CN106650793A - 一种基于脑机接口控制pwm占空比的方法 - Google Patents

一种基于脑机接口控制pwm占空比的方法 Download PDF

Info

Publication number
CN106650793A
CN106650793A CN201611059622.7A CN201611059622A CN106650793A CN 106650793 A CN106650793 A CN 106650793A CN 201611059622 A CN201611059622 A CN 201611059622A CN 106650793 A CN106650793 A CN 106650793A
Authority
CN
China
Prior art keywords
eeg signals
duty cycle
brain
characteristic vectors
pwm
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.)
Pending
Application number
CN201611059622.7A
Other languages
English (en)
Inventor
聂臣林
王刚
朵慧智
叶旭鸣
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.)
Tianjin Jinhang Computing Technology Research Institute
Original Assignee
Tianjin Jinhang Computing Technology Research Institute
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 Tianjin Jinhang Computing Technology Research Institute filed Critical Tianjin Jinhang Computing Technology Research Institute
Priority to CN201611059622.7A priority Critical patent/CN106650793A/zh
Publication of CN106650793A publication Critical patent/CN106650793A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

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

Abstract

本发明属于脑电控制领域，具体涉及一种基于脑机接口控制PWM占空比的方法。本发明将提取的脑电信号进行多维特征提取，构建多维特征向量矩阵，并利用人工神经网络数据融合算法，对经过归一化处理后的待识别多维特征向量矩阵进行融合识别，将识别后的脑电信号作为控制指令输出至单片机，由单片机控制PWM占空比，能够实现对电动机等装置的精密控制。

