CN106214391A - 基于脑机接口的智能护理床及其控制方法 - Google Patents

Abstract

本发明公开了一种基于脑机接口的智能护理床及其控制方法，属于机器人控制领域，所述智能护理床包括依次连接的脑电信号采集仪、计算机、视觉刺激与控制界面、控制模块和护理床，所述脑电信号采集仪用于实时采集使用者的脑电信号；所述计算机用于脑电信号的预处理、特征提取以及特征分类，并控制所述视觉刺激与控制界面上光标的移动，之后向控制模块发出控制指令；所述视觉刺激与控制界面上设置有四个视觉刺激键位、第一模式键位和第二模式键位；所述控制模块用于接收所述计算机发出的控制指令，并驱动护理床完成指定的动作。本发明有效减轻了使用者的视觉疲劳，能实现较多的控制功能，大大提高了脑电信号的识别准确率和系统的控制精度。

Description

基于脑机接口的智能护理床及其控制方法

技术领域

本发明涉及机器人控制领域，具体涉及一种基于脑机接口的智能护理床及其控制方法。

背景技术

随着智能控制技术的飞速发展，康复机器人成为了新的研究热点。瘫痪病人或者基本失去运动能力的病人不得不长期卧床，长期卧床的病人一方面后背和臀部将会长期受压，产生褥疮，另一方面病人若长期卧床肌肉的得不到活动会产生肌肉萎缩。目前大多数服务机器人与人交互的方式都是通过声音、按钮等传统方式，而很多老年人及残障人士部分或完全丧失了自主控制肌肉的能力，这些人控制此类机器人的难度则非常大，如何使这部分人重新恢复对外部世界的控制能力以及与外部世界的交互能力，成为当前的研究热点。

随着计算机技术、智能控制技术、模式识别等技术的深入研究，脑机接口(brain-computer interface，BCI)技术成为人们研究的一个新领域，脑机接口是一种不依赖于正常外周神经和肌肉组成的输出通道的通信控制系统，是人脑与计算机或者其他电子设备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者操控其他设备，而不需要通过语言或肢体的动作，是一种全新的通信和控制方式，脑机接口技术的出现为丧失基本运动能力和语言表达能力的病人提供了一种新的与外界交互的方式。

国家知识产权局于2015年7月8日申请公布的申请公布号为CN 104758130 A的发明专利中公开了一种基于脑机接口的智能护理装置及方法，该装置是一种基于稳态视觉诱发电位(SSVEP)和事件相关电位(P300)的脑机接口智能护理装置，通过该智能护理装置及方法，长期卧床不起的用户可以根据自己的控制意图来进行人工呼唤求助和操控护理床的控制启动/关闭、向左侧翻、右侧平、向右侧翻、左侧平、起背、背平、向下曲腿、向上抬腿、便盆开/关、及快速复位护理床等功能，稳态视觉诱发电位(SSVEP)为当人眼注视一定频率(≥6Hz)的周期闪烁，在大脑视觉皮层会诱发产生一个连续的与视觉频率有关的响应，通过枕区脑电信号获得。事件相关电位(P300)是大脑对某种事件进行信息加工时诱发产生的一系列电活动，是对掺杂在一系列事件中的相对稀少的事件有关刺激反应，需要采用特定的事件刺激序列诱发受试者。基于SSVEP和P300事件相关电位的脑电信号获取都要通过相关的视觉刺激来激发。

国家知识产权局于2016年2月10日授权公告的授权公告号为CN 103150023 B的发明专利中公开了一种基于脑机接口的光标控制系统及方法，该控制系统及方法也是将P300诱发电位视觉刺激和SSVEP诱发电位视觉刺激以界面显示方式提供给使用者。

上述基于脑机接口的智能护理装置及方法和基于脑机接口的光标控制系统及方法都是在界面上设置不同的相关刺激键位，以闪烁频率、颜色、字符等形式呈献给使用者，使用者需要集中精力注视相关键位才能获取准确的脑电信号，这种单纯用刺激的方法很容易引起使用者的视觉疲劳，如果需要实现许多功能的话需要设置很多刺激键位，如果刺激键位比较密集的排列在屏幕上的话，使用者很难集中精力注视一个相关键位，不同的键位会对使用者形成干扰，会严重影响脑电信号识别的准确性，甚至无法获得理想的脑电信号，严重影响控制的精度。

发明内容

本发明要解决的技术问题是提供一种将SSVEP和运动想象的脑机接口控制方法相结合，可以识别较少的脑电信号但能实现较多的功能，避免了使用者视觉疲劳，并提高了脑电信号的识别准确率和控制精度的基于脑机接口的智能护理床及其控制方法。

为解决上述技术问题，本发明提供技术方案如下：

一种基于脑机接口的智能护理床，包括依次连接的脑电信号采集仪、计算机、视觉刺激与控制界面、控制模块和护理床，其中：

所述脑电信号采集仪用于实时采集使用者的原始脑电信号，并对所述原始脑电信号进行信号放大和模数转换；

所述计算机用于脑电信号的预处理、特征提取以及特征分类，并根据特征分类的脑电信号按使用者的意图控制所述视觉刺激与控制界面上的光标的移动来完成功能的选择，使用者完成功能的选择后，所述计算机向所述控制模块发出控制指令；

所述视觉刺激与控制界面为使用者的控制界面，所述视觉刺激与控制界面的上、下、左、右设置有四个视觉刺激键位，分别为开始、停止、确认、返回，四个视觉刺激键位具有不同的闪烁频率，所述视觉刺激与控制界面的中间设置有第一模式键位和第二模式键位，使用者通过想象左、右手的运动来进行模式选择；

所述控制模块用于接收所述计算机发出的控制指令，并驱动所述护理床完成指定的动作。

进一步的，所述第一模式为人工模式，当所述第一模式键位被使用者选择时，系统进入第一模式，所述第一模式的界面的上、下、左、右设置有四个视觉刺激键位，分别为开始、停止、确认、返回，四个视觉刺激键位具有不同的闪烁频率，所述第一模式的界面的中间设置有翻身、抬背和曲腿三个模式键位，使用者通过想象左、右手的运动来进行模式选择；

所述第二模式为自动模式，当所述第二模式键位被使用者选择时，系统进入第二模式，所述护理床按照预设程序完成相应的动作功能。

进一步的，所述视觉刺激与控制界面的开始、停止、确认、返回四个视觉刺激键位与所述第一模式的界面上的开始、停止、确认、返回四个视觉刺激键位的功能原理相同，其中：

所述开始键位为所述智能护理床的系统的启动键位；

所述确认键位为使用者选择模式时的确认健；

所述返回键位为使用者选择模式时的返回健；

所述停止键位为所述护理床运行的停止键。

进一步的，所述视觉刺激与控制界面的显示屏为3个，分别设置于所述护理床的左侧、右侧以及上方，所有的显示屏具有相同的界面和功能，所有的显示屏同步显示。

进一步的，所述第二模式的工作模式为连续完成的抬背、曲腿动作模式。

基于脑机接口的智能护理床的控制方法，包括：

步骤1：将所述脑电信号采集仪与使用者的头部连接，并调整所述脑电信号采集仪的位置，使所述脑电信号采集仪上所有的电极处在国际10-20系统的标准电极位置，然后启动系统，打开所述计算机和视觉刺激与控制界面；

步骤2：所述脑电信号采集仪实时采集使用者的原始脑电信号，并对所述原始脑电信号进行放大和模数转换，将得到的数字信号发送给所述计算机；

步骤3：所述计算机对接收到的数字信号依次进行预处理、特征提取和特征分类，得到使用者注视某一闪烁频率的键位时产生的第一脑电信号和使用者想象左、右手运动时产生的第二脑电信号，所述计算机将第一脑电信号和第二脑电信号映射转换为对应的第一控制命令和第二控制命令，并将所述第一控制命令和第二控制命令发送给所述控制模块；

步骤4：所述控制模块根据接收到的第一控制命令和第二控制命令驱动护理床完成相应的功能。

进一步的，所述步骤3中，所述计算机对所述数字信号的预处理为依次对所述数字信号进行降采样、导联的选取和带通滤波，得到所需的SSVEP和运动想象脑电信号的主要成分。

进一步的，所述步骤3中，所述计算机的特征提取包括SSVEP的特征提取和运动想象脑电信号的特征提取，所述SSVEP进行特征提取后得到第三脑电信号，所述运动想象脑电信号进行特征提取后得到第四脑电信号，所述计算机的特征分类分别采用支持向量机作为分类模型对所述第三脑电信号和第四脑电信号进行特征分类，分别得到所述第一脑电信号和第二脑电信号。

进一步的，所述步骤3中，所述SSVEP的特征提取采用典型相关分析提取方法，包括：

步骤311：所述计算机获取每个SSVEP的刺激频率w_i、以w_i为刺激频率生成的等长度的标准正选信号和标准余弦信号以及以2w_i为刺激频率生成的等长度的标准正选信号和标准余弦信号所述计算机将所述和构成参考信号样本集公式如下：

$Y_{w_i}={(S_{sin}^i,S_{cos}^i,S_{\sin }^{2i},S_{cos}^{2i})}^T;$

步骤312：对N个SSVEP视觉刺激，所述计算机共产生N个参考信号样本集

步骤313：所述计算机选取SSVEP中的8组脑电信号组成矩阵D^8×n，记：

X＝[x₁，…，x_n]∈D^8×n

式中，x_i为矩阵D的元素，n为矩阵D的行数，8为矩阵D的列数；

步骤314：所述计算机将X分别与所述N个参考信号样本集进行典型相关分析，然后选取每个参考信号样本集的前两个最大特征值λ₁和λ₂生成一个2R维的特征向量，所述2R维的特征向量即为所述第三脑电信号的特征向量。

进一步的，所述步骤3中，所述运动想象脑电信号的特征提取采用共同空间模式提取方法，所述计算机首先获取使用者想象左手运动的信号源X_A和使用者想象右手运动的信号源X_B，然后对使用者想象左手运动和右手运动进行建模，公式如下：

$S_A=\left[\begin{array}{cc}{C}_A& C_C\end{array}\right]\left[\begin{array}{c}{S}_A\\ S_C\end{array}\right]=C_A{S}_A+C_C{S}_C$

$S_B=\left[\begin{array}{cc}{C}_B& C_C\end{array}\right]\left[\begin{array}{c}{S}_B\\ S_C\end{array}\right]=C_B{S}_B+C_C{S}_C$

式中：S_A和S_B分别为与使用者想象左手运动和右手运动有关的源，S_C为与使用者想象左手运动和右手运动有关的共同分量，C_A和C_B分别为与S_A和S_B相应的空间模式，C_C为与S_C相应的空间模式，C_AS_A和C_BS_B分别为对使用者想象左手运动和右手运动特征提取后的脑电信号，即为所述第四脑电信号，C_CS_C为噪声信号；

其中，C_AS_A和C_BS_B的计算方法如下：

步骤321：根据X_A和X_B计算任务A和任务B的协方差矩阵R_A和R_B，公式如下：

$R_A=X_A{X}_A^T$

$R_B=X_B{X}_B^T;$

步骤322：对协方差矩阵R_A、R_B之和R进行特征值分解：

式中：U₀为R的特征向量；

步骤323：对R构造白化矩阵P和空域矩阵W：

$W=U_0^{T}P;$

步骤324：分别对协方差矩阵R_A、R_B进行白化变换可得S_A、S_B：

S_A＝PR_AP^T

S_B＝PR_BP^T

步骤325：分别对S_A、S_B进行特征值分解得到S_A、S_B的特征向量U₁、U₂：

步骤326：分别从U₁、U₂中提取m_A、m_B个特征向量，并分别表示为U_A、U_B，然后分别构造与使用者想象左手运动和右手运动相对应的空间模式SP_A和SP_A，公式如下：

SP_A＝W×U_A

SP_B＝W×U_B

相应的空间滤波器的计算公式如下：

${\mathrm{SF}}_A=U_A^T\×P$

${\mathrm{SF}}_B=U_B^T\×P$

步骤327：C_AS_A和C_BS_B的计算公式如下：

C_AS_A＝SP_A×SF_A×X_A

C_BS_B＝SP_B＝SF_B＝X_B。

本发明具有以下有益效果：

与现有技术相比，本发明的基于脑机接口的智能护理床采用SSVEP和运动想象的脑机接口控制方法相结合，当使用者注视视觉刺激与控制界面上具有特定闪烁频率的某一视觉刺激键位时，大脑中会产生一持续与该闪烁频率相关的原始脑电信号，计算机对该原始脑电信号进行预处理、特征提取和特征分类后得到与该闪烁频率相关的SSVEP，计算机通过对该SSVEP的特征分类就可以解码判断使用者当前注视的键位，从而得到使用者的意图；第一模式键位和第二模式键位通过键位的明暗来区分是否被选中，当使用者通过想象左、右手的运动选择某一模式位时，使用者的大脑中也会产生与该想象左、右手的运动相关的脑电信号，计算机通过对该脑电信号进行预处理、特征提取和特征分类后得到使用者当前的想象运动的脑电信号，计算机根据通过使用者当前的想象运动的脑电信号，控制该模式键位变亮，计算机向控制模块发送相应的控制指令，驱动护理床完成指定的动作功能。本发明的基于脑机接口的智能护理床有效减轻了使用者的视觉疲劳，仅识别这两类脑电信号就能实现较多的控制功能，大大降低了脑电信号的分析处理的运算量，提高了脑电信号的信息传输率和脑机接口的工作效率，大大提高了脑电信号的识别准确率和系统的控制精度。

附图说明

图1为本发明的基于脑机接口的智能护理床及其控制方法的系统原理图；

图2为本发明的基于脑机接口的智能护理床及其控制方法的视觉刺激与控制界面的示意图；

图3为本发明的基于脑机接口的智能护理床及其控制方法的视觉刺激与控制界面的第一模式的示意图；

图4为本发明的基于脑机接口的智能护理床及其控制方法的脑电信号特征提取和特征分类原理图示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

一方面，本发明提供一种基于脑机接口的智能护理床，如图1至图3所示，包括依次连接的脑电信号采集仪1、计算机2、视觉刺激与控制界面3、控制模块4和护理床5，其中：

脑电信号采集仪1用于实时采集使用者的原始脑电信号，并对原始脑电信号进行信号放大和模数转换；

计算机2用于脑电信号的预处理201、特征提取202以及特征分类203，并根据特征分类的脑电信号按使用者的意图控制视觉刺激与控制界面3上的光标的移动来完成功能的选择，使用者完成功能的选择后，计算机2向控制模块4发出控制指令；

视觉刺激与控制界面3为使用者的控制界面，视觉刺激与控制界面的上、下、左、右设置有四个视觉刺激键位，分别为开始301、停止306、确认302、返回305，四个视觉刺激键位具有不同的闪烁频率，视觉刺激与控制界面3的中间设置有第一模式303键位和第二模式304键位，使用者通过想象左、右手的运动来进行模式选择，本实施例中，当使用者选择开始后，系统默认第一模式303键位被选中，如果使用者注视具有特定闪烁频率的确认302键位，则使用者的大脑会产生与确认302键位相关的脑电信号，计算机2对该脑电信号进行预处理201、特征提取202和特征分类203后，就可以解码和判断出使用者当前注视的键位为确认302键位，从而得到使用者的意图，即进入第一模式303，如果使用者想象右手运动，视觉刺激与控制界面3上的光标则在计算机2的控制下移动到第二模式304键位并选中，使用者注视具有特定闪烁频率的确认302键位后大脑会产生与确认302键位相关的脑电信号，计算机2对该脑电信号进行预处理201、特征提取202和特征分类203后，就可以解码和判断出使用者当前注视的键位为确认302键位，从而得到使用者的意图，即进入第二模式304；

控制模块4用于接收计算机发出的控制指令，并驱动护理床5完成指定的动作。

本发明的基于脑机接口的智能护理床采用SSVEP和运动想象的脑机接口控制方法相结合，当使用者注视视觉刺激与控制界面3上具有特定闪烁频率的某一视觉刺激键位时，大脑中会产生一持续与该闪烁频率相关的原始脑电信号，计算机2对该原始脑电信号进行预处理201、特征提取202和特征分类203后得到与该闪烁频率相关的SSVEP，计算机2通过对该SSVEP的特征分类就可以解码判断使用者当前注视的键位，从而得到使用者的意图；第一模式键位303和第二模式304键位通过键位的明暗来区分是否被选中，当使用者通过想象左、右手的运动选择某一模式位时，使用者的大脑中也会产生与该想象左、右手的运动相关的脑电信号，计算机2通过对该脑电信号进行预处理201、特征提取202和特征分类203后得到使用者当前的想象运动的脑电信号，计算机2根据通过使用者当前的想象运动的脑电信号，控制该模式键位变亮，计算机2向控制模块4发送相应的控制指令，驱动护理床5完成指定的动作功能。本发明的基于脑机接口的智能护理床有效减轻了使用者的视觉疲劳，仅识别这两类脑电信号就能实现较多的控制功能，大大降低了脑电信号的分析处理的运算量，提高了脑电信号的信息传输率和脑机接口的工作效率，大大提高了脑电信号的识别准确率和系统的控制精度。

作为本发明的一种改进，第一模式303优选为人工模式，当第一模式303键位被使用者选择时，系统进入第一模式303，第一模式303的界面的上、下、左、右设置有四个视觉刺激键位，分别为开始3031、停止3037、确认3032、返回3036，四个视觉刺激键位具有不同的闪烁频率，第一模式303的界面的中间设置有翻身3033、抬背3034和曲腿3035三个模式键位，使用者通过想象左、右手的运动来进行模式选择；

第二模式304优选为自动模式，当第二模式304键位被使用者选择时，系统进入第二模式304，护理床5按照预设程序完成相应的动作功能。

本实施列中，当使用者选择第一模式303键位并进入第一模式303的界面后，系统默认抬背3034模式键位被选中，如果使用者注视具有特定闪烁频率的确认3032键位，则使用者的大脑会产生与确认3032键位相关的脑电信号，计算机2对该脑电信号进行预处理201、特征提取202和特征分类203后，就可以解码和判断出使用者当前注视的键位为确认3032键位，从而得到使用者的意图，即进入抬背3034模式，计算机向控制模块4发送相应的控制指令，驱动护理床5的抬背机构辅助使用者实现抬背动作；如果使用者想象左手运动，第一模式303界面上的光标则在计算机2的控制下移动到翻身3033模式键位并选中，使用者注视具有特定闪烁频率的确认3032键位后，使用者的大脑会产生与确认3032键位相关的脑电信号，计算机2对该脑电信号进行预处理201、特征提取202和特征分类203后，就可以解码和判断出使用者当前注视的键位为确认3032键位，从而得到使用者的意图，即进入翻身3033模式，进入翻身3033模式后，系统会提示使用者进行想象左、右手的运动：当使用者想象左手运动时，计算机向控制模块4发送相应的控制指令，驱动护理床5的左翻身机构辅助使用者实现左翻身动作；当使用者想象右手运动时，计算机向控制模块4发送相应的控制指令，驱动护理床5的右翻身机构辅助使用者实现右翻身动作。同理，如果使用者想象右手运动，第一模式303界面上的光标则在计算机2的控制下移动到曲腿3035模式键位并选中，使用者选择确认3032键位后进入曲腿3035模式，计算机向控制模块4发送相应的控制指令，驱动护理床5的曲腿机构按照一定的频率上下运动协助使用者的腿部上下摆动，活动使用者的肌肉与关节。

当使用者通过想象右手的运动选择第二模式304后，由于第二模式304为自动模式，护理床5就会按照预设程序完成相应的动作功能。

进一步的，视觉刺激与控制界面3的开始301、停止306、确认302、返回305四个视觉刺激键位与第一模式的界面上的开始3031、停止3037、确认3032、返回3036四个视觉刺激键位的功能原理可以相同，其中：

开始301和3031键位为智能护理床的系统的启动键位；系统的默认状态为待机状态，当使用者注视开始301键位时，基于脑机接口的护理床的系统启动，当使用者注视开始3031键位时，第一模式303的系统启动。

确认302和3032键位为使用者选择模式时的确认健；当使用者选中需要的第一模式303或第二模式304后，使用者注视确认302键位，则系统进入第一模式303或第二模式304；当使用者选中需要的翻身3033、抬背3034和曲腿3035中的某一模式后，使用者注视确认3032键位，则系统进入该选中的模式。

返回305和3036键位为使用者选择模式时的返回健；使用者注视返回305键位时，系统菜单返回初始菜单；使用者在第一模式303界面下注视返回键3036时，若使用者没有进行模式选择，则第一模式303界面返回视觉刺激与控制界面3，若使用者已经进行模式选择，则该模式控制的护理床5相应的机构复位，协助使用者回复平躺状态，如当使用者在选择翻身3033模式下时注视返回3036键位是，系统将会控制护理床5的翻身机构回到水平位置，协助使用者灰度平躺状态。

停止306和3037键位为护理床运行的停止键。当使用者注视停止306键位或停止3037键位时，系统立即停止运行。

优选的，视觉刺激与控制界面3的显示屏可以为3个，分别设置于护理床5的左侧、右侧以及上方，所有的显示屏具有相同的界面和功能，所有的显示屏同步显示。显示屏的这种安装方式能够确保使用者平躺和左右翻身状态下都能有良好的视觉，便于控制护理床5。

进一步的，第二模式304的工作模式为连续完成的抬背、曲腿动作模式。当使用者通过想象右手运动时，系统进入第二模式304，系统将会控制护理床5的抬背机构辅助使用者抬背起身，此动作完成后，系统控制护理床5的曲腿机构按照一定的频率上下运动协助使用者的腿部上下摆动，活动使用者的肌肉和关节。

另一方面，本发明提供一种基于脑机接口的智能护理床的控制方法，如图4所示，包括：

步骤1：将脑电信号采集仪1与使用者的头部连接，并调整脑电信号采集仪1的位置，使脑电信号采集仪1上所有的电极处在国际10-20系统的标准电极位置，然后启动系统，打开计算机2和视觉刺激与控制界面3；

步骤2：脑电信号采集仪1实时采集使用者的原始脑电信号，并对原始脑电信号进行放大和模数转换，将得到的数字信号发送给计算机2；

步骤3：计算机2对接收到的数字信号依次进行预处理201、特征提取202和特征分类203，得到使用者注视某一闪烁频率的键位时产生的第一脑电信号和使用者想象左、右手运动时产生的第二脑电信号，计算机2将第一脑电信号和第二脑电信号映射转换为对应的第一控制命令和第二控制命令，并将第一控制命令和第二控制命令发送给控制模块4；

步骤4：控制模块4根据接收到的第一控制命令和第二控制命令驱动护理床5完成相应的功能。

本发明的基于脑机接口的智能护理床的控制方法采用SSVEP和运动想象的脑机接口控制方法相结合，当使用者注视视觉刺激与控制界面上具有特定闪烁频率的某一视觉刺激键位时，大脑中会产生一持续与该闪烁频率相关的原始脑电信号，计算机对该原始脑电信号进行预处理、特征提取和特征分类后得到与该闪烁频率相关的SSVEP，计算机通过对该SSVEP的特征分类就可以解码判断使用者当前注视的键位，从而得到使用者的意图；第一模式键位和第二模式键位通过键位的明暗来区分是否被选中，当使用者通过想象左、右手的运动选择某一模式位时，使用者的大脑中也会产生与该想象左、右手的运动相关的脑电信号，计算机通过对该脑电信号进行预处理、特征提取和特征分类后得到使用者当前的想象运动的脑电信号，计算机根据通过使用者当前的想象运动的脑电信号，控制该模式键位变亮，计算机向控制模块发送相应的控制指令，驱动护理床完成指定的动作功能。本发明的基于脑机接口的智能护理床有效减轻了使用者的视觉疲劳，仅识别这两类脑电信号就能实现较多的控制功能，大大降低了脑电信号的分析处理的运算量，提高了脑电信号的信息传输率和脑机接口的工作效率，大大提高了脑电信号的识别准确率和系统的控制精度。

作为本发明的一种改进，步骤3中，计算机2对数字信号的预处理为依次对数字信号进行降采样、导联的选取和带通滤波，得到所需的SSVEP和运动想象脑电信号的主要成分。经过脑电信号采集仪1采集并进行放大和模数转换后得到的使用者的数字信号中除了含有所需的SSVEP和运动想象脑电信号之外，还有其他与SSVEP和运动想象脑电信号不相关的脑电信号，因此需要计算机2对数字序号进行降采样、导联的选取和带通滤波。

进一步的，步骤3中，计算机2的特征提取包括SSVEP的特征提取和运动想象脑电信号的特征提取，SSVEP进行特征提取后得到第三脑电信号，运动想象脑电信号进行特征提取后得到第四脑电信号，计算机的特征分类分别采用支持向量机作为分类模型对第三脑电信号和第四脑电信号进行特征分类，分别得到第一脑电信号和第二脑电信号。

优选的，步骤3中，SSVEP的特征提取采用典型相关分析(CCA)提取方法，包括：

步骤311：计算机2获取每个SSVEP的刺激频率w_i、以w_i为刺激频率生成的等长度的标准正选信号和标准余弦信号以及以2w_i为刺激频率生成的等长度的标准正选信号和标准余弦信号计算机将 和构成参考信号样本集公式如下：

$Y_{w_i}={(S_{sin}^i,S_{cos}^i,S_{\sin }^{2i},S_{cos}^{2i})}^T;$

步骤312：对N个SSVEP视觉刺激，计算机共产生N个参考信号样本集

步骤313：计算机2选取SSVEP中的8组脑电信号组成矩阵D^8×n，记：

X＝[x₁，…，x_n]∈D^8×n

式中，x_i为矩阵D的元素，n为矩阵D的行数，8为矩阵D的列数；

步骤314：计算机2将X分别与该N个参考信号样本集进行典型相关分析，然后选取每个参考信号样本集的前两个最大特征值λ₁和λ₂生成一个2R维的特征向量，2R维的特征向量即为第三脑电信号的特征向量。CCA是研究两组变量之间相关的一种统计分析方法，借助主成分分析降维的思想，采用少数几对综合变量来反映两组变量间的线性相关性质，能够有效地揭示两组变量之间的相互性依赖关系；CCA可以同时分析多个信道的信号，包含更多的信息，同时具有更好的信噪比，抗噪能力强，对SSVEP的特征提取更有效，提高了脑电信号的提取精度。

进一步的，步骤3中，运动想象脑电信号的特征提取采用共同空间模式(CSP)提取方法，计算机2首先获取使用者想象左手运动的信号源X_A和使用者想象右手运动的信号源X_B，然后对使用者想象左手运动和右手运动进行建模，公式如下：

$S_A=\left[\begin{array}{cc}{C}_A& C_C\end{array}\right]\left[\begin{array}{c}{S}_A\\ S_C\end{array}\right]=C_A{S}_A+C_C{S}_C$

$S_B=\left[\begin{array}{cc}{C}_B& C_C\end{array}\right]\left[\begin{array}{c}{S}_B\\ S_C\end{array}\right]=C_B{S}_B+C_C{S}_C$

式中：S_A和S_B分别为与使用者想象左手运动和右手运动有关的源，S_C为与使用者想象左手运动和右手运动有关的共同分量，C_A和C_B分别为与S_A和S_B相应的空间模式，C_C为与S_C相应的空间模式，C_AS_A和C_BS_B分别为对使用者想象左手运动和右手运动特征提取后的脑电信号，即为第四脑电信号，C_CS_C为噪声信号；

