейронной сеть выдает результат о распознанном классе визуального стимула, а сравнение с усреднённым паттерном даёт характеристики о времени и силе реакции распознанного класса визуального стимула.
Информативными признаками сигнала являются характерные временные интервалы и силы реакции испытуемого на визуальные стимулы.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
Изобретение будет более понятным из описания, не имеющего ограничительного характера и приводимого со ссылками на прилагаемые чертежи, на которых изображено:
Фиг. 1 - Компьютерно-реализованный способ определения категории визуального объекта, наблюдаемого человеком, на основе распознавания сигнала ЭЭГ.
ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ
Как представлено на Фиг. 1, компьютерно-реализованный способ определения категории визуального объекта, наблюдаемого человеком, на основе распознавания сигнала ЭЭГ реализован следующим образом.
Для снятия сигнала ЭЭГ используют электроэнцефалограф с электродами ЭЭГ, с числом монополярных отведений не менее 32 и частотой записи сигнала не менее 200 Гц.
Перед началом определения категории визуального объекта, необходимо предварительно откалибровать систему мозг-компьютер-интерфейс. Калибровка происходит следующим образом.
Отбирается от 2 до 6 различных классов визуальных стимулов. Для каждого из классов визуальных стимулов формируется набор из нескольких различных образцов стимулов. В качестве визуальных стимулов применяют различные изображения: изображения человека, изображения животных, изображения частей тела человека, изображения фруктов, овощей и ягод, изображения предметов, применяемых в быту и другие изображения.
На голове испытуемого человека закрепляют электроэнцефалограф с электродами ЭЭГ, подключенных к биоусилителю сигнала. Визуальные стимулы различных классов поочередно предъявляются испытуемому в произвольном порядке, в течение 1 -2 секунды каждый, с перерывами 2-3 секунды. Каждый стимул в течение процедуры калибровки повторяется 3-5 раз. В процессе предъявления визуальных стимулов записывают и регистрируют сигналы ЭЭГ, после чего сигнал ЭЭГ усиливается в биоусилителе и посредством беспроводной связи, в режиме реального времени, передается на обработку в вычислительное устройство.
Обрабатывают поступивший сигнал ЭЭГ следующим образом: - разделяют множественный сигнал ЭЭГ на независимые компоненты с помощью метода ICA;
- усредняют независимые компоненты по участкам, соответствующим характерному времени реакции на различные классы стимулов;
- рассчитывают усредненные паттерны для каждого класса из предъявляемых визуальных стимулов;
- удаляют неинформативные компоненты ICA; Неинформативными компонентами считаются компоненты, усреднение которых для различных классов предъявляемых стимулов даёт статистически неразличимые усреднённые паттерны;
- рассчитывают характерные временные интервалы реакции субъекта на визуальные стимулы и характерную силу реакции для различных классов стимулов на основе статистической обработки усреднённых паттернов для оставшихся информативных компонентов ICA;
- применяют обратное преобразование ICA с учетом удаленных компонент для перевода сигнала обратно во временную область;
- формируют серии изображений - тепловых карт активности мозга, представляющих собой интерполированные по проекции скальпа значения напряжения на электродах ЭЭГ для моментов времени, соответствующих характерным временным интервалам реакции человека.
После обработки ЭЭГ сигнала сохраняют усредненные паттерны как эталонные, а также информативные признаки и тепловые карты активности мозга в базу данных.
Затем обучают искусственную нейронную сеть распознавать предъявляемые визуальные стимулы на основе анализа сохраненных тепловых карт активности мозга.
Нейросеть состоит из трёх свёрточных и трех полносвязных слоев. Нейронная сеть обучается задаче классификации на основе минимизации целевой функции - кросс- энтропии. Обучение производится в течение 50 эпох. Обновление весов происходит посредством метода оптимизации: адаптивный стохастический градиентный спуск Adam.
Кроме того, защита от переобучения достигается использованием технического сбоя (дропаута) между полносвязными слоями сети.
Если уровень распознавания хотя бы одного визуального стимула из предъявляемых классов визуальных стимулов слишком низкий, система отклоняет непригодный визуальный стимул и может предложить повторить процедуру калибровки или сменить классы визуальных стимулов. После окончания калибровки системы, в результате которой рассчитаны эталонные паттерны, информативные признаки, а также обучена искусственная нейронной сеть свёрточного типа, осуществляют проведение рабочего этапа.
На голове испытуемого человека после калибровки системы остается электроэнцефалограф с электродами ЭЭГ. При этом проводится когнитивный тест (например, тест Роршаха) на основе предъявления тех же классов визуальных стимулов, что использовались при калибровке системы (конкретная сущность визуальных стимулов при этом может отличаться).
В режиме реального времени при проведении теста регистрируются сигналы ЭЭГ, которые обрабатывают аналогичным образом, как и при калибровке системы с помощью алгоритма ICA и построения тепловых карт.
В результате обработки рассчитывают текущий паттерн и текущую тепловую карту для каждого из предъявляемых визуальных стимулов;
По анализу текущего паттерна определяют наличие реакции на текущий стимул;
В случае наличии реакции на текущий стимул по текущему паттерну рассчитывают тепловую карту для каждого из предъявляемых визуальных стимулов. На основе обработки текущей тепловой карты с помощью обученной искусственной нейронной сети свёрточного типа определяют класс визуального стимула из предъявляемых классов стимулов при проведении когнитивного теста. Информативными признаками являются характерные временные интервалы и силы реакции испытуемого на визуальные стимулы
Затем сравнивают текущий паттерн, соответствующий предъявляемому визуальному стимулу, с эталонным усреднённым паттерном для данного класса стимулов. На основе сравнения выдается результат о времени и силе реакции распознанного класса визуального стимула.
Изобретение было раскрыто выше со ссылкой на конкретный вариант его осуществления. Для специалистов могут быть очевидны и иные варианты осуществления изобретения, не меняющие его сущности, как она раскрыта в настоящем описании. Соответственно, изобретение следует считать ограниченным по объему только нижеследующей формулой изобретения.

