CN111783857A - 基于非线性网络信息图的运动想象脑机接口 - Google Patents

Abstract

本申请公开了一种基于非线性网络信息图的运动想象脑机接口，该运动想象脑机接口包括采集模块，配置用于采集大脑活动产生的多通道脑电信号；特征提取模块，配置用于构建多通道脑电信号的非线性信息图，并提取非线性信息图中的网络特征；分类模块，配置用于对网络特征进行分类。本申请实施例采用多通道运动想象脑电信号进行建模，并且综合了不同脑区间的非线性因果信息，由此提升了运动想象脑电分类辨识的准确度。

Description

基于非线性网络信息图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，具体涉及一种基于非线性网络信息图的运动想象脑机接口。

背景技术

BCI(Brain Computer Interface，脑机接口)技术是在人的大脑与外部设备之间建立直接连接通路，用于控制该外部设备的运行。在运动想象脑电信号的特征提取过程中，通常的方法是采用单通道脑电信号数据进行处理。

然而，在实现本发明的过程中，发明人发现根据单通道脑电信号数据所获得的关于网络结构的隐含信息不充分，这会造成分类准确率低，进而影响对外部设备的控制。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种基于非线性网络信息图的运动想象脑机接口，采用多通道运动想象脑电信号进行建模，并且综合不同脑区间的非线性因果信息，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非线性网络信息图的运动想象脑机接口，所述运动想象脑机接口包括：

采集模块，配置用于采集大脑活动产生的多通道脑电信号；

特征提取模块，配置用于构建所述多通道脑电信号的非线性信息图，并提取所述非线性信息图中的网络特征；

分类模块，配置用于对所述网络特征进行分类。

可选地，所述非线性信息图中各个神经元之间的输入输出转换函数为：

式(1)～(2)中，s_j表示神经元j电位的累加值，q表示层序号，w_ji表示输入层与隐层之间的权值，n_q表示隐层q神经元的节点数量，x_i表示输入矢量，θ_j表示阈值，f(·)表示激活函数。

可选地，所述网络特征包括不同脑电信号之间的连接矩阵和连接强度。

可选地，所述特征提取模块还配置用于对所述多通道脑电信号进行预处理，以保留所述多通道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，所述分类模块还配置用于根据预设递归策略，筛选所述网络特征。

可选地，所述预设递归策略包括每次剔除预定比例的所述网络特征，或者逐级减小特征数目序列中的任意一种。

可选地，当经过筛选的所述网络特征的维数大于预设维数时，通过主成分分析进行维数压缩。

可选地，所述分类模块为支持向量机。

可选地，所述运动想象脑机接口还包括控制设备模块，配置用于将经过分类的所述网络特征转换为外部设备的控制指令，并输出。

综上，本申请实施例提供的基于非线性网络信息图的运动想象脑机接口，该运动想象脑机接口包括采集模块，配置用于采集大脑活动产生的多通道脑电信号；特征提取模块，配置用于构建多通道脑电信号的非线性信息图，并提取非线性信息图中的网络特征；分类模块，配置用于对网络特征进行分类。本申请实施例采用多通道运动想象脑电信号进行建模，并且综合了不同脑区间的非线性因果信息，由此提升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非线性网络信息图的运动想象脑机接口的基本结构示意图；

图2为本申请实施例提供的一种运动想象实验时序示意图；

图3为本申请实施例提供的一种单个人工神经元的输入输出映射示意图；

图4为本申请实施例提供的一种逼近多输入单输出非线性映射示意图；

图5为本申请实施例提供的另一种逼近多输入单输出非线性映射示意图；

图6为本申请实施例提供的一种条件因果关系示意图；

图7为本申请实施例提供的另一种基于非线性网络信息图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7详细的阐述本申请实施例提供的基于非线性网络信息图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非线性网络信息图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：

采集模块101，配置用于采集大脑活动产生的多通道脑电信号。

需要说明的是，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，其为本申请实施例提供的一种运动想象实验时序示意图。其中，第0～2秒时间内显示界面为空白，第2～3秒时间内显示界面出现一个“+”字符号，用于提示准备开始左右手运动想象实验，第3～9秒时间内显示界面中显示不同方向的箭头，用于提示被测试者根据箭头的不同方向进行不同部位的运动想象。

特征提取模块102，配置用于构建多通道脑电信号的非线性信息图，并提取非线性信息图中的网络特征。

需要说明的是，由于非线性网络信息图方法符合生物神经元网络的非线性本质，同时具有建模拟合精度高、可反映多维信号间的动态因果关系以及不依赖于网络结构的先验知识等优势，因此更适合于辨识多通道脑电信号的网络结构。

