WO2022052328A1 - 一种基于黎曼几何的自然动作脑电识别方法 - Google Patents

一种基于黎曼几何的自然动作脑电识别方法 Download PDF

Info

Publication number
WO2022052328A1
WO2022052328A1 PCT/CN2020/132579 CN2020132579W WO2022052328A1 WO 2022052328 A1 WO2022052328 A1 WO 2022052328A1 CN 2020132579 W CN2020132579 W CN 2020132579W WO 2022052328 A1 WO2022052328 A1 WO 2022052328A1
Authority
WO
WIPO (PCT)
Prior art keywords
eeg
riemannian
natural
point
tangent
Prior art date
Application number
PCT/CN2020/132579
Other languages
English (en)
French (fr)
Inventor
徐宝国
王勇
张坤
刘德平
宋爱国
Original Assignee
东南大学
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 东南大学 filed Critical 东南大学
Publication of WO2022052328A1 publication Critical patent/WO2022052328A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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

Definitions

  • the invention belongs to the technical field of EEG signal processing and application, and in particular relates to a natural action EEG recognition method based on Riemannian geometry, which is used for classifying and recognizing EEG signals when a user performs natural actions.
  • Brain-computer interface technology starts from recording brain signal activity, detects the user's natural behavior through signal processing, sends appropriate control signals to external devices according to the user's intention, and controls the peripheral devices to complete corresponding operations.
  • the EEG signals in the motor-related cortex will have a slow, small, negative drift, known as the motor-related potential (MRCP).
  • MCP motor-related potential
  • signal processing of motion-related potentials there are relatively few researches on signal processing of motion-related potentials, and EEG recognition of natural movements has become a research trend, and methods based on Riemannian geometry have begun to show good prospects compared with traditional classification algorithms. Therefore, the study of natural motion EEG recognition method based on Riemannian geometry can provide an efficient signal processing method, which has important application value and practical urgency.
  • the present invention discloses a natural action EEG recognition method based on Riemannian geometry, provides an efficient signal processing method, the algorithm is novel and efficient, has high reliability, and has important application value and practical urgency.
  • a natural action EEG recognition method based on Riemannian geometry comprising the following steps:
  • L is the sampled time domain length of the EEG signal
  • the second-order statistical information of the EEG signal X(t) contains the separable information of the brain state, and the covariance feature is the most commonly used second-order statistical feature of the EEG signal. Therefore, we can obtain the covariance feature of the EEG signal X(t) as:
  • the collected EEG signals contain m trials, and the covariance features can be regarded as points Pi (1 ⁇ i ⁇ m) on the Riemannian manifold, and they are projected to the tangent plane with the Riemann mean point P as the tangent point, and the projection to The point on the tangent plane corresponds to S i , then there are:
  • shrinking linear discriminant analysis is used on the Riemann geometric tangent space to classify the above EEG sample features.
  • the algorithm is novel and efficient.
  • the traditional processing algorithm mainly identifies the amplitude of the EEG signal in the traditional classifier, while the present invention extracts the effective period of EEG analysis through the natural operating force information, and based on the current better performance
  • the Riemannian geometry method for EEG recognition in a shrunk linear discriminant classifier is a novel and efficient method.
  • FIG. 1 is a flow chart of a natural action EEG recognition method based on Riemannian geometry of the present invention.
  • Figure 2 is a schematic diagram of the Riemannian manifold and tangent plane of the present invention.
  • FIG. 3 is a flow chart for solving the Riemann mean point of the present invention.
  • a method for EEG recognition of natural movements based on Riemannian geometry includes the following steps:
  • L is the sampled time domain length of the EEG signal
  • the second-order statistical information of the EEG signal X(t) contains the separable information of the brain state, and the covariance feature is the most commonly used second-order statistical feature of the EEG signal. Therefore, we can obtain the covariance feature of the EEG signal X(t) as:
  • the collected EEG signals include m trials. After the above steps are processed, the covariance characteristics of the multi-channel EEG signals generated by each trial are Pi (1 ⁇ i ⁇ m), and they are projected to the Riemann mean point P. is the tangent plane of the tangent point, and the point projected onto the tangent plane corresponds to S i , then there are:
  • the Riemann mean point can be obtained according to the Riemann geodetic distance, and the calculation method is as follows:
  • ⁇ i is the ith eigenvalue of P1-1 P2
  • the Riemann center point of the sample is
  • the above-mentioned Riemann center point solution has no analytical solution.
  • the preferred solution is to solve it through iteration, and an approximate solution can be obtained.
  • the iterative process is shown in Figure 3.
  • the intra-class dispersion matrix is defined as
  • the shrinkage parameter ⁇ [0, 1] can be selected by the cross-validation method, and the selectable shrinkage parameter is 0.05.
  • I is the identity matrix and v is defined as the mean of the covariance matrix traces: d is the dimension of the feature space.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种基于黎曼几何的自然动作脑电识别方法，用于分类识别自然动作的脑电信号，在采集多通道脑电信号后，通过分析观察剔除干扰大的通道再进行零相位带通滤波，并根据自然动作力信息对脑电信号时域进行截取，进而计算多通道脑电信号的协方差矩阵，并将协方差矩阵投影到以黎曼均值为切点的黎曼切空间上，最后在黎曼几何切空间中使用收缩线性判别分析算法完成自然手部动作的脑电信号分类，提供了一种高效的信号处理手段，算法新颖高效，可靠性高，具有重要的应用价值。

