CN113017653A - 基于混沌检测原理的稳态视觉诱发电位识别***及方法 - Google Patents
基于混沌检测原理的稳态视觉诱发电位识别***及方法 Download PDFInfo
- Publication number
- CN113017653A CN113017653A CN202110276412.8A CN202110276412A CN113017653A CN 113017653 A CN113017653 A CN 113017653A CN 202110276412 A CN202110276412 A CN 202110276412A CN 113017653 A CN113017653 A CN 113017653A
- Authority
- CN
- China
- Prior art keywords
- chaotic
- signal
- state
- signals
- electroencephalogram
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于混沌检测原理的稳态视觉诱发电位识别***及方法,包括信号采集模块:在使用者头部安放测量电极、参考电极、地电极,使用脑电采集设备完成对脑电信号的测量;信号预处理模块:对采集到的信号进行预处理,利用切比雪夫带通滤波器提取低频段的信号,再通过共平均参考,将多通道脑电信号降维处理;混沌***设计模块:建立混沌***动力学***,利用采集到的模板信号训练混沌***动力学***的初始参数;特征识别模块:将混沌***调整到临界状态,通过加入预处理的待测SSVEP信号,判断混沌***状态变化,实现对待测SSVEP信号的特征识别;本发明在识别过程中有效免疫无关噪声,实现对BCI盲被试信号的有效识别。
Description
技术领域
本发明涉及生物医学工程中神经工程及脑机接口技术领域,具体涉及一种基于混沌检测原理的稳态视觉诱发电位识别***及方法。
背景技术
脑机接口(BCI)技术避免了人类与外部环境进行交互时对神经-肌肉通道的依赖,其通过对脑电信号进行解码,并转换为相关指令,以实现人脑与外部环境之间的直接交流;其中,稳态视觉诱发脑机接口是一种通过注视特定频率的视觉刺激来诱发大脑响应的方法,其因具有确定周期性和控制稳定等特点,被广泛的应用。
然而,稳态视觉诱发电位脑电信号(Steady-State Visual Evoked Potential,SSVEP)是一种幅值微弱且伴随着强非线性的信号,有用信号常常与多尺度噪声信号耦合在一起,过度抑制噪声会造成有用信号的衰减,忽略噪声影响又无法辨识特征信号,如何有效地抑制噪声实现最佳的辨识仍是当前领域亟待解决的问题之一;其次,众多实验研究表明,即使经过特定的长时间的训练,一部分用户仍不能控制特定的BCI***,即BCI盲;在稳态视觉诱发电位检测过程中,常常依赖对功率谱中特定频率峰值的捕捉,而BCI盲的微弱的尖峰极易被背景噪声淹没,导致SSVEP脑机接口将无法正确的发挥作用。如何解决BCI盲这类被试的特征识别仍需要进一步研究。
当前研究中,对于稳态视觉诱发电位信号解码和识别的方法,大多基于空间滤波和模板匹配原理,在一定范围内,可以取得良好的效果,而对于强噪声背景和BCI盲被试的脑电信号解码,传统方法并不能有效的完成特征的提取与识别。
近年来,基于混沌理论的弱信号检测技术(Chaos)在生物电信号检测等领域得到了广泛的应用,但是还没有基于混沌理论的稳态视觉诱发电位识别***及方法公开。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供了一种基于混沌检测原理的稳态视觉诱发电位识别***及方法,在脑电信号特征识别过程中有效免疫无关噪声,并可以实现对BCI盲被试信号的有效识别。
为了达到上述目的,本发明所采用的技术方案如下:
一种基于混沌检测原理的稳态视觉诱发电位信号识别***,包括以下模块:
信号采集模块:在使用者头部视觉枕区不同位置分别安放8个测量电极,8个测量电极为POz、PO3、PO4、PO5、PO6、Oz、O1和O2,在其单侧耳垂位置安放参考电极R,在其前额Fpz位置安放地电极G,使用脑电采集设备完成对脑电信号的测量;
信号预处理模块:对信号采集模块采集到的信号进行预处理,利用切比雪夫带通滤波器提取低频段的信号,再通过共平均参考,将多通道脑电信号降维处理;
混沌***设计模块:利用Duffing方程,建立混沌***动力学***,利用采集到的模板信号训练混沌***动力学***的初始参数;
特征识别模块:将混沌***调整到临界状态,通过加入信号预处理模块处理过的待测SSVEP信号,判断混沌***状态变化,实现对待测SSVEP信号的特征识别。
