CN104375635A - 一种快速近红外脑机接口方法 - Google Patents

Abstract

本发明公开一种快速近红外脑机接口方法。本发明的方法主要特征为：利用多通道近红外光学脑信号采集系统实时获取使用者在脑机接口任务执行过程中产生的多通道近红外光学脑信号，将该信号预处理后，进行特征空间变换提取特征向量，并进行模式识别，判断使用者执行的脑机接口任务类别。本发明的优点在于其脑机接口任务的识别率和识别速度比以幅值为特征向量进行识别的传统近红外脑机接口方法显著提高。

Description

一种快速近红外脑机接口方法

技术领域

本发明涉及脑机接口及残疾人辅助康复领域，尤其涉及到快速近红外脑机接口方法。 

背景技术

功能近红外光谱术(fNIRS)是近年来发展出的一种完全无损的在体光学检测技术。生物组织对近红外波段的光具有低吸收、高散射的特性，近红外光可以穿透生物组织几个厘米的厚度对深层生物组织进行探测。当大脑激活时氧代谢率增加，脑血流也会增加，会引起氧合血红蛋白(HbO₂)和还原血红蛋白(Hb)的浓度变化。HbO₂和Hb在近红外波段的吸收光谱具有特异性，因此，近红外光谱术可以根据出射光强度或者相位的变化来间接检测大脑神经活动。近红外光谱术相比较于其他的生物医学成像技术，具有使用灵活、便携和便宜等优点，所以近红外光谱术近年来在脑功能成像和检测领域上有广泛的应用，也为无损脑机接口(BCI)的发展提供了一种新的技术手段。 

脑机接口是将思维过程中的神经生理信号转换为控制信号，控制外部机器而不依靠外周神经系统和肌肉的一种系统。脑机接口不仅能帮助严重瘫痪患者与外界进行交流沟通，也可以辅助脑卒中患者进行运动功能的恢复。非侵入式脑机接口因其相对容易获得的信号和广泛的使用者人群，显示出了广泛的应用前景。目前许多技术应用到了非侵入式的脑机接口领域，例如脑电(EEG)、脑磁图(MEG)，功能磁共振(fMRI)和功能近红外光谱术。脑磁图和功能磁共振由于其设备昂贵复杂、体积巨大，目前仅限于科学研究上的使用，而不具有实际应用的前景。脑电直接探测神经活动的电信号，是脑机接口领域最常用的一种技术，其优点在于使用简单、安全、便宜。但是脑电的缺点是空间分辨率低，无法进行激活脑区的定位，限制了其在脑机接 口识别精度上的进一步提高。并且基于脑电的脑机接口存在脑机接口文盲现象，即有些使用者无论如何也无法操作脑机接口系统。所以有必要发展一种技术弥补脑电的不足来拓展脑机接口领域。 

近红外光谱术具有类似脑电的简单、安全、便宜的优点，且空间分辨率高，可以对激活脑区进行定位。并且作为一种无损光检测技术，近红外光谱术对使用者和环境的限制都比EEG要小。但是近红外光谱术是通过神经血管耦合间接探测神经活动，而血液动力学响应在时间上比直接的神经活动有延迟，故近红外光谱术的时间分辨率不高。目前国外已有报道的基于近红外光谱术的脑机接口系统为了避免近红外光学脑信号的交叠，在实验设计上都采用长时间的刺激间距。Coyle等(Coyle,S.M.,T.E.Ward and C.M.Markham (2007)."Brain-computer interface using a simplified functional near-infrared spectroscopy system."Journal of Neural Engineering 4(3):219-226.)报道了一种单通道近红外脑机接口，使用者根据提示完成左手或右手运动想象任务，任务的刺激间距为30s。Power等人(Power,S.D.,T.H.Falk and T.Chau (2010)."Classification of prefrontal activity due to mental arithmetic and music imagery using hidden Markov models and frequency domain near-infrared spectroscopy."Journal of Neural Engineering 7(2).)报道了一种多通道的近红外脑机接口，使用者根据提示完成心算和音乐想象任务，任务的刺激间距为35-45s。Sitaram等(Sitaram,R.,H.Zhang,C.Guan,M.Thulasidas,Y.Hoshi,A.Ishikawa,K.Shimizu and N.Birbaumer(2007)."Temporal classification of multichannel near-infrared spectroscopy signals of motor imagery for developing a brain–computer interface."NeuroImage 34(4):1416-1427.)报道的多通道近红外脑机接口，同样是完成左手或右手运动想象任务，任务刺激间距为20s。Holper等(Holper,L.and M.Wolf(2011)."Single-trial classification of motor imagery differing in task complexity:a functional near-infrared spectroscopy study."Journal of Neuroengineeringand Rehabilitation 8.)报道的近红外脑机接口，使用者完成想象简单运动和 复杂运动的任务，任务刺激间距为35s。Luu和Chan(Luu,S.and T.Chau(2009)."Decoding subjective preference from single-trial near-infrared spectroscopy signals."Journal of Neural Engineering 6(1).)报道的近红外脑机接口，使用者从给出的饮料中用思维选择自己喜欢的饮料，任务刺激间距为45s。 

