CN105700687B - 基于folding HDCA算法的单试次脑电P300成分检测方法 - Google Patents
基于folding HDCA算法的单试次脑电P300成分检测方法 Download PDFInfo
- Publication number
- CN105700687B CN105700687B CN201610139359.6A CN201610139359A CN105700687B CN 105700687 B CN105700687 B CN 105700687B CN 201610139359 A CN201610139359 A CN 201610139359A CN 105700687 B CN105700687 B CN 105700687B
- Authority
- CN
- China
- Prior art keywords
- time window
- eeg signals
- time
- brain electricity
- algorithms
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
Abstract
本发明涉及一种基于folding HDCA算法的单试次脑电P300成分检测方法,给被试看一系列RSVP图像序列,采集被试脑电信号,将所有图像所对应的脑电信号分为若干个时间窗口,取一个时间窗口及其前f个时间窗口内的多导联信号组成一组新的导联信号,并与空间权重、时间权重做运算,获得兴趣得分,将兴趣得分与设定阈值进行比对,判断目标图像,将目标图像结果进行输出。本发明通过将被试当前时刻的脑电信号与之前时刻的脑电信号相关联,将多导联脑电信号降维到一维,有效降低实际应用中P300成分的潜伏期与峰值随被试生理状态、目标概率、目标含义而引起的变化因素的影响,有效的提取脑电P300成分,进而确定目标图像。
Description
技术领域
本发明涉及脑电信号检测技术领域,特别涉及一种基于folding HDCA算法的单试次脑电P300成分检测方法。
背景技术
脑电信号(EEG)是大脑活动的外在体现,作为人体最主要的神经中枢,大脑首先维持人体正常生理活动,其次协助人们完成有意识的各种活动。不同的大脑活动表现为具有不同特征的脑电信号。研究表明,对这些脑电模式进行时域频域分析,有助于逆向分析人的意识活动,这为脑电信号的应用提供了理论基础。脑-机接口技术(BCI,Brain-ComputerInterface),目的在于打破人必须通过器官和外界交流的限制,仅通过脑电信号(EEG)实现人类意识与外界的沟通。现阶段BCI技术主要使用脑电帽等设备,采集被试的脑电信号,将这些脑电信号进行量化,转换成计算机可识别的数据,EEG信号可用脑电帽上的电极获取,附图1中非入侵式电极采集信号设备的电极分布系统标准,通过对EEG的分析,我们可以解码人类思维意图,实现人-机协同工作。
近年来,研究人员对使用脑-机接口技术实现图像识别的问题进行了大量的研究。这些研究多采用快速序列图像呈现(RSVP)为刺激范式,采集多通道、高采样率的脑电信号,使用有效的模式识别方法对图像集进行识别分类。快速序列图像呈现(RSVP)是指,将图片序列以每秒2~12幅的速度快速呈现给被试,被试观看这些图像,当图像序列中出现用户所关注的图像时,用户的脑电信号中会出现特定的脑电成分(P300成分)。给被试观看图像,同时检测每幅图像所对应的脑电信号中是否出现P300成分,由于不知道出现的图像是否为目标图像,因此需要在每幅图像对应的EEG信号中检测是否含有P300,进而确定图像是否为目标图像。
P300成分是经常使用的一种ERP成分,ERP也称为事件相关电位,是与特定感知或认知任务相关的神经反应,ERP可以使用组平均的方法从EEG信号中提取出来。P300是用户观察到一个小概率事件后约300ms出现的正峰波形。在基于快速序列图像呈现(RSVP)的图像检索技术中,认为在一系列随机的图像序列中,用户所感兴趣的目标图像是较少的。用户在随机看一张图像时,发现是自己所感兴趣的图像的小概率的。因此可以通过检测是否含有P300成分,来判断图像是否为用户感兴趣的图像。P300也被用来分析人的情绪和思维过程。
在实际应用中P300成分的潜伏期与峰值往往不是固定不变的,一些研究表明P300成分的潜伏期与峰值会随着被试的生理状态、目标出现的概率、目标具体含义的变化而变化。附图2~3所示,用户关注的目标不同时,所激发的P300成分具有显著的不同。因此,基于脑电信号的图像检索技术需要在潜伏期变化的情况下检测P300成分。
发明内容
