CN105054928A - 一种基于bci装置脑电波采集分析的情绪展示设备 - Google Patents

Abstract

本发明公开了一种基于BCI装置脑电波采集分析的情绪展示设备，包括顺次连接组成BCI装置的前端脑电波信号采集设备、脑电波信号预处理模块、脑电波信号特征提取模块、脑电波信号模式识别模块、数模转换接口电路模块，还包括与数模转换接口电路模块的输出端相连接的彩色灯带。使用fMIR数据对EEG数据进行融合处理，克服了脑电信号空间分辨率低、信号干扰大、信噪比很低的问题。通过ICA的预处理，减小了运算的复杂性，克服了等效偶极子定位算法对于噪声的敏感。对检测到的脑电波数据进行对应的输出展示，直观的体现被检测者的情绪和心理变化。本方法为神经分析系统中的脑电信号处理问题提供了可行的解决方案，可以拓展应用于刑侦测谎、医疗监护等不同领域。

Description

一种基于BCI装置脑电波采集分析的情绪展示设备

技术领域

本发明公开了一种基于BCI装置脑电波采集分析的情绪展示设备，涉及脑电信号处理技术领域。

背景技术

脑机接口(brain-computerinterface，BCI)，有时也称作“大脑端口”directneuralinterface或者“脑机融合感知”brain-machineinterface，它是在人或动物脑(或者脑细胞的培养物)与外部设备间建立的直接连接通路。在单向脑机接口的情况下，计算机或者接受脑传来的命令，或者发送信号到脑(例如视频重建)，但不能同时发送和接收信号。而双向脑机接口允许脑和外部设备间的双向信息交换。

BCI是一种基于脑电信号来实现人脑与计算机或其它电子设备进行通讯和控制的系统，它是一个不依靠外周神经和肌肉组织等通常的大脑输出通道的通信系统。换言之，BCI是在人脑与计算机之间建立的直接的交流和控制通道，通过这种通道，人就可以直接通过脑来表达想法或操纵设备，而不需要语言或肢体动作。

脑机接口包括侵入式和非侵入式，侵入式脑机接口主要用于重建特殊感觉(例如视觉)以及瘫痪病人的运动功能。此类脑机接口通常直接植入到大脑的灰质，因而所获取的神经信号的质量比较高。但其缺点是容易引发免疫反应和愈伤组织(疤)，进而导致信号质量的衰退甚至消失。和侵入式脑机接口一样，研究者也使用非侵入式的神经成像术作为脑机之间的接口在人身上进行了实验。用这种方法记录到的信号被用来加强肌肉植入物的功能并使参加实验的志愿者恢复部分运动能力。

作为有潜力的非侵入式脑机接口已得到深入研究，这主要是因为该技术良好的时间分辨率、易用性、便携性和相对低廉的价格。脑磁图(MEG)以及功能核磁共振成像(fMRI)都已成功实现非侵入式脑机接口。脑电波作为输出信号也可以有着多种多样的使用方法，例如通过对脑电波的分析更直观的体现人的心理和思维互动。

在脑电波相关研究过程中，普遍采用非侵入式的神经成像术作为脑机之间的接口在人身上进行了实验。虽然这种非侵入式的装置方便佩戴于人体，但是由于颅骨对信号的衰减作用和对神经元发出的电磁波的分散和模糊效应，但很难确定发出信号的脑区或者相关的单个神经元的放电，记录到信号的分辨率并不高。这种信号波仍可被检测到，但信号信噪比较低，对后处理的要求较高。

发明内容

本发明所要解决的技术问题是：针对现有技术的缺陷，提供一种基于BCI装置脑电波采集分析的情绪展示设备，通过fMIR数据对脑电信号进行定位分析，并使用独立成分分析方法(IndependentComponentCorrelationAlgorithm,ICA)简化实际计算的复杂度，克服了非侵入式脑电信号分辨率低、干扰大的缺点，将输出的脑电波信号经过数模转换，对应的输出至不同颜色的彩灯，展示被观测者不同的情绪变化。