下面对非线性信息图的构建过程进行详细说明，请参考图3所示，其为本申请实施例提供的一种单个人工神经元的输入输出映射示意图，图3中x₁,…,x_n表示其它神经元的输出，w_j1,…,w_jn表示其它神经元与第j个神经元连接的权值，可以为正值，也可以为负值。每个神经元满足：

y_j＝f(s_j)

上式中，s_j表示神经元j电位的累加值，θ_j表示阈值(一般为常量)，y_j表示神经元j的输出，f(·)表示激活函数，一般采用sigmod等非线性形式。

通过选择不同的激活函数f(·)、权值w_j1,…,w_jn以及网络的结构，可逼近任意的多输入单输出非线性映射Φ(X)，其结构如图4所示。在不预先指定网络结构复杂度的情况下，网络会包含多个隐层和多个输出，各个神经元之间的输入输出转换函数为：

式(1)～(2)中，s_j表示神经元j电位的累加值，q表示层序号，w_ji表示输入层与隐层之间的权值，n_q表示隐层q神经元的节点数量，x_i表示输入矢量，θ_j表示阈值，f(·)表示激活函数。

本申请实施例为了限制网络结构尽可能的简单，便于运算和处理，设置人工神经元网络共有3层，如图5所示，其中输入层神经元个数为n，隐层神经元个数为m，输出层神经元个数为1。那么，式(1)～(2)变形为：

当q＝1时，隐层神经元的输出

当q＝2时，输出层神经元的输出

需要说明的是，人工神经网络各层权值与阈值的初始值随机产生，并根据输入与输出的误差不断迭代以调整权值，直到满足精度时学习停止，得到训练好的网络。本申请实施例利用人工神经网络的特点，能够构造出任意的多输入单输出非线性映射。通过这种核函数在多变量向量回归模型下，进一步构造出多通道脑电信号的非线性信息图。由于神经网络具有较强的学习能力，不同脑电信号之间的连接矩阵和连接强度都可以通过学习训练得到。

另外由于在同一系统中，脑电信号之间互相存在影响，因而为更好地得到两个脑电信号间的“驱动-响应”关系，需要将其它序列的信息也考虑在内，即计算条件预测关系。

如图6所示，其为本申请实施例提供的一种条件因果关系示意图。从图6中可以看出，y对z有直接的作用关系，z对x也有直接的作用关系，而y对x的间接作用关系通过z来实现。因此，本申请实施例通过条件预测关系来辨识变量间的直接影响和间接影响，以分析变量之间真实的内在联系。

假设有三个平稳时间序列{x_t}、{y_t}和{z_t},t＝1,2,…,N。记x^k＝x_k+m，y^k＝y_k+m，X^k＝(x_k+m-1,x_k+m-2,…,x_k)，Y^k＝(y_k+m-1,y_k+m-2,…,y_k)，其中k＝1,2,…,M，M＝N-p，p表示模型的阶。

进一步地，定量分析在条件z的情况下，y对x的影响程度。用多变量回归模型表示，即：

x-W₁₁·Φ(X)-W₁₃·Π(Z)＝ε₃，var(ε₃)＝Σ₃ (6)

z-W₃₁·Φ(X)-W₃₃·Π(Z)＝υ₃，var(υ₃)＝γ₃ (7)

式(6)～(7)中，ε₃和υ₃表示预测误差，Φ和Π分别是由上述人工神经元网络拟合的p输入单输出的非线性映射函数。W₁₁、W₁₃、W₃₁和W₃₃采用最大似然法估计，模型的定阶采用HQ准则进行。由于HQ准则估计的最优阶数是真值p的一致估计量，可以使用不同的系统阶数反复估计多变量自回归模型，并综合考虑模型复杂度和辨识精度，得到使代价函数HQ(p)最小的p值，以此作为系统最优阶数。其中，模型的定阶也可以采用AIC(Akaike InformationCriterion)准则，以及FPE(Final Prediction Error)准则，本申请实施例对此不进行限定。

将x、y和z三个变量一起考虑，得到如下的多变量回归模型，即：

x-V₁₁·Φ(X)-V₁₂·Ψ(Y)-V₁₃·Π(Z)＝ε₄，var(ε₄)＝Σ₄ (8)

y-V₂₁·Φ(X)-V₂₂·Ψ(Y)-V₂₃·Π(Z)＝η₄，var(η₄)＝H₄ (9)

z-V₃₁·Φ(X)-V₃₂·Ψ(Y)-V₃₃·Π(Z)＝ν₄，var(ν₄)＝γ₄ (10)

