CN112869743B - 一种考虑认知分心的运动起始意图神经解析方法 - Google Patents

一种考虑认知分心的运动起始意图神经解析方法 Download PDF

Info

Publication number
CN112869743B
CN112869743B CN202110053343.4A CN202110053343A CN112869743B CN 112869743 B CN112869743 B CN 112869743B CN 202110053343 A CN202110053343 A CN 202110053343A CN 112869743 B CN112869743 B CN 112869743B
Authority
CN
China
Prior art keywords
attention
intention
electroencephalogram
state
movement
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
CN202110053343.4A
Other languages
English (en)
Other versions
CN112869743A (zh
Inventor
毕路拯
夏胜超
费炜杰
王佳蓉
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110053343.4A priority Critical patent/CN112869743B/zh
Publication of CN112869743A publication Critical patent/CN112869743A/zh
Application granted granted Critical
Publication of CN112869743B publication Critical patent/CN112869743B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/168—Evaluating attention deficit, hyperactivity
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Psychiatry (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Developmental Disabilities (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Power Engineering (AREA)
  • Mathematical Physics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种考虑认知分心的运动起始意图神经解析方法，具体步骤如下：S1、对运动任务过程中的注意力状态进行识别，判断注意力集中状态中是否存在认知分心；S2、对注意力集中和注意力认知分心状态下的运动起始意图分别进行识别。本发明通过脑电信号识别运动任务过程中的注意力集中状态，可以获得实时的神经注意力状态反馈，之后根据不同的注意力状态建立符合当前情况的运动起始意图识别模型，这对构建一个可靠的自适应BCI系统十分必要且关键。同时为上肢运动解码的研究提供了新的思路，为人机协同交互的进一步研究提供了基础。

Description

一种考虑认知分心的运动起始意图神经解析方法
技术领域
本发明属于神经科学技术领域，特别是涉及一种考虑认知分心的运动起始意图神经解析方法。
背景技术
解析运动起始意图是人机交互系统中的一个重要研究内容。通过检测和解析人是否存在运动意图，尤其是手部的运动起始意图，可以使人机交互系统更好地辅助人类。对于脑卒中或残疾患者而言，运动起始意图的检测可以更准确地辅助其进行运动康复训练；对于健康人而言，运动起始意图的检测有助于更精准地辅助操作人员完成指定的运动任务。由于大脑是人体活动的最高控制中心，基于脑电皮层信号(EEG信号)解析人的运动起始意图具有速度快、可靠性高的优点。同时，通过EEG信号解析运动起始意图，有助于对大脑神经科学的进一步探索，帮助认识大脑活动与实际运动的神经联系。
目前，有很多基于EEG信号的运动起始意图检测的研究。2012年，Eileen等人使用0.1-4Hz的脑电信号完成对左手起始运动的检测，识别准确率为81％，对右手起始运动的检测准确率为79％。2017年，Muddassar等人使用运动相关皮层电位(MRCP)作为特征，使用匹配过滤技术对上肢运动起始意图进行检测，得到的分类准确率为75.81％。2019年，NingJiang等人开发出一种用神经调节的BCI系统，使用EEG信号功率谱密度的变化，来检测和识别踝关节自定速度背屈运动的运动起始意图，准确率约为70％。