Description

一种基于黎曼几何的自然动作脑电识别方法 技术领域
本发明属于脑电信号处理及运用技术领域，具体涉及一种基于黎曼几何的自然动作脑电识别方法，用于分类识别用户进行自然动作时的脑电信号。
背景技术
脑-机接口技术从记录大脑信号活动开始，通过信号处理检测用户的自然行为动作，根据用户的意图向外部设备发送适当的控制信号，控制外设完成相应操作。当我们在执行自主自然动作之前，运动相关皮层的脑电信号会有一个缓慢、微小、负向的漂移，被称为运动相关电位(MRCP)，已有研究表明，它携带着运动信息，可以被非侵入性地利用。目前关于运动相关电位的信号处理研究相对较少，自然动作的脑电识别已然成为一种研究趋势，而基于黎曼几何的方法相比传统的分类算法开始展现出良好的前景。因此研究基于黎曼几何的自然动作脑电识别方法可以提供一种高效的信号处理手段，具有重要的应用价值和实际紧迫性。
发明内容
为解决上述问题，本发明公开了一种基于黎曼几何的自然动作脑电识别方法，提供一种高效的信号处理手段，算法新颖高效，可靠性高，具有重要的应用价值和实际紧迫性。
为达到上述目的，本发明的技术方案如下：
一种基于黎曼几何的自然动作脑电识别方法，包括以下步骤：
(1)、多通道脑电信号采集
采集多通道脑电信号X(t)，设N个通道的脑电信号为
X(t)＝[x(t)，…，x(t+L-1)]∈R N×L]
其中，L是脑电信号的采样后的时域长度，t时刻的采样信号为x(t)＝[x 1(t)，...，x N(t)] T∈R N
(2)通过分析剔除干扰大的通道。
在实际脑电采集过程中，由于脑电帽电极的阻抗问题、接触不良等问题，会给某些通道带来很大的干扰，在脑电信号波形中出现异常幅值和异常峰值，需要观察分析后剔除。
(3)对余下的多通道信号进行零相位滤波。
在脑电信号的采集过程中，会引入工频干扰，应当采用50Hz的零相位陷阱滤波器进行滤除，另外由于自然动作产生的MRCP低频分量(<2hz)携带着运动信息，因此使用通带范围为0.3Hz～3Hz的零相位带通滤波器滤除噪声。
(4)脑电信号时域截取
在脑电信号采集过程中，为了提取包含运动信息最丰富的时段，根据在自然动作执行时的力信息确定动作开始的时刻，对开始执行的前后几秒时间段进行截取，用于后续协方差矩阵计算。
(5)计算多通道信号的协方差矩阵
脑-机接口中，脑电信号X(t)的二阶统计信息包含了大脑状态的可分信息，而协方差特征是脑电信号的最常用二阶统计特征。因此我们可以求得脑电信号X(t)的协方差特征为：
Figure PCTCN2020132579-appb-000001
(6)将协方差特征投影到黎曼几何切空间，切点为黎曼均值。
采集的脑电信号包含m次试验，协方差特征可以看作黎曼流形上的点Pi(1≤i≤m)，将它们投影到以黎曼均值点P为切点的切面上，记投影到切平面上的点对应为S i，则有：
S i＝log P(Pi)＝P 1/2log(P -1/2P iP -1/2)P 1/2
正定矩阵空间上，任意两点P1，P2的黎曼距离为：
Figure PCTCN2020132579-appb-000002
其中σi是P1 -1P2的第i个特征值，则根据黎曼测地距离可求出样本黎曼中心点：
Figure PCTCN2020132579-appb-000003
(7)在切空间中用收缩线性判别分析(sLDA)进行分类。
经过投影后，在黎曼几何切空间上使用收缩线性判别分析，对上述脑电信号样本特征进行分类。
本发明的有益效果是：
1、算法新颖高效。对于自然动作产生的运动相关电位，传统的处理算法主要针对脑电信号幅值在传统分类器中识别，而本发明通过自然操作力信息提取脑电分析的有效时段，并基于目前性能较好的黎曼几何方法在收缩线性判别分类器中进行脑电识别，是一种新颖而高效的方法。
2、可靠性高。考虑到对于只有少量数据点的高维数据，协方差矩阵的标准估计可能会不准确，降低分类性能，使用收缩改善这一可能产生的估计误差。大大提高了本发明提出方法的可靠性
3、具有良好的研究前景。在脑-机接口中，自然动作脑电识别作为热点研究领域，对于自然动作的探索已经成为发展趋势，而本发明提出的方法属于其中最关键的信号处理部分，因此具有良好的研究前景。
附图说明
图1是本发明一种基于黎曼几何的自然动作脑电识别方法流程图。
图2是本发明的黎曼流形和切平面示意图。
图2里的附图标记列表：投影切点1，以投影切点1作的切平面2，黎曼流形3。
图3是本发明的黎曼均值点求解流程图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
