CN106020453A - 一种基于灰色理论的脑-机接口方法 - Google Patents
一种基于灰色理论的脑-机接口方法 Download PDFInfo
- Publication number
- CN106020453A CN106020453A CN201610308582.9A CN201610308582A CN106020453A CN 106020453 A CN106020453 A CN 106020453A CN 201610308582 A CN201610308582 A CN 201610308582A CN 106020453 A CN106020453 A CN 106020453A
- Authority
- CN
- China
- Prior art keywords
- brain
- model
- computer interface
- method based
- gray
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Neurosurgery (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Health & Medical Sciences (AREA)
- Dermatology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出了一种基于灰色理论的脑‑机接口方法,涉及脑‑机接口研究领域,具体涉及脑‑机接口的脑电信号处理方法。所述方法包括:所述方法包括:1、通过引入平滑系数u对GM(1,1)模型进行改进;从而提高了模型参数的区分能力;2、通过模型参数的统计特性提取出良好的信号特征,大大提高了识别的正确率;3、提出了一种基于灰色理论的脑‑机接口方法,采用改进型的灰建模方法实现状态切换,采用基于灰关联的方法实现指令识别,经反复实测表明,本发明能够有效的实现脑‑机接口中的状态转换和指令识别。
Description
技术领域
本发明涉及脑-机接口研究领域,具体涉及脑-机接口的脑电信号处理方法,特别涉及一种基于灰色理论的脑-机接口方法。
背景技术
脑-机接口(Brian-Computer-Interface,BCI)是基于脑电信号实现人脑与计算机或其它电子设备进行通讯和控制的一种新的人机接口方式。它通过采集和分析人脑生物电信号,在人脑与计算机或其它电子设备之间建立起直接交流和控制的通道,从而通过人脑来表达意愿或操纵设备,而不需要语言和肢体动作。一个脑-机接口系统通常包括信号采集,信号处理以及设备驱动三个模块,其中信号处理是脑-机接口系统的核心部分。本发明主要研究基于灰色理论的脑-机接口方法。
研究表明,脑电信号具有背景噪声强、信号幅度微弱、非平稳性和随机性强、频域特征比较突出等特点,因此,脑电信号的分析与处理仍然是一项非常具有挑战性的课题。
灰色系统理论(Grey System Theory)是由我国学者邓聚龙教授于1982年在国际上首先提出的。特别适合于对非典型规律(如非平稳、非高斯分布、非白噪声)的信号的处理,与其它的一些按统计规律和先验规律来处理数据的方法相比,灰色方法具有所需数据量小,不需先验知识等明显的优势,十分适合对脑电信号的处理。然而传统的灰建模方法中的发展系数对建模数据的变化非常敏感,所以需要添加平滑系数来对发展系数进行改进,从而提高灰模型的精度以及区分度。本发明在对传统灰建模改进的基础上实现了对脑电信号的有效识别,并在此基础上,设计了整套基于灰色理论的脑-机接口方法。
本发明提出了特别涉及一种基于灰色理论的脑-机接口方法。
发明内容
(一)所要解决的技术问题
本发明的目的在对传统灰建模改进的基础上实现对脑电信号的有效识别,并在此基础上,设计整套基于灰色理论的脑-机接口特征信号处理方法。
(二)技术方案
为了解决上述技术问题,本发明提出了一种基于灰色理论的脑-机接口方法,所述方法如下:
通常一个脑-机接口系统应包含状态切换模块(空闲状态和任务状态进行切换)和指令识别模块,由于状态切换的状态变换通常是二值的,所以考虑采用alpha波作为特征信号以控制脑-机接口系统的状态变换,但是传统的灰建模方法中的发展系数对建模数据的变化非常敏 感,所以需要添加平滑系数来对发展系数进行改进,从而提高灰模型的精度以及区分度。这里,我们提出了一种改进的灰建模方法对alpha波的模式进行识别。而对于指令识别模块,由于被试的需求可能是多种多样的,即对输出的指令个数的要求是不定的,所以就要求系统能实现多指令识别。我们考虑采用稳态视觉诱发电位作为特征信号,根据被试的要求事先将视觉刺激模式按所需指令数分开,不同刺激模式诱发出不同频率的稳态视觉诱发电位信号,再利用基于灰关联的方法对其进行识别,以实现多指令的脑-机接口系统。
1、基于改进的灰建模方法的alpha波模式识别
alpha波(即α波),是一种自发脑电,频率为8~13Hz,振幅约为20~100μV,它是有节律性脑电波中最明显的波。多在清醒闭目时候出现;睁眼、思考问题、或接受其它刺激时,alpha波消失,转而出现快波;如果被测者安静闭目,则alpha波又重新出现,这一现象称为alpha波阻断现象。利用alpha波的这一特性,对其进行有效的识别。相较于对于传统的灰建模方法,我们添加了平滑系数来对发展系数进行改进,提出了一种基于改进的灰建模方法对alpha波进行模式识别。
处理流程如图1所示。
1.1首先对原始EEG数据进行4-30Hz的滤波,设原始数据长度为L,并对信号进行预处理。
1.2将滤波后的数值序列做数据提升后作为灰模型GM(1,1)的原始序列,即非负数序列X(0)(k)=[X(0)(k)|k=1,2,…,n],求出累加序列X(1)(k)=[X(1)(k)|k=1,2,…,n]。这里G代表的是grey,M代表的是model,括号里的第一个1代表的是1阶方程,第二个1代表的是1个变量。
1.3引入平滑系数u来改进灰模型,根据累加数列X(1)(k)建立改进的GM(1,1),每N个点建一个模型:其中,a为发展系数,b为灰作用量。
1.4每段L长的数据共有求这些αi的方差作为最终的特征Tα。
1.5将Tα放入SVM中进行分类识别。
2、基于灰关联方法的SSVEP模式识别
SSVEP(Steady State Visual Evoked Potential)是诱发脑电,而且特征是关注闪烁刺激时对应刺激频率的脑电波成分幅值增大。所以,可以通过检测被试的SSVEP信号来获得被试的主观意图。我们采用灰关联分析法来对SSVEP信号进行特征提取。
具体流程如图2所示。
2.1将读取的脑电信号f(t)作傅里叶变换得到F(f);
2.2生成一组参考信号(频率为刺激闪烁频率的正弦信号),并对其求傅里叶变换得到Fref_i(f),i=1,2,…,n;
2.3将变换后的信号F(f)和参考信号Fref_i(f)作灰关联,求其灰相关系数ri,i=1,2,…,n;
2.4利用SVM分类器对由灰相关系数构成的相关向量R=[r1 r2 … rn]T做分类,得到被试的主观意图。
3、基于灰色理论的脑-机接口方法
根据上文提出的基于灰色理论的脑-机接口特征信号处理方法,本发明设计一种基于灰色理论的脑-机接口方法。实验方案如图3所示。
本发明提出了一种基于灰色理论的脑-机接口方法,该系统首先计算检测采集到的脑电信号在8-13Hz内的能量变化(时长为0.5s)。(1)若没有较大的能量变化,则进入SSVEP信号检测状态。(2)如果产生较大的能量变化,便可认为此时被试有状态转换意愿,进入alpha检测状态,转换到空闲状态并将之前记录的SSVEP信号数据清零,之后采用基于灰建模的识别方法对每0.5s对信号状态进行识别,当检测出被试是睁眼状态时,则进入SSVEP信号检测状态。在进入SSVEP信号检测状态后,以0.5s为一个时间单位来记录SSVEP脑电数据,并继续判断该数据是否有突然的能量增加,直到SSVEP数据的长度大于3s时,利用基于灰关联的信号识别方法对SSVEP信号进行识别,将识别结果转换为机器指令,驱动外部设被的相应运动。
(三)有益效果
本发明提出了一种基于灰色理论的脑-机接口特征信号处理方法,首先通过引入平滑系数u对GM(1,1)模型进行改进,从而提高了模型参数的区分能力,并通过模型参数的统计特性提取出良好的信号特征,大大提高了识别的正确率,如图4所示。并在此基础上,提出了一种基于灰色理论的脑-机接口方法,采用改进型的灰建模方法实现状态切换,采用基于灰关联的方法实现指令识别,经反复实测表明,本发明能够有效的实现脑-机接口中的状态转换和指令识别。
附图说明
图1基于改进的灰建模方法的alpha波模式识别示意图
图2基于灰关联方法的SSVEP模式识别示意图
图3一种基于灰色理论的脑-机接口方法的系统框图
图4改进GM(1,1)算法与传统GM(1,1)算法的对比图
具体实施方案
1、基于改进的灰建模方法的alpha波模式识别
处理流程如图1所示。
1.1首先对原始EEG数据进行4-30Hz的滤波,设原始数据长度为0.5s,100个点。
1.2将滤波后的数值序列做数据提升后作为灰模型GM(1,1)的原始序列,即非负数序列X(0)(k)=[X(0)(k)|k=1,2,…,n],求出累加序列X(1)(k)=[X(1)(k)|k=1,2,…,n]。这里G代表的是grey,M代表的是model,括号里的第一个1代表的是1阶方程,第二个1代表的是1个变量。
1.3引入平滑系数u来改进灰模型,根据累加数列X(1)(k)建立改进的GM(1,1),每10个点建一个模型,模型如下:
其中,a为发展系数,b为灰作用量。
1.4每段0.5s长的数据共有10个αi,i=1,…10,求这些αi的方差作为最终的特征Tα。
1.5将Tα放入SVM中进行分类识别。
根据上述算法,我们对被试在选取1个导联(O1)的情况下建立了改进的GM(1,1)模型,并将最终的特征Tα放入SVM中识别分类,与传统GM(1,1)模型对比的实验结果如图4所示。可以看到,基于改进算法,可以大大提升对alpha波的识别正确率,尤其当这种优势在时间较短时尤为明显。
2、基于灰关联方法的SSVEP模式识别
SSVEP是诱发脑电,而且特征是关注闪烁刺激时对应刺激频率的脑电波成分幅值增大。所以,可以通过检测被试的SSVEP信号来获得被试的主观意图。我们采用灰关联分析法来对SSVEP信号进行特征提取。
具体流程如图2所示。
2.1将读取的脑电信号f(t)作傅里叶变换得到F(f);
2.2生成一组参考信号(频率为刺激闪烁频率的正弦信号),并对其求傅里叶变换得到Fref_i(f),i=1,2,…,n;
2.3将变换后的信号F(f)和参考信号Fref_i(f)作灰关联,求其灰相关系数ri, i=1,2,…,n;
2.4利用SVM分类器对由灰相关系数构成的相关向量R=[r1 r2 … rn]T做分类,得到被试的主观意图。
3、基于灰色理论的脑-机接口方法
根据上文提出的基于灰色理论的脑-机接口特征信号处理方法,本发明设计一种基于灰色理论的脑-机接口方法。实验方案如图3所示。
本发明提出了一种基于灰色理论的脑-机接口方法,该系统首先计算检测采集到的脑电信号在8-13Hz内的能量变化(时长为0.5s)。(1)若没有较大的能量变化,则进入SSVEP信号检测状态。(2)如果产生较大的能量变化,便可认为此时被试有状态转换意愿,进入alpha检测状态,转换到空闲状态并将之前记录的SSVEP信号数据清零,之后采用基于灰建模的识别方法对每0.5s对信号状态进行识别,当检测出被试是睁眼状态时,则进入SSVEP信号检测状态。在进入SSVEP信号检测状态后,以0.5s为一个时间单位来记录SSVEP脑电数据,并继续判断该数据是否有突然的能量增加,直到SSVEP数据的长度大于3s时,利用基于灰关联的信号识别方法对SSVEP信号进行识别,将识别结果转换为机器指令,驱动外部设被的相应运动。
本发明提出的基于灰色理论的脑-机接口特征信号处理方法,通过引入平滑系数u对GM(1,1)模型进行改进,从而提高了模型参数的区分能力,并通过模型参数的统计特性提取出良好的信号特征,大大提高了识别的正确率。并在此基础上,提出了一种基于灰色理论的脑-机接口方法,采用基于改进型的灰建模方法实现状态切换,采用基于灰关联的方法实现指令识别,经反复实测表明,本发明能够有效的实现脑-机接口中的状态转换和指令识别。
Claims (5)
1.一种基于灰色理论的脑-机接口方法,其特征在于,所述方法包括以下步骤:
通过引入平滑系数u对GM(1,1)模型进行改进,根据累加数列X(1)(k)建立改进的GM(1,1),每N个点建一个模型,以提高模型参数的区分能力;
模型如下:
其中,a为发展系数,b为灰作用量;
通过模型参数的统计特性(模型参数的方差)提取出良好的信号特征;
提出了一种基于灰色理论的脑-机接口方法,采用改进后的灰建模方法识别alpha波信号以实现脑-机接口系统的状态切换,采用基于灰关联的方法识别SSVEP信号以实现指令识别。
2.根据权利要求1所述的一种基于灰色理论的脑-机接口方法,其特征在于,首先通过引入平滑系数u对GM(1,1)模型进行改进:
将滤波后的脑电信号数值序列做数据提升后作为灰模型GM(1,1)的原始序列,即非负数序列X(0)(k)=[X(0)(k)|k=1,2,…,n],求出累加序列X(1)(k)=[X(1)(k)|k=1,2,…,n];这里G代表的是grey,M代表的是model,括号里的第一个1代表的是1阶方程,第二个1代表的是1个变量;
引入平滑系数u来改进灰模型,根据累加数列X(1)(k)建立改进的GM(1,1),每N个点建一个模型,模型如下:
其中,a为发展系数,b为灰作用量。
3.根据权利要求1所述的一种基于灰色理论的脑-机接口方法,求模型参数的统计特性从而得到特征向量Tα:
每段L长的数据共有个求这些αi的方差作为最终的特征Tα。
4.根据权利要求1所述的一种基于灰色理论的脑-机接口方法,将特征向量Tα作为特征放入支持向量机分类器中完成多分类任务。
5.根据权利要求1所述的一种基于灰色理论的脑-机接口方法,采用改进后的灰建模方法识别alpha波信号以实现脑-机接口系统的状态切换,采用基于灰关联的方法识别SSVEP信号以实现指令识别,从而有效的实现脑-机接口中的状态转换和指令识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610308582.9A CN106020453B (zh) | 2016-05-11 | 2016-05-11 | 一种基于灰色理论的脑-机接口方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610308582.9A CN106020453B (zh) | 2016-05-11 | 2016-05-11 | 一种基于灰色理论的脑-机接口方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106020453A true CN106020453A (zh) | 2016-10-12 |
CN106020453B CN106020453B (zh) | 2021-09-10 |
Family
ID=57099309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610308582.9A Active CN106020453B (zh) | 2016-05-11 | 2016-05-11 | 一种基于灰色理论的脑-机接口方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106020453B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682406A (zh) * | 2016-12-12 | 2017-05-17 | 西北工业大学 | 基于gm‑gp算法的睡眠状态监测方法 |
CN111078001A (zh) * | 2019-11-20 | 2020-04-28 | 浙江传媒学院 | 一种基于alpha波的差错抑制脑机接口方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1571850A2 (en) * | 2004-03-05 | 2005-09-07 | Samsung Electronics Co., Ltd. | Apparatus and method for encoding and decoding image containing grayscale alpha channel image |
US20100232698A1 (en) * | 2009-02-25 | 2010-09-16 | The Government Of The United States Of America As Represented By The Secretary Of The Navy | Computationally Efficient Method for Image Segmentation with Intensity and Texture Discrimination |
CN102778949A (zh) * | 2012-06-14 | 2012-11-14 | 天津大学 | 基于ssvep阻断和p300双特征的脑-机接口方法 |
CN103729501A (zh) * | 2013-12-18 | 2014-04-16 | 国网山西省电力公司晋中供电公司 | 基于灰色理论的短期电力负荷预测方法 |
CN105021869A (zh) * | 2015-07-22 | 2015-11-04 | 厦门理工学院 | 一种低压配电短路电流峰值预测方法 |
CN105447594A (zh) * | 2015-11-17 | 2016-03-30 | 福州大学 | 一种基于指数平滑的电力系统灰色负荷预测方法 |
-
2016
- 2016-05-11 CN CN201610308582.9A patent/CN106020453B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1571850A2 (en) * | 2004-03-05 | 2005-09-07 | Samsung Electronics Co., Ltd. | Apparatus and method for encoding and decoding image containing grayscale alpha channel image |
US20100232698A1 (en) * | 2009-02-25 | 2010-09-16 | The Government Of The United States Of America As Represented By The Secretary Of The Navy | Computationally Efficient Method for Image Segmentation with Intensity and Texture Discrimination |
CN102778949A (zh) * | 2012-06-14 | 2012-11-14 | 天津大学 | 基于ssvep阻断和p300双特征的脑-机接口方法 |
CN103729501A (zh) * | 2013-12-18 | 2014-04-16 | 国网山西省电力公司晋中供电公司 | 基于灰色理论的短期电力负荷预测方法 |
CN105021869A (zh) * | 2015-07-22 | 2015-11-04 | 厦门理工学院 | 一种低压配电短路电流峰值预测方法 |
CN105447594A (zh) * | 2015-11-17 | 2016-03-30 | 福州大学 | 一种基于指数平滑的电力系统灰色负荷预测方法 |
Non-Patent Citations (5)
Title |
---|
ZHIYU ZHOU ET.AL: "Image Edge Detection Based on Improved Grey Prediction Model", 《JOURNAL OF COMPUTATIONAL INFORMATION SYSTEMS》 * |
ZHONGLIN LIN: "Frequency Recognition Based on Canonical Correlation Analysis for SSVEP-Based BCIs", 《BIOMEDICAL ENGINEERING》 * |
谢松云 等: "基于多模式EEG的脑-机接口虚拟键鼠系统设计", 《西北工业大学学报》 * |
谢松云 等: "基于灰关联分析的脑电信号识别新方法", 《微电子学与计算机》 * |
谢松云等: "基于SVM的脑功能分类与识别方法研究", 《中国医学影像技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682406A (zh) * | 2016-12-12 | 2017-05-17 | 西北工业大学 | 基于gm‑gp算法的睡眠状态监测方法 |
CN106682406B (zh) * | 2016-12-12 | 2019-02-01 | 西北工业大学 | 基于gm-gp算法的睡眠状态监测方法 |
CN111078001A (zh) * | 2019-11-20 | 2020-04-28 | 浙江传媒学院 | 一种基于alpha波的差错抑制脑机接口方法 |
CN111078001B (zh) * | 2019-11-20 | 2023-04-14 | 浙江传媒学院 | 一种基于alpha波的差错抑制脑机接口方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106020453B (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388348B (zh) | 一种基于深度学习和注意力机制的肌电信号手势识别方法 | |
CN105956624B (zh) | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 | |
CN104783782B (zh) | 心电信号自动检测方法及装置 | |
CN105654063B (zh) | 基于人工蜂群时频参数优化的运动想象脑电模式识别方法 | |
CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及系统 | |
CN108960182A (zh) | 一种基于深度学习的p300事件相关电位分类识别方法 | |
CN104771178B (zh) | 身份识别的方法及装置 | |
CN104503580A (zh) | 一种对稳态视觉诱发电位脑-机接口目标的识别方法 | |
CN1317624C (zh) | 基于瞬态视觉诱发电位提取脑机接口控制信号的方法 | |
CN103092971B (zh) | 一种用于脑机接口中的分类方法 | |
CN109375776A (zh) | 基于多任务rnn模型的脑电信号动作意图识别方法 | |
CN112674782B (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
CN111067513B (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 | |
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 | |
CN105046273A (zh) | 基于多尺度样本熵的癫痫脑皮层电图信号分类方法 | |
CN110367975A (zh) | 一种基于脑机接口的疲劳驾驶检测预警方法 | |
CN113069117A (zh) | 一种基于时间卷积神经网络的脑电情绪识别方法及系统 | |
CN114532993B (zh) | 一种癫痫患者脑电高频振荡信号的自动检测方法 | |
CN106333676B (zh) | 清醒状态下的脑电信号数据类型的标注装置 | |
CN104679967A (zh) | 一种判断心理测试可靠性的方法 | |
CN109009098A (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
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 | |
CN106020453A (zh) | 一种基于灰色理论的脑-机接口方法 | |
CN106843509B (zh) | 一种脑机接口系统 | |
CN109993132B (zh) | 一种基于脑电信号的图形识别生成方法及系统 |
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 |