CN108388345B - 基于小波多分辨率复杂网络的脑电极优化方法及其应用 - Google Patents

基于小波多分辨率复杂网络的脑电极优化方法及其应用 Download PDF

Info

Publication number
CN108388345B
CN108388345B CN201810167491.7A CN201810167491A CN108388345B CN 108388345 B CN108388345 B CN 108388345B CN 201810167491 A CN201810167491 A CN 201810167491A CN 108388345 B CN108388345 B CN 108388345B
Authority
CN
China
Prior art keywords
node
network
electrodes
electrode
electroencephalogram
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.)
Active
Application number
CN201810167491.7A
Other languages
English (en)
Other versions
CN108388345A (zh
Inventor
高忠科
党伟东
曲志勇
李珊
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 University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN201810167491.7A priority Critical patent/CN108388345B/zh
Publication of CN108388345A publication Critical patent/CN108388345A/zh
Application granted granted Critical
Publication of CN108388345B publication Critical patent/CN108388345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Neurosurgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Health & Medical Sciences (AREA)
  • Dermatology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种基于小波多分辨率复杂网络的脑电极优化方法及其应用，通过便携式EEG脑电采集设备获取刺激图片诱发的SSVEP脑电信号，使用小波多分辨率复杂网络优化关键电极，并用实验脑电信号构建SVM支持向量机，用此支持向量机进行分类识别。本发明能够基于小波多分辨率复杂网络分析理论，找到起关键作用的电极，提高脑电数据的传输、处理效率；能够实现16自由度的控制，使得用户的控制更加精细、多样化；采用高频SSVEP，会产生闪烁融合效应使得使用者主观上感觉不到闪烁，但在脑电信号中仍可检测到SSVEP高频响应，大大降低了视觉疲劳。实现智能轮椅控制。

