本發(fā)明屬于腦電信號處理的技術(shù)領(lǐng)域，尤其涉及一種運動想象腦電信號特征提取與分類系統(tǒng)及方法。

背景技術(shù)：

目前，腦機接口技術(shù)作為一種全新的通信和控制技術(shù)，可以為思維正常但有嚴重運動障礙的患者提供語言交流和環(huán)境控制手段。其中，腦機接口被定義為能夠使人不依賴周圍神經(jīng)系統(tǒng)和肌肉、而與外界進行通信或控制的設(shè)備。腦機接口技術(shù)不僅應用于未患者提供語言交流和環(huán)境控制，在自動控制、軍事認知等科學領(lǐng)域也有潛在的應用價值。鑒于其巨大的應用前景，腦機接口已經(jīng)引起國際科學界的高度重視，稱為腦科學、康復工程、生物醫(yī)學工程及人機控制領(lǐng)域的一個研究熱點。

在所有能夠被監(jiān)測到的反映大腦活動的信號中，由于腦電信號(electroencephalogram，eeg)具有較好的時間分辨率，監(jiān)測儀器較簡單，非入侵等優(yōu)點，被大部分腦機接口系統(tǒng)所采納。

在所有基于eeg信號的腦機接口系統(tǒng)中，能夠被用作控制信號的大腦活動信號有：視覺誘發(fā)電位、p300事件相關(guān)電位、運動想象、皮層慢電位等幾種。其中，針對運動想象信號，基于運動想象的腦機接口的理論基礎(chǔ)是：當人進行某中意識活動時，大腦皮層的對應區(qū)域處于活動狀態(tài)，這些區(qū)域產(chǎn)生的μ節(jié)律和β波的低頻部分將出現(xiàn)幅度衰減，即事件相關(guān)去同步(event-relateddesynchronization，erd)；在某一時刻，大腦皮層的局部區(qū)域沒有受到意識模式的激勵，該區(qū)域內(nèi)的腦電信號eeg局部成分將出現(xiàn)幅度的增強，即事件相關(guān)同步(event-relatedsynchronization，ers)?；趀rd/ers的腦機接口系統(tǒng)主要是辨別運動想象思維作業(yè)的eeg信號，比如想象左手、右手、腳、舌的運動，從而產(chǎn)生不同的控制命令。

目前，基于運動想象腦機接口系統(tǒng)的研究是目前腦機接口的研究熱點之一。主要原因是ers/erd現(xiàn)象的生理依據(jù)和數(shù)學模型已被許多科研機構(gòu)研究和證明，并成為目前探討正常和病理狀態(tài)下識別感覺、運動和認知功能最為常用的方法。另外，該現(xiàn)象中的μ節(jié)律和β波變化不需要外界刺激誘發(fā)，便于受試者訓練和控制，進而成為腦機接口研究最受歡迎的實現(xiàn)途徑。

但是，目前基于運動想象的腦機接口在特征提取與分類方面存在如下問題：

(1)分類種類少：基于不同運動想象思維作業(yè)的特征提取與分類十分困難，目前能夠區(qū)分的最多的運動想象思維作業(yè)是六種。分類種類少限制了腦機接口的應用范圍；

(2)分類精度不高：隨著運動想象種類的增加，分類精度隨之下降；

(3)無法隨時區(qū)分工作與休息狀態(tài)：腦機接口若要用戶長期佩戴，就需要持續(xù)工作，則相應腦機接口系統(tǒng)需要能夠區(qū)分用戶的運動想象狀態(tài)和休息狀態(tài)，用戶不可能長時間處于運動想象的控制狀態(tài)。目前的腦機接口系統(tǒng)還不具備該功能。

綜上所述，對于基于運動想象的腦機接口在特征提取與分類方面分類種類少、分類精度低和無法隨時區(qū)分工作與休息狀態(tài)的問題，尚缺乏有效的解決方案。

技術(shù)實現(xiàn)要素：

本發(fā)明為了解決上述問題，克服現(xiàn)有技術(shù)中基于運動想象的腦機接口在特征提取與分類方面存在的分類種類少、分類精度低和無法隨時區(qū)分工作與休息狀態(tài)的問題，提供一種運動想象腦電信號特征提取與分類系統(tǒng)及方法。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種運動想象腦電信號特征提取與分類系統(tǒng)，該系統(tǒng)包括訓練模塊和測試模塊；

