CN107981997B - 一种基于人脑运动意图的智能轮椅控制方法及*** - Google Patents
一种基于人脑运动意图的智能轮椅控制方法及*** Download PDFInfo
- Publication number
- CN107981997B CN107981997B CN201711184676.0A CN201711184676A CN107981997B CN 107981997 B CN107981997 B CN 107981997B CN 201711184676 A CN201711184676 A CN 201711184676A CN 107981997 B CN107981997 B CN 107981997B
- Authority
- CN
- China
- Prior art keywords
- eeg
- wheelchair
- network
- brain
- attention
- 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.)
- Active
Links
Classifications
-
- 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
- A61G5/04—Chairs or personal conveyances specially adapted for patients or disabled persons, e.g. wheelchairs motor-driven
-
- 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
-
- 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
- A61G2203/00—General characteristics of devices
- A61G2203/10—General characteristics of devices characterised by specific control means, e.g. for adjustment or steering
- A61G2203/18—General characteristics of devices characterised by specific control means, e.g. for adjustment or steering by patient's head, eyes, facial muscles or voice
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Rehabilitation Tools (AREA)
Abstract
本发明公开了一种基于人脑运动意图的智能轮椅控制方法及***,涉及智能轮椅领域;其包括如下步骤:1)通过采集的脑电信号构建EEG脑网络;2)根据EEG脑网络的节点特征对注意状态分类,判断被测试对象是否处于注意力集中状态,若是,启动轮椅行走模式,并跳至步骤3;若否,则跳至步骤1;3)提取采集的脑电信号的运动准备电位、ERD特征和闭眼节律特征,根据其生成左转、右转、直行和停止直行指令控制轮椅;本发明解决了现有技术中仅分析局部脑区,导致脑电信号处理不准确从而使轮椅的控制精度差的问题,达到了提高轮椅控制的精度和实时性的效果。
Description
技术领域
本发明涉及智能轮椅领域,尤其是一种基于人脑运动意图的智能轮椅控制方法及***。
背景技术
近年来,脑机接口技术的快速发展使得采用人脑信号直接控制外部设备的想法成为现实,为部分四肢瘫痪但大脑功能正常的残疾患者的生活质量改善带来希望,这其中最有应用前景的技术便是基于脑机接口控制的智能轮椅,它可以解码残疾患者的脑电信号,并用其控制智能轮椅的行走,极大的扩展患者的生活空间;当前已发展的用于控制智能轮椅的脑机接口类型主要有三种:运动想象,P300电位和稳态视觉诱发电位;其中,P300电位和稳态视觉诱发电位均需外界对患者大脑进行刺激才能产生特定的脑电特征,残疾患者使用极其不便利;运动想象脑机接口不需外界刺激,但实时性较差,控制意图产生与执行间的滞后性极大影响使用者的体验且容易导致在复杂的家庭环境中使用发生碰撞等危险性事故。