然而在目前的运动起始意图检测的研究中，大都是聚焦于人执行运动这一单项任务情况下的运动起始意图的检测，并未考虑到多任务的情况，未考虑到在运动任务上注意力集中状态对检测结果的影响。一方面在实际的人机交互系统中，人在执行的指定运动任务时，势必会受到外界因素或者是其他任务的分神干扰，从而导致注意力的分散，这将会影响运动任务的完成，从而对运动起始意图的检测会产生影响。2016年，Susan等人研究表明，注意力的变化会严重降低同步BCI中的运动相关皮质电位(MRCP)检测。另一方面，人在执行运动任务时，最主要的分心任务为认知任务，如在驾驶车辆时使用车载导航仪、接听电话或使用智能手机时，需要大脑进行认知活动、思维分析，这些分心任务中主要的类型为认知任务。所以，在进行运动意图的检测和识别之前，需要对当前运动任务的注意力集中状态进行识别，即判断是否存在认知分心，根据不同的注意力状态，建立不同的运动意图解析模型。
综上所述，寻找一种考虑认知分心的运动起始意图神经解析方法成为研究人员关注的问题。
发明内容
为了解决上述技术问题，本发明提供一种考虑认知分心的运动起始意图神经解析方法，对脑电信号预处理后，首先完成对注意力状态的检测识别，即判断当前的上肢运动是否受到认知任务的干扰，识别结果输出从而得到两种执行运动任务时的注意力状态，“集中”和“分心”。接下来分别在两种注意力状态下建立各自的运动起始意图解析模型，来分别预测两种注意力状态下是否存在运动意图。通过脑电信号识别运动任务过程中的注意力集中状态，可以获得实时的神经注意力状态反馈，之后根据不同的注意力状态建立符合当前情况的运动起始意图识别模型，这对构建一个可靠的自适应BCI系统十分必要且关键。同时为上肢运动解码的研究提供了新的思路，为人机协同交互的进一步研究提供了基础。
为实现上述目的，本发明的技术方案为：
一种考虑认知分心的运动起始意图神经解析方法，具体包括以下步骤：
S1、对运动任务过程中的注意力状态进行识别，判断注意力集中状态中是否存在认知分心；
S2、对注意力集中和注意力认知分心状态下的运动起始意图分别进行识别。
优选地，所述步骤S1具体为：
S11、采集人脑指定电极位置的脑电信号；
S12、将所述脑电信号进行预处理；
S13、将预处理后的脑电信号进行特征提取，得到脑电信号特征信息；
S14、根据所述脑电信号特征信息，对运动任务注意力状态进行识别，判断在运动任务过程中是否存在认知分心。
优选地，所述预处理包括滤波、基线修正和共平均参考。
优选地，所述特征提取是采用z-score标准化对MRCP时域特征和认知相关的频域特征所包含的脑电信号进行归一化，并进行一维展开，得到特征值；然后采用主成分分析法对所述特征值进行降维，得到所述脑电信号特征信息。
优选地，所述步骤S14具体为：
将所述脑电信号特征信息输入到线性判别分析和支持向量机中，输出在运动任务过程中是否存在认知分心的注意力集中状态解析模型，通过该模型对运动任务注意力状态进行识别，判断在运动任务过程中是否存在认知分心。
优选地，所述步骤S2具体为：
S21、采集人脑指定电极位置的脑电信号；
S22、将所述脑电信号进行预处理；
S23、将预处理后的脑电信号进行特征提取，得到脑电信号特征信息；
S24、根据所述脑电信号特征信息，对注意力集中和注意力认知分心状态下的运动起始意图进行识别。
优选地，所述特征提取是采用0.01-4Hz的运动皮质电位MRCP时域信号作为建模分类的特征，并采用主成分分析法特征压缩，得到所述脑电信号特征信息。
优选地，所述步骤S24具体为：
使用线性判别分析LDA分别在两种注意力状态下，即运动任务注意力集中和有认知分心状态，分别建立运动起始意图的识别模型。
本发明的有益效果在于：
本发明通过脑电信号识别运动任务过程中的注意力集中状态，可以获得实时的神经注意力状态反馈，之后根据不同的注意力状态建立符合当前情况的运动起始意图识别模型，这对构建一个可靠的自适应BCI系统十分必要且关键。同时为上肢运动解码的研究提供了新的思路，为人机协同交互的进一步研究提供了基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法流程图；
图2为本发明实施例两种试验模拟图；
图3为本发明实施例受试者脑头皮指定电极位置图；
图4为本发明实施例两种注意力集中状态下的运动相关皮层电位MRCP信号曲线图；
图5为本发明实施例两种试验的注意力状态识别样本提取图；
图6为本发明实施例LDA分类器的注意力状态识别结果图；
图7为本发明实施例两种试验的两种注意力状态的运动起始意图识别样本提取图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
参照图1所示，本发明提供一种考虑认知分心的运动起始意图神经解析方法，对脑电信号预处理后，首先完成对注意力状态的检测识别，即判断当前的上肢运动是否受到认知任务的干扰，识别结果输出，从而得到两种执行运动任务时的注意力状态，“集中”和“分心”。接下来分别在两种注意力状态下建立各自的运动起始意图解析模型，来分别预测两种注意力状态下是否存在运动意图。