Claims

ФОРМУЛА ИЗОБРЕТЕНИЯ
1. Компьютерно-реализованный способ определения категории визуального объекта, наблюдаемого человеком, на основе распознавания сигнала ЭЭГ, содержащий процессор для выполнения следующих этапов: первый этап - подготовительный этап, на котором: записывают сигнал ЭЭГ для расчета паттерна визуальных стимулов различных классов, при помощи электродов, посредством предъявления визуальных стимулов различных классов в произвольном порядке; обрабатывают сигналы ЭЭГ для расчета усредненных паттернов для каждого класса визуальных стимулов, ряда информативных признаков, а также осуществляют построение тепловых карт активности мозга на основе информативных признаков; сохраняют усредненные паттерны как эталонные, а также информативные признаки и тепловые карты активности мозга в базу данных; обучают искусственную нейронную сеть распознавать предъявляемые визуальные стимулы на основе анализа сохраненных тепловых карт активности мозга; отклоняют классы визуальных стимулов, уровень распознавания которых не соответствует заданному уровню; второй этап - рабочий, на котором: проведение когнитивного теста при предъявлении пользователю визуальных стимулов различных классов в произвольном порядке; в режиме реального времени, во время проведения когнитивного теста, регистрируют сигналы ЭЭГ при помощи электродов для каждого класса предъявляемого визуального стимула; обрабатывают сигналы ЭЭГ для расчета текущего паттерна и информативных признаков для каждого класса предъявляемого визуального стимула, с последующим определением класса визуального стимула из предъявляемых классов стимулов при проведении когнитивного теста; сравнивают текущий паттерн, соответствующий предъявляемому визуальному стимулу, с эталонным усредненным паттерном в базе данных; на основе текущего паттерна обученная искусственная нейронной сеть выдает результат о наличие или отсутствии реакции на текущий визуальный стимул.
2. Способ по п. 1, отличающийся тем, что искусственная нейронная сеть является свёрточной нейронной сетью.
3. Способ по п. 1, отличающийся тем, что при наличии реакции на текущий визуальный стимул, обученная искусственная нейронной сеть выдает результат о
6
ЗАМЕНЯЮЩИЙ ЛИСТ (ПРАВИЛО 26) распознанном классе визуального стимула, а сравнение с усредненным паттерном дает характеристики о времени и силе реакции распознанного класса визуального стимула.
4. Способ по п. 1, отличающийся тем, что информативными признаками являются характерные временные интервалы и силы реакции испытуемого на визуальные стимулы.
7
ЗАМЕНЯЮЩИЙ ЛИСТ (ПРАВИЛО 26)
PCT/RU2019/000772 2019-10-29 2019-10-29 Способ определения категории объекта на основе сигнала электроэнцефалографии WO2021086218A1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/RU2019/000772 WO2021086218A1 (ru) 2019-10-29 2019-10-29 Способ определения категории объекта на основе сигнала электроэнцефалографии

