CN109965871A - 脑机接口信号的分析方法、系统、介质及设备 - Google Patents

脑机接口信号的分析方法、系统、介质及设备 Download PDF

Info

Publication number
CN109965871A
CN109965871A CN201910223220.3A CN201910223220A CN109965871A CN 109965871 A CN109965871 A CN 109965871A CN 201910223220 A CN201910223220 A CN 201910223220A CN 109965871 A CN109965871 A CN 109965871A
Authority
CN
China
Prior art keywords
stimulation
several
brain
coefficient
target
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
CN201910223220.3A
Other languages
English (en)
Other versions
CN109965871B (zh
Inventor
王振宇
张敏
胡宏林
周婷
徐天衡
欧阳玉玲
沈芳菲
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.)
Shanghai Advanced Research Institute of CAS
Original Assignee
Shanghai Advanced Research Institute of CAS
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 Shanghai Advanced Research Institute of CAS filed Critical Shanghai Advanced Research Institute of CAS
Priority to CN201910223220.3A priority Critical patent/CN109965871B/zh
Publication of CN109965871A publication Critical patent/CN109965871A/zh
Application granted granted Critical
Publication of CN109965871B publication Critical patent/CN109965871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • 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

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Psychiatry (AREA)
  • Veterinary Medicine (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供一种脑机接口信号的分析方法、系统、介质及设备，脑机接口信号的分析方法包括：获取若干个刺激目标，根据所述刺激目标采集对应的脑电信号；将所述脑电信号与若干个预存期望信号进行一一对应的特征系数判别分析，以得到判别分析结果；将所述空间强度分布系数与若干个预存训练数据进行比对，得到同一个刺激目标下所述空间强度分布系数与该刺激目标对应的训练数据的一空间特征概率系数；将若干个所述刺激目标对应的频率特征系数和空间特征概率系数进行加权处理，将所述加权处理结果的最大值对应的刺激目标作为检测结果。本发明提供了一种新的脑机接口的刺激范式和相应检测算法设计，提高了刺激目标识别的准确率，从而提高了脑机接口的整体通信速率。

