用于運動康復的方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供了一種對運動想象檢測模塊進行校準的方法和用于運動康復的系統(tǒng)。該方法包括：從對象獲取腦電圖（EEG）數據；從EEG數據中選擇分類特征；其中，特征選擇包括通過M個子類xj，j=1，…，M對對象的空閑狀態(tài)ωn進行建模。
【專利說明】用于運動康復的方法和系統(tǒng)
【技術領域】
[0001]本發(fā)明概括地涉及對運動想象檢測模塊進行校準的方法，而且還涉及用于運動康復的系統(tǒng)。
【背景技術】
[0002]腦機接口(Brain Computer Interface, BCI)用作人腦和外部設備之間的直接交流路徑。此外，BCI系統(tǒng)還可提供用于數學方法的發(fā)展和多通道信號處理以從大腦活動推導命令信號的重要試驗臺。由于其直接使用大腦活動的電子簽名來響應外部刺激，故對遭受嚴重神經肌肉障礙并因此無法通過正常神經肌肉途徑交流的癱瘓對象特別有用。腦電圖(Electroencephalogram, EEG)是一種廣泛使用的技術，由于其優(yōu)點(諸如無創(chuàng)性質和低成本)而超越許多現有的腦信號測量技術。
[0003]關于康復，當前，中風康復通常涉及由人類治療師執(zhí)行的物理療法。機器人康復可輔助人類治療師并且使無法從人類治療師處獲得的新奇康復訓練成為可能。基于機器人康復的涉及腦機接口(BCI)的臨床試驗當前正在發(fā)展，并且超過標準機器人康復的一些優(yōu)點包括僅在運動意圖被檢測到時對患者進行機器人輔助，并且對運動意圖的檢測被校準至患者特有的運動想象腦電圖(EEG)。
[0004]然而，除了僅處于臨床試驗水平之外，還應相信，當前技術通常被限制為肢體(gp人的臂和腿)的康復。
[0005]此外，為了將EEG數據用于康復目的，EEG數據通常被模型化為運動控制數據和空閑狀態(tài)數據。通常，空閑狀態(tài)數據不會單獨模型化，而是使用單模態(tài)方法類似地模型化以控制數據。選取這種方法是因為對空閑狀態(tài)數據建模是復雜且困難的。單模態(tài)方法的一個問題在于，當對象替代地處于空閑 狀態(tài)例如沒有進行任何精神控制時，BCI系統(tǒng)可能接收到假陽性檢測信號控制數據。
[0006]因此，需要解決上述問題中的至少一個問題的對運動想象檢測模塊進行校準的方法和用于運動康復的系統(tǒng)。

【發(fā)明內容】

[0007]根據本發(fā)明的第一方面，提供了一種對運動想象檢測模塊進行校準的方法，所述方法包括:從對象獲取腦電圖(EEG)數據；從所述EEG數據中選擇分類特征；其中，所述特征選擇包括通過M個子類Xj, j = I,..., M對所述對象的空閑狀態(tài)ωη進行建模。
[0008]選擇分類特征可包括:對于EEG數據的多個頻帶中的每一個，使用多時間段計算用于空間濾波的投影矩陣。
[0009]選擇分類特征還可包括:計算每個頻帶的候選特征。
[0010]選擇分類特征還可包括:對于每個頻帶，計算每個候選特征的互信息。
[0011]選擇分類特征還可包括:對于每個頻帶，選擇與運動想象動作和休息分別具有最大互信息的候選特征。[0012]該方法還可包括使用所選擇的特征對非線性回歸模型進行訓練。
[0013]該方法還可包括使用來自對所述非線性回歸模型進行訓練的輸出來訓練非線性后處理回歸模型。