所述的混沌***设计模块首先以Duffing方程建立初始混沌动力学***,其方程表达式如下:
其中,k——阻尼系数;ax+bx3——非线性恢复力;a——弹簧的线性刚性系数;b——弹簧的非线性刚性系数;γcos(ωt)——内置周期驱动力;γ——驱动力的幅值;
然后,通过外加脑电模板信号作为s(t),再利用经验参数对初始混沌动力学***方程进行配置,方程表达式为:
利用配置混沌动力学***相轨迹和分岔图,判断配置混沌动力学***从混沌态到周期态突变的相点,确定γ参数的大小,从而完成混沌***的建立。
所述的特征识别模块先将混沌***设置到混沌态到大尺度周期态突变的临界状态,索引待测信号对应的单个棋盘格运动刺激单元刺激频率,将内置驱动力的频率ω设置为与目标频率相同;
引入预处理后的SSVEP信号,通过观察混沌***的相轨迹图,判断混沌***是否发生状态变化;若从混沌态突变为大尺度周期态,则待测信号存在目标频率特征;若无,则定步长调整内置驱动力信号的相位,直到一个循环结束,循环内只要出现状态突变,则判断待测信号存在目标频率特征,若无,则目标频率特征未被诱发。
所述的特征识别模块单次识别结束后,重复识别过程,实现对多试次的SSVEP信号进行识别,记录识别结果。
一种基于混沌检测原理的稳态视觉诱发电位识别方法,包括以下步骤:
步骤1,信号采集模块进行脑电信号的采集:
1.1)在使用者头部视觉枕区不同位置分别安放8个测量电极,8个测量电极为POz、PO3、PO4、PO5、PO6、Oz、O1和O2,在其单侧耳垂位置安放参考电极R,在其前额Fpz位置安放地电极G;
1.2)打开视觉刺激装置,刺激界面是显示器屏幕上显示的单个棋盘格运动刺激单元,刺激单元通过正弦或余弦调制方式进行收缩和扩张,形成视觉刺激;视觉刺激频率范围为3Hz~20Hz,频率间隔为0.5Hz,显示器屏幕上每次出现一个刺激目标,每个刺激目标的运动频率在上述范围内随机选取,但不重复出现;
1.3)打开脑电采集设备,将采集开始时间设置为视觉刺激出现前0.3s,视觉刺激持续3s,停止采集的时间设置为视觉刺激结束后0.7s;
步骤2,信号预处理模块进行脑电信号预处理:
利用切比雪夫I型滤波器,将脑电信号滤波到2~30Hz;再通过共平均参考,将多通道脑电信号降维处理,采用差分思想,将各个通道脑电信号数据进行叠加平均作为虚拟参考电极,并将其它电极测得的信号与虚拟参考电极信号相减来消除噪声干扰,其表达式如下:
步骤3,混沌***设计模块建立混沌***:
3.1)以Duffing方程建立初始混沌动力学***,其方程表达式为:
其中,k——阻尼系数;ax+bx3——非线性恢复力;a——弹簧的线性刚性系数;b——弹簧的非线性刚性系数;γcos(ωt)——内置周期驱动力;γ——驱动力的幅值;
3.2)通过外加脑电模板信号作为s(t),再利用经验参数对初始混沌动力学***进行配置,其方程表达式为:
3.3)利用配置混沌动力学***相轨迹和分岔图,判断配置混沌动力学***从混沌态到周期态突变的相点,确定γ参数的大小,从而完成混沌***的建立;
步骤4,特征识别模块进行SSVEP特征识别:
4.1)通过调整参数γ,将混沌***设置为混沌态向大尺度周期态突变的临界状态,索引待测信号对应的单个棋盘格运动刺激单元刺激频率,将内置驱动力的频率ω设置为与目标频率相同;
4.2)引入步骤2预处理后的SSVEP信号,通过观察混沌***的相轨迹图,判断混沌***是否发生状态变化;若从混沌态突变为大尺度周期态,则待测信号存在目标频率特征;若无,则定步长调整内置驱动力信号的相位,直到一个循环结束,循环内只要出现状态突变,则判断待测信号存在目标频率特征,若无,则目标频率特征未被诱发;
4.3)单次识别结束后,重复步骤4.2),实现对多试次的SSVEP信号进行识别,记录识别结果。
本发明的有益效果为:本发明通过数学模型构建一个混沌***,并将采集信号引入混沌***,通过***是否发生从混沌态到大尺度周期态的状态变化来确定微弱信号存在与否。微弱信号混沌检测技术不同于其他方法,它并非通过抑制噪声进行检测,而是利用混沌***不受噪声影响且在微弱信号扰动下***会发生状态突变来完成检测。而由稳态视觉诱发电位的产生原理可知,人在接受固定频率的闪烁或者变换模式的视觉刺激时,大脑皮层会产生与视觉刺激类似的周期性节律。因此基于混沌理论弱信号检测技术,具备检测稳态视觉诱发电位的基本条件,在脑电信号特征识别过程中有效免疫无关噪声,并可以实现对BCI盲被试信号的有效识别。
附图说明
图1是本发明实施例***及方法的框图。
图2是本发明实施例稳态视觉诱发实验信号采集图。
图3是本发明实施例混沌***状态突变相图。
图4是本发明实施例稳态视觉诱发电位特征频率识别框图。
具体实施方式
下面结合附图及实施例对本发明作进一步的详细说明。
