CN106095086A - 一种基于无创电刺激的运动想象脑机接口控制方法 - Google Patents

一种基于无创电刺激的运动想象脑机接口控制方法 Download PDF

Info

Publication number
CN106095086A
CN106095086A CN201610393441.1A CN201610393441A CN106095086A CN 106095086 A CN106095086 A CN 106095086A CN 201610393441 A CN201610393441 A CN 201610393441A CN 106095086 A CN106095086 A CN 106095086A
Authority
CN
China
Prior art keywords
signal
event
brain
noinvasive
control method
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
Application number
CN201610393441.1A
Other languages
English (en)
Other versions
CN106095086B (zh
Inventor
蔚鹏飞
黄康
王立平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Zhongke Huayi Technology Co., Ltd.
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201610393441.1A priority Critical patent/CN106095086B/zh
Publication of CN106095086A publication Critical patent/CN106095086A/zh
Application granted granted Critical
Publication of CN106095086B publication Critical patent/CN106095086B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Neurology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Dermatology (AREA)
  • Biomedical Technology (AREA)
  • Neurosurgery (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了一种基于无创电刺激的运动想象脑机接口控制方法，该控制方法包括：对用户的初级运动皮层施加阳极无创脑功能电刺激；采集用户执行运动想象任务后的脑电原始信号，并从脑电原始信号中提取事件相关去同步化信号和/或事件相关同步化信号；对所述事件相关去同步化信号和/或事件相关同步化信号进行量化处理，得到所述事件相关去同步化信号和/或事件相关同步化信号在Lowerμ波段、Upperμ波段及β波段的平均功率；对所述事件相关去同步化信号和/或事件相关同步化信号进行特征提取，得到所述事件相关去同步化信号和/或事件相关同步化信号的特征值；根据所述平均功率对所述特征值进行分类得到控制指令；其中，控制指令用于反馈训练范式的控制。

Description

一种基于无创电刺激的运动想象脑机接口控制方法
技术领域
本发明涉及脑机接口控制技术领域，尤其涉及一种基于无创电刺激的运动想象脑机接口控制方法。
背景技术
脑机接口(Brain-Computer Interface,BCI)是一种能够向大脑以外的世界传递信息、提供替代通路的系统，广泛用于运动训练、通讯及娱乐等领域。目前，发展最为成熟的BCI系统主要是基于脑电(Electroencephalography,EEG)的BCI系统，这种BCI系统通过采集头皮EEG信号，并对这种信号进行特征提取和分类，提取出能够反映大脑活动意图的信号，从而达到控制、通信的目的。
基于运动想象(Motor Imagery,MI)的BCI，是指用户通过想象某一种运动过程，自发的调节自身的感觉运动神经节律(Sensorimotor Rhythm,SMR)，具体有两种表现形式，分别是事件相关去同步化(Event-Related Desynchronization,ERD)和事件相关同步化(Event-Related Synchronization,ERS)。在基于运动想象的BCI系统中，用户和BCI系统的控制是一个动态交互的过程，用户对于BCI系统的良好控制，需要BCI系统从ERD/ERS信号中提取运动想象的意图特征并进行分类，以此作为判别依据，下达控制指令。
众所周知，EEG信号携带大量的伪迹和噪声。为了提高用户对BCI系统控制的准确度，现有的很多方法都聚焦于研发复杂的模式识别和分类算法，企图从高噪声的EEG信号中解码出可靠的BCI控制信号。例如，专利公开号为CN104166548A的专利文献介绍了一种基于运动想象脑电数据深度学习的方法，该方法基于深度学习(Deep Learning,DL)算法思想分类方案，利用DL可以有效进行特征提取的优势，分类特征的提取准确度有了保证。另一项公开号为CN104814734A的专利文献中介绍了一种基于CSP和互相关的运动想象脑电信号分类方法，通过共空间模式提取训练集的共空间特征，同时通过互相关函数提取训练集的互相关特征，然后由这两个特征组合成训练集的训练特征向量，主要解决现有技术对个体适应性较差，分类准确度差异大的问题。
上述的为提高用户对BCI系统控制准确度的技术，在离线分析处理环境中，由于硬件资源相对丰富，对于实时性的要求也不会太高，在一定程度上的确提高了分类的准确率，改善了用户对于BCI系统的控制效果。但是在实际的使用中，这些现有的技术存在着以下缺点：
第一，上述的EEG信号分类算法之所以能够提高分类准确度，是以提高算法的时间复杂度和空间复杂度为代价的。在绝大多数情况下，BCI系统需要实时的提取用户的指令，实现对外部任务的控制。而且随着穿戴式设备越来越流行，体积小、重量轻、功耗低成为硬件设备发展的必然趋势，在这些设备上运行复杂的算法是一个不小的挑战，因此，上述的方法在实际应用中效果并不明显。
第二，从用户角度来说，用户对于运动想象BCI系统的适应需要进行多次重复的反馈训练，这虽然是普遍想象，但的确给用户造成了负担，并且会使用户感到疲劳和不适。因为无论分类算法多么精准，都不能提高用户自发调节SMR的技巧。
发明内容
为解决上述技术问题，本发明提供了一种基于无创电刺激的运动想象脑机接口控制方法，该控制方法包括：
对用户的初级运动皮层施加阳极无创脑功能电刺激；
采集用户执行运动想象任务后的脑电原始信号，并从所述脑电原始信号中提取事件相关去同步化信号和/或事件相关同步化信号；
对所述事件相关去同步化信号和/或事件相关同步化信号进行量化处理，得到所述事件相关去同步化信号和/或事件相关同步化信号在Lowerμ波段、Upperμ波段及β波段的平均功率；
对所述事件相关去同步化信号和/或事件相关同步化信号进行特征提取，得到所述事件相关去同步化信号和/或事件相关同步化信号的特征值；
根据所述平均功率对所述特征值进行分类得到控制指令；其中，所述控制指令用于反馈训练范式的控制。
在一实施例中，对用户的初级运动皮层施加阳极无创脑功能电刺激，包括：
将刺激电极的阳极电极置于用户的初级运动皮层的一侧，并将刺激电极的阴极电极置于用户初级运动皮层另一侧对应的眼眶上方；
通过所述阳极电极对用户的初级运动皮层施加不超过预设刺激强度的直流电进行无创脑功能电刺激。
在一实施例中，采用逐渐增强的模式对用户的初级运动皮层施加电刺激。
在一实施例中，所述预设刺激强度为1mA。
在一实施例中，所述控制方法还包括：
对所述采集的脑电原始信号进行放大，并对所述脑电原始信号进行伪迹处理，去除用户眨眼和身体移动造成的伪迹。
在一实施例中，所述控制方法还包括：对所述脑电原始信号进行7-30Hz带通滤波，保留感觉运动神经节律。
在一实施例中，对所述事件相关去同步化信号和/或事件相关同步化信号进行特征提取，得到所述事件相关去同步化信号和/或事件相关同步化信号的特征值，包括：
利用两通道自回归算法计算所述事件相关去同步化信号和/或事件相关同步化信号的两通道自回归功率谱，作为所述事件相关去同步化信号和/或事件相关同步化信号的特征值。
在一实施例中，对所述事件相关去同步化信号和/或事件相关同步化信号进行特征提取，得到所述事件相关去同步化信号和/或事件相关同步化信号的特征值，包括：
利用共空间模式算法对所述事件相关去同步化信号和/或事件相关同步化信号进行特征提取，得到所述事件相关去同步化信号和/或事件相关同步化信号的特征值。
在一实施例中，根据所述平均功率对所述特征值进行分类得到控制指令，包括：
根据所述平均功率，利用基于马氏距离的线性分类器对所述特征值进行分类，得到所述控制指令。
在一实施例中，根据所述平均功率对所述特征值进行分类得到控制指令，包括：
根据所述平均功率，利用线性支持向量机对所述特征值进行分类，得到所述控制指令。
基于现有方法的缺点和科学理论的发展表明，用户对于控制BCI技巧的学习与用户对于常规的运动学习过程是一样的，无创的脑刺激技术，例如重复经颅磁刺激(repetitive Transcranial Magnetic Stimulation,rTMS)和经颅直流电刺激(transcranial Direct Current Stimulation,tDCS)等，被认为能够调节初级运动皮层的学习和巩固。通过施加微弱的直流电，能够方便有效的导致特定脑区极性的改变，调节皮层的兴奋性，并且不会造成神经元动作电位的发放。无创脑功能电刺激的作用效应不仅仅局限于刺激期间，还可以持续到刺激后的几个小时里。
本发明通过阳极无创脑功能电刺激刺激初级运动皮层(Primary Motor Cortex,M1)，增强M1的兴奋性，调节运动想象中的SMR的ERD信号和/或ERS信号，从而巩固用户对BCI控制技巧的学习能力，能够使用户在更少的训练次数里掌握对基于运动想象BCI的控制技巧，减轻学习负担。利用本发明还可以使用户在执行运动想象任务时，产生被电刺激改善的EEG活动模式特征，提高BCI系统的分类性能，即使采用普通的分类算法也能提高分类的准确度。并且，本发明提供的控制方法实时性高，对硬件资源要求低。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于无创电刺激的运动想象脑机接口控制方法流程示意图；
图2为本发明实施例刺激电极的设置方式；
图3为本发明实施例无创脑功能电刺激作用的时间与刺激强度的关系；
图4为本发明实施例获取事件相关去同步化信号和/或事件相关同步化信号流程示意图；
图5为本发明实施例基于视觉的左右手运动想象反馈任务示意图；
图6为本发明实施例运动想象反馈训练范式流程图；
图7为本发明实施例刺激前后执行运动想象任务的命中率对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例基于无创电刺激的运动想象脑机接口控制方法的流程示意图。如图1所示，上述的控制方法主要包括以下步骤：
步骤S1、对用户的初级运动皮层施加阳极无创脑功能电刺激。
具体实施时，需预先调节刺激参数，将刺激电极的阳极电极置于用户大脑的初级运动皮层，施加一定时间的微弱直流电刺激。并且，为用户佩戴上EEG信号采集电极帽，启动BCI硬件软件系统，为执行运动想象任务做好准备。
步骤S2、采集用户执行运动想象任务后的脑电原始信号，并从采集到的脑电原始信号中提取事件相关去同步化信号和/或事件相关同步化信号。
执行运动想象任务指用户通过想象一种运动形式来调节自发感觉运动神经节律的活动模式。通常地，用户需根据电脑上的提示或者指导下执行特定的运动想象任务。
步骤S3、对步骤S2中提取出的事件相关去同步化信号和/或事件相关同步化信号进行量化处理，得到上述的事件相关去同步化信号和/或事件相关同步化信号在Lowerμ波段、Upperμ波段及β波段的平均功率。
步骤S4、继续从上述的脑电信号中提取事件相关去同步化信号和/或事件相关同步化信号，并对该事件相关去同步化信号和/或事件相关同步化信号进行特征提取，得到上述事件相关去同步化信号和/或事件相关同步化信号的特征值。
步骤S5、根据步骤S3得到的平均功率对上述特征值进行分类得到控制指令。其中，该控制指令用于反馈训练范式的控制。
运动想象的反馈训练范式为一种需要用户进行交互的系统，可以是计算机软件、机械系统、电子电路系统中的一种或两种或其结合。
本发明通过阳极无创脑功能电刺激刺激初级运动皮层(Primary Motor Cortex,M1)，增强M1的兴奋性，调节运动想象中的SMR的ERD信号和/或ERS信号，从而巩固用户对BCI控制技巧的学习能力，能够使用户在更少的训练次数里掌握对基于运动想象BCI的控制技巧，减轻学习负担。利用本发明还可以使用户在执行运动想象任务时，产生被电刺激改善的EEG活动模式特征，提高BCI系统的分类性能，即使采用普通的分类算法也能提高分类的准确度。并且，本发明提供的控制方法实时性高，对硬件资源要求低。
在本发明实施例中，EEG原始信号的采集及预处理可以借助于NeuroScan公司的SynAmps2放大器和NeuroScan软件系统。可选地，任何能够达到相同结果EEG信号采集设备和软件系统都可以用于EEG原始信号的采集与预处理。
在对用户的初级运动皮层施加阳极无创脑功能电刺激时，通常将刺激电极的阳极电极置于用户的初级运动皮层的一侧，并将刺激电极的阴极电极置于用户初级运动皮层另一侧对应的眼眶上方。
图2示出了一种刺激电极的设置方式。在图2中，刺激的位置是用户大脑右侧初级运动皮层，即将刺激电极的阳极电极1放置于对应的右侧初级运动皮层的头皮位置，并将刺激电极的阴极电极2置于用户初级运动皮层另一侧对应的眼眶上方。阳极电极1和阴极电极2通常为两通道的刺激电极。通过阳极电极1对用户的初级运动皮层施加不超过预设刺激强度的直流电进行无创脑功能电刺激，并通过设置在用户头皮上的多个电极3采集用户的EEG原始信号。
上述刺激电极的设置方式仅作为示例，并非用于对本发明的限制，阳极电极1的具体放置位置可以根据实际情况确定。
在对用户的初级运动皮层施加阳极无创脑功能电刺激时，可以采用逐渐增强的模式对用户的初级运动皮层施加电刺激，该电刺激的强度不超过预设刺激强度，在一般情况下，预设刺激强度为1mA。图3示出了逐渐增强模式下无创脑功能电刺激作用的时间与刺激强度的关系，其中预设刺激强度为1mA，用逐渐增强的模式在10s内达到预设刺激强度；刺激强度达到1mA后，持续对用户的初级运动皮层进行电刺激；在刺激即将结束时，利用逐渐减弱的模式在10s内逐渐减弱刺激强度，整个刺激时间持续15分钟。
在对用户施加电刺激后，可以按照图4所示的步骤从用户的EEG原始信号中提取出ERD信号和/或ERS信号：
步骤S21、采集用户执行运动想象任务后的脑电原始信号。
步骤S22、对步骤S21采集的脑电原始信号进行放大，并对该脑电原始信号进行伪迹处理，去除用户眨眼和身体移动造成的伪迹。
步骤S23、对脑电原始信号进行7-30Hz带通滤波，保留感觉运动神经节律成分。
步骤S24、从经过处理的EEG原始信号中提取出ERD信号和/或ERS信号。
在从EEG原始信号中提取出ERD信号和/或ERS信号后，利用BCI2000系统对提取出来的ERD信号和/或ERS信号进行量化处理，得到ERD信号和/或ERS信号在Lowerμ波段、Upperμ波段及β波段的平均功率。
在步骤S4中，在对ERD信号和/或ERS信号进行特征提取，获取ERD信号和/或ERS信号的特征值时，可以采用两通道自回归(Two channels’Autoregressive)算法计算ERD信号和/或ERS信号的两通道自回归功率谱，作为ERD信号和/或ERS信号的特征值。
在另一实施例中，也可以采用共空间模式(Common Spatial Pattern，CSR)算法对上述ERD信号和/或ERS信号进行特征提取，得到ERD信号和/或ERS信号的特征值。
不论是采用共空间模式算法对ERD信号和/或ERS信号进行特征提取，还是采用两通道自回归算法计算ERD信号和/或ERS信号的两通道自回归功率谱(即特征提取)，在提取出特征值后，结合步骤S3得到的平均功率，可以采用基于马氏距离的线性分类器(Mahalanobis Distance-Based Linear Classifier，MDBLC)对特征值进行分类，或者也可以采用线性支持向量机(Linear Support Vector Machine，LSVM)对特征值进行分类，得到控制指令，用于反馈训练范式的控制。
即，对ERD信号和/或ERS信号进行特征提取和分类时，所用的算法不局限于本方法采用的AR+MDBLC算法，可选地，还可以采用CSP+MDBLC、CSP+LSVM、FBCSP(Filter Bank CSP，共空间模式滤波器组)+LSVM算法中的一种。
用户在学习基于运动想象的BCI控制技巧时，需要配合一些感官的反馈来执行运动想象任务，否则很难调节自身的SMR。这些感官上的反馈可也是视觉、听觉、触觉、嗅觉等感觉中的一种或两种以上。
图5为本发明实施例提供的一种基于视觉的左右手运动想象反馈任务示意图，任务分为左手任务和右手任务。当一个白色的小矩形呈现在用户面前的显示器上，作为提示预示着任务的开始，紧接着，一个白色的小球出现并匀速向右运动。用户按照矩形出现的位置执行相应的运动想象任务，矩形出现在右上角对应执行右手任务，矩形出现在右下角对应执行左手任务。小球到达最右端，若与小矩形接触则表示“命中”。执行右手任务时，用户想象着握紧右拳；执行左手任务时，用户想象握紧左拳。为了抑制眼电和肌电伪迹，用户在执行运动想象任务过程中不应眨眼和移动身体。
采集用户执行特定运动想象反馈任务时的EEG信号，对EEG信号进行放大并进行伪迹处理以去除眼动和身体移动造成的伪迹，对去除伪迹后的EEG信号进行带通滤波，然后将滤波后的数据接入BCI2000系统进行分析处理，计算ERD信号和/或ERS信号在Lowerμ波段、Upperμ波段及β波段的平均功率，并对继续从EEG信号中提取出ERD信号和/或ERS信号进行特征提取，获取ERD信号和/或ERS信号的自回归(Autoregressive,AR)功率谱。利用AR+MDBLC分类法，将AR功率谱作为特征值，用于基于马氏距离的线性分类器对其进行分类，得到三种控制指令：在反馈训练开始后的0.5-1.5s内的信号被标记为“Left/Right”类，在提示出现前和反馈后的0.5-1s出现的信号标记为“Rest”类。其中，此处的Left、Right及Rest即为脑机接口的控制指，用于运动想象的反馈训练范式(例如训练游戏、打字等)的控制。
图6为运动想象反馈训练范式流程图，其基本流程为首先向反馈任务系统输入分类后的控制指令，即“Left“、”Right”、“Rest”，然后反馈任务系统对输入的控制指令进行判断，执行相应的动作。如果输入的控制指令为“Rest”，则执行“小球保持匀速向右”动作；如果输入的控制指令为“Left”，则执行“小球向右下方移动”动作；若输入指令为“Right”，则执行“小球向右上方移动”动作。每一项动作执行完毕后，继续查询所输入的控制指令，如果控制指令不是上述的任何一种，则表明没有反馈任务，此时运动想象任务执行完毕。
在实际应用时，运动想象反馈训练范式不仅限于本发明实施例提供的反馈训练范式，还可以为控制三维游戏任务、虚拟现实控制、打字操作等，只要将控制指令接入相应的任务接口中即可实现对相应的反馈训练范式的控制。
利用本发明提供的控制方法，对左右手任务进行了实验，实验结果如图7所示，8个被试者中有7人的右手任务的命中率提高，左右手任务命中率分别提高了3.75±4.38和4.64±8.96(均值±标准差)，证明本发明提供的控制方法是可行的，即利用本发明，能够在短时间内改善使用者对于脑机接口控制的准确度，巩固使用者对于脑机接口控制的学习，减轻使用者的学习训练负担。
由于用户在想象执行某一种运动和实际执行这种运动时，具有相似的大脑皮层激活区域，多次重复的对这一区域进行激活，能够对大脑神经网络产生可塑性的影响。因此，可以将本发明实施例中对用户施加的无创脑功能电刺激改为无创脑功能磁刺激、无创脑功能超声刺激、以及其他无创脑功能刺激中的一种或多种，只要能实现增强初级运动皮层的兴奋性，调节运动想象中的SMR的ERD信号和/或ERS信号，都可以用于提高基于运动想象BCI控制的准确度，减轻用户对于BCI控制的学习负担。
本发明提供的控制方法应用范围广发，可以应用在运动功能训练、辅助控制及娱乐等领域中。例如，对具有大脑运动功能障碍的用户来说，可以利用此本发明提供的控制方法对其进行辅助假肢控制的训练；对于某些运动训练项目，在受场地、器材限制的情况下，可以利用本发明进行动作纠正、敏捷性、速度等训练，如训练网球运动员对于接球的反应训练。对四肢不健全的用户来说，利用本发明提供的控制方法控制运动想象脑机接口，可以辅助用户对计算机、电器、机械等设备的操控，例如：打字、浏览网页、操控家用电器、操控机械开关。越来越多的人利用运动想象脑机接口去玩游戏，在无创阳极电流刺激下，增强初级运动皮层的活性，加强EEG信号活动的特征模式，会用户对于运动想象脑机接口的控制更加精准，增强游戏娱乐的用户体验。利用本发明可以让用户对上述设备操控的学习变得更容易，控制更精准。