具体步骤如下：
步骤一、对运动任务过程中的注意力状态进行识别，判断注意力集中状态中是否存在认知分心；
S1、数据采集：采集人脑指定电极位置的脑电信号作为原始脑电信号。
S2、预处理：首先将原始脑电信号进行预处理，主要包括滤波、基线修正和共平均参考。其中，基线修正用于去除零点漂移，共平均参考用于滤除各个通道的共同噪音。
S3、特征提取：由于在两种注意力集中状态下的上肢运动诱发的MRCP信号存在明显不同，因此本发明选用滤波至0.01-4Hz的MRCP时域特征来区分两种不同的注意力集中状态。
同时，和认知相关的大脑神经信号主要在Theta和Alpha频段，在有无认知分心的运动状态下，脑电信号在此频段有明显差异，亦作为分类特征。由于这两个频段的特征主要体现在频域范围内，因此本发明选用功率谱密度函数Z(f)作为分类特征,其表达式为：
Figure GDA0003256526600000071
其中，FFT是一种傅里叶变换的高效算法，称为快速傅里叶变换(fast Fouriertransform)，将信号由时域转换到频域表示；N为傅里叶变换的点数，在此处N＝200；Z(t)为脑电信号时域矩阵；得到的Z(f)为频域特征向量。
然后，用零-均值规范化(z-score标准化)对上述的MRCP时域特征和认知相关的频域特征所包含的脑电信号进行归一化，归一化公式为：
Figure GDA0003256526600000072
其中，X为每个通道上的脑电信号，
Figure GDA0003256526600000073
为每个通道上的脑电信号的平均值，S为每个通道上的脑电信号的标准差。将上述归一化的结果一维展开，得到特征值。为了抑制冗余以及加快计算速度，采用主成分分析对所述特征值进行降维，得到脑电信号特征信息。
主成分分析，是统计多个变量间相关性一种多元统计方法，目的是通过少数几个主成分来揭示多个变量间的关系，使它们尽可能多地保留原始变量的信息，且彼此间互不相关。
主成分分析方法的具体计算步骤如下：
A.计算相关系数矩阵R：
Figure GDA0003256526600000081
其中，rij(i,j＝1,2,…,p)为变量指标xi与xj的相关系数，其计算公式为:
Figure GDA0003256526600000082
其中，xki为第k个样本的第i个变量值，xkj为第k个样本的第j个变量值,
Figure GDA0003256526600000083
为第i个变量在所有样本上的均值，
Figure GDA0003256526600000084
为第i个变量在所有样本上的均值,n为样本个数。由于R是实对称矩阵(即rij＝rji)，故只需计算其上三角元素即可。
B.计算特征值与特征向量:
先求解特征方程：
|λI-R|＝0
其中，I为单位矩阵，R为上述得到的相关系数矩阵，求得一系列特征值λi(i＝1,2,…,p)，并将特征值由大至小排列，即λ1≥λ2≥…≥λp≥0；然后求出每个特征值的特征向量ei(i＝1,2,…,p)。
C.求出每个主成分的贡献率与累计贡献率，主成分Zi贡献率：
Figure GDA0003256526600000091
其中，λi为第i个特征值，
Figure GDA0003256526600000092
为前k个主成分的特征值之和。累计贡献率：
Figure GDA0003256526600000093
其中，
Figure GDA0003256526600000094
为前m个主成分的特征值之和；通常选择累计贡献率达85-95％的特征值λ1,λ2,…,λm对应的第1，第2，……，第m(m≤p)个主成分。本发明通过计算各主成分的累计贡献率，选择累计贡献率达95％的主成分作为样本的特征。
S4、注意力状态分类：完成上述的特征提取后，通过线性判别分析(LinearDiscriminant Analysis，LDA)和支持向量机(Support Vector Machine,SVM)两种方法分别建立以上述脑电信号特征为输入、是否存在认知分心的注意力集中状态为输出的解析模型。
其中，使用LDA建立注意力状态解析模型的具体步骤为：
将经过预处理过程的受试者脑电信号特征按照注意力集中和有认知分心使注意力分散这两类进行标定。利用线性判别分析算法(Linear Discriminant Analysis，LDA)确定最佳投影方向w，LDA的思想是通过将所有样本投影到一条直线上，观察样本的投影位置，使得同类别样本尽量集中，不同类样本尽量分离。所述线性判别分析算法的原始模型如下：
f(x)＝wTx+w0
