CN112200066A - 一种结合空间与频率的体感刺激脑机接口范式及实现方法 - Google Patents
一种结合空间与频率的体感刺激脑机接口范式及实现方法 Download PDFInfo
- Publication number
- CN112200066A CN112200066A CN202011071918.7A CN202011071918A CN112200066A CN 112200066 A CN112200066 A CN 112200066A CN 202011071918 A CN202011071918 A CN 202011071918A CN 112200066 A CN112200066 A CN 112200066A
- Authority
- CN
- China
- Prior art keywords
- data set
- stimulation
- matrix
- electroencephalogram
- frequency
- 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
Links
Images
Classifications
-
- 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
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种结合空间与频率的体感刺激脑机接口范式及实现方法,本发明设计的脑机接口范式采用结合了频率和空间信息的实验范式,刺激方式为左右手交替进行。实验范式仅使用两个刺激器,以频率区分目标刺激和干扰刺激,以空间区分不同的目标刺激,且一个实验序列仅刺激一个目标部位,目标刺激和干扰刺激比例为1:5,实验任务更为简单,不需要对信号叠加平均,仅使用一个刺激的信号即可达到较高的分类精度,更适用于闭锁综合征等患者和老年人。采用基于二次CSP的BCI算法模型对脑电信号数据进行处理,分类结果的精度更高,进行应用时相应的控制信号更加可靠。
Description
技术领域
本发明涉及脑机接口(BCI)范式,具体的,涉及一种结合空间与频率的体感刺激脑机接口范式及实现方法。
背景技术
许多疾病如中风、脑瘫、闭锁综合征等都会破环大脑与外部环境沟通和控制的神经通路,严重的患者甚至完全丧失了和外界交流的能力。这些患者无法正常的通过大脑输出途径与外界进行交流,这些问题严重影响了老年人的生存能力和生活品质。而脑机接口技术不依赖人体的外围神经肌肉通路,直接通过大脑与外界环境进行信息交流。因此,对于具有健康大脑思维但神经通路受损的患者来说,BCI技术为他们带来了恢复独立生活的希望。
根据EEG信号产生原理的不同,可以将BCI系统划分为自发式和诱发式。运动想象是最经典的自发式BCI系统,它通过检测用户运动意图的大脑信号,将其转化为输出控制指令,实现用户的控制目的。然而,MI-BCI往往需要不同程度的训练才能熟练使用,且想象任务容易引发脑疲劳。还有研究表明,很多人无法成功使用基于MI的BCI系统,这被称为“BCI文盲”现象。而基于P300的BCI具有操作简单,不需要初始训练的优势,所以,基于P300的BCI可能更适用于中风等患者和老年人。在P300 BCI系统中,视觉、听觉和触觉皆可诱发P300信号。但是基于视觉刺激的BCI系统存在一个很大的问题,尤其是对于老年人来说,长时间的闪烁刺激容易引起视觉疲劳,降低使用者的舒适度和准确率。基于听觉的BCI系统受环境干扰较大,准确率较低,因此国内外研究相对较少。基于触觉刺激的BCI的优点是不会增加视觉或听觉系统的负担,并且不易引起他人注意。
传统空间范式的体感刺激P300 BCI系统,其二分类的表现往往不如多分类,这是因为在二分类模式中,目标刺激和干扰刺激的比例相同,无法突出目标刺激的“小概率”性。Guger等人提出的二分类空间范式使用了三个刺激器,12名闭锁综合征患者经过两次训练可达到63.1%的平均分类精度。3名健康用户的平均精度达到了86.7%,但是需要12次叠加平均,输出一个指令需要38s。Zulay等人同样使用了三个刺激器,采用空间范式在6名闭锁综合征患者身上进行了二分类实验,经过4-7次叠加平均达到了55.3%的分类精度。在以上两种二分类的空间范式中均使用了三个刺激器,且需要一定的叠加平均次数才能达到较为满意的分类精度。
经过临床证明,将体感刺激与运动命令相结合具有改善中风后手功能的潜力。同时,BCI控制的准确性与康复结果呈正相关。但目前存在的范式多为复杂的多分类,实施较为困难,且往往需要经过一定的训练才能达到较好的分类精度。因此,开发一种范式简单,精度较高的体感刺激范式具有十分重要的现实意义。
发明内容
针对现有技术的不足,本发明提出了一种结合空间与频率的体感刺激脑机接口范式及实现方法,该范式为P300空间范式,与传统空间范式不同的是,在一次实验中只刺激一个目标部位。这种模式对于老年人来说更加简单,不需要训练,且更容易将注意力集中于目标刺激。对17名健康受试者进行了测试,平均分类正确率达到了94.97%(分类精度如图7所示)。这表明了本范式用于BCI系统的可行性,且更适用于视觉或听觉受损的患者。