本发明为解决上述技术问题采用以下技术方案：

一种基于BCI装置脑电波采集分析的情绪展示设备，包括顺次连接组成BCI装置的前端脑电波信号采集设备、脑电波信号预处理模块、脑电波信号特征提取模块、脑电波信号模式识别模块、数模转换接口电路模块，还包括与数模转换接口电路模块的输出端相连接的彩色灯带，其中，

所述前端脑电波信号采集设备采集被测者的脑电波信号；

所述脑电波信号预处理模块对采集到的脑电波信号进行数字滤波，去除无关的噪声信号；

所述脑电波信号特征提取模块对去噪后的噪声信号进行小波包分解，获取脑电波信号的特征向量；

所述脑电波信号模式识别模块使用特征向量对支持向量机分类器进行训练，训练后的支持向量机分类器对被测者的脑电波信号进行识别；

所述数模转换接口电路模块将经过识别的不同类型情绪对应的脑电波信号转换成相应的控制信号发送至彩色灯带。

作为本发明的进一步优选方案，所述脑电波信号特征提取模块中，使用Db2小波函数对去噪后的信号进行4层小波包分解，获取脑电信号的特征向量。

作为本发明的进一步优选方案，所述前端脑电波信号采集设备为带有电极的128通道Neuralynx脑电记录分析扫描帽。

作为本发明的进一步优选方案，所述脑电波信号特征提取模块和所述脑电波信号特征提取模块中，将大脑皮层中产生的9-13Hz的电信号定义为节律，采用小波包4层分解，将信号正交地分解到32个独立频带，使得节律的正弦信号划归到相应的第二频带里，取得第二层的分解系数和能量作为特征向量。

作为本发明的进一步优选方案，所述前端脑电波信号采集设备采集被测者的脑电波信号，具体步骤包括，

步骤一、利用功能性磁共振成像技术，得到脑电波信号对应的fMIR数据，对所述fMIR数据进行分析及归一化处理，再将处理后的图像与高分辨率的结构图像进行配准，并归一到MNI的空间，然后利用三维高斯函数对经过上述处理的数据做空间平滑处理；

步骤二、去除经过步骤一处理的各个脑电波信号数据之间的相关性，利用ICA方法对脑电波信号数据进行处理，得出最优变换矩阵；

由最优变换矩阵进而恢复信号源矩阵，从脑电波信号数据中分离出有效的成分，每个有效的成分对应一个偶极子成；

步骤三、结合头部模型及其传导系数，对每一个提取的有效的成分求解最优的偶极子配置，使得由上述偶极子产生的头皮电场分布与测量到的头皮电场分布在均方意义下最小，将fMIR数据中的激活点位置作为寻找偶极子位置的种子点，在fMIR数据限定源的可能空间中求解全局最优解，最优解经过融合处理作为结果输出。

作为本发明的进一步优选方案，所述步骤二中，利用ICA方法对脑电信号数据进行处理具体如下：

设定记录的头皮电位x_i作为观测向量，其中，i＝1,2,.....,m，m表示电极的数量，观测向量x_i是n个时间上独立的信号源s_j的线性混和，其中，j＝1,2,...,n，每一个s_j都是统计独立并且有其固定的空间信息权重a_j，a_j是导联场矩阵A的第j列；

在上述设定下，使用ICA方法直接寻找最优的变换矩阵W，并恢复信号源矩阵M；使用估计的信号Y对观测信号X进行重建：

X＝W^-1Y(1)

X的第j个时间序列可以由下式表示:

$\left[\begin{array}{c}{X}_{1j}\\ X_{2j}\\ \begin{array}{c}\·\\ \·\\ \·\end{array}\\ X_{mj}\end{array}\right]=\left[\begin{array}{c}{W}_{11}^{-1}\\ W_{21}^{-1}\\ \begin{array}{c}\·\\ \·\\ \·\end{array}\\ X_{m1}^{-1}\end{array}\right]Y_{1j}+\left[\begin{array}{c}{W}_{12}^{-1}\\ W_{22}^{-1}\\ \begin{array}{c}\·\\ \·\\ \·\end{array}\\ W_{m2}^{-1}\end{array}\right]Y_{2j}+\mathrm{...}+\left[\begin{array}{c}{W}_{1m}^{-1}\\ W_{2m}^{-1}\\ \begin{array}{c}\·\\ \·\\ \·\end{array}\\ W_{nm}^{-1}\end{array}\right]Y_{mj}---\left(2\right)$

其中，是W^-1的第n行第m列的元素。

作为本发明的进一步优选方案，步骤三所述的头部模型具体为4层球模型，所述4层球模型的半径依次是80mm、82mm、84mm及87mm，其传导系数分别为0.459S/m、1.372S/m、0.0056S/m和0.442S/m。

作为本发明的进一步优选方案，所述步骤三的具体过程如下：

设定大脑表皮的电磁场观测信号与大脑内部任何位置的源信号近似地呈线性关系，由下式表示：

X＝AS+N(3)

其中，X是头皮电极记录的观测信号，A是导联场矩阵，S是偶极子矢量，N表示每个电极接收信号中的噪声组成的矢量；

导联场矩阵A是偶极子位置、大脑几何形状以及介质传导系数的非线性函数，它的每一列表示位于某一位置的单位强度的源对左端观测信号X的贡献；

优化问题等价于求解下式：

$\mathrm{\ξ}=\underset{S}{\mathrm{argmin}}\left(C\right||AS-X|{|}^2+{\mathrm{\λ}}^2\left|\right|S\left|{|}^2\right)---\left(4\right)$

其中，C是信噪比归一化矩阵，λ是正则化参数；

将目标函数与解的空间性质相联系，定义目标函数为：

$\mathrm{\ξ}=\underset{S}{\mathrm{argmin}}\left(C\right||AS-X|{|}^2+{\mathrm{\λ}}^2\left|\right|S|{|}^2+P)---\left(5\right)$

式中，P项是对解的一种空间约束，即结合fMIR限定源的可能空间位置，由下式定义：

$P=\underset{i=1}{\overset{l}{\&Sigma;}}\left\{\begin{array}{cc}0,& \left|r_i-s_i\right|<d_i\\ c\left|r_i-s_i\right|,& else\end{array}\right.withc>>\mathrm{\&lambda;}---\left(6\right)$

其中，l是偶极子的数量；r_i是第i个偶极子的位置向量；s_i是fMIR激活点的空间信息；c和d_i均是常数，偶极子的位置与fMIR的激活点位置是相关的，fMIR的激活点位置即是寻找偶极子位置的种子点；

建立目标函数之后，将偶极子的参数看作是高维空间中的一个节点，采用模拟退火算法求全局最优解。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：使用fMIR数据对EEG数据进行融合处理，克服了脑电信号空间分辨率低、信号干扰大、信噪比很低的问题。通过ICA的预处理，减小了运算的复杂性，克服了等效偶极子定位算法对于噪声的敏感。结合生理学事实，对检测到的脑电波数据进行对应的输出展示，直观的体现被检测者的情绪和心理变化。本方法为神经分析系统中的脑电信号处理问题提供了可行的解决方案，可以拓展应用于刑侦测谎、医疗监护等不同领域。