其中，x＝[x1,x2,...,xn]是特征向量，w＝[w1,w2,...,wn]代表所述线性判别分析算法的原始模型的投影方向，w0代表所述线性判别分析算法的原始模型的阈值。确定最佳投影方向的准则是使原样本在该方向上类内样本的投影尽量聚集，类间样本的投影尽量分离。利用计算得到的最佳投影方向w将所有训练样本进行投影，得到投影后的样本点；将所述样本点的最大值与最小值之间的范围作为阈值选取范围，在所述阈值选取范围内通过迭代的方法选取对训练样本分类精度最高的阈值为w0；将所述最佳投影方向与所述对训练样本分类精度最高的阈值代入所述原始模型，得到线性解析模型。
同时，使用SVM建立注意力状态解析模型的步骤为：将经过预处理过程的受试者脑电信号特征按照注意力集中和有认知分心使注意力分散这两类进行标定。SVM的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题来求解。SVM的模型可以表示为：
Figure GDA0003256526600000101
其中，sgn为符号函数，l为支持向量个数，yi为第i个支持向量xi的类别标签，ai为xi的拉格朗日乘子，K(x,xi)为核函数，b为常数，根据f(x)的值可以得到分类结果。
步骤二、对注意力集中和注意力认知分心状态下的运动起始意图进行识别。
在步骤一已经得到受试者在执行上肢运动任务时候的注意力集中状态，接下来在两种注意力状态下(运动任务注意力集中和运动任务受到认知分心)分别建立解码模型，来进行运动开始意图的识别。
首先将原始脑电信号进行预处理，然后对其进行特征提取，采用0.01-4Hz的运动皮质电位(MRCP)时域信号作为后续建模分类的特征。为了避免特征的冗余和过长的计算时间，使用主成分分析法特征压缩，此步骤同S1～S3。最终得到主成分分析(PCA)的成分贡献率为0.95。
最后对运动起始意图的识别分类：使用线性判别分析(LDA)分别在两种注意力状态下(运动任务注意力集中和有认知分心)建立运动起始意图的识别模型。
综上，本发明通过脑电信号识别运动任务过程中的注意力集中状态，可以获得实时的神经注意力状态反馈，之后根据不同的注意力状态建立符合当前情况的运动起始意图识别模型，这对构建一个可靠的自适应BCI系统十分必要且关键。同时为上肢运动解码的研究提供了新的思路，为人机协同交互的进一步研究提供了基础。
为了验证本发明的实验效果，本发明采取了两组不同的试验方式，对实验效果进行了证实，具体实验内容如下：
为了诱发两种不同的注意力集中状态，参加实验的受试者被要求完成两种类型的实验任务，分别是单一任务实验和双重任务实验。在本发明的实验中，所有的受试者都是右利手，因此把右手向指定方向的运动作为本发明中的上肢运动任务。手的运动被限制在与桌面平行的水平面上。
实验范式参照图2所示，在运动任务注意力集中的状态范式下，受试者需要完成单一的一项任务，即右手在水平方向上的移动，方向为向左、右、前、后。实验开始前，受试者有3s的时间休息，在这段时间里，屏幕上有一个空心的正方形代表运动起始时刻的位置。3s过后，在指定的方向处出现了一个实心块，这是实验即将开始的提示。第6s时，实心块变成空心块，这是提示受试者要准备开始上肢运动。为了避免视觉刺激的干扰，受试者通常被要求在实心块变空心块的改变完成后等待两到三秒钟再移动他们的右手，即在图上的“运动开始”时刻开始运动。在注意力集中的范式中，被试被要求将上肢移动到指定的空心块的位置。在此过程中，要求受试者完全集中注意力在运动任务上，确保运动轨迹尽可能水平，并准确到达指定的目的地。整个过程在16s内完成，听到计算机提示音后，方可结束实验。
在运动受到认知分心干扰的实验范式中，受试者需要完成一个多任务实验。即除了完成和上述相同的运动任务外，还必须完成一个逆向的计数任务，来作为认知分心任务干扰受试者在运动任务上的注意力。当显示运动开始的空心方块出现时，受试者需要从99开始每隔3倒数，倒计数任务的结束时刻为计算机的提示音响，提示实验停止。在实验结束时，受试者需要向实验员报告实验结束时自己倒计数停止的数字。同时，受试者被要求完成一份主观注意力等级评测问卷，以显示他们对运动任务的专注程度。注意力被分为1到7级，数字越大，表明受试者在运动任务上的注意力越高。
在实验过程中，受试者被要求始终紧盯屏幕，以避免眼球运动。实验共分为2个阶段，注意力集中的运动任务和认知分心的运动任务。每个阶段包含4组，分别是向左、向右、向前、向后这四个方向。每组实验包含50次重复实验。每次实验间有1分钟的休息，每组实验间有2分钟的休息时间，两个阶段实验间，受试者有5分钟的时间休息。除了受试者8的实验在两天完成外，其余7位受试者的实验均在一天内完成。
通过脑电采集系统采集受试者脑头皮指定电极位置的脑电信号，并通过脑电放大器放大并输出所采集到的受试者原始脑电信号。
脑电采集仪用于实时采集脑电信号并且进行放大和模数转换，通过数据线与处理器进行数据传输。其中，考虑到大脑控制手部运动，主要涉及运动和认知任务，因此本发明根据“10-20国际标准导联”，将脑电采集电极放置在使用者头部的Cz、C1、C2、C3、C4、C5、C6、T7、T8、Fz、F1、F2、F3、F4、F5、F6、F7、F8、FCz、FC3、FC4、CP3、CP4、Oz、O1、O2、POz、Pz、P3、P4、P5、P6、P7、P8位置，将参考电极放置在CPz位置，接地电极放置在AFz位置，各电极位置参照图3所示。此外，为了记录手部运动位置与状态，将一个位置检测传感器(FASTRACK)固定在右手虎口的位置，实时跟踪手的运动。