如图所示，本发明所述的一种基于黎曼几何的自然动作脑电识别方法，包括以下步骤：
(1)多通道脑电信号采集
采集多通道脑电信号X(t)，设N个通道的脑电信号为：
X(t)＝[x(t)，…，x(t+L-1)]∈R N×L]
其中，L是脑电信号的采样后的时域长度，t时刻的采样信号为 x(t)＝[x 1(t)，...，x N(t)] T∈R N
(2)通过分析剔除干扰大的通道。
在实际脑电采集过程中，由于脑电帽电极的阻抗问题、接触不良等问题，会给某些通道带来很大的干扰，在脑电信号波形中出现异常幅值和异常峰值，需要观察分析后剔除。
(3)对余下的多通道信号进行零相位滤波。
在脑电信号的采集过程中，会引入工频干扰，另外由于自然动作产生的MRCP在低频分量(<2hz)携带着运动信息，因此首先使用50Hz陷阱滤波器去除工频噪声，再使用三阶巴特沃斯带通滤波器(0.3Hz～3Hz)滤除多余频带信号。
(4)脑电信号时域截取
在脑电信号采集过程中，为了提取包含运动信息最丰富的时段，根据在自然动作执行时的力信息确定动作开始的时刻，对开始执行的前两秒以及开始执行的后两秒之间的时间段进行截取，用于后续协方差矩阵计算。
(5)计算多通道信号的协方差矩阵
脑-机接口中，脑电信号X(t)的二阶统计信息包含了大脑状态的可分信息，而协方差特征是脑电信号的最常用二阶统计特征。因此我们可以求得脑电信号X(t)的协方差特征为：
Figure PCTCN2020132579-appb-000004
(6)将协方差特征投影到黎曼几何切空间，切点为黎曼均值。
采集的脑电信号包含m次试验，经过上述步骤处理后，每次试验 产生的多通道脑电信号的协方差特征为Pi(1≤i≤m)，将它们投影到以黎曼均值点P为切点的切面上，记投影到切平面上的点对应为S i，则有：
S i＝log P(Pi)＝P 1/2log(P -1/2P iP -1/2)P 1/2
如附图2所示，其中1是投影切点，2是以投影切点1作的切平面，3是黎曼流形。
黎曼均值点可以根据黎曼测地距离得到，计算方法如下：
记正定矩阵空间上任意两点P1，P2的黎曼距离为：
Figure PCTCN2020132579-appb-000005
其中，σi是P1 -1P2的第i个特征值，则样本的黎曼中心点为
Figure PCTCN2020132579-appb-000006
上述黎曼中心点求解式没有解析解，优选的方案是通过迭代进行求解，可得到近似解，迭代过程如附图3所示。
(7)在切空间中用收缩线性判别分析(sLDA)进行分类。
经过投影后，在黎曼几何切空间上使用收缩线性判别分析。以二分类情况为例，上述投影后的协方差特征S i，对应数据集
Figure PCTCN2020132579-appb-000007
令N i、X i、u i、∑ i分别表示i∈{0，1}类别样本的个数、集合、均值向量、协方差矩阵，步骤如下：
(7.1)计算样本均值向量u 1和u 2
Figure PCTCN2020132579-appb-000008
(7.2)计算类内离散度矩阵S w，
定义类内离散度矩阵为
Figure PCTCN2020132579-appb-000009
(7.3)计算矩阵
Figure PCTCN2020132579-appb-000010
得到投影矩阵w
(7.4)对样本集中的每一个样本特征S i，转化为新样本z i＝w TS i
(7.5)根据阈值分类新样本，阈值一个比较常用可选方案为z 0＝(u 0+u 1)/2
进一步地，对于只有少量数据点的高维数据，需要采用收缩来补偿S w中协方差估计造成的系统偏差，改善方案如下：
记均值和协方差矩阵(经验协方差矩阵)的无偏估计量：
Figure PCTCN2020132579-appb-000011
Figure PCTCN2020132579-appb-000012
为了平衡估计误差，将
Figure PCTCN2020132579-appb-000013
替换为：
Figure PCTCN2020132579-appb-000014
其中收缩参数γ∈[0，1]，可通过交叉验证法进行选择，可选择的收缩参数为0.05。I是单位矩阵，v定义为协方差矩阵迹的平均值：
Figure PCTCN2020132579-appb-000015
d是特征空间的维数。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。