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/RU2019/000772 WO2021086218A1 (ru) 2019-10-29 2019-10-29 Способ определения категории объекта на основе сигнала электроэнцефалографии

Publications (1)

Publication Number Publication Date
WO2021086218A1 true WO2021086218A1 (ru) 2021-05-06

Family

ID=75715504

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2019/000772 WO2021086218A1 (ru) 2019-10-29 2019-10-29 Способ определения категории объекта на основе сигнала электроэнцефалографии

Country Status (1)

Country Link
WO (1) WO2021086218A1 (ru)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298006A (zh) * 2021-06-04 2021-08-24 西北工业大学 基于脑机融合认知与决策的异常目标检测新方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DALIRI M.R. ET AL.: "EEG signature of object categorization from event-related potentials", JOURNAL OF MEDICAL SIGNALS & SENSORS, vol. 3, January 2013 (2013-01-01), pages 37 - 44, XP055932082 *
RUNNOVA A.E. ET AL.: "Matematicheskie metody raspoznavaniya patternov dvizheniya eksperimentalnykh dannykh mnogokanalnoi elektroentsefalografii cheloveka", VESTNIK TGU,, vol. 21, no. 6, 2016 - 2374, pages 2370 *
SPAMPINATO C.; PALAZZO S.; KAVASIDIS I.; GIORDANO D.; SOULY N.; SHAH M.: "Deep Learning Human Mind for Automated Visual Classification", 2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), IEEE COMPUTER SOCIETY, US, 21 July 2017 (2017-07-21), US , pages 4503 - 4511, XP033249805, ISSN: 1063-6919, DOI: 10.1109/CVPR.2017.479 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298006A (zh) * 2021-06-04 2021-08-24 西北工业大学 基于脑机融合认知与决策的异常目标检测新方法
CN113298006B (zh) * 2021-06-04 2024-01-19 西北工业大学 基于脑机融合认知与决策的异常目标检测新方法

Similar Documents

Publication Publication Date Title
McCool et al. Identification of contaminant type in surface electromyography (EMG) signals
Fraser et al. Automated biosignal quality analysis for electromyography using a one-class support vector machine
Wilson et al. Spike detection: a review and comparison of algorithms
Sulaiman et al. Novel methods for stress features identification using EEG signals
CN114615924B (zh) 基于脑电图（eeg）非线性变化的用于癫痫发作检测的系统和方法
Siuly et al. EEG signal classification based on simple random sampling technique with least square support vector machine
JP7417970B2 (ja) データ生成装置、生体データ計測システム、識別器生成装置、データ生成方法、識別器生成方法及びプログラム
JP2013507174A5 (ru)
KR102141185B1 (ko) 확률모델 및 기계학습과 함께 특징추출을 이용한 뇌전도 신호의 멀티 주파수 대역 계수 기반 간질 발작파 검출 시스템
US20150216468A1 (en) Method and system for real-time insight detection using eeg signals
US10885361B2 (en) Biometric method and device for identifying a person through an electrocardiogram (ECG) waveform
KR20140029332A (ko) 생체신호를 이용한 보안 서비스 제공 방법 및 장치
Hosseini et al. Emotional stress recognition using a new fusion link between electroencephalogram and peripheral signals
JP2023099043A (ja) 脳波（ｅｅｇ）の非線形性の変化に基づく発作検出システム及び方法
CN110200626A (zh) 一种基于投票分类器的视觉诱导晕动症检测方法
Gill et al. Analysis of eeg signals for detection of epileptic seizure using hybrid feature set
WO2021086218A1 (ru) Способ определения категории объекта на основе сигнала электроэнцефалографии
Cecotti et al. Suboptimal sensor subset evaluation in a p300 brain-computer interface
CN113827256B (zh) 基于脑电微状态的疲劳检测方法、装置、终端及存储介质
Luo et al. Exploring adaptive graph topologies and temporal graph networks for EEG-based depression detection
Chou et al. Multi-channel algorithms for epileptic high-frequency oscillation detection
Navea et al. Classification of wavelet-denoised musical tone stimulated EEG signals using artificial neural networks
LaRocco et al. Optimal EEG feature selection from average distance between events and non-events
Islam et al. Classification of EEG-Based Auditory Evoked Potentials Using Entropy-Based Features and Machine Learning Techniques
Chen et al. Parametric canonical correlation analysis

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 26/09/2022)

122 Ep: pct application non-entry in european phase

Ref document number: 19950905

Country of ref document: EP

Kind code of ref document: A1