CN108681394A - 一种基于脑源成像技术的电极优选方法 - Google Patents
一种基于脑源成像技术的电极优选方法 Download PDFInfo
- Publication number
- CN108681394A CN108681394A CN201810352470.2A CN201810352470A CN108681394A CN 108681394 A CN108681394 A CN 108681394A CN 201810352470 A CN201810352470 A CN 201810352470A CN 108681394 A CN108681394 A CN 108681394A
- Authority
- CN
- China
- Prior art keywords
- electrode
- brain
- scores
- eeg
- acquired
- 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
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
- G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
- G06F2203/01—Indexing scheme relating to G06F3/01
- G06F2203/012—Walk-in-place systems for allowing a user to walk in a virtual environment while constraining him to a given position in the physical environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Abstract
本发明公开一种基于脑源成像技术的电极优选方法,利用改进的Fisher准则求得采集到的均匀分布的各个电极的F分数;利用脑电源成像技术,把得到的F分数逆变换到脑皮层,得到相应的脑源分布;求解脑电正问题,即已知脑皮层与头皮层之间的传递矩阵前提下,求得未知电极F分数的估计值;最后,对F分数估计值进行降序排列,选取分数值最高的部分电极作为最优电极。本发明解决了运动想象任务中电极优选依靠经验或者实验采集电极数量大的问题,实现了用少量电极预估计未知电极贡献度并进行电极优选的功能。
Description
技术领域
本发明属于脑电信号(EEG)处理技术领域,具体涉及脑-机接口(Brain-ComputerInterface,BCI)系统中对运动想象脑电电极的优选方法,采用改进的Fisher准则和脑电源成像(EEG Source Imaging,ESI)相结合的方法进行最优电极选择。
背景技术
人口老龄化、中风、偏瘫以及交通事故等使大量患者脊椎病变或者损伤,其大脑发出的动作指令不能通过正常的运动神经动作信号的输出通道,从而失去了部分肢体运动能力。传统康复医学手段可以对部分患者进行康复治疗,然而这种人工康复治疗方式费用昂贵,给家人和社会带来沉重负担。
BCI为康复治疗患者带来了福音。它是一种通过采集大脑皮层的脑电信号实现人脑与计算机的相互连接与控制的系统,不依赖人体内部组织(外周神经、肌肉组织等)等输出通道,仅仅利用外部设备实现对肢体运动的控制,辅助患者进行自我康复,提高生活自理能力。
BCI系统结构如图1所示,其基本流程:首先把采集装置采集到的大脑头皮信号转化为数字信号,然后进行电极导联优选,选择最优导联的信号进行预处理、特征提取和分类,最后通过控制器实现对外部装置实现控制。
对于不同运动想象任务,需要同时采集大量电极的EEG信号,给受试者及信号处理带来众多不便。通过电极优选减少导联数有如下三个优势:(1)减轻受试者不适感。(2)能够提取相关性高的电极,降低计算的复杂程度。(3)降低无关电极产生的过渡拟合现象,提高分类正确率。(4)在一些实际应用中,减少实验准备时间。
近年来,研究者们提出了多种电极优选方法,常用的有基于统计学的电极优选方法、基于共空间模式(CSP)的电极排序方法及基于改进的Fisher准则的电极优选方法等。
统计学电极优选方法利用CSP的巴氏约束特征寻求最优指标,快速连续搜索最优电极的组合。基于CSP的电极排序法对所有电极进行CSP处理,求得的权值矩阵W中每一列的最大值作为对应电极的贡献度。基于改进的Fisher准则的电极优选方法利用信号多阶导数的特性反映电极的贡献度。其中,零阶导数反映信号的原始特性,一阶导数反映信号的高频段特性,二阶导数反映信号频段的变化率。对不同想象任务,根据各阶信号导数的差异性来计算电极的贡献度。
然而这些方法有一定的局限性:仅能计算已知电极的贡献度,不能预估计未知电极的贡献度。因而对不同想象任务,需要在头皮层放置大量电极进行数据采集,进而进行电极优选。大量电极无疑增加了采集及信号处理的成本,限制了在便携式BCI系统中的应用。
脑电源成像是一种把头皮层信号观测值逆变换到脑皮层用来解决脑电逆问题的技术。该技术首先构建大脑模型,常用三层头模型(头皮层、颅骨和大脑)、四层头模型(头皮层、颅骨、脑脊液和大脑)等。其次利用功能磁共振成像(FMRI)等技术获取真实的大脑源活动分布,同时采集头皮EEG信号解决脑电正问题,通过训练获得大脑模型的传递系数。由于人类大脑的构造基本相同,因而可以选取通用的大脑模型和系数。
发明内容