本发明利用无创脑功能电刺激增强用户初级运动皮层的兴奋性，调节运动想象中的感觉运动神经节律的ERD信号及ERS信号，从源头上增强运动想象特征信号的活动，即使采用普通的分类算法也能提高分类的准确度。因此，本发明提供的控制方法的实时性高，并且对硬件资源要求更低。利用本发明提供的控制方法能够巩固初级运动皮层的ERD信号及ERS信号的活动模式，从而巩固和强化用户对于运动想象任务的学习，这能够使用户在更少的训练次数里掌握对基于运动想象BCI的控制技巧，减轻学习负担。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于无创电刺激的运动想象脑机接口控制方法，其特征在于，所述控制方法包括：
对用户的初级运动皮层施加阳极无创脑功能电刺激；
采集用户执行运动想象任务后的脑电原始信号，并从所述脑电原始信号中提取事件相关去同步化信号和/或事件相关同步化信号；
对所述事件相关去同步化信号和/或事件相关同步化信号进行量化处理，得到所述事件相关去同步化信号和/或事件相关同步化信号在Lowerμ波段、Upperμ波段及β波段的平均功率；
对所述事件相关去同步化信号和/或事件相关同步化信号进行特征提取，得到所述事件相关去同步化信号和/或事件相关同步化信号的特征值；
根据所述平均功率对所述特征值进行分类得到控制指令；其中，所述控制指令用于反馈训练范式的控制。
2.根据权利要求1所述的基于无创电刺激的运动想象脑机接口控制方法，其特征在于，对用户的初级运动皮层施加阳极无创脑功能电刺激，包括：
将刺激电极的阳极电极置于用户的初级运动皮层的一侧，并将刺激电极的阴极电极置于用户初级运动皮层另一侧对应的眼眶上方；
通过所述阳极电极对用户的初级运动皮层施加不超过预设刺激强度的直流电进行无创脑功能电刺激。
3.根据权利要求2所述的基于无创电刺激的运动想象脑机接口控制方法，其特征在于，采用逐渐增强的模式对用户的初级运动皮层施加电刺激。
4.根据权利要求2或3所述的基于无创电刺激的运动想象脑机接口控制方法，其特征在于，所述预设刺激强度为1mA。
5.根据权利要求1所述的基于无创电刺激的运动想象脑机接口控制方法，其特征在于，所述控制方法还包括：
对所述采集的脑电原始信号进行放大，并对所述脑电原始信号进行伪迹处理，去除用户眨眼和身体移动造成的伪迹。
6.根据权利要求5所述的基于无创电刺激的运动想象脑机接口控制方法，其特征在于，所述控制方法还包括：对所述脑电原始信号进行7-30Hz带通滤波，保留感觉运动神经节律。
7.根据权利要求1所述的基于无创电刺激的运动想象脑机接口控制方法，其特征在于，对所述事件相关去同步化信号和/或事件相关同步化信号进行特征提取，得到所述事件相关去同步化信号和/或事件相关同步化信号的特征值，包括：
利用两通道自回归算法计算所述事件相关去同步化信号和/或事件相关同步化信号的两通道自回归功率谱，作为所述事件相关去同步化信号和/或事件相关同步化信号的特征值。
8.根据权利要求1所述的基于无创电刺激的运动想象脑机接口控制方法，其特征在于，对所述事件相关去同步化信号和/或事件相关同步化信号进行特征提取，得到所述事件相关去同步化信号和/或事件相关同步化信号的特征值，包括：
利用共空间模式算法对所述事件相关去同步化信号和/或事件相关同步化信号进行特征提取，得到所述事件相关去同步化信号和/或事件相关同步化信号的特征值。
9.根据权利要求7或8所述的基于无创电刺激的运动想象脑机接口控制方法，其特征在于，根据所述平均功率对所述特征值进行分类得到控制指令，包括：
根据所述平均功率，利用基于马氏距离的线性分类器对所述特征值进行分类，得到所述控制指令。
10.根据权利要求7或8所述的基于无创电刺激的运动想象脑机接口控制方法，其特征在于，根据所述平均功率对所述特征值进行分类得到控制指令，包括：
根据所述平均功率，利用线性支持向量机对所述特征值进行分类，得到所述控制指令。
CN201610393441.1A 2016-06-06 2016-06-06 一种基于无创电刺激的运动想象脑机接口控制方法 Active CN106095086B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610393441.1A CN106095086B (zh) 2016-06-06 2016-06-06 一种基于无创电刺激的运动想象脑机接口控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610393441.1A CN106095086B (zh) 2016-06-06 2016-06-06 一种基于无创电刺激的运动想象脑机接口控制方法

Publications (2)

Publication Number Publication Date
CN106095086A true CN106095086A (zh) 2016-11-09
CN106095086B CN106095086B (zh) 2019-07-12

Family

ID=57447105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610393441.1A Active CN106095086B (zh) 2016-06-06 2016-06-06 一种基于无创电刺激的运动想象脑机接口控制方法

Country Status (1)

Country Link
CN (1) CN106095086B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106362287A (zh) * 2016-10-24 2017-02-01 天津大学 一种新型mi‑sssep混合脑‑机接口方法及系统
CN106990835A (zh) * 2017-02-20 2017-07-28 深圳先进技术研究院 一种运动训练评估方法及装置
CN108175547A (zh) * 2018-01-30 2018-06-19 浙江省公众信息产业有限公司 人工假体的控制方法、装置及计算机可读存储介质
CN109846478A (zh) * 2019-04-15 2019-06-07 天津市人民医院 一种评估经颅直流电刺激后大脑皮层兴奋性的方法
CN110751032A (zh) * 2019-09-20 2020-02-04 华中科技大学 一种无需校准的脑机接口模型的训练方法
CN111543986A (zh) * 2020-05-12 2020-08-18 清华大学 一种无需硬件连接的脑电事件同步方法
CN112236741A (zh) * 2018-07-31 2021-01-15 赫尔实验室有限公司 利用神经调节的增强型脑机接口

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102866775A (zh) * 2012-09-04 2013-01-09 同济大学 基于多模式融合的脑机接口控制系统及方法
CN103294192A (zh) * 2013-04-25 2013-09-11 常州大学 一种基于运动想象的led灯开关控制装置及其控制方法
CN103472922A (zh) * 2013-09-23 2013-12-25 北京理工大学 一种基于p300与ssvep混合式脑机接口的目的地选择系统
CN103793058A (zh) * 2014-02-13 2014-05-14 山西大学 一种主动式脑机交互系统运动想象任务分类方法及装置
CN104360730A (zh) * 2014-08-19 2015-02-18 西安交通大学 一种多模态非植入式脑机接口技术支撑下的人机交互方法
CN104951082A (zh) * 2015-07-09 2015-09-30 浙江大学 一种利用随机共振增强脑电信号的脑机接口方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102866775A (zh) * 2012-09-04 2013-01-09 同济大学 基于多模式融合的脑机接口控制系统及方法
CN103294192A (zh) * 2013-04-25 2013-09-11 常州大学 一种基于运动想象的led灯开关控制装置及其控制方法
CN103472922A (zh) * 2013-09-23 2013-12-25 北京理工大学 一种基于p300与ssvep混合式脑机接口的目的地选择系统
CN103793058A (zh) * 2014-02-13 2014-05-14 山西大学 一种主动式脑机交互系统运动想象任务分类方法及装置
CN104360730A (zh) * 2014-08-19 2015-02-18 西安交通大学 一种多模态非植入式脑机接口技术支撑下的人机交互方法
CN104951082A (zh) * 2015-07-09 2015-09-30 浙江大学 一种利用随机共振增强脑电信号的脑机接口方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106362287A (zh) * 2016-10-24 2017-02-01 天津大学 一种新型mi‑sssep混合脑‑机接口方法及系统
CN106990835A (zh) * 2017-02-20 2017-07-28 深圳先进技术研究院 一种运动训练评估方法及装置
CN106990835B (zh) * 2017-02-20 2020-08-28 深圳先进技术研究院 一种运动训练评估方法及装置
CN108175547A (zh) * 2018-01-30 2018-06-19 浙江省公众信息产业有限公司 人工假体的控制方法、装置及计算机可读存储介质
CN112236741A (zh) * 2018-07-31 2021-01-15 赫尔实验室有限公司 利用神经调节的增强型脑机接口
CN112236741B (zh) * 2018-07-31 2024-03-08 赫尔实验室有限公司 利用神经调节的增强型脑机接口的系统、方法和介质
CN109846478A (zh) * 2019-04-15 2019-06-07 天津市人民医院 一种评估经颅直流电刺激后大脑皮层兴奋性的方法
CN109846478B (zh) * 2019-04-15 2021-07-09 天津市人民医院 一种评估经颅直流电刺激后大脑皮层兴奋性的方法
CN110751032A (zh) * 2019-09-20 2020-02-04 华中科技大学 一种无需校准的脑机接口模型的训练方法
CN110751032B (zh) * 2019-09-20 2022-08-02 华中科技大学 一种无需校准的脑机接口模型的训练方法
CN111543986A (zh) * 2020-05-12 2020-08-18 清华大学 一种无需硬件连接的脑电事件同步方法

Also Published As

Publication number Publication date
CN106095086B (zh) 2019-07-12

Similar Documents

Publication Publication Date Title
CN106095086A (zh) 一种基于无创电刺激的运动想象脑机接口控制方法
Kus et al. Asynchronous BCI based on motor imagery with automated calibration and neurofeedback training
Ren et al. Enhanced motor imagery based brain-computer interface via FES and VR for lower limbs
CN113398422B (zh) 基于运动想象-脑机接口和虚拟现实的康复训练系统及方法
CN104360730B (zh) 一种多模态非植入式脑机接口技术支撑下的人机交互方法
Liu et al. A tensor-based scheme for stroke patients’ motor imagery EEG analysis in BCI-FES rehabilitation training
CN104978035B (zh) 基于体感电刺激诱发p300的脑机接口系统及其实现方法
Liu et al. A boosting-based spatial-spectral model for stroke patients’ EEG analysis in rehabilitation training
Reuderink et al. A subject-independent brain-computer interface based on smoothed, second-order baselining
CN105411580B (zh) 一种基于触听觉诱发电位的脑控轮椅系统
CN112987917B (zh) 运动想象增强方法、装置、电子设备和存储介质
CN110442244A (zh) 一种基于脑机接口的虚拟现实游戏交互方法及系统
CN103258215A (zh) 一种多导联间相关性分析的脑电特征提取方法
Sourina et al. EEG-based personalized digital experience
Lindig-Leon et al. A multi-label classification method for detection of combined motor imageries
Nykopp Statistical modelling issues for the adaptive brain interface
Liu et al. Uncorrelated multiway discriminant analysis for motor imagery EEG classification
CN115487420A (zh) 一种个性化经颅电刺激干预情绪的方法及装置
Li et al. An EEG-based BCI system for 2D cursor control
Xie et al. Research on rehabilitation training strategies using multimodal virtual scene stimulation
Amanpour et al. Classification of brain signals associated with imagination of hand grasping, opening and reaching by means of wavelet-based common spatial pattern and mutual information
Gu et al. Optimization of task allocation for collaborative brain–computer interface based on motor imagery
CN115444717B (zh) 基于脑机接口的肢体功能康复训练方法及系统
Friedrichs et al. Simple games–complex emotions: Automated affect detection using physiological signals
Bougrain et al. Inverse reinforcement learning to control a robotic arm using a Brain-Computer Interface

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20191223

Address after: 903, National Supercomputing Shenzhen Center, No.9, Duxue Road, University Town, Taoyuan Street, Nanshan District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen Zhongke Huayi Technology Co., Ltd.

Address before: 1068 No. 518055 Guangdong city in Shenzhen Province, Nanshan District City Xili University School Avenue

Patentee before: Shenzhen Advanced Technology Research Inst.