CN107132915A - 一种基于动态脑功能网络连接的脑‑机接口方法 - Google Patents

一种基于动态脑功能网络连接的脑‑机接口方法 Download PDF

Info

Publication number
CN107132915A
CN107132915A CN201710256279.3A CN201710256279A CN107132915A CN 107132915 A CN107132915 A CN 107132915A CN 201710256279 A CN201710256279 A CN 201710256279A CN 107132915 A CN107132915 A CN 107132915A
Authority
CN
China
Prior art keywords
brain
data
plv
network connection
calculated
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
CN201710256279.3A
Other languages
English (en)
Other versions
CN107132915B (zh
Inventor
谢松云
王伟
李亚兵
谢辛舟
孟雅
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201710256279.3A priority Critical patent/CN107132915B/zh
Publication of CN107132915A publication Critical patent/CN107132915A/zh
Application granted granted Critical
Publication of CN107132915B publication Critical patent/CN107132915B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

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

Abstract

本发明提出一种基于动态脑功能网络连接的脑‑机接口方法，属于脑‑机接口研究领域，涉及左右手想象运动的EEG信号处理方法。包含以下步骤：(1)将所有试次划分为两部分，并在时间过程上划分为“静息”态阶段和任务态阶段，对所有数据进行预处理；(2)使用一部分试次计算“静息”态PLV和任务态PLV及两类任务的特征模板；(3)计算在线EEG数据的PLV及其与特征模板的相似度；(4)将相似度值作为特征向量，利用SVM分类器进行分类。本发明以脑电信号的相位同步信息为基础，提取在线数据与模板的相似度作为特征，物理意义明确，原理上可行。在保证分类准确率的前提下，将系统的响应时间缩短，本发明提出的方法具有更优越的性能。