Claims (5)

  1. 一种基于黎曼几何的自然动作脑电识别方法，其特征在于：包括以下步骤：
    (1)、多通道脑电信号采集
    采集多通道脑电信号X(t)，设N个通道的脑电信号为
    X(t)＝[x(t)，…，x(t+L-1)]∈R N×L]
    其中，L是脑电信号的采样后的时域长度，t时刻的采样信号为x(t)＝[x 1(t)，...，x N(t)] T∈R N；
    (2)通过分析剔除干扰大的通道
    在实际脑电采集过程中，由于脑电帽电极的阻抗、接触不良的问题，会给通道带来干扰，在脑电信号波形中出现异常幅值和异常峰值，需要观察分析后剔除；
    (3)对余下的多通道信号进行零相位滤波。
    在脑电信号的采集过程中，会引入工频干扰，采用50Hz的零相位陷阱滤波器进行滤除，另外由于自然动作产生的MRCP低频分量携带着运动信息，因此使用通带范围为0.3Hz～3Hz的零相位带通滤波器滤除噪声；
    (4)脑电信号时域截取
    在脑电信号采集过程中，为了提取包含运动信息最丰富的时段，根据在自然动作执行时的力信息确定动作开始的时刻，对开始执行的前后几秒时间段进行截取，用于后续协方差矩阵计算；
    (5)计算多通道信号的协方差矩阵
    脑-机接口中，脑电信号X(t)的二阶统计信息包含了大脑状态的可分信息，而协方差特征是脑电信号的最常用二阶统计特征；因此我们可以求得脑电信号X(t)的协方差特征为
    Figure PCTCN2020132579-appb-100001
    (6)将协方差特征投影到黎曼几何切空间，切点为黎曼均值；
    采集的脑电信号包含m次试验，协方差特征可以看作黎曼流形上的点Pi(1≤i≤m)，将它们投影到以P点为切点的切面上，记投影到切平面上的点对应为S i，则有：
    S i＝log P(Pi)＝P 1/2log (P -1/2P iP -1/2)P 1/2
    其中P点为黎曼均值点，正定矩阵空间上任意两点P1，P2的黎曼距离为：
    Figure PCTCN2020132579-appb-100002
    其中，σi是P1 -1P2的第i个特征值，则根据黎曼测地距离可求出样本黎曼中心点：
    Figure PCTCN2020132579-appb-100003
    (7)在切空间中用收缩线性判别分析(sLDA)进行分类
    经过投影后，在黎曼几何切空间上使用收缩线性判别分析，对上述脑电信号样本特征进行分类。
  2. 根据权力要求1所述一种基于黎曼几何的自然动作脑电识别方法，其特征在于，所述的黎曼切点为黎曼均值点，计算黎曼均值点没有近 似解，通过迭代进行求解。
  3. 根据权力要求1所述一种基于黎曼几何的自然动作脑电识别方法，其特征在于，所述的零相位滤波包括陷阱滤波器和带通滤波器，滤除工频干扰以及与运动相关电位无关的频带。
  4. 根据权力要求1所述一种基于黎曼几何的自然动作脑电识别方法，其特征在于，所述的脑电信号时域截取需要以自然动作力信息作为参考，选择运动开始的前后两秒内的数据，包含了关键的分类信息。
  5. 根据权力要求1所述一种基于黎曼几何的自然动作脑电识别方法，其特征在于，所述的sLDA分类器的收缩参数使用交叉验证法选择收缩参数，确定收缩方向。
PCT/CN2020/132579 2020-09-09 2020-11-30 一种基于黎曼几何的自然动作脑电识别方法 WO2022052328A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010938581.9 2020-09-09
CN202010938581.9A CN112036354B (zh) 2020-09-09 2020-09-09 一种基于黎曼几何的自然动作脑电识别方法

