CN110275455A - 一种基于脑电信号的控制方法、中央控制设备、云服务器及*** - Google Patents
一种基于脑电信号的控制方法、中央控制设备、云服务器及*** Download PDFInfo
- Publication number
- CN110275455A CN110275455A CN201810210846.6A CN201810210846A CN110275455A CN 110275455 A CN110275455 A CN 110275455A CN 201810210846 A CN201810210846 A CN 201810210846A CN 110275455 A CN110275455 A CN 110275455A
- Authority
- CN
- China
- Prior art keywords
- image data
- data
- control instruction
- described image
- cloud server
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25257—Microcontroller
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Dermatology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Automation & Control Theory (AREA)
- Image Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种基于脑电信号的控制方法,包括:获取检测设备检测到的脑电生理数据,将所述脑电生理数据转换为图像数据;将所述图像数据向云服务器发送;接收所述云服务器发送的基于所述图像数据生成的针对***设备的控制指令,将所述控制指令向对应的***设备发送。本发明还公开了一种中央控制设备、云服务器及***。
Description
技术领域
本发明涉及家用电器以及信息处理技术,尤其涉及一种基于脑电信号的控制方法、中央控制设备、云服务器及***。
背景技术
目前,人工智能包括了十分广泛的科学技术,它由不同领域组成,如机器学习,计算机视觉,生物科学,神经网络科学,能源技术,基因工程等,人工智能研究的主要目的是让机器执行需要人类智能才能完成的复杂工作。现在市场上所谓的智能化产品,从理论上严格定义还是不能成为人工智能,真正的人工智能产品是能够从人类的思想层面执行任务。但是目前的家电行业生产的产品还是处于多功能单品阶段。用户的需求不一,因此需要让机器读懂人类的思想,从而完成人类想要做的事情,而脑电波控制能够实现这个功能。但是,目前的脑电波智能控制***只作为一个辅助人机交互的工具,其智能程度、便捷性以及实用性没有得到足够的开发与挖掘。
发明内容
有鉴于此,本发明实施例期望提供一种基于脑电信号的控制方法、中央控制设备、云服务器及***,能够通过数据采集、图像识别等处理,构建一个新的人机交互的体验途径,实现家电互联,使用户可以通过脑电波控制家电设备。
为达到上述目的,本发明实施例提供了基于脑电信号的控制方法,所述方法包括:
获取检测设备检测到的脑电生理数据,将所述脑电生理数据转换为图像数据;
将所述图像数据向云服务器发送;
接收所述云服务器发送的基于所述图像数据生成的针对***设备的控制指令,将所述控制指令向对应的***设备发送。
其中,上述脑电生理数据包括脑电波振幅数据;
对应地,所述将所述脑电生理数据转换为图像数据,包括:
将所述脑电波数据中振幅超出预设的振幅数据范围的数据滤除,获得待转换脑电波振幅数据;
将所述待转换脑电波振幅数据转换为图像数据,所述图像中的显示构成单元的颜色属性信息与所述待转换脑电波振幅数据中的脑电波振幅幅值对应。
其中,上述将所述图像数据向云服务器发送之前,所述方法还包括:
对所述图像数据的亮度、色彩分布、对比度参数根据预设的调整规则进行调整,获得调整后的图像数据;
对所述调整后的图像数据进行滤波,滤除所述调整后图像数据中的模糊图像数据,获得清晰的图像数据;
对所述清晰的图像数据进行编码和压缩,减少所述清晰的图像数据中的冗余数据量,并对所述清晰的图像数据的数据大小进行压缩,获得可向云服务器传输的图像数据。
其中,上所述控制指令向对应的***设备发送,包括:
将所述控制指令发送至对应的***设备的单片机控制器,所述***设备的单片机控制器根据所述控制指令驱动所述***设备。
本发明实施例还提供了一种基于脑电信号的控制方法,所述方法包括:
云服务器接收到图像数据后,对所述图像数据进行识别,确定出所述图像数据的特征数据;
将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,确定出所述图像数据所针对***设备的控制指令;
将所述控制指令向中央控制设备发送。
其中,上述对所述图像数据进行识别,确定出所述图像数据的特征数据,包括:
对所述图像数据的像素点进行数字化描述处理,将所述图像数据中各像素点的色彩及亮度的属性分别以色彩数据和亮度数据表征;
基于所述色彩数据和亮度数据,对所述数字化描述处理后的图像数据的像素点进行分类,将分类后的像素点集合中像素点的色彩数据和亮度数据确定为所述图像数据的特征数据。
其中,上述将分类后的像素点集合中的数据确定为所述图像数据的特征数据,包括:
根据所述数字化描述处理后的图像数据的像素点的色彩数据和亮度数据,确定出所述图像数据中脑电信号的形状;
将所述图像数据中脑电信号的形状范围内的像素点的色彩数据、亮度数据确定为所述图像数据的特征数据。
其中,上述将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,确定出所述图像数据所针对***设备的控制指令,包括:
将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,当匹配相似度超出预设的相似度阈值时,将所述控制指令数据库中所述匹配相似度超出预设的相似度阈值的控制指令,并同时确定出所述控制指令所对应的***设备,将所述控制指令以及所对应的***设备生成所述图像数据所针对***设备的控制指令。
本发明实施例提供了一种中央控制设备,所述设备包括:
接收模块,用于获取检测设备检测到的脑电生理数据;还用于接收所述云服务器发送的基于所述图像数据生成的针对***设备的控制指令
转换模块,用于将所述脑电生理数据转换为图像数据;
发送模块,用于将所述控制指令向对应的***设备发送。
其中,上述转换模块用于:
所述脑电生理数据包括脑电波振幅数据,将所述脑电波数据中振幅超出预设的振幅数据范围的数据滤除,获得待转换脑电波振幅数据;
将所述待转换脑电波振幅数据转换为图像数据,所述图像中的显示构成单元的颜色属性信息与所述待转换脑电波振幅数据中的脑电波振幅幅值对应。
其中,上述设备还包括:
调整模块,用于对所述图像数据的亮度、色彩分布、对比度参数根据预设的调整规则进行调整,获得调整后的图像数据;
滤波模块,用于对所述调整后的图像数据进行滤波,滤除所述调整后图像数据中的模糊图像数据,获得清晰的图像数据;
图像处理模块,用于对所述清晰的图像数据进行编码和压缩,减少所述清晰的图像数据中的冗余数据量,并对所述清晰的图像数据的数据大小进行压缩,获得可向云服务器传输的图像数据。
其中,上述发送模块,用于将所述控制指令发送至对应的***设备的单片机控制器,所述***设备的单片机控制器根据所述控制指令驱动所述***设备。
本发明实施例提供了一种云服务器,所述云服务器包括:
识别模块,用于云服务器接收到图像数据后,对所述图像数据进行识别,确定出所述图像数据的特征数据;
匹配模块,用于将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,确定出所述图像数据所针对***设备的控制指令;