Description

基于小波多分辨率复杂网络的脑电极优化方法及其应用
技术领域
本发明涉及一种脑电极优化方法，特别是涉及一种基于小波多分辨率复杂网络的脑电极优化方法及其应用。
背景技术
脑机接口技术是21世纪的一种新型人机交互系统，是在人或动物的脑与外部设备间建立的直接连接通路，通过外部设备读取脑中的信号，然后经过计算处理，让这种信号转化为相关的控制指令，并代替人的肢体或语言器官实现人与外界的交流以及对外部环境的控制。脑机接口技术涉及神经科学、信号检测、信号处理、模式识别等多学科，在残疾人康复训练、生物医学、游戏娱乐、航天及军工等领域发挥着重要的作用。
稳态视觉诱发电位(SSVEP)，是指依托于一定频率的刺激在EEG脑电信号中产生相应的倍频响应，其中刺激主要是固定频率的闪烁，同时可以加入相位延迟，它可以可靠地应用于脑机接口系统。相对于其他信号而言，SSVEP具有更高的分类准确率、更快的信息传输率，系统和实验设计更加简便，而且需要的训练次数也比较少。
复杂性科学兴起于20世纪80年代，作为当代科学发展的前沿领域之一，其发展广泛应用于社会学、物理统计学、经济学、控制学、工程学、生物医学等多个跨学科研究领域，引发了从自然科学到人文社会科学领域的变革。复杂网络理论为非线性时间序列分析提供了全新的视角，把每个通道当作一个节点，把节点间的某种联系当作连边，这样该系统就被抽象成了复杂网络。复杂网络能够探寻在脑机接口系统中起关键作用的电极，从而可以有效的优化数据通道，提高数据传输、处理效率，提高脑机接口反应速度。
发明内容
本发明所要解决的技术问题是，提供一种能够实现多自由度意念控制的基于小波多分辨率复杂网络的脑电极优化方法及其应用。
本发明所采用的技术方案是：一种基于小波多分辨率复杂网络的脑电极优化方法，包括如下步骤：
1)对单个被试者的p个电极的脑电信号
Figure BDA0001584878490000011
分别进行小波多分辨率分解，分解层数为N层，得到一系列不同分辨率下的小波近似系数子带
Figure BDA0001584878490000012
和小波细节系数子带
Figure BDA0001584878490000013
其中，L为每一个电极获取的信号长度，xk,i表示p个电极中第k个电极的脑电信号中的第i个元素；
Figure BDA0001584878490000014
表示第k个电极的脑电信号第q层分解后得到的小波近似系数子带，
Figure BDA0001584878490000015
表示第k个电极的脑电信号第q层分解后得到的小波细节系数子带；
2)对所有系数子带进行特征提取，包括提取小波近似系数子带的6种特征：
Figure BDA0001584878490000021
以及小波细节系数子带的6种特征：
Figure BDA0001584878490000022
所述的6种特征分别对应最大值、最小值、平均值、标准偏差、陡度函数值和峭度函数值，由6种特征组成特征向量为：
Figure BDA0001584878490000023
其中，
Figure BDA0001584878490000024
Figure BDA0001584878490000025
表示小波近似系数子带
Figure BDA0001584878490000026
的第l个特征，
Figure BDA0001584878490000027
表示特征
Figure BDA0001584878490000028
在所有p个电极中的最小值，
Figure BDA0001584878490000029
表示特征
Figure BDA00015848784900000210
在所有p个电极中的最大值，
Figure BDA00015848784900000211
表示归一化后的特征
Figure BDA00015848784900000212
Figure BDA00015848784900000213
表示小波细节系数子带
Figure BDA00015848784900000214
的第l个特征，
Figure BDA00015848784900000215
表示特征
Figure BDA00015848784900000216
在所有p个电极中的最小值，
Figure BDA00015848784900000217
表示特征
Figure BDA00015848784900000218
在所有p个电极中的最大值，
Figure BDA00015848784900000219
表示归一化后的特征
Figure BDA00015848784900000220