脑电表征：脑电神经表征是指从信号幅值变化、脑活动能量变化等角度对大脑活跃状态变化进行一种基础性的表征，有利于帮助理解人体运动下的神经活动。为了表征不同注意力集中程度下对应的大脑信号与能量的变化状态，本发明从运动相关皮层电位(MRCP)对注意力集中的运动和有认知分心的运动下的大脑活动以及两者之间活动差异进行了神经表征。
使用傅里叶滤波器对注意力集中运动的脑电信号和有认知分心的脑电信号进行滤波至0.01-4Hz。对Cz电极使用加权平均滤波器(WAVG)去除空间公共背景噪声。WAVG计算按式：
Figure GDA0003256526600000141
其中，ei(t)为第i个通道的脑电信号，ej(t)为与i通道相邻的第j个通道的脑电信号，K为最近邻通道的个数。
为了排除受试者差异和方向差异的影响，将所有受试者所有方向上的所有次实验上的多个滤波信号叠加平均，得到两种注意力集中状态下的运动相关皮层电位(MRCP)信号曲线，并绘制在一张图中。
MRCPs结果参照图4所示。基于MRCP的运动表征为后续的运动任务注意力集中状态进行了基础性探究，该部分表征结果展示了不同注意力集中状态下上肢运动的大脑信号变化规律，也进一步说明了在低频[0.01,4]Hz所提取的脑电信号包含较多的与运动相关的信息，且在不同注意力集中状态下对应的神经信号活动规律有所不同(MRCP负向偏移幅值不同)，有认知分心的运动诱发的MRCP信号负向偏移幅值更小。因此，在对是否有认知分心的运动起始运动意图进行预测前，可以使用此频段的MRCP信号作为特征，对是否有认知分心进行识别。
为了验证本发明设计的实验范式确实能够诱发受试者的注意力分散状态，在有认知任务干扰运动的实验完成后，受试者需要向实验人员汇报在运动任务上的注意力集中程度，注意力等级量表1，数字越小，代表受试者在运动任务上的注意力越不集中，即受试者主观感受上受到的认知分心越严重。受试者的主观问卷结果见表1：
表1
Figure GDA0003256526600000151
从表1可知，所有受试者完成有认知分心任务的上肢运动时，对运动任务的注意力集中程度的主观评价得分均小于6。受试者S2、S4、S6、S7、S8得分均小于4分。这一结果表明，被试在执行这一范式时，在主观上确实处于一种分心状态，表明这一范式中的认知任务对运动任务有干扰和分散注意力的作用。
采集每位受试者的原始脑电信号，然后对进行预处理，作用后续分析所截取的脑电信号，参照图5所示。每位受试者每个运动方向共得到100个样本，每个样本窗的长度为1s，其中运动任务注意力集中的样本50个，有认知分心的运动任务50个。
选用滤波至0.01-4Hz的MRCP的时域特征来区分两种不同的注意力集中状态，功率谱密度Z(f)，作为分类特征；采用z-score标准化对MRCP时域特征和认知相关的频域特征所包含的脑电信号进行归一化，并进行一维展开，得到特征值；然后采用主成分分析法对所述特征值进行降维，得到所述脑电信号特征信息。本发明通过计算各主成分的累计贡献率，选择累计贡献率达95％的主成分作为样本的特征。
完成上述的特征提取后，通过线性判别分析(LDA)和支持向量机(SVM)两种方法分别建立以上述脑电信号特征为输入、是否存在认知分心的注意力集中状态为输出的解析模型。
常见的核函数有，线性核函数：K(x,xi)＝xTxi，
多项式核函数：K(x,xi)＝(xTxi)d，d≥1为多项式的次数，
高斯核函数：
Figure GDA0003256526600000161
σ＞0为高斯核的带宽。
本发明对每位受试者分别使用不同的核函数建立模型，以达到最好的识别效果。
本发明使用5折交叉验证方法计算所有受试者的平均识别准确率。在上肢运动分别向左、右、前、后四个方向上分别验证模型的准确率。分类结果如图6和表2所示。
表2
Figure GDA0003256526600000162
使用LDA分类器的注意力状态识别结果如图6所示，所有受试者的平均准确率为，水平向右：78％±10％；水平向左：72％±12％；水平向前：76％±10％，水平向后：76％±11％。使用SVM分类器的注意力状态识别结果如表2所示，所有受试者的平均准确率为，水平向右：81％±11％；水平向左：73％±7％；水平向前：80％±11％，水平向后：77％±7％。可以看出，使用支持向量机模型来上肢运动过程中的注意力集中状态效果更优。
在已经得到受试者在执行上肢运动任务时候的注意力集中状态下，接下来在两种注意力状态下(运动任务注意力集中和运动任务受到认知分心)分别建立解码模型，来进行运动开始意图的识别。
首先将原始脑电信号进行预处理，用作后续分析所截取的脑电信号如图7所示。然后使用0.01-4Hz的运动皮质电位(MRCP)时域信号作为后续建模分类的特征。为了避免特征的冗余和过长的计算时间，使用主成分分析法特征压缩，主成分分析(PCA)的成分贡献率为0.95。
最后运动起始意图的识别分类：使用线性判别分析(LDA)分别在两种注意力状态下(运动任务注意力集中和有认知分心)建立运动起始意图的识别模型。
本发明使用5折交叉验证方法分别得到所有受试者的平均识别准确率。结果如表3和表4所示。
表3
Figure GDA0003256526600000171
Figure GDA0003256526600000181
表4
Figure GDA0003256526600000182
在上肢运动注意力集中状态下运动起始意图识别结果如表3所示，所有受试者的平均准确率为，水平向右：75％±14％；水平向左：73％±11％；水平向前：80％±11％，水平向后：71％±10％。在上肢运动有认知分心状态下运动起始意图识别结果如表4所示，水平向右：77％±10％；水平向左：72％±15％；水平向前：75％±11％，水平向后：83％±13％。可以看出，分别在两种注意力状态下分别建立的运动起始意图解析模型均得到了较好的检测效果。
本发明研究了基于脑电信号的考虑认知分心的运动起始意图神经解析方法。提出了一种新的自适应系统模型，在对运动起始意图的估计前首先判断人当前处于的注意力集中状态。在注意力集中和有认知分心的运动这两类情况下，运动相关皮质电位有显著差异。同时由于认知分心的影响，Theta和Alpha频带的脑电信号也存在差异。使用以上两类特征综合而建立模型，识别当前运动任务是否存在认知分心。使用LDA方法得到的所有受试者所有方向的平均准确率为：75％±10％；使用SVM方法得到的所有受试者所有方向的平均准确率为：78％±9％。得到注意力集中状态后，在注意力集中状态和有认知分心状态下分别建立运动起始意图识别模型，得到运动起始意图的检测结果。在注意力集中状态下，所有受试者所有方向检测结果的平均准确率为：75％±12％，在有认知分心状态下，所有受试者所有方向检测结果的平均准确率为：77％±12％。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种考虑认知分心的运动起始意图神经解析方法，其特征在于，具体步骤如下：
S1、对运动任务过程中的注意力状态进行识别，判断注意力状态中是否存在认知分心；
步骤S1具体包括：
S11、采集人脑指定电极位置的脑电信号；
S12、对所述脑电信号进行预处理；所述预处理包括滤波、基线修正和共平均参考；
S13、将预处理后的脑电信号进行特征提取，得到脑电信号特征信息；所述特征提取包括采用z-score标准化对MRCP时域特征和认知相关的频域特征进行归一化，并进行一维展开，得到特征值；然后采用主成分分析法对所述特征值进行降维，得到所述脑电信号特征信息；
所述MRCP时域特征的滤波范围为0.01-4Hz，以识别两种不同的注意力状态下的运动起始意图；
所述认知相关的频域特征是对Theta和Alpha频段采用功率谱密度函数Z(f)获得的分类特征,其表达式为：
Figure FDA0003256526590000011
其中，FFT为快速傅里叶变换，将信号由时域转换到频域表示；N为傅里叶变换的点数，N＝200；Z(t)为脑电信号时域矩阵；得到的Z(f)为频域特征向量；
所述主成分分析法具体为：计算相关系数矩阵；根据所述相关系数矩阵计算特征值和特征向量；基于所述特征值和特征向量，计算每个主成分的贡献率与累计贡献率；根据每个主成分的累计贡献率，选择累计贡献率达95％的主成分作为所述脑电信号特征信息；
S14、根据所述脑电信号特征信息，对运动任务过程中的注意力状态进行识别，判断在运动任务过程中是否存在认知分心；
将所述脑电信号特征信息分别输入到线性判别分析和支持向量机中，输出在运动任务过程中是否存在认知分心的注意力状态；
S2、对注意力集中和有认知分心的注意力状态下的运动起始意图分别采用不同的运动起始意图的识别模型进行识别。
2.根据权利要求1所述的考虑认知分心的运动起始意图神经解析方法，其特征在于，所述步骤S2具体为：
S21、采集人脑指定电极位置的脑电信号；
S22、将所述脑电信号进行预处理；
S23、将预处理后的脑电信号进行特征提取，得到脑电信号特征信息；
S24、根据所述脑电信号特征信息，对注意力集中和有认知分心的注意力状态下的运动起始意图分别进行识别。
3.根据权利要求2所述的考虑认知分心的运动起始意图神经解析方法，其特征在于，步骤S23中,采用0.01-4Hz的运动皮质电位MRCP时域信号作为建模分类的特征，并采用主成分分析法进行特征降维，得到所述脑电信号特征信息。
4.根据权利要求2所述的考虑认知分心的运动起始意图神经解析方法，其特征在于，所述步骤S24具体为：
使用线性判别分析LDA分别在两种注意力状态下，即注意力集中和有认知分心的注意力状态，分别建立运动起始意图的识别模型，并进行运动意图的识别。