参照图1,一种基于混沌检测原理的稳态视觉诱发电位信号识别***,包括以下模块:
信号采集模块:在使用者头部视觉枕区不同位置分别安放8个测量电极,8个测量电极为POz、PO3、PO4、PO5、PO6、Oz、O1和O2,在其单侧耳垂位置安放参考电极R,在其前额Fpz位置安放地电极G,使用脑电采集设备完成对脑电信号的测量;
信号预处理模块:对信号采集模块采集到的信号进行预处理,利用切比雪夫带通滤波器提取低频段的信号,再通过共平均参考,将多通道脑电信号降维处理;
混沌***设计模块:利用Duffing方程,建立混沌动力学***,利用采集到的模板信号训练混沌***动力学***的初始参数;
特征识别模块:将混沌***调整到临界状态,通过加入信号预处理模块处理过的待测SSVEP信号,判断混沌***状态变化,实现对待测SSVEP信号的特征识别。
参照图1,一种基于混沌检测原理的稳态视觉诱发电位识别方法,包括以下步骤:
步骤1,信号采集模块进行脑电信号的采集:
1.1)在使用者头部视觉枕区不同位置分别安放8个测量电极,8个测量电极为POz、PO3、PO4、PO5、PO6、Oz、O1和O2,在其单侧耳垂位置安放参考电极R,在其前额Fpz位置安放地电极G;
1.2)参照图2,打开视觉刺激装置,刺激界面是显示器屏幕上显示的单个棋盘格运动刺激单元,刺激单元通过正弦或余弦调制方式进行收缩和扩张,形成视觉刺激;视觉刺激频率范围为3Hz~20Hz,频率间隔为0.5Hz,显示器屏幕上每次出现一个刺激目标,每个刺激目标的运动频率在上述范围内随机选取,但不重复出现;
1.3)打开脑电采集设备,将采集开始时间设置为视觉刺激出现前0.3s,视觉刺激持续3s,停止采集的时间设置为视觉刺激结束后0.7s;
步骤2,信号预处理模块进行脑电信号预处理:
利用切比雪夫I型滤波器,将脑电信号滤波到2~30Hz;再通过共平均参考,将多通道脑电信号降维处理,采用差分思想,将各个通道脑电信号数据进行叠加平均作为虚拟参考电极,并将其它电极测得的信号与虚拟参考电极信号相减来消除噪声干扰,其表达式如下:
步骤3,混沌***设计模块建立混沌***:
3.1)混沌理论研究在一个确定的非线性***中,出现的轨迹复杂且不可预测的混沌运动,混沌运动是一种始终局限于有限区域但轨道永不重复、性态复杂的运动,其中,初值敏感性和噪声免疫性是混沌运动主要特征之一,这也是基于混沌理论弱信号检测的研究基础;需要研究表明,基于Duffing方程的混沌动力学***在微弱信号检测领域取得效果较好,所以,本发明选用Duffing方程来搭建混沌动力学***,以Duffing方程建立初始混沌动力学***,其方程表达式为:
其中,k——阻尼系数;ax+bx3——非线性恢复力;a——弹簧的线性刚性系数;b——弹簧的非线性刚性系数;γcos(ωt)——内置周期驱动力;γ——驱动力的幅值;
3.2)通过外加脑电模板信号作为s(t),再利用经验参数对初始混沌动力学***进行配置,其方程表达式为:
3.3)利用配置混沌动力学***相轨迹和分岔图,判断配置混沌动力学***从混沌态到周期态突变的相点,确定γ参数的大小,从而完成混沌***的建立;
步骤4,特征识别模块进行SSVEP特征识别:
4.1)通过调整参数γ,将混沌***设置为混沌态向大尺度周期态突变的临界状态,如图3所示;索引待测信号对应的单个棋盘格运动刺激单元刺激频率,将内置驱动力的频率ω设置为与目标频率相同;
4.2)参照图4,引入步骤2预处理后的SSVEP信号,通过观察混沌***的相轨迹图,判断混沌***是否发生状态变化;若从混沌态突变为大尺度周期态,则待测信号存在目标频率特征;若无,则定步长调整内置驱动力信号的相位,直到一个循环结束,循环内只要出现状态突变,则判断待测信号存在目标频率特征,若无,则目标频率特征未被诱发;
4.3)单次识别结束后,重复步骤4.2),实现对多试次的SSVEP信号进行识别,记录识别结果。
为了验证本发明所提出方法(Chaos)的可行性,本实施例采集32名被试(男女比例为1:1)的数据,被试年龄分布为20~26岁且都具有正常或矫正后正常视力;每位被试需进行3轮实验,每轮实验共25次刺激;每次视觉刺激开始时显示器屏幕中央会出现时长0.3s的光标提示,以便被试集中注意力,接着是时长3s的视觉刺激,结束后休息0.7s,故每次实验时长4s。
正式试验之前,通过典型相关分析(CCA)对实验数据进行处理,将目标识别准确率大于70%的被试设置为A组,用来模拟正常被试;而小于70%的设置为B组,用于模拟BCI盲;经过测试分组,A组和B组的被试恰好分别为13人,为了对比混沌检测方法的可靠性,利用典型相关分析(CCA)和多元同步指数法(MSI)作为对比方法:
表1.分类准确率和信息传输率结果(A组)
