CN111736690B - 基于贝叶斯网络结构辨识的运动想象脑机接口 - Google Patents

基于贝叶斯网络结构辨识的运动想象脑机接口 Download PDF

Info

Publication number
CN111736690B
CN111736690B CN202010448769.5A CN202010448769A CN111736690B CN 111736690 B CN111736690 B CN 111736690B CN 202010448769 A CN202010448769 A CN 202010448769A CN 111736690 B CN111736690 B CN 111736690B
Authority
CN
China
Prior art keywords
brain
bayesian network
motor imagery
computer interface
network structure
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
CN202010448769.5A
Other languages
English (en)
Other versions
CN111736690A (zh
Inventor
董朝轶
贾婷婷
陈晓艳
任婧雯
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.)
Inner Mongolia University of Technology
Original Assignee
Inner Mongolia University of Technology
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 Inner Mongolia University of Technology filed Critical Inner Mongolia University of Technology
Priority to CN202010448769.5A priority Critical patent/CN111736690B/zh
Publication of CN111736690A publication Critical patent/CN111736690A/zh
Application granted granted Critical
Publication of CN111736690B publication Critical patent/CN111736690B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Algebra (AREA)
  • Neurosurgery (AREA)
  • Dermatology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)

Abstract

本申请公开了一种基于贝叶斯网络结构辨识的运动想象脑机接口，该运动想象脑机接口包括信号采集模块，配置用于采集大脑活动产生的脑电信号；信号处理模块，配置用于根据预先构建的贝叶斯网络，提取脑电信号的特征得到特征向量，并对特征向量进行分类；控制设备模块，配置用于将经过分类的特征向量转换为外部设备的控制指令，并输出。本申请实施例在脑电信号模式的分类过程中，通过引入贝叶斯网络建模方法，提取不同脑区间的网络信息流作用强度和方向来作为分类特征，由于引入了脑网络不同脑区间的因果性作用关系，从而扩充了分类特征集，显著提高了运动想象脑电分类辨识的准确度。

Description

基于贝叶斯网络结构辨识的运动想象脑机接口
技术领域
本发明一般涉及医疗器械技术领域，具体涉及一种基于贝叶斯网络结构辨识的运动想象脑机接口。
背景技术
现代社会中，不少疾病比如脑中风、脊髓损伤和肌萎缩侧索硬化症等能降低或是损伤神经系统的传送功能以及对肌肉的控制能力。当病情发展严重之后，患者可能会丧失说话能力，或是对自身机体的控制能力。因此，如何帮助患者达到生活上的自理，实现其与外界交流的目的是亟需解决的问题。
目前存在两种方式，一种是从人体运动的主体出发，借助外周神经和肌肉组织，控制假肢和轮椅等康复辅助器具，实现患者缺失的运动功能；另一种是从人体产生运动的源头出发，即脑机接口(Brain Computer Interface，BCI)技术直接读取大脑信息，将患者的思维信息转化为控制指令，完成患者对外部世界的交流与控制。
然而在现有BCI技术中，只提取相同脑区间的脑电信号特征，这会降低运动想象脑电分类辨识的准确度，影响患者与外界的交流和控制。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种基于贝叶斯网络结构辨识的运动想象脑机接口，能够提升运动想象脑电分类辨识的准确度。
本申请提供一种基于贝叶斯网络结构辨识的运动想象脑机接口，所述运动想象脑机接口包括：
信号采集模块，配置用于采集大脑活动产生的脑电信号；
信号处理模块，配置用于根据预先构建的贝叶斯网络，提取所述脑电信号的特征得到特征向量，并对所述特征向量进行分类；
控制设备模块，配置用于将经过分类的所述特征向量转换为外部设备的控制指令，并输出。
可选地，所述信号采集模块采集的方式包括侵入式或者非侵入式中的任意一种。
可选地，所述信号处理模块还配置用于对所述脑电信号进行预处理，以保留所述脑电信号中的有用信息和去除噪声。
可选地，所述预处理包括滤波和去伪迹。
可选地，所述预处理的方式包括FIR滤波、主成分分析或者独立成分分析中的任意一种。
可选地，所述预先构建的贝叶斯网络中利用高斯分布描述所述脑电信号的分布特征，并且将所述信号采集模块中电极之间的物理关系作为约束条件。
可选地，所述预先构建的贝叶斯网络中分类器包括线性分类器和/或非线性分类器。
可选地，所述线性分类器包括线性支持向量机或者线性判别分析中的任意一种。
可选地，所述非线性分类器包括神经网络、非线性支持向量机或者隐马尔科夫模型中的任意一种。
可选地，所述运动想象脑机接口还包括反馈模块，配置用于接收所述外部设备的运行信息，并根据所述运行信息发出提示。
综上，本申请实施例提供的基于贝叶斯网络结构辨识的运动想象脑机接口，该运动想象脑机接口包括信号采集模块，配置用于采集大脑活动产生的脑电信号；信号处理模块，配置用于根据预先构建的贝叶斯网络，提取脑电信号的特征得到特征向量，并对特征向量进行分类；控制设备模块，配置用于将经过分类的特征向量转换为外部设备的控制指令，并输出。本申请实施例在脑电信号模式的分类过程中，通过引入贝叶斯网络建模方法，提取不同脑区间的网络信息流作用强度和方向来作为分类特征，由于引入了脑网络不同脑区间的因果性作用关系，从而扩充了分类特征集，显著提高了运动想象脑电分类辨识的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请实施例提供的一种基于贝叶斯网络结构辨识的运动想象脑机接口的基本结构示意图；
图2为本申请实施例实时采集的一种脑电信号的波形示意图；
图3为本申请实施例提供的一个五节点贝叶斯网络的结构示意图；
图4为本申请实施例提供的一种基于贝叶斯网络结构辨识的运动想象脑电信号分析流程示意图；
图5为本申请实施例提供的一个八节点贝叶斯网络结构的示意图；
图6为本申请实施例提供的一个最大似然树结构示意图；
图7为本申请实施例提供的一种贝叶斯网络增边示意图；
图8为本申请实施例提供的一种贝叶斯网络减边示意图；
图9为本申请实施例提供的另一种贝叶斯网络减边示意图；
图10为本申请实施例提供的一种左运动想象的贝叶斯网络示意图；
图11为本申请实施例提供的一种右运动想象的贝叶斯网络示意图；
图12为本申请实施例提供的一种基于贝叶斯网络结构辨识的运动想象脑机接口的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了便于理解和说明，下面通过图1至图12详细的阐述本申请实施例提供的基于贝叶斯网络结构辨识的运动想象脑机接口。
请参考图1，其为本申请实施例提供的一种基于贝叶斯网络结构辨识的运动想象脑机接口的基本结构示意图。该运动想象脑机接口100包括：
信号采集模块101，配置用于采集大脑活动产生的脑电信号。
需要说明的是，信号采集模块101采集的方式包括侵入式或者非侵入式中的任意一种。具体的，侵入式信号采集的方法是将电极插入脑皮层下，由此采集的大脑神经元上的脑电信号具有较高的精度，且噪声较小；而非侵入式信号采集的方法通过将电极贴附在头皮上，以测量头皮表面的脑电信号，即可直接获取到大脑活动所产生的脑电信号，具有易采集和无创性的优势。
举例说明，本申请实施例中使用32通道脑电设备，采用非侵入式信号采集的方法对脑皮层运动想象脑电信号进行采集。实验之前，在脑电采集帽电极内打入导电膏，并将电极阻抗降至5kΩ，采样频率设置为500Hz，整个过程在安静的条件下进行。如图2所示，其为本申请实施例实时采集的一种脑电信号的波形示意图。
信号处理模块102，配置用于根据预先构建的贝叶斯网络，提取脑电信号的特征得到特征向量，并对特征向量进行分类。
控制设备模块103，配置用于将经过分类的特征向量转换为外部设备的控制指令，并输出，从而控制外部设备实现与外界进行交互的作用。
需要说明的是，预先构建的贝叶斯网络中利用高斯分布描述脑电信号的分布特征，并且将信号采集模块101中电极之间的物理关系作为约束条件。由于常用特征提取算法，比如小波变换、AR(Auto Regressive，AR)模型、功率谱估计(Power Spectral Density，PSD)和共空间模式(Common Spatial Pattern，CSP)等提取的特征单一，而本申请实施例利用贝叶斯网络对脑电信号进行特征提取，可以得到多通道脑电信号之间的因果关系，进而得到各个导联之间的相互关系，扩充了分类特征集，显著提高了运动想象脑电分类辨识的准确度。
下面对贝叶斯网络结构和基于评分的贝叶斯网络结构学习进行详细地说明，贝叶斯网络是一种表示变量间概率分布的图形模型，它充分综合了先验知识以及数据分布特征，并通过图论的方式准确描述出变量之间的因果关系。
①贝叶斯网络结构
用贝叶斯网络表示n个随机变量X＝(X1，X2，…，Xn)的联合概率分布通常包括两部分，即网络结构ES和变量间关联性的概率参数EP。其中，ES包括网络节点的集和节点间的有向连接边的集，每条有向连接边表示节点间的概率依赖程度；EP＝{P(Xi|∏i)|1≤i≤n}，Xi表示网络中的神经元节点，∏i是Xi的父节点。假设节点代表各个导联，节点间的边代表导联之间的相互关系。请参考图3所示，其为本申请实施例提供的一个五节点贝叶斯网络的结构示意图。由图3可知，节点N1和节点N2是节点N3的父节点，共同作用节点N3；节点N3又和节点N4是节点N5的父节点，共同作用节点N5。
在事件A发生的前提下，事件B发生的可能性记作P(B|A)，称为A发生时B的条件概率。假设B1，B2，…，Bn是样本空间事件，P(Bi)发生的概率被叫做先验概率，可根据先验知识估计获得。把事件A发生的前提下，事件Bi发生的概率P(Bi|A)叫做后验概率。随着样本数据的不断更新，后验概率也不断变化。根据计算得到的后验概率P(Bi|A)再作为先验概率P(Bi)对数据进行调整，得到新的后验概率，整个过程不断迭代。
全概率公式：假设A1，A2，…，An∈R，事件之间相互独立，P(Ai)>0，i＝1,2,…,n。且，
Figure BDA0002506916770000061
则对任何事件B∈R，有：
Figure BDA0002506916770000062
贝叶斯公式：假设A1，A2，…，An∈R，事件之间相互独立，P(Ai)>0，i＝1,2,…,n。则对任何P(B)>0的事件B，B∈R，有：
Figure BDA0002506916770000063
②基于评分的贝叶斯网络结构学习
基于评分的贝叶斯网络结构学习从一个初始网络出发，利用搜索方法进行网络的操作(比如，加边、减边等)，再通过评分函数计算结构的得分，判断网络结构是否优于旧结构，一直到找到最好的结构为止。因此，基于评分的贝叶斯网络结构学习算法主要分为评分函数和搜素最佳评分两部分。
请参考图4所示，其为本申请实施例提供的一种基于贝叶斯网络结构辨识的运动想象脑电信号分析流程示意图，具体包括如下步骤：
S401，脑电信号预处理。
具体的，信号处理模块102还配置用于对脑电信号进行滤波和去伪迹等预处理，以保留脑电信号中的有用信息和去除噪声。由于脑电信号是一种低信噪比的生物电信号，表现为信号幅度十分微弱，信号中存在大量的噪声和伪迹，噪声的来源包括非神经元噪声和神经元噪声等多种。其中，非神经元噪声包括眼动伪迹、肌电干扰和工频干扰等，神经元噪声包括自发的与运动想象无关的信号、以及与感兴趣特征脑电无关的其它特征信号等，这些不需要的信号应尽可能地去除。因此，本申请实施例通过对所采集的脑电信号进行预处理，保留了原始信号中的有用信息，并去除了噪声，以防对分类结果造成巨大影响。
可选地，预处理的方式可以包括但不限于FIR滤波(Finite Impulse Response)、主成分分析(Principal Component Analysis，PCA)或者独立成分分析(IndependentComponent Analysis，ICA)中的任意一种。其中，主成分分析用于估计线性模型参数，具体在脑电信号各个导联分布的基础上，把它分解为相互独立的成分，进而去除伪迹成分，通过重构得到脑电信号；独立成分分析通过建立目标函数以寻求最优解来实现逼近，使得分离出来的各个独立分量最大程度上逼近于源信号。理论上，脑电信号中眼电和肌电等干扰信号都是由相互独立的信源产生，因此可以通过独立成分分析的方法进行预处理。
S402，根据条件独立性测试结果和导联位置分布，确定父子节点集。
比如，本申请实施例基于Fisher判别法确定任意两节点是否独立，从而得到每个节点的父子节点集∏1。鉴于越相近的导联获取脑电信号所包含的神经活动越相近，本申请实施例再根据导联的物理位置分布选取出每个导联的四邻域导联作为其父子节点集∏2，进而确定∏＝∏1∩∏2作为最终的父子节点集。
S403，基于条件互信息评分的贝叶斯网络结构学习。
举例说明，如图5所示，其为本申请实施例提供的一个八节点贝叶斯网络结构的示意图，即该贝叶斯网络包括X1～X8等八个节点。假设已知导联Xi及连续父节点Y，则其条件概率密度如式(3)所示。
Figure BDA0002506916770000071
式(3)中，Bi表示权值矩阵，μi表示均值，∑i表示协方差矩阵。
如果存在m个独立同分布的样本集D，那么式(3)的最大似然估计可以表示为
Figure BDA0002506916770000072
由式(3)和式(4)联立，可得
Figure BDA0002506916770000073
通过式(5)进行最大似然估计得到相应的均值、协方差和权值，如图6所示，其为本申请实施例提供的一个最大似然树结构示意图。
BIC评分是一种常用的评分方法，具体计算如式(6)所示：
Figure BDA0002506916770000074
式(6)中，LL表示最大似然估计的对数，d表示参数的个数，n表示变量的个数。对于连续变量，通过计算变量概率密度或者条件概率密度的最大似然估计来进行区分，如式(7)所示：
Figure BDA0002506916770000081
式(7)中，m表示样本个数，Θ表示连续分布的相关参数。
本申请实施例搜索过程采用爬山法来找出评分最高的网络结构，比如从图5所示的网络结构开始搜索，在搜索过程中通过增边(如图7所示)、减边(如图8～9所示)等过程对当前模型进行局部修改，并得到一系列的候选网络结构。进而，通过BIC评分方法对各个候选网络结构进行评分计算，即将候选网络中最优的评分与原始网络评分对比，如果最优评分大于原始网络评分，那么以该最优评分的网络结构作为当前结构继续搜索过程，否则停止搜索并返回原始模型。
S404，统计得到左、右贝叶斯网络显著性差异边。
具体的，本申请实施例通过连续变量贝叶斯网络方法构建左右运动想象网络，并分别统计网络结构中的公共边，根据公共边的显著差异来进行运动想象模式的判别。比如，本申请实施例选取C1～C6、CZ、CP3、CP4、FC3和FC4等11个导联数据进行分析。为便于直观显示出网络结构的差异，如图10～11所示，其分别为本申请实施例提供的一种左、右运动想象的贝叶斯网络示意图。其中，“×”表示左右显著性差异最大的边，也就是用于进行左右判别的边。
S405，根据显著性差异边进行判别分析。
需要说明的是，特征提取的作用是从脑电信号中提取出能够反映受试者不同思维状态的脑电特征，并将其转换为特征向量作为分类器的输入。因此，本申请实施例选取所辨识的贝叶斯网络结构中的连接及强度作为新的特征变量集合。
而脑电信号分类的目的是将脑活动转变成计算机命令，以实现脑机之间的交互。在实际应用中，特征分类主要是寻找一个以特征向量为输入的判别函数，并且该分类器能识别出不同的脑电信号，因此需要根据提取的脑电特征和分类数目选择合适的分类器。可选地，该预先构建的贝叶斯网络中分类器包括线性分类器和/或非线性分类器。其中，线性分类器包括线性支持向量机或者线性判别分析中的任意一种；而非线性分类器包括神经网络、非线性支持向量机或者隐马尔科夫模型中的任意一种。
可选地，在本申请的其它实施例中，如图12所示，运动想象脑机接口100还包括反馈模块104，其配置用于接收外部设备的运行信息，并根据运行信息发出提示。本申请实施例通过反馈模块104可以把外部设备的运行情况等信息反馈给使用者，以便使用者能实时地调整自己的脑电信号。
本申请实施例提供的基于贝叶斯网络结构辨识的运动想象脑机接口，该运动想象脑机接口包括信号采集模块，配置用于采集大脑活动产生的脑电信号；信号处理模块，配置用于根据预先构建的贝叶斯网络，提取脑电信号的特征得到特征向量，并对特征向量进行分类；控制设备模块，配置用于将经过分类的特征向量转换为外部设备的控制指令，并输出。本申请实施例在脑电信号模式的分类过程中，通过引入贝叶斯网络建模方法，提取不同脑区间的网络信息流作用强度和方向来作为分类特征，由于引入了脑网络不同脑区间的因果性作用关系，从而扩充了分类特征集，显著提高了运动想象脑电分类辨识的准确度。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种基于贝叶斯网络结构辨识的运动想象脑机接口，其特征在于，所述运动想象脑机接口包括：
信号采集模块，配置用于采集大脑活动产生的脑电信号；
信号处理模块，配置用于根据预先构建的贝叶斯网络，提取所述脑电信号的特征得到特征向量，并对所述特征向量进行分类，其中所述预先构建的贝叶斯网络利用高斯分布描述所述脑电信号的分布特征，并且将所述信号采集模块中电极之间的物理关系作为约束条件，所述预先构建的贝叶斯网络中分类器包括线性分类器和/或非线性分类器；
采用基于评分的贝叶斯网络结构学习方法，从一个初始网络出发，采用爬山法寻找评分最高的网络结构，在搜索过程中通过增边、减边过程对当前模型进行局部修改，并得到一系列的候选网络结构；再通过BIC评分方法对各个候选网络结构进行评分计算，将候选网络中最优的评分与原始网络评分对比，如果最优评分大于原始网络评分，那么以该最优评分的网络结构作为当前结构继续搜索过程，否则停止搜索并返回原始模型；
在脑电信号模式的分类过程中引入贝叶斯网络建模方法，提取不同脑区间的网络信息流作用强度和方向来作为分类特征，通过引入脑网络不同脑区间的因果性作用关系，以扩充分类特征集，提高运动想象脑电分类辨识的准确度；
控制设备模块，配置用于将经过分类的所述特征向量转换为外部设备的控制指令，并输出。
2.根据权利要求1所述的基于贝叶斯网络结构辨识的运动想象脑机接口，其特征在于，所述信号采集模块采集的方式包括侵入式或者非侵入式中的任意一种。
3.根据权利要求1所述的基于贝叶斯网络结构辨识的运动想象脑机接口，其特征在于，所述信号处理模块还配置用于对所述脑电信号进行预处理，以保留所述脑电信号中的有用信息和去除噪声。
4.根据权利要求3所述的基于贝叶斯网络结构辨识的运动想象脑机接口，其特征在于，所述预处理包括滤波和去伪迹。
5.根据权利要求4所述的基于贝叶斯网络结构辨识的运动想象脑机接口，其特征在于，所述预处理的方式包括FIR滤波、主成分分析或者独立成分分析中的任意一种。
6.根据权利要求1所述的基于贝叶斯网络结构辨识的运动想象脑机接口，其特征在于，所述线性分类器包括线性支持向量机或者线性判别分析中的任意一种。
7.根据权利要求1所述的基于贝叶斯网络结构辨识的运动想象脑机接口，其特征在于，所述非线性分类器包括神经网络、非线性支持向量机或者隐马尔科夫模型中的任意一种。
8.根据权利要求1至7中任意一项所述的基于贝叶斯网络结构辨识的运动想象脑机接口，其特征在于，所述运动想象脑机接口还包括：
反馈模块，配置用于接收所述外部设备的运行信息，并根据所述运行信息发出提示。
CN202010448769.5A 2020-05-25 2020-05-25 基于贝叶斯网络结构辨识的运动想象脑机接口 Active CN111736690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010448769.5A CN111736690B (zh) 2020-05-25 2020-05-25 基于贝叶斯网络结构辨识的运动想象脑机接口

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010448769.5A CN111736690B (zh) 2020-05-25 2020-05-25 基于贝叶斯网络结构辨识的运动想象脑机接口

Publications (2)

Publication Number Publication Date
CN111736690A CN111736690A (zh) 2020-10-02
CN111736690B true CN111736690B (zh) 2023-07-14

Family

ID=72647683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010448769.5A Active CN111736690B (zh) 2020-05-25 2020-05-25 基于贝叶斯网络结构辨识的运动想象脑机接口

Country Status (1)

Country Link
CN (1) CN111736690B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114305333B (zh) * 2021-12-16 2024-06-25 广州大学 一种基于脑网络和深度学习的脑电信号识别方法
CN117238486B (zh) * 2023-11-14 2024-02-02 西南医科大学附属医院 一种基于元胞自动机的脊髓损伤评定方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010182287A (ja) * 2008-07-17 2010-08-19 Steven C Kays 適応型インテリジェント・デザイン
CN109978222A (zh) * 2019-01-04 2019-07-05 国网山东省电力公司电力科学研究院 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103190904B (zh) * 2013-04-03 2014-11-05 山东大学 基于缺项特征的脑电图分类检测装置
CN104127179B (zh) * 2014-04-13 2016-04-06 北京工业大学 一种优势电极组合与经验模式分解的脑电特征提取方法
CN106726030B (zh) * 2016-11-24 2019-01-04 浙江大学 基于临床脑电信号控制机械手运动的脑机接口系统及其应用
US20190205761A1 (en) * 2017-12-28 2019-07-04 Adeptmind Inc. System and method for dynamic online search result generation
CN109450834B (zh) * 2018-10-30 2020-10-27 北京航空航天大学 基于多特征关联和贝叶斯网络的通信信号分类识别方法
CN109691996A (zh) * 2019-01-02 2019-04-30 中南大学 一种基于混合二进制编码的脑电信号特征优选及分类器优选方法
CN110555468A (zh) * 2019-08-15 2019-12-10 武汉科技大学 一种联合递归图和cnn的脑电信号识别方法及系统
CN110974221A (zh) * 2019-12-20 2020-04-10 北京脑陆科技有限公司 一种基于混合函数相关向量机的混合脑机接口系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010182287A (ja) * 2008-07-17 2010-08-19 Steven C Kays 適応型インテリジェント・デザイン
CN109978222A (zh) * 2019-01-04 2019-07-05 国网山东省电力公司电力科学研究院 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BIC评分贝叶斯网络模型及其应用;王书海;刘刚;綦朝晖;;计算机工程(第15期);第229-233页 *
氧化铝生产的蒸发过程故障检测仿真研究;李根;刘雄飞;胡志坤;;计算机仿真(第10期);第378-382页 *

Also Published As

Publication number Publication date
CN111736690A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
Sangaiah et al. An intelligent learning approach for improving ECG signal classification and arrhythmia analysis
Benalcázar et al. Hand gesture recognition using machine learning and the Myo armband
Ren et al. Affective assessment by digital processing of the pupil diameter
Ren et al. Off-line and on-line stress detection through processing of the pupil diameter signal
CN110969108B (zh) 一种基于自主运动想象脑电的肢体动作识别方法
Behnam et al. Real-time seizure prediction using RLS filtering and interpolated histogram feature based on hybrid optimization algorithm of Bayesian classifier and Hunting search
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
CN111736690B (zh) 基于贝叶斯网络结构辨识的运动想象脑机接口
Kang et al. A method of denoising multi-channel EEG signals fast based on PCA and DEBSS algorithm
CN110175510B (zh) 基于脑功能网络特征的多模式运动想象识别方法
CN113274037B (zh) 一种动态脑功能网络的生成方法、系统及设备
CN109009098B (zh) 一种运动想象状态下的脑电信号特征识别方法
Stergiadis et al. Which BSS method separates better the EEG Signals? A comparison of five different algorithms
Krauledat Analysis of nonstationarities in EEG signals for improving brain-computer interface performance
Islam et al. Probability mapping based artifact detection and wavelet denoising based artifact removal from scalp EEG for BCI applications
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
Dzitac et al. Identification of ERD using fuzzy inference systems for brain-computer interface
CN113935380A (zh) 一种基于模板匹配的自适应运动想象脑机接口方法与系统
Cososchi et al. EEG features extraction for motor imagery
CN111671421B (zh) 一种基于脑电图的儿童需求感知方法
CN116595437B (zh) 零校准迁移学习分类模型的训练方法、设备和存储介质
Trad et al. Nonlinear and nonstationary framework for feature extraction and classification of motor imagery
Behrouzi et al. Understanding power of graph convolutional neural network on discriminating human EEG signal
Lin et al. Online recursive ICA algorithm used for motor imagery EEG signal
Massar et al. DWT-BSS: Blind Source Separation applied to EEG signals by extracting wavelet transform’s approximation coefficients

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