CN115836864A - 一种基于多脑bci的目标增强判读方法和装置 - Google Patents
一种基于多脑bci的目标增强判读方法和装置 Download PDFInfo
- Publication number
- CN115836864A CN115836864A CN202211211913.9A CN202211211913A CN115836864A CN 115836864 A CN115836864 A CN 115836864A CN 202211211913 A CN202211211913 A CN 202211211913A CN 115836864 A CN115836864 A CN 115836864A
- Authority
- CN
- China
- Prior art keywords
- data
- electroencephalogram data
- classifier
- testees
- current group
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012360 testing method Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012417 linear regression Methods 0.000 claims description 19
- 238000002474 experimental method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 238000012935 Averaging Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 abstract description 11
- 230000004044 response Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004751 neurological system process Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Landscapes
- 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多脑BCI的目标增强判读方法和装置，包括获取多名被试者看到当前组测试图片时的脑电数据并进行预处理；将多名被试者的当前组的预处理后的脑电数据输入至分类器中进行训练更新分类器的参数；获取下一组测试图片作为当前组测试图片，重复上述步骤，直至完成预设组测试图片的分类，得到预设组的输出分数，输出分数最高对应的一组测试图片中含有目标图片。结合了多脑的先天优势，在相同的时间内获得了更多的信息，将多人的脑电数据通过对齐算法对齐都叠加平均可以增加脑电信号的信噪比，进而增加分类精度；或者通过与被试者数量对应的分类器单独得到每一个被试者的输出分数再叠加，在保障效率的同时，可有效提高目标判读的精度。
Description
技术领域
本发明属于脑科学技术领域，特别是涉及基于多脑BCI的目标增强判读方法和装置。
背景技术
脑科学最新研究成果表明，人类长期进化的大脑对敏感目标将产生出特定的神经信息响应。利用大脑的神经特性开发的新型“脑-机接口”系统，可以有效解决一些复杂应用场景如(弱隐目标识别)中的问题，解决机器视觉方法依赖于大规模的标注样本集、泛化性能差和缺少非结构化信息的快速分析等缺点。基于快速序列视觉呈现(RSVP)范式的脑-机接口被广泛应用在目标判读领域。