[0014]根據本發(fā)明的第二方面，提供了一種運動康復方法，該方法包括:從對象的腦電圖(EEG)數據提取特征，其中所述特征的提取包括使用包括M個子類Xj，j = 1，…，M的用于所述對象的空閑狀態(tài)ωη的多模態(tài)模型；使用康復模塊對所述多模態(tài)模型針對運動控制信號的輸出進行監(jiān)測；以及如果檢測到運動控制信號，則向所述對象施加功能性電刺激(FES)。
[0015]根據本發(fā)明的第三方面，提供了一種用于運動想象檢測的系統(tǒng)，該系統(tǒng)包括:能夠從對象獲取腦電圖(EEG)數據的處理器；其中，所述處理器還能夠從所述EEG數據中選擇分類特征；以及其中，所述特征的提取包括通過M個子類Xj，j = 1，…，M對所述對象的空閑狀態(tài)ωη進行建模。
[0016]選擇分類特征可包括:對于所述EEG數據的多個頻帶中的每一個，使用多時間段計算用于空間濾波的投影矩陣。
[0017]選擇分類特征還可包括:計算每個頻帶的候選特征。
[0018]選擇分類特征的步驟還可包括:對于每個頻帶，計算每個候選特征的互信息。
[0019]選擇分類特征還可包括:對于每個頻帶，選擇與運動想象動作和休息分別具有最大互信息的候選特征。
[0020]該處理器還能夠使用所選擇的特征對非線性回歸模型進行訓練。
[0021]該處理器還能夠使用來自對所述非線性回歸模型進行訓練的輸出來訓練非線性后處理回歸模型。
[0022]根據本發(fā)明的第四方面，提供了一種用于運動康復的系統(tǒng)，該系統(tǒng)包括:輸入裝置，用于獲取對象的腦電圖(EEG)數據；處理器，能夠使用包括M個子類Xj，j = 1，…，M的用于所述對象的空閑狀態(tài)ωη的多模態(tài)模型從所述EEG數據提取特征；康復模塊，對由所述處理器提供的針對運動控制信號的輸出進行監(jiān)測，所述康復模塊能夠向所述對象施加功能性電刺激(FES)。
[0023]根據本發(fā)明的第五方面，提供了一種計算機可讀數據存儲介質，其上存儲有用于命令計算機處理器執(zhí)行第一方面所述的對運動想象檢測模塊進行校準的方法的計算機代碼。
[0024]根據本發(fā)明的第六方面，提供了一種計算機可讀數據存儲介質，其上存儲有用于命令計算機處理器執(zhí)行第二方面所述的運動康復的方法的計算機代碼。
[0025]根據本發(fā)明的第七方面，提供了一種用于基于交互的腦機接口( BCI)的方法，該方法包括以下步驟:獲取對象的EEG數據；對所述EEG數據進行處理以確定所述對象的運動想象；使用檢測設備檢測所述對象的吞咽運動；以及基于所述運動想象、所述運動、或所述運動想象和所述運動向所述對象提供反饋；其中，提供所述反饋包括激活刺激元件以向所述對象的喉部肌肉提供刺激。
[0026]該方法可包括:對所述EEG數據進行處理以確定個人是否執(zhí)行特定吞咽運動想象；以及如果所述特定吞咽運動想象被執(zhí)行，則激活所述刺激元件。
[0027]在所述特定吞咽運動想象被執(zhí)行的情況下，反饋還可包括對所述個人的單獨的視覺反饋。[0028]該方法可包括:確定所述個人是否執(zhí)行吞咽運動；以及如果所述吞咽運動被執(zhí)行，則激活所述刺激元件。
[0029]在所述吞咽運動被執(zhí)行的情況下，該反饋還可包括對所述個人的單獨的視覺反饋。
[0030]對所述對象是否執(zhí)行所述吞咽運動的確認可以在一個時間段內進行。
[0031]對所述EEG數據進行的處理可包括使用被訓練的分類算法。