附图说明

图1是本发明的系统结构模块示意图。

图2是128通道Neuralynx脑电记录分析扫描帽电极位置图。

图3是独立成分分析示意图。

图4是理想4层头部模型示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明的系统结构模块示意图如图1所示，基于BCI装置脑电波采集分析的情绪展示设备，包括顺次连接组成BCI装置的前端脑电波信号采集设备、脑电波信号预处理模块、脑电波信号特征提取模块、脑电波信号模式识别模块、数模转换接口电路模块，还包括与数模转换接口电路模块的输出端相连接的彩色灯带，其中，所述前端脑电波信号采集设备采集被测者的脑电波信号；所述脑电波信号预处理模块对采集到的脑电波信号进行数字滤波，去除无关的噪声信号；所述脑电波信号特征提取模块对去噪后的噪声信号进行小波包分解，获取脑电波信号的特征向量；所述脑电波信号模式识别模块使用特征向量对支持向量机分类器进行训练，训练后的支持向量机分类器对被测者的脑电波信号进行识别；所述数模转换接口电路模块将经过识别的不同类型情绪对应的脑电波信号转换成相应的控制信号发送至彩色灯带。

作为本发明的一个具体实施例，所述脑电波信号特征提取模块中，使用Db2小波函数对去噪后的信号进行4层小波包分解，获取脑电信号的特征向量。所述前端脑电波信号采集设备为带有电极的128通道Neuralynx脑电记录分析扫描帽。所述脑电波信号特征提取模块和所述脑电波信号特征提取模块中，将大脑皮层中产生的9-13Hz的电信号定义为节律，采用小波包4层分解，将信号正交地分解到32个独立频带，使得节律的正弦信号划归到相应的第二频带里，取得第二层的分解系数和能量作为特征向量。

在上述具体实施例中，所述前端脑电波信号采集设备采集被测者的脑电波信号，具体步骤包括，

步骤一、利用功能性磁共振成像技术，得到脑电波信号对应的fMIR数据，对所述fMIR数据进行分析及归一化处理，再将处理后的图像与高分辨率的结构图像进行配准，并归一到MNI的空间，然后利用三维高斯函数对经过上述处理的数据做空间平滑处理。

步骤二、去除经过步骤一处理的各个脑电波信号数据之间的相关性，利用ICA方法对脑电波信号数据进行处理，得出最优变换矩阵；

由最优变换矩阵进而恢复信号源矩阵，从脑电波信号数据中分离出有效的成分，每个有效的成分对应一个偶极子成。

利用ICA方法对脑电信号数据进行处理具体如下：

设定记录的头皮电位x_i作为观测向量，其中，i＝1,2,.....,m，m表示电极的数量，观测向量x_i是n个时间上独立的信号源s_j的线性混和，其中，j＝1,2,...,n，每一个s_j都是统计独立并且有其固定的空间信息权重a_j，a_j是导联场矩阵A的第j列；

在上述设定下，使用ICA方法直接寻找最优的变换矩阵W，并恢复信号源矩阵M；使用估计的信号Y对观测信号X进行重建：

X＝W^-1Y(1)

X的第j个时间序列可以由下式表示:

$\left[\begin{array}{c}{X}_{1j}\\ X_{2j}\\ \begin{array}{c}\&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\end{array}\\ X_{mj}\end{array}\right]=\left[\begin{array}{c}{W}_{11}^{-1}\\ W_{21}^{-1}\\ \begin{array}{c}\&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\end{array}\\ X_{m1}^{-1}\end{array}\right]Y_{1j}+\left[\begin{array}{c}{W}_{12}^{-1}\\ W_{22}^{-1}\\ \begin{array}{c}\&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\end{array}\\ W_{m2}^{-1}\end{array}\right]Y_{2j}+\mathrm{...}+\left[\begin{array}{c}{W}_{1m}^{-1}\\ W_{2m}^{-1}\\ \begin{array}{c}\&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\end{array}\\ W_{nm}^{-1}\end{array}\right]Y_{mj}---\left(2\right)$

其中，是W^-1的第n行第m列的元素。

步骤三、结合头部模型及其传导系数，对每一个提取的有效的成分求解最优的偶极子配置，使得由上述偶极子产生的头皮电场分布与测量到的头皮电场分布在均方意义下最小，将fMIR数据中的激活点位置作为寻找偶极子位置的种子点，在fMIR数据限定源的可能空间中求解全局最优解，最优解经过融合处理作为结果输出。