Description

一种基于脑机接口控制PWM占空比的方法
技术领域
本发明属于脑电控制领域，具体涉及一种基于脑机接口控制PWM占空比的方法。
背景技术
人脑是迄今为止人类所知道的最完善最复杂的智能系统，具有感知、识别、学习、联想、记忆、推理等智能，是由大量生物神经元经过相互连接而构成的一种高度复杂的非线性信息处理系统。脑电信号是脑神经细胞活动的综合表现，包含了丰富的大脑活动信息。脑电的研究一直受到许多专家学者的青睐，大量研究成果也已经被广泛应用于临床医学、军事医学、航空航天医学、航海医学、精神任务识别和心理治疗等方面。由于计算机技术、电子技术、微电极记录技术等的快速发展和应用，使得脑电信号不仅和脑生理状态相联系，而且还作为精密控制的信息源。脑电信号(EEG)具有以下优势：人脑是人体的控制中心，EEG直接反映人脑的思维变化，针对人进行不同的感觉、运动或认知活动而相应发生变化。所以，从理论上讲，人的意愿是能够从脑电信号中检测出并区分开；EEG信号的检测能够达到一定的精度，EEG能够被短时或实时提取和分析。
PWM是脉冲宽度调制(Pulse Width Modulation)的简称，它在自动控制和计算机技术领域中都有广泛的应用。在电机控制、交流检测等实际应用系统中，PWM是整个系统的技术核心。通过改变占空比的大小来改变平均电压的大小，从而控制电动机的转速。航空发动机的燃油供给量和舵机的控制等都是使用PWM占空比来实现的。如何将脑电信号与PWM占空比控制相结合，成为脑电控制在机械控制领域的全新研究方向。
发明内容
(一)要解决的技术问题
本发明的目的是提出一种基于脑机接口控制PWM占空比的方法，以解决如何通过脑电信号控制PWM占空比的问题。
(二)技术方案
为解决上述技术问题，本发明提出一种基于脑机接口控制PWM占空比的方法，该方法包括如下步骤：
(1)采集脑电信号；
(2)对采集到的脑电信号进行数字放大和滤波；
(3)采用多值输出信号变换函数对经过放大和数字滤波的脑电信号进行变换，采用单值输出函数将多值输出信号变换函数的变换结果分解成多个单值特征，得到多维特征向量矩阵，实现多维特征提取；
(4)对提取的多维特征向量进行归一化处理，得到待识别多维特征向量矩阵；
(5)利用人工神经网络数据融合算法，对待识别多维特征向量矩阵进行融合识别，将识别后的脑电信号作为控制指令信号输出至单片机；
(6)单片机在接收到所述控制指令信号后，产生占空比可变的PWM信号。
进一步地，步骤(1)中，采用单极导联法对脑电信号进行采集。
进一步地，步骤(2)中，脑电信号至少放大10000倍，对0.5Hz～40Hz以外的信号进行滤波。
进一步地，步骤(3)中，多值信号变换函数包括差分、倒频谱、自相关函数、幅值概率分布、频谱和小波变换；单值输出函数包括均值、标准差、均方根、峰值幅值和峰值位置。
进一步地，步骤(3)中，单值特征包括不同尺度空间的功率谱密度和模均值。
进一步地，步骤(5)中，利用误差后向传播神经网络数据融合算法进行融合识别。
进一步地，步骤(5)中，采用在线识别方式进行融合识别。
(三)有益效果
本发明将提取的脑电信号进行多维特征提取，构建多维特征向量矩阵，并利用人工神经网络数据融合算法，对经过归一化处理后的待识别多维特征向量矩阵进行融合识别，将识别后的脑电信号作为控制指令信号输出至单片机，由单片机控制PWM占空比，能够实现对电动机等装置的精密控制。
附图说明
图1为本发明实施例的PWM控制系统示意图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
本发明实施例采用如图1所示的控制系统，进行基于脑机接口的PWM占空比控制。具体控制方法包括，
(1)采用单极导联法，采集16通道的脑电信号。
(2)对采集到的脑电信号进行数字放大和滤波。其中，脑电信号至少放大10000倍，对0.5Hz～40Hz以外的信号进行滤波。
(3)采用包括差分、倒频谱、自相关函数、幅值概率分布、频谱和小波变换的多值输出信号变换函数，对经过放大和数字滤波的脑电信号进行变换。采用包括均值、标准差、均方根、峰值幅值和峰值位置的单值输出函数，将多值输出信号变换函数的变换结果分解成包括不同尺度空间的功率谱密度和模均值的多个单值特征。由此得到多维特征向量矩阵，实现多维特征提取；
(4)对提取的多维特征向量进行归一化处理，得到待识别多维特征向量矩阵；
(5)利用误差后向传播神经网络数据融合算法，对待识别多维特征向量矩阵进行融合识别，将识别后的脑电信号作为控制指令输出至单片机。其中，识别时采用在线识别方式，即当采集到的脑电信号数据长度达到1024个点后，立即转存到一个待处理数组中，进行放大滤波处理和多维特征提取，多维特征量经归一化处理后输入到误差后向传播神经网络数据融合系统进行模式识别。
(6)单片机的信号调理电路在接收到所述控制指令信号后，产生占空比可变的PWM信号。
(7)将占空比可变的PWM信号通过无线或有线方式，发送至电动机等待控制装置，实现对待控制装置的精密控制。
以上所述仅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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.一种基于脑机接口控制PWM占空比的方法，其特征在于，所述方法包括如下步骤：
(1)采集脑电信号；
(2)对采集到的脑电信号进行数字放大和滤波；
(3)采用多值输出信号变换函数对经过放大和数字滤波的脑电信号进行变换，采用单值输出函数将多值输出信号变换函数的变换结果分解成多个单值特征，得到多维特征向量矩阵，实现多维特征提取；
(4)对提取的多维特征向量进行归一化处理，得到待识别多维特征向量矩阵；
(5)利用人工神经网络数据融合算法，对所述待识别多维特征向量矩阵进行融合识别，将识别后的脑电信号作为控制指令信号输出至单片机；
(6)所述单片机在接收到所述控制指令信号后，产生占空比可变的PWM信号。
2.如权利要求1所述的方法，其特征在于，所述步骤(1)中，采用单极导联法对脑电信号进行采集。
3.如权利要求1所述的方法，其特征在于，所述步骤(2)中，脑电信号至少放大10000倍，对0.5Hz～40Hz以外的信号进行滤波。
4.如权利要求1所述的方法，其特征在于，所述步骤(3)中，所述多值信号变换函数包括差分、倒频谱、自相关函数、幅值概率分布、频谱和小波变换；所述单值输出函数包括均值、标准差、均方根、峰值幅值和峰值位置。
5.如权利要求1所述的方法，其特征在于，所述步骤(3)中，所述单值特征包括不同尺度空间的功率谱密度和模均值。
6.如权利要求1所述的方法，其特征在于，所述步骤(5)中，利用误差后向传播神经网络数据融合算法进行融合识别。
7.如权利要求1所述的方法，其特征在于，所述步骤(5)中，采用在线识别方式进行融合识别。
CN201611059622.7A 2016-11-25 2016-11-25 一种基于脑机接口控制pwm占空比的方法 Pending CN106650793A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611059622.7A CN106650793A (zh) 2016-11-25 2016-11-25 一种基于脑机接口控制pwm占空比的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611059622.7A CN106650793A (zh) 2016-11-25 2016-11-25 一种基于脑机接口控制pwm占空比的方法

Publications (1)