已有报道中用于模式识别的近红外光学脑信号要么是光密度信号要么是光密度信号转换的血红蛋白浓度变化信号，这两种信号均可以看作是反映血液动力学响应的原始生理学信号。由于不可避免的血液动力学的响应延迟(例如，文献报道的运动想象的含氧血红蛋白浓度变化的峰值出现在任务开始后的8-10秒)，且缺乏有效的对这种原始生理学信号进行处理的手段，已有的近红外脑机接口只能在使用中延长每次任务时间来避免信号交叠，所以现有近红外脑机接口的信息传输速率很低，影响了其在实际应用领域的进一步发展。 

发明内容

本发明所要解决的技术问题是提出一种快速近红外脑机接口方法，能显著提高脑机接口任务的识别速度，提高系统信息传输速率。 

为解决上述技术问题，本发明提出一种快速近红外脑机接口方法，包括步骤如下： 

步骤一：多通道近红外光学脑信号采集系统实时采集使用者在脑机接口校准阶段任务执行过程中的多通道近红外光学脑信号。在此校准阶段，被试根据提示完成左侧或右侧身体部位的运动想象任务。 

为了提高系统信息传输速率，需要一种快速的脑机接口任务呈现：即使用者进行左侧和右侧身体部位想象的时间可不超过4秒，休息时间不超过4秒。每个任务的刺激间距可不超过8秒，小于该任务血液动力学响应从响应开始到峰值然后又恢复到基线所需要的时间。 

步骤二：对多通道近红外光学脑信号进行预处理。近红外光学脑信号预处理模块首先将采集到的多通道近红外光学脑信号进行降频，低通滤波去除噪声。然后根据修正的Beer-Lambert定律，将其转换为含氧血红蛋白浓度变化(Δ[HbO₂])和去氧血红蛋白浓度变化(Δ[Hb])。方法如下：当用强度为I₀的近红外光入射生物组织，出射光强为I，则光密度(OD)可表示为 其中，ε表示生物组织内血红蛋白的摩尔吸收系数，C表示血红蛋白的浓度(包括含氧和去氧血红蛋白)，L表示光源和探测器间距，B表示考虑到散射而引入的微分光程因子。G表示与外层组织光学特性和几何结构有关的损耗因子，通常为常数。当出射光强从I₁变化到I₂时，由上式可得出血红蛋白浓度的相对变化与光密度的变化有如下关系： 

$\mathrm{\ΔOD}=-\ln \frac{I_2}{I_1}=\mathrm{\ϵ\ΔCLB}=\left({\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}^{\mathrm{\λ}}\mathrm{\Δ}\right[{\mathrm{HbO}}_2]+{\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}}\mathrm{\Δ}[\mathrm{Hb}\left]\right)B^{\mathrm{\λ}}L$