其中，C_AS_A和C_BS_B的计算方法如下：

步骤321：根据X_A和X_B计算任务A和任务B的协方差矩阵R_A和R_B，公式如下：

$R_A=X_A{X}_A^T$

$R_B=X_B{X}_B^T;$

步骤322：对协方差矩阵R_A、R_B之和R进行特征值分解：

式中：U₀为R的特征向量；

步骤323：对R构造白化矩阵P和空域矩阵W：

$W=U_0^{T}P;$

步骤324：分别对协方差矩阵R_A、R_B进行白化变换可得S_A、S_B：

S_A＝PR_AP^T

S_B＝PR_BP^T

步骤325：分别对S_A、S_B进行特征值分解得到S_A、S_B的特征向量U₁、U₂：

步骤326：分别从U₁、U₂中提取m_A、m_B个特征向量，并分别表示为U_A、U_B，然后分别构造与使用者想象左手运动和右手运动相对应的空间模式SP_A和SP_A，公式如下：

SP_A＝W×U_A

SP_B＝W×U_B

相应的空间滤波器的计算公式如下：

${\mathrm{SF}}_A=U_A^T\×P$

${\mathrm{SF}}_B=U_B^T\×P$

步骤327：C_AS_A和C_BS_B的计算公式如下：

C_AS_A＝SP_A×SF_A×X_A

C_BS_B＝SP_B×SF_B×X_B。

CSP特征提取方法不需要预先选择被试者特异性频带，而且CSP所特有的排除相同的任务成分、提取不同任务成分的性质决定了它对想象单侧肢体运动脑电特征的分类更具有针对性，识别的精度大大提高。

以上是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于脑机接口的智能护理床，其特征在于，包括依次连接的脑电信号采集仪、计算机、视觉刺激与控制界面、控制模块和护理床，其中：

所述脑电信号采集仪用于实时采集使用者的原始脑电信号，并对所述原始脑电信号进行信号放大和模数转换；

所述计算机用于脑电信号的预处理、特征提取以及特征分类，并根据特征分类的脑电信号按使用者的意图控制所述视觉刺激与控制界面上的光标的移动来完成功能的选择，使用者完成功能的选择后，所述计算机向所述控制模块发出控制指令；

所述视觉刺激与控制界面为使用者的控制界面，所述视觉刺激与控制界面的上、下、左、右设置有四个视觉刺激键位，分别为开始、停止、确认、返回，四个视觉刺激键位具有不同的闪烁频率，所述视觉刺激与控制界面的中间设置有第一模式键位和第二模式键位，使用者通过想象左、右手的运动来进行模式选择；

所述控制模块用于接收所述计算机发出的控制指令，并驱动所述护理床完成指定的动作。

2.根据权利要求1所述的基于脑机接口的智能护理床，其特征在于，所述第一模式为人工模式，当所述第一模式键位被使用者选择时，系统进入第一模式，所述第一模式的界面的上、下、左、右设置有四个视觉刺激键位，分别为开始、停止、确认、返回，四个视觉刺激键位具有不同的闪烁频率，所述第一模式的界面的中间设置有翻身、抬背和曲腿三个模式键位，使用者通过想象左、右手的运动来进行模式选择；

所述第二模式为自动模式，当所述第二模式键位被使用者选择时，系统进入第二模式，所述护理床按照预设程序完成相应的动作功能。

3.根据权利要求2所述的基于脑机接口的智能护理床，其特征在于，所述视觉刺激与控制界面的开始、停止、确认、返回四个视觉刺激键位与所述第一模式的界面上的开始、停止、确认、返回四个视觉刺激键位的功能原理相同，其中：

所述开始键位为所述智能护理床的系统的启动键位；

所述确认键位为使用者选择模式时的确认健；

所述返回键位为使用者选择模式时的返回健；

所述停止键位为所述护理床运行的停止键。

4.根据权利要求3所述的基于脑机接口的智能护理床，其特征在于，所述视觉刺激与控制界面的显示屏为3个，分别设置于所述护理床的左侧、右侧以及上方，所有的显示屏具有相同的界面和功能，所有的显示屏同步显示。

5.根据权利要求2所述的基于脑机接口的智能护理床，其特征在于，所述第二模式的工作模式为连续完成的抬背、曲腿动作模式。

6.权利要求1至5中任一所述的基于脑机接口的智能护理床的控制方法，其特征在于，包括：

步骤1：将所述脑电信号采集仪与使用者的头部连接，并调整所述脑电信号采集仪的位置，使所述脑电信号采集仪上所有的电极处在国际10-20系统的标准电极位置，然后启动系统，打开所述计算机和视觉刺激与控制界面；

步骤2：所述脑电信号采集仪实时采集使用者的原始脑电信号，并对所述原始脑电信号进行放大和模数转换，将得到的数字信号发送给所述计算机；

步骤3：所述计算机对接收到的数字信号依次进行预处理、特征提取和特征分类，得到使用者注视某一闪烁频率的键位时产生的第一脑电信号和使用者想象左、右手运动时产生的第二脑电信号，所述计算机将第一脑电信号和第二脑电信号映射转换为对应的第一控制命令和第二控制命令，并将所述第一控制命令和第二控制命令发送给所述控制模块；