本发明所要解决的问题是,克服在基于脑电信号的目标图像检索中,被试在不同状态下观看不同的目标图像会导致潜伏期变化的问题,提供一种基于folding HDCA算法的单试次脑电P300成分检测方法。
按照本发明所提供的设计方案,一种基于folding HDCA算法的单试次脑电P300成分检测方法,包含如下步骤:
步骤1.被试观看快速序列视觉呈现RSVP图像序列的同时,通过脑电信号采集设备收集被试的脑电信号;
步骤2.将所有图像所对应的脑电信号均分为若干个时间窗口,取一个时间窗口及其前f个时间窗口内的多导联信号组成一组新的导联信号,通过Fisher线性判别器得到空间权重w=[wk wk-1 … wk-f]T,其表示在第k个窗口到第(k-f)个窗口间的所有导联信号的权重,将原始多导联信号通过乘上空间权重w,得到第k个时间窗口中降维后的一维信号,即其中,N表示每个时间窗口中的采样点数,xi[(k-f-1)N+n]表示一幅图像所对应的脑电中第(k-f-1)个窗口的i个导联的n个点的数值;
步骤3.将降维后的一维信号以步骤2中的相同原理均分为同样个数的时间窗口,通过逻辑回归分类器计算得到第k个时间窗口的权重vk,将步骤2中得到的一维信号分为不同时间区间并取均值乘上对应的权重vk,获得兴趣得分,即:
步骤4.统计不同类别脑电信号的兴趣得分,并设定一个阈值,若兴趣得分大于设定阈值,则判定为目标图像,若兴趣得分小于设定阈值,则判定为非目标图像;
步骤5.将目标图像作为被试的检索结果进行输出。
上述的,步骤1中的脑电信号采集设备为脑电仪,采集被试观看图片时的脑电信号,采样频率为256Hz,RSVP图像序列呈现速度为每秒呈现5张图像。
上述的,步骤2的时间窗口中每个时间窗口的尺度为25ms,即1s的脑电数据可以分为40个相邻的时间窗口。
优选的,阈值根据实验结果设定,取兴趣得分最高的若干个图像作为目标图像,则目标图像中最低的兴趣得分即为阈值。
本发明的有益效果:
本发明中,因P300的潜伏期与震幅在不同的条件下可能会发生变化,例如目标概率与刺激物所代表的含义等等,并且,在一个真实的、基于RSVP范式的目标图像检索中,目标概率的出现可能会随时改变,这些因素都会导致P300潜伏期的变化,使得我们无法很精确的在一个固定的时间窗口内完全包含潜伏期的变化范围(HDCA);一种解决方法是采用一种滑动窗口的策略(sHDCA),将在P300波锋位置指定一个时间窗口,并在此范围内训练一个分类器(评分器),然后滑动这个分类器在整个试次的数据上来消除这种时域的变化,显然,滑动窗口策略虽然可以很好的适应潜伏期的时域变化,但很明显会带来相当大的计算量,使得模型的训练时间与实时应用带来较大限制;而本发明采用的folding HDCA算法(fHDCA),在克服潜伏期时域变化上并没有采用滑动窗口的策略,而是在每个固定窗口的降维过程中考虑前f个窗口的信息,为每个窗口的即之前f个时间窗口的每一导联计算一个权重,综合这f+1个时间窗口的信息在一个时间窗口内进行降维,通过这种方式有效降低实际应用中P300成分的潜伏期与峰值随被试生理状态、目标概率、目标含义而引起的变化因素的影响,相对HDCA算法大大提高了精度,而计算复杂度远远低于sHDCA算法,使得在对目标图像的识别中达到一个较高识别精度与较低运算量的效果,有利于一些可穿戴的、低计算力的脑机接口系统。
附图说明:
图1为基于脑电的目标图像检索系统原理图;
图2为脑电P300成分潜伏期与峰值的变化示意图;
图3为被试在不同状态下观看不同目标时激发的P300示意图;
图4为本发明的原理示意图;
图5为本发明的流程示意图;
图6为本发明fHDCA算法与现有HDCA算法的实验精度比较图。
具体实施方式:
下面结合附图和技术方案对本发明作进一步详细的说明,并通过优选的实施例详细说明本发明的实施方式,但本发明的实施方式并不限于此。
实施例一,参见图1~2所示,一种基于folding HDCA算法的单试次脑电P300成分检测方法,包含如下步骤:
步骤1.被试观看快速序列视觉呈现RSVP图像序列的同时,通过脑电信号采集设备收集被试的脑电信号;
步骤2.将所有图像所对应的脑电信号均分为若干个时间窗口,取一个时间窗口及其前f个时间窗口内的多导联信号组成一组新的导联信号,通过Fisher线性判别器得到空间权重w=[wk wk-1 … wk-f]T,其表示在第k个窗口到第(k-f)个窗口间的所有导联信号的权重,将原始多导联信号通过乘上空间权重w,得到第k个时间窗口中降维后的一维信号,即其中,N表示每个时间窗口中的采样点数,xi[(k-f-1)N+n]表示一幅图像所对应的脑电中第(k-f-1)个窗口的i个导联的n个点的数值;