研究发现,人肢体自主运动前的准备阶段的脑电信号中包含了能够预测将要发生的运动的信息,主要包含两类特征:一为运动准备电位,大约自运动执行前的1500~1200ms产生,直到运动执行时结束,为负波;二为事件相关去同步(ERD),大约自运动执行前的2000ms产生,直到运动执行完毕,表现为脑电Alpha和Beta节律能量的下降,运动准备电位和ERD为在运动开始前预测人脑的运动意图提供了依据;基于运动准备电位的意图控制的实时性因运动准备电位为时域特征,受干扰较大,从而影响***的反应速度,导致其实时性不高;
现有通过构建脑网络,采取功率谱或者熵等方法提取脑区特征进行分类,从而区分注意状态和非注意状态,但是采用现有方式只针对局部脑区,分类的正确率低从而无法确定注意力集中,导致对应脑电信号的处理不当,轮椅控制的精度差;所以需要一种基于人脑运动意图的智能轮椅控制方法及***实现精确控制的同时提高控制的实时性。
发明内容
本发明的目的在于:本发明提供了一种基于人脑运动意图的智能轮椅控制方法及***,解决了现有技术中仅分析局部脑区,导致脑电信号处理不准确从而使轮椅的控制精度差、运动意图对应电位受干扰影响导致轮椅控制的实时性差的问题。
本发明采用的技术方案如下:
一种基于人脑运动意图的智能轮椅控制方法,包括如下步骤:
步骤1:通过采集的脑电信号构建EEG脑网络;
步骤2:根据EEG脑网络的节点特征对注意状态分类,判断被测试对象是否处于注意力集中状态,若是,启动轮椅行走模式,并跳至步骤3;若否,则跳至步骤1;
步骤3:提取采集的脑电信号的运动准备电位、ERD特征和闭眼节律特征,根据其生成左转、右转、直行和停止直行指令控制轮椅。
优选地,所述步骤1包括如下步骤:
步骤1.1:使用电极帽采集脑电信号后,对脑电信号使用陷波器去除工频干扰,使用模板匹配法消除眼电伪迹,使用带通滤波器去除运动伪迹后得到预处理后的脑电信号;
步骤1.2:基于预处理后的脑电信号得到EEG数据,将EEG数据的电极导联定义为EEG脑网络的节点,将基于电极对之间EEG数据计算的相干系数定义为EEG脑网络的边完成构建EEG脑网络;
优选地,所述步骤2包括如下步骤:
步骤2.1:根据EEG脑网络的边和节点构建加权网络计算节点度,并采用支持向量机分类器以节点度特征对注意状态进行分类判断是否处于注意力高度集中状态,若是,则跳至步骤2.2;若否,则跳至步骤1;
步骤2.2:生成行走指令并发送至轮椅,轮椅启动轮椅模式后跳至步骤3。
优选地,所述步骤3包括如下步骤:
步骤3.1:将预处理后的脑电信号使用AR谱估计法提取闭眼节律特征,使用经验模态分解法提取运动准备电位,使用共空间模式法提取ERD;
步骤3.2:基于步骤3.1若检测到左上肢运动意图相关的运动准备电位和ERD,则生成左转指令;若检测到右上肢运动意图相关的运动准备电位和ERD,则生成右转指令;若未检测到运动准备电位和ERD,则生成直行指令;将控制指令通过TCP/IP协议发送至轮椅实现轮椅的左转、右转和直行;
步骤3.3:基于3.2判断闭眼节律特征的能量是否超过阈值,若超过,则生成停止行走指令并通过TCP/IP协议发送至轮椅控制轮椅停止行走,若未超过,则跳至步骤3.2继续检测。
优选地,所述闭眼节律特征包括Alpha节律特征。
一种基于人脑运动意图的智能轮椅控制***,包括采集放大单元、无线传输单元、分析单元和智能轮椅,其中
采集放大单元,用于提供电极帽采集脑电信号后经过放大器放大并转换为数字信号;
无线传输单元,用于将脑电信号传送至分析单元和将控制指令发送至轮椅;
分析单元,用于根据采集的脑电信号构建EEG网络判断注意力是否集中,进入轮椅行走模式后提取闭眼节律特征、运动准备电位和ERD,生成对应的行走、左转、右转、停止行走指令;
智能轮椅,用于接收控制指令驱动电机完成行走、左转、右转、直行和停止行走。
优选地,所述无线传输单元包括蓝牙接口和无线路由器。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明通过构建EEG网络,以节点特征对注意状态进行分类,将注意力是否集中作为控制轮椅行走的开关,提高分类的正确率,确保注意力集中,且通过检测运动准备电位和ERD特征,避免时域的干扰,解决了现有技术中仅分析局部脑区,导致脑电信号处理不准确从而使轮椅的控制精度差、运动意图对应电位受干扰影响导致轮椅控制的实时性差的问题,达到了提高轮椅控制的精度和实时性的效果;
2.本发明将注意力作为控制轮椅行走的开关,确保注意力状态是通过构建EEG网络,以节点特征对注意状态采用支持向量机分类器分类,反映大脑各脑区的特性,提高分类的正确率,从而判断注意力是否处于高度集中,避免了现有技术中仅通过功率谱等方法分析局部脑区来判断注意力是否集中导致控制精度差的缺点;
3.本发明的ERD是频域特征,频域特征不易被噪声和基线干扰,结合运动准备电位实现实时运动意图控制,避免现有仅通过时域特征-运动准备电位来实现意图控制导致的实时性差的缺点;