CN202110053343.4A 2021-01-15 2021-01-15 一种考虑认知分心的运动起始意图神经解析方法 Active CN112869743B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110053343.4A CN112869743B (zh) 2021-01-15 2021-01-15 一种考虑认知分心的运动起始意图神经解析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110053343.4A CN112869743B (zh) 2021-01-15 2021-01-15 一种考虑认知分心的运动起始意图神经解析方法

Publications (2)

Publication Number Publication Date
CN112869743A CN112869743A (zh) 2021-06-01
CN112869743B true CN112869743B (zh) 2021-10-22

Family

ID=76048011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110053343.4A Active CN112869743B (zh) 2021-01-15 2021-01-15 一种考虑认知分心的运动起始意图神经解析方法

Country Status (1)

Country Link
CN (1) CN112869743B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114366101B (zh) * 2021-12-31 2024-05-03 西安臻泰智能科技有限公司 运动想象脑电信号分类方法、装置、设备和存储介质
CN114569130B (zh) * 2022-02-25 2023-07-04 西南交通大学 高速铁路行车调度员监控工作的注意力水平识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140117826A (ko) * 2013-03-27 2014-10-08 인텔렉추얼디스커버리 주식회사 뇌파 측정을 이용한 사용자 상태 분류 방법 및 장치
CN107981997A (zh) * 2017-11-23 2018-05-04 郑州布恩科技有限公司 一种基于人脑运动意图的智能轮椅控制方法及系统
CN112205988A (zh) * 2020-10-13 2021-01-12 北京理工大学 一种双手协同运动下的手部运动方向解码方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140117826A (ko) * 2013-03-27 2014-10-08 인텔렉추얼디스커버리 주식회사 뇌파 측정을 이용한 사용자 상태 분류 방법 및 장치
CN107981997A (zh) * 2017-11-23 2018-05-04 郑州布恩科技有限公司 一种基于人脑运动意图的智能轮椅控制方法及系统
CN112205988A (zh) * 2020-10-13 2021-01-12 北京理工大学 一种双手协同运动下的手部运动方向解码方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Classification of EEG signals to identify variations in attention during motor task execution;Susan Aliakbaryhosseinabadi等;《Journal of Neuroscience Methods》;20170430;摘要、正文第28页左栏第2-4段、第30页右栏倒数第1段、第31页全文、第33页左栏第4段 *
Decoding Single-Hand and Both-Hand Movement Directions From Noninvasive Neural Signals;Jiarong Wang等;《IEEE Transactions on Biomedical Engineering》;20201027;摘要、正文第1933—1935页："B、数据采集"以及"C、数据分析" *

Also Published As

Publication number Publication date
CN112869743A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
US8862581B2 (en) Method and system for concentration detection
