CN111012343A - 基于Pearson相关性系数加权的跨个体脑-机接口 - Google Patents

基于Pearson相关性系数加权的跨个体脑-机接口 Download PDF

Info

Publication number
CN111012343A
CN111012343A CN201911187184.6A CN201911187184A CN111012343A CN 111012343 A CN111012343 A CN 111012343A CN 201911187184 A CN201911187184 A CN 201911187184A CN 111012343 A CN111012343 A CN 111012343A
Authority
CN
China
Prior art keywords
data
tested
electroencephalogram
correlation coefficient
signals
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.)
Pending
Application number
CN201911187184.6A
Other languages
English (en)
Inventor
周向通
安兴伟
明东
陈露
杨远骋
柯余峰
刘爽
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 CN201911187184.6A priority Critical patent/CN111012343A/zh
Publication of CN111012343A publication Critical patent/CN111012343A/zh
Pending legal-status Critical Current

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
    • 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]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • A61B5/378—Visual stimuli
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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

Landscapes

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

Abstract

本发明公开了一种基于Pearson相关性系数加权的跨个体脑‑机接口，所述跨个体脑‑机接口包括：提取若干名被试的脑电数据；对每一名被试使用支持向量机将若干轮闪烁的数据作为训练集训练分类器模型和特征信号；对于一名需要测量脑电数据的新被试首先提取其1轮闪烁的脑电信号进行相同的截取得到时域特征信号；利用Pearson相关性系数找到和目标被试特征信号相关性高的通用模型中的几名被试，并用这几名被试的分类器模型对新被试的数据进行分类。本发明通过少量实验数据在之前准备好的通用数据集中筛选合适的分类器模型，对目标被试之后的实验数据进行分类。