Description

脑机接口信号的分析方法、系统、介质及设备
技术领域
本发明属于智能通信技术领域，涉及一种脑机接口的方法，特别是涉及一种脑机接口信号的分析方法、系统、介质及设备。
背景技术
脑机接口是一种新型的通过翻译从人体头颅表面采集的脑电信号，实现不同于正常语言通路、行为通路的信息输出方式。脑机接口的几种主要的实现方式按照所提取的脑电信号种类可以分为P300脑机接口、运动想象脑机接口和SSVEP脑机接口等。其中以SSVEP脑机接口所提取的SSVEP信号信噪比最大，所能达到的接口通信速率最高。SSVEP脑机接口除去脑电信号的采集和分析设备外，还需要额外的视觉刺激设备来唤起SSVEP信号。
目前，相邻频率的目标检测难度较大，从而影响了相邻目标的识别准确率，进一步影响到脑机接口整体的识别率和通信速率。
因此，如何提供一种脑机接口的方法，以解决现有技术相邻频率的目标检测难度较大，提高相邻目标的识别准确率，实已成为本领域技术人员亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种脑机接口的方法、系统、介质及设备，用于解决现有技术刺激目标检测难度较大的问题。
为实现上述目的及其他相关目的，本发明提供一种脑机接口信号的分析方法，包括：获取若干个刺激目标，根据所述刺激目标采集对应的脑电信号；其中，若干个所述刺激目标形状不同，且具有不同的刺激频率和/或刺激相位；将所述脑电信号与若干个预存期望信号进行一一对应的特征系数判别分析，以得到判别分析结果，所述判别分析结果包括一频率特征系数和空间强度分布系数；将所述空间强度分布系数与若干个预存训练数据进行比对，以得到基于同一个刺激目标下所述空间强度分布系数与该刺激目标对应的训练数据的一空间特征概率系数；将若干个所述刺激目标对应的频率特征系数和空间特征概率系数进行加权处理，以将所述加权处理结果的最大值对应的刺激目标作为检测结果。
于本发明的一实施例中，所述获取若干个刺激目标，根据所述刺激目标采集对应的脑电信号的步骤包括：当若干个所述刺激目标以不同的刺激频率和/或刺激相位闪烁时，采集对应的脑电信号。
于本发明的一实施例中，所述将所述脑电信号与若干个预存期望信号进行一一对应的特征系数判别分析，以得到判别分析结果，所述判别结果包括一频率特征系数和空间强度分布系数的步骤包括：将所述脑电信号定义为第一变量，其中一个所述期望信号定义为第二变量；将所述第一变量与第二变量进行线性变换，根据线性变换的结果确定所述第一变量与第二变量之间的判别分析结果；针对若干个所述期望信号，循环执行上述步骤，以获取该脑电信号与所有所述期望信号的若干个判别分析结果。
于本发明的一实施例中，所述期望信号是根据其中一个所述刺激目标，对采集的不止一次的脑电信号进行统计分析得出的理论参考值，且若干个所述期望信号是根据若干个所述刺激目标确定的。
于本发明的一实施例中，所述将所述空间强度分布系数与若干个预存训练数据进行比对，以得到基于同一个刺激目标下所述空间强度分布系数与该刺激目标对应的训练数据的一空间特征概率系数的步骤包括：将所述空间强度分布系数输入一分类器内；通过所述分类器确定一概率分布向量；从所述概率分布向量中选取与所述空间强度分布系数对应同一刺激目标的空间特征概率系数。
于本发明的一实施例中，所述训练数据是预先根据若干个所述脑电信号进行一一信号分析后得到的空间强度分布系数，且所述训练数据作为参考数据预存在所述分类器内。
于本发明的一实施例中，所述将若干个所述刺激目标对应的频率特征系数和空间特征概率系数进行加权处理，以将所述加权处理结果的最大值对应的刺激目标作为检测结果的步骤包括：通过一加权系数对若干个所述刺激目标对应的频率特征系数和空间特征概率系数进行加权处理；确定所述加权处理结果的最大值，将其对应的刺激目标作为检测结果。
本发明另一方面提供一种脑机接口系统，其特征在于，所述脑机接口系统包括：信号获取模块，用于获取若干个刺激目标，根据所述刺激目标采集对应的脑电信号；其中，若干个所述刺激目标形状不同，且具有不同的刺激频率和/或刺激相位；判别分析模块，用于将所述脑电信号与若干个预存期望信号进行一一对应的特征系数判别分析，以得到判别分析结果，所述判别分析结果包括一频率特征系数和空间强度分布系数；概率分析模块，用于将所述空间强度分布系数与若干个预存训练数据进行比对，以得到基于同一个刺激目标下所述空间强度分布系数与该刺激目标对应的训练数据的一空间特征概率系数；加权处理模块，用于将若干个所述刺激目标对应的频率特征系数和空间特征概率系数进行加权处理，以将所述加权处理结果的最大值对应的刺激目标作为检测结果。