3)对分解后的每一层，分别以每个电极作为网络节点，即网络节点数为p，以所有网络节点和其他所有网络节点之间的连边构成网络，网络中任意两个节点m与n之间的距离为
Figure BDA00015848784900000221
即
Figure BDA00015848784900000222
其中
Figure BDA00015848784900000223
表示节点m的特征向量
Figure BDA00015848784900000224
和节点n的特征向量
Figure BDA00015848784900000225
之间的二范数距离，计算网络中所有节点的特征向量之间的二范数距离，得到一个p×p的距离矩阵
Figure BDA00015848784900000226
定义阈值rc＝mean(r)+stdev(r)*0.15，其中mean(r)表示距离矩阵r中元素的平均值，stdev(r)表示距离矩阵r中元素的标准偏差，按照以下准则计算网络的加权邻接矩阵
Figure BDA00015848784900000227
Figure BDA00015848784900000228
当
Figure BDA00015848784900000229
时，节点m和节点n之间存在连边，且节点m和节点n的连边权重
Figure BDA00015848784900000230
反之则没有连边，上角标q表示分解的N层中的第q层，共得到N个节点数目为p的网络；
4)N个节点数目为p的网络构成小波多分辨率复杂网络；
5)对每一层网络的加权邻接矩阵
Figure BDA00015848784900000231
计算网络指标，包括节点强度网络指标、节点介数中心性网络指标、以及节点聚集系数网络指标，分别确定每一种网络指标中最大的四个值所对应的网络节点，并作为预关键节点；
节点m的强度Zm＝∑kamk，表示连接节点m的所有的连边权重之和；
节点m的节点介数中心性CB(m)：
Figure BDA0001584878490000031
其中σsv(m)表示经过节点m的从节点s到节点v的最短路径条数，σsv表示从节点s到节点v的最短路径条数；
节点m的聚集系数C(m)：
Figure BDA0001584878490000032
6)统计所有N个网络依据三种网络指标确定的所有预关键节点，确定所有预关键节点中出现频率最高的4个节点，作为关键节点，4个关键节点所对应的电极为关键电极，所述关键电极与被试者对应，具有个体特异性。
一种基于小波多分辨率复杂网络的脑电极优化方法的应用，包括以下步骤：
1)获取基于高频相位延迟的SSVEP脑电信号；
2)对每一种SSVEP脑电信号，应用基于小波多分辨率复杂网络的脑电极优化方法，确定4个关键电极；对每一个被试者的所有g种SSVEP脑电信号，确定4g个关键电极，统计4g个关键电极中出现频率最高的4个关键电极，作为与被试者对应的最终的4个关键电极；
3)提取最终的4个关键电极的脑电数据
Figure BDA0001584878490000033
h＝1,2,3,4，其中L为每一个电极获取的脑电数据长度，uh,i表示第h个最终的关键电极的脑电数据中的第i个元素，通过典型相关分析方法将最终的4个关键电极的脑电数据融合为一个脑电数据X；
4)通过快速傅里叶变换将融合后的脑电数据X转换为频域下的能量序列F：
F＝ABS(FFT(X))，
其中ABS(·)为取绝对值的操作，FFT(·)为对括号中信号进行快速傅里叶变换；
5)确定能量序列F中最大值所对应的频率，与获取SSVEP脑电信号时的β个刺激频率进行比较，选定最靠近β个刺激频率中的一个刺激频率作为与能量序列F对应的频率，这个频率也是能量序列F对应的4个电极的脑电数据所对应的频率，依据4个电极的脑电数据的相位延迟信息确定相位信息，结合与能量序列F对应的频率和相位信息反推被试者正在观察的刺激图片；
6)建立脑机接口，将刺激图片与被控对象能够执行的动作建立关联，产生控制指令控制被控对象运动。
步骤1)包括：
(1)设定基于高频相位延迟的SSVEP脑电实验刺激界面，包含α行β列共g个刺激图片，同一行中，β个刺激图片初始相位相同但刺激频率不同，同一列中，α个刺激图片闪烁频率相同但初始相位不同；
(2)通过脑电信号采集设备分别获取8个以上被试者中每一个被试者经g个刺激图片诱发的g种SSVEP脑电信号。
获取SSVEP脑电信号时的采样率为1000Hz，带通滤波为1～100Hz，并进行在线50Hz陷波，每一种SSVEP脑电信号中记录有M个电极的脑电数据，M大于等于10，各电极的脑电数据长度相同，参考电极为A2，接地电极为GND，电极分布符合10～20国际标准导联，实验中保持电极阻抗在5k欧姆以下。
步骤3)所述的融合包括：