表2.分类准确率和信息传输率结果(B组)
对于正常组被试(A组),三种方法均能取得较理想的分类准确率和信息传输率,其中,混沌检测(Chaos)取得了最优的分类性能。
不同于正常组的被试,对于BCI盲被试(group B)在CCA和MSI中的表现较差,并且与在A组中的性能表现产生了巨大的差距。而Chaos方法仍具有良好的性能并取得最优的信息传输率,且仍能保持与正常被试相当的分类水平。因此,可以得出结论,无论是正常被试还是BCI盲被试,混沌检测的技术能准确解码的稳态视觉诱发电位信号,完成特征辨识。
为了验证混沌检测***在强噪声水平下的分类性能,通过对A组的数据添加不同强度等级的高斯噪声,并利用不同方法进行分类。实验分别设置了四组噪声等级,无噪声、1倍噪声、2倍噪声、4倍噪声,结果表明,随着噪声等级的升高,MSI和CCA的二分类准确率大幅度下降,在4倍噪声强度下,其分类准确率维持在40%左右。而Chaos方法在不同噪声等级下,分类准确率下降幅度较低,在4倍噪声强度下仍然能取得79.50%的准确率。因此,可以判定,对于传统的稳态视觉诱发电位识别方法,基于混沌检测原理的识别技术具有优异的抗噪性并能够在BCI盲被试群体解码中,取得可靠的、理想的性能。
Claims (5)
1.一种基于混沌检测原理的稳态视觉诱发电位信号识别***,其特征在于,包括以下模块:
信号采集模块:在使用者头部视觉枕区不同位置分别安放8个测量电极,8个测量电极为POz、PO3、PO4、PO5、PO6、Oz、O1和O2,在其单侧耳垂位置安放参考电极R,在其前额Fpz位置安放地电极G,使用脑电采集设备完成对脑电信号的测量;
信号预处理模块:对信号采集模块采集到的信号进行预处理,利用切比雪夫带通滤波器提取低频段的信号,再通过共平均参考,将多通道脑电信号降维处理;
混沌***设计模块:利用Duffing方程,建立混沌***动力学***,利用采集到的模板信号训练混沌***动力学***的初始参数;
特征识别模块:将混沌动力学***调整到临界状态,通过加入信号预处理模块处理过的待测SSVEP信号,判断混沌动力学***状态变化,实现对待测SSVEP信号的特征识别。
3.根据权利要求1所述的一种基于混沌检测原理的稳态视觉诱发电位信号识别***,其特征在于:所述的特征识别模块先将混沌***设置到混沌态到大尺度周期态突变的临界状态,索引待测信号对应的单个棋盘格运动刺激单元刺激频率,将内置驱动力的频率ω设置为与目标频率相同;
引入预处理后的SSVEP信号,通过观察混沌***的相轨迹图,判断混沌***是否发生状态变化;若从混沌态突变为大尺度周期态,则待测信号存在目标频率特征;若无,则定步长调整内置驱动力信号的相位,直到一个循环结束,循环内只要出现状态突变,则判断待测信号存在目标频率特征,若无,则目标频率特征未被诱发。
4.根据权利要求3所述的一种基于混沌检测原理的稳态视觉诱发电位信号识别***,其特征在于:所述的特征识别模块单次识别结束后,重复识别过程,实现对多试次的SSVEP信号进行识别,记录识别结果。
5.一种基于混沌检测原理的稳态视觉诱发电位识别方法,其特征在于,包括以下步骤:
步骤1,信号采集模块进行脑电信号的采集:
1.1)在使用者头部视觉枕区不同位置分别安放8个测量电极,8个测量电极为POz、PO3、PO4、PO5、PO6、Oz、O1和O2,在其单侧耳垂位置安放参考电极R,在其前额Fpz位置安放地电极G;
1.2)打开视觉刺激装置,刺激界面是显示器屏幕上显示的单个棋盘格运动刺激单元,刺激单元通过正弦或余弦调制方式进行收缩和扩张,形成视觉刺激;视觉刺激频率范围为3Hz~20Hz,频率间隔为0.5Hz,显示器屏幕上每次出现一个刺激目标,每个刺激目标的运动频率在上述范围内随机选取,但不重复出现;
1.3)打开脑电采集设备,将采集开始时间设置为视觉刺激出现前0.3s,视觉刺激持续3s,停止采集的时间设置为视觉刺激结束后0.7s;
步骤2,信号预处理模块进行脑电信号预处理:
利用切比雪夫I型滤波器,将脑电信号滤波到2~30Hz;再通过共平均参考,将多通道脑电信号降维处理,采用差分思想,将各个通道脑电信号数据进行叠加平均作为虚拟参考电极,并将其它电极测得的信号与虚拟参考电极信号相减来消除噪声干扰,其表达式如下:
步骤3,混沌***设计模块建立混沌***:
3.1)以Duffing方程建立初始混沌动力学***,其方程表达式为:
其中,k——阻尼系数;ax+bx3——非线性恢复力;a——弹簧的线性刚性系数;b——弹簧的非线性刚性系数;γcos(ωt)——内置周期驱动力;γ——驱动力的幅值;
3.2)通过外加脑电模板信号作为s(t),再利用经验参数对初始混沌动力学***进行配置,其方程表达式为:
3.3)利用配置混沌动力学***相轨迹和分岔图,判断配置混沌动力学***从混沌态到周期态突变的相点,确定γ参数的大小,从而完成混沌***的建立;