现有技术中，通常是基于单脑的RSVP范式的“脑-机接口”，而单脑的RSVP范式的“脑-机接口”存在一些问题：第一、基于多试次的RSVP范式的“脑-机接口”通过重复播放目标图像进而将脑电数据叠加平均，从而增加脑电解码的准确率。这种方式可以有效提高脑电的信噪比，但是对于一些目标随机出现的系统这种重复刺激的方式是难以实现的。同时这种重复播放也会浪费相应的时间，增加被试者的疲劳感；第二、基于单试次的RSVP范式的“脑-机接口”仅通过播放一次图片就可以得到结果，但是单试次的脑电是非平稳的随机信号，数据信噪比低、解码难度较大。目前大多数研究人员通过提出相应的机器学习、深度学习算法提高解码的准确度，但是目前仍然存在解码精度不高、无法面向实际应用等缺点；第三、实时性不高。目前大多数研究是通过将脑电数据离线采集后再进行脑电数据分析，得到的方法仅考虑算法的准确性并没有考虑算法的实时性。需要开展在线实验验证算法的实时性。
基于上述存在的问题，亟需提出一种新的目标判断方法。
发明内容
针对以上技术问题，本发明提供一种基于多脑BCI的目标增强判读方法和装置。
本发明解决其技术问题采用的技术方案是：
一种基于多脑BCI的目标增强判读方法，方法包括以下步骤：
S100：获取多名被试者看到当前组测试图片时的脑电数据，对当前组的脑电数据进行预处理得到当前组的预处理后的脑电数据；
S200：将多名被试者的当前组的预处理后的脑电数据输入至分类器中进行训练更新分类器的参数，具体包括：
S210：将每名被试者看到相同测试图片的当前组的预处理后的脑电数据通过残差迭代分解算法进行数据对齐，并对对齐后的数据进行叠加平均；将叠加平均后的数据输入至使用逐步线性回归的分类器中得到当前组测试的输出分数，根据多名被试者的当前组的预处理后的脑电数据训练更新使用逐步线性回归的分类器的参数；或者
S220：使用同一时间段的每名被试者的当前组的预处理后的脑电数据分别输入至与被试者数量对应的独立的分类器中得到与被试者数量对应的独立的分类器的输出分数，将与被试者数量对应的独立的分类器的输出分数叠加得到当前组测试的输出分数，根据多名被试者的预处理后的脑电数据训练以及更新对应的分类器的参数；
S300：获取下一组测试图片作为当前组测试图片，重复S100-S200，直至完成预设组测试图片的分类，得到预设组的输出分数，输出分数最高对应的一组测试图片中含有目标图片。
优选地，S100中对当前组的脑电数据进行预处理得到当前组的预处理后的脑电数据，包括：
S110：将当前组的脑电数据经过伪影空间重建方法去除眼电和肌电噪声；
S120：使用带通滤波器和陷波滤波器对去除噪声后的脑电信号滤波；
S130：截取被试者看到图片的100ms的开始到被试者看到图片的800ms的滤波后的脑电数据作为一个样本Xi，同时减去被试者看到图片前的300ms的数据的平均值μi，将得到的第一个被试者的样本记作
第二个被试者的样本记作/>
第i个被试者的样本记作/>
S140：对所有被试者的样本数据进行归一化，计算所有被试者归一化后数据的均值μ和方差σ；
S150：根据均值μ和方差σ将脑电信号做如下运算
完成预处理过程，得到当前组的预处理后的脑电数据。
优选地，S210中将每名被试者看到相同测试图片的当前组的预处理后的脑电数据通过残差迭代分解算法进行数据对齐，并对对齐后的数据进行叠加平均包括：
S211：获取每个被试者观看同一组图片时的脑电数据，单个被试者的脑电数据表示为：
EEGi(t)＝S(t)+R(t+τi)+ξ
其中，EEGi(t)指第i次实验得到的脑电数据，ξ表示噪声，S(t)指第一分量簇，R(t)指第二分量簇，S(t)和R(t)分别锁定在不同的时间标记上，τi指S(t)和R(t)之间的时间差；
S212：将所有被试者的脑电数据叠加后可得平均<ERP>s：
其中，n表示实验的总次数，τ为变量，τ的函数记作ρ(t)，ρ(t)是正态分布的，*代表卷积计算，为简便运算忽略掉噪声项，由此可以计算残差：
Resi＝EEGi-<ERP>s＝R(t+τi)-R*ρ
将得到的残差项进一步平均得到R的第一个估计值：
R1(t)＝<Res>＝R(t)-(R*ρ)*ρ
同时得到S的第一个估计值：
S1(t)＝<ERP>s-R1*ρ
＝<ERP>s-(R-(R*ρ)*ρ)*ρ
＝<ERP>s-R*ρ-R*ρ*ρ*ρ
＝S-R*ρ*ρ*ρ
依次迭代N步后得到S和R的估计值：