创建模板信号Y：
Figure BDA0001584878490000041
其中f1,f2,f3,f4分别表示4个刺激频率，t为从1到L的序数；
确定最优系数向量WU以及WY，使得相关系数ρ取得最大值，即：
Figure BDA0001584878490000042
其中上角标T表示取向量转置的操作，E[·]表示取括号中元素平均值的操作；确定最终的4个关键电极的脑电数据
Figure BDA0001584878490000043
融合后的脑电数据X＝UTWU。
步骤6)所述的被控对象能够执行的动作包括：方向性的被控对象可执行的动作为前、后、左、右、上、下运动，每个方向的运动包含不同等级；操作性的被控对象可执行的动作为抬起、放下、屈伸、旋转、外展内敛；智能家居类的被控对象可执行的动作为开关、调节对应家电功能的控制。
本发明的基于小波多分辨率复杂网络的脑电极优化方法及其应用，具有如下有益效果：
(1)能够基于小波多分辨率复杂网络分析理论，找到起关键作用的电极，提高脑电数据的传输、处理效率；
(2)能够实现多自由度的控制，使得使用者的控制更加精细、多样化；
(3)采用高频SSVEP，会产生闪烁融合效应使得使用者主观上感觉不到闪烁，但在脑电信号中仍可检测到SSVEP高频响应，大大降低了视觉疲劳。
附图说明
图1是本发明基于小波多分辨率复杂网络的脑电极优化方法的流程图；
图2是本发明基于小波多分辨率复杂网络的脑电极优化方法的应用的流程图；
图3是多目标SSVEP脑电实验刺激界面；
图4是10～20国际标准导联电极安放位置。
具体实施方式
下面结合实施例和附图对本发明的基于小波多分辨率复杂网络的脑电极优化方法及其应用做出详细说明。
如图1所示，本发明的基于小波多分辨率复杂网络的脑电极优化方法，包括如下步骤：
1)对单个被试者的p个电极的脑电信号
Figure BDA0001584878490000051
分别进行小波多分辨率分解，分解层数为N层，得到一系列不同分辨率下的小波近似系数子带
Figure BDA0001584878490000052
和小波细节系数子带
Figure BDA0001584878490000053
其中，L为每一个电极获取的信号长度，xk,i表示p个电极中第k个电极的脑电信号中的第i个元素；
Figure BDA0001584878490000054
表示第k个电极的脑电信号第q层分解后得到的小波近似系数子带，
Figure BDA0001584878490000055
表示第k个电极的脑电信号第q层分解后得到的小波细节系数子带；
所述的小波多分辨率分解首先选定小波基函数，包括但不仅限于Haar小波、Daubechies小波、Symlet小波等，然后再根据需求逐层分解，增加分析精度。第一层分解将原始信号分解为小波近似系数子带和小波细节系数子带，之后的每一层都是对上一层的小波近似系数子带进行分解，分解为新一层的小波近似系数子带和小波细节系数子带。
2)对所有系数子带进行特征提取，包括提取小波近似系数子带的6种特征：
Figure BDA0001584878490000056
以及小波细节系数子带的6种特征：
Figure BDA0001584878490000057
所述的6种特征分别对应最大值、最小值、平均值、标准偏差、陡度函数值和峭度函数值，由6种特征组成特征向量为：
Figure BDA0001584878490000058
其中，
Figure BDA0001584878490000059
Figure BDA00015848784900000510
表示小波近似系数子带
Figure BDA00015848784900000511
的第l个特征，
Figure BDA00015848784900000512
表示特征
Figure BDA00015848784900000513
在所有p个电极中的最小值，
Figure BDA00015848784900000514
表示特征
Figure BDA00015848784900000515
在所有p个电极中的最大值，
Figure BDA00015848784900000516
表示归一化后的特征
Figure BDA00015848784900000517
Figure BDA00015848784900000518
表示小波细节系数子带
Figure BDA00015848784900000519
的第l个特征，
Figure BDA00015848784900000520
表示特征
Figure BDA00015848784900000521
在所有p个电极中的最小值，
Figure BDA00015848784900000522
