CN110955330A - 基于复杂对象控制的高唤醒度的脑电意图辨析方法 - Google Patents

Abstract

本发明提供一种基于复杂对象控制的高唤醒度的脑电意图辨析方法，该方法主要包括：(1)设计应用于脑‑机接口实验的控制复杂有约束对象的新范式；(2)获取多通道运动想象脑电信号样本数据，并对信号进行预处理；(3)利用共空间模式算法对获得脑电信号进行特征提取和优化；(4)脑电信号识别及系统评估。本发明提出的方法对呈现的视觉对象结合相应的实际操纵加深受试者对刺激的感知力，具有较高的唤醒度，达到更优的分类效果。

Description

基于复杂对象控制的高唤醒度的脑电意图辨析方法

技术领域

本发明涉及生理信号处理和意图辨析技术领域，具体涉及一种基于复杂对象控制的高唤醒度的脑电意图辨析方法。

背景技术

脑机接口是神经科学与工程技术的一种新型交互结合方式，检测由大脑活动产生的电信号并将这些信号转换为输出，将用户的意图传达给外界。它可以用作神经康复工具，以改善神经系统疾病，例如中风和四肢瘫痪病人的运动或认知表现。研究表明肢体运动的想象可以改变脑电活动，并且可以在特定运动想象任务下获得不同的脑电图模式。脑电信号已被广泛应用于脑机接口系统，作为患有严重身体残疾的人的替代性交流通道，而运动意图解码是神经康复应用脑机接口的研究中的主要问题。

传统的运动想象实验范式仅通过视觉来呈现，实验的复杂度低，受试者的沉浸度低，容易产生疲劳感。在此种实验任务下，受试者的大脑活动相对不活跃，对应脑区的活跃程度相对较低。因此，在此种情况下采集得到的脑电的意图识别准确率也会相对低，难以满足神经康复的需要。此外，这种复杂度低的非能量约束系统很难与日常生活中的场景相匹配，然而，神经康复研究需要基于更符合日常生活的场景。

发明内容

本发明要解决的技术问题是提供符合日常生活动作解码的范式，用于能够增加运动意图辨析的准确率和系统的可靠性。

为解决上述技术问题，本发明提供了一种基于复杂对象控制的高唤醒度的脑电意图辨析方法。

所述方法包括以下步骤：

步骤1：设计应用于脑-机接口实验的控制复杂有约束对象的新范式，包括以下具体步骤：

步骤11：模拟人们在保证水无溢出的情况下水平移动水杯这一任务场景，抽象化出概念模型；

步骤12：完成脑控系统在线应用阶段所需要的虚拟任务界面的编程，呈现抽象化被控对象“杯-球系统”的虚拟任务场景；

步骤2：获取多通道运动想象脑电信号样本数据，并对信号进行预处理，包括如下具体步骤：

步骤21：搭建脑电信号采集装置；

步骤22：受试者控制操纵虚拟的“杯-球系统”，通过脑电采集设备收集受试者在完成虚拟任务时的脑电，得到多通道运动想象脑电信号数据、存储脑电数据并进行相应的预处理；

步骤23：通过脑电采集设备得到经过放大的脑电信号，并使用滤波器对信号进行预处理；

步骤3：利用共空间模式算法对获得脑电信号进行特征提取，包括如下具体步骤：

步骤31：假设X₁和X₂分别为两分类想象运动任务下的多通道诱发信号矩阵，维数为M*N，M为脑电数据的通道数，N代表每次实验的数据点数；

步骤32：计算每一类样本的归一化协方差矩阵C₁和C₂，由归一化的协方差矩阵分解得到投影矩阵W，(C₁+C₂)^-1C₁＝WDW^-1，其中W是特征向量构成的矩阵，D是由特征值组成的对角阵；