Description

基于Pearson相关性系数加权的跨个体脑-机接口
技术领域
本发明涉及脑-机接口领域，尤其涉及一种基于Pearson相关性系数加权的跨个体脑- 机接口(Brain-Computer Interface，BCI)。
背景技术
BCI通过脑与外部设备建立直接或间接通路的方式获取大脑的信号，经过特定的信号处理分析出大脑活动，从而控制外部设备或肢体进行相应的操作。BCI的研究可帮助正常中枢神经受损(如脑卒中、肌萎缩性脊髓侧索硬化症等)的患者获得更多与外部环境沟通交流的途径。在休闲娱乐、军事、工业领域等环境中，BCI的应用也在不断地改变人们的生产、生活方式。
实验发现，基于P300的BCI存在一定的个体差异性，不同人对于同一个P300实验范式产生的P300特征向量会有一定的偏差。因此传统的P300-BCI在进行正式实验之前通常需要一个较长时间的校准过程来训练分类器模型，校准过程通常需要占用很长时间。长时间的校准过程使得被试容易疲劳，进而影响正式实验的实验效果和有效实验时长。减少校准时间成为提高P300-BCI能效的一个重要研究方向。
许多实验采用了跨个体脑-机接口的研究方法，即提前采集其他多名被试的实验数据作为通用数据集，以集成式的方式训练分类器模型，但由于这种方法缺少目标被试的数据，分类正确率与传统的个体依赖型BCI还是存在很大的差距。
发明内容
本发明提供了一种基于Pearson相关性系数加权的跨个体脑-机接口，本发明通过少量实验数据在之前准备好的通用数据集中筛选合适的分类器模型，对目标被试之后的实验数据进行分类，详见下文描述：
一种基于Pearson相关性系数加权的跨个体脑-机接口，所述跨个体脑-机接口包括：
提取若干名被试的脑电数据；
对每一名被试使用支持向量机将若干轮闪烁的数据作为训练集训练分类器模型和特征信号；
对于一名需要测量脑电数据的新被试首先提取其1轮闪烁的脑电信号进行相同的截取得到时域特征信号；
利用Pearson相关性系数找到和目标被试特征信号相关性高的通用模型中的几名被试，并用这几名被试的分类器模型对新被试的数据进行分类。
所述提取若干名被试目标刺激和非目标刺激的时域特征信号具体为：
使用P300-BCI获取被试的脑电数据作为通用数据集，P300-BCI的提示界面由三维编码的视觉刺激范式构成，且采用随机闪烁的方式。
分别将其1轮闪烁中目标刺激和非目标刺激的信号进行叠加平均，得到平均后的特征向量。将平均后的特征向量进行首尾相连，得到代表特定被试的脑电特征信号。
本发明在三个方面突破了传统的跨个体脑-机接口，有益效果如下：
首先，在实验范式设计方面，本发明采用了基于三维编码的视觉刺激范式，相比于传统的基于二维编码的视觉刺激范式，本发明所采用的刺激范式的信息传输率更高；在闪烁方式上，本发明采用了随机闪烁的方式，能够诱发更加明显的P300信号。
其次，在信息处理方面，不仅可以减少新被试训练分类器的时间，而且可以结合新被试特殊的脑电信号，选取相关性较强的分类器对新被试的数据进行分类。可弥补传统跨个体脑-机接口训练集没有新被试相关脑电信息的缺点。
再次，通过剔除相关性较弱的分类器的方式避免了弱关联训练数据对分类结果的影响，可提高跨个体脑-机接口的分类正确率。
本发明可用于P300-BCI，也可以用于P300与其他范式组成的混合BCI。因为此跨个体脑-机接口仅使用了极少量的新被试的数据，该脑-机接口有望应用于更多场合，带来可观的社会效益和经济效益。
本发明可有效提高跨个体P300-BCI的分类正确率和信息传输率，进一步研究可得到完善的脑-机接口系统，有望提高P300-BCI的通用性和实用性。
附图说明
图1为本发明的计算流程图，可用于P300-BCI的检测；
图2为P300-BCI实验范式示意图。
图3为X、Y、Z方向上栅格面的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
实施例1
在离线实验中利用三维编码视觉刺激范式诱发ERP信号；提取30名被试的脑电数据；对于每一名被试使用支持向量机(Support Vector Machine,SVM)将其30轮闪烁的数据作为训练集训练分类器模型(Mi)和特征信号；对于一名需要测量脑电数据的新被试首先提取其1轮闪烁的脑电信号进行相同的截取得到特征信号；利用Pearson相关性系数找到和目标被试特征信号相关性较高的通用模型中的几名被试，并用这几名被试的分类器模型对新被试的数据进行分类。
实施例2
下面结合图2、具体的实例对实施例1中的方案进行进一步地介绍，详见下文描述：
步骤1、使用P300-BCI获取30名被试的脑电数据作为通用数据集。
如图2所示，该P300-BCI的提示界面由三维编码的视觉刺激范式构成。
不同于传统的二维编码视觉刺激范式，在三维编码视觉刺激范式中每3次闪烁可定位一个目标字符。对于三维编码视觉刺激范式，首先将48个字符组成一个3*4*4(X,Y,Z三个相互垂直方向)的三维方格子中。
如图3所示，X方向上有三个栅格面，每个栅格面会有4*4＝16个字符，三个栅格面随机闪烁，并将闪烁标记为1-3；Y方向上有四个栅格面，每个栅格面会有3*4＝12个字符，四个栅格面随机闪烁，并将闪烁标记为4-7；Z方向上有四个栅格面，每个栅格面会有 3*4＝12个字符，四个栅格面随机闪烁，并将闪烁标记为8-11。
相比于传统的二维编码视觉刺激范式，三维编码的视觉刺激范式的信息传输率较高，三维定位也比二维定位更加精准，且在闪烁方式上，本发明采用随机闪烁的方式，使得视觉刺激更具有偶然性，可诱发出更加明显的P300信号。对于每个目标字符的输入，进行了Q＝10的轮次，每个目标字符的输入被称为一组。对于通用数据集中的30名被试，每名被试需要进行30个字母的拼写。
使用NeuroScan公司生产的64通道脑电系统，采样率为1000Hz，记录了20个电极通道(F7,F3,FZ,F4,F8,C3,CZ,C4,M1,TP7,TP8,M2,P3,PZ,P4,PO7,PO8,O1,OZ和O2)的脑电数据，头顶电极做参考，AFz电极接地。
步骤2、对通用数据集中的数据进行预处理，包括：变参考，去除眼电，带通滤波，降采样，去基线，波形分段。
变参考为M1,M2的平均参考，采用回归分析算法去除眼电伪迹。滤波通带为1～10Hz，降采样至40Hz，以每个试次的0～700ms为时间窗对数据进行分段，以每个试次-200～0ms 为基准对每个时间窗的数据进行基线校正。对应一个轮次，将获得(3+4+4)*28个样本点。
步骤3、生成分类器模型Mi和特征信号AvgEEGi。
针对每一个电极通道，经过降采样和波形分段之后的每个试次有28个采样点，由于变参考的时候将M1,M2的平均作为参考电极，最终共有20-2＝18个电极通道，将18个通道的28个采样点依照顺序首尾相连，作为每个试次的特征向量，长度为28*18＝504。
综上，通用数据集中的每名被试进行了30个字母的拼写，其中每个字母经过10个轮次的闪烁来精准定位字母位置，每个轮次有11个试次的闪烁，将每名通用数据集中被试的 30*10*11＝4950个试次的特征向量作为训练集，采用SVM算法对数据进行训练生成训练器模型Mi(用第i名被试的数据作为训练集得到的分类模型)。
假设，tEEGin表示第i名被试第n次目标刺激的特征向量，nEEGin表示第i名被试第n次非目标刺激的特征向量。将每名被试第一个轮次的3*10＝30个目标刺激和8*10＝80非目标刺激的特征向量进行叠加平均为：
Figure BDA0002292674400000041
Figure BDA0002292674400000042
其中，tAvgEEGi表示目标刺激叠加平均之后的特征向量。nAvgEEGi表示非目标刺激叠加平均之后的特征向量。
将tAvgEEGi与nAvgEEGi首尾相连得到AvgEEGi作为第i名被试的特征信号。
步骤4、采集新被试一个轮次的数据，并用步骤2和步骤3中相同的方法得到AvgEEGnew，计算AvgEEGnew和通用数据集中每名被试的AvgEEGi的Pearson相关性系数。
两个连续变量的Pearson相关性系数(ρ)等于他们之间的协方差(cov)除以他们各自标准差的乘积，即：
Figure BDA0002292674400000051
其中，ρnew，i表示新的被试与通用数据集中第i名被试特征信号的相关性系数。
步骤5、取Pearson相关性系数较高的被试对新被试的数据进行测试。
在通用数据集中选取20个与新被试Pearson相关性系数较高的被试，并用其之前训练好的MODELi分别对新被试后期的数据进行测试。
对于测试集中的每个轮次，假设特征向量Fkm是第k个轮次中第m个闪烁的特征向量。将Fkm放入分类器模型Mi中得到分类标签Lkm，分类标签值介于-1和1之间。如果分类标签值接近1，则表示分类器判定该试次更可能包含P300电位，是一个目标刺激；如果值接近 -1，则表示分类器判定该试次更可能是一个非目标刺激。
对于每一个特征向量Fkm，都将得到20个决策值，采用加权投票的方式。权重即为Pearson相关性系数(ρ)，一组闪烁(10个轮次)之后X方向某个闪烁的加权决策值为：
Figure BDA0002292674400000052
Y方向上编号为m的闪烁加权决策值为：
Figure BDA0002292674400000053
Z方向上编号为m的闪烁加权决策值为：
Figure BDA0002292674400000054
X方向包含目标字符的应该是分数值最高的那一个：
Xq＝argmax(Sxr(m))，1≤m≤3 (7)
Y方向包含目标字符的应该是分数值最高的那一个：
Yq＝argnax(Syr(m))，4≤m≤7 (8)
Z方向包含目标字符的应该是分数值最高的那一个：
Zq＝argmax(Szr(m))，8≤m≤11 (9)
根据Xq，Yq，Zq即可确定目标字符。
本发明在实施过程中，被试者只需要按照标准的基于EEG的脑-机接口的使用方法，戴上脑电帽实时采集脑电数据即可。本发明可减少新被试的实验建模时间，提高脑-机接口的实用性，有望将脑-机接口应用于电子娱乐、残障人康复、工业等领域。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于Pearson相关性系数加权的跨个体脑-机接口，其特征在于，所述跨个体脑-机接口包括：
提取若干名被试的脑电数据；
对每一名被试使用支持向量机将若干轮闪烁的数据作为训练集训练分类器模型和特征信号；
对于一名需要测量脑电数据的新被试首先提取其1轮闪烁的脑电信号进行相同的截取得到时域特征信号；
利用Pearson相关性系数找到和目标被试特征信号相关性高的通用模型中的几名被试，并用这几名被试的分类器模型对新被试的数据进行分类。
2.根据权利要求1所述的一种基于Pearson相关性系数加权的跨个体脑-机接口，其特征在于，所述提取若干名被试的脑电数据具体为：
使用P300-BCI获取被试的脑电数据作为通用数据集，P300-BCI的提示界面由三维编码的视觉刺激范式构成，且采用随机闪烁的方式；
分别将其1轮闪烁中目标刺激和非目标刺激的信号进行叠加平均，得到平均后的特征向量；将平均后的特征向量进行首尾相连，得到代表特定被试的脑电特征信号。
CN201911187184.6A 2019-11-28 2019-11-28 基于Pearson相关性系数加权的跨个体脑-机接口 Pending CN111012343A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911187184.6A CN111012343A (zh) 2019-11-28 2019-11-28 基于Pearson相关性系数加权的跨个体脑-机接口

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911187184.6A CN111012343A (zh) 2019-11-28 2019-11-28 基于Pearson相关性系数加权的跨个体脑-机接口

Publications (1)

Publication Number Publication Date
CN111012343A true CN111012343A (zh) 2020-04-17

Family

ID=70202750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911187184.6A Pending CN111012343A (zh) 2019-11-28 2019-11-28 基于Pearson相关性系数加权的跨个体脑-机接口

Country Status (1)

Country Link
CN (1) CN111012343A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733606A (zh) * 2020-12-11 2021-04-30 中国人民解放军国防科技大学 三人脑机接口协同决策系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102200833A (zh) * 2011-05-13 2011-09-28 天津大学 一种Speller BCI系统及其控制方法
CN104503580A (zh) * 2014-12-25 2015-04-08 天津大学 一种对稳态视觉诱发电位脑-机接口目标的识别方法
CN104536572A (zh) * 2014-12-30 2015-04-22 天津大学 一种基于事件相关电位的跨个体通用型脑机接口方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102200833A (zh) * 2011-05-13 2011-09-28 天津大学 一种Speller BCI系统及其控制方法
CN104503580A (zh) * 2014-12-25 2015-04-08 天津大学 一种对稳态视觉诱发电位脑-机接口目标的识别方法
CN104536572A (zh) * 2014-12-30 2015-04-22 天津大学 一种基于事件相关电位的跨个体通用型脑机接口方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WENTAO LIU 等: "A Cross-Subject SSVEP-BCI Based on Task Related Component Analysis", 《2019 41ST ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY (EMBC)》 *
刘晶: "基于事件相关电位的跨个体脑-机接口研究", 《中国优秀硕士学位论文全文数据库（电子期刊） 医药卫生科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733606A (zh) * 2020-12-11 2021-04-30 中国人民解放军国防科技大学 三人脑机接口协同决策系统及方法
CN112733606B (zh) * 2020-12-11 2023-05-23 中国人民解放军国防科技大学 三人脑机接口协同决策系统及方法

Similar Documents

Publication Publication Date Title
CN108960182B (zh) 一种基于深度学习的p300事件相关电位分类识别方法
Xu et al. BCI competition 2003-data set IIb: enhancing P300 wave detection using ICA-based subspace projections for BCI applications
CN106529476B (zh) 一种基于深层堆叠网络的脑电信号特征提取及分类方法
Ortiz-Rosario et al. Wavelet methodology to improve single unit isolation in primary motor cortex cells
Lin et al. Real-time EEG signal enhancement using canonical correlation analysis and Gaussian mixture clustering
CN112884063B (zh) 基于多元时空卷积神经网络的p300信号检测识别方法
Simbolon et al. An experiment of lie detection based EEG-P300 classified by SVM algorithm
CN109009098B (zh) 一种运动想象状态下的脑电信号特征识别方法
Metsomaa et al. Blind source separation of event-related EEG/MEG
Pfister et al. Robustifying independent component analysis by adjusting for group-wise stationary noise
Zhang et al. Removal of EEG artifacts for BCI applications using fully Bayesian tensor completion
Rong et al. Magnetoencephalographic artifact identification and automatic removal based on independent component analysis and categorization approaches
CN111012343A (zh) 基于Pearson相关性系数加权的跨个体脑-机接口
Hadiyoso et al. Signal Dynamics Analysis for Epileptic Seizure Classification on EEG Signals.
Delorme et al. Comparing results of algorithms implementing blind source separation of EEG data
CN112438741A (zh) 一种基于脑电特征迁移学习的驾驶状态检测方法及系统
Huang et al. Automatic artifact removal in EEG using independent component analysis and one-class classification strategy
Hsu et al. Tracking non-stationary EEG sources using adaptive online recursive independent component analysis
Yazdani et al. Classification of EEG signals correlated with alcohol abusers
CN110516711B (zh) Mi-bci系统的训练集质量评估方法和单次训练样本的优化方法
Ashtiyani et al. EEG Classification using Neural networks and Independent component analysis
Alsufyani A comparison of classification algorithms for Event Related Potentials
Ashari et al. EEG subspace analysis and classification using principal angles for brain-computer interfaces
Mazaeva et al. Self-Organizing Map (SOM) model for mental workload classification
Liu et al. Using self-organizing map for mental tasks classification in brain-computer interface

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200417

WD01 Invention patent application deemed withdrawn after publication