步骤3.将降维后的一维信号以步骤2中的相同原理均分为同样个数的时间窗口,通过逻辑回归分类器计算得到第k个时间窗口的权重vk,将步骤2中得到的一维信号分为不同时间区间并取均值乘上对应的权重vk,获得兴趣得分,即:
步骤4.统计不同类别脑电信号的兴趣得分,并设定一个阈值,若兴趣得分大于设定阈值,则判定为目标图像,若兴趣得分小于设定阈值,则判定为非目标图像;
步骤5.将目标图像作为被试的检索结果进行输出。
实施例二,参见图1~5所示,一种基于folding HDCA算法的单试次脑电P300成分检测方法,包含如下步骤:
步骤1.被试观看快速序列视觉呈现RSVP图像序列的同时,通过脑电信号采集设备收集被试的脑电信号,其中,脑电信号采集设备为脑电仪,采集被试观看图片时的脑电信号,采样频率为256Hz,RSVP图像序列呈现速度为每秒呈现5张图像;
步骤2.将所有图像所对应的脑电信号均分为若干个时间窗口,取一个时间窗口及其前f个时间窗口内的多导联信号组成一组新的导联信号,通过Fisher线性判别器得到空间权重w=[wk wk-1 … wk-f]T,其表示在第k个窗口到第(k-f)个窗口间的所有导联信号的权重,因此将原始多导联信号通过这种方式乘上空间权重w,可以得到第k个时间窗口中降维后的一维信号,即其中N表示每个时间窗口中的采样点数,xi[(k-f-1)N+n]表示一幅图像所对应的脑电中第(k-f-1)个窗口的i个导联的n个点的数值。其中,时间窗口中每个时间窗口的尺度为25ms,即1s的脑电数据可以分为40个相邻的时间窗口;
步骤3.同样,将降维后的一维信号以相同的方式均分为同样个数的时间窗口,通过逻辑回归分类器计算得到第k个时间窗口的权重vk,将步骤2中得到的一维信号分为不同时间区间并取均值乘上对应的权重vk,获得兴趣得分,即:
步骤4.统计不同类别信号的兴趣得分,并设定一个阈值,若兴趣得分大于设定阈值,则判定为目标图像,若兴趣得分小于设定阈值,则判定为非目标图像,阈值的选择可以根据实验结果确定,取兴趣得分最高的若干个图像作为目标图像,则目标图像中最低的兴趣得分即为阈值。
步骤5.将目标图像作为被试的检索结果进行输出。
本发明克服在基于脑电信号的目标图像检索中,被试在不同状态下观看不同的目标图像会导致潜伏期变化的问题,通过将被试当前时刻的脑电信号与之前时刻的脑电信号相关联,考虑之前时刻的脑电信号,将多导联脑电信号降维到一维,有效降低实际应用中P300成分的潜伏期与峰值随被试生理状态、目标概率、目标含义而引起的变化因素的影响,有效的提取脑电P300成分,进而确定目标图像,如图6所示,基于Matlab平台与C++语言,实现设备处理器为Intel(R)Core(TM)2i7-2630QM CPU,主频2.00GHz,内存4.0GB,系统为Windows 764bit,通过实验测试结果可以看出,相对HDCA算法大大提高了精度,而计算复杂度远远低于sHDCA算法,使得在对目标图像的识别中达到一个较高识别精度与较低运算量的效果。
本发明并不局限于上述具体实施方式,本领域技术人员还可据此做出多种变化,但任何与本发明等同或者类似的变化都应涵盖在本发明权利要求的范围内。
Claims (4)
1.一种基于folding HDCA算法的单试次脑电P300成分检测方法,其特征在于:包含如下步骤:
步骤1、被试观看快速序列视觉呈现RSVP图像序列的同时,通过脑电信号采集设备收集被试的脑电信号;
步骤2、将所有图像所对应的脑电信号均分为若干个时间窗口,取一个时间窗口及其前f个时间窗口内的多导联信号组成一组新的导联信号,通过Fisher线性判别器得到空间权重w=[wk wk-1 … wk-f]T,其表示在第k个窗口到第(k-f)个窗口间的所有导联信号的权重,将原始多导联信号通过乘上空间权重w,得到第k个时间窗口中降维后的一维信号,即其中,N表示每个时间窗口中的采样点数,xi[(k-f-1)N+n]表示一幅图像所对应的脑电中第(k-f-1)个窗口的i个导联的n个点的数值;
步骤3、将降维后的一维信号以步骤2中的相同原理均分为同样个数的时间窗口,通过逻辑回归分类器计算得到第k个时间窗口的权重vk,将步骤2中得到的一维信号分为不同时间区间并取均值乘上对应的权重vk,获得兴趣得分,即:
步骤4、统计不同类别脑电信号的兴趣得分,并设定一个阈值,若兴趣得分大于设定阈值,则判定为目标图像,若兴趣得分小于设定阈值,则判定为非目标图像;
步骤5、将目标图像作为被试的检索结果进行输出。
2.根据权利要求1所述的基于folding HDCA算法的单试次脑电P300成分检测方法,其特征在于:步骤1中的脑电信号采集设备为脑电仪,采集被试观看图片时的脑电信号,采样频率为256Hz,RSVP图像序列呈现速度为每秒呈现5张图像。