US9149719B2 (en) Device and method for generating a representation of a subject's attention level
US10433752B2 (en) Method for the real-time identification of seizures in an electroencephalogram (EEG) signal
Knight Signal fraction analysis and artifact removal in EEG
CN112890834B (zh) 面向注意力识别的基于机器学习的眼电信号分类器
Alturki et al. Common spatial pattern technique with EEG signals for diagnosis of autism and epilepsy disorders
CN112869743B (zh) 一种考虑认知分心的运动起始意图神经解析方法
Lahiri et al. Evolutionary perspective for optimal selection of EEG electrodes and features
CN112205988B (zh) 一种双手协同运动下的手部运动方向解码方法及系统
CN115211858A (zh) 一种基于深度学习的情绪识别方法、系统及可存储介质
Neshov et al. Classification of mental tasks from EEG signals using spectral analysis, PCA and SVM
Kumar et al. Evidence of task-independent person-specific signatures in EEG using subspace techniques
Pazhanirajan et al. EEG signal classification using linear predictive cepstral coefficient features
Hurtado-Rincon et al. Motor imagery classification using feature relevance analysis: An Emotiv-based BCI system
Dzitac et al. Identification of ERD using fuzzy inference systems for brain-computer interface
Velásquez-Martínez et al. Motor imagery classification for BCI using common spatial patterns and feature relevance analysis
CN113171111B (zh) 一种上肢运动方向神经解码方法和装置
CN111736690A (zh) 基于贝叶斯网络结构辨识的运动想象脑机接口
Elgharabawy et al. Decoding of finger movement using kinematic model classification and regression model switching
KR102630840B1 (ko) 근전도 신호 기반 인식 정보 추출 시스템과 이를 이용한 근전도 신호 기반 인식 정보 추출 방법
Lin et al. Classification of EEG Signals Using a Common Spatial Pattern Based Motor-Imagery for a Lower-limb Rehabilitation Exoskeleton
Vadivu et al. An Novel Versatile Inspiring Wavelet Transform and Resilient Direct Neural Network Classification Techniques for Monitoring Brain Activity System Based on EEG Signal
Ince et al. ECoG based brain computer interface with subset selection
Wang et al. Comfort Assessment Method of EEG-Based Exoskeleton Walking-Assistive Device.
Chen et al. A stimulus-response based EEG biometric using mallows distance

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