Sn＝S-R*ρ*…*ρ→S
Rn＝R-R*ρ*…*ρ→R
优选地，S210中将叠加平均后的数据输入至使用逐步线性回归的分类器中得到当前组测试的输出分数，根据多名被试者的当前组的预处理后的脑电数据训练更新使用逐步线性回归的分类器的参数包括：
S213：将叠加后的样本变化成一维向量[x1，x2，…，xn](n＞2)；
S214：根据一维向量、分类器的参数和随机误差得到样本标签：
yi＝β0+β1x1+β2x2+…+βnxn+εi
其中，yi是第i次实验的样本标签(+1，-1)，[β0，β1，β2，…，βn]为分类器的参数，εi∈N(0，σ2)为随机误差；
令X＝[x1，x2，…xi，…xn]，Y＝[y1，y2，…，yn]，β＝[β0，β1，β2，…，βn]，可得简化式：
Y＝Xβ+ε
采用最小二乘法求解得分类器的参数的估计值：
采用逐次将xi依次从自变量中剔除，构建F检验xi对于yi的显著性，若存在不显著的变量xi从自变量中剔除，直至所有变量均具有显著性；
S215：根据一维向量、使用逐步线性回归的分类器和回归常数的估计值得到当前组脑电数据的输出分数，根据多名被试者的当前组的预处理后的脑电数据训练更新使用逐步线性回归的分类器的参数。
优选地，S220包括：
S221：将被试者的脑电数据展平成大小为(1，C×T)一维向量记作(x1，x2，x3，…，xn)，其中，n＝C×T，C代表脑电数据的通道数，T代表采集的脑电数据的长度，假设分类器的参数为(β0，β1，β2，…，βn)，εi表示随机噪声，可得样本标签的计算公式为：
yi＝β0+β1x1+β2x2+…+βnxn+εi
yi∈{+1，-1}
若yi＝1代表此样本是正样本，若yi＝-1代表此样本是负样本；
S222：当有K个样本运算时，表达式可以用矩阵来加速处理：
分类器可以表达为：
Y＝β*X+ε
假设E(ε)＝0，求解分类器的参数的估计值
的公式为
S222：对于第一个被试者的预测结果为p1：
p1＝β1*X1
对于第二个被试者的预测结果为p2：
p2＝β2*X2
对于第n个被试者的预测结果为pn：
pn＝βn*Xn
累加得到分类器的当前组测试的输出分数p＝p1+p2+…+pn；
S223：根据多名被试者的预处理后的脑电数据训练以及更新对应的分类器的参数。
优选地，S100中的图片将按照预设的规则进行播放，预设的规则具体为：屏幕会显示文字提示被试者开始观看图片和结束观看，每次提示被试者观看时会连续播放10张图片，每张图片显示时长为200ms，两张图片之间间隔100ms，播放完10张图片后被试者有6s的休息时间，休息时间结束后开始下一轮的播放。
优选地，S200在被试者的休息时间执行。
一种基于多脑BCI的目标增强判读装置，包括脑电放大仪、显示装置和计算平台，脑电放大仪连接显示装置和计算平台，
脑电放大仪用来记录、保存被试者看到图片时的脑电数据并发送至显示装置和计算平台；
计算平台用于执行上述一种基于多脑BCI的目标增强判读方法；
显示装置用于显示实验进展提示、目标图像和非目标图像。
上述一种基于多脑BCI的目标增强判读方法和装置，结合了多脑的先天优势，在相同的时间内获得了更多的信息，将多人的脑电数据通过对齐算法对齐都叠加平均可以增加脑电信号的信噪比，进而增加分类精度；或者通过与被试者数量对应的分类器单独得到每一个被试者的输出分数再叠加，提高分类精度，在保障效率的同时，可有效提高目标判读的精度。
附图说明
图1为本发明一实施例中一种基于多脑BCI的目标增强判读方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案，下面结合附图对本发明作进一步的详细说明。
在一个实施例中，如图1所示，一种基于多脑BCI的目标增强判读方法，方法包括以下步骤：
S100：获取多名被试者看到当前组测试图片时的脑电数据，对当前组的脑电数据进行预处理得到当前组的预处理后的脑电数据。