4.本发明的脑电信号预处理后采取对应的方法提取对应的特征,进一步提高脑电信号处理的准确性和效率,有利于提高脑电信号控制轮椅的实时性和精度。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明的流程图;
图2是本发明步骤3流程图;
图3是本发明的电极位置分布图;
图4是本发明的各导联两种状态下的平均节点度值数据图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
下面结合图1-4对本发明作详细说明。
实施例1
一种基于人脑运动意图的智能轮椅控制方法,包括如下步骤:
步骤1:通过采集的脑电信号构建EEG脑网络;
步骤2:根据EEG脑网络的节点特征对注意状态分类,判断被测试对象是否处于注意力集中状态,若是,启动轮椅行走模式,并跳至步骤3;若否,则跳至步骤1;
步骤3:提取采集的脑电信号的运动准备电位、ERD特征和闭眼节律特征,根据其生成左转、右转、直行和停止直行指令控制轮椅。
一种基于人脑运动意图的智能轮椅控制***,包括采集放大单元、无线传输单元、分析单元和智能轮椅,其中
采集放大单元,用于提供电极帽采集脑电信号后经过放大器放大并转换为数字信号;
无线传输单元,用于将脑电信号传送至分析单元和将控制指令发送至轮椅;
分析单元,用于根据采集的脑电信号构建EEG网络判断注意力是否集中,进入轮椅行走模式后提取闭眼节律特征、运动准备电位和ERD,生成对应的行走、左转、右转、停止行走指令;
智能轮椅,用于接收控制指令驱动电机完成行走、左转、右转、直行和停止行走。
实施例2
步骤1.1:使用电极帽采集脑电信号后,对脑电信号使用陷波器去除工频干扰,使用模板匹配法消除眼电伪迹,使用带通滤波器去除运动伪迹后得到预处理后的脑电信号;
步骤1.2:基于预处理后的脑电信号得到EEG数据,将EEG数据的电极导联定义为EEG脑网络的节点,将基于电极对之间EEG数据计算的相干系数定义为EEG脑网络的边完成构建EEG脑网络;
步骤2.1:根据EEG脑网络的边和节点构建加权网络计算节点度,并采用支持向量机分类器以节点度特征对注意状态进行分类判断是否为注意力高度集中状态,若是,则跳至步骤2.2;若否,则跳至步骤1.1;
步骤2.2:生成行走指令并发送至轮椅,轮椅启动轮椅模式后跳至步骤3.1。
步骤3.1:将预处理后的脑电信号使用AR谱估计法提取闭眼节律特征,使用经验模态分解法提取运动准备电位,使用共空间模式法提取ERD;
步骤3.2:基于步骤3.1若检测到左上肢运动意图相关的运动准备电位和ERD,则生成左转指令;若检测到右上肢运动意图相关的运动准备电位和ERD,则生成右转指令;若未检测到运动准备电位和ERD,则生成直行指令;将控制指令通过TCP/IP协议发送至轮椅实现轮椅的左转、右转和直行;
步骤3.3:基于3.2判断Alpha节律值的能量是否超过阈值,若超过,则生成停止行走指令并通过TCP/IP协议发送至轮椅控制轮椅停止行走,若未超过,则跳至步骤3.2继续检测。
实施例3
使用干电极采集脑电信号并通过蓝牙无线传输至分析单元;在具体实现时,将布有32导干电极的电极帽戴在患者头上,电极按国际标准的10-20标准来排布,所述32导电极记录到的微弱脑电信号经放大器放大后转换为数字信号,通过蓝牙接口无线传输到安装有分析单元的计算机中。
对采集的脑电信号进行预处理后构建EEG脑网络:具体实现时,使用陷波器滤除脑电信号中的工频干扰,使用模板匹配法消除脑电信号中的眼电伪迹,使用带通滤波法去除脑电信号中的运动伪迹;基于预处理后的脑电信号得到EEG数据,将EEG数据的电极导联定义为EEG脑网络的节点,将基于电极对之间EEG数据计算的相干系数定义为EEG脑网络的边完成构建EEG脑网络;其中,相干系数是刻画某一频率处的两导EEG信号间的线性关系的指标,是一种常用的分析神经活动同步性的方法;相干系数高意味着两导EEG信号间同步性神经震荡好,即神经元群间的功能整合度高,而低的相干系数意味着神经元群间的功能分离度高;考虑两导EEG信号x(t)和y(t),它们之间的相干系数表示为如下:
其中,其中Pxy(f)为x(t)和y(t)的互谱函数,Pxx(f)和Pyy(f)分别是x(t)和y(t)的功率谱函数;相干系数0<Cxy(f)<1,当Cxy(f)=0时,表示在频率f处x(t)和y(t)之间没有线性相关性;当Cxy(f)=1时,表示在频率f处x(t)和y(t)之间存在一一对应的关系,且相干系数越大,表示基于脑电信号的两导联相干性越强;在本实施例以8-15Hz间的相干系数的均值作为网络的边,选择这个频段是因为任务态EEG数据的alpha和beta节律被认为在注意力和提高认知功能起着重要作用;