其中，所述的头部模型具体为4层球模型，所述4层球模型的半径依次是80mm、82mm、84mm及87mm，其传导系数分别为0.459S/m、1.372S/m、0.0056S/m和0.442S/m。

所述步骤三的具体过程如下：

设定大脑表皮的电磁场观测信号与大脑内部任何位置的源信号近似地呈线性关系，由下式表示：

X＝AS+N(3)

其中，X是头皮电极记录的观测信号，A是导联场矩阵，S是偶极子矢量，N表示每个电极接收信号中的噪声组成的矢量；

导联场矩阵A是偶极子位置、大脑几何形状以及介质传导系数的非线性函数，它的每一列表示位于某一位置的单位强度的源对左端观测信号X的贡献；

优化问题等价于求解下式：

$\mathrm{\&xi;}=\underset{s}{\arg \min (C{\left|\right|\mathrm{AS}-X\left|\right|}^2+{\mathrm{\&lambda;}}^2{\left|\right|S\left|\right|}^2)---\left(4\right)}$

其中，C是信噪比归一化矩阵，λ是正则化参数；

将目标函数与解的空间性质相联系，定义目标函数为：

$\mathrm{\&xi;}=\underset{S}{\mathrm{argmin}}\left(C\right||AS-X|{|}^2+{\mathrm{\&lambda;}}^2\left|\right|S|{|}^2+P)---\left(5\right)$

式中，P项是对解的一种空间约束，即结合fMIR限定源的可能空间位置，由下式定义：

$P=\underset{i=1}{\overset{l}{\&Sigma;}}\left\{\begin{array}{cc}0,& \left|r_i-s_i\right|<d_i\\ c\left|r_i-s_i\right|,& else\end{array}\right.withc>>\mathrm{\&lambda;}---\left(6\right)$

其中，l是偶极子的数量；r_i是第i个偶极子的位置向量；s_i是fMIR激活点的空间信息；c和d_i均是常数，偶极子的位置与fMIR的激活点位置是相关的，fMIR的激活点位置即是寻找偶极子位置的种子点；

建立目标函数之后，将偶极子的参数看作是高维空间中的一个节点，采用模拟退火算法求全局最优解。

图2是128通道Neuralynx脑电记录分析扫描帽电极位置图，对采集脑电波的相关大脑区域进行了选择和定位，这些区域包括了额叶脑区，右侧的顶叶上部和颞上回，右侧的枕中回。

如图3所示，ICA方法是基于以下假设的：信号源产生的信号是统计独立的；观测到的脑电信号是瞬时的线性混和信号；独立信号源的数量不超过电极的数量。

一般情况下，所获得的数据都具有相关性，所以通常都要求对数据进行初步的白化或球化处理，因为白化处理可去除各观测信号之间的相关性，从而简化了后续独立分量的提取过程，而且，通常情况下，数据进行白化处理与不对数据进行白化处理相比，算法的收敛性较好。之后通过解混系统将输入信号它们分离开来，输出有效成分。ICA的预处理可以有效地降低问题的复杂度，而且算法简单。ICA算法的研究可分为基于信息论准则的迭代估计方法和基于统计学的代数方法两大类，从原理上来说，它们都是利用了源信号的独立性和非高斯性。基于信息论的方法研究中，各国学者从最大熵、最小互信息、最大似然和负熵最大化等角度提出了一系列估计算法。如FastICA算法,Infomax算法，最大似然估计算法等。基于统计学的方法主要有二阶累积量、四阶累积量等高阶累积量方法。