具体地，多脑BCI(Brain Computer Interface，脑机接口)的目标增强判读方法对应的系统由一台脑电放大仪、三台显示器和计算平台构成。脑电放大仪用来记录、保存被试者看到图片时的脑电数据。显示器用来显示实验进展提示、目标图像和非目标图像，计算平台用来实时分析脑电数据，同时进行数据分类反馈脑电数据的分析结果。系统准备阶段，需要为被试者佩戴脑电帽以固定脑电放大仪的采集点，采集点和头皮之间通过注入脑电膏减少电阻。被试准备好后打开脑电记录软件开始数据记录。
在一个实施例中，S100中的图片将按照预设的规则进行播放，预设的规则具体为：屏幕会显示文字提示被试者开始观看图片和结束观看，每次提示被试者观看时会连续播放10张图片，每张图片显示时长为200ms，两张图片之间间隔100ms，播放完10张图片后被试者有6s的休息时间，休息时间结束后开始下一轮的播放。
在一个实施例中，S100中对当前组的脑电数据进行预处理得到当前组的预处理后的脑电数据，包括：
S110：将当前组的脑电数据经过伪影空间重建方法去除眼电和肌电噪声；
S120：使用带通滤波器和陷波滤波器对去除噪声后的脑电信号滤波；
S130：截取被试者看到图片的100ms的开始到被试者看到图片的800ms的滤波后的脑电数据作为一个样本Xi，同时减去被试者看到图片前的300ms的数据的平均值μi，将得到的第一个被试者的样本记作
第二个被试者的样本记作/>
第i个被试者的样本记作/>
S140：对所有被试者的样本数据进行归一化，计算所有被试者归一化后数据的均值μ和方差σ；
S150：根据均值μ和方差σ将脑电信号做如下运算
完成预处理过程，得到当前组的预处理后的脑电数据。
具体地，将采集得到的脑电数据，首先进行预处理，预处理主要包括伪影子空间重建(ASR)、滤波、移除基线、分段、信号归一化。伪影子空间重建(ASR)是一种在线和实时的去伪影方法，可以有效地去除瞬态或大振幅伪影。我们将得到的脑电信号经过伪影空间重建方法去除眼电和肌电噪声。然后进行滤波，使用0.1-30Hz带通滤波器和50Hz的陷波滤波器对信号滤波，去除一些和脑电无关的成分和工频干扰。截取被试看到图片的100ms的开始到被试看到图片的800ms的脑电数据作为一个样本Xi，同时减去看到图片前的300ms的数据的平均值μi，将得到的第一个人样本记作
第二个人记作/>
第i个人记作/>
最后对数据进行归一化，计算数据的均值μ和方差σ，将信号做如下运算/>
完成预处理过程。
S200：将多名被试者的当前组的预处理后的脑电数据输入至分类器中进行训练更新分类器的参数，具体包括：
S210：将每名被试者看到相同测试图片的当前组的预处理后的脑电数据通过残差迭代分解算法进行数据对齐，并对对齐后的数据进行叠加平均；将叠加平均后的数据输入至使用逐步线性回归的分类器中得到当前组测试的输出分数，根据多名被试者的当前组的预处理后的脑电数据训练更新使用逐步线性回归的分类器的参数；或者
S220：使用同一时间段的每名被试者的当前组的预处理后的脑电数据分别输入至与被试者数量对应的独立的分类器中得到与被试者数量对应的独立的分类器的输出分数，将与被试者数量对应的独立的分类器的输出分数叠加得到当前组测试的输出分数，根据多名被试者的预处理后的脑电数据训练以及更新对应的分类器的参数。
具体地，将多名被试者的当前组的预处理后的脑电数据输入至分类器中进行训练更新分类器的参数包括有S210和S220两种不同的方案。进一步地，S200在被试者的休息时间执行。通过判读一组图片后可即时得到结果，而不需要等所有数据采集结束后再进行解码，具有较高的实际应用价值。
在一个实施例中，S210中将每名被试者看到相同测试图片的当前组的预处理后的脑电数据通过残差迭代分解算法进行数据对齐，并对对齐后的数据进行叠加平均包括：
S211：获取每个被试者观看同一组图片时的脑电数据，单个被试者的脑电数据表示为：
EEGi(t)＝S(t)+R(t+τi)+ξ
其中，EEGi(t)指第i次实验得到的脑电数据，ξ表示噪声，S(t)指第一分量簇，R(t)指第二分量簇，S(t)和R(t)分别锁定在不同的时间标记上，τi指S(t)和R(t)之间的时间差；
S212：将所有被试者的脑电数据叠加后可得平均<ERP>s：
其中，n表示实验的总次数，τ为变量，τ的函数记作ρ(t)，ρ(t)是正态分布的，*代表卷积计算，为简便运算忽略掉噪声项，由此可以计算残差：
Resi＝EEGi-<ERP>s＝R(t+τi)-R*ρ
将得到的残差项进一步平均得到R的第一个估计值：
R1(t)＝<Res>＝R(t)-(R*ρ)*ρ
同时得到S的第一个估计值：
S1(t)＝<ERP>s-R1*ρ
＝<ERP>s-(R-(R*ρ)*ρ)*ρ
＝<ERP>s-R*ρ-R*ρ*ρ*ρ
＝S-R*ρ*ρ*ρ
依次迭代N步后得到S和R的估计值：
Sn＝S-R*ρ*…*ρ→S
Rn＝R-R*ρ*…*ρ→R
具体地，单次试验EEG由标记为S和R的两个分量簇组成，它们分别锁定到两个不同的时间标记，例如刺激开始和响应。通过迭代N步后得到S和R的估计值，得到了从静态组件集群中提取延迟可变(移动)组件集群的过程。一般地可以将信号推广到分离三个主要组件集群，一个名为S的刺激锁定组件簇，它应该包括视觉感知或结构编码等神经过程，这些过程与响应速度相对无关，并显示锁定到刺激开始的延迟，一个名为R的响应锁定组件集群，它应该包括与动作相关的过程，例如动作准备和执行。
在一个实施例中，S210中将叠加平均后的数据输入至使用逐步线性回归的分类器中得到当前组测试的输出分数，根据多名被试者的当前组的预处理后的脑电数据训练更新使用逐步线性回归的分类器的参数包括：
S213：将叠加后的样本变化成一维向量[x1，x2，…，xn](n＞2)；
S214：根据一维向量、分类器的参数和随机误差得到样本标签：
yi＝β0+β1x1+β2x2+…+βnxn+εi
其中，yi是第i次实验的样本标签(+1，-1)，[β0，β1，β2，…，βn]为分类器的参数，εi∈N(0，σ2)为随机误差；
令X＝[x1，x2，…xi，…xn]，Y＝[y1，y2，…，yn]，β＝[β0，β1，β2，…，βn]，可得简化式：
Y＝Xβ+ε
采用最小二乘法求解得分类器的参数的估计值：
采用逐次将xi依次从自变量中剔除，构建F检验xi对于yi的显著性，若存在不显著的变量xi从自变量中剔除，直至所有变量均具有显著性；
S215：根据一维向量、使用逐步线性回归的分类器和回归常数的估计值得到当前组脑电数据的输出分数，根据多名被试者的当前组的预处理后的脑电数据训练更新使用逐步线性回归的分类器的参数。
S300：获取下一组测试图片作为当前组测试图片，重复S100-S200，直至完成预设组测试图片的分类，得到预设组的输出分数，输出分数最高对应的一组测试图片中含有目标图片。
完成了基于多脑BCI的目标增强判读方法，结合了多人的脑电数据进行对齐和叠加，既可以拿到单人多试次的准确率，又可以达到单试次的效率。
在一个实施例中，S220包括：
S221：将被试者的脑电数据展平成大小为(1，C×T)一维向量记作(x1，x2，x3，…，xn)，其中，n＝C×T，C代表脑电数据的通道数，T代表采集的脑电数据的长度，假设分类器的参数为(β0，β1，β2，…，βn)，εi表示随机噪声，可得样本标签的计算公式为：
yi＝β0+β1x1+β2x2+…+βnxn+εi
yi∈{+1，-1}
若yi＝1代表此样本是正样本，若yi＝-1代表此样本是负样本；
S222：当有K个样本运算时，表达式可以用矩阵来加速处理：
分类器可以表达为：
Y＝β*X+ε
假设E(ε)＝0，求解分类器的参数的估计值
的公式为
S222：对于第一个被试者的预测结果为p1：
p1＝β1*X1
对于第二个被试者的预测结果为p2：
p2＝β2*X2
对于第n个被试者的预测结果为pn：
pn＝βn*Xn
累加得到分类器的当前组测试的输出分数p＝p1+p2+…+pn；
S223：根据多名被试者的预处理后的脑电数据训练以及更新对应的分类器的参数。
具体地，对同一时间段的三个被试者的脑电图样本，使用三个独立的分类器计算得分，分类器为多元线性回归模型，并对得分进行累积，得到最终输出分数。模型中有两个过程：训练过程和预测过程。训练过程利用数据和已知标签作为监督信息，不断更新模型的参数。预测过程根据给定的数据进行推断，不需要再调整任何参数。
S300：获取下一组测试图片作为当前组测试图片，重复S100-S200，直至完成预设组测试图片的分类，得到预设组的输出分数，输出分数最高对应的一组测试图片中含有目标图片。
具体地，已知一次试次中会包含十组样本，按顺序回归出它们的得分，然后取得分最大的对应样本，判断它包含目标，其余九组为负样本，不包含目标。
上述一种基于多脑BCI的目标增强判读方法，提出了一种基于多脑的快速序列视觉呈现(RSVP)的新型脑-机接口范式，用于复杂场景的目标增强判读。在保障效率的同时，可有效提高目标判读的精度。结合了多脑的先天优势，在相同的时间内获得了更多的信息，将多人的脑电数据通过对齐算法对齐都叠加平均可以增加脑电信号的信噪比，进而增加分类精度；或者通过与被试者数量对应的分类器单独得到每一个被试者的输出分数再叠加，提高分类精度；另外，通过判读一组图片后可即时进行在线分类得到结果，而不需要等所有数据采集结束后再进行解码，具有较高的实际应用价值。
一种基于多脑BCI的目标增强判读装置，包括脑电放大仪、显示装置和计算平台，脑电放大仪连接显示装置和计算平台，
脑电放大仪用来记录、保存被试者看到图片时的脑电数据并发送至显示装置和计算平台；
计算平台用于执行一种基于多脑BCI的目标增强判读方法；
显示装置用于显示实验进展提示、目标图像和非目标图像。
关于一种基于多脑BCI的目标增强判读装置的具体限定可参照一种基于多脑BCI的目标增强判读方法的限定，在此不做赘述。
以上对本发明所提供的一种基于多脑BCI的目标增强判读方法和装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种基于多脑BCI的目标增强判读方法，其特征在于，所述方法包括以下步骤：
S100：获取多名被试者看到当前组测试图片时的脑电数据，对所述当前组的脑电数据进行预处理得到当前组的预处理后的脑电数据；
S200：将多名被试者的当前组的预处理后的脑电数据输入至分类器中进行训练更新所述分类器的参数，具体包括：
S210：将每名被试者看到相同测试图片的当前组的预处理后的脑电数据通过残差迭代分解算法进行数据对齐，并对对齐后的数据进行叠加平均；将叠加平均后的数据输入至使用逐步线性回归的分类器中得到当前组测试的输出分数，根据多名被试者的所述当前组的预处理后的脑电数据训练更新所述使用逐步线性回归的分类器的参数；或者
S220：使用同一时间段的每名被试者的当前组的预处理后的脑电数据分别输入至与被试者数量对应的独立的分类器中得到与被试者数量对应的独立的分类器的输出分数，将与被试者数量对应的独立的分类器的输出分数叠加得到当前组测试的输出分数，根据多名被试者的所述预处理后的脑电数据训练以及更新对应的分类器的参数；
S300：获取下一组测试图片作为当前组测试图片，重复S100-S200，直至完成预设组测试图片的分类，得到预设组的输出分数，输出分数最高对应的一组测试图片中含有目标图片。
2.根据权利要求1所述的方法，其特征在于，S100中对所述当前组的脑电数据进行预处理得到当前组的预处理后的脑电数据，包括：
S110：将所述当前组的脑电数据经过伪影空间重建方法去除眼电和肌电噪声；
S120：使用带通滤波器和陷波滤波器对去除噪声后的脑电信号滤波；
S130：截取被试者看到图片的100ms的开始到被试者看到图片的800ms的滤波后的脑电数据作为一个样本Xi，同时减去被试者看到图片前的300ms的数据的平均值μi，将得到的第一个被试者的样本记作
第二个被试者的样本记作
第i个被试者的样本记作
S140：对所有被试者的样本数据进行归一化，计算所有被试者归一化后数据的均值μ和方差σ；
S150：根据所述均值μ和所述方差σ将脑电信号做如下运算
完成预处理过程，得到当前组的预处理后的脑电数据。
3.根据权利要求2所述的方法，其特征在于，S210中将每名被试者看到相同测试图片的当前组的预处理后的脑电数据通过残差迭代分解算法进行数据对齐，并对对齐后的数据进行叠加平均包括：