[0032]訓練分類算法可包括:將所述EEG數據分為多個段；對于每個段，將相應的EEG信號部分分為多個頻帶；對于每個頻帶，基于CSP算法和相應特征計算空間濾波投影矩陣，并且計算每個相應特征相對于一個或多個運動想象類的互信息；對于每個段，對相對于各個類的所有相應特征的互信息進行求和，以及選擇針對一個類具有最大的互信息和的段的相應特征以進行訓練。
[0033]該方法還可包括使用被選擇的相應特征來訓練所述分類算法的分類器。
[0034]訓練分類器可包括使用被選擇的相應特征訓練非線性回歸、以及使用來自所述非線性回歸的輸出訓練非線性后處理回歸。
[0035]基于CSP算法計算空間濾波投影矩陣可包括使用用于每個頻帶的多模態(tài)多時間段。
[0036]用于每個頻率組的多模態(tài)`多時間段可包括空閑狀態(tài)的多模態(tài)表示。
[0037]根據本發(fā)明的第八方面，提供了一種腦機接口系統(tǒng)，包括:用于獲取對象的EEG數據的裝置；用于對所述EEG數據進行處理以確定所述對象的運動想象的裝置；用于使用檢測設備檢測所述對象的吞咽運動的裝置；以及基于所述運動想象、所述運動、或所述運動想象和所述運動向所述對象提供反饋的裝置；其中，提供所述反饋的裝置包括用于向所述對象提供刺激的刺激元件。
[0038]刺激可包括功能性電刺激。
[0039]該系統(tǒng)還可包括基于所述運動想象、所述運動、或所述運動想象和所述運動向所述對象提供視覺反饋的屏幕。
[0040]根據本發(fā)明的第九方面，提供了一種計算機可讀數據存儲介質，其上存儲有用于命令計算機處理器執(zhí)行第七方面所述的基于交互的腦機接口(BCI)的方法的計算機代碼。
【專利附圖】

【附圖說明】
[0041]僅通過實施例并結合附圖，從下面的文字性描述中，本發(fā)明的實施方式將得到更好地理解并且對于本領域技術人員來說更容易顯而易見，在附圖中:
[0042]圖1是示出示例性實施方式中用于中風/吞咽康復的基于腦機接口(BCI)系統(tǒng)的無創(chuàng)腦電圖(EEG)的示意圖；
[0043]圖2是概括地示出示例性實施方式中舌頭運動想象檢測模塊的校準/構造的示意性流程圖；
[0044]圖3是示出示例性實施方式中校準和使用舌頭運動想象檢測模塊的過程的示意圖；
[0045]圖4是示出示例性實施方式中運動想象檢測模塊的校準過程的示意性流程圖；
[0046]圖5是示出示例性實施方式中使用EEG數據和腦電圖(EMG)數據以向對象提供功能性電刺激(FES)的示意圖；
[0047]圖6是示出示例性實施方式中用于激活吞咽康復以治療中度吞咽困難的觸發(fā)器的不意圖；
[0048]圖7是示出示例性實施方式中EEG分解為多個時間段和頻率組的示意圖；
[0049]圖8是示出多模態(tài)方法和單模態(tài)方法在對空閑狀態(tài)建模中的區(qū)別的示意圖；
[0050]圖9是示出示例性實施方式中對運動想象檢測模塊進行校準的方法的示意性流程圖；
[0051]圖10是示出示例性實施方式中運動康復的方法的示意性流程圖；
[0052]圖11是示 出示例性實施方式中用于基于交互的腦機接口(BCI)的方法的示意性流程圖；
[0053]圖12是用于實施示例性實施方式中的對運動想象檢測模塊和/或運動康復進行校準的方法和系統(tǒng)的計算機系統(tǒng)的示意圖。
【具體實施方式】