所述訓練模塊被配置為將腦機接口系統(tǒng)采集的運動想象腦電信號作為訓練數(shù)據(jù)進行格式轉(zhuǎn)換、特征點提取、特征向量計算、降維、字典學習和類別直方圖計算，得到訓練字典及訓練數(shù)據(jù)的類別直方圖的模塊；

所述測試模塊被配置為將腦機接口系統(tǒng)采集的運動想象腦電信號作為測試數(shù)據(jù)進行格式轉(zhuǎn)換、特征點提取、特征向量計算、降維，利用訓練模塊中的訓練字典得到測試數(shù)據(jù)的稀疏表達，得到測試數(shù)據(jù)的類別直方圖，并根據(jù)訓練數(shù)據(jù)的類別直方圖與測試數(shù)據(jù)的類別直方圖的對比結(jié)果進行測試數(shù)據(jù)分類的模塊。

進一步的，所述訓練模塊包括第一腦電信號存儲模塊，所述第一腦電信號存儲模塊將腦機接口系統(tǒng)采集的運動想象腦電信號作為訓練數(shù)據(jù)存儲；

所述測試模塊包括第二腦電信號存儲模塊，所述第二腦電信號存儲模塊將腦機接口系統(tǒng)采集的運動想象腦電信號作為測試數(shù)據(jù)存儲。

本發(fā)明為了解決上述問題，克服現(xiàn)有技術(shù)中基于運動想象的腦機接口在特征提取與分類方面存在的分類種類少、分類精度低和無法隨時區(qū)分工作與休息狀態(tài)的問題，提供一種運動想象腦電信號特征提取與分類系統(tǒng)及方法。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種運動想象腦電信號特征提取與分類方法，該方法基于一種運動想象腦電信號特征提取與分類系統(tǒng)，該方法的具體步驟包括：

(1)對運動想象腦電信號的訓練：將腦機接口系統(tǒng)采集的運動想象腦電信號作為訓練數(shù)據(jù)進行格式轉(zhuǎn)換、特征點提取、特征向量計算、降維、字典學習和類別直方圖計算，得到訓練字典及訓練數(shù)據(jù)的類別直方圖；

(2)對運動想象腦電信號的測試：將腦機接口系統(tǒng)采集的運動想象腦電信號作為測試數(shù)據(jù)進行格式轉(zhuǎn)換、特征點提取、特征向量計算、降維，利用訓練模塊中的訓練字典得到測試數(shù)據(jù)的稀疏表達，得到測試數(shù)據(jù)的類別直方圖，并根據(jù)訓練數(shù)據(jù)的類別直方圖與測試數(shù)據(jù)的類別直方圖的對比結(jié)果進行測試數(shù)據(jù)分類。

進一步的，所述步驟(1)中對訓練數(shù)據(jù)進行格式轉(zhuǎn)換的具體步驟為：

將采集的運動想象腦電信號由二維信號轉(zhuǎn)換為三維信號：將第一腦電信號存儲模塊中存儲的腦機接口系統(tǒng)采集的運動想象腦電信號x∈ir^n×m×t構(gòu)建二維空間矩陣。

在對運動想象腦電信號的分析訓練中，建立能夠描述腦電信號空間信息的二維矩陣，將采集的運動想象腦電信號由二維信號轉(zhuǎn)換為三維信號，使得腦電信號描述過程中，不僅包含時間信息，也能夠包含空間信息。

進一步的，所述步驟(1)中對特征點提取和特征向量計算的具體步驟為：

(1-1)關(guān)鍵點檢測：第一腦電信號存儲模塊中存儲的腦機接口系統(tǒng)采集的運動想象腦電信號x∈ir^n×m×t表示為x＝[x1,x2,...,xt]；

對于x中的每個值利用harris關(guān)鍵點檢測器檢測關(guān)鍵點，針對檢測到的所有關(guān)鍵點提取大小為(η×η×t)的模塊；

(1-2)特征值提取：針對步驟(1-1)中的模塊所有值去均值，針對模塊里面的每一個像素沿著時間方向計算其方差m2，偏態(tài)m3和峰度m4，組成與模塊對應的時間矩陣mr,r＝{2,3,4}，其中mr＝[mij],i,j＝1,2,...,η