本发明又一方面提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现任一项所述脑机接口信号的分析方法。
本发明最后一方面提供一种设备，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行任一项所述脑机接口信号的分析方法。
如上所述，本发明提供的脑机接口信号的分析方法、系统、介质及设备，具有以下有益效果：
本发明提供了一种新的SSVEP脑机接口的刺激范式和相应的检测算法，将以特征系数判别分析为主的典型相关分析方法与分类器法融合，称为FSDMA-SSVEP脑机接口。在这种新的脑机接口中，刺激目标不仅使用不同的频率进行刺激，其进行刺激的空间形状也互不相同，提高了分辨能力，增加了脑机接口的调制维度，从而达到比现有的任何FDMA-SSVEP脑机接口都要更高的通信速率，而更高的脑机接口的通信速率也为其更广泛地应用打下了基础。
附图说明
图1显示为本发明的脑机接口信号的分析方法于一实施例中的原理流程图。
图2显示为本发明的脑机接口信号的分析方法于一实施例中的刺激范式设计图。
图3显示为本发明的脑机接口信号的分析系统于一实施例中的系统原理图。
元件标号说明
3 脑机接口信号的分析系统
31 信号获取模块
32 判别分析模块
33 概率分析模块
34 加权处理模块
S11～S14 脑机接口信号的分析步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明所述脑机接口信号的分析方法、系统、介质及设备的技术原理如下：获取若干个刺激目标，根据所述刺激目标采集对应的脑电信号；其中，若干个所述刺激目标形状不同，且具有不同的刺激频率和/或刺激相位；将所述脑电信号与若干个预存期望信号进行一一对应的特征系数判别分析，以得到判别分析结果，所述判别结果包括一频率特征系数和空间强度分布系数；将所述空间强度分布系数与若干个预存训练数据进行比对，以得到基于同一个刺激目标下所述空间强度分布系数与该刺激目标对应的训练数据的一空间特征概率系数；将若干个所述刺激目标对应的频率特征系数和空间特征概率系数进行加权处理，以将所述加权处理结果的最大值对应的刺激目标作为检测结果。
实施例一
本实施例提供一种脑机接口信号的分析方法，包括：
获取若干个刺激目标，根据所述刺激目标采集对应的脑电信号；其中，若干个所述刺激目标形状不同，且具有不同的刺激频率和/或刺激相位；
将所述脑电信号与若干个预存期望信号进行一一对应的特征系数判别分析，以得到判别分析结果，所述判别分析结果包括一频率特征系数和空间强度分布系数；
将所述空间强度分布系数与若干个预存训练数据进行比对，以得到基于同一个刺激目标下所述空间强度分布系数与该刺激目标对应的训练数据的一空间特征概率系数；
将若干个所述刺激目标对应的频率特征系数和空间特征概率系数进行加权处理，以将所述加权处理结果的最大值对应的刺激目标作为检测结果。
以下将结合图示对本实施例所提供的一种脑机接口的方法进行详细说明。
请参阅图1，显示为本发明的一种脑机接口信号的分析方法于一实施例中的原理流程图。如图1所示，所述一种脑机接口信号的分析方法具体包括以下几个步骤：
S11，获取若干个刺激目标，根据所述刺激目标采集对应的脑电信号；其中，若干个所述刺激目标形状不同，且具有不同的刺激频率和/或刺激相位。
在本实施例中，所述刺激目标包括但不限于几何图形、英文字母；
所述在显示器上显示的步骤为在显示器的屏幕上平均分布所述刺激目标。
在本实施例中，所述刺激频率闪烁的频率范围为5-20Hz；
所述刺激目标除以不同刺激频率闪烁以外，还包括以不同刺激相位闪烁。
具体地，用一台视觉刺激设备来呈现SSVEP视觉刺激，通常情况下为显示器，在显示器的不同区域对不同的目标进行不同的频率或相位且不同形状的闪烁，目标数量可多可少，多的情况下数量约为40个。当受试者眼睛注视固定频率闪烁的目标时，在受试者头部的视觉区可以检测到对应频率和高次谐波的信号，即SSVEP信号，这个频率就会被脑机接口的识别算法捕捉到并实现目标的输出。
具体地，请参阅图2，显示为本发明的一种脑机接口信号的分析方法于一实施例中的刺激范式设计图。如图2所示，所述一种脑机接口信号的分析方法在视觉刺激范式方面：