[0054]以下描述的一部分明確地或者暗含地涉及算法和對計算機存儲器內數據的操作的功能或者符號表示。這些算法的描述和功能或者符號表示是數據處理領域內技術人員用于更有效地向本領域內其它技術人員表達他們工作實質的方法。此處通常將算法設想為生成期望結果的一系列有條理的步驟。這些步驟是需要對諸如能夠存儲、傳送、組合、對比以及通過其它方式操控的電、磁或者光信號的物理量進行物理操控的步驟。
[0055]除非特別說明，否則如以下可顯而易見地，應該理解本說明書通篇使用的諸如“掃描”、“計算”、“確定”、“置換”、“生成”、“初始”、“輸出”等術語的討論，涉及計算機系統(tǒng)或者類似電子設備的動作和處理，上述的電子設備將表示為計算機系統(tǒng)內物理量的數據操控和轉換成同樣表示為計算機系統(tǒng)或者其它信息存儲、傳輸或者顯示設備內物理量的其它數據。
[0056]本說明書還公開了用于執(zhí)行方法操作的設備。這種設備為所需的目的而特別構成，或者可以包括通用計算機或者其它由存儲在計算機中的計算機程序選擇性啟動或者重新配置的其它設備。本文介紹的算法和顯示不是固有地與任何具體計算機或者其它設備相關。各種通用機器可以根據本文教導的程序一起使用。可替換地，用于執(zhí)行所要求的方法步驟的更特殊的設備構造是可以適用的。常規(guī)的通用計算機的結構將在以下描述中介紹。
[0057]此外，由于可以由計算機代碼實施本文描述方法的各步驟對本領域技術人員是顯而易見的，因此本說明書還暗含地公開計算機程序。該計算機程序不試圖限制于任何具體的編程語言及其執(zhí)行。應該理解，可以使用多種編程語言及其代碼以執(zhí)行本文包含的公開的教導。此外，該計算機程序不試圖限制于任何具體的控制流。在不脫離本發(fā)明精神或者范圍的情況下，存在許多其它種類的、可以使用不同控制流的計算機程序。
[0058]而且，可以并行地而不是順序地執(zhí)行計算機程序的一個或者多個步驟。這種計算機程序可以存儲在任何計算機可讀介質上。計算機可讀介質可以包括的存儲設備諸如為磁盤或者光盤、存儲器芯片或者適于與通用計算機接口的其它存儲設備等。計算機可讀介質還可以包括諸如在因特網系統(tǒng)中的硬接線介質，或者諸如在GSM移動電話系統(tǒng)中的無線介質。當在這種通用計算機上加載和執(zhí)行計算機程序時，計算機程序有效地產生實施優(yōu)選方法的步驟的設備。[0059]本發(fā)明還可被實施為硬件模塊。更具體地，在硬件意義下，模塊是被設計為與其它部件或模塊一起使用的功能性硬件單元。例如，模塊可使用分立電子部件實施，或者其可以形成整個電子電路諸如特定用途集成電路(ASIC)的一部分。還存在許多其它可能。本領域技術人員應理解，該系統(tǒng)還可被實施為硬件和軟件模塊的組合。
[0060]圖1是示出示例性實施方式中用于中風/吞咽康復的基于腦機接口(BCI)系統(tǒng)102的無創(chuàng)腦電圖(EEG)的示意圖。
[0061]BCI系統(tǒng)102包括聯接至信號放大器106的舌頭運動想象檢測模塊104、聯接至信號放大器106的吞咽檢測模塊108、以及聯接至舌頭運動想象檢測模塊104和吞咽檢測模塊108的吞咽康復模塊110。
[0062]在示例性實施方式中，對象112向舌頭運動想象檢測模塊104提供EEG數據并且，如果可行，向吞咽檢測模塊108提供EMG數據。吞咽康復模塊110可向對象112提供吞咽功能性電刺激(FunctionalElectrical Stimulation, FES) 114 和突光鏡檢查反饋 116。
[0063]如果在吞咽康復模塊110處檢測到吞咽意圖，則熒光鏡檢查視頻116被呈現作為對患者/對象112的反饋。此外，吞咽FES 114被觸發(fā)以刺激患者/對象112的吞咽肌肉群。
[0064]在示例性實施方式中，對于具有中度吞咽困難的患者或對象，吞咽檢測模塊108還被校準以針對具有中度吞咽困難的患者檢測吞咽動作的對象特有的腦電圖(EMG)數據。
[0065]與健康對象相比，具有中度吞咽困難的患者可進行虛弱的吞咽，而非正常的吞咽動作。進行虛弱吞咽的能力允許使用從具有中度吞咽困難患者收集的EMG數據進行校準。
[0066]圖2是概略地示出示例性實施方式中舌頭運動想象檢測模塊的校準/構造的示意性流程圖202。在步驟204中，從對象獲得EEG數據。在步驟206中，使用EEG數據執(zhí)行候選特征提取。在步驟208 中，基于所提取的特征執(zhí)行分類特征選擇。在步驟210中，進行分類器學習。
[0067]示例性實施方式可通過構造對象專用的運動想象模型直接解決運動想象EEG的重要對象間變化性。在示例性實施方式中，EEG數據從執(zhí)行多個運動想象動作(例如，左手、右手、腳和舌頭運動想象)的患者/對象收集。
[0068]圖3是示出示例性實施方式中校準和使用舌頭運動想象檢測模塊的過程的示意性流程圖。該校準過程被示為訓練階段302，并且舌頭運動想象檢測模塊的使用被示為評估階段304。
[0069]在步驟306中，從對象獲得多時間段EEG數據。在步驟308中，采用多模態(tài)方法(Mult1-modal approach)對EEG數據的控制狀態(tài)和空閑狀態(tài)進行建模。在步驟310中，使用濾波器組共有空間模式(CommonSpatial Pattern, CSP)算法從各濾波器組和時間段提取CSP候選特征。在步驟312中，執(zhí)行分類特征選擇。在步驟314中，使用被選擇的特征執(zhí)行非線性回歸訓練。在步驟316中，執(zhí)行后處理。
[0070]在步驟318中，從對象獲得單個試驗EEG。在步驟320中，將濾波器組CSP算法用于對步驟318的EEG數據進行特征提取。在步驟322中，基于步驟312中的訓練從步驟320中所提取的特征獲得被選特征。在步驟324中，對被選特征執(zhí)行非線性回歸處理。在步驟326中，執(zhí)彳丁后處理。在步驟328中，提供運動意圖輸出。
[0071]圖3中的步驟將在下面詳細描述。[0072](在步驟306中)所獲得的EEG數據被分解為多個濾波器/頻率組和時間段，使得所謂的共有空間模式(CSP)算法被用于從各濾波器組和時間段中提取CSP特征。該處理的圖示稍后在圖7中提供。
[0073]來自各時間段和各濾波器組的EEG數據可使用以下等式進行線性變換:
[0074]y=ffTx (I)
[0075]其中X表示EEG數據的nX t矩陣；y表示不相關來源的nX t矩陣；W表示nXn時不變(time-1nvariant)變換矩陣；n是通道數；t是每個通道的EEG樣本的數量；以及τ表示轉置運算符。W=IiWpW2,…，wn]使得每個Wi代表具體的空間濾波器。
[0076]來自特定頻帶的運動想象狀態(tài)由ωρ表示，并且空閑狀態(tài)由ωη表示。稍后考慮來自多個頻帶的多個運動想象狀態(tài)。兩個狀態(tài)(即，運動想象狀態(tài)和空閑狀態(tài))的概率分別由Ρ(ωρ)和Ρ(ωη)表示，使得Ρ(ωρ)+Ρ(ωη) = I，并且類條件概率密度函數分別由ρ (χ | ω ρ)和P(x| ωη)表示，其中χ是EEG測量的隨機樣本。用于將χ分為兩類的所謂的貝葉斯(Bayes)誤差由以下等式給出:
【權利要求】
1.對運動想象檢測模塊進行校準的方法，所述方法包括: 從對象獲取腦電圖(EEG)數據； 從所述EEG數據中選擇分類特征； 其中，所述特征選擇包括通過M個子類Xj, j = I,..., M對所述對象的空閑狀態(tài)(^進行建模。
2.如權利要求1所述的方法，其中選擇所述分類特征包括:對于所述EEG數據的多個頻帶中的每一個，使用多時間段計算用于空間濾波的投影矩陣。
3.如權利要求2所述的方法，其中選擇所述分類特征還包括:計算每個頻帶的候選特征。
4.如權利要求3所述的方法，其中選擇所述分類特征還包括:對于每個頻帶，計算每個候選特征的互信息。
5.如權利要求4所述的方法，其中選擇所述分類特征還包括:對于每個頻帶，選擇與運動想象動作和休息分別具有最大互信息的候選特征。
6.如權利要求5所述的方法，還包括使用所選擇的特征對非線性回歸模型進行訓練。
7.如權利要求6所述的方法，還包括使用來自對所述非線性回歸模型進行訓練的輸出來訓練非線性后處理回歸模型。
8.運動康復的方法，所述方法包括: 從對象的腦電圖(EEG )數據提取特征，其中所述特征的提取包括使用包括M個子類Xj，j = 1，…，M的用于所述對象的空閑狀態(tài)ωη的多模態(tài)模型； 使用康復模塊對所述多模態(tài)模型針對運動控制信號的輸出進行監(jiān)測；以及 如果檢測到運動控制信號，則 向所述對象施加功能性電刺激(FES)。
9.用于運動想象檢測的系統(tǒng)，所述系統(tǒng)包括: 處理器，能夠從對象獲取腦電圖(EEG)數據； 其中，所述處理器還能夠從所述EEG數據中選擇分類特征；以及 其中，所述特征的提取包括通過M個子類Xj, j = I,..., M對所述對象的空閑狀態(tài)ωη進行建模。
10.如權利要求9所述的系統(tǒng)，其中選擇所述分類特征包括:對于所述EEG數據的多個頻帶中的每一個，使用多時間段計算用于空間濾波的投影矩陣。
11.如權利要求10所述的系統(tǒng)，其中選擇所述分類特征包括:對于每個頻帶，計算每個候選特征的互信息。
12.如權利要求11所述的系統(tǒng)，其中選擇所述分類特征包括:對于每個頻帶，計算每個候選特征的互信息。
13.如權利要求12所述的系統(tǒng)，其中選擇所述分類特征包括:對于每個頻帶，選擇與運動想象動作和休息分別具有最大互信息的候選特征。
14.如權利要求13所述的系統(tǒng)，其中所述處理器還能夠使用所選擇的特征對非線性回歸模型進行訓練。
15.如權利要求14所述的系統(tǒng)，其中所述處理器還能夠使用來自對所述非線性回歸模型進行訓練的輸出來訓練非線性后處理回歸模型。
16.用于運動康復的系統(tǒng)，所述系統(tǒng)包括: 輸入裝置，用于獲取對象的腦電圖(EEG)數據； 處理器，能夠使用包括M個子類Xj，j = 1，…，M的用于所述對象的空閑狀態(tài)ωη的多模態(tài)模型從所述EEG數據提取特征； 康復模塊，對由所述處理器提供的針對運動控制信號的輸出進行監(jiān)測，所述康復模塊能夠向所述對象施加功能性電刺激(FES)。
17.計算機可讀數據存儲介質，其上存儲有用于命令計算機處理器執(zhí)行如權利要求1所述的對運動想象檢測模塊進行校準的方法的計算機代碼。
18.計算機可讀數據存儲介質，其上存儲有用于命令計算機處理器執(zhí)行如權利要求8所述的運動康復的方法的計算機代碼。