3.根据权利要求1所述的基于folding HDCA算法的单试次脑电P300成分检测方法,其特征在于:步骤2的时间窗口中每个时间窗口的尺度为25ms,即1s的脑电数据可以分为40个相邻的时间窗口。
4.根据权利要求1所述的基于folding HDCA算法的单试次脑电P300成分检测方法,其特征在于:阈值根据实验结果设定,取兴趣得分最高的若干个图像作为目标图像,则目标图像中最低的兴趣得分即为阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610139359.6A CN105700687B (zh) | 2016-03-11 | 2016-03-11 | 基于folding HDCA算法的单试次脑电P300成分检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610139359.6A CN105700687B (zh) | 2016-03-11 | 2016-03-11 | 基于folding HDCA算法的单试次脑电P300成分检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105700687A CN105700687A (zh) | 2016-06-22 |
CN105700687B true CN105700687B (zh) | 2018-03-13 |
Family
ID=56220409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610139359.6A Active CN105700687B (zh) | 2016-03-11 | 2016-03-11 | 基于folding HDCA算法的单试次脑电P300成分检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105700687B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107898458B (zh) * | 2017-10-12 | 2020-07-17 | 中国人民解放军信息工程大学 | 基于图像先验的单试次脑电p300成分检测方法及装置 |
CN109521870A (zh) * | 2018-10-15 | 2019-03-26 | 天津大学 | 一种基于rsvp范式的视听觉结合的脑-机接口方法 |
CN111209806B (zh) * | 2019-12-25 | 2023-05-05 | 中国人民解放军战略支援部队信息工程大学 | 基于单试次脑电信号的视频目标异步检测方法 |
CN111597990B (zh) * | 2020-05-15 | 2023-04-28 | 北京邮电大学 | 一种基于rsvp范式的脑-机结合目标检测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102821681A (zh) * | 2010-04-28 | 2012-12-12 | 松下电器产业株式会社 | 脑电波测量装置、电噪声的推定方法、以及执行电噪声的推定方法的计算机程序 |
-
2016
- 2016-03-11 CN CN201610139359.6A patent/CN105700687B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102821681A (zh) * | 2010-04-28 | 2012-12-12 | 松下电器产业株式会社 | 脑电波测量装置、电噪声的推定方法、以及执行电噪声的推定方法的计算机程序 |
Non-Patent Citations (4)
Title |
---|
A Novel Method for Single-Trial Classification in the Face of Temporal Variability;Marathe A R;《Foundations of Augmented Cognition》;20130731;344-352 * |
single-trial EEG classification to overcome and quantify temporal variability;Marathe A R;《IEEE Transactions on Neural Systems & Rehabilitation Engineering A Publication of the IEEE Engineering in Medicine & Biology Society》;20140331;201-211 * |