其中，vijt是位置在{i,j}的第t個時間片；

(1-3)特征向量計算：將步驟(1-2)中的每一個時間矩陣轉(zhuǎn)化為一個長度為η²的向量，時間矩陣mr,r＝{2,3,4}中r的三個值組成特征向量m∈ir^d，其中d＝3η²為關(guān)鍵點模塊的特征向量長度，

進一步的，所述步驟(1)中降維采用隨機投影(randomprojection)方法進行降維處理，具體步驟為：

記描述該運動想象特征向量m的矩陣為d∈ir^d×p，其中，d為關(guān)鍵點模塊的特征向量長度，p為關(guān)鍵點模塊的數(shù)量；

將維數(shù)為d的向量投影到一個維數(shù)為n的子空間中，其中n＜＜d；

通過矩陣d乘以一個隨機矩陣r來實現(xiàn)特征向量矩陣的降維處理，將特征向量矩陣維數(shù)降低為n×p：

y＝rd

其中，y∈ir^n×p為降維后的特征向量矩陣，r為隨機投影矩陣，r∈ir^n×d，均值為0,方差為1。

進一步的，所述步驟(1)中的字典學習根據(jù)降維后的特征向量矩陣y，通過壓縮傳感得到y(tǒng)的稀疏表達，具體步驟為：

利用k-svd算法，得到滿足下列公式的字典φ∈ir^n×m(m＞n)和稀疏表達式xi∈ir^m，其中，xi包含k(k<<n)個或更少的非零元素：

其中，||·||f是frobenius范數(shù)，||·||0是l0半范數(shù)，計算向量里包含的非零元素。

進一步的，所述步驟(2)中測試數(shù)據(jù)的稀疏表達計算的具體步驟為：

將步驟(2)中測試數(shù)據(jù)分別經(jīng)過格式轉(zhuǎn)換、特征點提取、特征向量計算、降維得到的降維后的特征向量矩陣q，結(jié)合步驟(1)中得到的字典φ，

根據(jù)：

得到測試數(shù)據(jù)的稀疏表達xq。

進一步的，所述步驟(1)中的訓練數(shù)據(jù)的類別直方圖和所述步驟(2)中的測試數(shù)據(jù)的類別直方圖分別根據(jù)：

得到，所述步驟(1)中的訓練數(shù)據(jù)的類別直方圖為hi，所述步驟(2)中的訓練數(shù)據(jù)的類別直方圖為hq；

所述步驟(2)中測試數(shù)據(jù)分類的具體步驟為：

根據(jù)：

確定所述測試數(shù)據(jù)的所述類別。

本發(fā)明的有益效果：

1.分類種類得到了提高：本發(fā)明的一種運動想象腦電信號特征提取與分類系統(tǒng)及方法，在步驟(1)的對運動想象腦電信號的訓練中，不同的思維作業(yè)可以建立一個共同的字典φ，在步驟(2)的對運動想象腦電信號的測試中，只要在訓練部分出現(xiàn)的思維作業(yè)，在測試過程中就可以檢測出該類別，因此，此種算法的分類種類得到了提高；

2.運動想象與休息狀態(tài)均可進行檢測：本發(fā)明的一種運動想象腦電信號特征提取與分類系統(tǒng)及方法，將休息狀態(tài)當做一種思維作業(yè)，在建立字典φ時考慮進去該狀態(tài)，則在后續(xù)的測試中，當出現(xiàn)休息狀態(tài)時，也可以檢測出用戶目前處于休息狀態(tài)；

3.分類速度較快：本發(fā)明的一種運動想象腦電信號特征提取與分類系統(tǒng)及方法，不同的思維作業(yè)建立一個共同的字典，在測試中不同的思維作業(yè)可以一次性得到分類結(jié)果。

附圖說明

圖1是本發(fā)明的方法流程圖；

圖2是本發(fā)明的國際10-20電極位置示意圖。

具體實施方式：

應該指出，以下詳細說明都是例示性的，旨在對本申請?zhí)峁┻M一步的說明。除非另有指明，本文使用的所有技術(shù)和科學術(shù)語具有與本申請所屬技術(shù)領(lǐng)域的普通技術(shù)人員通常理解的相同含義。