本发明解决所述技术问题的技术方案是,设计一种结合空间与频率的体感刺激脑机接口范式,其特征在于,采用的实验范式为改进的Oddball范式,结合了频率和空间信息,具体包括左手刺激信号序列和右手刺激信号序列,均包含目标刺激和干扰刺激,其中目标刺激的震动频率为100Hz、持续时长150ms,干扰刺激的频率为23Hz、持续时长200ms;左手刺激信号序列和右手刺激信号序列均包含6个刺激信号,均为5个干扰刺激和1个目标刺激,其中目标刺激随机出现在6个刺激信号中,每个刺激的间隔为400ms;左手刺激信号序列与右手刺激信号序列之间间隔2s;接收刺激部位为左手和右手的食指指腹,左手刺激信号序列和右手刺激信号序列交替进行。
进一步的,本发明设计一种结合空间与频率的体感刺激脑机接口范式实现方法,其特征在于,该实现方法基于如上所述的脑机接口范式,其实现过程包括如下步骤:
步骤一:按照国际标准导联10-20系统电极放置方法,在使用者的头皮上安放测量电极,耳垂和前额位置安放参考电极和接地电极,将各个电极的脑电信号输出端接入到基于体感刺激的脑-机接口系统;
步骤二:将体感刺激输出模块的刺激信号输出端设置在使用者左、右手食指指腹,其设置有信号传输线与基于体感刺激的脑-机接口系统连接;
步骤三:调节体感刺激输出模块的刺激信号输出强度,使使用者对双手的刺激强度主观感受相同,且接收30分钟刺激信号不产生麻木感;
步骤四:对使用者加载如上所述的实验范式,以左、右手均接受四个刺激信号序列为一次实验,共进行8次实验,每次实验之间间隔1-2min。每一次实验过程中集中注意力关注其中一只手,8次实验中双手交替关注;
步骤五:构建脑电信号数据处理模型,验证上述实验范式的可行性,具体包括下述几个步骤:
(1)数据采集与预处理
在对使用者的双手加载上述8次实验时,基于体感刺激的脑-机接口系统通过测量电极和参考电极获得使用者的带有时刻标签的脑电信号数据,并根据刺激信号序列加载位置为左手和右手,将对应产生的带有时刻标签的脑电信号数据划分原始第一数据集和原始第二数据集;
对原始第一数据集和原始第二数据集进行0.5-30hz的粗滤波,并取双耳上的参考电极获取的脑电信号数据的平均值作为参考值,将经粗滤波后的原始第一数据集和原始第二数据集内的每一个测量电极的每一个时刻的脑电信号数据减去上述参考值进行参考重置,得到预处理第一数据集和预处理第二数据集;
然后,以目标刺激诱发的脑电信号作为锁时事件类型对预处理第一数据集和预处理第二数据集内的每一个测量电极的带有时刻标签的脑电信号数据各自分别进行分段,以目标刺激对应时间点为0时刻,提取每个测量电极的位于[-200ms,1000ms]时刻内的带有时刻标签的脑电信号数据矩阵,并以每个测量电极的位于[-200ms,0]时刻内的带有时刻标签的脑电信号数据的平均值作为对应测量电极的带有时刻标签的脑电信号数据矩阵的基线对其进行校正,得到有效第一数据集和有效第二数据集;
(2)特征提取与选择
对有效第一数据集与有效第二数据集内的脑电信号数据矩阵进行频率分析、时频分析和锁时ITC分析,确定采用如上所述的实验范式下采集到的脑电信号数据主要特征的频率范围;根据获得的频率范围所在的波段节律,将有效第一数据集与有效第二数据集内的脑电信号数据矩阵按各波段节律范围划分为相应波段节律数量的子集,将完成波段节律划分的两个数据集分别称为实验数据集A与实验数据集B;对实验数据集A与实验数据集B各随机选取70%的数据分别形成测试数据集X1和测试数据集X2,余下30%数据分别为验证数据集1和验证数据集2;
(3)构建基于二次CSP的BCI算法模型:
测试数据集X1和测试数据集X2为两分类任务下的多通道诱发响应时-空信号矩阵,测试数据集X1和测试数据集X2的维数均为N×T,N为测量电极个数,T为每个测量电极所采集的样本数;
测试数据集X1和测试数据集X2归一化后的协方差矩阵R1,R2分别为:
上式中,XT表示矩阵X的转置,trace(X)表示对矩阵对角线上元素求和;求解混合空间的协方差矩阵R:
对混合空间协方差矩阵R按式进行特征值分解,由于混合空间协方差矩阵R是正定矩阵,由奇异值分解定理进行特征分解:
R=UλUT (3)
上式中,U是矩阵λ的特征向量矩阵,λ为对应的特征值构成的对角阵,按特征值降序排列,可得白化特征值矩阵:
使用白化特征值矩阵对R1,R2进行如下转化:
S1=PR1PT,S2=PR2PT (5)
S1、S2具有公共特征向量,且存在两个对角矩阵λ1、λ2和相同的特征向量矩阵B,对S1、S2进行主分量分解,可得:
S1=Bλ1BT,S2=Bλ2BT (6)
两个特征值的对角阵λ1和λ2之和为单位矩阵:
λ1+λ2=I (7)
由此可得空间滤波器的投影矩阵W为:
W=BTP (8)
对于测试数据集X1来说,其特征向量fi提取方式如下:
将两个测试数据集X1,X2分别使用投影矩阵W进行空间滤波:
Zi=W×Xi (9)
然后提取特征向量:
把提取到的测试数据集X1和测试数据集X2的特征向量f1和f2作为下一次计算的测试数据集X11和测试数据集X22,重复一次公式(1)-(10)的过程,然后选取提取到的两个特征向量中的特征频率中的最大和最小的各6个特征构成空间滤波矩阵E;然后将空间滤波矩阵E输入到svm分类器中,对svm分类器进行训练,完成训练后,保存模型,至此,完成基于二次CSP的BCI算法模型的构建;
(4)测试基于二次CSP的BCI算法模型
将验证数据集1和验证数据集2输入到上述保存的基于二次CSP的BCI算法模型中,得到分类结果;将得到的分类结果与使用者自主关注顺序进行对比,计算分类精度;当分类精度不小于70%即认为该实验范式可行;
步骤六:按步骤四中所述的方式对使用者加载上述实验范式,进行多次实验来进行应用,并根据步骤五中的数据采集与预处理部分内容进行数据处理获得初始应用数据集1和初始应用数据集2,然后按步骤五中的特征提取与选择部分内容中的波段节律划分方式对初始应用数据集1和初始应用数据集2进行波段节律划分,得到有效应用数据集1和有效应用数据集2;将有效应用数据集1和有效应用数据集2输入到上述保存的基于二次CSP的BCI算法模型中,得到分类结果;根据分类结果触发相应的控制信号,进而控制外围设备或与外界进行交流。
与现有技术相比,本发明有益效果在于:本发明设计的脑机接口范式采用结合了频率和空间信息的实验范式,刺激方式为左右手交替进行。实验范式仅使用两个刺激器,以频率区分目标刺激和干扰刺激,以空间区分不同的目标刺激,且一个实验序列仅刺激一个目标部位,目标刺激和干扰刺激比例为1:5,实验任务更为简单,不需要对信号叠加平均,仅使用一个刺激的信号即可达到较高的分类精度,更适用于闭锁综合征等患者和老年人。并采用基于二次CSP的BCI算法模型对脑电信号数据进行处理,分类结果的精度更高,进行应用时相应的控制信号更加可靠。
附图说明
图1为本发明脑机接口范式一种实施例的实验范式结构示意图(图中的ti表示某一时刻ti);
图2为本发明脑机接口范式实现方法一种实施例的中央点(国际标准导联10-20系统中的Cz点)测量电极的刺激关注、刺激不关注和干扰刺激的脑电信号;
图3为本发明脑机接口范式实现方法一种实施例的刺激不关注情况下的29个测量电极能量信号(ERPs);
图4为本发明脑机接口范式实现方法一种实施例的刺激关注情况下的29个测量电极能量信号(ERPs);
图5为本发明脑机接口范式实现方法一种实施例的脑电信号数据矩阵的时频分析和锁时ITC分析结果图;
图6为传统的基于CSP的BCI算法模型图;
图7为采用本发明脑机接口范式实现方法对17个使用者测试所得的分类精度(图中横坐标数字分别代表17个使用者编号,纵坐标代表分类精度)。
具体实施方式
本发明提供一种结合空间与频率的体感刺激脑机接口范式(简称脑机接口范式),其特征在于,采用的实验范式为改进的Oddball范式,结合了频率和空间信息(图1),具体包括左手刺激信号序列和右手刺激信号序列,均包含目标刺激和干扰刺激,其中目标刺激的震动频率为100Hz、持续时长150ms,干扰刺激的频率为23Hz、持续时长200ms;左手刺激信号序列和右手刺激信号序列均包含6个刺激信号,均为5个干扰刺激和1个目标刺激,其中目标刺激随机出现在6个刺激信号中,每个刺激的间隔为400ms;左手刺激信号序列与右手刺激信号序列之间间隔2s。接收刺激部位为左手和右手的食指指腹,左手刺激信号序列和右手刺激信号序列交替进行。
受试者关注刺激部位的目标刺激则诱发较为明显的P300信号,忽略目标刺激则无法诱发或诱发较弱的P300信号,Cz点测量电极采集的干扰刺激脑电信号基本维持在0μV,目标刺激关注脑电信号在300ms处有明显的P300信号,如图2所示;此外,如图3-4所示,在300ms处,各测量电极的刺激关注能量(ERPs),明显高于刺激不关注,最终可产生两个控制信号和外界环境交互。
进一步,本发明提供一种结合空间与频率的体感刺激脑机接口范式实现方法,其特征在于,该实现方法基于如上所述的脑机接口范式,其实现过程包括如下步骤:
步骤一:按照国际标准导联10-20系统电极放置方法,在使用者的头皮上安放测量电极,耳垂和前额位置安放参考电极和接地电极,将各个电极的脑电信号输出端接入到基于体感刺激的脑-机接口系统;
步骤二:将体感刺激输出模块的刺激信号输出端设置在使用者左、右手食指指腹,其设置有信号传输线与基于体感刺激的脑-机接口系统连接。
步骤三:调节体感刺激输出模块的刺激信号输出强度,使使用者对双手的刺激强度主观感受相同,且接收30分钟刺激信号不产生麻木感。
步骤四:对使用者加载上述实验范式,以左、右手均接受四个刺激信号序列为一次实验,共进行8次实验,每次实验之间间隔1-2min。每一次实验过程中集中注意力关注其中一只手,8次实验中双手交替关注;
步骤五:构建脑电信号数据处理模型,验证上述实验范式的可行性,具体包括下述几个步骤:
(1)数据采集与预处理
在对使用者的双手加载上述8次实验时,基于体感刺激的脑-机接口系统通过测量电极和参考电极获得使用者的带有时刻标签的脑电信号数据,并根据刺激信号序列加载位置为左手和右手,将对应产生的带有时刻标签的脑电信号数据划分原始第一数据集和原始第二数据集;
对原始第一数据集和原始第二数据集进行0.5-30hz的粗滤波,并取双耳上的参考电极获取的脑电信号数据的平均值作为参考值,将经粗滤波后的原始第一数据集和原始第二数据集内的每一个测量电极的每一个时刻的脑电信号数据减去上述参考值进行参考重置,得到预处理第一数据集和预处理第二数据集;
然后,以目标刺激诱发的脑电信号作为锁时事件类型对预处理第一数据集和预处理第二数据集内的每一个测量电极的带有时刻标签的脑电信号数据各自分别进行分段,以目标刺激对应时间点为0时刻,提取每个测量电极的位于[-200ms,1000ms]时刻内的带有时刻标签的脑电信号数据矩阵,并以每个测量电极的位于[-200ms,0]时刻内的带有时刻标签的脑电信号数据的平均值作为对应测量电极的带有时刻标签的脑电信号数据矩阵的基线对其进行校正,得到有效第一数据集和有效第二数据集。
有效第一数据集与有效第二数据集的底层数据构成均为时域在[0,1000ms]内的测量电极数量个数(数据采集通道数,一个电极即为一个数据采集通道)的脑电信号数据矩阵,本实施例中的测量电极为29个;
(2)特征提取与选择
对有效第一数据集与有效第二数据集内的脑电信号数据矩阵进行频率分析、时频分析和锁时ITC分析,确定采用上述实验范式下采集到的脑电信号数据主要特征的频率范围;根据获得的频率范围所在的波段节律,将有效第一数据集与有效第二数据集内的脑电信号数据矩阵按各波段节律范围划分为相应波段节律数量的子集,将完成波段节律划分的两个数据集分别称为实验数据集A与实验数据集B;对实验数据集A与实验数据集B各随机选取70%的数据分别形成测试数据集X1和测试数据集X2,余下30%数据分别为验证数据集1和验证数据集2;
本实施例的脑电信号数据的主要特征位于20hz频率内(如图5所示,在ERPSHE ITC图中,能量均主要分布在0-20Hz,说明了可用信息主要在0-20Hz频段)。根据主要特征的频率范围,将脑电信号数据按照波段节律进行划分,进一步缩小脑电信号数据的频率范围,便于后续特征提取与分类。
本实施例中,对有效第一数据集与有效第二数据集内的脑电信号数据进行四波段滤波,提取0.5-20hz内的数据,按照波段节律δ波(0.5-3hz)、θ波(4-7hz)、α波(8-13hz)、β波(14hz以上)进行分频带通滤波器设计,以提取不同频段信息的频率特征,即将两个数据集内的每一个时域在[0,1000ms]内的脑电信号数据按δ波(0.5-3hz)、θ波(4-7hz)、α波(8-13hz)、β波(14hz以上)四个波段节律划分为四个子集,将完成四波段滤波的两个数据集分别称为实验数据集A与实验数据集B;对实验数据集A与实验数据集B各随机选取70%的数据分别形成测试数据集X1和测试数据集X2,余下30%数据分别为验证数据集1和验证数据集2;
(3)构建基于二次CSP的BCI算法模型:
共空间模式(CSP)是一种对两分类任务下的空域滤波特征提取算法,能够从多通道的脑机接口数据里面提取出每一类的空间分布成分。公共空间模式算法的基本原理是利用矩阵的对角化,找到一组最优空间滤波器进行投影,使得两类信号的方差值差异最大化,从而得到具有较高区分度的特征向量。
测试数据集X1和测试数据集X2为两分类任务(关注左手和关注右手)下的多通道诱发响应时-空信号矩阵,测试数据集X1和测试数据集X2的维数均为N×T,N为测量电极个数,本实施例为29个,T为每个测量电极所采集的样本数。为了计算其协方差矩阵,现在假设N<T。
测试数据集X1和测试数据集X2归一化后的协方差矩阵R1,R2分别为:
上式中,XT表示矩阵X的转置,trace(X)表示对矩阵对角线上元素求和。求解混合空间的协方差矩阵R:
对混合空间协方差矩阵R按式进行特征值分解,由于混合空间协方差矩阵R是正定矩阵,由奇异值分解定理进行特征分解:
R=UλUT (3)
上式中,U是矩阵λ的特征向量矩阵,λ为对应的特征值构成的对角阵,按特征值降序排列,可得白化特征值矩阵:
使用白化特征值矩阵对R1,R2进行如下转化:
S1=PR1PT,S2=PR2PT (5)
S1、S2具有公共特征向量,且存在两个对角矩阵λ1、λ2和相同的特征向量矩阵B,对S1、S2进行主分量分解,可得:
S1=Bλ1BT,S2=Bλ2BT (6)
两个特征值的对角阵λ1和λ2之和为单位矩阵:
λ1+λ2=I (7)
由此可得空间滤波器的投影矩阵W为:
W=BTP (8)
对于测试数据集X1来说,其特征向量fi提取方式如下:
将两个测试数据集X1,X2分别使用投影矩阵W进行空间滤波:
Zi=W×Xi (9)
然后提取特征向量:
把提取到的测试数据集X1和测试数据集X2的特征向量f1和f2作为下一次计算的测试数据集X11和测试数据集X22,重复一次公式(1)-(10)的过程,然后选取提取到的两个特征向量中的特征频率中的最大和最小的各6个特征构成空间滤波矩阵E;然后将空间滤波矩阵E输入到svm分类器中,对svm分类器进行训练,完成训练后,保存模型,至此,完成基于二次CSP的BCI算法模型的构建;
(4)测试基于二次CSP的BCI算法模型
将验证数据集1和验证数据集2输入到上述保存的基于二次CSP的BCI算法模型中,得到分类结果;将得到的分类结果与使用者自主关注顺序进行对比,计算分类精度;当分类精度不小于70%即认为该实验范式可行。
本实施例中,选取17位使用者,将得到的分类结果与使用者自主关注顺序进行对比,计算分类精度;本次实验中,平均分类精度达到90%以上,如图7所示,说明本发明脑机接口范式可行性好,其实现方法可靠度高。
步骤六:按步骤四中所述的方式对使用者加载上述实验范式,进行多次实验来进行应用,并根据步骤五中的数据采集与预处理部分内容进行数据处理获得初始应用数据集1和初始应用数据集2,然后按步骤五中的特征提取与选择部分内容中的波段节律划分方式对初始应用数据集1和初始应用数据集2进行波段节律划分,得到有效应用数据集1和有效应用数据集2;将有效应用数据集1和有效应用数据集2输入到上述保存的基于二次CSP的BCI算法模型中,得到分类结果;根据分类结果触发相应的控制信号,进而控制外围设备或与外界进行交流。
本发明脑机接口范式采用基于二次CSP的BCI算法模型实现,将CSP的BCI算法提取到的频率特征作为新的输入,用CSP进行进一步的空间滤波,取最大最小的6个特征构成空间滤波矩阵进行空间特征提取,同时实现数据降维,减小计算量,加快运行速度。
这里使用CSP的另一个优势是,由于算法本身特点,该方法得到的空域滤波器模型对于新的(测试)数据来说,只需保证主通道数(维度)相同,即用来特征提取的脑电信号的测量电极相同即可,识别准确率受提取数据时长影响不大,这为即时输出控制指令提供了更优的可能,更有利于后期的应用。传统的基于CSP的BCI算法流程图如图6所示。
本发明脑机接口范式及其实现方法在使用时,双手分别对应两个刺激控制信号,在使用过程中集中注意力于其中一只手的刺激信号,将采集到的脑电信号输入到训练好的模型得到分类结果,即可触发相应的控制信号,进而控制外围设备或与外界进行交流。
本发明未述及之处适用于现有技术。
Claims (5)
1.一种结合空间与频率的体感刺激脑机接口范式,其特征在于,采用的实验范式为改进的Oddball范式,结合了频率和空间信息,具体包括左手刺激信号序列和右手刺激信号序列,均包含目标刺激和干扰刺激,其中目标刺激的震动频率为100Hz、持续时长150ms,干扰刺激的频率为23Hz、持续时长200ms;左手刺激信号序列和右手刺激信号序列均包含6个刺激信号,均为5个干扰刺激和1个目标刺激,其中目标刺激随机出现在6个刺激信号中,每个刺激的间隔为400ms;左手刺激信号序列与右手刺激信号序列之间间隔2s;接收刺激部位为左手和右手的食指指腹,左手刺激信号序列和右手刺激信号序列交替进行。
2.一种结合空间与频率的体感刺激脑机接口范式实现方法,其特征在于,该实现方法基于如权利要求1所述的脑机接口范式,其实现过程包括如下步骤:
步骤一:按照国际标准导联10-20系统电极放置方法,在使用者的头皮上安放测量电极,耳垂和前额位置安放参考电极和接地电极,将各个电极的脑电信号输出端接入到基于体感刺激的脑-机接口系统;
步骤二:将体感刺激输出模块的刺激信号输出端设置在使用者左、右手食指指腹,其设置有信号传输线与基于体感刺激的脑-机接口系统连接;
步骤三:调节体感刺激输出模块的刺激信号输出强度,使使用者对双手的刺激强度主观感受相同,且接收30分钟刺激信号不产生麻木感;
步骤四:对使用者加载如权利要求1所述的实验范式,以左、右手均接受四个刺激信号序列为一次实验,共进行8次实验,每次实验之间间隔1-2min;每一次实验过程中集中注意力关注其中一只手,8次实验中双手交替关注;
步骤五:构建脑电信号数据处理模型,验证上述实验范式的可行性,具体包括下述几个步骤:
(1)数据采集与预处理
在对使用者的双手加载上述8次实验时,基于体感刺激的脑-机接口系统通过测量电极和参考电极获得使用者的带有时刻标签的脑电信号数据,并根据刺激信号序列加载位置为左手和右手,将对应产生的带有时刻标签的脑电信号数据划分原始第一数据集和原始第二数据集;
对原始第一数据集和原始第二数据集进行0.5-30hz的粗滤波,并取双耳上的参考电极获取的脑电信号数据的平均值作为参考值,将经粗滤波后的原始第一数据集和原始第二数据集内的每一个测量电极的每一个时刻的脑电信号数据减去上述参考值进行参考重置,得到预处理第一数据集和预处理第二数据集;
然后,以目标刺激诱发的脑电信号作为锁时事件类型对预处理第一数据集和预处理第二数据集内的每一个测量电极的带有时刻标签的脑电信号数据各自分别进行分段,以目标刺激对应时间点为0时刻,提取每个测量电极的位于[-200ms,1000ms]时刻内的带有时刻标签的脑电信号数据矩阵,并以每个测量电极的位于[-200ms,0]时刻内的带有时刻标签的脑电信号数据的平均值作为对应测量电极的带有时刻标签的脑电信号数据矩阵的基线对其进行校正,得到有效第一数据集和有效第二数据集;
(2)特征提取与选择
对有效第一数据集与有效第二数据集内的脑电信号数据矩阵进行频率分析、时频分析和锁时ITC分析,确定采用如权利要求1所述的实验范式下采集到的脑电信号数据主要特征的频率范围;根据获得的频率范围所在的波段节律,将有效第一数据集与有效第二数据集内的脑电信号数据矩阵按各波段节律范围划分为相应波段节律数量的子集,将完成波段节律划分的两个数据集分别称为实验数据集A与实验数据集B;对实验数据集A与实验数据集B各随机选取70%的数据分别形成测试数据集X1和测试数据集X2,余下30%数据分别为验证数据集1和验证数据集2;
(3)构建基于二次CSP的BCI算法模型:
测试数据集X1和测试数据集X2为两分类任务下的多通道诱发响应时-空信号矩阵,测试数据集X1和测试数据集X2的维数均为N×T,N为测量电极个数,T为每个测量电极所采集的样本数;
测试数据集X1和测试数据集X2归一化后的协方差矩阵R1,R2分别为:
上式中,XT表示矩阵X的转置,trace(X)表示对矩阵对角线上元素求和;求解混合空间的协方差矩阵R:
对混合空间协方差矩阵R按式进行特征值分解,由于混合空间协方差矩阵R是正定矩阵,由奇异值分解定理进行特征分解:
R=UλUT (3)
上式中,U是矩阵λ的特征向量矩阵,λ为对应的特征值构成的对角阵,按特征值降序排列,可得白化特征值矩阵:
使用白化特征值矩阵对R1,R2进行如下转化:
S1=PR1PT,S2=PR2PT (5)
S1、S2具有公共特征向量,且存在两个对角矩阵λ1、λ2和相同的特征向量矩阵B,对S1、S2进行主分量分解,可得:
S1=Bλ1BT,S2=Bλ2BT (6)
两个特征值的对角阵λ1和λ2之和为单位矩阵:
λ1+λ2=I (7)
由此可得空间滤波器的投影矩阵W为:
W=BTP (8)
对于测试数据集X1来说,其特征向量fi提取方式如下:
将两个测试数据集X1,X2分别使用投影矩阵W进行空间滤波:
Zi=W×Xi (9)
然后提取特征向量:
把提取到的测试数据集X1和测试数据集X2的特征向量f1和f2作为下一次计算的测试数据集X11和测试数据集X22,重复一次公式(1)-(10)的过程,然后选取提取到的两个特征向量中的特征频率中的最大和最小的各6个特征构成空间滤波矩阵E;然后将空间滤波矩阵E输入到svm分类器中,对svm分类器进行训练,完成训练后,保存模型,至此,完成基于二次CSP的BCI算法模型的构建;
(4)测试基于二次CSP的BCI算法模型
将验证数据集1和验证数据集2输入到上述保存的基于二次CSP的BCI算法模型中,得到分类结果;将得到的分类结果与使用者自主关注顺序进行对比,计算分类精度;当分类精度不小于70%即认为该实验范式可行;
步骤六:按步骤四中所述的方式对使用者加载上述实验范式,进行多次实验来进行应用,并根据步骤五中的数据采集与预处理部分内容进行数据处理获得初始应用数据集1和初始应用数据集2,然后按步骤五中的特征提取与选择部分内容中的波段节律划分方式对初始应用数据集1和初始应用数据集2进行波段节律划分,得到有效应用数据集1和有效应用数据集2;将有效应用数据集1和有效应用数据集2输入到上述保存的基于二次CSP的BCI算法模型中,得到分类结果;根据分类结果触发相应的控制信号,进而控制外围设备或与外界进行交流。
3.根据权利要求2所述的一种结合空间与频率的体感刺激脑机接口范式实现方法,其特征在于,有效第一数据集与有效第二数据集的底层数据构成均为时域在[0,1000ms]内的测量电极数量个数的脑电信号数据矩阵。
4.根据权利要求2所述的一种结合空间与频率的体感刺激脑机接口范式实现方法,其特征在于,采用如权利要求1所述的实验范式下采集到的脑电信号数据主要特征的频率范围位于20hz频率内。
5.根据权利要求2所述的一种结合空间与频率的体感刺激脑机接口范式实现方法,其特征在于,对有效第一数据集与有效第二数据集内的脑电信号数据每一个时域在[0,1000ms]内的脑电信号数据按δ波、θ波、α波、β波四个波段节律划分为四个子集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011071918.7A CN112200066B (zh) | 2020-10-09 | 2020-10-09 | 一种结合空间与频率的体感刺激脑机接口范式及实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011071918.7A CN112200066B (zh) | 2020-10-09 | 2020-10-09 | 一种结合空间与频率的体感刺激脑机接口范式及实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112200066A true CN112200066A (zh) | 2021-01-08 |
CN112200066B CN112200066B (zh) | 2022-04-08 |
Family
ID=74014151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011071918.7A Active CN112200066B (zh) | 2020-10-09 | 2020-10-09 | 一种结合空间与频率的体感刺激脑机接口范式及实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200066B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022188793A1 (zh) * | 2021-03-11 | 2022-09-15 | 腾讯科技(深圳)有限公司 | 生理电信号分类处理方法、装置、计算机设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399639A (zh) * | 2013-08-14 | 2013-11-20 | 天津医科大学 | 基于ssvep和p300联合脑机接口方法及装置 |
CN103440039A (zh) * | 2013-09-18 | 2013-12-11 | 中国人民解放军国防科学技术大学 | 基于状态反馈的脑机通讯速率自适应控制方法 |
US20150248470A1 (en) * | 2012-09-28 | 2015-09-03 | The Regents Of The University Of California | Systems and methods for sensory and cognitive profiling |
CN106569604A (zh) * | 2016-11-04 | 2017-04-19 | 天津大学 | 视听双模态语义匹配和语义失配协同刺激脑机接口范式 |
CN109078262A (zh) * | 2018-08-15 | 2018-12-25 | 北京机械设备研究所 | 一种基于外周神经电刺激的mi-bci训练方法 |
US20190107888A1 (en) * | 2017-10-06 | 2019-04-11 | Holland Bloorview Kids Rehabilitation Hospital | Brain-computer interface platform and process for classification of covert speech |
CN109645994A (zh) * | 2019-01-04 | 2019-04-19 | 华南理工大学 | 一种基于脑-机接口系统辅助评估视觉定位的方法 |
CN110955330A (zh) * | 2019-11-22 | 2020-04-03 | 燕山大学 | 基于复杂对象控制的高唤醒度的脑电意图辨析方法 |
CN111631908A (zh) * | 2020-05-31 | 2020-09-08 | 天津大学 | 基于脑机交互与深度学习的主动式手部训练系统及方法 |
-
2020
- 2020-10-09 CN CN202011071918.7A patent/CN112200066B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150248470A1 (en) * | 2012-09-28 | 2015-09-03 | The Regents Of The University Of California | Systems and methods for sensory and cognitive profiling |
CN103399639A (zh) * | 2013-08-14 | 2013-11-20 | 天津医科大学 | 基于ssvep和p300联合脑机接口方法及装置 |
CN103440039A (zh) * | 2013-09-18 | 2013-12-11 | 中国人民解放军国防科学技术大学 | 基于状态反馈的脑机通讯速率自适应控制方法 |
CN106569604A (zh) * | 2016-11-04 | 2017-04-19 | 天津大学 | 视听双模态语义匹配和语义失配协同刺激脑机接口范式 |
US20190107888A1 (en) * | 2017-10-06 | 2019-04-11 | Holland Bloorview Kids Rehabilitation Hospital | Brain-computer interface platform and process for classification of covert speech |
CN109078262A (zh) * | 2018-08-15 | 2018-12-25 | 北京机械设备研究所 | 一种基于外周神经电刺激的mi-bci训练方法 |
CN109645994A (zh) * | 2019-01-04 | 2019-04-19 | 华南理工大学 | 一种基于脑-机接口系统辅助评估视觉定位的方法 |
CN110955330A (zh) * | 2019-11-22 | 2020-04-03 | 燕山大学 | 基于复杂对象控制的高唤醒度的脑电意图辨析方法 |
CN111631908A (zh) * | 2020-05-31 | 2020-09-08 | 天津大学 | 基于脑机交互与深度学习的主动式手部训练系统及方法 |
Non-Patent Citations (5)
Title |
---|
XIANGKE HAN 等: ""A tactile-based brain computer interface P300 paradigm using vibration frequency and spatial location"", 《JOURNAL OF MEDICAL AND BIOLOGICAL ENGINEERING》 * |
刘烨: ""多模态脑电模式识别方法及其应用"", 《中国优秀博士学位论文全文数据库 信息科技辑》 * |
吕柄江等: ""实时功能磁共振成像及其应用"", 《科学通报》 * |
胡忠涛: ""基于稳态体感诱发电位的脑电特征识别及脑网络研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
韩莹: ""节律性视觉刺激调制下的脑电特征分析及神经响应模式研究"", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022188793A1 (zh) * | 2021-03-11 | 2022-09-15 | 腾讯科技(深圳)有限公司 | 生理电信号分类处理方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112200066B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110765920B (zh) | 基于卷积神经网络的运动想象分类方法 | |
Martinez et al. | Fully Online Multicommand Brain‐Computer Interface with Visual Neurofeedback Using SSVEP Paradigm | |
Yi et al. | Enhancing performance of a motor imagery based brain–computer interface by incorporating electrical stimulation-induced SSSEP | |
Pineda et al. | The effects of self-movement, observation, and imagination on/spl mu/rhythms and readiness potentials (RP's): toward a brain-computer interface (BCI) | |
Serby et al. | An improved P300-based brain-computer interface | |
US9211078B2 (en) | Process and device for brain computer interface | |
Kwak et al. | Error correction regression framework for enhancing the decoding accuracies of ear-EEG brain–computer interfaces | |
CN112084879B (zh) | 一种运动想象脑电的块选择共空间模式特征提取方法 | |
JP2017532093A (ja) | 脳活動信号に基づく治療および/またはユーザ装置の制御の方法およびシステム | |
Khan et al. | Brain–computer interface for single-trial EEG classification for wrist movement imagery using spatial filtering in the gamma band | |
Ko et al. | Enhancing the hybrid BCI performance with the common frequency pattern in dual-channel EEG | |
CN104978035A (zh) | 基于体感电刺激诱发p300的脑机接口系统及其实现方法 | |
Salvaris et al. | Classification effects of real and imaginary movement selective attention tasks on a P300-based brain–computer interface | |
Vuckovic et al. | Unimanual versus bimanual motor imagery classifiers for assistive and rehabilitative brain computer interfaces | |
Li et al. | Combining ERPs and EEG spectral features for decoding intended movement direction | |
CN112617863A (zh) | 一种面向左右脚运动意图侧向性识别的混合在线脑机接口方法 | |
CN112200066B (zh) | 一种结合空间与频率的体感刺激脑机接口范式及实现方法 | |
Wang et al. | Incorporating EEG and EMG patterns to evaluate BCI-based long-term motor training | |
CN114557708A (zh) | 基于脑电双特征融合的体感刺激意识检测装置和方法 | |
CN112560703B (zh) | 一种基于pf系数的多模态bci特征提取方法 | |
Lai et al. | A chromatic transient visual evoked potential based encoding/decoding approach for brain–computer interface | |
Volosyak et al. | A novel calibration method for SSVEP based brain-computer interfaces | |
Zhou et al. | Reducing false triggering caused by irrelevant mental activities in brain-computer interface based on motor imagery | |
CN113807402A (zh) | 抑制mi-bci系统误触发的系统及其训练和测试方法 | |
Junior et al. | Classifier for motor imagery during parametric functional electrical stimulation frequencies on the quadriceps muscle |
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 |