Spatiotemporal representations of rapid visual target detection: a single-trial EEG classification algorithm;Fuhrmann A G;《IEEE Transactions on Biomedical Engineering》;20140831;2290-2303 * |
快速序列视觉呈现系统及相关处理算法研究;张登科;《信息科技辑》;20130731;I138-854 * |
Also Published As
Publication number | Publication date |
---|---|
CN105700687A (zh) | 2016-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106569604B (zh) | 视听双模态语义匹配和语义失配协同刺激脑机接口方法 | |
CN105700687B (zh) | 基于folding HDCA算法的单试次脑电P300成分检测方法 | |
CN103690165B (zh) | 一种跨诱发模式情绪脑电识别建模方法 | |
CN102715911B (zh) | 基于脑电特征的情绪状态识别方法 | |
CN101515199B (zh) | 一种基于视线跟踪和p300脑电电位的字符输入装置 | |
CN110916631A (zh) | 基于可穿戴生理信号监测的学生课堂学习状态评测系统 | |
CN102200833B (zh) | 一种Speller BCI系统及其控制方法 | |
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 | |
CN103699226A (zh) | 一种基于多信息融合的三模态串行脑-机接口方法 | |
CN110537929A (zh) | 一种基于ssvep的注意力测评方法、训练方法以及脑机接口 | |
Yu et al. | Epileptic seizure prediction based on local mean decomposition and deep convolutional neural network | |
CN110353673A (zh) | 一种基于标准互信息的脑电通道选择方法 | |
CN106805945A (zh) | 一种少数通道的脑电信号中肌电伪迹的消除方法 | |
Eva et al. | Comparison of classifiers and statistical analysis for EEG signals used in brain computer interface motor task paradigm | |
CN102184018A (zh) | 一种脑机接口系统及其控制方法 | |
CN113951903B (zh) | 基于脑电数据测定的高速铁路调度员超负荷状态识别方法 | |
CN101455569A (zh) | 心理生理信号多时窗采集分析系统与测谎方法 | |
CN109009098B (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
CN106484106A (zh) | 视敏度自动识别的非注意事件相关电位脑‑机接口方法 | |
CN110141258A (zh) | 一种情绪状态检测方法、设备及终端 | |
CN111930238A (zh) | 基于动态ssvep范式的脑机接口系统实现方法及装置 | |
CN106073767B (zh) | Eeg信号的相位同步度量、耦合特征提取及信号识别方法 | |
Abdi-Sargezeh et al. | Incorporating uncertainty in data labeling into automatic detection of interictal epileptiform discharges from concurrent scalp-EEG via multi-way analysis | |
CN108304074A (zh) | 显示控制方法及相关产品 | |
CN111067513A (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |