CN106362287A - 一种新型mi‑sssep混合脑‑机接口方法及系统 - Google Patents

Abstract

本发明公开了一种新型MI‑SSSEP混合脑‑机接口方法，包括：将两片心电电极分别放置于左右手腕处，根据预设频率对左右手分别进行电刺激，诱导拇指产生轻微颤抖，诱发出明显的稳态体感诱发电位；受试者在接受刺激的同时进行运动想象，采集脑电数据，进行预处理；通过共空间模式算法对脑电数据进行特征提取与模式识别，获取单次任务脑电特征向量；将单次任务脑电特征向量输入支持向量机训练分类器，利用十折交叉验证策略通过支持向量机完成分类识别；即，将8‑32Hz频带，以4Hz为步进，构建6个子频带，完成分类识别，该种方法将ERD特征和SSSEP特征融合，实现了性能提升，增强基于神经反馈的康复训练的鲁棒性。

Description

一种新型MI-SSSEP混合脑-机接口方法及系统

技术领域

本发明涉及脑-机接口领域，尤其涉及一种新型MI-SSSEP混合脑-机接口方法及系统。

背景技术

基于想象动作(Motor imagery，MI)的脑-机接口(Brain-computer interface,BCI)是唯一的一种不需要外界刺激且直接反应使用者主观运动意识的主动型BCI系统。

运动想象，即仅有运动意图而无实际动作输出，可导致大脑皮层感觉运动区中大量神经元活动状态的改变，并使脑电信号中的某些频率成分同步衰减或增强，这种现象称为事件相关去同步化或者同步化现象(event-related desynchronization orsynchronization，ERD/ERS)。

相比于视觉型BCI范式，想象动作作为唯一的一种不需要外界刺激且直接反应使用者主观运动意识的主动型BCI范式。通过识别出不同想象动作模式诱发的具有特异性的头皮脑电变化从而判断出使用者的运动意图。MI有助于神经损伤后的运动学习及康复，因此，MI-BCI在康复工程领域中具有重要地位，可用于运动功能的代偿重建。并且，目标肢体运动意图的有效识别有助于基于神经反馈的MI-BCI康复训练。

为了提升MI-BCI的总体性能，现有研究通过引入其他脑电特征(如，稳态视觉诱发电位(Steady state visual evoked potential,SSVEP)和事件相关P300电位)或者辅助手段以提高分类正确率。虽然MI-SSVEP或MI-P300等混合BCI范式能够提高传统MI-BCI的分类正确率，但是此类混合范式引入了额外的视觉刺激，失去了MI-BCI的优势，并容易引起视觉疲劳。

对人体施加较高频率的体感刺激可以引起具有空间特异性的稳态体感诱发电位(Steady-state somatosensory evoked potential，SSSEP)，激活相应的皮层体感功能区。SSSEP的诱发依靠完善的体感系统，避免了失去眼球自主控制的问题，也不需要占用额外的视觉通路。在众多混合MI范式中，MI-SSSEP是唯一的一种不仅能够保持MI-BCI的优势，而且能够按照传统MI-BCI的操作方式去调制大脑活动的混合BCI范式。然而，现有MI-SSSEPBCI的研究并未有效提升MI-BCI的总体性能。

发明内容

本发明提供了一种新型MI-SSSEP混合脑-机接口方法及系统，本发明通过引入双侧正中神经刺激诱发的SSSEP，结合MI诱发的ERD特征，设计了一种新型MI-SSSEP混合脑-机接口系统，以提升传统MI-BCI的总体性能，增强基于神经反馈的MI-BCI康复训练的鲁棒性，详见下文描述：

一种新型MI-SSSEP混合脑-机接口方法，所述脑-机接口方法包括以下步骤：

将两片心电电极分别放置于左右手腕处，根据预设频率对左右手分别进行电刺激，诱导拇指产生轻微颤抖，诱发出明显的稳态体感诱发电位；

受试者在接受刺激的同时进行运动想象，采集脑电数据，并进行预处理；

通过共空间模式算法对预处理后的脑电数据进行特征提取与模式识别，获取单次任务脑电特征向量；

将单次任务脑电特征向量输入支持向量机训练分类器，利用十折交叉验证策略通过支持向量机完成分类识别；

即，将8-32Hz频带，以4Hz为步进，构建6个子频带，完成分类识别，该种方法将ERD特征和SSSEP特征融合，实现了性能提升。

所述脑-机接口方法还包括：四个时期的任务模式，具体为：

1)屏幕正中央出现白圆，受试者保持放松无动作状态；

2)白圆消失，黑圆出现，电刺激开启，同时施加双侧正中神经刺激，电流在0.5s内达到最大值；

3)黑圆消失，箭头提示出现，在接受电刺激的同时根据箭头提示开始运动想象；

4)箭头消失，出现REST。

所述6个子频段具体为：8-12，12-16，16-20，20-24，24-28，28-32Hz。

所述单次任务脑电特征向量具体为：

为实数集；为各子频段提取的特征，即f_p；

$f_p=log\left(\frac{VAR\left(z_p\right)}{\underset{i=1}{\overset{2m}{\Σ}}VAR\left(z_p\right)}\right)$

其中，VAR表示求解方差；f_p为各自频段提取出的特征向量。

一种新型MI-SSSEP混合脑-机接口方法的系统，所述系统包括：

心电电极，用于分别放置于左右手腕处，根据预设频率对左右手分别进行电刺激，诱导拇指产生轻微颤抖，诱发出明显的稳态体感诱发电位；受试者在接受刺激的同时进行运动想象；

脑电采集系统，用于采集脑电数据，并通过滤波器进行滤波预处理；

计算机，用于通过共空间模式算法对预处理后的脑电数据进行特征提取与模式识别，获取单次任务脑电特征向量；将单次任务脑电特征向量输入支持向量机训练分类器，利用十折交叉验证策略通过支持向量机完成分类识别；

即，将8-32Hz频带，以4Hz为步进，构建6个子频带，完成分类识别，该种方法将ERD特征和SSSEP特征融合，实现了性能提升。

本发明提供的技术方案的有益效果是：本发明设计了一种新型MI-SSSEP混合脑-机接口方法及系统，该发明通过引入双侧正中神经刺激诱发的SSSEP，结合MI诱发的ERD特征，并有效提取融合特征，提升了传统MI-BCI的总体性能，为增强基于神经反馈的MI-BCI康复训练的鲁棒性提供新思路。进一步研究可以得到完善的脑-机接口系统，有望获得可观的社会效益和经济效益。最佳实施方案拟采用专利转让、专利许可、技术合作或产品开发。

附图说明

图1为一种新型MI-SSSEP混合脑-机接口方法的流程图；

图2为正中神经刺激电极的示意图；

图3为混合任务范式、以及电刺激示意图；

其中，(a)为混合任务范式示意图；(b)为电刺激示意图；

图4为FBCSP特征提取的示意图；

图5为14名被试使用单独的ERD特征(ERD)，单独的SSSEP特征(SSSEP)以及融合特征(MI-SSSEP)得到的分类正确率示意图；

图6为一种新型MI-SSSEP混合脑-机接口系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

实施例1

一种新型MI-SSSEP混合脑-机接口方法，参见图1，该接口方法包括以下步骤：

101：将两片心电电极分别放置于左右手腕处，根据预设频率对左右手分别进行电刺激，诱导拇指产生轻微颤抖，诱发出明显的稳态体感诱发电位；

102：受试者在接受刺激的同时进行运动想象，采集脑电数据，并进行预处理；

103：通过共空间模式算法对预处理后的脑电数据进行特征提取与模式识别，获取单次任务脑电特征向量；

104：将单次任务脑电特征向量输入支持向量机训练分类器，利用十折交叉验证策略通过支持向量机完成分类识别；

即，将8-32Hz频带，以4Hz为步进，构建6个子频带，完成分类识别，该种方法将ERD特征和SSSEP特征融合，实现了性能提升。

其中，脑-机接口方法还包括：四个时期的任务模式，具体为：

1)屏幕正中央出现白圆，受试者保持放松无动作状态；

2)白圆消失，黑圆出现，电刺激开启，同时施加双侧正中神经刺激，电流在0.5s内达到最大值；

3)黑圆消失，箭头提示出现，在接受电刺激的同时根据箭头提示开始运动想象；

4)箭头消失，出现REST。

其中，步骤104中的6个子频段具体为：8-12，12-16，16-20，20-24，24-28，28-32Hz。

综上所述，本发明实施例在想象动作任务过程中引入不同频率的双侧正中神经刺激作为体感刺激从而诱发SSSEP，达到MI诱发的ERD特征与电刺激诱发的SSSEP特征共存的效果，并通过研究相应的特征提取技术和识别模型，建立一种新型的MI-SSSEP混合BCI范式，从而提升传统MI-BCI的总体性能。

实施例2

下面结合具体的附图，计算公式对实施例1中的方案进行详细介绍，详见下文描述：

201：正中神经刺激；

其中，电刺激通过脉宽为200μs的双向脉冲同时施加到双侧正中神经。两片相距4厘米的心电电极分别放置于左右手腕处，如图2所示。左手刺激频率为26Hz，右手刺激频率为31Hz。对左/右手腕处的电极位置以及电流大小分别作调整以诱导拇指产生轻微颤抖，并诱发出明显的稳态体感诱发电位。所有受试者的电流强度在1.5-7mA之间变化。

其中，本发明实施例对两片心电电极的间距不做限制，可以根据实际应用中的需要进行设定，本发明实施例是以4厘米为例进行说明。

其中，左右手的刺激频率也可以根据实际应用中的需要进行设定，本发明实施例是以左手刺激频率为26Hz，右手刺激频率为31Hz为例进行说明。

其中，受试者的电流强度的变化区间可以根据实际应用中的需要进行设定，本发明实施例是以在1.5-7mA之间为例进行说明。

202：实验范式；

实验时，受试者安静地正坐于距屏幕约1m的靠椅上，保持手和足放松，尽量避免眼动。任务模式如图3(a)所示，分为四个阶段，共10s时间。

1、第一阶段为准备期，屏幕正中央出现白圆，持续2s，提示本次实验开始，受试者保持放松无动作状态；

2、第二阶段为提示期，白圆消失，黑圆出现，持续2s，提示受试者做好准备，想象动作思维任务即将开始；

3、第三阶段为想象期，黑圆消失，箭头提示出现，持续4s，被试根据所提示的箭头方向想象左手或者右手握拳动作。

4、第四阶段为恢复期，箭头消失，出现REST，受试者保持静息状态，以作调整准备下一次实验。

如图3(b)所示，从第2秒到第8秒对被试同时施加双侧正中神经刺激，电流在0.5s内达到最大值，即预设电流强度。该试验中，被试在接受双手电刺激的同时进行想象动作任务。

其中，该预设的电流强度根据实际应用中的需要进行设定，本发明实施例以健康人为例进行说明，具体实现时，本发明实施例对此不做限制。

共2组实验，每组实验包括40个任务，关注左手体感刺激和关注右手体感刺激各20个任务。共采集80次实验任务下的脑电信号，即80个脑电数据样本。为使受试者尽量保持良好的精神状态，在两组实验之间，留有5分钟左右的休息时间，以降低疲劳引起的影响。

203：数据采集及预处理；

本发明实施例使用Neuroscan 64导联脑电采集系统，所用电极均为Ag/AgCl电极，以前额为地，鼻尖作为参考，脑电采样频率为1000Hz，带通滤波范围为0.5-100Hz，并采用50Hz陷波器去除工频干扰。预处理中首先对原始数据采用共平均参考空间滤波处理，并降采样到200Hz，之后截取选择关注任务开始后0.5-3.5s的数据用作后续分析。