Description

一种基于动态脑功能网络连接的脑-机接口方法
技术领域
本发明属于脑-机接口研究领域，涉及基于想象运动的脑电信号分析与处理方法，特别涉及一种基于动态脑功能网络连接的脑-机接口方法。
背景技术
脑-机接口(Brain-Computer Interface，BCI)是一种新型的人机交互系统，它在人脑与计算机之间建立直接的交流和控制通道。由于EEG信号的时间分辨率较高，且方便采集，目前基于EEG的脑-机接口系统研究受到了广泛的关注。该系统通过在人头皮表面放置电极采集EEG信号，再经过模式识别方法解码，将神经任务转换为计算机指令来控制外部设备。目前，基于EEG的脑-机接口设备在军事辅助、医疗康复、家电控制等方面已经有了很成功的应用，且其还有很大的开发空间。BCI在科研和应用方面都具有巨大潜在价值，目前已成为了全球最热门的研究领域之一。
运动想象是目前BCI系统中常用的模式，它是基于大脑运动皮层相应区域的μ和β节律的ERD与ERS现象来进行研究的。共空间模式算法(Common Special Pattern，CSP)是ERD/ERS特征提取中效果较好的算法之一，利用3秒长的EEG信号，准确率可以达到90％左右，但信息传输率在40bits/min以下，这远远不能满足通讯的要求，这也是BCI系统目前发展遇到的最大瓶颈，BCI系统的识别率和信息传输率等性能仍有待提高。
本发明从脑网络的角度出发，提出了一种基于动态脑功能网络连接的特征提取方法，该方法在保证识别准确率的前提下，极大地缩短了BCI系统的响应时间。
发明内容
本发明提出了一种基于动态脑功能网络连接的特征提取方法，该方法能够在较短时间内有效发掘大脑进行左手、右手两种想象运动时EEG信号的差别有效解决BCI系统响应较慢的问题。本发明的技术方案如下：
S1.首先，将所有的试次(trial)在时间过程上划分为不进行任务阶段(“静息”态)和进行想象运动任务阶段(任务态)。再对这两个阶段的原始EEG数据进行预处理，为建立脑功能网络连接做准备。
S2.计算预处理后每两导EEG数据之间的瞬时锁相值(instantaneous Phase LockValue，iPLV)，计算得到一个网络，网络中的每个节点代表一个EEG电极，网络中的边代表两个导联之间的瞬时同步性大小。
S3.计算左右手两类数据iPLV的25个试次的平均值。然后对“静息”态阶段的结果进行时间平均得到“静息”态PLV；对任务态数据进行分段，计算每段数据的时间平均，得到若干个任务态PLV。
S4.将任务态PLV减去“静息”态PLV，得到若干个“模板”，即为两类任务的脑功能动态网络连接模式。再将各个“模板”中的PLV值降序排列，提取前30个值代表该模板。
S5.计算每段EEG数据的PLV值。然后计算其与所有左手想象运动PLV模板及所有右手想象运动PLV模板的相似性，作为该段数据的特征向量。使用余弦相似度作为相似性度量准则(或者使用欧氏距离、海明距离等其它准则)。将得到的特征向量训练支持向量机(SVM)分类器。
S6.对于在线EEG数据，重复(4)中的步骤，将得到的特征向量输入SVM分类器中，得到在线数据的分类类别。
附图说明
图1为想象运动任务的实验范式示意图；
图2为本发明所述的基于动态脑功能网络连接的脑-机接口方法流程图；
图3为一个被试的左右手样本的平均特征向量的对比图；
图4为9位被试的平均分类正确率。
具体实施方式
下面结合附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
一种通用的基于想象运动任务的BCI系统的实验范式如图1所示，本发明提出的一种基于动态脑功能网络连接的脑-机接口方法的流程如图2所示。下面以图1的实验范式为例，结合流程图对本发明的具体实施方式作详细说明。
1、计算iPLV
计算预处理后每两导EEG数据之间的iPLV。iPLV的计算方法如式(1)所示。
其中，和分别表示x导联和y导联的瞬时相位值。
2、计算“静息”态PLV和任务态PLV
计算“静息”态和任务态左右手两类数据25个试次的sPLV的平均值。计算方法如式(2)所示。
其中，i表示第i个trial，N表示trial个数。
将“静息”态阶段对应的(2)式计算结果进行时间平均，得到左右手“静息”态若干PLV(lrPLV和rrPLV)。
将任务态每段数据的(2)式计算结果进行时间平均，得到左右手若干任务态PLV(ltPLV和rtPLV)。
3、建立左右手想象运动时脑功能网络连接“模板”
将任务态PLV减去“静息”态PLV，得到若干“模板”，即：
4、计算两类任务数据的特征向量
计算EEG数据的sPLV及其时间平均值，得到DATA_ltPLV和DATA_rtPLV，再减去两类数据“静息”态PLV的均值，得到DATA_ldPLV和DATA_rdPLV，即：
最后计算DATA_ldPLV与所有“模板”的相似性作为左手想象运动数据的特征向量LH_feature，计算DATA_rdPLV与所有“模板”的相似性作为右手想象运动数据的特征向量RH_feature。使用余弦相似度(consine similarity)作为相似性度量准则，余弦相似度的计算方法如(5)式所示。
其中，X和Y为两个维度为n的向量，S为它们的余弦相似度。
计算一个被试的所有左手样本的特征向量的平均值ave_LH_feature，计算所有右手样本的特征向量的平均值ave_RH_feature。ave_LH_feature与ave_RH_feature的对比如图3所示。
5、分类
将4中得到的特征向量训练SVM分类器。对于在线EEG数据，重复4中的步骤，将得到的特征向量输入分类器，得到在线数据的分类类别。
利用以上算法计算了9个被试的平均分类准确率，如图4所示。
本发明以脑电信号的相位同步信息为基础，据此建立脑功能动态网络，并从中提取大脑进行左右手两类想象运动时脑功能网络连接的“模板”，最后将在线数据与“模板”网络连接的相似度作为特征，原理上可行，有明确的物理意义。在保证了分类准确率的前提下，极大地缩短了BCI系统的响应时间，因此本发明所提出的算法具有更优越的性能。

Claims (4)