表示特征
Figure BDA00015848784900000523
在所有p个电极中的最大值，
Figure BDA00015848784900000524
表示归一化后的特征
Figure BDA00015848784900000525
其中：
Figure BDA00015848784900000526
＜·＞表示取平局值的操作，
Figure BDA00015848784900000527
其中：
Figure BDA00015848784900000528
＜·＞表示取平局值的操作，
Figure BDA0001584878490000061
3)对分解后的每一层，分别以每个电极作为网络节点，即网络节点数为p，以所有网络节点和其他所有网络节点之间的连边构成网络，网络中任意两个节点m与n之间的距离为
Figure BDA0001584878490000062
即
Figure BDA0001584878490000063
其中
Figure BDA0001584878490000064
表示节点m的特征向量
Figure BDA0001584878490000065
和节点n的特征向量
Figure BDA0001584878490000066
之间的二范数距离，计算网络中所有节点的特征向量之间的二范数距离，得到一个p×p的距离矩阵
Figure BDA0001584878490000067
定义阈值rc＝mean(r)+stdev(r)*0.15，其中mean(r)表示距离矩阵r中元素的平均值，stdev(r)表示距离矩阵r中元素的标准偏差，按照以下准则计算网络的加权邻接矩阵
Figure BDA0001584878490000068
Figure BDA0001584878490000069
当
Figure BDA00015848784900000610
时，节点m和节点n之间存在连边，且节点m和节点n的连边权重
Figure BDA00015848784900000611
反之则没有连边，上角标q表示分解的N层中的第q层，共得到N个节点数目为p的网络；
4)N个节点数目为p的网络构成小波多分辨率复杂网络；
5)对每一层网络的加权邻接矩阵
Figure BDA00015848784900000612
计算网络指标，包括节点强度网络指标、节点介数中心性网络指标、以及节点聚集系数网络指标，分别确定每一种网络指标中最大的四个值所对应的网络节点，并作为预关键节点；
节点m的强度Zm＝∑kamk，表示连接节点m的所有的连边权重之和；
节点m的节点介数中心性CB(m)：
Figure BDA00015848784900000613
其中σsv(m)表示经过节点m的从节点s到节点v的最短路径条数，σsv表示从节点s到节点v的最短路径条数；
节点m的聚集系数C(m)：
Figure BDA00015848784900000614
6)统计所有N个网络依据三种网络指标确定的所有预关键节点，确定所有预关键节点中出现频率最高的4个节点，作为关键节点，4个关键节点所对应的电极为关键电极，所述关键电极与被试者对应，具有个体特异性。
本发明的基于小波多分辨率复杂网络的脑电极优化方法的应用，如图2所示，包括以下步骤：
1)获取基于高频相位延迟的SSVEP脑电信号；包括：
(1)设定基于高频相位延迟的SSVEP脑电实验刺激界面，包含α行β列共g个刺激图片，同一行中，β个刺激图片初始相位相同但刺激频率不同，同一列中，α个刺激图片闪烁频率相同但初始相位不同；
图3给出一个4行4列的刺激界面具体实例：使用频率-相位编码方法构建了一个16目标识别系统，目标由4个频率(频率范围为37～40Hz，频率间隔为1Hz)和4个相位(0、0.5π、π和1.5π)来进行编码；系统界面的主体部分是一个4×4的方框阵列，共16种刺激图片；每个方框大小为140×140像素，任意两个相邻方框间的间距为50像素；视觉刺激呈现在LCD显示器上，该显示器刷新频率为120Hz。
(2)通过脑电信号采集设备分别获取8个以上被试者中每一个被试者经g个刺激图片诱发的g种SSVEP脑电信号。
其中，获取SSVEP脑电信号时的采样率为1000Hz，带通滤波为1～100Hz，并进行在线50Hz陷波，每一种SSVEP脑电信号中记录有M个电极的脑电数据，M大于等于10，各电极的脑电数据长度相同，参考电极为A2，接地电极为GND，电极分布如图4所示，符合10～20国际标准导联，实验中保持电极阻抗在5k欧姆以下。