Publications (1)

Publication Number Publication Date
WO2022052328A1 true WO2022052328A1 (zh) 2022-03-17

Family

ID=73585166

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/132579 WO2022052328A1 (zh) 2020-09-09 2020-11-30 一种基于黎曼几何的自然动作脑电识别方法

Country Status (2)

Country Link
CN (1) CN112036354B (zh)
WO (1) WO2022052328A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114953A (zh) * 2022-05-20 2022-09-27 华南理工大学 一种基于循环神经网络的情绪脑信号识别方法
CN116982993A (zh) * 2023-09-27 2023-11-03 之江实验室 一种基于高维随机矩阵理论的脑电信号分类方法及系统
CN118228054A (zh) * 2024-05-23 2024-06-21 天津大学 基于黎曼几何的脑电信号空间滤波器训练方法及装置
CN118395245A (zh) * 2024-07-01 2024-07-26 湘江实验室 基于黎曼流形的实时脑电信号自适应分类方法及系统

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651432A (zh) * 2020-12-15 2021-04-13 华南师范大学 基于xdawn空间滤波器和黎曼几何迁移学习的p300脑-机接口系统
CN113171111B (zh) * 2021-04-25 2022-03-29 北京理工大学 一种上肢运动方向神经解码方法和装置
CN113495550B (zh) * 2021-06-30 2022-10-28 北京空间飞行器总体设计部 一种基于黎曼度量的航天器故障检测方法
CN113974658B (zh) * 2021-10-28 2024-01-26 天津大学 基于eeg分时频谱黎曼的语义视觉图像分类方法及装置
CN114366129B (zh) * 2021-12-31 2024-05-03 西安臻泰智能科技有限公司 一种脑机接口手功能康复训练系统和方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657642A (zh) * 2018-12-29 2019-04-19 山东建筑大学 一种基于黎曼距离的运动想象脑电信号分类方法及系统
US10299694B1 (en) * 2018-02-05 2019-05-28 King Saud University Method of classifying raw EEG signals
CN111191509A (zh) * 2019-11-28 2020-05-22 燕山大学 基于scsp-lda的脑电信号特征提取与分类方法
CN111259741A (zh) * 2020-01-09 2020-06-09 燕山大学 一种脑电信号分类方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3335630A1 (en) * 2016-12-15 2018-06-20 Mensia Technologies Improved signal quality index of multichannel bio-signal using riemannian geometry
CN111265212A (zh) * 2019-12-23 2020-06-12 北京无线电测量研究所 一种运动想象脑电信号分类方法及闭环训练测试交互系统
CN111310656A (zh) * 2020-02-13 2020-06-19 燕山大学 基于多线性主成分分析的单次运动想象脑电信号识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10299694B1 (en) * 2018-02-05 2019-05-28 King Saud University Method of classifying raw EEG signals
CN109657642A (zh) * 2018-12-29 2019-04-19 山东建筑大学 一种基于黎曼距离的运动想象脑电信号分类方法及系统
CN111191509A (zh) * 2019-11-28 2020-05-22 燕山大学 基于scsp-lda的脑电信号特征提取与分类方法
CN111259741A (zh) * 2020-01-09 2020-06-09 燕山大学 一种脑电信号分类方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LUO HUI: "Study on EEG Feature Extraction based on Motor Imagery", XINXI YU DIANNAO - CHINA COMPUTER & COMMUNICATION, XINXI YU DIANNAO ZAZHISHE, CN, no. 13, 8 July 2016 (2016-07-08), CN , pages 82 - 83, XP055911543, ISSN: 1003-9767 *
ZHOU XIAOYU, MINPENG XU, XIAOLIN XIAO, LONG CHEN, XIAOSONG GU, DONG MING: "A review of researches on electroencephalogram decoding algorithms in brain-computer interface", SHENGWU YIXUE GONGCHENGXUE ZAZHI = JOURNAL OF BIOMEDICAL ENGINEERING, SICHUAN DAXUE HUAXI YIYUAN, CN, vol. 36, no. 5, 25 October 2019 (2019-10-25), CN , pages 856 - 861, XP055911544, ISSN: 1001-5515, DOI: 10.7507/1001-5515.201812049 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114953A (zh) * 2022-05-20 2022-09-27 华南理工大学 一种基于循环神经网络的情绪脑信号识别方法
CN115114953B (zh) * 2022-05-20 2024-04-09 华南理工大学 一种基于循环神经网络的情绪脑信号识别方法
CN116982993A (zh) * 2023-09-27 2023-11-03 之江实验室 一种基于高维随机矩阵理论的脑电信号分类方法及系统
CN116982993B (zh) * 2023-09-27 2024-04-02 之江实验室 一种基于高维随机矩阵理论的脑电信号分类方法及系统
CN118228054A (zh) * 2024-05-23 2024-06-21 天津大学 基于黎曼几何的脑电信号空间滤波器训练方法及装置
CN118395245A (zh) * 2024-07-01 2024-07-26 湘江实验室 基于黎曼流形的实时脑电信号自适应分类方法及系统