1.一种基于动态脑功能网络连接的脑-机接口方法，包括如下步骤：
(1)计算预处理后每两导EEG数据之间的瞬时锁相值(instantaneous Phase LockValue，iPLV)；
(2)计算得到大脑进行左右手两类想象运动时脑功能网络连接的“模板”；
(3)计算每段EEG数据的iPLV值，然后计算其与所有“模板”的相似性，作为该段数据的特征向量。将得到的特征向量训练支持向量机分类器；
(4)对于在线EEG数据，仍使用(3)中的步骤，将得到的特征向量输入支持向量机分类器中，得到在线数据的分类类别。
2.根据权利要求1所述的基于动态脑功能网络连接的脑-机接口方法，其特征在于：以脑电信号的相位同步信息为基础建立左右手两类想象运动的脑功能动态网络，并提取两类数据的“模板”。
3.根据权利要求1所述的基于动态脑功能网络连接的脑-机接口方法，其特征在于：首先计算左右手两类数据iPLV的平均值，然后将“静息”态结果进行时间平均得到“静息”态PLV；对任务态时间段进行划分，计算每个分段的时间平均，得到若干个任务态PLV。
4.根据权利要求1所述的基于动态脑功能网络连接的脑-机接口方法，其特征在于：计算得到在线数据的PLV之后，要将其减去“静息”态的PLV；使用余弦相似度(consinesimilarity)作为相似性度量准则，计算其与所有“模板”的相似性，作为分类标准。
CN201710256279.3A 2017-04-19 2017-04-19 一种基于动态脑功能网络连接的脑-机接口方法 Active CN107132915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710256279.3A CN107132915B (zh) 2017-04-19 2017-04-19 一种基于动态脑功能网络连接的脑-机接口方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710256279.3A CN107132915B (zh) 2017-04-19 2017-04-19 一种基于动态脑功能网络连接的脑-机接口方法

Publications (2)

Publication Number Publication Date
CN107132915A true CN107132915A (zh) 2017-09-05
CN107132915B CN107132915B (zh) 2021-01-29

Family

ID=59716812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710256279.3A Active CN107132915B (zh) 2017-04-19 2017-04-19 一种基于动态脑功能网络连接的脑-机接口方法

Country Status (1)

Country Link
CN (1) CN107132915B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108577835A (zh) * 2018-05-17 2018-09-28 太原理工大学 一种基于微状态的脑功能网络构建方法
CN108594993A (zh) * 2018-03-30 2018-09-28 广东欧珀移动通信有限公司 电子装置、音频播放方法及相关产品
CN110727347A (zh) * 2019-09-25 2020-01-24 西北工业大学 用于脑机接口的经验相关事件想象任务设计
CN113509148A (zh) * 2021-04-28 2021-10-19 东北大学 一种基于混合高阶脑网络的精神分裂症检测系统
CN114305333A (zh) * 2021-12-16 2022-04-12 广州大学 一种基于脑网络和深度学习的脑电信号识别方法
CN115294413A (zh) * 2022-10-10 2022-11-04 齐鲁工业大学 一种基于时序脑电数据的脑疾病分类方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2407912A2 (fr) * 2010-07-13 2012-01-18 Commissariat À L'Énergie Atomique Et Aux Énergies Alternatives Procédé et système de classification de signaux neuronaux, et procédé de sélection d'électrodes pour commande neuronale directe
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
CN103971124A (zh) * 2014-05-04 2014-08-06 杭州电子科技大学 一种基于相位同步的多类别运动想象脑电信号分类方法
CN104510468A (zh) * 2014-12-30 2015-04-15 中国科学院深圳先进技术研究院 一种脑电信号的特征提取方法及装置
CN104571504A (zh) * 2014-12-24 2015-04-29 天津大学 一种基于想象动作的在线脑-机接口方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2407912A2 (fr) * 2010-07-13 2012-01-18 Commissariat À L'Énergie Atomique Et Aux Énergies Alternatives Procédé et système de classification de signaux neuronaux, et procédé de sélection d'électrodes pour commande neuronale directe
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
CN103971124A (zh) * 2014-05-04 2014-08-06 杭州电子科技大学 一种基于相位同步的多类别运动想象脑电信号分类方法
CN104571504A (zh) * 2014-12-24 2015-04-29 天津大学 一种基于想象动作的在线脑-机接口方法
CN104510468A (zh) * 2014-12-30 2015-04-15 中国科学院深圳先进技术研究院 一种脑电信号的特征提取方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡剑锋，包学才，穆振东: "基于相位同步的脑电信号分类算法研究", 《微电子学与计算机》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108594993A (zh) * 2018-03-30 2018-09-28 广东欧珀移动通信有限公司 电子装置、音频播放方法及相关产品
CN108577835A (zh) * 2018-05-17 2018-09-28 太原理工大学 一种基于微状态的脑功能网络构建方法
CN108577835B (zh) * 2018-05-17 2019-07-19 太原理工大学 一种基于微状态的脑功能网络构建方法
CN110727347A (zh) * 2019-09-25 2020-01-24 西北工业大学 用于脑机接口的经验相关事件想象任务设计
CN113509148A (zh) * 2021-04-28 2021-10-19 东北大学 一种基于混合高阶脑网络的精神分裂症检测系统
CN113509148B (zh) * 2021-04-28 2022-04-22 东北大学 一种基于混合高阶脑网络的精神分裂症检测系统
CN114305333A (zh) * 2021-12-16 2022-04-12 广州大学 一种基于脑网络和深度学习的脑电信号识别方法
CN115294413A (zh) * 2022-10-10 2022-11-04 齐鲁工业大学 一种基于时序脑电数据的脑疾病分类方法
CN115294413B (zh) * 2022-10-10 2023-01-24 齐鲁工业大学 一种基于时序脑电数据的脑疾病分类方法

Also Published As

Publication number Publication date
CN107132915B (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN107132915A (zh) 一种基于动态脑功能网络连接的脑‑机接口方法
CN106650687B (zh) 一种基于深度信息和骨骼信息的姿势矫正方法
WO2021143353A1 (zh) 一种手势信息处理方法、装置、电子设备及存储介质
Javeed et al. Wearable sensors based exertion recognition using statistical features and random forest for physical healthcare monitoring
CN107485844B (zh) 一种肢体康复训练方法、系统及嵌入式设备
Preis et al. Gait recognition with kinect
Guo et al. Multiview cauchy estimator feature embedding for depth and inertial sensor-based human action recognition
Coyle et al. A time-series prediction approach for feature extraction in a brain-computer interface
WO2017084416A1 (zh) 一种基于运动想象脑-机接口的反馈系统
CN110555468A (zh) 一种联合递归图和cnn的脑电信号识别方法及系统
CN107092894A (zh) 一种基于lstm模型的运动行为识别方法
Zhao et al. Detection and recognition of human body posture in motion based on sensor technology
Das et al. Eldo-care: Eeg with kinect sensor based telehealthcare for the disabled and the elderly
CN108846343A (zh) 基于三维视频的多任务协同分析方法
Chao et al. CZU-MHAD: a multimodal dataset for human action recognition utilizing a depth camera and 10 wearable inertial sensors
CN115238796A (zh) 基于并行damscn-lstm的运动想象脑电信号分类方法
Geng Research on athlete’s action recognition based on acceleration sensor and deep learning
CN110231864A (zh) 变电站虚拟环境中的精准手势识别方法
CN106971203A (zh) 基于走路特征数据的身份识别方法
Chen et al. Cnn-lstm model for recognizing video-recorded actions performed in a traditional chinese exercise
Karthik et al. Automated Home-Based Physiotherapy
Wang Neural network-oriented big data model for yoga movement recognition
Enikeev et al. Recognition of sign language using leap motion controller data
Salim et al. A review on hand gesture and sign language techniques for hearing impaired person
Wagner et al. A sensing architecture for empathetic data systems

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
GR01 Patent grant
GR01 Patent grant