结合图3给出一个具体实例：针对单个被试者，一次完整的实验包含6个子实验，每个子实验中被试者需要依次注视16张刺激图片，即先依次从左向右注视第一行的刺激图片，然后再注视下一行，直到所有16个图片都被注视一遍完成一组子实验，被试者每次只注视一个刺激图片，称为目标图片；其中，被试者注视单一刺激图片持续时间为5s，然后间隔5s，依次循环，一组子实验持续160s。为了减缓被试者的视觉疲劳，两个子实验间隔5min，给被试者充足的休息时间。此外，被试者被要求在刺激闪烁时尽量避免眨眼以减少眼电对EEG脑电信号的干扰；在实验过程中，为了便于被试者找到目标图片的位置，目标图片的下方会出现一个红色的小三角。
2)对每一种SSVEP脑电信号，应用基于小波多分辨率复杂网络的脑电极优化方法，确定4个关键电极；对每一个被试者的所有g种SSVEP脑电信号，确定4g个关键电极，统计4g个关键电极中出现频率最高的4个关键电极，作为与被试者对应的最终的4个关键电极；
3)提取最终的4个关键电极的脑电数据
Figure BDA0001584878490000071
其中L为每一个电极获取的脑电数据长度，uh,i表示第h个最终的关键电极的脑电数据中的第i个元素，通过典型相关分析方法将最终的4个关键电极的脑电数据融合为一个脑电数据X；所述的融合包括：
创建模板信号Y：
Figure BDA0001584878490000072
其中f1,f2,f3,f4分别表示4个刺激频率，t为从1到L的序数；
确定最优系数向量WU以及WY，使得相关系数ρ取得最大值，即：
Figure BDA0001584878490000081
其中上角标T表示取向量转置的操作，E[·]表示取括号中元素平均值的操作；确定最终的4个关键电极的脑电数据
Figure BDA0001584878490000082
融合后的脑电数据X＝UTWU。
4)通过快速傅里叶变换将融合后的脑电数据X转换为频域下的能量序列F：
F＝ABS(FFT(X))，
其中ABS(·)为取绝对值的操作，FFT(·)为对括号中信号进行快速傅里叶变换；
5)确定能量序列F中最大值所对应的频率，与获取SSVEP脑电信号时的β个刺激频率进行比较，选定最靠近β个刺激频率中的一个刺激频率作为与能量序列F对应的频率，这个频率也是能量序列F对应的4个电极的脑电数据所对应的频率，依据4个电极的脑电数据的相位延迟信息确定相位信息，结合与能量序列F对应的频率和相位信息反推被试者正在观察的刺激图片；
其中，相位延迟信息可由脑电数据分析得来，相同频率、不同相位的刺激图面引发的SSVEP脑电信号会出现对应相位的延迟，由此可得到相位延迟信息。
6)建立脑机接口，将刺激图片与被控对象能够执行的动作建立关联，产生控制指令控制被控对象运动；
所述的被控对象能够执行的动作包括：方向性的被控对象可执行的动作为前、后、左、右、上、下运动，每个方向的运动包含不同等级；操作性的被控对象可执行的动作为抬起、放下、屈伸、旋转、外展内敛；智能家居类的被控对象可执行的动作为开、关、调节、对应家电功能的控制。
例如，当被控对象为轮椅，所述的轮椅能够执行的动作包含以下16自由度：
1)前进：根据移动距离分级，分1、2、5、10m四个级别；
2)后退、左移、右移：移动距离0.5m；
3)左转、右转：根据旋转角度分级，分5、10、30、90°四个级别；
4)急停：通过频繁眨眼实现。
当被试者想要控制轮椅向前运动5m时，注视刺激界面中与执行向前运动5m这个动作相关联的刺激图片，获取SSVEP脑电信号并进行分析，依据基于小波多分辨率复杂网络的脑电极优化方法的应用所述方法，反推被试者是正在观察的刺激图片，产生控制指令控制轮椅向前运动5m。基于小波多分辨率复杂网络的脑电极优化方法设计的智能轮椅，旨在方便老年人的日常生活，帮助不能通过传统接口(如轮椅的控制杆)控制电动轮椅的老人通过生物电信号安全、便捷的完成轮椅的运动控制任务。采用本发明的基于小波多分辨率复杂网络的脑电极优化方法设计的智能轮椅克服了准确率低、自由度少、个体差异大等传统脑机控制设备的不足，并通过复杂网络分析大幅度提高了轮椅运动的反应速度，以提高老年人的生活质量，使人们享受科技为生活带来的便利。
本发明的基于小波多分辨率复杂网络的脑电极优化方法的应用，针对某一特定脑电实验范式，包括但不仅限于SSVEP、P300或者运动想象，应用小波多分辨率复杂网络探寻被试者在该脑电实验范式下的关键电极；对被试者的历史应用数据进行统计，构建针对被试者本人的脑电数据库，采用大数据分析更新、优化关键电极确定，减少关键电极选取受包括但不仅限于环境、个人情绪等不确定因素的影响。
以上对本发明和实施例的描述，并不局限于此，实施例中的描述仅是本发明的实施方式之一，在不脱离本发明创造宗旨的情况下，任何不经创造性的设计出与该技术方案类似的结构或实施例，均属本发明的保护范围。

Claims (6)

1.一种基于小波多分辨率复杂网络的脑电极优化方法，其特征在于，包括如下步骤：
1)对单个被试者的p个电极的脑电信号
Figure FDA0002682344900000011
分别进行小波多分辨率分解，分解层数为N层，得到一系列不同分辨率下的小波近似系数子带
Figure FDA0002682344900000012
和小波细节系数子带
Figure FDA0002682344900000013
其中，L为每一个电极获取的信号长度，xk,i表示p个电极中第k个电极的脑电信号中的第i个元素；
Figure FDA0002682344900000014
表示第k个电极的脑电信号第q层分解后得到的小波近似系数子带，
Figure FDA0002682344900000015
表示第k个电极的脑电信号第q层分解后得到的小波细节系数子带；
2)对所有系数子带进行特征提取，包括提取小波近似系数子带的6种特征：
Figure FDA0002682344900000016
以及小波细节系数子带的6种特征：
Figure FDA0002682344900000017
所述的6种特征分别对应最大值、最小值、平均值、标准偏差、陡度函数值和峭度函数值，由6种特征组成特征向量为：
Figure FDA0002682344900000018
其中，
Figure FDA0002682344900000019
Figure FDA00026823449000000110
表示小波近似系数子带
Figure FDA00026823449000000111
的第l个特征，
Figure FDA00026823449000000112
表示特征
Figure FDA00026823449000000113
在所有p个电极中的最小值，
Figure FDA00026823449000000114
表示特征
Figure FDA00026823449000000115
在所有p个电极中的最大值，
Figure FDA00026823449000000116
表示归一化后的特征
Figure FDA00026823449000000117
Figure FDA00026823449000000118
表示小波细节系数子带
Figure FDA00026823449000000119
的第l个特征，
Figure FDA00026823449000000120
表示特征
Figure FDA00026823449000000121
在所有p个电极中的最小值，
Figure FDA00026823449000000122
表示特征
Figure FDA00026823449000000123
在所有p个电极中的最大值，
Figure FDA00026823449000000124
表示归一化后的特征
Figure FDA00026823449000000125
3)对分解后的每一层，分别以每个电极作为网络节点，即网络节点数为p，以所有网络节点和其他所有网络节点之间的连边构成网络，网络中任意两个节点m与n之间的距离为
Figure FDA00026823449000000126
即
Figure FDA00026823449000000127
其中
Figure FDA00026823449000000128
表示节点m的特征向量
Figure FDA00026823449000000129
和节点n的特征向量
Figure FDA00026823449000000130
之间的二范数距离，计算网络中所有节点的特征向量之间的二范数距离，得到一个p×p的距离矩阵
Figure FDA0002682344900000021
定义阈值
Figure FDA0002682344900000022
其中mean(r)表示距离矩阵r中元素的平均值，stdev(r)表示距离矩阵r中元素的标准偏差，按照以下准则计算网络的加权邻接矩阵
Figure FDA0002682344900000023
Figure FDA0002682344900000024
当
Figure FDA0002682344900000025
时，节点m和节点n之间存在连边，且节点m和节点n的连边权重
Figure FDA0002682344900000026
反之则没有连边，上角标q表示分解的N层中的第q层，共得到N个节点数目为p的网络；
4)N个节点数目为p的网络构成小波多分辨率复杂网络；
5)对每一层网络的加权邻接矩阵
Figure FDA0002682344900000027
计算网络指标，包括节点强度网络指标、节点介数中心性网络指标、以及节点聚集系数网络指标，分别确定每一种网络指标中最大的四个值所对应的网络节点，并作为预关键节点；
节点m的强度Zm＝∑kamk，表示连接节点m的所有的连边权重之和；
节点m的节点介数中心性CB(m)：
Figure FDA0002682344900000028
其中σsv(m)表示经过节点m的从节点s到节点v的最短路径条数，σsv表示从节点s到节点v的最短路径条数；
节点m的聚集系数C(m)：
Figure FDA0002682344900000029
6)统计所有N个网络依据三种网络指标确定的所有预关键节点，确定所有预关键节点中出现频率最高的4个节点，作为关键节点，4个关键节点所对应的电极为关键电极，所述关键电极与被试者对应，具有个体特异性。
2.一种如权利要求1所述基于小波多分辨率复杂网络的脑电极优化方法的系统，其特征在于，包括以下步骤：
1)获取基于高频相位延迟的SSVEP脑电信号；
2)对每一种SSVEP脑电信号，确定4个关键电极；对每一个被试者的所有g种SSVEP脑电信号，确定4g个关键电极，统计4g个关键电极中出现频率最高的4个关键电极，作为与被试者对应的最终的4个关键电极；
3)提取最终的4个关键电极的脑电数据
Figure FDA00026823449000000210
其中L为每一个电极获取的脑电数据长度，uh,i表示第h个最终的关键电极的脑电数据中的第i个元素，通过典型相关分析方法将最终的4个关键电极的脑电数据融合为一个脑电数据
Figure FDA0002682344900000034
4)通过快速傅里叶变换将融合后的脑电数据
Figure FDA0002682344900000036
转换为频域下的能量序列
Figure FDA0002682344900000035
Figure FDA0002682344900000031
其中ABS(·)为取绝对值的操作，FFT(·)为对括号中信号进行快速傅里叶变换；
5)确定能量序列
Figure FDA0002682344900000037
中最大值所对应的频率，与获取SSVEP脑电信号时的β个刺激频率进行比较，选定最靠近β个刺激频率中的一个刺激频率作为与能量序列
Figure FDA0002682344900000038
对应的频率，这个频率也是能量序列
Figure FDA0002682344900000039
对应的4个电极的脑电数据所对应的频率，依据4个电极的脑电数据的相位延迟信息确定相位信息，结合与能量序列
Figure FDA00026823449000000310
对应的频率和相位信息反推被试者正在观察的刺激图片；
6)建立脑机接口，将刺激图片与被控对象能够执行的动作建立关联，产生控制指令控制被控对象运动。
3.根据权利要求2所述的系统，其特征在于，步骤1)包括：
(1)设定基于高频相位延迟的SSVEP脑电实验刺激界面，包含α行β列共g个刺激图片，同一行中，β个刺激图片初始相位相同但刺激频率不同，同一列中，α个刺激图片闪烁频率相同但初始相位不同；
(2)通过脑电信号采集设备分别获取8个以上被试者中每一个被试者经g个刺激图片诱发的g种SSVEP脑电信号。
4.根据权利要求3所述的系统，其特征在于，获取SSVEP脑电信号时的采样率为1000Hz，带通滤波为1～100Hz，并进行在线50Hz陷波，每一种SSVEP脑电信号中记录有M个电极的脑电数据，M大于等于10，各电极的脑电数据长度相同，参考电极为A2，接地电极为GND，电极分布符合10～20国际标准导联，实验中保持电极阻抗在5k欧姆以下。
5.根据权利要求2所述的系统，其特征在于，步骤3)所述的融合包括：
创建模板信号Y：
Figure FDA0002682344900000032
其中f1,f2,f3,f4分别表示4个刺激频率，t为从1到L的序数；
确定最优系数向量WU以及WY，使得相关系数ρ取得最大值，即：
Figure FDA0002682344900000033
其中上角标T表示取向量转置的操作，E[·]表示取括号中元素平均值的操作；确定最终的4个关键电极的脑电数据
Figure FDA0002682344900000042
融合后的脑电数据
Figure FDA0002682344900000041
6.根据权利要求2所述的系统，其特征在于，步骤6)所述的被控对象能够执行的动作包括：方向性的被控对象可执行的动作为前、后、左、右、上、下运动，每个方向的运动包含不同等级；操作性的被控对象可执行的动作为抬起、放下、屈伸、旋转、外展内敛；智能家居类的被控对象可执行的动作为开关、调节对应家电功能的控制。
CN201810167491.7A 2018-02-28 2018-02-28 基于小波多分辨率复杂网络的脑电极优化方法及其应用 Active CN108388345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810167491.7A CN108388345B (zh) 2018-02-28 2018-02-28 基于小波多分辨率复杂网络的脑电极优化方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810167491.7A CN108388345B (zh) 2018-02-28 2018-02-28 基于小波多分辨率复杂网络的脑电极优化方法及其应用