发送模块,用于将所述控制指令向中央控制设备发送。
其中,上述识别模块,用于对所述图像数据的像素点进行数字化描述处理,将所述图像数据中各像素点的色彩及亮度的属性分别以色彩数据和亮度数据表征;
基于所述色彩数据和亮度数据,对所述数字化描述处理后的图像数据的像素点进行分类,将分类后的像素点集合中像素点的色彩数据和亮度数据确定为所述图像数据的特征数据。
其中,上述识别模块,具体用于根据所述数字化描述处理后的图像数据的像素点的色彩数据和亮度数据,确定出所述图像数据中脑电信号的形状;
将所述图像数据中脑电信号的形状范围内的像素点的色彩数据、亮度数据确定为所述图像数据的特征数据。
其中,上述匹配模块,用于将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,当匹配相似度超出预设的相似度阈值时,将所述控制指令数据库中所述匹配相似度超出预设的相似度阈值的控制指令,并同时确定出所述控制指令所对应的***设备,将所述控制指令以及所对应的***设备生成所述图像数据所针对***设备的控制指令。
本发明实施例提供了一种基于脑电信好的控制***,所述***包括:
中央控制设备,用于获取检测设备检测到的脑电生理数据,将所述脑电生理数据转换为图像数据;将所述图像数据向云服务器发送;接收所述云服务器发送的基于所述图像数据生成的针对***设备的控制指令,将所述控制指令向对应的***设备发送;
云服务器,用于接收到图像数据后,对所述图像数据进行识别,确定出所述图像数据的特征数据;将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,确定出所述图像数据所针对***设备的控制指令;将所述控制指令向中央控制设备发送。
脑电信号检测设备,用于通过设置于穿戴设备上的检测设备获取脑电生理数据;根据预设的网络配置,将所述获取的脑电生理数据向中央控制设备发送。
本发明实施例提供了一种中央控制设备,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,
其中,所述处理器用于运行所述计算机程序时,执行实现:
获取检测设备检测到的脑电生理数据,将所述脑电生理数据转换为图像数据;将所述图像数据向云服务器发送;接收所述云服务器发送的基于所述图像数据生成的针对***设备的控制指令,将所述控制指令向对应的***设备发送。
本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现:
获取检测设备检测到的脑电生理数据,将所述脑电生理数据转换为图像数据;将所述图像数据向云服务器发送;接收所述云服务器发送的基于所述图像数据生成的针对***设备的控制指令,将所述控制指令向对应的***设备发送。
本发明实施例提供了一种云服务器,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,
其中,所述处理器用于运行所述计算机程序时,执行:
接收到图像数据后,对所述图像数据进行识别,确定出所述图像数据的特征数据;将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,确定出所述图像数据所针对***设备的控制指令;将所述控制指令向中央控制设备发送。
本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现:
接收到图像数据后,对所述图像数据进行识别,确定出所述图像数据的特征数据;将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,确定出所述图像数据所针对***设备的控制指令;将所述控制指令向中央控制设备发送。
本发明实施例提供的基于脑电信号的控制方法、中央控制设备、云服务器及***,获取检测设备检测到的脑电生理数据,将所述脑电生理数据转换为图像数据;将所述图像数据向云服务器发送;接收所述云服务器发送的基于所述图像数据生成的针对***设备的控制指令,将所述控制指令向对应的***设备发送;如此,可以实现通过脑电波控制家电设备。
附图说明
图1为本发明实施例中央控制设备基于脑电信号的控制方法的流程示意图;
图2为本发明实施例云服务器侧基于脑电信号的控制方法的流程示意图;
图3为本发明实施例脑电信号检测设备采集脑电信号的流程示意图;
图4为本发明实施例中央控制设备的结构示意图;
图5为本发明实施例云服务器的结构示意图;
图6为本发明实施例基于脑电信号的控制***的结构示意图;
图7为本发明实施例脑电波控制家电的流程示意图;
图8为本发明实施例脑电生理数据采集设备的结构示意图;
图9为本发明实施例基于脑电信号的智能控制***的结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明再作进一步详细说明。
实施例一
图1为本发明实施例中央控制设备基于脑电信号的控制方法的流程示意图,如图1所示,本发明实施例基于脑电信号的控制方法的流程包括以下步骤:
步骤101:获取检测设备检测到的脑电生理数据,将所述脑电生理数据转换为图像数据。
在实际应用中,通过检测设备检测到的脑电生理数据往往不可以直接进行识别,确定出脑电生理数据所表达的控制指令,因此,本发明实施例所提出的方法对采集的脑电生理数据转换为图像数据,基于图像数据对控制指令进行识别,其中,当所述脑电生理数据包括脑电波振幅数据时,可以将所述脑电波数据中振幅超出预设的振幅数据范围的数据滤除,获得待转换脑电波振幅数据;将所述待转换脑电波振幅数据转换为图像数据,所述图像中的显示构成单元的颜色属性信息与所述待转换脑电波振幅数据中的脑电波振幅幅值对应,或者,将所述脑电振幅数据与预设的AM振幅值进行匹配,匹配成功后即根据预设的 AM振幅值对所述脑电振幅数据进行成像,匹配失败后,则对脑电振幅数据重新进行匹配;通过上述的方法,可以将脑电生理数据转换为识别可靠性更高的图像数据,并同时滤出脑电生理数据中的一些干扰数据,提高识别正确率。
步骤102:将所述图像数据向云服务器发送。
其中,在将图像数据向云服务器发送之前,为了使图像数据可以适应于传输过程,需要对图像数据进行处理,所述处理包括:
对所述图像数据的亮度、色彩分布、对比度参数根据预设的调整规则进行调整,获得调整后的图像数据;
对所述调整后的图像数据进行滤波,滤除所述调整后图像数据中的模糊图像数据,获得清晰的图像数据;
对所述清晰的图像数据进行编码和压缩,减少所述清晰的图像数据中的冗余数据量,并对所述清晰的图像数据的数据大小进行压缩,获得可向云服务器传输的图像数据。
其中,所述图像数据可以通过互联网向云服务器发送。
步骤103:接收所述云服务器发送的基于所述图像数据生成的针对***设备的控制指令,将所述控制指令向对应的***设备发送。
其中,将所述控制指令发送至对应的***设备的单片机控制器,所述***设备的单片机控制器根据所述控制指令驱动所述***设备。
在实际应用中,当单片机得到控制指令后,会根据控制指令启动驱动电路,从而实现控制家电的目的。
在实际应用中,中央控制设备可通过自身的无线网络(WiFi,WirelessFidenlity)模块通过家庭路由器将控制信息发送至加入无线网络的家庭设备。
实施例二
图2为本发明实施例云服务器侧基于脑电信号的控制方法的流程示意图,如图2所示,本发明实施例云服务器侧基于脑电信号的控制方法包括以下步骤:
步骤201:云服务器接收到图像数据后,对所述图像数据进行识别,确定出所述图像数据的特征数据。
在实际应用中,云服务器对接收到的图像数据需要进行数字化处理,使图像数据可以进行下一步的识别,具体包括:
对所述图像数据的像素点进行数字化描述处理,将所述图像数据中各像素点的色彩及亮度的属性分别以色彩数据和亮度数据表征;
基于所述色彩数据和亮度数据,对所述数字化描述处理后的图像数据的像素点进行分类,将分类后的像素点集合中像素点的色彩数据和亮度数据确定为所述图像数据的特征数据,其中,将分类后的像素点集合中的数据确定为所述图像数据的特征数据,包括:
根据所述数字化描述处理后的图像数据的像素点的色彩数据和亮度数据,确定出所述图像数据中脑电信号的形状;
将所述图像数据中脑电信号的形状范围内的像素点的色彩数据、亮度数据确定为所述图像数据的特征数据。
步骤202:将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,确定出所述图像数据所针对***设备的控制指令。
根据步骤201确定出的图像数据的特征数据,将所述特征数据与预设的控制指令数据库进行匹配,确定出所述图像数据所表征的控制指令,具体的,
将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,当匹配相似度超出预设的相似度阈值时,将所述控制指令数据库中所述匹配相似度超出预设的相似度阈值的控制指令,并同时确定出所述控制指令所对应的***设备,将所述控制指令以及所对应的***设备生成所述图像数据所针对***设备的控制指令。
在实际应用中,确定图像数据的识别处理方法还可以应用统计法(或决策理论法)、句法(或结构)方法、神经网络法、模板匹配法和几何变换法,具体实施方法均需要建立一个模型,通过该模型对图像数据进行识别,因此,模型建立方法在识别处理起着至关重要的作用,其中,
(1)统计法:该方法是对研究的图像进行大量的统计分析,找出其中的规律并提取反映图像本质特点的特征来进行图像识别的。它以数学上的决策理论为基础,建立统计学识别模型,因而是一种分类误差最小的方法。常用的图像统计模型有贝叶斯(Bayes)模型和马尔柯夫(Markow)随机场(MRF)模型。
(2)神经网络方法:该方法是指用神经网络算法对图像进行识别的方法。神经网络***是由大量的,同时也是很简单的处理单元(称为神经元),通过广泛地按照某种方式相互连接而形成的复杂网络***,虽然每个神经元的结构和功能十分简单,但由大量的神经元构成的网络***的行为却是丰富多彩和十分复杂的。它反映了人脑功能的许多基本特征,是人脑神经网络***的简化、抽象和模拟。句法方法侧重于模拟人的逻辑思维,而神经网络侧重于模拟和实现人的认知过程中的感知觉过程、形象思维、分布式记忆和自学习自组织过程,与符号处理是一种互补的关系。由于神经网络具有非线性映射逼近、大规模并行分布式存储和综合优化处理、容错性强、独特的联想记忆及自组织、自适应和自学习能力。
(3)模板匹配法:该是一种最基本的图像识别方法。所谓模板是为了检测待识别图像的某些区域特征而设计的阵列,它既可以是数字量,也可以是符号串等,因此可以把它看为统计法或句法的一种特例。所谓模板匹配法就是把已知物体的模板与图像中所有未知物体进行比较,如果某一未知物体与该模板匹配,则该物体被检测出来,并被认为是与模板相同的物体。此外,由于图像存在噪声以及被检测物体形状和结构方面的不确定性,模板匹配法在较复杂的情况下往往得不到理想的效果,难以绝对精确,一般都要在图像的每一点上求模板与图像之间的匹配量度,凡是匹配量度达到某一阈值的地方,表示该图像中存在所要检测的物体。经典的图像匹配方法利用互相关计算匹配量度,或用绝对差的平方和作为不匹配量度,但是这两种方法经常发生不匹配的情况,因此,利用几何变换的匹配方法有助于提高稳健性。
步骤203:将所述控制指令向中央控制设备发送。
其中,所述云服务器可以通过互联网将控制指令向中央控制设备发送。
实施例三
图3为本发明实施例脑电信号检测设备采集脑电信号的流程示意图,如图 3所示,本发明实施例脑电信号检测设备采集脑电信号流程包括以下步骤:
步骤301:通过设置于穿戴设备上的检测设备获取脑电生理数据。
在实际应用中,所述检测设备可以使Think Gear AM芯片为核心的脑电生理数据采集装置。
步骤302:根据预设的网络配置,将所述获取的脑电生理数据向中央控制设备发送。
其中,所述脑电信号检测设备上设置有自动配网模块,用于连接于其他家电设备和中央控制设备,所述自动配网模块在第一次与其他家电设备或中央控制设备进行配对后自动存储配置参数,从而无须在再次使用时进行再一次的配对,提升了用户体验。
实施例四
为了实现上述方法,本发明实施例提供了一种中央控制设备,设置于家电设备或家庭网关中,如图4所示,所述中央控制设备包括:接收模块401、转换模块402、发送模块403;其中,
接收模块401,用于获取检测设备检测到的脑电生理数据;还用于接收所述云服务器发送的基于所述图像数据生成的针对***设备的控制指令
转换模块402,用于将所述脑电生理数据转换为图像数据;
发送模块403,用于将所述控制指令向对应的***设备发送。
其中,所述转换模块402用于:
所述脑电生理数据包括脑电波振幅数据,将所述脑电波数据中振幅超出预设的振幅数据范围的数据滤除,获得待转换脑电波振幅数据;
将所述待转换脑电波振幅数据转换为图像数据,所述图像中的显示构成单元的颜色属性信息与所述待转换脑电波振幅数据中的脑电波振幅幅值对应。
其中,所述设备还包括:
调整模块404,用于对所述图像数据的亮度、色彩分布、对比度参数根据预设的调整规则进行调整,获得调整后的图像数据;
滤波模块405,用于对所述调整后的图像数据进行滤波,滤除所述调整后图像数据中的模糊图像数据,获得清晰的图像数据;
图像处理模块406,用于对所述清晰的图像数据进行编码和压缩,减少所述清晰的图像数据中的冗余数据量,并对所述清晰的图像数据的数据大小进行压缩,获得可向云服务器传输的图像数据。
其中,所述发送模块403,用于将所述控制指令发送至对应的***设备的单片机控制器,所述***设备的单片机控制器根据所述控制指令驱动所述***设备。
实施例五
图5为本发明实施例一种云服务器的结构示意图,如图5所示,本发明实施例云服务器包括:识别模块501、匹配模块502、发送模块503;其中,
识别模块501,用于云服务器接收到图像数据后,对所述图像数据进行识别,确定出所述图像数据的特征数据;
匹配模块502,用于将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,确定出所述图像数据所针对***设备的控制指令;
发送模块503,用于将所述控制指令向中央控制设备发送。
其中,所述识别模块501,用于对所述图像数据的像素点进行数字化描述处理,将所述图像数据中各像素点的色彩及亮度的属性分别以色彩数据和亮度数据表征;
基于所述色彩数据和亮度数据,对所述数字化描述处理后的图像数据的像素点进行分类,将分类后的像素点集合中像素点的色彩数据和亮度数据确定为所述图像数据的特征数据。
其中,所述识别模块501,具体用于根据所述数字化描述处理后的图像数据的像素点的色彩数据和亮度数据,确定出所述图像数据中脑电信号的形状;
将所述图像数据中脑电信号的形状范围内的像素点的色彩数据、亮度数据确定为所述图像数据的特征数据。
其中,所述匹配模块502,用于将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,当匹配相似度超出预设的相似度阈值时,将所述控制指令数据库中所述匹配相似度超出预设的相似度阈值的控制指令,并同时确定出所述控制指令所对应的***设备,将所述控制指令以及所对应的***设备生成所述图像数据所针对***设备的控制指令。
实施例六
图6为本发明实施例一种基于脑电信号的控制***的结构示意图,如图6 所示,本发明实施例基于脑电信号的控制***包括:
中央控制设备601,用于获取检测设备检测到的脑电生理数据,将所述脑电生理数据转换为图像数据;将所述图像数据向云服务器发送;接收所述云服务器发送的基于所述图像数据生成的针对***设备的控制指令,将所述控制指令向对应的***设备发送;
云服务器602,用于接收到图像数据后,对所述图像数据进行识别,确定出所述图像数据的特征数据;将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,确定出所述图像数据所针对***设备的控制指令;将所述控制指令向中央控制设备发送。