步骤33：将样本X向投影方向进行投影，得到滤波信号Z＝WX，信号提取的特征向量表示为：

其中y_i，为第i个样本归一化后的特征矩阵，选取m行和后m行数据作为CSP特征提取的特征矩阵，得到的向量Y就是提取出的样本特征；

步骤4：脑电信号识别及系统评估；

步骤41：利用Fisher比例分类算法为所述步骤3得到脑电信号特征构建最佳分类器，利用得到的所述最佳分类器对新的脑电特征进行分类；

步骤42：根据Fisher比例J(w)＝w^TS_bw/w^TS_ww得到最佳投影方向w，其中类内散度矩阵为

类间散度矩阵S_b＝(μ₁-μ₂)(μ₁-μ₂)^T，μ₁和μ₂为每类样本的均值向量；

步骤43：将所述样本向w方向投影得到y＝w^TX；

步骤44：与最近均值分类器、加权最近均值分类器在相同数据集实验下测试准确率进行比较，对系统进行评估。

优选的，所述步骤12中呈现抽象化被控对象“杯-球系统”的虚拟任务场景的工具为Matlab中提供的心理学实验编制函数库PsychToolbox。

优选的，所述步骤12中呈现，根据建立的描述动态运动的数学模型对抽象化被控对象“杯-球系统”的虚拟任务场景进行呈现。

优选的，所述步骤22中受试者通过按键控制操纵所述虚拟的“杯-球系统”。

优选的，所述步骤22中利用Emotiv头盔采集受试者在虚拟环境中操纵复杂约束对象控制系统时诱发的脑电信号，得到多通道运动想象脑电信号数据。

优选的，所述步骤22中采用所述Emotiv头盔采集受试者14导脑电信号，其电极分布采用10-20国际标准导联定位，采样频率为128Hz。

优选的，所述步骤22中所述脑电采集设备提取的脑电信号是受试者按下按键前1000毫秒和按下按键后1000毫秒的信号。

优选的，所述步骤22中所述受试者控制操纵虚拟的“杯-球系统”需要完成虚拟呈现的边界回避任务，所述边界回避任务包括以下内容：受试者需在规定的边框范围内操纵虚拟的盛有小球的杯，所述杯的初始位置在所述边框左侧A位置，若所述杯从所述边框右侧B位置超出所述边框范围，并且整个过程所述球未溢出所述杯则任务成功；若所述杯从所述边框左侧A位置超出所述边框范围，或者在这个过程中所述球从所述杯中溢出，则任务失败。

优选的，所述步骤23对脑电信号分析之前需要对脑电信号进行滤波处理。

优选的，所述步骤23中滤波器采用4阶巴特沃斯滤波器，滤波范围为8-13Hz。

本发明提供的技术方案的有益效果是：

所述方法对呈现的视觉对象结合相应的实际操纵加深受试者对刺激的感知力，具有较高的唤醒度，达到更优的分类效果。首先本发明针对运动想象中复杂度低的实验范式提出了基于复杂约束对象操纵的脑电诱发范式，增加了受试者的视觉运动想象效果和实验沉浸度，减轻了受试者的疲劳感，能诱发信源质量较好的唤醒度高的脑电信号。其次，本发明设计的基于高唤醒度的动态约束复杂对象控制系统中的脑电意图辨析方法能够克服原有的准确率低这一缺点，与传统的仅基于视觉诱发的脑-计算机接口系统相比，能够增加系统的可分性和可靠性。

附图说明

图1是本发明实施例所提供的基于复杂对象控制的高唤醒度的脑电意图辨析方法流程图；

图2是本发明实施例提供的动态任务概念模型示意图；

图3是本发明实施例提供的动态任务数学模型示意图；

图4是本发明实施例提供的动态任务模型的受力分析图；

图5a是本发明实施例中施加向左的力之后“杯-球系统”的移动示意图；

图5b是本发明实施例中施加向右的力之后，“杯-球系统”的移动示意图；

图6a是本发明实施例提供的脑电信号采集所用的导联电极分布图；

图6b是本发明实施例提供的脑电信号采集所用的二维坐标系中的电极坐标。

具体实施方式

以下，参照附图对本发明的实施方式进行说明。

如图1，本发明方法的实施主要包括四个步骤：(1)设计应用于脑-机接口实验的新范式—控制复杂有约束对象；(2)搭建脑电信号采集装置，获取多通道运动想象脑电信号样本数据，并对信号进行预处理；(3)利用共空间模式算法对获得脑电信号进行特征提取和优化；(4)脑电信号识别及系统评估，得到脑电信号特征利用Fisher比例分类算法构建最佳的分类器模型，得到最佳分类器对新的脑电特征进行分类，分析分类准确率，对比其他方法得出结论。