针对现有改进Fisher准则的不足,本发明提出一种基于改进Fisher准则与ESI相结合的电极优选方法,即F-ESI方法。此方法只需要少量均匀分布的已知电极就可以预测大量未知电极的贡献度,选择贡献度预估值较高的部分电极,达到优选电极的目的。
本发明采用的技术方案为:利用电极帽采集脑电信号,电极放置标准遵循国际10-20系统。首先,将采集到的已知电极上的脑电信号进行预处理,然后利用改进的Fisher准则求得每个导联电极信号的F分数。利用脑电源成像技术,把得到的一组F分数从头皮层映射到脑皮层,得到脑源分布差异图。通过求解脑电正问题,即把脑源分布差异图映射到头皮层,便可得到大量电极的贡献度。选取预测电极中贡献度高的部分电极作为最优电极。
本发明方法的步骤如下:
步骤一:信号采集及预处理。采集两类运动想象信号h和f,记录M导联均匀分布在头皮层的电极信号X(i),利用FIR滤波器对脑电数据进行8-30HZ带通滤波,这个频带覆盖了μ节律(8-12Hz)和β节律(18-25Hz)信号,并且去除了外部干扰信号。
步骤二:定义:
其中,为原始信号的零阶导数,反映信号的原始特性;为信号的一阶导数,反映信号的高频特性;为信号的二阶导数,反映信号的频段的变化率。
定义:利用改进的Fisher准则求取每个电极的F分数,计算式如下:
其中,h和f分别代表两类运动想象任务。
步骤三:利用脑电源成像技术对求得的F分数做逆变换,得到脑电源分布。即由脑电极信号X求得脑源分布S的过程。
x=BMS (3)
其中,B为已知的传递矩阵,选取M个已知导联电极,定义传递矩阵为BM。为解决脑电逆问题,定义式(4),使其达到最小。
min xTWx (4)
其中,权重矩阵W为已知量。X为求得的F分数矩阵。
通过式(3)和式(4),可得如下公式:
T=W-1BM T[BMW-1BM T]+ (5)
其中[BMW-1BM T]+为[BMW-1BM T]的Moore-Penrose广义逆矩阵。
从而求得脑源分布S的最优估计为:
步骤四:由求得的脑源分布预估计头皮层电极的F分数。定义如下公式:
其中,BL表示选取均匀分布的L导联电极对应的传递矩阵,且L>M。由式(7)可得L个导联电极的预估计F分数。
步骤5:对预测的F分数进行降序排序,选取分数最高的部分电极作为最优电极。
本发明具有以下优点:1、采用改进的Fisher准则求得F分数作为电极选择的评估标准,能更好的体现各个导联电极方差的差异性。2、利用头皮层均匀分布少量电极的F分数,通过脑电源成像技术可得到脑皮层的脑源分布,再通过求解脑电正问题,再次把脑源分布映射到脑皮层,实现预估计未知电极的F分数。
附图说明
图1:BCI系统基本结构示意图;
图2:本发明中电极优选示意图;
图3:已知电极分布图;
图4:预测电极分布图;
图5:已知电极头皮层地形图;
图6:脑电源成像分布图;
图7:预测电极头皮层地形图;
图8:本发明的流程图。
具体实施方式
结合附图对本发明的具体实施方式做进一步说明。图2展示了电极优选的总流程图。本实施在matlab的仿真环境中进行,以想象右手和右脚为例,利用已知的25导联电极(参照图3)预测63导联电极的F分数(参照图4)。
如图8所示,本发明提供一种基于脑源成像技术的电极优选方法,包括以下步骤:
1.依据国际标准导联10-20系统,选取脑皮层均匀分布的25导联电极。设计48阶,512采样点的FIR滤波器对脑电数据进行8-30HZ带通滤波器滤波,达到去除干扰噪声的目的。
2.利用改进的Fisher准则分别求得均匀分布的已知导联电极的F分数。F分数包含了脑电数据的原始特性、高频特征以及高频特性的变化特性。图5为25导联电极F分数的地形图。
3.利用脑电源成像技术求解脑电逆问题,即由头皮层F分数得到脑源分布。参见图6,从脑模型的俯视图、左视图、右视图三个角度展示了脑电源分布。
4.求解脑电正问题,即把脑皮层的脑源分布映射到头皮层,得到未知导联电极的预估计F分数。参见图7,展示了63个电极的预测F分数的头皮层地形图。
5.对预估计的F分数值进行降序排列,选取F分数较高的部分电极作为最优电极。
本发明的基于脑源成像技术的电极优选方法。能够利用头皮层均匀分布的少量电极的贡献度预估计未知电极的贡献度,从而获得最优电极分布。该方法主要用于解决两类运动想象任务的最优电极选择问题。具体包括:利用改进的Fisher准则求得采集到的均匀分布的各个电极的F分数;利用脑电源成像技术,把得到的F分数逆变换到脑皮层,得到相应的脑源分布;求解脑电正问题,即已知脑皮层与头皮层之间的传递矩阵前提下,求得未知电极F分数的估计值;最后,对F分数估计值进行降序排列,选取分数值最高的部分电极作为最优电极。本发明解决了运动想象任务中电极优选依靠经验或者实验采集电极数量大的问题,实现了用少量电极预估计未知电极贡献度并进行电极优选的功能。
Claims (2)
1.一种基于脑源成像技术的电极优选方法,其特征在于,利用电极帽采集脑电信号,首先,将采集到的已知电极上的脑电信号进行预处理,然后利用改进的Fisher准则求得每个导联电极信号的F分数;利用脑电源成像技术,把得到的一组F分数从头皮层映射到脑皮层,得到脑源分布差异图;通过求解脑电正问题,即把脑源分布差异图映射到头皮层,便可得到大量电极的贡献度;选取预测电极中贡献度高的部分电极作为最优电极。
2.如权利要求1所述的基于脑源成像技术的电极优选方法,其特征在于,包括以下步骤:
步骤一:信号采集及预处理
采集两类运动想象信号h和f,记录M导联均匀分布在头皮层的电极信号X(i),利用FIR滤波器对脑电数据进行8-30HZ带通滤波;
步骤二:定义:
定义:利用改进的Fisher准则求取每个电极的F分数,计算式如下:
其中,h和f分别代表两类运动想象任务;
步骤三:利用脑电源成像技术对求得的F分数做逆变换,得到脑电源分布,即由脑电极信号X求得脑源分布S的过程。
x=BMS (3)
其中,B为已知的传递矩阵,选取M个已知导联电极,定义传递矩阵为BM,为解决脑电逆问题,定义式(4),使其达到最小,其中,权重矩阵W为已知常量,
min XTWX (4)
通过式(3)和式(4),可得如下公式:
T=W-1BM T[BMW-1BM T]+ (5)
其中,[BMW-1BM T]+为[BMW-1BM T]的Moore-Penrose广义逆矩阵。
从而求得脑源分布S的最优估计为:
步骤四:由求得的脑源分布预估计头皮层电极的F分数,定义如下公式:
其中,BL表示选取均匀分布的L导联电极对应的传递矩阵,且L>M,由式(7)可得L个导联电极的预估计F分数;
步骤5:对预测的F分数进行降序排序,选取分数最高的部分电极作为最优电极。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810352470.2A CN108681394B (zh) | 2018-04-19 | 2018-04-19 | 一种基于脑源成像技术的电极优选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810352470.2A CN108681394B (zh) | 2018-04-19 | 2018-04-19 | 一种基于脑源成像技术的电极优选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108681394A true CN108681394A (zh) | 2018-10-19 |
CN108681394B CN108681394B (zh) | 2021-03-16 |
Family
ID=63802161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810352470.2A Active CN108681394B (zh) | 2018-04-19 | 2018-04-19 | 一种基于脑源成像技术的电极优选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108681394B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110584660A (zh) * | 2019-09-05 | 2019-12-20 | 北京工业大学 | 基于脑源成像与相关性分析的电极选择方法 |
CN111513711A (zh) * | 2020-05-22 | 2020-08-11 | 电子科技大学 | 一种基于参考电极的脑电坏导插值方法 |
CN111543988A (zh) * | 2020-05-25 | 2020-08-18 | 五邑大学 | 一种自适应认知活动识别方法、装置及存储介质 |
CN113951899A (zh) * | 2021-10-28 | 2022-01-21 | 华中师范大学 | 一种脑源活动高分辨率重构系统及方法 |
CN114098762A (zh) * | 2021-11-26 | 2022-03-01 | 江苏科技大学 | 一种从头皮脑电虚拟皮层脑电的电模型 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1903119A (zh) * | 2006-08-11 | 2007-01-31 | 电子科技大学 | 基于稀疏性约束的脑电源定位方法 |
US20100113959A1 (en) * | 2006-03-07 | 2010-05-06 | Beth Israel Deaconess Medical Center, Inc. | Transcranial magnetic stimulation (tms) methods and apparatus |
CN102697493A (zh) * | 2012-05-03 | 2012-10-03 | 北京工业大学 | 一种快速的脑电信号中眼电伪迹自动识别和去除的方法 |
-
2018
- 2018-04-19 CN CN201810352470.2A patent/CN108681394B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100113959A1 (en) * | 2006-03-07 | 2010-05-06 | Beth Israel Deaconess Medical Center, Inc. | Transcranial magnetic stimulation (tms) methods and apparatus |
CN1903119A (zh) * | 2006-08-11 | 2007-01-31 | 电子科技大学 | 基于稀疏性约束的脑电源定位方法 |
CN102697493A (zh) * | 2012-05-03 | 2012-10-03 | 北京工业大学 | 一种快速的脑电信号中眼电伪迹自动识别和去除的方法 |
Non-Patent Citations (1)
Title |
---|