在变量z已知的情况下，变量y对变量x的非线性预测强度可以表示为

若变量y对变量x没有直接作用关系，那么模型中V₁₂为0，Σ₃＝Σ₄，此时F_y→x|z＝0，表明在变量z已知的条件下，变量x和变量y之间是相互独立的。相反地，若变量y对变量x有直接作用关系，那么Σ₃>Σ₄，此时F_y→x|z>0。当进行变量间直接预测性判断时，应排斥掉经由第三者变量间接影响的可能，以保证直接预测性检验的可靠性。另外，在超过三个变量预测性检验的过程中，变量z需要扩展至除当前研究变量x和变量y之外的网络中其它所有变量集合，进而非线性映射函数也相应扩展。

可选地，特征提取模块102还配置用于对多通道脑电信号进行预处理，以保留多通道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。具体的，预处理的方式可以包括但不限于FIR滤波(Finite ImpulseResponse)、主成分分析(Principal Component Analysis，PCA)或者独立成分分析(Independent Component 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。

分类模块103，配置用于对网络特征进行分类。

可选地，分类模块103还配置用于根据预设递归策略，筛选网络特征，以改善运动想象脑电信号特征提取的质量。其中，预设递归策略包括每次剔除预定比例的网络特征，或者逐级减小特征数目序列中的任意一种，比如预定比例为50％。当经过筛选的网络特征的维数大于预设维数时，通过主成分分析进行维数压缩。在不损失测试精度的前提下，生成结构更简单的分类器。可选地，分类模块103为支持向量机。

比如，本申请实施例采用支持向量机递归特征剔除法(Supporting VectorMachine Recursive Feature Elimination，SVM-RFE)对增广后的特征进行筛选和运动想象BCI指令模式分类。具体的，用当前所有候选特征训练线性支持向量机，并评估当前所有特征在支持向量机中的相对贡献，按照相对贡献的大小排序。进而，根据事先确定的预设递归策略，剔除排序在后面的特征，用这组特征构成新的候选特征以进行训练，直到达到所规定的特征选择数目。

其中，支持向量机的输出函数为

支持向量机递归特征剔除法采用灵敏度的方法来判断各个特征在分类器中的贡献，即把输出与正确类别之间的平均平方误差作为分类器的损失函数，即

进一步地，考察各个权值对该损失函数的影响，得到各特征的贡献，即

可选地，在本申请的其它实施例中，如图7所示，运动想象脑机接口100还包括控制设备模块104，配置用于将经过分类的网络特征转换为外部设备的控制指令，并输出。

本申请实施例提供的基于非线性网络信息图的运动想象脑机接口，该运动想象脑机接口包括采集模块，配置用于采集大脑活动产生的多通道脑电信号；特征提取模块，配置用于构建多通道脑电信号的非线性信息图，并提取非线性信息图中的网络特征；分类模块，配置用于对网络特征进行分类。本申请实施例采用多通道运动想象脑电信号进行建模，并且综合了不同脑区间的非线性因果信息，由此提升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 (10)

1.一种基于非线性网络信息图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：

采集模块，配置用于采集大脑活动产生的多通道脑电信号；

特征提取模块，配置用于构建所述多通道脑电信号的非线性信息图，并提取所述非线性信息图中的网络特征；

分类模块，配置用于对所述网络特征进行分类。

2.根据权利要求1所述的基于非线性网络信息图的运动想象脑机接口，其特征在于，所述非线性信息图中各个神经元之间的输入输出转换函数为：

式(1)～(2)中，s_j表示神经元j电位的累加值，q表示层序号，w_ji表示输入层与隐层之间的权值，n_q表示隐层q神经元的节点数量，x_i表示输入矢量，θ_j表示阈值，f(·)表示激活函数。

3.根据权利要求1所述的基于非线性网络信息图的运动想象脑机接口，其特征在于，所述网络特征包括不同脑电信号之间的连接矩阵和连接强度。

4.根据权利要求1至3中任意一项所述的基于非线性网络信息图的运动想象脑机接口，其特征在于，所述特征提取模块还配置用于对所述多通道脑电信号进行预处理，以保留所述多通道脑电信号中的有用信息和去除噪声。

5.根据权利要求4所述的基于非线性网络信息图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。

6.根据权利要求1所述的基于非线性网络信息图的运动想象脑机接口，其特征在于，所述分类模块还配置用于根据预设递归策略，筛选所述网络特征。

7.根据权利要求6所述的基于非线性网络信息图的运动想象脑机接口，其特征在于，所述预设递归策略包括每次剔除预定比例的所述网络特征，或者逐级减小特征数目序列中的任意一种。

8.根据权利要求6所述的基于非线性网络信息图的运动想象脑机接口，其特征在于，当经过筛选的所述网络特征的维数大于预设维数时，通过主成分分析进行维数压缩。

9.根据权利要求6至8中任意一项所述的基于非线性网络信息图的运动想象脑机接口，其特征在于，所述分类模块为支持向量机。

10.根据权利要求1所述的基于非线性网络信息图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控制设备模块，配置用于将经过分类的所述网络特征转换为外部设备的控制指令，并输出。

Images