根据EEG脑网络的边和节点构建加权网络计算节点度,并采用支持向量机分类器以节点度特征对注意状态进行分类判断是否为注意力高度集中状态,若是,则发出开始行走指令,将行走指令通过TCP/IP协议无线传输至轮椅,轮椅实现行走;若否,则继续采集脑电信号;
根据EEG脑网络的边和节点构建加权网络计算节点度,并采用支持向量机分类器以节点度特征对注意状态进行分类具体如下实现:将任务态EEG数据重参考到所有导联的平均信号,以减轻参考电极效应的影响;将3分钟任务态EEG数据中的前5秒移除,并将剩下的数据长度分割成35段,每段长度为5秒,则非注意、注意任务1和注意任务2所采集的EEG数据分别包含140段,对每一个分割过的EEG数据段,计算19个导联间的相干系数,生成一个19×19的连接矩阵;由于每一小段EEG数据均可计算出一个连接矩阵,因此每名被试在每个任务态上可以得到140个连接矩阵,最后计算出这140个连接矩阵的平均值,用W代表被试的平均连接矩阵,其中W中的矩阵元素wij代表网络节点(电极)i与j间的平均相干系数(构建的脑功能网络是加权网络,在加权网路中,权重wij不仅反应了网络节点i与j之间的连接强度,反应了节点间连接强度和容量的差异,因此可作为一种网络属性分析的有效方式);令N代表脑网络的全部节点集,网络的平均功能连接强度定义为所有节点对之间的连接强度的均值;网络中节点i的度定义为:ki=∑j∈Nwij,其等于网络中与该节点相连的所有边连接强度的总和,采取脑网络的节点度作为特征来对注意与非注意状态进行分类;采用支持向量机进行模式识别分类(支持向量机分类方法基于统计学***均节点度,如图4所示,除14导联(P3)外,注意与非注意状态在其他导联处都存在显著性(P<0.05),且注意状态的平均节点度值均低于非注意状态,注意状态的方差也低于非注意状态;以节点度为特征对注意与非注意状态进行分类,最终在10名被试中得出的平均分类正确率为84.1%;(分类正确的情况是:把注意状态分为注意态,非注意状态分为非注意态为;分类错误的情况是:把注意状态分为非注意态,非注意态分为注意态为分类错误的,分类正确率=分类正确的样本数/(分类正确样本数+分类错误样本数));提高分类的正确率即可实现构建EEG脑网络以节点特征对注意状态分类,判断注意力是否高度集中从而提高脑电控制的精确度;
行走模式下,提取采集的脑电信号的运动准备电位、ERD特征和Alpha节律特征,使用AR谱估计法计算预处理后脑电信号的Alpha节律能量,脑电数据计算窗长为2秒,窗口每次滑动1秒;使用经验模态分解法提取运动准备电位,数据窗长为2秒,窗口每次滑动1秒;使用共空间模式法提取ERD,数据窗长为2秒,窗口每次滑动1秒;若检测到与左上肢运动意图相关的运动准备电位和ERD,则发出左转指令;若检测到与右上肢运动意图相关的运动准备电位和ERD,则发出右转指令;若未能检测到与任一上肢运动意图相关的运动准备电位和ERD,则发出直行指令;同理,将左转、右转和直行指令通过TCP/IP协议无线传输至轮椅,轮椅实现左转、右转和直行;若Alpha节律能量连续超过设定的阈值3秒,则发出停止行走指令,所述阈值依据每名患者闭眼休息时的Alpha节律的变化情况进行设定,将停止行走指令通过TCP/IP协议无线传输至轮椅,轮椅实现停止行走,若否,则跳至检测运动准备电位和ERD处继续实现左转或者右转或者直行。本发明通过构建EEG网络,以节点特征对注意状态进行分类,提高分类的正确率,将注意力是否集中作为控制轮椅行走的开关,且通过检测运动准备电位和ERD特征,避免时域的干扰,解决了现有技术中仅分析局部脑区,导致脑电信号处理不准确从而使轮椅的控制精度差、运动意图对应电位受干扰影响导致轮椅控制的实时性差的问题,达到了提高轮椅控制的精度和实时性的效果。
Claims (5)
1.一种基于人脑运动意图的智能轮椅控制方法,其特征在于:包括如下步骤:
步骤1:通过采集的脑电信号构建EEG脑网络;
步骤2:根据EEG脑网络的节点特征对注意状态分类,判断被测试对象是否处于注意力集中状态,若是,启动轮椅行走模式,并跳至步骤3;若否,则跳至步骤1;
步骤3:提取采集的脑电信号的运动准备电位、ERD特征和闭眼节律特征,根据其生成左转、右转、直行和停止直行指令控制轮椅;
所述步骤1包括如下步骤:
步骤1.1:使用电极帽采集脑电信号后,对脑电信号使用陷波器去除工频干扰,使用模板匹配法消除眼电伪迹,使用带通滤波器去除运动伪迹后得到预处理后的脑电信号;
步骤1.2:基于预处理后的脑电信号得到EEG数据,将EEG数据的电极导联定义为EEG脑网络的节点,将基于电极对之间EEG数据计算的相干系数定义为EEG脑网络的边完成构建EEG脑网络;
所述步骤2包括如下步骤:
步骤2.1:根据EEG脑网络的边和节点构建加权网络计算节点度,并采用支持向量机分类器以节点度特征对注意状态进行分类判断是否处于注意力高度集中状态,若是,则跳至步骤2.2;若否,则跳至步骤1;
步骤2.2:生成行走指令并发送至轮椅,轮椅启动行走模式后跳至步骤3。
2.根据权利要求1所述的一种基于人脑运动意图的智能轮椅控制方法,其特征在于:所述步骤3包括如下步骤:
步骤3.1:将预处理后的脑电信号使用AR谱估计法提取闭眼节律特征,使用经验模态分解法提取运动准备电位,使用共空间模式法提取ERD;
步骤3.2:基于步骤3.1若检测到左上肢运动意图相关的运动准备电位和ERD,则生成左转指令;若检测到右上肢运动意图相关的运动准备电位和ERD,则生成右转指令;若未检测到运动准备电位和ERD,则生成直行指令;将控制指令通过TCP/IP协议发送至轮椅实现轮椅的左转、右转和直行;
步骤3.3:基于3.2判断闭眼节律特征的能量是否超过阈值,若超过,则生成停止行走指令并通过TCP/IP协议发送至轮椅控制轮椅停止行走,若未超过,则跳至步骤3.2继续检测。
3.根据权利要求2所述的一种基于人脑运动意图的智能轮椅控制方法,其特征在于:所述闭眼节律特征包括Alpha节律特征。
4.一种基于人脑运动意图的智能轮椅控制***,其特征在于:包括采集放大单元、无线传输单元、分析单元和智能轮椅,其中
采集放大单元,用于提供电极帽采集脑电信号后经过放大器放大并转换为数字信号;
无线传输单元,用于将脑电信号传送至分析单元和将控制指令发送至轮椅;
分析单元,用于根据采集的脑电信号构建EEG网络判断注意力是否集中,进入轮椅行走模式后提取闭眼节律特征、运动准备电位和ERD,生成对应的行走、左转、右转、停止行走指令;
智能轮椅,用于接收指令驱动电机完成行走、左转、右转、直行和停止行走;
根据采集的脑电信号构建EEG网络判断注意力是否集中细节包括:
基于预处理后的脑电信号得到EEG数据,将EEG数据的电极导联定义为EEG脑网络的节点,将基于电极对之间EEG数据计算的相干系数定义为EEG脑网络的边完成构建EEG脑网络,根据EEG脑网络的边和节点构建加权网络计算节点度,并采用支持向量机分类器以节点度特征对注意状态进行分类判断是否为注意力高度集中状态。
5.根据权利要求4所述的一种基于人脑运动意图的智能轮椅控制***,其特征在于:所述无线传输单元包括蓝牙接口和无线路由器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711184676.0A CN107981997B (zh) | 2017-11-23 | 2017-11-23 | 一种基于人脑运动意图的智能轮椅控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711184676.0A CN107981997B (zh) | 2017-11-23 | 2017-11-23 | 一种基于人脑运动意图的智能轮椅控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107981997A CN107981997A (zh) | 2018-05-04 |
CN107981997B true CN107981997B (zh) | 2019-11-29 |
Family
ID=62032683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711184676.0A Active CN107981997B (zh) | 2017-11-23 | 2017-11-23 | 一种基于人脑运动意图的智能轮椅控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107981997B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020138012A1 (ja) * | 2018-12-27 | 2020-07-02 | 株式会社村田製作所 | 認知能力検出装置、および、認知能力検出システム |
CN110931123B (zh) * | 2019-12-06 | 2024-01-05 | 深圳市德力凯医疗设备股份有限公司 | 一种矩阵型脑网络及其构建方法 |
CN111134974B (zh) * | 2019-12-09 | 2021-04-20 | 西安交通大学 | 一种基于增强现实和多模态生物信号的轮椅机器人*** |
CN112869743B (zh) * | 2021-01-15 | 2021-10-22 | 北京理工大学 | 一种考虑认知分心的运动起始意图神经解析方法 |