Publication Number Publication Date
CN106650793A true CN106650793A (zh) 2017-05-10

Family

ID=58812232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611059622.7A Pending CN106650793A (zh) 2016-11-25 2016-11-25 一种基于脑机接口控制pwm占空比的方法

Country Status (1)

Country Link
CN (1) CN106650793A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112433616A (zh) * 2020-12-11 2021-03-02 中国人民解放军国防科技大学 多人多维识别模型协同决策系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101455596A (zh) * 2008-12-18 2009-06-17 西安交通大学苏州研究院 脑机接口驱动控制的神经义肢手及其控制方法
US20110152710A1 (en) * 2009-12-23 2011-06-23 Korea Advanced Institute Of Science And Technology Adaptive brain-computer interface device
CN102323771A (zh) * 2011-07-14 2012-01-18 华南理工大学 基于脑机接口的车模控制装置
CN104644165A (zh) * 2015-02-11 2015-05-27 电子科技大学 一种佩戴式的脑电采集装置
CN105022486A (zh) * 2015-07-17 2015-11-04 西安交通大学 基于不同表情驱动的脑电信号辨识方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101455596A (zh) * 2008-12-18 2009-06-17 西安交通大学苏州研究院 脑机接口驱动控制的神经义肢手及其控制方法
US20110152710A1 (en) * 2009-12-23 2011-06-23 Korea Advanced Institute Of Science And Technology Adaptive brain-computer interface device
CN102323771A (zh) * 2011-07-14 2012-01-18 华南理工大学 基于脑机接口的车模控制装置
CN104644165A (zh) * 2015-02-11 2015-05-27 电子科技大学 一种佩戴式的脑电采集装置
CN105022486A (zh) * 2015-07-17 2015-11-04 西安交通大学 基于不同表情驱动的脑电信号辨识方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
丁宝芬: "《医学信息学》", 30 September 2009, 东南大学出版社 *
张小栋等: ""脑控技术的研究与展望"", 《振动、测试与诊断》 *
施文武等: ""一种基于多维特征提取的知识化制造系统故障监测方法"", 《制造业自动化》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112433616A (zh) * 2020-12-11 2021-03-02 中国人民解放军国防科技大学 多人多维识别模型协同决策系统及方法
CN112433616B (zh) * 2020-12-11 2022-06-14 中国人民解放军国防科技大学 多人多维识别模型协同决策系统及方法

Similar Documents

Publication Publication Date Title
Li et al. Densely feature fusion based on convolutional neural networks for motor imagery EEG classification
CN105022486A (zh) 基于不同表情驱动的脑电信号辨识方法
CN111616682B (zh) 基于便携式脑电采集设备的癫痫发作预警系统及应用
Zhao et al. A 3D convolutional neural network for emotion recognition based on EEG signals
Tang et al. Hidden-layer visible deep stacking network optimized by PSO for motor imagery EEG recognition
CN108113670A (zh) 一种多通道式诱发脑电波控制的无人机系统及控制方法
CN112675428B (zh) 抗癫痫电刺激硬件在环仿真系统
Wang et al. EEG driving fatigue detection with PDC-based brain functional network
CN108364062B (zh) 基于memd的深度学习模型构建方法及在运动想象中的应用
CN107595302B (zh) 一种利用脑电信号监测用户精神状态的装置及方法
Liu et al. Convolutional neural networks with large-margin softmax loss function for cognitive load recognition
CN114870249A (zh) 一种闭环自适应交流电刺激神经网络调控方法及系统
CN111584029A (zh) 基于判别式对抗网络的脑电自适应模型及在康复中的应用
Chen et al. Epilepsy classification for mining deeper relationships between EEG channels based on GCN
CN111310783B (zh) 基于脑电微状态特征与神经网络模型的言语状态检测方法
CN116269249A (zh) 一种脑卒中风险预测方法和系统
Khorshidtalab et al. Evaluation of time-domain features for motor imagery movements using FCM and SVM
Cai et al. EEG-based emotion recognition using multiple kernel learning
CN106650793A (zh) 一种基于脑机接口控制pwm占空比的方法
Zhang et al. A new convolutional neural network for motor imagery classification
Wang et al. Efficient brain decoding based on adaptive eeg channel selection and transformation
Zhou et al. Multimodal emotion recognition method based on convolutional auto-encoder
Wang et al. An adaptive control approach for intelligent wheelchair based on bci combining with qoo
CN112364977A (zh) 一种基于脑机接口的运动想象信号的无人机控制方法
CN116756643A (zh) 一种基于Fisher分数的脑电通道选择方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170510

WD01 Invention patent application deemed withdrawn after publication