步骤4,特征识别模块进行SSVEP特征识别:
4.1)通过调整参数γ,将混沌***设置为混沌态向大尺度周期态突变的临界状态,索引待测信号对应的单个棋盘格运动刺激单元刺激频率,将内置驱动力的频率ω设置为与目标频率相同;
4.2)引入步骤2预处理后的SSVEP信号,通过观察混沌***的相轨迹图,判断混沌***是否发生状态变化;若从混沌态突变为大尺度周期态,则待测信号存在目标频率特征;若无,则定步长调整内置驱动力信号的相位,直到一个循环结束,循环内只要出现状态突变,则判断待测信号存在目标频率特征,若无,则目标频率特征未被诱发;
4.3)单次识别结束后,重复步骤4.2),实现对多试次的SSVEP信号进行识别,记录识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110276412.8A CN113017653A (zh) | 2021-03-15 | 2021-03-15 | 基于混沌检测原理的稳态视觉诱发电位识别***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110276412.8A CN113017653A (zh) | 2021-03-15 | 2021-03-15 | 基于混沌检测原理的稳态视觉诱发电位识别***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113017653A true CN113017653A (zh) | 2021-06-25 |
Family
ID=76468971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110276412.8A Pending CN113017653A (zh) | 2021-03-15 | 2021-03-15 | 基于混沌检测原理的稳态视觉诱发电位识别***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113017653A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673440A (zh) * | 2021-08-23 | 2021-11-19 | 西安交通大学 | 一种基于fhn-cca融合的ssvep多尺度噪声转移及特征频率检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105520731A (zh) * | 2016-01-19 | 2016-04-27 | 西京学院 | 一种基于hbc的预防癫痫发作的穿戴式医疗设备 |
CN108294748A (zh) * | 2018-01-23 | 2018-07-20 | 南京航空航天大学 | 一种基于稳态视觉诱发的脑电信号采集与分类方法 |
CN110222643A (zh) * | 2019-06-06 | 2019-09-10 | 西安交通大学 | 一种基于卷积神经网络的稳态视觉诱发电位信号分类方法 |
US20190307356A1 (en) * | 2018-04-09 | 2019-10-10 | Massachusetts Institute Of Technology | Brain-computer interface for user's visual focus detection |
-
2021
- 2021-03-15 CN CN202110276412.8A patent/CN113017653A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105520731A (zh) * | 2016-01-19 | 2016-04-27 | 西京学院 | 一种基于hbc的预防癫痫发作的穿戴式医疗设备 |
CN108294748A (zh) * | 2018-01-23 | 2018-07-20 | 南京航空航天大学 | 一种基于稳态视觉诱发的脑电信号采集与分类方法 |
US20190307356A1 (en) * | 2018-04-09 | 2019-10-10 | Massachusetts Institute Of Technology | Brain-computer interface for user's visual focus detection |
CN110222643A (zh) * | 2019-06-06 | 2019-09-10 | 西安交通大学 | 一种基于卷积神经网络的稳态视觉诱发电位信号分类方法 |