图1是本实施例中基于复杂对象控制的高唤醒度的脑电意图辨析方法流程图，具体实现步骤如下：

步骤1：设计应用于脑-机接口实验的新范式—控制复杂有约束对象

步骤11：复杂有约束控制对象的现实原型确定和“杯-球系统”概念化分析。

复杂有约束控制对象的“杯-球系统”现实原型如图2所示，该动态任务的数学模型如图3所示。该模型是模拟人们在保证水无溢出的情况下水平移动水杯这一任务场景，抽象化的概念模型。“杯-球系统”是一个典型的有约束的复杂随动系统，具有不稳定、非线性、强耦合等特性，受力分析如图4所示，当杯水平受力时，球和杯共同运动，球在杯中振荡。所述“杯-球系统”模型是模拟人们在保证水无溢出的情况下水平移动水杯这一任务场景，所抽象出来的概念化被控模型。所涉及的复杂对象控制的高唤醒度的脑电是指收集受试者在操纵虚拟的基于复杂有约束对象控制的任务时的脑电，由于该任务是模拟人们在保证水无溢出的情况下水平移动水杯这一任务场景，控制抽象化的被控对象的虚拟任务，因此获得的脑电的唤醒度高。

步骤12：对抽象化出的被控对象“杯-球系统”的虚拟任务场景进行编程，根据建立描述动态运动的数学模型，利用Matlab中提供的心理学实验编制函数库PsychToolbox对此任务的呈现进行实现，完成脑控系统在线应用阶段所需要的虚拟任务界面的编程。受试者向所述“杯-球系统”施加力后，“杯-球系统”的移动如图5a和图5b所示，其中图5a是对系统施加向左方向的力后“杯-球系统”的移动示意图，图5b是对系统施加向右方向的力后“杯-球系统”的移动示意图。

步骤2：搭建脑电信号采集装置，获取多通道运动想象脑电信号样本数据，并对信号进行预处理；

步骤21：搭建脑电信号采集装置。

步骤22：受试者通过按键控制操纵虚拟的“杯-球系统”，通过脑电采集设备收集受试者在完成虚拟任务时的脑电，得到多通道运动想象脑电信号数据、存储脑电数据并进行相应的预处理，通过采集设备可得到经过放大的脑电信号。实验设备采用Emotiv头盔采集受试者14导脑电信号，其电极分布采用10-20国际标准导联定位，采样频率为128Hz。本实施例中电信号采集所用的导联电极分布图如图6a所示；图6b是二维坐标系中的电极坐标。

实验时，受试者保持放松，尽量避免眼动，坐在距离眼睛约60cm的舒适的LED显示器前面并有数字键盘放置在受试者面前。受试者需要完成虚拟呈现的边界回避任务，这是一种高难度的感觉运动任务，受试者需在规定的范围内操纵虚拟的呈有小球的杯，若杯从右侧B位置超出边框范围，并且整个过程球未溢出杯则任务成功；若杯从左侧A位置超出边框范围，或者在这个过程中球从杯中溢出，则任务失败。如图5a和图5b所示，杯-球的初始位置在A位置。在此过程中受试者的脑电信号会根据控制对象的移动特性产生相应的变化；在大脑皮层产生诱发的脑电信号。提取的脑电信号是受试者按下按键前1000毫秒和按下按键后1000毫秒的信号。

步骤23：通过脑电采集设备可得到经过放大的脑电信号，并使用8-13Hz的4阶巴特沃斯滤波器对信号进行预处理。由于脑电信号比较微弱，在采集和提取过程中通常会混入其他干扰噪声，因此在对脑电信号分析之前必须对脑电信号进行滤波处理。滤波器采用4阶巴特沃斯滤波器，滤波范围为8-13Hz。

步骤3：利用共空间模式算法对获得脑电信号进行特征提取

步骤31：假设X₁和X₂分别为两分类想象运动任务下的多通道诱发信号矩阵，维数为M*N，M为脑电数据的通道数，N代表每次实验的数据点数；

步骤32：计算每一类样本的归一化协方差矩阵C₁和C₂，由归一化的协方差矩阵分解得到投影矩阵W，(C₁+C₂)^-1C₁＝WDW^-1，其中W是特征向量构成的矩阵，D是由特征值组成的对角阵；

步骤33：将样本X向投影方向进行投影，得到滤波信号Z＝WX，对信号提取的特征向量可以表示为：

其中，y_i为第i个样本归一化后的特征矩阵，选取m行和后m行数据作为CSP特征提取的特征矩阵，得到的向量Y就是提取出的样本特征；

步骤4：脑电信号识别及系统评估；

步骤41：步骤3得到脑电信号特征利用Fisher比例分类算法构建最佳的分类器模型，得到最佳分类器对新的脑电特征进行分类；

步骤42：根据Fisher比例J(w)＝w^TS_bw/w^TS_ww得到最佳投影方向w，其中类内散度矩阵为

类间散度矩阵S_b＝(μ₁-μ₂)(μ₁-μ₂)^T，μ₁和μ₂为每类样本的均值向量；

步骤43：将训练集样本向w方向投影得到y＝w^TX；

步骤44：与最近均值分类器、加权最近均值分类器在相同数据集实验下测试准确率进行比较，对系统进行评估。

为了验证本发明方法的有效性，在该数据y＝w^TX集上进行了实验验证，并与同类型的方法进行比较。实验过程如下，首先对所有输入数据进行预处理，然后利用共空间模式方法进行特征提取，提取出的特征分为测试集和训练集两组，通过训练集得到最优模型，重复测试分类过程十次，得到分类平均准确率，然后进行结果分析。实验结果如表1所示：

表1各类算法在该数据集上平均测试分类准确率

通过表1可以看出，本发明方法在脑电信号分类中能够取得很好的分类准确率。

综上所述，本发明实例设计了视觉辅助实际运动的BCI刺激范式，在传统的仅有视觉刺激实验范式的寄出了增加了实际控制，增加了受试者的沉浸度和参与感，在得到高唤醒度的脑电信号的情况下能较优的实现运动意图识别。

以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (10)

1.一种基于复杂对象控制的高唤醒度的脑电意图辨析方法，其特征在于，所述方法包括以下具体步骤：

步骤1：设计应用于脑-机接口实验的控制复杂有约束对象的新范式，包括以下具体步骤：

步骤11：模拟人们在保证水无溢出的情况下水平移动水杯这一任务场景，抽象化出概念模型；

步骤12：完成脑控系统在线应用阶段所需要的虚拟任务界面的编程，呈现抽象化被控对象“杯-球系统”的虚拟任务场景；

步骤2：获取多通道运动想象脑电信号样本数据，并对信号进行预处理，包括如下具体步骤：

步骤21：搭建脑电信号采集装置；

步骤22：受试者控制操纵虚拟的“杯-球系统”，通过脑电采集设备收集受试者在完成虚拟任务时的脑电，得到多通道运动想象脑电信号数据、存储脑电数据并进行相应的预处理；

步骤23：通过脑电采集设备得到经过放大的脑电信号，并使用滤波器对信号进行预处理；

步骤3：利用共空间模式算法对获得脑电信号进行特征提取，包括如下具体步骤：

步骤31：假设X₁和X₂分别为两分类想象运动任务下的多通道诱发信号矩阵，维数为M*N，M为脑电数据的通道数，N代表每次实验的数据点数；

步骤32：计算每一类样本的归一化协方差矩阵C₁和C₂，由归一化的协方差矩阵分解得到投影矩阵W，(C₁+C₂)^-1C₁＝WDW^-1，其中W是特征向量构成的矩阵，D是由特征值组成的对角阵；

步骤33：将样本X向投影方向进行投影，得到滤波信号Z＝WX，信号提取的特征向量表示为：

其中，y_i为第i个样本归一化后的特征矩阵，选取m行和后m行数据作为CSP特征提取的特征矩阵，得到的向量Y就是提取出的样本特征；

步骤4：脑电信号识别及系统评估；

步骤41：利用Fisher比例分类算法为所述步骤3得到的脑电信号特征构建最佳分类器，利用得到的所述最佳分类器对新的脑电特征进行分类；

步骤42：根据Fisher比例J(w)＝w^TS_bw/w^TS_ww得到最佳投影方向w，其中类内散度矩阵为

类间散度矩阵S_b＝(μ₁-μ₂)(μ₁-μ₂)^T，μ₁和μ₂为每类样本的均值向量；

步骤43：将所述样本向w方向投影得到y＝w^TX；

步骤44：与最近均值分类器、加权最近均值分类器在相同数据集实验下测试准确率进行比较，对系统进行评估。

2.根据权利要求1所述的基于复杂对象控制的高唤醒度的脑电意图辨析方法，其特征在于，所述步骤12中呈现抽象化被控对象“杯-球系统”的虚拟任务场景的工具为Matlab中提供的心理学实验编制函数库PsychToolbox。

3.根据权利要求2所述的基于复杂对象控制的高唤醒度的脑电意图辨析方法，其特征在于，所述步骤12中呈现，根据建立的描述动态运动的数学模型对抽象化被控对象“杯-球系统”的虚拟任务场景进行呈现。

4.根据权利要求1所述的基于复杂对象控制的高唤醒度的脑电意图辨析方法，其特征在于，所述步骤22中受试者通过按键控制操纵所述虚拟的“杯-球系统”。

5.根据权利要求1所述的基于复杂对象控制的高唤醒度的脑电意图辨析方法，其特征在于，所述步骤22中利用Emotiv头盔采集受试者在虚拟环境中操纵复杂约束对象控制系统时诱发的脑电信号，得到多通道运动想象脑电信号数据。

6.根据权利要求5所述的基于复杂对象控制的高唤醒度的脑电意图辨析方法，其特征在于，所述步骤22中采用所述Emotiv头盔采集受试者14导脑电信号，其电极分布采用10-20国际标准导联定位，采样频率为128Hz。

7.根据权利要求4所述的基于复杂对象控制的高唤醒度的脑电意图辨析方法，其特征在于，所述步骤22中所述脑电采集设备提取的脑电信号是受试者按下按键前1000毫秒和按下按键后1000毫秒的信号。

8.根据权利要求1所述的基于复杂对象控制的高唤醒度的脑电意图辨析方法，其特征在于，所述步骤22中所述受试者控制操纵虚拟的“杯-球系统”需要完成虚拟呈现的边界回避任务，所述边界回避任务包括以下内容：受试者需在规定的边框范围内操纵虚拟的盛有小球的杯，所述杯的初始位置在所述边框左侧A位置，若所述杯从所述边框右侧B位置超出所述边框范围，并且整个过程所述球未溢出所述杯则任务成功；若所述杯从所述边框左侧A位置超出所述边框范围，或者在这个过程中所述球从所述杯中溢出，则任务失败。

9.根据权利要求1所述的基于复杂对象控制的高唤醒度的脑电意图辨析方法，其特征在于，所述步骤23对脑电信号分析之前需要对脑电信号进行滤波处理。

10.根据权利要求1所述的基于复杂对象控制的高唤醒度的脑电意图辨析方法，其特征在于，所述步骤23中滤波器采用4阶巴特沃斯滤波器，滤波范围为8-13Hz。

Images