MING-AI LI ETAL: "Channel Selection with EEG Source Imaging", 《2017 2ND INTERNATIONAL CONFERENCE ON COMPUTATIONAL MODELING, SIMULATION AND APPLIED MATHEMATICS (CMSAM 2017)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110584660A (zh) * | 2019-09-05 | 2019-12-20 | 北京工业大学 | 基于脑源成像与相关性分析的电极选择方法 |
CN110584660B (zh) * | 2019-09-05 | 2022-02-15 | 北京工业大学 | 基于脑源成像与相关性分析的电极选择方法 |
CN111513711A (zh) * | 2020-05-22 | 2020-08-11 | 电子科技大学 | 一种基于参考电极的脑电坏导插值方法 |
CN111513711B (zh) * | 2020-05-22 | 2021-06-04 | 电子科技大学 | 一种基于参考电极的脑电坏导插值方法 |
CN111543988A (zh) * | 2020-05-25 | 2020-08-18 | 五邑大学 | 一种自适应认知活动识别方法、装置及存储介质 |
CN113951899A (zh) * | 2021-10-28 | 2022-01-21 | 华中师范大学 | 一种脑源活动高分辨率重构系统及方法 |
CN113951899B (zh) * | 2021-10-28 | 2024-04-19 | 华中师范大学 | 一种脑源活动高分辨率重构系统及方法 |
CN114098762A (zh) * | 2021-11-26 | 2022-03-01 | 江苏科技大学 | 一种从头皮脑电虚拟皮层脑电的电模型 |
Also Published As
Publication number | Publication date |
---|---|
CN108681394B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681394A (zh) | 一种基于脑源成像技术的电极优选方法 | |
CN110765920B (zh) | 基于卷积神经网络的运动想象分类方法 | |
CN107315478B (zh) | 一种运动想象上肢智能康复机器人系统及其训练方法 | |
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 | |
Barbosa et al. | Activation of a mobile robot through a brain computer interface | |
CN109366508A (zh) | 一种基于bci的高级机械臂控制系统及其实现方法 | |
CN105147281A (zh) | 便携式意识障碍刺激促醒与评估系统 | |
CN110969108A (zh) | 一种基于自主运动想象脑电的肢体动作识别方法 | |
CN103258120A (zh) | 一种基于脑电信号的中风康复程度指标计算方法 | |
CN106909226B (zh) | 一种多态脑机接口系统 | |
Sivakami et al. | Analysis of EEG for motor imagery based classification of hand activities | |
CN104758130A (zh) | 一种基于脑机接口的智能护理装置及方法 | |
CN110262658B (zh) | 一种基于强化注意的脑机接口字符输入系统及实现方法 | |
CN109247917A (zh) | 一种空间听觉诱发p300脑电信号识别方法及装置 | |
CN107550491A (zh) | 一种多类别运动想象分类识别方法 | |
CN106267557A (zh) | 一种基于小波变换和支持向量机辨识的脑控主动上肢医疗康复训练系统 | |
CN106725455A (zh) | 基于传感器反馈用于大脑能力培训的训练系统及方法 | |
Ferrante et al. | Data-efficient hand motor imagery decoding in EEG-BCI by using Morlet wavelets & common spatial pattern algorithms | |
CN110353704A (zh) | 基于穿戴式心电监测的情绪评估方法与装置 | |
CN113359991B (zh) | 一种面向残疾人的智能脑控机械臂辅助进食系统及方法 | |
WO2021134605A1 (zh) | 智能控制装置及其控制方法和智能穿戴设备 | |
CN113713333B (zh) | 一种下肢康复全训练过程的动态虚拟诱导方法及系统 | |
Geng et al. | A fusion algorithm for EEG signal processing based on motor imagery brain-computer interface | |
CN206147520U (zh) | 一种用于基于运动想象和p300相结合的脑机接口控制虚拟现实的数据采集装置 | |
CN110321856A (zh) | 一种时频多尺度散度csp的脑机接口方法及装置 |
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 |