将预处理后的数据分为6个4Hz带宽的子频段，覆盖8-32Hz的频段范围，即8-12,12-16,…,28-32Hz。针对电刺激诱发的SSSEP频段，额外设计2个1Hz宽的带通滤波器，即，25.5-26.5,30.5-31.5Hz，进而从预处理后的数据中提取26Hz和31Hz SSSEP特征频段，并使用单独的SSSEP特征完成分类识别。

其中，上述的脑电采样频率、带通滤波范围、陷波器的功率、降采样的数值，以及某一时间范围的数据，均根据实际应用中的需要进行设定，本发明实施例对此不做限制。

204：特征提取与模式识别；

本发明实施例采用了一种分频段的共空间模式算法(Filter bank commonspatial pattern，FBCSP)，计算流程如图4所示。FBCSP将原始数据分为N_f个不同频段的脑电成分X_i(i＝1,2,…,N_f)，然后分别对每一个频段的脑电成分计算CSP(共空间模式)投影矩阵W_i(i＝1,2,…,N_f)，并完成空间滤波Z_i为各成分经过空间滤波后的数据；T为转置。

其中，z_p(p＝1,2,…,2m)是滤波后信号Z_i中前m(对应最大的m个特征值)和后m(对应最小的m个特征值)行的向量，则某一频段脑电成分的单次任务特征提取如下式所示：

$f_p=\log \left(\frac{VAR\left(z_p\right)}{\underset{i=1}{\overset{2m}{\mathrm{\Σ}}}VAR\left(z_p\right)}\right)$

其中，VAR表示求解方差；f_p为各自频段提取出的特征向量。

进一步地，提取的单次任务脑电特征向量可表示为 为实数集；为各子频段提取的特征，即f_p。

205：利用十折交叉验证策略通过支持向量机完成分类识别。

即，将8-32Hz频带，以4Hz为步进，构建6个子频带，完成分类识别，该种方法将ERD特征和SSSEP特征融合，实现了性能提升。

综上所述，本发明实施例在想象动作任务过程中引入不同频率的双侧正中神经刺激作为体感刺激从而诱发SSSEP，达到MI诱发的ERD特征与电刺激诱发的SSSEP特征共存的效果，并通过研究相应的特征提取技术和识别模型，建立一种新型的MI-SSSEP混合BCI范式，从而提升传统MI-BCI的总体性能。

实施例3

下面结合具体的试验数据对实施例1和2中的方案做可行性验证，详见下文描述：

图5为14名被试使用单独的ERD特征(ERD)，单独的SSSEP特征(SSSEP)以及融合特征(MI-SSSEP)得到的分类正确率。从中可以看到，正确率均值都超过了70％，且通过ERD和SSSEP特征融合得到的正确率最高，均值达到了85％。通过单因素重复测量方差分析得到，使用不同的特征提取策略得到的正确率间存在显著性差异(F(2,26)＝7.182,p＝0.010)。且，MI-SSSEP下的正确率显著高于单独使用ERD(p＝0.0004)和SSSEP(p＝0.042)特征的正确率。该结果表明，ERD和SSSEP两种特征的融合有助于混合范式中分类正确率的提升，证明了本发明实施例设计的新型MI-SSSEP混合范式以提高MI-BCI系统性能的有效性和可行性。

实施例4

本发明实施例提供了一种新型MI-SSSEP混合脑-机接口方法，该系统与实施例1和2中的接口方法相对应，参见图6，该系统包括：

心电电极(图6中未示出，参见图2)，用于分别放置于左右手腕处，根据预设频率对左右手分别进行电刺激，诱导拇指产生轻微颤抖，诱发出明显的稳态体感诱发电位；受试者在接受刺激的同时进行运动想象；