现有技术中，很多研究人员采用实际影像数据(CT/MRI)等数据，利用FEM(finiteelementmethod)或者BEM(boundaryelementmethod)方法，对头部模型进行建模；然后，再通过分割、配准等预处理过程将头部又分为4个部分(脑、脑脊液、颅骨及头皮)。但是,这些过程需要大量的计算和很长的时间。本方法采用理想的4层头部模型作为真实大脑头部模型的模拟，如图4所示，即将头部分割成4个部分：脑、脑脊液、颅骨及头皮,它提供了大脑体积导体的一个简化模型。采用4层模型的一个最大的好处就是在节约计算时间的前提下，能够提供一个对于真实头部模型很好的近似。计算结果表明：4层球模型即使与更加真实的有限元模型相比，仍不失为一个有效的模拟工具，它可提供一个误差在10％～20％以内的合理的头表电位估计。本方法采用的4层球模型的半径依次是80mm、82mm、84mm及87mm，其传导系数分别为0.459S/m、1.372S/m、0.0056S/m和0.442S/m。经过对EEG正向问题的计算，利用正向问题的解不仅能够在后面的仿真实验中提供模拟的头表电势分布，而且能够在求解逆向问题的迭代过程中起到辅助推断的作用。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。

Claims (8)

1.一种基于BCI装置脑电波采集分析的情绪展示设备，其特征在于：包括顺次连接组成BCI装置的前端脑电波信号采集设备、脑电波信号预处理模块、脑电波信号特征提取模块、脑电波信号模式识别模块、数模转换接口电路模块，还包括与数模转换接口电路模块的输出端相连接的彩色灯带，其中，

所述前端脑电波信号采集设备采集被测者的脑电波信号；

所述脑电波信号预处理模块对采集到的脑电波信号进行数字滤波，去除无关的噪声信号；

所述脑电波信号特征提取模块对去噪后的噪声信号进行小波包分解，获取脑电波信号的特征向量；

所述脑电波信号模式识别模块使用特征向量对支持向量机分类器进行训练，训练后的支持向量机分类器对被测者的脑电波信号进行识别；

所述数模转换接口电路模块将经过识别的不同类型情绪对应的脑电波信号转换成相应的控制信号发送至彩色灯带。

2.如权利要求1所述的一种基于BCI装置脑电波采集分析的情绪展示设备，其特征在于：所述脑电波信号特征提取模块中，使用Db2小波函数对去噪后的信号进行4层小波包分解，获取脑电信号的特征向量。

3.如权利要求1所述的一种基于BCI装置脑电波采集分析的情绪展示设备，其特征在于：所述前端脑电波信号采集设备为带有电极的128通道Neuralynx脑电记录分析扫描帽。

4.如权利要求2所述的一种基于BCI装置脑电波采集分析的情绪展示设备，其特征在于：所述脑电波信号特征提取模块和所述脑电波信号特征提取模块中，将大脑皮层中产生的9-13Hz的电信号定义为节律，采用小波包4层分解，将信号正交地分解到32个独立频带，使得节律的正弦信号划归到相应的第二频带里，取得第二层的分解系数和能量作为特征向量。

5.如权利要求1所述的一种基于BCI装置脑电波采集分析的情绪展示设备，其特征在于：所述前端脑电波信号采集设备采集被测者的脑电波信号，具体步骤包括，

步骤一、利用功能性磁共振成像技术，得到脑电波信号对应的fMIR数据，对所述fMIR数据进行分析及归一化处理，再将处理后的图像与高分辨率的结构图像进行配准，并归一到MNI的空间，然后利用三维高斯函数对经过上述处理的数据做空间平滑处理；

步骤二、去除经过步骤一处理的各个脑电波信号数据之间的相关性，利用ICA方法对脑电波信号数据进行处理，得出最优变换矩阵；

由最优变换矩阵进而恢复信号源矩阵，从脑电波信号数据中分离出有效的成分，每个有效的成分对应一个偶极子成；

步骤三、结合头部模型及其传导系数，对每一个提取的有效的成分求解最优的偶极子配置，使得由上述偶极子产生的头皮电场分布与测量到的头皮电场分布在均方意义下最小，将fMIR数据中的激活点位置作为寻找偶极子位置的种子点，在fMIR数据限定源的可能空间中求解全局最优解，最优解经过融合处理作为结果输出。