Non-Patent Citations (1)
Title |
---|
X.Q. LI等: "A Chaotic Detection Method for Steady-State Visual Evoked Potentials", 《IFMBE PROCEEDINGS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673440A (zh) * | 2021-08-23 | 2021-11-19 | 西安交通大学 | 一种基于fhn-cca融合的ssvep多尺度噪声转移及特征频率检测方法 |
CN113673440B (zh) * | 2021-08-23 | 2024-04-05 | 西安交通大学 | 一种基于fhn-cca融合的ssvep多尺度噪声转移及特征频率检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Enhanced motor imagery training using a hybrid BCI with feedback | |
CN110222643B (zh) | 一种基于卷积神经网络的稳态视觉诱发电位信号分类方法 | |
CN103399639B (zh) | 基于ssvep和p300联合脑机接口方法及装置 | |
CN101339455B (zh) | 基于人脸识别特异性波n170成分的脑机接口*** | |
Cao et al. | Flashing color on the performance of SSVEP-based brain-computer interfaces | |
CN109521870A (zh) | 一种基于rsvp范式的视听觉结合的脑-机接口方法 | |
CN103019382B (zh) | 一种利用诱发电位反映脑部主观动机信号的脑机接口方法 | |
CN111580643B (zh) | 一种基于稳态不对称视觉诱发电位的脑-机接口方法 | |
CN112732082A (zh) | 基于附加汉字默读运动想象方式的脑-机接口方法 | |
Ko et al. | Enhancing the hybrid BCI performance with the common frequency pattern in dual-channel EEG | |
CN106648087B (zh) | 一种基于意识任务的特征eeg处理方法 | |
Nawrocka et al. | Brain-computer interface based on steady-state visual evoked potentials (SSVEP) | |
CN113017653A (zh) | 基于混沌检测原理的稳态视觉诱发电位识别***及方法 | |
CN101339413B (zh) | 基于脑电中人脸识别特异性波的开关控制方法 | |
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 | |
CN104793743B (zh) | 一种虚拟社交***及其控制方法 | |
CN108319367B (zh) | 一种基于运动起始诱发电位的脑机接口方法 | |
CN112545460B (zh) | 基于视-听双任务的脑力负荷检测方法 | |
KR101577994B1 (ko) | 뇌파 신호로부터 동잡음을 제거하는 동잡음 제거 방법 | |
Akhanda et al. | Detection of cognitive state for brain-computer interfaces | |
CN113180706B (zh) | 一种基于fhn随机共振的ssvep特征频率提取方法 | |
Zhao et al. | Research on steady state visual evoked potential based on FBCCA | |
CN109044350A (zh) | 一种脑电信号采集装置及检测方法 | |
CN113673440B (zh) | 一种基于fhn-cca融合的ssvep多尺度噪声转移及特征频率检测方法 | |
Li et al. | Based on Double-layer Stimulation SSVEP Character Input System |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210625 |
|
RJ01 | Rejection of invention patent application after publication |