19.一種用于基于交互的腦機接口(BCI)的方法，所述方法包括以下步驟: 獲取對象的EEG數據； 對所述EEG數據進行處理以確定所述對象的運動想象； 使用檢測設備檢測所述對象的吞咽運動；以及 基于所述運動想象、所述 運動、或所述運動想象和所述運動向所述對象提供反饋； 其中，提供所述反饋包括激活刺激元件以向所述對象的喉部肌肉提供刺激。
20.如權利要求19所述的方法，包括: 對所述EEG數據進行處理以確定所述個人是否執(zhí)行特定吞咽運動想象；以及 如果所述特定吞咽運動想象被執(zhí)行，則激活所述刺激元件。
21.如權利要求20所述的方法，其中，在所述特定吞咽運動想象被執(zhí)行的情況下，所述反饋還包括對所述個人的單獨的視覺反饋。
22.根據權利要求19至21中任一項所述的方法，包括: 確定所述個人是否執(zhí)行吞咽運動；以及 如果所述吞咽運動被執(zhí)行，則激活所述刺激元件。
23.如權利要求22所述的方法，其中，在所述吞咽運動被執(zhí)行的情況下，所述反饋還包括對所述個人的單獨的視覺反饋。
24.如權利要求22或23所述的方法，其中對所述對象是否執(zhí)行所述吞咽運動的確認在一個時間段內進行。
25.根據權利要求19至24中任一項所述的方法，其中對所述EEG數據進行的處理包括使用被訓練的分類算法。
26.如權利要求25所述的方法，其中訓練所述分類算法包括: 將所述EEG數據分為多個段， 對于每個段，將相應的EEG信號部分分為多個頻帶， 對于每個頻帶，基于CSP算法和相應特征計算空間濾波投影矩陣，并且計算每個相應特征相對于一個或多個運動想象類的互信息， 對于每個段，對相對于各個類的所有相應特征的互信息進行求和，以及 選擇針對一個類具有最大的互信息和的段的相應特征以進行訓練。
27.如權利要求26所述的方法，還包括使用被選擇的相應特征來訓練所述分類算法的分類器。
28.如權利要求27所述的方法，其中訓練所述分類器包括使用被選擇的相應特征訓練非線性回歸、以及使用來自所述非線性回歸的輸出訓練非線性后處理回歸。
29.如權利要求26至28中任一項所述的方法，其中基于所述CSP算法計算所述空間濾波投影矩陣包括使用用于每個頻帶的多模態(tài)多時間段。
30.如權利要求29所述的方法，其中所述用于每個頻帶的多模態(tài)多時間段包括空閑狀態(tài)的多模態(tài)表示。
31.一種腦機接口系統(tǒng)，包括: 用于獲取對象的EEG數據的裝置； 用于對所述EEG數據進行處理以確定所述對象的運動想象的裝置； 用于使用檢測設備檢測所述對象的吞咽運動的裝置；以及 基于所述運動想象、所述運動、或所述運動想象和所述運動向所述對象提供反饋的裝置； 其中，提供所述反饋的裝置包括用于向所述對象提供刺激的刺激元件。
32.如權利要求31所述的系統(tǒng)，其中所述刺激包括功能性電刺激。
33.如權利要求31或32所述的系統(tǒng)，還包括基于所述運動想象、所述運動、或所述運動想象和所述運動向所述個人提供視覺反饋的屏幕。
34.計算機可讀數據存儲介質，其上存儲有用于命令計算機處理器執(zhí)行如權利要求19所述的基于交互的腦機接口(BCI)的方法的計算機代碼。
【文檔編號】A61B5/04GK103429145SQ201180025248
【公開日】2013年12月4日 申請日期:2011年3月31日 優(yōu)先權日:2010年3月31日
【發(fā)明者】洪介卿, 關存太, 蔡瑞玉, 王傳初, 陳福源, 潘國順, 張海宏, 陳政揚 申請人:新加坡科技研究局, 陳篤生醫(yī)院有限公司