CN114327048B (zh) * | 2021-12-07 | 2024-04-19 | 山东华数信息技术股份有限公司 | 一种基于脑电信号和眼电信号的机械臂控制方法及*** |
CN114366101B (zh) * | 2021-12-31 | 2024-05-03 | 西安臻泰智能科技有限公司 | 运动想象脑电信号分类方法、装置、设备和存储介质 |
CN114652532B (zh) * | 2022-02-21 | 2023-07-18 | 华南理工大学 | 基于ssvep与注意力检测的多功能脑控轮椅*** |
CN115590695B (zh) * | 2022-10-08 | 2024-06-14 | 华南脑控(广东)智能科技有限公司 | 一种基于眼电和人脸识别的轮椅控制*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203149771U (zh) * | 2013-03-26 | 2013-08-21 | 无锡商业职业技术学院 | 一种疲劳驾驶警示*** |
AU2013101211A4 (en) * | 2013-09-11 | 2013-10-10 | Huang, Xu PROF | A novel two-stage multi-criteria evaluation for internal attack in WSN |
CN103349595A (zh) * | 2013-07-16 | 2013-10-16 | 杭州电子科技大学 | 基于多模式分层控制的脑机接口智能轮椅 |
CN104050394A (zh) * | 2014-07-04 | 2014-09-17 | 北京师范大学 | 群体脑网络的建模方法及其拓扑属性分析方法 |
CN104360730A (zh) * | 2014-08-19 | 2015-02-18 | 西安交通大学 | 一种多模态非植入式脑机接口技术支撑下的人机交互方法 |
CN107024987A (zh) * | 2017-03-20 | 2017-08-08 | 南京邮电大学 | 一种基于eeg的实时人脑注意力测试和训练*** |
CN107037883A (zh) * | 2017-04-13 | 2017-08-11 | 安徽大学 | 一种基于运动想象的混合脑机接口***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102105330B1 (ko) * | 2013-08-21 | 2020-04-28 | 주식회사 케이티 | 사용자 주목도 결정 방법 및 장치 |
-
2017
- 2017-11-23 CN CN201711184676.0A patent/CN107981997B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203149771U (zh) * | 2013-03-26 | 2013-08-21 | 无锡商业职业技术学院 | 一种疲劳驾驶警示*** |
CN103349595A (zh) * | 2013-07-16 | 2013-10-16 | 杭州电子科技大学 | 基于多模式分层控制的脑机接口智能轮椅 |
AU2013101211A4 (en) * | 2013-09-11 | 2013-10-10 | Huang, Xu PROF | A novel two-stage multi-criteria evaluation for internal attack in WSN |
CN104050394A (zh) * | 2014-07-04 | 2014-09-17 | 北京师范大学 | 群体脑网络的建模方法及其拓扑属性分析方法 |
CN104360730A (zh) * | 2014-08-19 | 2015-02-18 | 西安交通大学 | 一种多模态非植入式脑机接口技术支撑下的人机交互方法 |
CN107024987A (zh) * | 2017-03-20 | 2017-08-08 | 南京邮电大学 | 一种基于eeg的实时人脑注意力测试和训练*** |
CN107037883A (zh) * | 2017-04-13 | 2017-08-11 | 安徽大学 | 一种基于运动想象的混合脑机接口***及方法 |
Non-Patent Citations (2)
Title |
---|
"基于SSVEP信号的在线BCI关键技术研究";李世杰;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20160215(第02期);E059-50 * |