6.如权利要求5所述的一种基于BCI装置脑电波采集分析的情绪展示设备，其特征在于，所述步骤二中，利用ICA方法对脑电信号数据进行处理具体如下：

设定记录的头皮电位x_i作为观测向量，其中，i＝1,2,.....,m，m表示电极的数量，观测向量x_i是n个时间上独立的信号源s_j的线性混和，其中，j＝1,2,...,n，每一个s_j都是统计独立并且有其固定的空间信息权重a_j，a_j是导联场矩阵A的第j列；

在上述设定下，使用ICA方法直接寻找最优的变换矩阵W，并恢复信号源矩阵M；使用估计的信号Y对观测信号X进行重建：

X＝W^-1Y(1)

X的第j个时间序列可以由下式表示:

$\left[\begin{array}{c}{X}_{1j}\\ X_{2j}\\ .\\ .\\ .\\ X_{mj}\end{array}\right]=\left[\begin{array}{c}{W}_{11}^{-1}\\ W_{21}^{-1}\\ .\\ .\\ .\\ W_{m1}^{-1}\end{array}\right]Y_{1j}+\left[\begin{array}{c}{W}_{12}^{-1}\\ W_{22}^{-1}\\ .\\ .\\ .\\ W_{m2}^{-1}\end{array}\right]Y_{2j}+\mathrm{...}+\left[\begin{array}{c}{W}_{1m}^{-1}\\ W_{2m}^{-1}\\ .\\ .\\ .\\ W_{nm}^{-1}\end{array}\right]Y_{mj}---\left(2\right)$

其中，是W^-1的第n行第m列的元素。

7.如权利要求5所述的一种基于BCI装置脑电波采集分析的情绪展示设备，其特征在于：步骤三所述的头部模型具体为4层球模型，所述4层球模型的半径依次是80mm、82mm、84mm及87mm，其传导系数分别为0.459S/m、1.372S/m、0.0056S/m和0.442S/m。

8.如权利要求6所述的一种基于BCI装置脑电波采集分析的情绪展示设备，其特征在于，所述步骤三的具体过程如下：

设定大脑表皮的电磁场观测信号与大脑内部任何位置的源信号近似地呈线性关系，由下式表示：

X＝AS+N(3)

其中，X是头皮电极记录的观测信号，A是导联场矩阵，S是偶极子矢量，N表示每个电极接收信号中的噪声组成的矢量；

导联场矩阵A是偶极子位置、大脑几何形状以及介质传导系数的非线性函数，它的每一列表示位于某一位置的单位强度的源对左端观测信号X的贡献；

优化问题等价于求解下式：

$\mathrm{\&xi;}=\underset{S}{\arg min}(C{\left|\right|\mathrm{AS}-X\left|\right|}^2+{\mathrm{\&lambda;}}^2{\left|\right|S\left|\right|}^2)---\left(4\right)$

其中，C是信噪比归一化矩阵，λ是正则化参数；

将目标函数与解的空间性质相联系，定义目标函数为：

$\mathrm{\&xi;}=\underset{S}{\arg min}(C{\left|\right|\mathrm{AS}-X\left|\right|}^2+{\mathrm{\&lambda;}}^2{\left|\right|S\left|\right|}^2+P)---\left(5\right)$

式中，P项是对解的一种空间约束，即结合fMIR限定源的可能空间位置，由下式定义：

$P=\underset{i=1}{\overset{l}{\&Sigma;}}\{\begin{array}{cc}0,& \left|r_i-s_i\right|<d_i\\ c\left|r_i-s_i\right|,& else\end{array}withc>>\mathrm{\&lambda;}---\left(6\right)$

其中，l是偶极子的数量；r_i是第i个偶极子的位置向量；s_i是fMIR激活点的空间信息；c和d_i均是常数，偶极子的位置与fMIR的激活点位置是相关的，fMIR的激活点位置即是寻找偶极子位置的种子点；

建立目标函数之后，将偶极子的参数看作是高维空间中的一个节点，采用模拟退火算法求全局最优解。