在受试者利用FSDMA-SSVEP脑机接口的时候，每个目标的输出一般分为两个阶段，第一个阶段称为准备阶段，在这一阶段，受试者需要首先从上一个目标的输出过程中恢复过来并为输出下一个目标做好准备，包括思考要输出哪个目标并将眼睛的注意力集中到这个目标上，在这一阶段，显示器上的所有目标并不进行闪烁。随后进入下一个阶段，这一阶段称为输出阶段，在这一阶段，所有目标开始闪烁，受试者的注意力集中在要输出的目标上，同时产生的SSVEP信号被脑电设备采集，直到该阶段结束。该阶段结束后进入下一个目标输出的两个阶段的流程，直到完成所有输出任务。每个目标输出的两个阶段的时间对于具体的系统可以有所不同。
具体地，不同的目标不仅会有刺激频率的不一样，刺激形状也不一样，如图2所示，在显示器上呈现10个刺激目标，实际系统中可以是其他数目，这10个不同的刺激目标所具有的空间形状分别是不同形状的几何图形。而在进行刺激时，不同的刺激目标以不同的时间频率闪烁，频率按排列次序依次设为5Hz，5.5Hz，6Hz，6.5Hz，7Hz，7.5Hz，8Hz，8.5Hz，9Hz，9.5Hz。
如图2所示，不同目标所使用的不同的刺激形状利用不同的几何形状，还可以是具有不同空间构型的目标都可以接受成为FSDMA-SSVEP中的目标，比如使用不同的大写字母作为不同的目标等。参阅图2，显示器上所呈现的所有目标都需要互不相同的形状来表示，由于在FDMA-SSVEP脑机接口中，检测中发生的错误大多数是发生在相邻的频率所对应的目标之间的，所以也可将相邻的若干个目标用不同的形状来表示，而在相距较远或频域差别较大的两个目标之间，相同的形状也可以复用。
S12，将所述脑电信号与若干个预存期望信号进行一一对应的特征系数判别分析，以得到判别分析结果，所述判别分析结果包括一频率特征系数和空间强度分布系数。
具体地，所述特征系数判别分析包括典型相关分析方法，即将所述采集到的脑电信号与所述刺激频率为基础的参考信号，即期望信号进行分析，得到频率特征系数和空间强度分布系数。所述典型相关分析(CCA,Canonical correlation analysis)方法是解决这个检测问题比较高效稳定的一种方式。
在本实施例中，所述S12包括：
S121，将所述脑电信号定义为第一变量，其中一个所述期望信号定义为第二变量；
将CCA算法应用到SSVEP脑机接口中的目标识别的时候，所考虑的两组高维随机变量x，y实际上就是所采集到的所有电极的脑电信号(x)和某个刺激频率f下所述期望信号y(f)，y(f)又称为对应频率f的参考信号，x∈Rn×t，y(f)∈R2m×t，其中，Rn×t为n×t维实数矩阵，R2m×t为2m×t维实数矩阵，n为所采集的脑电信号的电极个数，m为所采用的参看信号的谐波次数，t为信号的时间采样点个数。一般情况下，所述期望信号如公式(1)所示。
在公式(1)中fs为脑电信号的时间采样频率。对于信号x和刺激频率f对应的参考信号y(f)。
S122，将所述第一变量与第二变量进行线性变换，根据线性变换的结果确定所述第一变量与第二变量之间的判别分析结果；
具体地，对于两组随机变量x，y，CCA针对两个线性变换ωx,ωy(分别和x，y的维数相等)，使得通过线性变换后的两个组合变量(即ωx T·x,ωy T·y)之间的相关系数ρ最大，由此得到所述频率特征系数。
采用CCA算法得到的最大的相关系数我们频率特征系数称为ρ(f)，一定程度上ρ(f)反映的就是所获取的脑电信号x是在频率f的目标刺激下产生的可能性大小，所以利用CCA进行SSVEP目标检测的基本策略就是对于所有可能的刺激频率f1,f2,...,fn(n为目标的总个数)，使用CCA算法计算它们所对应的与脑电信号x的频率特征系数ρ1,ρ2,...,ρn。
通过上述CCA算法还可得到通道之间的空间强度分布系ci，即对应频率fi的参考信号y(fi)所找到的最大相关系数的组合系数,对所有的可能频率，找到[c1,c2,...,cn]。
S123，针对若干个所述期望信号，循环执行上述步骤，以获取该脑电信号与所有所述期望信号的若干个判别分析结果。
在本实施例中，所述期望信号是根据其中一个所述刺激目标，对采集的不止一次的脑电信号进行统计分析得出的理论参考值，且若干个所述期望信号是根据若干个所述刺激目标确定的。
S13，将所述空间强度分布系数与若干个预存训练数据进行比对，以得到基于同一个刺激目标下所述空间强度分布系数与该刺激目标对应的训练数据的一空间特征概率系数。所述空间特征概率系数为与该刺激目标对应的训练数据比对时，所述空间强度分布系数是针对同一刺激目标的可能性大小。
在本实施例中，所述S13包括：
S131，将所述空间强度分布系数输入一分类器内；将空间强度分布系数的集合ci输入所述分类器内。