Publications (2)

Publication Number Publication Date
CN108388345A CN108388345A (zh) 2018-08-10
CN108388345B true CN108388345B (zh) 2020-12-29

Family

ID=63069127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810167491.7A Active CN108388345B (zh) 2018-02-28 2018-02-28 基于小波多分辨率复杂网络的脑电极优化方法及其应用

Country Status (1)

Country Link
CN (1) CN108388345B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110850230B (zh) * 2019-11-07 2022-04-29 天津大学 一种基于多小波理论的直流配电网极间短路故障特征量提取方法
CN111973181B (zh) * 2020-08-24 2023-12-08 中国科学院上海微系统与信息技术研究所 一种集成采集刺激功能的皮层脑电极及其制作方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355189A (zh) * 2015-07-13 2017-01-25 西北工业大学 基于灰建模的EEG-fMRI融合方法
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
CN107616780A (zh) * 2016-07-14 2018-01-23 山东大学苏州研究院 一种利用小波神经网络的脑电检测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150105837A1 (en) * 2013-10-16 2015-04-16 Neurometrics, S.L. Brain therapy system and method using noninvasive brain stimulation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355189A (zh) * 2015-07-13 2017-01-25 西北工业大学 基于灰建模的EEG-fMRI融合方法
CN107616780A (zh) * 2016-07-14 2018-01-23 山东大学苏州研究院 一种利用小波神经网络的脑电检测方法及装置
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《基于运动想象脑电信号非线性特性分析的脑—机接口研究》;方永慧;《中国博士学位论文全文数据库 信息科技辑》;20141215(第12期);I140-75 *

Also Published As

Publication number Publication date
CN108388345A (zh) 2018-08-10

Similar Documents

Publication Publication Date Title
Zhao et al. A multi-branch 3D convolutional neural network for EEG-based motor imagery classification
CN108446020B (zh) 融合可视图与深度学习的运动想象意念控制方法及应用
CN108681396B (zh) 基于脑-肌电双模态神经信号的人机交互系统及其方法
CN108445751B (zh) 融合递归图与深度学习的多目标ssvep意念控制法及应用
Fang et al. Extracting features from phase space of EEG signals in brain–computer interfaces
Billinger et al. Single-trial connectivity estimation for classification of motor imagery data
Nazarpour et al. Application of higher order statistics to surface electromyogram signal classification
CN105549743A (zh) 一种基于脑-机接口的机器人系统及实现方法
CN114533086B (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
CN110059564B (zh) 基于功率谱密度和互相关熵谱密度融合的特征提取方法
Gao et al. Multi-ganglion ANN based feature learning with application to P300-BCI signal classification
CN108388345B (zh) 基于小波多分辨率复杂网络的脑电极优化方法及其应用
Zhao et al. On the improvement of classifying EEG recordings using neural networks
CN113128384B (zh) 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法
Ghonchi et al. Spatio-temporal deep learning for EEG-fNIRS brain computer interface
Ma et al. Classification of motor imagery EEG signals based on wavelet transform and sample entropy
Noorbasha et al. Joint singular spectrum analysis and generalized Moreau envelope total variation for motion artifact removal from single channel EEG signals
Elgharabawy et al. Decoding of finger movement using kinematic model classification and regression model switching
Liang et al. EEG-CDILNet: a lightweight and accurate CNN network using circular dilated convolution for motor imagery classification
Elghrabawy et al. Prediction of five-class finger flexion using ECoG signals
CN115462803A (zh) 一种基于BG-Attention的脑电信号去噪方法、装置及存储介质
Zhang et al. Brain-controlled robotic arm based on adaptive FBCCA
CN113552941A (zh) 多感官模态的bci-vr控制方法、系统及vr设备
Saha et al. Data adaptive filtering approach to improve the classification accuracy of motor imagery for BCI
Wang A Modified Motor Imagery Classification Method Based on EEGNet

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