需要注意的是，這里所使用的術(shù)語僅是為了描述具體實施方式，而非意圖限制根據(jù)本申請的示例性實施方式。如在這里所使用的，除非上下文另外明確指出，否則單數(shù)形式也意圖包括復數(shù)形式，此外，還應當理解的是，當在本說明書中使用術(shù)語“包含”和/或“包括”時，其指明存在特征、步驟、操作、器件、組件和/或它們的組合。

在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互組合。下面結(jié)合附圖與實施例對本發(fā)明作進一步說明。

實施例1：

正如背景技術(shù)所介紹的，現(xiàn)有技術(shù)中基于運動想象的腦機接口在特征提取與分類方面存在的分類種類少、分類精度低和無法隨時區(qū)分工作與休息狀態(tài)的問題，提供一種運動想象腦電信號特征提取與分類系統(tǒng)及方法。

本申請的一種運動想象腦電信號特征提取與分類系統(tǒng)的實施方式中，

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種運動想象腦電信號特征提取與分類系統(tǒng)，該系統(tǒng)包括訓練模塊和測試模塊；

所述訓練模塊被配置為將腦機接口系統(tǒng)采集的運動想象腦電信號作為訓練數(shù)據(jù)進行格式轉(zhuǎn)換、特征點提取、特征向量計算、降維、字典學習和類別直方圖計算，得到訓練字典及訓練數(shù)據(jù)的類別直方圖的模塊；

所述測試模塊被配置為將腦機接口系統(tǒng)采集的運動想象腦電信號作為測試數(shù)據(jù)進行格式轉(zhuǎn)換、特征點提取、特征向量計算、降維，利用訓練模塊中的訓練字典得到測試數(shù)據(jù)的稀疏表達，得到測試數(shù)據(jù)的類別直方圖，并根據(jù)訓練數(shù)據(jù)的類別直方圖與測試數(shù)據(jù)的類別直方圖的對比結(jié)果進行測試數(shù)據(jù)分類的模塊。

所述訓練模塊包括第一腦電信號存儲模塊，所述第一腦電信號存儲模塊將腦機接口系統(tǒng)采集的運動想象腦電信號作為訓練數(shù)據(jù)存儲；

所述測試模塊包括第二腦電信號存儲模塊，所述第二腦電信號存儲模塊將腦機接口系統(tǒng)采集的運動想象腦電信號作為測試數(shù)據(jù)存儲。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種運動想象腦電信號特征提取與分類方法，該方法基于一種運動想象腦電信號特征提取與分類系統(tǒng)，如圖1所示，該方法的具體步驟包括：

(1)對運動想象腦電信號的訓練：將腦機接口系統(tǒng)采集的運動想象腦電信號作為訓練數(shù)據(jù)進行格式轉(zhuǎn)換、特征點提取、特征向量計算、降維、字典學習和類別直方圖計算，得到訓練字典及訓練數(shù)據(jù)的類別直方圖；

所述步驟(1)中腦機接口系統(tǒng)采集的運動想象腦電信號作為訓練數(shù)據(jù)的具體步驟為：

用戶佩戴eeg電極帽進行不同心理作業(yè)的運動想象，例如想象左手運動、右手運動，采集相應的腦電信號為x＝[xl:xr]并存儲于第一腦電信號存儲模塊中。

所述步驟(1)中對訓練數(shù)據(jù)進行格式轉(zhuǎn)換的具體步驟為：

將采集的運動想象腦電信號由二維信號轉(zhuǎn)換為三維信號：將第一腦電信號存儲模塊中存儲的腦機接口系統(tǒng)采集的運動想象腦電信號x∈ir^n×m×t構(gòu)建二維空間矩陣。

為了體現(xiàn)eeg信號的空間信息，采集到的eeg信號存儲為x∈ir^n×m×t,其中m＝n×m是為了體現(xiàn)eeg空間信息而構(gòu)建的二維空間矩陣，其依據(jù)是國際10－20電極位置圖，如圖2所示。若是標準的10－20電極位置圖，則構(gòu)建的二維空間矩陣m為一個5*5的二維矩陣，相應位置上的值為該電極上在不同時間點測量到的腦電信號電壓值，為0的位置則表示該點沒有測量信號，該點的值始終為0。t是采集的時間點，若采集時間為1秒，采集頻率為128,則t＝128。

經(jīng)過此種數(shù)據(jù)轉(zhuǎn)換，測量到的腦電信號則為的三維信號，也可以看作一個的圖像隨著時間的變化而變化的錄像。

在對運動想象腦電信號的分析訓練中，建立能夠描述腦電信號空間信息的二維矩陣，將采集的運動想象腦電信號由二維信號轉(zhuǎn)換為三維信號，使得腦電信號描述過程中，不僅包含時間信息，也能夠包含空間信息。

當大腦進行不同的運動想象時，不同電極位置上的腦電信號會隨著時間的推移進行變化。同一種運動想象任務導致的這種變化是相似的，特征提取的任務就是針對某一種運動想象任務找到能夠描述這種相似性的東西。

所述步驟(1)中對特征點提取和特征向量計算的具體步驟為：

(1-1)關(guān)鍵點檢測：第一腦電信號存儲模塊中存儲的腦機接口系統(tǒng)采集的運動想象腦電信號x∈ir^n×m×t表示為x＝[x1,x2,...,xt]；

針對x1,利用harris關(guān)鍵點檢測器檢測到x1的ρ個關(guān)鍵點。特征提取的任務就是觀察這ρ個關(guān)鍵點在后面的(t-1)個時間點上是如何變化的。針對這ρ個關(guān)鍵點，提取大小為(η×η×t)的模塊。

(1-2)特征值提取：針對步驟(1-1)中的模塊所有值去均值，針對模塊里面的每一個像素沿著時間方向計算其方差m2，偏態(tài)m3和峰度m4，組成與模塊對應的時間矩陣mr,r＝{2,3,4}，其中mr＝[mij],i,j＝1,2,...,η

其中，vijt是位置在{i,j}的第t個時間片；

(1-3)特征向量計算：將步驟(1-2)中的每一個時間矩陣轉(zhuǎn)化為一個長度為η²的向量，時間矩陣mr,r＝{2,3,4}中r的三個值組成特征向量m∈ir^d，其中d＝3η²為關(guān)鍵點模塊的特征向量長度，

在本實施例中，設(shè)其中一個模塊為v∈ir^η×η×t,首先對該模塊所有值去均值，然后針對模塊里面的每一個像素沿著時間方向計算其方差m2，偏態(tài)m3和峰度m4。

假設(shè)與模塊v相關(guān)的時間矩陣為mr,r＝{2,3,4}，其中mr＝[mij],i,j＝1,2,...,η

其中

其中vijt是位置在{i,j}的第t個時間片。每一個時間矩陣都可以轉(zhuǎn)化為一個長度為η²的向量，,因此r的三個值可以組成向量m∈ir^d，其中d＝3η²

上述方法得到的特征向量一般都是高維數(shù)的，對后續(xù)的計算十分不利。

在本實施例中，在不損失信號特征的情況下，所述步驟(1)中降維采用隨機投影(randomprojection)方法進行降維處理，具體步驟為：

訓練數(shù)據(jù)腦電信號得到了p個關(guān)鍵點模塊，每一個關(guān)鍵點模塊的特征向量長度為d，

記描述該運動想象特征向量m的矩陣為d∈ir^d×p，其中，d為關(guān)鍵點模塊的特征向量長度，p為關(guān)鍵點模塊的數(shù)量；

將維數(shù)為d的向量投影到一個維數(shù)為n的子空間中，其中n＜＜d；

通過矩陣d乘以一個隨機矩陣r來實現(xiàn)特征向量矩陣的降維處理，將特征向量矩陣維數(shù)降低為n×p：

y＝rd

其中，y∈ir^n×p為降維后的特征向量矩陣，r為隨機投影矩陣，r∈ir^n×d，均值為0,方差為1。

所述步驟(1)中的字典學習根據(jù)降維后的特征向量矩陣y，通過壓縮傳感得到y(tǒng)的稀疏表達，具體步驟為：

利用k-svd算法，得到滿足下列公式的字典φ∈ir^n×m(m＞n)和稀疏表達式xi∈ir^m，其中，xi包含k(k<<n)個或更少的非零元素：

其中，||·||f是frobenius范數(shù)，||·||0是l0半范數(shù)，計算向量里包含的非零元素。

k-svd是一種經(jīng)典的字典訓練算法，依據(jù)誤差最小原則，對誤差項進行svd分解，選擇使誤差最小的分解項作為更新的字典原子和對應的原子系數(shù)，經(jīng)過不斷的迭代從而得到優(yōu)化的解。

在本實施例中對壓縮感知技術(shù)進行應用，將降維后的特征向量矩陣y壓縮之后，得到稀疏表達的字典，后續(xù)的腦電信號利用該字典建立自己的稀疏表達，并利用：若后續(xù)的腦電信號屬于訓練字典時存在的某一種思維作業(yè)，則在該思維作業(yè)部分的稀疏表達系數(shù)應該包含最少的非零值，并建立稀疏表達直方圖進行思維作業(yè)的分類。不同種類的腦電信號建立一個共同的字典，一旦字典建立，后續(xù)步驟(2)的分類過程將節(jié)省大量時間。

若在字典訓練過程中，認為用戶休息的狀態(tài)為一種思維作業(yè)，則在后續(xù)分類過程中，也能隨時把用戶休息的狀態(tài)分辨出來，因此解決了目前大多數(shù)腦機接口系統(tǒng)無法解決的問題，實現(xiàn)了用戶長期使用腦機接口，腦機接口系統(tǒng)可以識別用戶的工作狀態(tài)和休息狀態(tài)。

所述步驟(1)中的訓練數(shù)據(jù)類別直方圖hi＝[h1,h2,...,hk]根據(jù)下式計算得到：

在本實施例中，步驟(1)訓練部分結(jié)束，得到兩個結(jié)果：1)學習字典φ；2)類別直方圖hi＝[h1,h2,...,hk]。

(2)對運動想象腦電信號的測試：將腦機接口系統(tǒng)采集的運動想象腦電信號作為測試數(shù)據(jù)進行格式轉(zhuǎn)換、特征點提取、特征向量計算、降維，步驟(2)中測試數(shù)據(jù)的格式轉(zhuǎn)換、特征點提取、特征向量計算與步驟(1)采用的方法公式完全一致，這里就不贅述了。

利用訓練模塊中的訓練字典得到測試數(shù)據(jù)的稀疏表達，得到測試數(shù)據(jù)的類別直方圖。

所述步驟(2)中測試數(shù)據(jù)的稀疏表達計算的具體步驟為：

將步驟(2)中測試數(shù)據(jù)分別經(jīng)過格式轉(zhuǎn)換、特征點提取、特征向量計算、降維得到的降維后的特征向量矩陣q，結(jié)合步驟(1)中得到的字典φ，

根據(jù)：

得到測試數(shù)據(jù)的稀疏表達xq。

所述步驟(2)中的測試數(shù)據(jù)的類別直方圖分別根據(jù)：

得到，所述步驟(2)中的測試數(shù)據(jù)的類別直方圖為hq；

根據(jù)訓練數(shù)據(jù)的類別直方圖與測試數(shù)據(jù)的類別直方圖的對比結(jié)果進行測試數(shù)據(jù)分類。

所述步驟(2)中測試數(shù)據(jù)分類的具體步驟為：

根據(jù)：

確定所述測試數(shù)據(jù)的所述類別。

本發(fā)明的有益效果：

1.分類種類得到了提高：本發(fā)明的一種運動想象腦電信號特征提取與分類系統(tǒng)及方法，在步驟(1)的對運動想象腦電信號的訓練中，不同的思維作業(yè)可以建立一個共同的字典φ，在步驟(2)的對運動想象腦電信號的測試中，只要在訓練部分出現(xiàn)的思維作業(yè)，在測試過程中就可以檢測出該類別，因此，此種算法的分類種類得到了提高；

2.運動想象與休息狀態(tài)均可進行檢測：本發(fā)明的一種運動想象腦電信號特征提取與分類系統(tǒng)及方法，將休息狀態(tài)當做一種思維作業(yè)，在建立字典φ時考慮進去該狀態(tài)，則在后續(xù)的測試中，當出現(xiàn)休息狀態(tài)時，也可以檢測出用戶目前處于休息狀態(tài)；

3.分類速度較快：本發(fā)明的一種運動想象腦電信號特征提取與分類系統(tǒng)及方法，不同的思維作業(yè)建立一個共同的字典，在測試中不同的思維作業(yè)可以一次性得到分類結(jié)果。

以上所述僅為本申請的優(yōu)選實施例而已，并不用于限制本申請，對于本領(lǐng)域的技術(shù)人員來說，本申請可以有各種更改和變化。凡在本申請的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應包含在本申請的保護范圍之內(nèi)。