S132，通过所述分类器确定一概率分布向量；将c1与所述分类器内所有刺激目标的训练数据通过向量均值和方差矩阵进行估计预测，得到概率分析的概率分布向量(q11,q12,...,q1n)，然后，c2～cn同理类推，分别得到(q21,q22,...,q2n)～(qn1,qn2,...,qnn)。
S133，从所述概率分布向量中选取与所述空间强度分布系数对应同一刺激目标的空间特征概率系数。选取与ρ1,ρ2,...,ρn对应的(q11,q22,...,qnn)。
在本实施例中，所述训练数据是预先根据若干个所述脑电信号进行一一信号分析后得到的空间强度分布系数，且所述训练数据作为参考数据预存在所述分类器内。
具体地，训练该分类器的方法为，告知受试者应该输出哪些目标并采集相应的脑电信号记录下来作为带有标签的训练数据即可，具体的训练方法依所选择的分类器或判决器而定，所述分类器法包括：LDA(线性判决)，QDA(二次判决)，SVM(支撑向量机)等。所述分类器法作为辅助判断的方法应用对象包括但不限于典型相关分析方法。
S14，将若干个所述刺激目标对应的频率特征系数和空间特征概率系数进行加权处理，以将所述加权处理结果的最大值对应的刺激目标作为检测结果。
在本实施例中，所述S14包括：
S141，通过一加权系数对若干个所述刺激目标对应的频率特征系数和空间特征概率系数进行加权处理；具体地，将所述加权系数命名为k，则所述加权处理为ρ1+k*q11，然后，c2～cn同理类推，分别得到ρ2+k*q22～ρn+k*qnn。所述加权系数为确定所述频率特征系数和空间特征概率系数的权重大小的数值。
S142，确定所述加权处理结果的最大值，将其对应的刺激目标作为检测结果。所述加权处理结果的最大值用公式(2)表示。
在公式(2)中，T对应的i表示第i个刺激目标为最终检测结果。
在本实施例中，所述采集脑电信号使用的仪器包括但不限于Neuroscan SynAmps264-256导的脑电放大器，每台设备有64个通道可采集64个电极的脑电信号，而最多可以将四台设备并联总共采集256个电极的信号。在使用时，受试者佩戴采集头套，脑电信号通过头套输入进入放大器做初步处理后被导入处理电脑等待后续进一步处理。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述一种脑机接口信号的分析方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例所提供的一种脑机接口信号的分析方法将一种SSVEP脑机接口新的刺激范式和相应的检测算法进行融合，增加了新的脑机接口调制维度，从而实现更高的脑机接口脑机接口通信速率。
实施例二
本发明提供一种脑机接口信号的分析系统，所述脑机接口信号的分析系统包括：
信号获取模块，用于获取若干个刺激目标，根据所述刺激目标采集对应的脑电信号；其中，若干个所述刺激目标形状不同，且具有不同的刺激频率和/或刺激相位；
判别分析模块，用于将所述脑电信号与若干个预存期望信号进行一一对应的特征系数判别分析，以得到判别分析结果，所述判别结果包括一频率特征系数和空间强度分布系数；
概率分析模块，用于将所述空间强度分布系数与若干个预存训练数据进行比对，以得到基于同一个刺激目标下所述空间强度分布系数与该刺激目标对应的训练数据的一空间特征概率系数；
加权处理模块，用于将若干个所述刺激目标对应的频率特征系数和空间特征概率系数进行加权处理，以将所述加权处理结果的最大值对应的刺激目标作为检测结果。
以下将结合图示对本实施例所提供的一种脑机接口信号的分析系统进行详细说明。本实施例所述的一种脑机接口信号的分析系统，应用于如图1和图2所示的一种脑机接口信号的分析方法。
请参阅图3，图3显示为本发明的一种脑机接口信号的分析系统于一实施例中的系统原理图。如图3所示，所述一种脑机接口信号的分析系统3包括信号获取模块31、判别分析模块32、概率分析模块33和加权处理模块34。
用信号获取模块31获取若干个刺激目标，根据所述刺激目标采集对应的脑电信号；其中，若干个所述刺激目标形状不同，且具有不同的刺激频率和/或刺激相位。
在本实施例中，当若干个所述刺激目标以不同的刺激频率和/或刺激相位闪烁时，采集对应的脑电信号。
判别分析模块32，用于将所述脑电信号与若干个预存期望信号进行一一对应的特征系数判别分析，以得到判别分析结果，所述判别结果包括一频率特征系数和空间强度分布系数。
具体地，判别分析模块32用于将所述脑电信号定义为第一变量，其中一个所述期望信号定义为第二变量；将所述第一变量与第二变量进行线性变换，根据线性变换的结果确定所述第一变量与第二变量之间的特征系数；针对若干个所述期望信号，循环执行以获取该脑电信号与所有所述期望信号的若干个特征系数。