Also Published As

Publication number Publication date
CN112036354B (zh) 2022-04-29
CN112036354A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
WO2022052328A1 (zh) 一种基于黎曼几何的自然动作脑电识别方法
CN107157477B (zh) 脑电信号特征识别系统及方法
CN107844755B (zh) 一种结合dae和cnn的脑电信号特征提取与分类方法
Alturki et al. Common spatial pattern technique with EEG signals for diagnosis of autism and epilepsy disorders
Anderson et al. Geometric subspace methods and time-delay embedding for EEG artifact removal and classification
CN114224360B (zh) 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质
Yang et al. Improved time-frequency features and electrode placement for EEG-based biometric person recognition
CN114578963B (zh) 一种基于特征可视化和多模态融合的脑电身份识别方法
CN110135285A (zh) 一种使用单导设备的脑电静息态身份认证方法及装置
CN111310656A (zh) 基于多线性主成分分析的单次运动想象脑电信号识别方法
Gao et al. Real-time removal of ocular artifacts from EEG based on independent component analysis and manifold learning
CN106485208A (zh) 单通道脑电信号中眼电干扰的自动去除方法
CN109009098B (zh) 一种运动想象状态下的脑电信号特征识别方法
Ramos-Aguilar et al. Analysis of EEG signal processing techniques based on spectrograms
CN109375776A (zh) 基于多任务rnn模型的脑电信号动作意图识别方法
CN108470182B (zh) 一种用于非对称脑电特征增强与识别的脑-机接口方法
Liu et al. Identification of anisomerous motor imagery EEG signals based on complex algorithms
Haloi et al. Selection of appropriate statistical features of EEG signals for detection of Parkinson’s disease
Liu et al. Classification of ECoG motor imagery tasks based on CSP and SVM
Ahmed et al. Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artefacts from electroencephalogram (EEG) mixtures
Gao et al. An ICA/HHT hybrid approach for automatic ocular artifact correction
Tang et al. L1-norm based discriminative spatial pattern for single-trial EEG classification
CN114781461B (zh) 一种基于听觉脑机接口的目标探测方法与系统
Siviero et al. Motor-imagery EEG signal decoding using multichannel-empirical wavelet transform for brain computer interfaces
CN114027840A (zh) 基于变分模态分解的情绪脑电识别方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20953113

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20953113

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 20953113

Country of ref document: EP

Kind code of ref document: A1

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 20.10.2023)

122 Ep: pct application non-entry in european phase

Ref document number: 20953113

Country of ref document: EP

Kind code of ref document: A1