其中，和分别为含氧血红蛋白和去氧血红蛋白对波长为λ的光的摩尔吸收系数，B^λ为波长为λ的光的微分光程因子。 

所以当采用波长为λ1和λ2双波长的近红外光入射时，通过求解上述方程组可以求出含氧血红蛋白浓度变化和去氧血红蛋白浓度变化分别为： 

$\mathrm{\Δ}\left[{\mathrm{HbO}}_2\right]=\frac{{\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}1}\frac{\mathrm{\Δ}{\mathrm{OD}}^{\mathrm{\λ}2}}{B^{\mathrm{\λ}2}}-{\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}2}\frac{\mathrm{\Δ}{\mathrm{OD}}^{\mathrm{\λ}1}}{B^{\mathrm{\λ}1}}}{({\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}1}{\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}^{\mathrm{\λ}2}-{\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}2}{\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}^{\mathrm{\λ}1})L}$

$\mathrm{\Δ}\left[\mathrm{Hb}\right]=\frac{{\mathrm{\ϵ}}_{{\mathrm{HbO}}_2}^{\mathrm{\λ}2}\frac{{\mathrm{\ΔOD}}^{\mathrm{\λ}1}}{B^{\mathrm{\λ}1}}-{\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}^{\mathrm{\λ}1}\frac{\mathrm{\Δ}{\mathrm{OD}}^{\mathrm{\λ}2}}{B^{\mathrm{\λ}2}}}{({\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}1}{\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}^{\mathrm{\λ}2}-{\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}2}{\mathrm{\ϵ}}_{{\mathrm{HbO}}_2}^{\mathrm{\λ}1})L}$

步骤三：将步骤二所得多通道的Δ[HbO₂]或Δ[Hb]数据作为训练数据进行特征提取和分类器训练。用t秒长度的时间窗对训练数据分段，这里t的取值可以根据需要从1秒取到单个任务持续的总时间长度。具体如下： 

(1)在左侧或右侧身体部位想象条件下的单个训练数据片段分别用矩阵X_i(i＝1，2)来表示，X_i的行数为采样通道数，列数为采样点数。计算X_i空 间协方差矩阵：其中X_i'表示X_i的转置矩阵，trance(X_iX_i')表示X_iX_i'的迹，即对角线元素的和。 

(2)计算上述两类条件下所有训练数据片段的平均空间协方差矩阵和 以及混合空间协方差矩阵

(3)C_C分解为C_C＝U_Cλ_CU_C'，其中U_C是C_C的特征向量矩阵，λ_C是由特征值组成的对角矩阵。 

(4)进行白化处理：即处理后，PC_CP'所有的特征值都为1；如果将和进行如下变换：则S₁和S₂有相同的特征向量；如果将S₁和S₂进行分解:S₁＝Bλ₁B'，S₂＝Bλ₂B'，则有λ₁+λ₂＝I，其中λ₁和λ₂分别是S₁和S₂的特征值组成的对角矩阵，B是S₁和S₂的特征向量矩阵。 

(5)计算空间滤波矩阵W＝(B'P)'。 

(6)对X_i进行变换，将其从时域空间变换到特征空间：Z_i＝WX_i。Zi的第一行分别作为左手和右手想象数据片段的特征向量，用来训练分类器。 

(7)分类器选用支持向量机。用Zi(i＝1，2)的第一行分别作为左侧和右侧身体部位想象数据片段的特征向量来训练支持向量机。 

步骤四：多通道近红外光学脑信号采集系统实时采集使用者在脑机接口任务识别阶段的多通道近红外光学脑信号。在此识别阶段，被试根据提示完成左侧或右侧身体部位的运动想象任务。 

步骤五：按照步骤二对步骤四采集的多通道近红外光学脑信号进行预处理，得到待识别数据。 

步骤六：对待识别数据进行特征提取和模式识别。识别阶段的待识别数据用Y表示，也将其用与步骤三同样的t秒长度时间窗分段，用步骤三(5)所得到的空间滤波矩阵W，将Y从时域空间变换到特征空间：T＝WY。取T的 第一行作为待识别数据片段的特征向量，用步骤三(7)训练好的支持向量机进行模式识别，区分出使用者进行的脑机接口任务的类别。 

本发明的优点和有益效果在于： 

(1)本发明采用无损近红外光学检测技术来构建脑机接口系统，相比于比传统基于EEG的脑机接口系统对使用者和环境的限制小。 

(2)本发明对多通道近红外光学脑信号进行预处理后，采用特征空间变换的方法提取特征向量。经实验证明，相比于传统的以幅值作为特征向量的基于近红外的脑机接口方法，本方法显著提高了快速事件相关响应信号的正确识别率。 

(3)本发明所采用的方法大大提高了近红外脑机接口的信息传输率。经实验证明，对于快速事件相关响应信号的识别时间能提高到秒量级，而传统基于近红外的脑机接口的识别时间在几十秒的量级。 

附图说明

下面结合附图和具体实施方式对本发明的技术方案作进一步具体说明。 

图1为基于近红外光谱术的脑机接口系统示意图。 

图2为本发明实施例中单次任务的时序图。 

具体实施方式

本发明的快速近红外脑机接口系统的系统示意图如图1所示。包含以下几个组成部分：多通道近红外光学脑信号采集系统1、近红外光信号预处理模块2，特征提取及模式识别模块3，脑机接口任务呈现界面4。 

为了采集多通道近红外光学脑信号，多通道近红外光学脑信号采集系统1光源和探测器间的距离要合适，通常为2-4cm，且探测通道必须覆盖在被激活脑区的上方。 

脑机接口任务呈现界面4呈现脑机接口任务以及反馈控制结果，使用者根据提示完成脑机接口任务，并能从反馈得知脑机接口系统是否正确识别自己的思维意识。 

以下结合附图对本发明的一种可行的实施方式进行详细说明，但是本发明不仅仅只局限于此一种实施方式。 

如图2所示，使用者坐在脑机接口任务呈现界面4的正前方，根据界面提示完成运动想象任务，每个任务的时序如图2所示。每次任务前2秒，屏幕出现“+”，提醒使用者注意即将开始任务；接下来4秒，屏幕随机出现向左或向右的箭头，使用者根据箭头方向想像相应的左侧或右侧身体部位的运动；最后2秒黑屏，使用者停止想象，保持平静休息状态。整个任务总的持续时间为8秒，每侧身体部位的想象任务随机出现50次。使用者执行脑机接口任务时的多通道快速事件相关近红外光学脑信号由多通道近红外光学脑信号采集系统1采集后，经过近红外光信号预处理模块2和特征提取及模式识别模块3，最后在脑机接口任务呈现界面4上以移动箭头的方式反馈出使用者的运动想象类别。实施例中，近红外探测通道为42通道。传统的近红外脑机接口方法，使用者完成一个任务后需等待近红外光学脑信号的幅值达到峰值且再慢慢恢复到基线值，才能继续完成下一个任务，所以信息传输率低。而本发明的新方法无需等待近红外光学脑信号幅值达到峰值且恢复到基线值，任务刺激间距短，大大提高了系统信息传输速率。 

本发明的快速近红外脑机接口如下： 

本方法步骤如下： 

步骤一：多通道近红外光学脑信号采集系统实时采集使用者在脑机接口校准阶段任务执行过程中的多通道近红外光学脑信号。在此校准阶段，被试根据提示完成左侧或右侧身体部位的运动想象任务。 

为了提高系统信息传输速率，需要一种快速的脑机接口任务呈现：即使用者进行左侧和右侧身体部位想象的时间可不超过4秒，休息时间不超 过4秒。每个任务的刺激间距可不超过8秒，小于该任务血液动力学响应从响应开始到峰值然后又恢复到基线所需要的时间。 

步骤二：对多通道近红外光学脑信号进行预处理。近红外光学脑信号预处理模块首先将采集到的多通道近红外光学脑信号进行降频，低通滤波去除噪声。然后根据修正的Beer-Lambert定律，将其转换为含氧血红蛋白浓度变化(Δ[HbO₂])和去氧血红蛋白浓度变化(Δ[Hb])。方法如下：当用强度为I₀的近红外光入射生物组织，出射光强为I，则光密度(OD)可表示为其中，ε表示生物组织内血红蛋白的摩尔吸收系数，C表示血红蛋白的浓度(包括含氧和去氧血红蛋白)，L表示光源和探测器间距，B表示考虑到散射而引入的微分光程因子。G表示与外层组织光学特性和几何结构有关的损耗因子，通常为常数。当出射光强从I₁变化到I₂时，由上式可得出血红蛋白浓度的相对变化与光密度的变化有如下关系： 

$\mathrm{\ΔOD}=-\ln \frac{I_2}{I_1}=\mathrm{\ϵ\ΔCLB}=\left({\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}^{\mathrm{\λ}}\mathrm{\Δ}\right[{\mathrm{HbO}}_2]+{\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}}\mathrm{\Δ}[\mathrm{Hb}\left]\right)B^{\mathrm{\λ}}L$

其中，和分别为含氧血红蛋白和去氧血红蛋白对波长为λ的光的摩尔吸收系数，B^λ为波长为λ的光的微分光程因子。 

所以当采用波长为λ1和λ2双波长的近红外光入射时，通过求解上述方程组可以求出含氧血红蛋白浓度变化和去氧血红蛋白浓度变化分别为： 

$\mathrm{\Δ}\left[{\mathrm{HbO}}_2\right]=\frac{{\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}1}\frac{\mathrm{\Δ}{\mathrm{OD}}^{\mathrm{\λ}2}}{B^{\mathrm{\λ}2}}-{\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}2}\frac{\mathrm{\Δ}{\mathrm{OD}}^{\mathrm{\λ}1}}{B^{\mathrm{\λ}1}}}{({\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}1}{\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}^{\mathrm{\λ}2}-{\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}2}{\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}^{\mathrm{\λ}1})L}$

$\mathrm{\Δ}\left[\mathrm{Hb}\right]=\frac{{\mathrm{\ϵ}}_{{\mathrm{HbO}}_2}^{\mathrm{\λ}2}\frac{{\mathrm{\ΔOD}}^{\mathrm{\λ}1}}{B^{\mathrm{\λ}1}}-{\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}^{\mathrm{\λ}1}\frac{\mathrm{\Δ}{\mathrm{OD}}^{\mathrm{\λ}2}}{B^{\mathrm{\λ}2}}}{({\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}1}{\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}^{\mathrm{\λ}2}-{\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}2}{\mathrm{\ϵ}}_{{\mathrm{HbO}}_2}^{\mathrm{\λ}1})L}$

步骤三：将步骤二所得多通道的Δ[HbO₂]或Δ[Hb]数据作为训练数据进行 特征提取和分类器训练。用t秒长度的时间窗对训练数据分段，这里t的取值可以根据需要从1秒取到单个任务持续的总时间长度。具体如下： 

(1)在左侧或右侧身体部位想象条件下的单个训练数据片段分别用矩阵X_i(i＝1，2)来表示，X_i的行数为采样通道数，列数为采样点数。计算X_i空间协方差矩阵：其中X_i'表示X_i的转置矩阵，trance(X_iX_i')表示X_iX_i'的迹，即对角线元素的和。 

(2)计算上述两类条件下所有训练数据片段的平均空间协方差矩阵和以及混合空间协方差矩阵

(3)C_C分解为C_C＝U_Cλ_CU_C'，其中U_C是C_C的特征向量矩阵，λ_C是由特征值组成的对角矩阵。 

(4)进行白化处理：即处理后，PC_CP'所有的特征值都为1；如果将和进行如下变换：则S₁和S₂有相同的特征向量；如果将S₁和S₂进行分解:S₁＝Bλ₁B'，S₂＝Bλ₂B'，则有λ₁+λ₂＝I，其中λ₁和λ₂分别是S₁和S₂的特征值组成的对角矩阵，B是S₁和S₂的特征向量矩阵；(5)计算空间滤波矩阵W＝(B'P)'。 

(6)对X_i进行变换，将其从时域空间变换到特征空间：Z_i＝WX_i。Zi的第一行分别作为左手和右手想象数据片段的特征向量，用来训练分类器。 

(7)分类器选用支持向量机。用Zi(i＝1，2)的第一行分别作为左侧和右侧身体部位想象数据片段的特征向量来训练支持向量机。 

步骤四：多通道近红外光学脑信号采集系统实时采集使用者在脑机接口任务识别阶段的多通道近红外光学脑信号。在此识别阶段，被试根据提示完成左侧或右侧身体部位的运动想象任务。 

步骤五：按照步骤二对步骤四采集的多通道近红外光学脑信号进行预处理，得到待识别数据。 

步骤六：对待识别数据进行特征提取和模式识别。识别阶段的待识别数据用Y表示，也将其用与步骤三同样的t秒长度时间窗分段，用步骤三(5)所得到的空间滤波矩阵W，将Y从时域空间变换到特征空间：T＝WY。取T的第一行作为待识别数据片段的特征向量，用步骤三(7)训练好的支持向量机进行模式识别，区分出使用者进行的脑机接口任务的类别。 

为了与以幅值为特征向量的传统近红外脑机接口方法对比，取特征提取和模式识别时间窗长度t＝8秒。识别结果如表1所示，本发明方法相比传统脑机接口方法显著提高了识别准确率。 

表1采用本发明的方法与传统的方法分类正确率的对比 

本发明方法可以秒量级水平快速识别出不同的脑机接口任务。当取特征提取和模式识别时间窗长度t＝1秒时，待识别数据从任务开始第2秒到第8秒的识别结果如表2所示(9个使用者的统计结果)。 

表2以1秒长度的时间窗进行特征提取和模式识别的结果 

时间(秒)

2

3

4

5

6

7

8

均值

84.27％

84.68％

80.83％

83.46％

85.51％

84.94％

81.25％

标准差

5.41％

4.56％

4.53％

2.84％

4.07％

3.93％

5.30％

最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。 

Claims (4)

1.一种快速近红外脑机接口方法，其特征在于，包括如下步骤：

步骤一：多通道近红外光学脑信号采集系统实时采集使用者在脑机接口校准阶段任务执行过程中的多通道近红外光学脑信号；在此校准阶段，被试根据提示完成左侧或右侧身体部位的运动想象任务；

步骤二：对多通道近红外光学脑信号进行预处理；近红外光学脑信号预处理模块首先将采集到的多通道近红外光学脑信号进行降频，低通滤波去除噪声；然后根据修正的Beer-Lambert定律，将其转换为含氧血红蛋白浓度变化值Δ[HbO₂]和去氧血红蛋白浓度变化值Δ[Hb]；

步骤三：将步骤二所得多通道的Δ[HbO₂]或Δ[Hb]数据作为训练数据进行特征提取和分类器训练；用t秒长度的时间窗对训练数据分段，这里t的取值可以根据需要从1秒取到单个任务持续的总时间长度；具体如下：

(1)在左侧和右侧身体部位想象条件下的单个训练数据片段分别用矩阵X_i(i＝1，2)来表示，X_i的行数为采样通道数，列数为采样点数；计算X_i空间协方差矩阵：其中X_i'表示X_i的转置矩阵，trance(X_iX_i')表示X_iX_i'的迹，即对角线元素的和；

(2)计算上述两类条件下所有训练数据片段的平均空间协方差矩阵和以及混合空间协方差矩阵

(3)C_C分解为C_C＝U_Cλ_CU_C'，其中U_C是C_C的特征向量矩阵，λ_C是由特征值组成的对角矩阵；

(4)进行白化处理：即处理后，PC_CP'所有的特征值都为1；如果将和进行如下变换： 则S₁和S₂有相同的特征向量；如果将S₁和S₂进行分解:S₁＝Bλ₁B'，S₂＝Bλ₂B'，则有λ₁+λ₂＝I，其中λ₁和λ₂分别是S₁和S₂的特征值组成的对角矩阵，B是S₁和S₂的特征向量矩阵；

(5)计算空间滤波矩阵W＝(B'P)'；

(6)对X_i进行变换，将其从时域空间变换到特征空间：Z_i＝WX_i；

(7)分类器选用支持向量机；用Z_i(i＝1，2)的第一行分别作为左侧和右侧身体部位想象数据片段的特征向量来训练支持向量机；

步骤四：多通道近红外光学脑信号采集系统实时采集使用者在脑机接口任务识别阶段的多通道近红外光学脑信号；在此识别阶段，被试根据提示完成左侧或右侧身体部位的运动想象任务；

步骤五：按照步骤二对步骤四采集的多通道近红外光学脑信号进行预处理，得到待识别数据；

步骤六：对待识别数据进行特征提取和模式识别；识别阶段的待识别数据用Y表示，也将其用与步骤三同样的t秒长度时间窗分段，用步骤三(5)所得到的空间滤波矩阵W，将Y从时域空间变换到特征空间：T＝WY；取T的第一行作为待识别数据片段的特征向量，用步骤三(7)训练好的支持向量机进行模式识别，区分出使用者进行的脑机接口任务的类别。

2.根据权利要求1所述的快速近红外脑机接口方法，其特征在于：所述将其转换为含氧血红蛋白浓度变化值Δ[HbO₂]和去氧血红蛋白浓度变化值Δ[Hb]的方法如下：当用强度为I₀的近红外光入射生物组织，出射光强为I，则光密度(OD)可表示为其中，ε表示生物组织内血红蛋白的摩尔吸收系数，C表示血红蛋白的浓度(包括含氧和去氧血红蛋白)，L表示光源和探测器间距，B表示考虑到散射而引入的微分光程因子；G表示与外层组织光学特性和几何结构有关的损耗因子，通常为常数；当出射光强从I₁变化到I₂时，由上式可得出血红蛋白浓度的相对变化与光密度的变化有如下关系：

$\mathrm{\ΔOD}=-\ln \frac{I_2}{I_1}=\mathrm{\ϵ\ΔCLB}=\left({\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}^{\mathrm{\λ}}\mathrm{\Δ}\right[{\mathrm{HbO}}_2]+{\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}}\mathrm{\Δ}[\mathrm{Hb}\left]\right)B^{\mathrm{\λ}}L$

其中，和分别为含氧血红蛋白和去氧血红蛋白对波长为λ的光的摩尔吸收系数，B^λ为波长为λ的光的微分光程因子；

所以当采用波长为λ1和λ2双波长的近红外光入射时，通过求解上述方程组可以求出含氧血红蛋白浓度变化和去氧血红蛋白浓度变化分别为：

$\mathrm{\Δ}\left[{\mathrm{HbO}}_2\right]=\frac{{\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}1}\frac{\mathrm{\Δ}{\mathrm{OD}}^{\mathrm{\λ}2}}{B^{\mathrm{\λ}2}}-{\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}2}\frac{\mathrm{\Δ}{\mathrm{OD}}^{\mathrm{\λ}1}}{B^{\mathrm{\λ}1}}}{({\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}1}{\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}^{\mathrm{\λ}2}-{\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}2}{\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}^{\mathrm{\λ}1})L}$

$\mathrm{\Δ}\left[\mathrm{Hb}\right]=\frac{{\mathrm{\ϵ}}_{{\mathrm{HbO}}_2}^{\mathrm{\λ}2}\frac{{\mathrm{\ΔOD}}^{\mathrm{\λ}1}}{B^{\mathrm{\λ}1}}-{\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}^{\mathrm{\λ}1}\frac{\mathrm{\Δ}{\mathrm{OD}}^{\mathrm{\λ}2}}{B^{\mathrm{\λ}2}}}{({\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}1}{\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}^{\mathrm{\λ}2}-{\mathrm{\ϵ}}_{\mathrm{Hb}}^{\mathrm{\λ}2}{\mathrm{\ϵ}}_{{\mathrm{HbO}}_2}^{\mathrm{\λ}1})L}.$

3.根据权利要求1或2所述的快速近红外脑机接口方法，其特征在于，所述脑机接口任务为使用者进行短时间左侧或右侧身体部位运动想象，想象时间不超过4秒，休息时间不超过4秒。

4.根据权利要求3所述的快速近红外脑机接口方法，其特征在于，所述特征提取及模式识别的数据片段长度为秒级。