步骤4：所述控制模块根据接收到的第一控制命令和第二控制命令驱动护理床完成相应的功能。

7.根据权利要求6所述的基于脑机接口的智能护理床的控制方法，其特征在于，所述步骤3中，所述计算机对所述数字信号的预处理为依次对所述数字信号进行降采样、导联的选取和带通滤波，得到所需的SSVEP和运动想象脑电信号的主要成分。

8.根据权利要求7所述的基于脑机接口的智能护理床的控制方法，其特征在于，所述步骤3中，所述计算机的特征提取包括SSVEP的特征提取和运动想象脑电信号的特征提取，所述SSVEP进行特征提取后得到第三脑电信号，所述运动想象脑电信号进行特征提取后得到第四脑电信号，所述计算机的特征分类分别采用支持向量机作为分类模型对所述第三脑电信号和第四脑电信号进行特征分类，分别得到所述第一脑电信号和第二脑电信号。

9.根据权利要求8所述的基于脑机接口的智能护理床的控制方法，其特征在于，所述步骤3中，所述SSVEP的特征提取采用典型相关分析提取方法，包括：

步骤311：所述计算机获取每个SSVEP的刺激频率w_i、以w_i为刺激频率生成的等长度的标准正选信号和标准余弦信号以及以2w_i为刺激频率生成的等长度的标准正选信号和标准余弦信号所述计算机将所述和构成参考信号样本集公式如下：

$Y_{w_i}={(S_{sin}^i,S_{cos}^i,S_{\sin }^{2i},S_{cos}^{2i})}^T;$

步骤312：对N个SSVEP视觉刺激，所述计算机共产生N个参考信号样本集i∈{1，…，N}；

步骤313：所述计算机选取SSVEP中的8组脑电信号组成矩阵D^8×n，记：

X＝[x₁， …， x_n]∈D^8×n

式中，x_i为矩阵D的元素，n为矩阵D的行数，8为矩阵D的列数；

步骤314：所述计算机将X分别与所述N个参考信号样本集进行典型相关分析，然后选取每个参考信号样本集的前两个最大特征值λ₁和λ₂生成一个2R维的特征向量，所述2R维的特征向量即为所述第三脑电信号的特征向量。

10.根据权利要求9所述的基于脑机接口的智能护理床的控制方法，其特征在于，所述步骤3中，所述运动想象脑电信号的特征提取采用共同空间模式提取方法，所述计算机首先获取使用者想象左手运动的信号源X_A和使用者想象右手运动的信号源X_B，然后对使用者想象左手运动和右手运动进行建模，公式如下：

$S_A=\[\begin{array}{cc}{C}_A& C_C\end{array}\]\left[\begin{array}{c}{S}_A\\ S_C\end{array}\right]=C_A{S}_A+C_C{S}_C$

$S_B=\[\begin{array}{cc}{C}_B& C_C\end{array}\]\left[\begin{array}{c}{S}_B\\ S_C\end{array}\right]=C_B{S}_B+C_C{S}_C$

式中：S_A和S_B分别为与使用者想象左手运动和右手运动有关的源，S_C为与使用者想象左手运动和右手运动有关的共同分量，C_A和C_B分别为与S_A和S_B相应的空间模式，C_C为与S_C相应的空间模式，C_AS_A和C_BS_B分别为对使用者想象左手运动和右手运动特征提取后的脑电信号，即为所述第四脑电信号，C_CS_C为噪声信号；

其中，C_AS_A和C_BS_B的计算方法如下：

步骤321：根据X_A和X_B计算任务A和任务B的协方差矩阵R_A和R_B，公式如下：

$R_A=X_A{X}_A^T$

$R_B=X_B{X}_B^T;$

步骤322：对协方差矩阵R_A、R_B之和R进行特征值分解：

式中：U₀为R的特征向量；

步骤323：对R构造白化矩阵P和空域矩阵W：

$W=U_0^{T}P;$

步骤324：分别对协方差矩阵R_A、R_B进行白化变换可得S_A、S_B：

S_A＝PR_AP^T

S_B＝PR_BP^T

步骤325：分别对S_A、S_B进行特征值分解得到S_A、S_B的特征向量U₁、U₂：

步骤326：分别从U₁、U₂中提取m_A、m_B个特征向量，并分别表示为U_A、U_B，然后分别构造与使用者想象左手运动和右手运动相对应的空间模式SP_A和SP_A，公式如下：

SP_A＝W×U_A

SP_B＝W×U_B

相应的空间滤波器的计算公式如下：

${\mathrm{SF}}_A=U_A^T\×P$

${\mathrm{SF}}_B=U_B^T\×P$

步骤327：C_AS_A和C_BS_B的计算公式如下：

C_AS_A＝SP_A×SF_A×X_A

C_BS_B＝SP_B×SF_B×X_B。