脑电采集系统，用于采集脑电数据，并通过滤波器进行滤波预处理；

计算机，用于通过共空间模式算法对预处理后的脑电数据进行特征提取与模式识别，获取单次任务脑电特征向量；将单次任务脑电特征向量输入支持向量机训练分类器，利用十折交叉验证策略通过支持向量机完成分类识别；

即，将8-32Hz频带，以4Hz为步进，构建6个子频带，完成分类识别，该种方法将ERD特征和SSSEP特征融合，实现了性能提升。

综上所述，本发明实施例设计了一种新型MI-SSSEP混合脑-机接口系统，本发明实施例通过引入双侧正中神经刺激诱发的SSSEP，结合MI诱发的ERD特征，并有效提取融合特征，提升了传统MI-BCI的总体性能，为增强基于神经反馈的MI-BCI康复训练的鲁棒性提供新思路。进一步研究可以得到完善的脑-机接口系统，有望获得可观的社会效益和经济效益。最佳实施方案拟采用专利转让、专利许可、技术合作或产品开发。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种新型MI-SSSEP混合脑-机接口方法，其特征在于，所述脑-机接口方法包括以下步骤：

将两片心电电极分别放置于左右手腕处，根据预设频率对左右手分别进行电刺激，诱导拇指产生轻微颤抖，诱发出明显的稳态体感诱发电位；

受试者在接受刺激的同时进行运动想象，采集脑电数据，并进行预处理；

通过共空间模式算法对预处理后的脑电数据进行特征提取与模式识别，获取单次任务脑电特征向量；

将单次任务脑电特征向量输入支持向量机训练分类器，利用十折交叉验证策略通过支持向量机完成分类识别；

即，将8-32Hz频带，以4Hz为步进，构建6个子频带，完成分类识别，该种方法将ERD特征和SSSEP特征融合，实现了性能提升。

2.根据权利要求1所述的一种新型MI-SSSEP混合脑-机接口方法，其特征在于，所述脑-机接口方法还包括：四个时期的任务模式，具体为：

1)屏幕正中央出现白圆，受试者保持放松无动作状态；

2)白圆消失，黑圆出现，电刺激开启，同时施加双侧正中神经刺激，电流在0.5s内达到最大值；

3)黑圆消失，箭头提示出现，在接受电刺激的同时根据箭头提示开始运动想象；

4)箭头消失，出现REST。

3.根据权利要求1所述的一种新型MI-SSSEP混合脑-机接口方法，其特征在于，所述6个子频段具体为：8-12，12-16，16-20，20-24，24-28，28-32Hz。

4.根据权利要求1所述的一种新型MI-SSSEP混合脑-机接口方法，其特征在于，所述单次任务脑电特征向量具体为：

为实数集；为各子频段提取的特征，即f_p；

$f_p=log\left(\frac{VAR\left(z_p\right)}{\underset{i=1}{\overset{2m}{\Σ}}VAR\left(z_p\right)}\right)$

其中，VAR表示求解方差；f_p为各自频段提取出的特征向量。

5.一种用于实施权利要求1-4中任一权利要求所述的新型MI-SSSEP混合脑-机接口方法的系统，其特征在于，所述系统包括：

心电电极，用于分别放置于左右手腕处，根据预设频率对左右手分别进行电刺激，诱导拇指产生轻微颤抖，诱发出明显的稳态体感诱发电位；受试者在接受刺激的同时进行运动想象；

脑电采集系统，用于采集脑电数据，并通过滤波器进行滤波预处理；

计算机，用于通过共空间模式算法对预处理后的脑电数据进行特征提取与模式识别，获取单次任务脑电特征向量；将单次任务脑电特征向量输入支持向量机训练分类器，利用十折交叉验证策略通过支持向量机完成分类识别；

即，将8-32Hz频带，以4Hz为步进，构建6个子频带，完成分类识别，该种方法将ERD特征和SSSEP特征融合，实现了性能提升。