在本实施例中，所述期望信号是根据其中一个所述刺激目标，对采集的不止一次的脑电信号进行统计分析得出的理论参考值，且若干个所述期望信号是根据若干个所述刺激目标确定的。
通过概率分析模块33将所述空间强度分布系数与若干个预存训练数据进行比对，以得到基于同一个刺激目标下所述空间强度分布系数与该刺激目标对应的训练数据的一空间特征概率系数。所述空间特征概率系数为与该刺激目标对应的训练数据比对时，所述空间强度分布系数是针对同一刺激目标的可能性大小。
具体地，概率分析模块33用于将所述空间强度分布系数输入一分类器内；通过所述分类器确定一概率分布向量；从所述概率分布向量中选取与所述空间强度分布系数对应同一刺激目标的空间特征概率系数。
在本实施例中，所述训练数据是预先根据若干个所述脑电信号进行一一信号分析后得到的空间强度分布系数，且所述训练数据作为参考数据预存在所述分类器内。
利用所述加权处理模块34将若干个所述刺激目标对应的频率特征系数和空间特征概率系数进行加权处理，以将所述加权处理结果的最大值对应的刺激目标作为检测结果。
具体地，加权处理模块34用于通过一加权系数对若干个所述刺激目标对应的频率特征系数和空间特征概率系数进行加权处理；确定所述加权处理结果的最大值，将其对应的刺激目标作为检测结果。所述加权系数为确定所述频率特征系数和空间特征概率系数的权重大小的数值。
需要说明的是，应理解以上分析系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述分析系统的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述分析系统的存储器中，由上述分析系统的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)，或，一个或多个微处理器(digitalsingnalprocessor，简称DSP)，或，一个或者多个现场可编程门阵列(FieldProgrammableGateArray，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessingUnit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
本实施例所提供的一种脑机接口信号的分析系统将一种SSVEP脑机接口新的刺激范式和相应的检测算法进行融合，增加了新的脑机接口调制维度，从而实现更高的脑机接口脑机接口通信速率。
实施例三
本实施例提供一种设备，包括：处理器、存储器、收发器、通信接口或/和系统总线；存储器和通信接口通过系统总线与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于和其他设备进行通信，处理器和收发器用于运行计算机程序，使所述设备执行如实施例一所述脑机接口信号的分析方法的各个步骤。
上述提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。通信接口用于实现数据库访问装置与其他设备(如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明所述的脑机接口信号的分析方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明还提供一种脑机接口信号的分析系统，所述脑机接口信号的分析系统可以实现本发明所述的脑机接口信号的分析方法，但本发明所述的脑机接口信号的分析方法的实现装置包括但不限于本实施例列举的脑机接口信号的分析系统的结构，凡是根据本发明的原理所做的现有技术的结构变形和替换，都包括在本发明的保护范围内。
综上所述，本发明所述的一种脑机接口信号的分析方法、系统、介质及设备，将以特征系数判别分析为主的典型相关分析方法与分类器法融合，称为FSDMA-SSVEP脑机接口。在这种新的脑机接口中，刺激目标不仅使用不同的频率进行刺激，其进行刺激的空间形状也互不相同，提高了分辨能力，增加了脑机接口的调制维度，从而达到比现有的任何FDMA-SSVEP脑机接口都要更高的通信速率，而更高的脑机接口的通信速率也为其更广泛地应用打下了基础。本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种脑机接口信号的分析方法，其特征在于，包括：
获取若干个刺激目标，根据所述刺激目标采集对应的脑电信号；其中，若干个所述刺激目标形状不同，且具有不同的刺激频率和/或刺激相位；