脑电信号检测设备603,用于通过设置于穿戴设备上的检测设备获取脑电生理数据;根据预设的网络配置,将所述获取的脑电生理数据向中央控制设备发送。
需要说明的是,所述中央控制设备601可以参考实施例三所述的中央控制设备的描述进行理解,所述云服务器602可以参考实施例四所述的云服务器的描述进行理解,这里不再赘述。
本发明实施例提供了一种中央控制设备,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,
其中,所述处理器用于运行所述计算机程序时,执行实现:
获取检测设备检测到的脑电生理数据,将所述脑电生理数据转换为图像数据;将所述图像数据向云服务器发送;接收所述云服务器发送的基于所述图像数据生成的针对***设备的控制指令,将所述控制指令向对应的***设备发送。
本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现:
获取检测设备检测到的脑电生理数据,将所述脑电生理数据转换为图像数据;将所述图像数据向云服务器发送;接收所述云服务器发送的基于所述图像数据生成的针对***设备的控制指令,将所述控制指令向对应的***设备发送。
本发明实施例提供了一种云服务器,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,
其中,所述处理器用于运行所述计算机程序时,执行:
接收到图像数据后,对所述图像数据进行识别,确定出所述图像数据的特征数据;将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,确定出所述图像数据所针对***设备的控制指令;将所述控制指令向中央控制设备发送。
本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现:
接收到图像数据后,对所述图像数据进行识别,确定出所述图像数据的特征数据;将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,确定出所述图像数据所针对***设备的控制指令;将所述控制指令向中央控制设备发送。
上述中央控制装置、云服务器以及脑电信号检测设备中的各个模块可以设置于移动终端、服务器、可穿戴设备等实体设备之中,并可以由任何类型的易失性或非易失性存储设备、或者它们的组合来实现。其中,非易失性存储器可以是只读存储器(ROM,Read OnlyMemory)、可编程只读存储器(PROM, Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM,Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器 (EEPROM,Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM,Ferromagnetic Random Access Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM,Compact Disc Read-Only Memory);磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM,Random AccessMemory),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(SRAM,Static Random Access Memory)、同步静态随机存取存储器(SSRAM,Synchronous Static Random Access Memory)、动态随机存取存储器 (DRAM,Dynamic Random Access Memory)、同步动态随机存取存储器 (SDRAM,SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM,Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM, Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM,SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM,Direct Rambus Random Access Memory)。本发明实施例描述的中央控制装置、云服务器以及脑电信号检测设备中的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在示例性实施例中,所述中央控制装置、云服务器以及脑电信号检测设备中的各个模块可以被一个或多个应用专用集成电路(ASIC,Application Specific IntegratedCircuit)、DSP、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU,Micro ControllerUnit)、微处理器(Microprocessor)、或其他电子元件实现,用于执行前述方法。
实施例七
图7为本发明实施例脑电波控制家电的流程示意图,如图7所示,本发明实施例脑电波控制家电包括以下步骤:
步骤701:获取脑电振幅数据,向中央控制设备发送;
其中,所述脑电数据可以通过设置有检测设备的穿戴设备获取,所述穿戴设备是一种便携式设备,可以作为脑电数据检测模块的载体,所述穿戴设备还以扩展有虚拟-现实设备;本发明实施例的脑电信好检测设备应至少具有微控制器、串口通信模块、数据采集模块、滤波电路,优选的,还可以设置有数据采集模块及数据收发模块;该模块脑电波数据处理集成在芯片内,对外只有脑电生理数据输出,使得模块高度集成,体积小,重量减轻,便于安装和移植到便携式穿戴设备上。
步骤702-703:中央控制设备对所述脑电振幅数据进行匹配;判断是否匹配成功;匹配成功后,执行步骤704;匹配失败后,执行步骤701;
其中,脑电振幅数据解析程序从串口缓冲区中读取脑波振幅数据,并将所述脑波振幅数据与预设的振幅值匹配;
匹配成功后,执行步骤704;匹配不成功,则返回步骤701继续接收脑电振幅数据。
其中,所述中央控制设备至少包括:自动配网模块、嵌入式控制***、脑电波数据解析和图像显示程序、单片机控制器等设备。
步骤704:生成图像数据;
其中,将所述脑电波数据中振幅超出预设的振幅数据范围的数据滤除,获得待转换脑电波振幅数据;
将所述待转换脑电波振幅数据转换为图像数据,所述图像中的显示构成单元的颜色属性信息与所述待转换脑电波振幅数据中的脑电波振幅幅值对应。
在实际应用中,图像处理利用计算机对图像进行分析,以达到所需的结果。
图像处理可分为模拟图像处理和数字图像图像处理,而图像处理一般指数字图像处理。
这种处理大多数是依赖于软件实现的。其目的是去除干扰、噪声,将原始图像编程适于计算机进行特征提取的形式,主要包括图像采样、图像增强、图像复原、图像编码与压缩和图像分割。
(1)图像采集
图像采集是数字图像数据提取的主要方式。数字图像主要借助于数字摄像头、扫描仪、数码相机等设备经过采样数字化得到的图像,也包括一些动态图像,并可以将其转为数字图像。图像的提取是将一个图像变换为适合计算机处理的形式的第一步。
(2)图像增强
图像在成像、采集、传输、复制等过程中图像的质量或多或少会造成一定的退化,数字化后的图像视觉效果不是十分满意。为了突出图像中感兴趣的部分,使图像的主体结构更加明确,必须对图像进行改善,即图像增强。通过图像增强,以减少图像中的图像的噪声,改变原来图像的亮度、色彩分布、对比度等参数。图像增强提高了图像的清晰度、图像的质量,使图像中的物体的轮廓更加清晰,细节更加明显。图像增强不考虑图像降质的原因,增强后的图像更加赏欣悦目,为后期的图像分析和图像理解奠定基础。
(3)图像复原
图像复原也称图像恢复,由于在获取图像时环境噪声的影响、运动造成的图像模糊、光线的强弱等原因使得图像模糊,为了提取比较清晰的图像需要对图像进行恢复,图像恢复主要采用滤波方法,从降质的图像恢复原始图。图像复原的另一种特殊技术是图像重建,该技术是从物体横剖面的一组投影数据建立图像。
(4)图像编码与压缩
数字图像的显著特点是数据量庞大,需要占用相当大的存储空间。但基于计算机的网络带宽和的大容量存储器无法进行数据图像的处理、存储、传输。为了能快速方便地在网络环境下传输图像或视频,那么必须对图像进行编码和压缩。目前,图像压缩编码已形成国际标准,如比较著名的静态图像压缩标准 JPEG,该标准主要针对图像的分辨率、彩色图像和灰度图像,适用于网络传输的数码相片、彩色照片等方面。由于视频可以被看作是一幅幅不同的但有紧密相关的静态图像的时间序列,因此动态视频的单帧图像压缩可以应用静态图像的压缩标准。图像编码压缩技术可以减少图像的冗余数据量和存储器容量、提高图像传输速度、缩短处理时间。
(5)图像分割技术
图像分割是把图像分成一些互不重叠而又具有各自特征的子区域,每一区域是像素的一个连续集,这里的特性可以是图像的颜色、形状、灰度和纹理等。图像分割根据目标与背景的先验知识将图像表示为物理上有意义的连通区域的集合。即对图像中的目标、背景进行标记、定位,然后把目标从背景中分离出来。图像分割的方法主要有基于区域特征的分割方法、基于相关匹配的分割方法和基于边界特征的分割方法。由于采集图像时会受到各种条件的影响会是图像变的模糊、噪声干扰,使得图像分割是会遇到困难。在实际的图像中需根据景物条件的不同选择适合的图像分割方法。图像分割为进一步的图像识别、分析和理解奠定了基础。
步骤705:将所述图像数据向云服务器发送;
其中,将所述图像数据通过网络传送至云服务器,所述网络可以是互联网;
在向云服务器发送图像数据之前,还应对图像数据进行处理:
对的所述图像数据的亮度、色彩分布、对比度参数根据预设的调整规则进行调整,获得调整后的图像数据;
对所述调整后的图像数据进行滤波,滤除所述调整后图像数据中的模糊图像数据,获得清晰的图像数据;
对所述清晰的图像数据进行编码和压缩,减少所述清晰的图像数据中的冗余数据量,并对所述清晰的图像数据的数据大小进行压缩,获得可向云服务器传输的图像数据。
步骤706-707:云服务器对图像进行过滤;将过滤后的图像数据与深度学习模型进行匹配,确定出控制指令;
所述步骤706-707由一个运行在所述云服务器的程序执行并实现相关匹配操作。
其中,对所述图像数据的像素点进行数字化描述处理,将所述图像数据中各像素点的色彩及亮度的属性分别以色彩数据和亮度数据表征;具体的,根据所述数字化描述处理后的图像数据的像素点的色彩数据和亮度数据,确定出所述图像数据中脑电信号的形状;
将所述图像数据中脑电信号的形状范围内的像素点的色彩数据、亮度数据确定为所述图像数据的特征数据;
基于所述色彩数据和亮度数据,对所述数字化描述处理后的图像数据的像素点进行分类,将分类后的像素点集合中像素点的色彩数据和亮度数据确定为所述图像数据的特征数据;
将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,当匹配相似度超出预设的相似度阈值时,将所述控制指令数据库中所述匹配相似度超出预设的相似度阈值的控制指令,并同时确定出所述控制指令所对应的***设备,将所述控制指令以及所对应的***设备生成所述图像数据所针对***设备的控制指令。
其中,所述深度学习模型内的数据是通过前期的数据收集以及模型训练,确定出每种控制指令所对应的图像数据;后期通过匹配的方式确定出图像数据所对应的控制指令。
步骤708:将控制指令向中央控制设备发送;
其中,云服务器可以通过网络将控制指令向中央控制设备发送。
步骤709:中央控制设备向家电设备的单片机发送控制指令;
其中,所述中央控制设备可以通过串口或无线网络,将控制指令发送至家电设备的单片机。
步骤710:家电设备响应所述控制指令,并执行控制指令。
其中,所述家电设备的单片机实际控制的是家电设备除电子控制器以外的其他零部件,例如:电机、加热盘等部件。
实施例八
图8为本发明实施例脑电生理数据采集设备的结构示意图,如图8所示,本发明实施例脑电生理数据采集设备的结构包括:
多路模-数转换器(ADC,Analogue-to-Digital Conversion)模块801,用于多个通道接收模拟量信号,将模拟量信号转换为数字量数据;
复杂可编程逻辑(CPLD,Complex Programmable Logic Device)模块802,包含有可编程逻辑宏单元,有数字集成电路构成,根据需要生成特定的电路结构;
Acorn RISC Machine处理器803,包括有单片机内核部件,用于实现程序功能;
通用异步收发传输器(UART,Universal Asynchronous Receiver/Transmitter)模块804,为串口通信接口,将要传输的资料在串行通信与并行通信之间加以转换。
实施例九
图9为本发明实施例基于脑电信号的智能控制***的结构示意图,如图9 所示,本发明实施例基于脑电信号的智能控制***的结构包括:
穿戴设备901,是一种便携式设备,可作为一个脑电波控制模块安装的载体。
脑电数据采集设备902,具有微控制器、串口通信电路,具有脑电波数据采集和解析、数据传输的功能,是一个独立的模块,体积较小,对外只有脑电波采样数据输出,因此这个模块可以接入不同的穿戴设备,具有独立,灵活,易维护等优点。
自动配网模块903,用于第一次配置后参数自动存储,无需重复配置,作用是将移动设备与家电设备关联起来,构成一个便携式、可移动的人机交互***。
***设备904,包括除了智能电器电子控制器以外的其他零部件,例如:电机,加热盘等。
中央控制设备905,包括自动配网模块、嵌入式控制***、脑电波数据解析和图像显示程序、单片机控制器。脑电波数据解析程序从串口缓冲区中读取脑波振幅数据,图像处理程序将脑波振幅数据转化为图像,并将图像通过网络传给云端服务器,经过图像过滤、识别、分类,最终得到识别出用户控制指令,并通过网络返回给嵌入式控制******,最后将控制指令通过串口传给单片机控制器,从而实现脑电波远程控制。
大数据数据处理服务906,用于服务器接收到海量用户反馈回来的图像数据,大数据将数据进行分类处理,图像筛选,属性标记;作用是将数据进行优化过滤,使得计算机视觉训练的素材是可靠的,训练出的模型是准确的、可靠的。
深度学习图像识别***907,由一个运行在云端服务器的程序,前期通过数据收集、模型训练得到每种控制动作的数学模型;后期通过数据匹配方式得到脑电波控制动作的操作码,再将操作码反馈给中央控制***。
综上所述,本发明实施例所提出的一种基于脑电信号的控制方法、装置及***,除了作为智能单品开发方案使用外,还可作为一个物联网(IoT,Internet of Things)体系设计架构,通过穿戴设备、联网模块(优选为无线联网模块)跟周围的设备连接,并作为中控器控制周围设备以实现不同的场景。特别地,本发明实施例中的智能家电优选具有驱动电路模块,Internet和串口通信模块,其可通过脑电波对周围设备的控制,不仅具有目前流行的智能远程手机App控制、 IOT交互模式等的功能,同时又具有大数据、图像识别的功能。本发明实施例所提供基于脑电信号的控制方法在家电行业中,既可以用于电饭煲、电冰箱、空调等智能设备中使用,开发的智能***可以作厨房新手训练使用,也可以作语言表达障碍的伤残人群、老年人群体使用。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (23)
1.一种基于脑电信号的控制方法,其特征在于,所述方法包括:
获取检测设备检测到的脑电生理数据,将所述脑电生理数据转换为图像数据;
将所述图像数据向云服务器发送;
接收所述云服务器发送的基于所述图像数据生成的针对***设备的控制指令,将所述控制指令向对应的***设备发送。
2.根据权利要求1所述的方法,其特征在于,所述脑电生理数据包括脑电波振幅数据;
对应地,所述将所述脑电生理数据转换为图像数据,包括:
将所述脑电波数据中振幅超出预设的振幅数据范围的数据滤除,获得待转换脑电波振幅数据;
将所述待转换脑电波振幅数据转换为图像数据,所述图像中的显示构成单元的颜色属性信息与所述待转换脑电波振幅数据中的脑电波振幅幅值对应。
3.根据权利要求1所述的方法,其特征在于,所述将所述图像数据向云服务器发送之前,所述方法还包括:
对所述图像数据的亮度、色彩分布、对比度参数根据预设的调整规则进行调整,获得调整后的图像数据;
对所述调整后的图像数据进行滤波,滤除所述调整后图像数据中的模糊图像数据,获得清晰的图像数据;
对所述清晰的图像数据进行编码和压缩,减少所述清晰的图像数据中的冗余数据量,并对所述清晰的图像数据的数据大小进行压缩,获得可向云服务器传输的图像数据。
4.根据权利要求1所述的方法,其特征在于,将所述控制指令向对应的***设备发送,包括:
将所述控制指令发送至对应的***设备的单片机控制器,所述***设备的单片机控制器根据所述控制指令驱动所述***设备。
5.一种基于脑电信号的控制方法,其特征在于,所述方法包括:
云服务器接收到图像数据后,对所述图像数据进行识别,确定出所述图像数据的特征数据;
将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,确定出所述图像数据所针对***设备的控制指令;
将所述控制指令向中央控制设备发送。
6.根据权利要求5所述的方法,其特征在于,所述对所述图像数据进行识别,确定出所述图像数据的特征数据,包括:
对所述图像数据的像素点进行数字化描述处理,将所述图像数据中各像素点的色彩及亮度的属性分别以色彩数据和亮度数据表征;
基于所述色彩数据和亮度数据,对所述数字化描述处理后的图像数据的像素点进行分类,将分类后的像素点集合中像素点的色彩数据和亮度数据确定为所述图像数据的特征数据。
7.根据权利要求6所述的方法,其特征在于,所述将分类后的像素点集合中的数据确定为所述图像数据的特征数据,包括:
根据所述数字化描述处理后的图像数据的像素点的色彩数据和亮度数据,确定出所述图像数据中脑电信号的形状;
将所述图像数据中脑电信号的形状范围内的像素点的色彩数据、亮度数据确定为所述图像数据的特征数据。
8.根据权利要求5所述的方法,其特征在于,所述将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,确定出所述图像数据所针对***设备的控制指令,包括:
将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,当匹配相似度超出预设的相似度阈值时,将所述控制指令数据库中所述匹配相似度超出预设的相似度阈值的控制指令,并同时确定出所述控制指令所对应的***设备,将所述控制指令以及所对应的***设备生成所述图像数据所针对***设备的控制指令。
9.一种中央控制设备,其特征在于,所述设备包括:
接收模块,用于获取检测设备检测到的脑电生理数据;还用于接收所述云服务器发送的基于所述图像数据生成的针对***设备的控制指令
转换模块,用于将所述脑电生理数据转换为图像数据;
发送模块,用于将所述控制指令向对应的***设备发送。
10.根据权利要求9所述的设备,其特征在于,所述转换模块用于:
所述脑电生理数据包括脑电波振幅数据,将所述脑电波数据中振幅超出预设的振幅数据范围的数据滤除,获得待转换脑电波振幅数据;
将所述待转换脑电波振幅数据转换为图像数据,所述图像中的显示构成单元的颜色属性信息与所述待转换脑电波振幅数据中的脑电波振幅幅值对应。
11.根据权利要求9所述的设备,其特征在于,所述设备还包括:
调整模块,用于对所述图像数据的亮度、色彩分布、对比度参数根据预设的调整规则进行调整,获得调整后的图像数据;
滤波模块,用于对所述调整后的图像数据进行滤波,滤除所述调整后图像数据中的模糊图像数据,获得清晰的图像数据;
图像处理模块,用于对所述清晰的图像数据进行编码和压缩,减少所述清晰的图像数据中的冗余数据量,并对所述清晰的图像数据的数据大小进行压缩,获得可向云服务器传输的图像数据。
12.根据权利要求9所述的设备,其特征在于,所述发送模块,用于将所述控制指令发送至对应的***设备的单片机控制器,所述***设备的单片机控制器根据所述控制指令驱动所述***设备。
13.一种云服务器,其特征在于,所述云服务器包括:
识别模块,用于云服务器接收到图像数据后,对所述图像数据进行识别,确定出所述图像数据的特征数据;
匹配模块,用于将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,确定出所述图像数据所针对***设备的控制指令;
发送模块,用于将所述控制指令向中央控制设备发送。
14.根据权利要求13所述的云服务器,其特征在于,所述识别模块,用于对所述图像数据的像素点进行数字化描述处理,将所述图像数据中各像素点的色彩及亮度的属性分别以色彩数据和亮度数据表征;
基于所述色彩数据和亮度数据,对所述数字化描述处理后的图像数据的像素点进行分类,将分类后的像素点集合中像素点的色彩数据和亮度数据确定为所述图像数据的特征数据。
15.根据权利要求14所述的云服务器,其特征在于,所述识别模块,具体用于根据所述数字化描述处理后的图像数据的像素点的色彩数据和亮度数据,确定出所述图像数据中脑电信号的形状;
将所述图像数据中脑电信号的形状范围内的像素点的色彩数据、亮度数据确定为所述图像数据的特征数据。
16.根据权利要求13所述的云服务器,其特征在于,所述匹配模块,用于将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,当匹配相似度超出预设的相似度阈值时,将所述控制指令数据库中所述匹配相似度超出预设的相似度阈值的控制指令,并同时确定出所述控制指令所对应的***设备,将所述控制指令以及所对应的***设备生成所述图像数据所针对***设备的控制指令。
17.一种基于脑电信号的控制***,其特征在于,所述***包括:
中央控制设备,用于获取检测设备检测到的脑电生理数据,将所述脑电生理数据转换为图像数据;将所述图像数据向云服务器发送;接收所述云服务器发送的基于所述图像数据生成的针对***设备的控制指令,将所述控制指令向对应的***设备发送;
云服务器,用于接收到图像数据后,对所述图像数据进行识别,确定出所述图像数据的特征数据;将所述图像数据的特征数据与预设的控制指令数据库中的控制指令的特征数据进行匹配,确定出所述图像数据所针对***设备的控制指令;将所述控制指令向中央控制设备发送。
脑电信号检测设备,用于通过设置于穿戴设备上的检测设备获取脑电生理数据;根据预设的网络配置,将所述获取的脑电生理数据向中央控制设备发送。
18.根据权利要求17所述的***,其特征在于,所述中央控制设备为权利要求1至4任一所述的中央控制设备。
19.根据权利要求17所述的***,其特征在于,所述云服务器为权利要求5至8所述的云服务器。
20.一种中央控制设备,其特征在于,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,
其中,所述处理器用于运行所述计算机程序时,执行权利要求1至4任一所述方法的步骤。
21.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至4任一所述方法的步骤。
22.一种云服务器,其特征在于,包括:处理器和用于存储能够在处理器上运行的计算机程序的存储器,
其中,所述处理器用于运行所述计算机程序时,执行权利要求5至8任一所述方法的步骤。
23.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求5至8任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810210846.6A CN110275455B (zh) | 2018-03-14 | 2018-03-14 | 一种基于脑电信号的控制方法、中央控制设备、云服务器及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810210846.6A CN110275455B (zh) | 2018-03-14 | 2018-03-14 | 一种基于脑电信号的控制方法、中央控制设备、云服务器及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110275455A true CN110275455A (zh) | 2019-09-24 |
CN110275455B CN110275455B (zh) | 2021-05-25 |
Family
ID=67957609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810210846.6A Active CN110275455B (zh) | 2018-03-14 | 2018-03-14 | 一种基于脑电信号的控制方法、中央控制设备、云服务器及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110275455B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114115008A (zh) * | 2021-11-17 | 2022-03-01 | 国网山东省电力公司电力科学研究院 | 一种基于5g网络电力设备运行数据传输方法及*** |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040210156A1 (en) * | 2002-02-19 | 2004-10-21 | Hogan Mark Bradford | Color-based neurofeedback |
CN101038270A (zh) * | 2005-08-15 | 2007-09-19 | 文荆江 | 表现超细结构及连续性异变的超声彩色成像方法及其装置 |
CN101751563A (zh) * | 2010-01-21 | 2010-06-23 | 上海大学 | 一种基于LabWindows/CVI和Matlab混合编程的脑电信号识别方法 |
US20130096453A1 (en) * | 2011-10-12 | 2013-04-18 | Seoul National University R&Db Foundation | Brain-computer interface devices and methods for precise control |
CN103092340A (zh) * | 2012-12-26 | 2013-05-08 | 北京大学 | 一种脑-机接口视觉刺激方法及信号识别方法 |
JP2013128642A (ja) * | 2011-12-21 | 2013-07-04 | Kumamoto Univ | ブレイン・コンピュータ・インターフェース及びブレイン・コンピュータ・インターフェースにおける対象物の制御方法 |
US20130253362A1 (en) * | 2008-04-15 | 2013-09-26 | Christopher Scheib | Method and system for monitoring and displaying physiological conditions |
CN103488987A (zh) * | 2013-10-15 | 2014-01-01 | 浙江宇视科技有限公司 | 一种基于视频检测交通信号灯的方法及装置 |
CN104173046A (zh) * | 2014-09-01 | 2014-12-03 | 清华大学 | 一种色彩标记振幅整合脑电图的提取方法 |
US20150126891A1 (en) * | 2008-04-15 | 2015-05-07 | Christopher Scheib | Method and system for monitoring and displaying physiological conditions |
CN104751099A (zh) * | 2015-04-14 | 2015-07-01 | 华中科技大学 | 一种彩色三维码图像识读前的预处理方法 |
CN105023014A (zh) * | 2015-08-21 | 2015-11-04 | 马鞍山市安工大工业技术研究院有限公司 | 一种无人机巡检输电线路图像内的杆塔目标提取方法 |
CN105068663A (zh) * | 2015-09-18 | 2015-11-18 | 中国石油大学(华东) | 一种基于脑电信号的对象选择方法及装置 |
CN105159135A (zh) * | 2015-10-21 | 2015-12-16 | 珠海格力电器股份有限公司 | 一种智能家电的控制方法及*** |
CN105263405A (zh) * | 2013-01-17 | 2016-01-20 | 科迪影技术股份有限公司 | 多参数生理映射 |
CN105578094A (zh) * | 2015-12-18 | 2016-05-11 | 深圳市帅映科技有限公司 | 一种图像边缘融合处理*** |
CN105741265A (zh) * | 2016-01-21 | 2016-07-06 | 中国科学院深圳先进技术研究院 | 深度图像的处理方法及装置 |
CN106562781A (zh) * | 2016-05-20 | 2017-04-19 | 杨燕 | 一种新型智能化神经内科治疗仪 |
CN107049308A (zh) * | 2017-06-05 | 2017-08-18 | 湖北民族学院 | 一种基于深度神经网络的意念控制*** |
CN107137079A (zh) * | 2017-06-28 | 2017-09-08 | 京东方科技集团股份有限公司 | 基于脑信号控制设备的方法、其控制设备及人机交互*** |
KR20180006573A (ko) * | 2016-07-08 | 2018-01-18 | 주식회사 에이치나인헬스케어 | 특정 장소내에 하이브리드형 bci 안경모듈·다방향디스플레이모듈을 통한 vr실감체험형성장치 및 방법 |
-
2018
- 2018-03-14 CN CN201810210846.6A patent/CN110275455B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040210156A1 (en) * | 2002-02-19 | 2004-10-21 | Hogan Mark Bradford | Color-based neurofeedback |
CN101038270A (zh) * | 2005-08-15 | 2007-09-19 | 文荆江 | 表现超细结构及连续性异变的超声彩色成像方法及其装置 |
US20130253362A1 (en) * | 2008-04-15 | 2013-09-26 | Christopher Scheib | Method and system for monitoring and displaying physiological conditions |
US20150126891A1 (en) * | 2008-04-15 | 2015-05-07 | Christopher Scheib | Method and system for monitoring and displaying physiological conditions |
CN101751563A (zh) * | 2010-01-21 | 2010-06-23 | 上海大学 | 一种基于LabWindows/CVI和Matlab混合编程的脑电信号识别方法 |
US20130096453A1 (en) * | 2011-10-12 | 2013-04-18 | Seoul National University R&Db Foundation | Brain-computer interface devices and methods for precise control |
JP2013128642A (ja) * | 2011-12-21 | 2013-07-04 | Kumamoto Univ | ブレイン・コンピュータ・インターフェース及びブレイン・コンピュータ・インターフェースにおける対象物の制御方法 |
CN103092340A (zh) * | 2012-12-26 | 2013-05-08 | 北京大学 | 一种脑-机接口视觉刺激方法及信号识别方法 |
CN105263405A (zh) * | 2013-01-17 | 2016-01-20 | 科迪影技术股份有限公司 | 多参数生理映射 |
CN103488987A (zh) * | 2013-10-15 | 2014-01-01 | 浙江宇视科技有限公司 | 一种基于视频检测交通信号灯的方法及装置 |
CN104173046A (zh) * | 2014-09-01 | 2014-12-03 | 清华大学 | 一种色彩标记振幅整合脑电图的提取方法 |
CN104751099A (zh) * | 2015-04-14 | 2015-07-01 | 华中科技大学 | 一种彩色三维码图像识读前的预处理方法 |
CN105023014A (zh) * | 2015-08-21 | 2015-11-04 | 马鞍山市安工大工业技术研究院有限公司 | 一种无人机巡检输电线路图像内的杆塔目标提取方法 |
CN105068663A (zh) * | 2015-09-18 | 2015-11-18 | 中国石油大学(华东) | 一种基于脑电信号的对象选择方法及装置 |
CN105159135A (zh) * | 2015-10-21 | 2015-12-16 | 珠海格力电器股份有限公司 | 一种智能家电的控制方法及*** |
CN105578094A (zh) * | 2015-12-18 | 2016-05-11 | 深圳市帅映科技有限公司 | 一种图像边缘融合处理*** |
CN105741265A (zh) * | 2016-01-21 | 2016-07-06 | 中国科学院深圳先进技术研究院 | 深度图像的处理方法及装置 |
CN106562781A (zh) * | 2016-05-20 | 2017-04-19 | 杨燕 | 一种新型智能化神经内科治疗仪 |
KR20180006573A (ko) * | 2016-07-08 | 2018-01-18 | 주식회사 에이치나인헬스케어 | 특정 장소내에 하이브리드형 bci 안경모듈·다방향디스플레이모듈을 통한 vr실감체험형성장치 및 방법 |
CN107049308A (zh) * | 2017-06-05 | 2017-08-18 | 湖北民族学院 | 一种基于深度神经网络的意念控制*** |
CN107137079A (zh) * | 2017-06-28 | 2017-09-08 | 京东方科技集团股份有限公司 | 基于脑信号控制设备的方法、其控制设备及人机交互*** |
Non-Patent Citations (4)
Title |
---|
KATSUHIRO KOBAYASHI: "Amplitude-integrated EEG colored according to spectral edge frequency", 《EPILEPSY RESEARCH》 * |
李社蕾 等;: "基于稳态视觉诱发电位的脑-机接口无线智能家居***研究", 《生物医学工程学杂志》 * |
范恩胜 等;: "基于运动想象的脑机接口智能家居***研究", 《建筑电气》 * |
邢潇: "基于便携式脑-机接口的智能家电控制***研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114115008A (zh) * | 2021-11-17 | 2022-03-01 | 国网山东省电力公司电力科学研究院 | 一种基于5g网络电力设备运行数据传输方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110275455B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106982359B (zh) | 一种双目视频监控方法、***和计算机可读存储介质 | |
CN108960299B (zh) | 一种多类运动想象脑电信号的识别方法 | |
CN104346503A (zh) | 一种基于人脸图像的情感健康监控方法及手机 | |
CN112699808B (zh) | 密集目标检测方法、电子设备及相关产品 | |
CN108875906B (zh) | 一种多尺度逐步累加的卷积神经网络学习方法 | |
CN109558892A (zh) | 一种基于神经网络的目标识别方法及*** | |
CN110070484A (zh) | 图像处理、图像美化方法、装置和存储介质 | |
CN113191479A (zh) | 联合学习的方法、***、节点及存储介质 | |
CN115105094A (zh) | 基于注意力和3d密集连接神经网络的运动想象分类方法 | |
CN110275455A (zh) | 一种基于脑电信号的控制方法、中央控制设备、云服务器及*** | |
CN109343481B (zh) | 一种控制设备的方法与设备 | |
CN107958434B (zh) | 智能看护方法、装置、电子设备及存储介质 | |
CN114360018A (zh) | 三维人脸表情的渲染方法及装置、存储介质及电子装置 | |
CN106375378B (zh) | 一种基于局域网客户端服务器结构的应用部署方法及*** | |
CN110427870B (zh) | 眼部图片识别方法、目标识别模型训练方法及装置 | |
CN111007806B (zh) | 智能家居的控制方法及装置 | |
CN117195099A (zh) | 一种融合多尺度特征的脑电信号情感识别算法 | |
CN106707789A (zh) | 一种基于指纹识别的智能家居控制*** | |
CN109784144A (zh) | 一种亲属关系识别方法及*** | |
CN115581467A (zh) | 一种基于时、频和时频域分析和深度学习的ssvep的识别方法 | |
CN106933209A (zh) | 一种基于图像处理的手表控制智能电器的方法及*** | |
Kang et al. | Ontology-based inference system for adaptive object recognition | |
Cai et al. | ACF: An Adaptive Compression Framework for Multimodal Network in Embedded Devices | |
CN116712074B (zh) | 基于脑电跨频耦合图和深度学习的情绪识别方法及装置 | |
CN117973684B (zh) | 装备体系效能的智能评估装置 |
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 |