"脑电信号的特征提取与分析方法研究";戴冷湜;《中国优秀硕士学位论文全文数据库信息科技辑》;20110715(第07期);I138-504 * |
Also Published As
Publication number | Publication date |
---|---|
CN107981997A (zh) | 2018-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107981997B (zh) | 一种基于人脑运动意图的智能轮椅控制方法及*** | |
Gao et al. | A recurrence network-based convolutional neural network for fatigue driving detection from EEG | |
Pfurtscheller et al. | 15 years of BCI research at Graz University of Technology: current projects | |
Mazilu et al. | Feature learning for detection and prediction of freezing of gait in Parkinson’s disease | |
CN103294199B (zh) | 一种基于脸部肌音信号的无声信息识别*** | |
CN105956624B (zh) | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 | |
CN102184019B (zh) | 基于隐性注意的视听联合刺激脑-机接口方法 | |
CN110974212A (zh) | 一种融合心电和肌电特征的康复训练运动状态监测方法及*** | |
EP2111156A1 (en) | A system and method for processing brain signals in a bci system | |
CN103699226A (zh) | 一种基于多信息融合的三模态串行脑-机接口方法 | |
CN102096468A (zh) | 一种基于脑-机接口的家电遥控装置及方法 | |
Gupta et al. | Detecting eye movements in EEG for controlling devices | |
CN110584898B (zh) | 一种基于多传感器的脑控轮椅自动避障方法 | |
Lahiri et al. | Evolutionary perspective for optimal selection of EEG electrodes and features | |
US20220051586A1 (en) | System and method of generating control commands based on operator's bioelectrical data | |
CN104571504A (zh) | 一种基于想象动作的在线脑-机接口方法 | |
Awan et al. | Effective classification of EEG signals using K-nearest neighbor algorithm | |
Ouyang et al. | Electroencephelograph based brain machine interface for controlling a robotic arm | |
CN114298089A (zh) | 一种多模态力量训练辅助方法和*** | |
US20220000426A1 (en) | Multi-modal brain-computer interface based system and method | |
CN114557708A (zh) | 基于脑电双特征融合的体感刺激意识检测装置和方法 | |
Dzitac et al. | Identification of ERD using fuzzy inference systems for brain-computer interface | |
CN108491792B (zh) | 基于眼电信号的办公场景人机交互行为识别方法 | |
CN106843509B (zh) | 一种脑机接口*** | |
CN117332259A (zh) | 基于信息融合的运动想象脑机接口时频组合优化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |