CN112379782A - 一种基于脑电信号的鼠标控制方法 - Google Patents
一种基于脑电信号的鼠标控制方法 Download PDFInfo
- Publication number
- CN112379782A CN112379782A CN202011460083.4A CN202011460083A CN112379782A CN 112379782 A CN112379782 A CN 112379782A CN 202011460083 A CN202011460083 A CN 202011460083A CN 112379782 A CN112379782 A CN 112379782A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- mouse
- signals
- classifier
- classification
- 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
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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Dermatology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Human Computer Interaction (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脑电信号的鼠标控制方法,为克服现有脑电信号模式分类精度低且不稳定,算法复杂导致实际应用不理想的问题,步骤如下:1)训练模型:(1)脑电信号采集;(2)脑电信号处理;(3)训练分类器模型;(4)存储分类器模型;2)使用模型:(1)调用分类器模型;(2)脑电信号采集;(3)脑电信号处理;(4)分类器模型分类:二号蓝牙装置(6)接收数字信号并传给计算机(7),将数字信号导入到分类器模型中,得到分类器结果;(5)鼠标命令转化:分类器模型结果输入软件(8)编写的代码,从而对应到计算机(7)鼠标箭头的一个动作,动作包括鼠标上移、鼠标下移、鼠标左移、鼠标右移、鼠标点击,至此完成鼠标控制。
Description
技术领域
本发明涉及智能控制领域中的一种分类方法,更确切地说,本发明涉及一种基于脑电信号的鼠标控制方法。
背景技术
脑电信号(EEG,Electroencephalgrahy)是反映人类大脑活动的一种非常有效和常见的生物电工具指标。将电极放置在人的头皮表层可以采集到这种生物电信号。脑电信号是一种典型的生物电信号,它不仅具有生物电信号的部分基本属性,还具有抗干扰性差,非平稳性、随机性强,非线性等特点。因为脑电信号有随机性强的特点,所以每个人的脑电波各频率成分存在异同,就算是同一个体,其在进行多种不同的思维活动时,脑电信号也会呈现出不同的节律和振幅。为了便于研究,研究领域根据脑电信号频率的高低将其分为δ波、θ波、α波及β波4类,δ波:频率在0.5Hz~4Hz范围内,波幅在10μV~20μV之间,通常在额部出现,睡眠时容易被测到。θ波:频率在4Hz~8Hz范围内,波幅在20μV~40μV之间,一般在额区、颞区出现。成年人处于失望或挫折等感情压抑时,θ波表现较明显。α波:频率在8Hz~13Hz范围内,波幅在10μV~100μV范围之间。常分布在枕、顶、后颞区,在闭眼状态下α波表现突出。β波:频率在14Hz~30Hz范围内,波幅在20μV以下。人在激动的时候β波易出现。随着人工智能、机器学习和大数据分析功能的不断强化,人们能从脑电信号中挖掘出的有用信息越来越多,这也使得脑电的可操作性与稳定性得到了不断的增强,脑机接口技术应运而生;通过检测获取神经脑电信号的变化,然后根据脑电信号的变化进行分类并识别出用户的动作意图,再利用计算机把思维活动的信号转变成控制指令驱动外部设备,从而通过大脑思维实现对外部设备的控制。
全球由于安全事故,自然灾害等原因造成的高位截瘫患者和失去双臂的残疾人的数量正逐年增加,如何为身体机能部分缺失的人群提供更丰富的生活活动,满足生活娱乐需要,成为需要解决的问题。
发明内容
本发明所要解决的技术问题是克服了现有技术存在的现有脑电信号模式分类精度低且不稳定,算法复杂导致实际应用不理想的问题,提供了一种基于脑电信号控制鼠标的方法。
为解决上述技术问题,本发明是采用如下技术方案实现的:所述的一种基于脑电信号的鼠标控制方法包括步骤如下:
1)训练模型:
(1)脑电信号采集;
(2)脑电信号处理;
(3)训练分类器模型;
(4)存储分类器模型:
将训练分类器模型步骤中生成的5个SVM分类器构成的分类器模型存储到计算机中;
2)使用模型:
(1)调用分类器模型;
在计算机上调用训练模型中存储的分类器模型,调用后计算机接收的数字信号直接输入到分类器模型中;
(2)脑电信号采集;
(3)脑电信号处理;
(4)分类器模型分类:
二号蓝牙装置接收数字信号并传输给计算机,将数字信号导入到分类器模型中,得到分类器结果;
(5)鼠标命令转化:
分类器模型结果输入软件编写的代码,从而对应到计算机鼠标箭头的一个动作,动作包括鼠标上移、鼠标下移、鼠标左移、鼠标右移、鼠标点击,至此完成鼠标控制。
技术方案中所述的脑电信号采集是指:
1)接通一号电源后使用者佩戴安装有18个脑电信号采集电极的脑电信号采集头盔;
2)使用者需进行5次不同的想象活动,每次想象活动想象鼠标的左移、右移、上移、下移和点击五个动作的其中之一,产生对应想象活动的脑电信号;
3)脑电信号采集电极采集被试者脑电信号,采样频率为250HZ。
技术方案中所述的脑电信号处理是指:
1)调节脑电信号处理装置电压放大参数,其内部通过电压放大器将脑电信号放大至200uV;
2)调节脑电信号处理装置中带通滤波器的上下限截至频率为0.5HZ和100HZ,其内部是将放大后的脑电信号导入0.5~100HZ带通滤波器,以此来筛选固定频段的脑电信号,0.5~100HZ频段脑电信号为可获取的可分类脑电信号,获得此频段脑电信号是实现脑电信号分类的前提;
3)调节脑电信号处理装置将2)步骤处理得到的脑电信号导入50HZ工频陷波器进行陷波处理,旨在消除噪声干扰;
4)调节脑电信号处理装置使通过带通滤波和工频陷波处理的脑电信号再由脑电放大器放大,脑电信号经过步骤2)、步骤3)的处理导致电压损失,利用脑电放大器再次放大脑电信号;
5)脑电信号处理装置自动输出数字信号,其内部是将经过脑电放大器放大的脑电信号导入A/D转换器将时间连续、幅值也连续的模拟量转换为时间离散、幅值也离散的数字信号,使用A/D转换器目的是方便计算机处理,得到的数字信号通过一号蓝牙装置发送。
技术方案中所述的训练分类器模型具体操作步骤为:
1)计算机获取脑电信号处理装置处理得到的数字信号,此数字信号为所有脑电信号采集电极采集的脑电信号经脑电信号处理装置处理得到,即全部通道信号;
2)脑电信号采集对比电极选择AF3,脑电信号采集电极有16个,根据本设计采用“一对多”数据分析方法,鼠标上移、下移、左移、右移及点击5个想象活动作为5个分类类别,每个分类类别都有16个脑电信号采集电极的数据,选取其中一个分类类别的16个脑电信号采集电极作为参考通道信号,其余4个分类类别共64个通道为其它通道信号;
3)将采集电极AF3中对应分类类别的数字信号与其它各个脑电信号采集电极中对应分类类别的数字信号进行CC算法计算并得到互相关序列,然后计算上一步AF3中对应分类类别脑电信号与其余四个分类类别共64个通道的脑电信号的互相关序列,这样每个分类类别都可以得到79个互相关序列,对应五个分类类别。计算互相关序列,假设其中一个类别为类别“1”,将AF3中类别“1”的信号与其他15个脑电信号采集电极中类别中“1”的信号进行Cross-Correlation计算得到互相关序列,因此得到15个互相关序列;计算AF3中类别“1”的信号与其他四个类别共64个脑电信号采集通道的脑电信号的互相关序列,由此得到66个互相关序列;
4)提取六种统计特征
由上述1)步骤、2)步骤每个类别可得到79个互相关序列;由数据分析计算得到每个互相关序列的均值,中位数,众数,标准差,最大值以及最小值来表征采集得到的脑电信号,以进一步降低数据维度;
5)训练SVM。
技术方案中所述的训练SVM是指:
“一对多”策略中要对各个分类建立对应的分类器,属于此分类的样例均设置为正例,其余的均设置为负例,假定A/B/C/D/E分别为鼠标上移、下移、左移、右移及鼠标点击五个想象活动;设定模型a/b/c/d/e分别代表五种“一对多”的分类器模型,向各个分类器中输入对应的特征向量,训练得出五种分类模型;分类过程中只有一个分类器输出预测为正的结果,则将其对应的分类作为最终分类结果;若不止一个分类器输出预警均是正,则选择置信度最大的分类作为预期分类结果,利用SVM分类器进行分类,对于样本z={(xi,yi)}:i=1,2,...n,xi∈Rn表示第i个样本的特征向量,yi为xi的分类标签,yi∈{1,2,...k},k为分类个数;
SVM目的是在最大支持向量间距的边沿处寻找得到一个最优超平面,这个超平面能将两种类别以最大间距分开且保证错分程度最小,SVM在线性可分是决策规则如下:f(x)=sgn{w·x+b},其中w为权值向量;b为偏置量;超平面寻找过程公式如下:
其中松弛变量ξi,惩罚函数为常数C,上述参数为制模型对错分样本的惩罚程度;若要解决分线性问题,将高纬度特征空间的内积用核函数代替,将原来的低纬度空间的线性不可分难题映射到高纬度空间中使其变为线性可分问题;对五个模式分类采用“一对多”方法构建5个SVM分类器,每构造一个分类器,对这个分类器fi按照训练样本中属于第i类的样本上贴上“+1”的标签,其余均贴上“-1”的标签,对样本数据进行训练,最终得到5个决策函数fj(x);对未知类别进行测试时,需要对测试样本分别计算5个子分类器的判别函数值,最大的函数值所对应的类别即作为给测试样本判别出的最终类别;xlabel=argmaxj=1,2, ...mfj(x),其中,arg表示fj(x)函数取最大值时下标j的值,xlabel为类别标签,得到的5种SVM分类器,SVM分类器1、SVM分类器2、SVM分类器3、SVM分类器4、SVM分类器5分别对应鼠标上移、鼠标下移、鼠标左移、鼠标右移、鼠标点击五个想象活动,这5个SVM分类器构成分类器模型。
与现有技术相比本发明的有益效果是:
1.本发明所述的一种基于脑电信号的鼠标控制方法利用多通道信号互相关序列降低脑电信号噪声优化脑电信号分类效果。
2.本发明所述的一种基于脑电信号的鼠标控制方法采用多分类器完成多分类任务,与传统的单一分类器完成多分类任务相比在性能与准确率上都有提升。
附图说明
下面结合附图对本发明作进一步的说明:
图1为本发明所述的一种基于脑电信号的鼠标控制方法中所采用的控制装置结构原理示意图;
图2为本发明所述的一种基于脑电信号的鼠标控制方法中所采用的脑电信号采集电极安装位置示意图;
图3为本发明所述的一种基于脑电信号的鼠标控制方法中训练模式工作流程框图;
图4为本发明所述的一种基于脑电信号的鼠标控制方法中脑电信号处理装置的工作流程框图;
图5为本发明所述的一种基于脑电信号的鼠标控制方法的处理多通道脑电信号的流程框图;
图6为本发明所述的一种基于脑电信号的鼠标控制方法的使用模式工作流程框图;
图7为本发明所述的一种基于脑电信号的鼠标控制方法的工作流程框图;
图中:1.一号电源,2.脑电信号采集头盔,3.脑电信号采集电极,4.脑电信号处理装置,5.一号蓝牙装置,6.二号蓝牙装置,7.计算机,8.软件,9.二号电源。
具体实施方式
下面结合附图对本发明作详细的描述:
参阅图1,本发明所述的一种基于脑电信号控制鼠标的方法中所采用的一种基于脑电信号控制鼠标的控制装置包括一号电源1,脑电信号采集头盔2、脑电信号采集电极3、脑电信号处理装置4、一号蓝牙装置5、二号蓝牙装置6、计算机7与二号电源9。
所述的一号电源1为可充电电池,可重复使用,其充电电压为220V交流电;一号电源1与脑电信号采集头盔2采用有线连接方式为脑电采集头盔2供电,供电电压为15V,供电电流为直流电。
所述的脑电信号采集头盔2用来安装脑电信号采集电极3,头盔材质不可导电,头盔大小根据使用者自身情况而定;
参阅图2,所述的脑电信号采集电极3用来采集使用者脑电信号,所有脑电信号采集电极包括16个湿电极,两个参考电极,参考电极不采集脑电信号,共18个电极。安装位置按照国际10/20系统分布于AF3、AF4、F3、F4、F7、F8、FC5、FC6、T7、T8、CMS、DRL、P7、P8、O1、O2、A1、A2,其中A1与A2为参考电极,电极具体摆放位置如图中所示;电极主要由铜片构成,电极使用时用生理盐水浸泡1~2min。
所述的脑电信号处理装置4与脑电信号采集电极3采用有线连接方式连接,对采集得到的脑电信号进行前置放大、带通滤波、工频陷波、二级放大、A/D转换,脑电信号处理装置采用UEA-BZ全数字化脑电放大器,该装置内置放大器、带通滤波器、工频陷波器以及A/D转换器;
所述的一号蓝牙装置5与脑电信号处理装置4采用有线连接方式连接,用于发送数字信号;
所述的二号蓝牙装置6与计算机7通过蓝牙配对连接,用于接收数字信号并发送到计算机7,一号蓝牙装置5与二号蓝牙装置6均采用HC05型号,HC05是一款蓝牙转串口转化器,允许设备间的无线通信;连接时只需打开蓝牙,其可完成自动配对连接。
所述的计算机7内安装有软件8,计算机7是软件8的运行载体,计算机7的型号为Windows7以上,64位操作系统;
所述的软件8是特征提取分类算法与鼠标命令转换软件程序。
所述的二号电源9为计算机7供电,供电电压为220V。
所述的一种基于脑电信号的鼠标控制方法包括训练模型和使用模型:
参阅图3,训练模型的具体步骤如下:
1.脑电信号采集
1)接通一号电源1后使用者佩戴安装有18个脑电信号采集电极3的脑电信号采集头盔2;
2)使用者需进行5次不同的想象活动,每次想象活动想象鼠标的左移、右移、上移、下移和点击五个动作的其中之一,产生对应想象活动的脑电信号;
3)脑电信号采集电极3采集被试者脑电信号,采样频率为250HZ;
2.脑电信号处理
参阅图4,利用脑电信号处理装置4对脑电信号采集电极3采集得到的脑电信号进行处理,具体操作步骤为:
1)调节脑电信号处理装置4电压放大参数,其内部通过电压放大器将脑电信号放大至200uV;
2)调节脑电信号处理装置4中带通滤波器的上下限截至频率为0.5HZ和100HZ,其内部是将放大后的脑电信号导入0.5~100HZ带通滤波器,以此来筛选固定频段的脑电信号,0.5~100HZ频段脑电信号为可获取的可分类脑电信号,获得此频段脑电信号是实现脑电信号分类的前提;
3)调节脑电信号处理装置4将2)步骤处理得到的脑电信号导入50HZ工频陷波器进行陷波处理,旨在消除噪声干扰;
4)调节脑电信号处理装置4使通过带通滤波和工频陷波处理的脑电信号再由脑电放大器放大,脑电信号经过步骤2)、步骤3)的处理可能导致电压损失,利用脑电放大器再次放大脑电信号;
5)脑电信号处理装置4自动输出数字信号,其内部是将经过脑电放大器放大的脑电信号导入A/D转换器将时间连续、幅值也连续的模拟量转换为时间离散、幅值也离散的数字信号,使用A/D转换器目的是方便计算机7处理,得到的数字信号通过一号蓝牙装置5发送;
3.训练分类器模型
二号蓝牙装置6接收数字信号并传输给计算机7,以计算机7为载体利用特征提取分类算法对数字信号进行特征提取并利用SVM分类器训练分类器模型,分类得到的分类结果后,通过在软件8上编写逻辑代码将分类结果转化为鼠标控制指令;在计算机7上利用软件8编写特征提取分类算法对数字信号进行特征提取和分类,特征提取分类算法为,利用CC(Cross-Correlation)算法推广的“一对多”方案对脑电信号进行特征提取,简单的两脑电信号采集电极信号的互相关序列的数学公式如下:
其中Rxy为互相关序列,x[i]为参考信号,y[i]为其余非参考信号;N(N>1)为采样点数,m为时移参量,由上述表达式可知,当信号x和信号y包括M个样本点时,则两脑电信号采集电极信号的互相关序列会产生2M-1个样本。
参阅图5,具体操作步骤为:
1)计算机7获取脑电信号处理装置4处理得到的数字信号,此数字信号为所有脑电信号采集电极3采集的脑电信号经脑电信号处理装置4处理得到,即全部通道信号;
2)脑电信号采集对比电极选择AF3,脑电信号采集电极有16个,根据本设计采用“一对多”数据分析方法,鼠标上移、下移、左移、右移及点击五个想象活动作为5个分类类别,每个分类类别都有16个脑电信号采集电极3的数据,选取其中一个分类类别的16个脑电信号采集电极3作为参考通道信号,其余4个分类类别共64个通道为其它通道信号;
3)将采集电极AF3中对应分类类别的数字信号与其它各个脑电信号采集电极3中对应分类类别的数字信号进行CC算法计算并得到互相关序列,然后计算上一步AF3中对应分类类别脑电信号与其余四个分类类别共64个通道的脑电信号的互相关序列,这样每个分类类别都可以得到79个互相关序列,对应五个分类类别。计算互相关序列,假设其中一个类别为类别“1”,将AF3中类别“1”的信号与其他15个脑电信号采集电极3中类别中“1”的信号进行Cross-Correlation计算得到互相关序列,因此得到15个互相关序列;计算AF3中类别“1”的信号与其他四个类别共64个脑电信号采集通道的脑电信号的互相关序列,由此得到66个互相关序列;
4)提取六种统计特征
由上述1)步骤、2)步骤每个类别可得到79个互相关序列;由数据分析计算得到每个互相关序列的均值,中位数,众数,标准差,最大值以及最小值来表征采集得到的脑电信号,以进一步降低数据维度;
5)训练SVM
“一对多”策略中要对各个分类建立对应的分类器,属于此分类的样例均设置为正例,其余的均设置为负例,假定A/B/C/D/E分别为鼠标上移、下移、左移、右移及鼠标点击五个想象活动;设定模型a/b/c/d/e分别代表五种“一对多”的分类器模型,向各个分类器中输入对应的特征向量,训练得出五种分类模型;分类过程中只有一个分类器输出预测为正的结果,则将其对应的分类作为最终分类结果;若不止一个分类器输出预警均是正,则选择置信度最大的分类作为预期分类结果,利用SVM分类器进行分类,对于样本z={(xi,yi)}:i=1,2,...n,xi∈Rn表示第i个样本的特征向量,yi为xi的分类标签,yi∈{1,2,...k},k为分类个数。
SVM目的是在最大支持向量间距的边沿处寻找得到一个最优超平面,这个超平面能将两种类别以最大间距分开且保证错分程度最小,SVM在线性可分是决策规则如下:f(x)=sgn{w·x+b},其中w为权值向量;b为偏置量;超平面寻找过程公式如下:
其中松弛变量ξi,惩罚函数为常数C,上述参数为制模型对错分样本的惩罚程度;若要解决分线性问题,将高纬度特征空间的内积用核函数代替,将原来的低纬度空间的线性不可分难题映射到高纬度空间中使其变为线性可分问题;对五个模式分类采用“一对多”方法构建5个SVM分类器,每构造一个分类器,对这个分类器fi按照训练样本中属于第i类的样本上贴上“+1”的标签,其余均贴上“-1”的标签,对样本数据进行训练,最终得到5个决策函数fj(x);对未知类别进行测试时,需要对测试样本分别计算5个子分类器的判别函数值,最大的函数值所对应的类别即作为给测试样本判别出的最终类别;xlabel=argmaxj=1,2, ...mfj(x),其中,arg表示fj(x)函数取最大值时下标j的值,xlabel为类别标签,得到的5种SVM分类器,SVM分类器1、SVM分类器2、SVM分类器3、SVM分类器4、SVM分类器5分别对应鼠标上移、鼠标下移、鼠标左移、鼠标右移、鼠标点击五个想象活动,这5个SVM分类器构成分类器模型。
4.存储分类器模型
将训练分类器模型步骤3中生成的5个SVM分类器构成的分类器模型存储到计算机7中;
通过利用软件8编写代码,将鼠标上移、鼠标下移、鼠标左移、鼠标右移、鼠标点击五个想象活动经过分类器模型处理得到5个结果分别对应计算机7中鼠标箭头的上移、下移、左移、右移、点击。
参阅图6,使用模型的具体步骤如下:
1.调用分类器模型
在计算机7上调用训练模型中存储的分类器模型,调用后计算机7接收的数字信号直接输入到分类器模型中;
2.脑电信号采集
使用者在脑电信号采集头盔2上安装全部18个脑电信号采集电极3并接通一号电源1,接通一号电源1后使用者佩戴脑电信号采集头盔2,使用者每次进行不同的想象活动,每次想象活动想象鼠标的左移、右移、上移、下移和点击五个动作的其中之一即可产生对应想象活动的脑电信号,脑电信号采集电极3采集被试者脑电信号;
3.脑电信号处理
参阅图4,利用脑电信号处理装置4对采集得到的脑电信号进行处理,具体操作步骤为:
1)调节脑电信号处理装置4电压放大参数,其内部通过电压放大将脑电信号放大至200uV;
2)调节脑电信号处理装置4中带通滤波器的上下限截至频率为0.5HZ和100HZ,其内部是将放大后的脑电信号导入0.5~100HZ带通滤波器,以此来筛选固定频段的脑电信号,0.5~100HZ频段脑电信号为可获取的可分类脑电信号,获得此频段脑电信号是实现脑电信号分类的前提;
3)调节脑电信号处理装置4将2)步骤处理得到的脑电信号导入50HZ工频陷波器进行陷波处理,旨在消除噪声干扰;
4)调节脑电信号处理装置4使通过带通滤波器和工频陷波器处理的脑电信号再由二级放大器放大信号,脑电信号经过步骤2)、3)的处理可能导致脑电信号电压降低,利用二级放大器再次放大脑电信号,二级放大器同1)步骤中电压放大器原理相同;
5)设置脑电信号处理装置4输出数字信号,其内部是将经过二级放大器放大的脑电信号导入A/D转换器将时间连续、幅值也连续的模拟量转换为时间离散、幅值也离散的数字信号,使用A/D转换器目的是方便计算机7处理,得到的数字信号通过一号蓝牙装置5发送;
4.分类器模型分类
二号蓝牙装置6接收数字信号并传输给计算机7,将数字信号导入到分类器模型中,得到分类器结果;
5.鼠标命令转化
分类器模型结果输入软件8编写的代码,从而对应到计算机7鼠标箭头的一个动作,动作包括鼠标上移、鼠标下移、鼠标左移、鼠标右移、鼠标点击,至此完成鼠标控制。
本发明训练模型及使用模型的总体流程如图7所示,使用者首次使用时需先佩戴脑电采集头盔进行脑电信号采集,然后处理采集的脑电信号,利用处理得到的脑电信号训练分类器模型并存储,(当使用者再次使用本方法时则可调用存储的分类器模型,无需之前的训练模型操作)调用分类器模型后,再次采集使用者脑电信号并利用分类器模型分类,最终分类结果转化为鼠标指令并最终完成鼠标的控制。
在本发明的一个实施例中,使用者在脑电采集头盔2上安装全部18个脑电信号采集电极3并接通一号电源1,接通一号电源1后使用者佩戴脑电信号采集头盔2,使用者需进行5种不同的想象活动,每种想象活动是想象鼠标的左移、右移、上移、下移和点击五个动作的其中之一,产生对应想象活动的脑电信号,脑电信号采集电极3采集被试者脑电信号。
使用者进行想象活动,脑电信号采集电极3采集脑电信号经脑电信号处理装置4处理后转化为数字信号,数字信号通过一号蓝牙装置5发送,二号蓝牙装置6接收数字信号并传输给计算机7。
以计算机7为载体利用特征提取分类算法对数字信号进行特征提取并利用SVM分类器训练分类器模型,分类器模型训练完后将其存储到计算机7中,利用分类器模型分类得到的五个分类结果,采用软件8编写逻辑代码,将分类结果输入并转化为鼠标控制指令。
使用者完成上述操作后调用计算机7存储的分类器模型,使用者想象鼠标向上运动,此时脑电信号采集电极3采集的脑电信号通过分类器模型得出分类结果,分类结果输入到软件8得到鼠标控制指令,鼠标向上移动;
使用者想象鼠标向左运动,此时脑电信号采集电极3采集的脑电信号经过分类器模型得出分类结果,分类结果通过软件8得到鼠标控制指令,鼠标向左移动;
使用者想象鼠标向右运动,此时脑电信号采集电极3采集的脑电信号经过分类器模型得出分类结果,分类结果通过软件8得到鼠标控制指令,鼠标向右移动;
使用者想象鼠标向下运动,此时脑电信号采集电极3采集的脑电信号经过分类器模型得出分类结果,分类结果通过软件8得到鼠标控制指令,鼠标向下移动;
使用者想象鼠标点击,此时脑电信号采集电极3采集的脑电信号经过分类器模型得出分类结果,分类结果通过软件8得到鼠标控制指令,鼠标点击;
综上所述,根据本发明实施例的基于脑电信号的鼠标控制方法,能够方便智能地基于脑电信号实现对鼠标的控制,并且通过运动想象生成控制指令可以实现控制模式的多样化,能够为残疾人提供更好的服务。
Claims (5)
1.一种基于脑电信号的鼠标控制方法,其特征在于,所述的一种基于脑电信号的鼠标控制方法包括步骤如下:
1)训练模型:
(1)脑电信号采集;
(2)脑电信号处理;
(3)训练分类器模型;
(4)存储分类器模型:
将训练分类器模型步骤中生成的5个SVM分类器构成的分类器模型存储到计算机(7)中;
2)使用模型:
(1)调用分类器模型;
在计算机(7)上调用训练模型中存储的分类器模型,调用后计算机(7)接收的数字信号直接输入到分类器模型中;
(2)脑电信号采集;
(3)脑电信号处理;
(4)分类器模型分类:
二号蓝牙装置(6)接收数字信号并传输给计算机(7),将数字信号导入到分类器模型中,得到分类器结果;
(5)鼠标命令转化:
分类器模型结果输入软件(8)编写的代码,从而对应到计算机(7)鼠标箭头的一个动作,动作包括鼠标上移、鼠标下移、鼠标左移、鼠标右移、鼠标点击,至此完成鼠标控制。
2.按照权利要求1所述的一种基于脑电信号的鼠标控制方法,其特征在于,所述的脑电信号采集是指:
1)接通一号电源(1)后使用者佩戴安装有18个脑电信号采集电极(3)的脑电信号采集头盔(2);
2)使用者需进行5次不同的想象活动,每次想象活动想象鼠标的左移、右移、上移、下移和点击五个动作的其中之一,产生对应想象活动的脑电信号;
3)脑电信号采集电极(3)采集被试者脑电信号,采样频率为250HZ。
3.按照权利要求1所述的一种基于脑电信号的鼠标控制方法,其特征在于,所述的脑电信号处理是指:
1)调节脑电信号处理装置(4)电压放大参数,其内部通过电压放大器将脑电信号放大至200uV;
2)调节脑电信号处理装置(4)中带通滤波器的上下限截至频率为0.5HZ和100HZ,其内部是将放大后的脑电信号导入0.5~100HZ带通滤波器,以此来筛选固定频段的脑电信号,0.5~100HZ频段脑电信号为可获取的可分类脑电信号,获得此频段脑电信号是实现脑电信号分类的前提;
3)调节脑电信号处理装置(4)将2)步骤处理得到的脑电信号导入50HZ工频陷波器进行陷波处理,旨在消除噪声干扰;
4)调节脑电信号处理装置(4)使通过带通滤波和工频陷波处理的脑电信号再由脑电放大器放大,脑电信号经过步骤2)、步骤3)的处理导致电压损失,利用脑电放大器再次放大脑电信号;
5)脑电信号处理装置(4)自动输出数字信号,其内部是将经过脑电放大器放大的脑电信号导入A/D转换器将时间连续、幅值也连续的模拟量转换为时间离散、幅值也离散的数字信号,使用A/D转换器目的是方便计算机(7)处理,得到的数字信号通过一号蓝牙装置(5)发送。
4.按照权利要求1所述的一种基于脑电信号的鼠标控制方法,其特征在于,所述的训练分类器模型具体操作步骤为:
1)计算机(7)获取脑电信号处理装置(4)处理得到的数字信号,此数字信号为所有脑电信号采集电极(3)采集的脑电信号经脑电信号处理装置(4)处理得到,即全部通道信号;
2)脑电信号采集对比电极选择AF3,脑电信号采集电极有16个,根据本设计采用“一对多”数据分析方法,鼠标上移、下移、左移、右移及点击5个想象活动作为5个分类类别,每个分类类别都有16个脑电信号采集电极(3)的数据,选取其中一个分类类别的16个脑电信号采集电极(3)作为参考通道信号,其余4个分类类别共64个通道为其它通道信号;
3)将采集电极AF3中对应分类类别的数字信号与其它各个脑电信号采集电极(3)中对应分类类别的数字信号进行CC算法计算并得到互相关序列,然后计算上一步AF3中对应分类类别脑电信号与其余四个分类类别共64个通道的脑电信号的互相关序列,这样每个分类类别都可以得到79个互相关序列,对应五个分类类别。计算互相关序列,假设其中一个类别为类别“1”,将AF3中类别“1”的信号与其他15个脑电信号采集电极中类别中“1”的信号进行Cross-Correlation计算得到互相关序列,因此得到15个互相关序列;计算AF3中类别“1”的信号与其他四个类别共64个脑电信号采集通道的脑电信号的互相关序列,由此得到66个互相关序列;
4)提取六种统计特征
由上述1)步骤、2)步骤每个类别可得到79个互相关序列;由数据分析计算得到每个互相关序列的均值,中位数,众数,标准差,最大值以及最小值来表征采集得到的脑电信号,以进一步降低数据维度;
5)训练SVM。
5.按照权利要求1所述的一种基于脑电信号的鼠标控制方法,其特征在于,所述的训练SVM是指:
“一对多”策略中要对各个分类建立对应的分类器,属于此分类的样例均设置为正例,其余的均设置为负例,假定A/B/C/D/E分别为鼠标上移、下移、左移、右移及鼠标点击五个想象活动;设定模型a/b/c/d/e分别代表五种“一对多”的分类器模型,向各个分类器中输入对应的特征向量,训练得出五种分类模型;分类过程中只有一个分类器输出预测为正的结果,则将其对应的分类作为最终分类结果;若不止一个分类器输出预警均是正,则选择置信度最大的分类作为预期分类结果,利用SVM分类器进行分类,对于样本z={(xi,yi)}:i=1,2,...n,xi∈Rn表示第i个样本的特征向量,yi为xi的分类标签,yi∈{1,2,...k},k为分类个数;
SVM目的是在最大支持向量间距的边沿处寻找得到一个最优超平面,这个超平面能将两种类别以最大间距分开且保证错分程度最小,SVM在线性可分是决策规则如下:f(x)=sgn{w·x+b},其中w为权值向量;b为偏置量;超平面寻找过程公式如下:
yi(wTxi+b)-1+ξi≥0
其中松弛变量ξi,惩罚函数为常数C,上述参数为制模型对错分样本的惩罚程度;若要解决分线性问题,将高纬度特征空间的内积用核函数代替,将原来的低纬度空间的线性不可分难题映射到高纬度空间中使其变为线性可分问题;对五个模式分类采用“一对多”方法构建5个SVM分类器,每构造一个分类器,对这个分类器fi按照训练样本中属于第i类的样本上贴上“+1”的标签,其余均贴上“-1”的标签,对样本数据进行训练,最终得到5个决策函数fj(x);对未知类别进行测试时,需要对测试样本分别计算5个子分类器的判别函数值,最大的函数值所对应的类别即作为给测试样本判别出的最终类别;xlabel=argmaxj=1,2,...mfj(x),其中,arg表示fj(x)函数取最大值时下标j的值,xlabel为类别标签,得到的5种SVM分类器,SVM分类器1、SVM分类器2、SVM分类器3、SVM分类器4、SVM分类器5分别对应鼠标上移、鼠标下移、鼠标左移、鼠标右移、鼠标点击五个想象活动,这5个SVM分类器构成分类器模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011460083.4A CN112379782A (zh) | 2020-12-11 | 2020-12-11 | 一种基于脑电信号的鼠标控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011460083.4A CN112379782A (zh) | 2020-12-11 | 2020-12-11 | 一种基于脑电信号的鼠标控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112379782A true CN112379782A (zh) | 2021-02-19 |
Family
ID=74590765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011460083.4A Pending CN112379782A (zh) | 2020-12-11 | 2020-12-11 | 一种基于脑电信号的鼠标控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112379782A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1949139A (zh) * | 2006-11-08 | 2007-04-18 | 天津大学 | 脑-机接口鼠标控制装置 |
CN101382837A (zh) * | 2008-10-28 | 2009-03-11 | 天津大学 | 复合动作模式脑电鼠标控制装置 |
CN102613972A (zh) * | 2012-03-28 | 2012-08-01 | 西安电子科技大学 | 运动想象脑电信号特征的提取方法 |
CN104850230A (zh) * | 2015-05-26 | 2015-08-19 | 福州大学 | 模拟键盘鼠标的脑机接口控制方法 |
-
2020
- 2020-12-11 CN CN202011460083.4A patent/CN112379782A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1949139A (zh) * | 2006-11-08 | 2007-04-18 | 天津大学 | 脑-机接口鼠标控制装置 |
CN101382837A (zh) * | 2008-10-28 | 2009-03-11 | 天津大学 | 复合动作模式脑电鼠标控制装置 |
CN102613972A (zh) * | 2012-03-28 | 2012-08-01 | 西安电子科技大学 | 运动想象脑电信号特征的提取方法 |
CN104850230A (zh) * | 2015-05-26 | 2015-08-19 | 福州大学 | 模拟键盘鼠标的脑机接口控制方法 |
Non-Patent Citations (2)
Title |
---|
王晓旭: ""多任务运动想象脑电信号分类算法研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
蒋贵虎: ""多任务运动想象脑电信号分类算法研究及脑机接口系统设计"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100594858C (zh) | 一种脑电肌电联合控制的电动假手的控制方法 | |
CN103793058B (zh) | 一种主动式脑机交互系统运动想象任务分类方法及装置 | |
CN101987048B (zh) | 假肢控制方法和系统 | |
CN105022488A (zh) | 基于ssvep脑电电位的无线bci输入系统 | |
CN106383579A (zh) | 一种基于emg和fsr的精细手势识别系统及方法 | |
Zhang et al. | ECG quality assessment based on a kernel support vector machine and genetic algorithm with a feature matrix | |
CN107957783A (zh) | 一种基于脑电与肌电信息的多模式智能控制系统及方法 | |
Norani et al. | A review of signal processing in brain computer interface system | |
CN102722728A (zh) | 基于通道加权支持向量的运动想象脑电分类方法 | |
Hamedi et al. | Human facial neural activities and gesture recognition for machine-interfacing applications | |
Poorna et al. | Classification of EEG based control using ANN and KNN—A comparison | |
Wu et al. | Classification of EEG motor imagery using support vector machine and convolutional neural network | |
Li et al. | EEG signal classification method based on feature priority analysis and CNN | |
CN111544256A (zh) | 基于图卷积和迁移学习的脑控智能全肢体康复方法 | |
CN107822629A (zh) | 四肢表面肌电轴的检测方法 | |
CN104267807A (zh) | 基于手部动作肌音信号的人机交互方法及交互系统 | |
Ahmadi et al. | Brain-computer interface signal processing algorithms: A computational cost vs. accuracy analysis for wearable computers | |
CN109171124A (zh) | 一种用于手语识别的肌音信号无线采集手环 | |
Takahashi et al. | Remarks on emotion recognition from multi-modal bio-potential signals | |
Narayan et al. | Pattern recognition of sEMG signals using DWT based feature and SVM Classifier | |
CN113871028A (zh) | 一种基于肌电智能穿戴的交互式康复系统 | |
CN108836327A (zh) | 基于脑机接口的智能输出终端及脑电信号识别方法 | |
Kanna et al. | Smart Detection and Removal of Artifacts in Cognitive Signals Using Biomedical Signal Intelligence Applications | |
Angrisani et al. | Brain-computer interfaces for daily-life applications: a five-year experience report | |
CN112379782A (zh) | 一种基于脑电信号的鼠标控制方法 |
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: 20210219 |
|
WD01 | Invention patent application deemed withdrawn after publication |