将所述脑电信号与若干个预存期望信号进行一一对应的特征系数判别分析，以得到判别分析结果，所述判别分析结果包括一频率特征系数和空间强度分布系数；
将所述空间强度分布系数与若干个预存训练数据进行比对，以得到基于同一个刺激目标下所述空间强度分布系数与该刺激目标对应的训练数据的一空间特征概率系数；
将若干个所述刺激目标对应的频率特征系数和空间特征概率系数进行加权处理，以将所述加权处理结果的最大值对应的刺激目标作为检测结果。
2.根据权利要求1所述的脑机接口信号的分析方法，其特征在于，所述获取若干个刺激目标，根据所述刺激目标采集对应的脑电信号的步骤包括：
当若干个所述刺激目标以不同的刺激频率和/或刺激相位闪烁时，采集对应的脑电信号。
3.根据权利要求1所述的脑机接口信号的分析方法，其特征在于，所述将所述脑电信号与若干个预存期望信号进行一一对应的特征系数判别分析，以得到判别分析结果，所述判别结果包括一频率特征系数和空间强度分布系数的步骤包括：
将所述脑电信号定义为第一变量，其中一个所述期望信号定义为第二变量；
将所述第一变量与第二变量进行线性变换，根据线性变换的结果确定所述第一变量与第二变量之间的判别分析结果；
针对若干个所述期望信号，循环执行上述步骤，以获取该脑电信号与所有所述期望信号的若干个判别分析结果。
4.根据权利要求3所述的脑机接口信号的分析方法，其特征在于，
所述期望信号是根据其中一个所述刺激目标，对采集的不止一次的脑电信号进行统计分析得出的理论参考值，且若干个所述期望信号是根据若干个所述刺激目标确定的。
5.根据权利要求1所述的脑机接口信号的分析方法，其特征在于，所述将所述空间强度分布系数与若干个预存训练数据进行比对，以得到基于同一个刺激目标下所述空间强度分布系数与该刺激目标对应的训练数据的一空间特征概率系数的步骤包括：
将所述空间强度分布系数输入一分类器内；
通过所述分类器确定一概率分布向量；
从所述概率分布向量中选取与所述空间强度分布系数对应同一刺激目标的空间特征概率系数。
6.根据权利要求5所述的脑机接口信号的分析方法，其特征在于，
所述训练数据是预先根据若干个所述脑电信号进行一一信号分析后得到的空间强度分布系数，且所述训练数据作为参考数据预存在所述分类器内。
7.根据权利要求1所述的脑机接口信号的分析方法，其特征在于，所述将若干个所述刺激目标对应的频率特征系数和空间特征概率系数进行加权处理，以将所述加权处理结果的最大值对应的刺激目标作为检测结果的步骤包括：
通过一加权系数对若干个所述刺激目标对应的频率特征系数和空间特征概率系数进行加权处理；
确定所述加权处理结果的最大值，将其对应的刺激目标作为检测结果。
8.一种脑机接口系统，其特征在于，所述脑机接口系统包括：
信号获取模块，用于获取若干个刺激目标，根据所述刺激目标采集对应的脑电信号；其中，若干个所述刺激目标形状不同，且具有不同的刺激频率和/或刺激相位；
判别分析模块，用于将所述脑电信号与若干个预存期望信号进行一一对应的特征系数判别分析，以得到判别分析结果，所述判别分析结果包括一频率特征系数和空间强度分布系数；
概率分析模块，用于将所述空间强度分布系数与若干个预存训练数据进行比对，以得到基于同一个刺激目标下所述空间强度分布系数与该刺激目标对应的训练数据的一空间特征概率系数；
加权处理模块，用于将若干个所述刺激目标对应的频率特征系数和空间特征概率系数进行加权处理，以将所述加权处理结果的最大值对应的刺激目标作为检测结果。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7任一项所述脑机接口信号的分析方法。
10.一种设备，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行如权利要求1至7中任一项脑机接口信号的分析方法。
CN201910223220.3A 2019-03-22 2019-03-22 脑机接口信号的分析方法、系统、介质及设备 Active CN109965871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910223220.3A CN109965871B (zh) 2019-03-22 2019-03-22 脑机接口信号的分析方法、系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910223220.3A CN109965871B (zh) 2019-03-22 2019-03-22 脑机接口信号的分析方法、系统、介质及设备

Publications (2)

Publication Number Publication Date
CN109965871A true CN109965871A (zh) 2019-07-05
CN109965871B CN109965871B (zh) 2022-02-11

Family

ID=67080171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910223220.3A Active CN109965871B (zh) 2019-03-22 2019-03-22 脑机接口信号的分析方法、系统、介质及设备

Country Status (1)

Country Link
CN (1) CN109965871B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852307A (zh) * 2019-11-26 2020-02-28 中国科学院上海高等研究院 基于脑电信号的脑机接口的检测方法、系统、介质及设备
CN111967333A (zh) * 2020-07-20 2020-11-20 中国人民解放军军事科学院国防科技创新研究院 一种信号生成方法、系统、存储介质及脑机接口拼写器
CN114489335A (zh) * 2022-01-21 2022-05-13 上海前瞻创新研究院有限公司 脑机接口的检测方法、装置、存储介质及系统
CN116098636A (zh) * 2023-02-14 2023-05-12 上海前瞻创新研究院有限公司 基于ssvep的脑机接口刺激范式生成、检测方法、系统、介质、终端
CN117617995A (zh) * 2024-01-26 2024-03-01 小舟科技有限公司 脑机接口关键脑区编码的采集与识别方法、计算机设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102793540A (zh) * 2012-06-14 2012-11-28 天津大学 一种视听认知事件相关电位实验范式的优化方法
CN103607519A (zh) * 2013-10-17 2014-02-26 南昌大学 基于脑机接口的双上肢残疾人电话系统
CN106560765A (zh) * 2016-06-14 2017-04-12 深圳创达云睿智能科技有限公司 一种虚拟现实中内容交互的方法和装置
WO2018068013A1 (en) * 2016-10-06 2018-04-12 The Regents Of The University Of California An implantable electrocorticogram brain-computer interface system for restoring extremity movement
CN108415569A (zh) * 2018-02-28 2018-08-17 天津大学 基于脑电波分析的便携式意念拨号系统
CN109271887A (zh) * 2018-08-29 2019-01-25 天津大学 一种用于脑电模式识别的复合空间滤波与模板匹配方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102793540A (zh) * 2012-06-14 2012-11-28 天津大学 一种视听认知事件相关电位实验范式的优化方法
CN103607519A (zh) * 2013-10-17 2014-02-26 南昌大学 基于脑机接口的双上肢残疾人电话系统
CN106560765A (zh) * 2016-06-14 2017-04-12 深圳创达云睿智能科技有限公司 一种虚拟现实中内容交互的方法和装置
WO2018068013A1 (en) * 2016-10-06 2018-04-12 The Regents Of The University Of California An implantable electrocorticogram brain-computer interface system for restoring extremity movement
CN108415569A (zh) * 2018-02-28 2018-08-17 天津大学 基于脑电波分析的便携式意念拨号系统
CN109271887A (zh) * 2018-08-29 2019-01-25 天津大学 一种用于脑电模式识别的复合空间滤波与模板匹配方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852307A (zh) * 2019-11-26 2020-02-28 中国科学院上海高等研究院 基于脑电信号的脑机接口的检测方法、系统、介质及设备
CN110852307B (zh) * 2019-11-26 2022-07-05 中国科学院上海高等研究院 基于脑电信号的脑机接口的检测方法、系统、介质及设备
CN111967333A (zh) * 2020-07-20 2020-11-20 中国人民解放军军事科学院国防科技创新研究院 一种信号生成方法、系统、存储介质及脑机接口拼写器
CN114489335A (zh) * 2022-01-21 2022-05-13 上海前瞻创新研究院有限公司 脑机接口的检测方法、装置、存储介质及系统
CN114489335B (zh) * 2022-01-21 2023-12-01 上海瑞司集测科技有限公司 脑机接口的检测方法、装置、存储介质及系统
CN116098636A (zh) * 2023-02-14 2023-05-12 上海前瞻创新研究院有限公司 基于ssvep的脑机接口刺激范式生成、检测方法、系统、介质、终端
CN117617995A (zh) * 2024-01-26 2024-03-01 小舟科技有限公司 脑机接口关键脑区编码的采集与识别方法、计算机设备
CN117617995B (zh) * 2024-01-26 2024-04-05 小舟科技有限公司 脑机接口关键脑区编码的采集与识别方法、计算机设备

Also Published As

Publication number Publication date
CN109965871B (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN109965871A (zh) 脑机接口信号的分析方法、系统、介质及设备
Zhao et al. A multi-branch 3D convolutional neural network for EEG-based motor imagery classification
Talo et al. Convolutional neural networks for multi-class brain disease detection using MRI images
Li et al. Epileptic seizure detection in EEG signals using sparse multiscale radial basis function networks and the Fisher vector approach
De Martino et al. Classification of fMRI independent components using IC-fingerprints and support vector machine classifiers
Wang et al. Neural taskonomy: Inferring the similarity of task-derived representations from brain activity
Hajabdollahi et al. Multiple abnormality detection for automatic medical image diagnosis using bifurcated convolutional neural network
Ma et al. Capturing group variability using IVA: a simulation study and graph-theoretical analysis
Sonavane et al. Classification and segmentation of brain tumor using Adaboost classifier
CN108937968A (zh) 基于独立分量分析的情感脑电信号的导联选择方法
Guo et al. EMFN: enhanced multi-feature fusion network for hard exudate detection in fundus images
Das et al. An effect-size based channel selection algorithm for mental task classification in brain computer interface
Villain et al. Visual interpretation of CNN decision-making process using Simulated Brain MRI
Asgharzadeh-Bonab et al. An alzheimer’s disease classification method using fusion of features from brain magnetic resonance image transforms and deep convolutional networks
Shawon et al. Explainable cost-sensitive deep neural networks for brain tumor detection from brain mri images considering data imbalance
Afzal et al. A Transfer Learning-Based Approach to Detect Cerebral Microbleeds.
Zeng et al. IANet: Important-aware network for microscopic hyperspectral pathology image segmentation
Nogueira et al. Heart sounds classification using images from wavelet transformation
CN113662561B (zh) 子带级联共空间模式的脑电特征提取方法及装置
CN113052229B (zh) 一种基于心电数据的心脏病症分类方法及装置
CN113995423A (zh) 基于相位保持网络的连续快速视觉演示脑电信号分类方法
Meng et al. A deep tongue image features analysis model for medical application
Kursun et al. Enhancing Explainability in Plant Disease Classification using Score-CAM: Improving Early Diagnosis for Agricultural Productivity
Ghoroghchian et al. A hierarchical graph signal processing approach to inference from spatiotemporal signals
Srivardhini et al. A deep learning based multi-model for early prognosticate of Alzheimer’s dementia using MRI dataset

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