S211：获取每个被试者观看同一组图片时的脑电数据，单个被试者的脑电数据表示为：
EEGi(t)＝S(t)+R(t+τi)+ξ
其中，EEGi(t)指第i次实验得到的脑电数据，ξ表示噪声，S(t)指第一分量簇，R(t)指第二分量簇，S(t)和R(t)分别锁定在不同的时间标记上，τi指S(t)和R(t)之间的时间差；
S212：将所有被试者的脑电数据叠加后可得平均<ERP>S：
其中，n表示实验的总次数，τ为变量，τ的函数记作ρ(t)，ρ(t)是正态分布的，*代表卷积计算，为简便运算忽略掉噪声项，由此可以计算残差：
Resi＝EEGi-<ERP>s＝R(t+τi)-R*ρ
将得到的残差项进一步平均得到R的第一个估计值：
R1(t)＝<Res>＝R(t)-(R*ρ)*ρ
同时得到S的第一个估计值：
S1(t)＝<ERP>s-R1*ρ
＝<ERP>s-(R-(R*ρ)*ρ)*ρ
＝<ERP>s-R*ρ-R*ρ*ρ*ρ
＝S-R*ρ*ρ*ρ
依次迭代N步后得到S和R的估计值：
Sn＝S-R*ρ*…*ρ→S
Rn＝R-R*ρ*…*ρ→R
4.根据权利要求3所述的方法，其特征在于，S210中将叠加平均后的数据输入至使用逐步线性回归的分类器中得到当前组测试的输出分数，根据多名被试者的所述当前组的预处理后的脑电数据训练更新所述使用逐步线性回归的分类器的参数包括：
S213：将叠加后的样本变化成一维向量[x1,x2,…,xn](n>2)；
S214：根据所述一维向量、分类器的参数和随机误差得到样本标签：
yi＝β0+β1x1+β2x2+…+βnxn+εi
其中，yi是第i次实验的样本标签(+1,-1)，[β0,β1,β2,…,βn]为分类器的参数，εi∈N(0，σ2)为随机误差；
令X＝[x1,x2,…xi,…xn]，Y＝[y1,y2,…,yn],β＝[β0,β1,β2,…,βn]，可得简化式：
Y＝Xβ+ε
采用最小二乘法求解得分类器的参数的估计值：
采用逐次将xi依次从自变量中剔除，构建F检验xi对于yi的显著性，若存在不显著的变量xi从自变量中剔除，直至所有变量均具有显著性；
S215：根据所述一维向量、所述使用逐步线性回归的分类器和所述回归常数的估计值得到当前组脑电数据的输出分数，根据多名被试者的所述当前组的预处理后的脑电数据训练更新所述使用逐步线性回归的分类器的参数。
5.根据权利要求1所述的方法，其特征在于，S220包括：
S221：将被试者的脑电数据展平成大小为(1,C×T)一维向量记作(x1,x2,x3,…,xn)，其中，n＝C×T，C代表脑电数据的通道数，T代表采集的脑电数据的长度，假设分类器的参数为(β0,β1,β2,…,βn)，εi表示随机噪声，可得样本标签的计算公式为：
yi＝β0+β1x1+β2x2+…+βnxn+εi
yi∈{+1,-1}
若yi＝1代表此样本是正样本，若yi＝-1代表此样本是负样本；
S222：当有K个样本运算时，表达式可以用矩阵来加速处理：
分类器可以表达为：
Y＝β*X+ε
假设E(ε)＝0，求解分类器的参数的估计值
的公式为
S222：对于第一个被试者的预测结果为p1：
p1＝β1*X1
对于第二个被试者的预测结果为p2：
p2＝β2*X2
对于第n个被试者的预测结果为pn：
pn＝βn*Xn
累加得到分类器的当前组测试的输出分数p＝p1+p2+…+pn；
S223：根据多名被试者的所述预处理后的脑电数据训练以及更新对应的分类器的参数。
6.根据权利要求1所述的方法，其特征在于，S100中的图片将按照预设的规则进行播放，所述预设的规则具体为：屏幕会显示文字提示被试者开始观看图片和结束观看，每次提示被试者观看时会连续播放10张图片，每张图片显示时长为200ms，两张图片之间间隔100ms，播放完10张图片后被试者有6s的休息时间，休息时间结束后开始下一轮的播放。
7.根据权利要求6所述的方法，其特征在于，S200在被试者的休息时间执行。
8.一种基于多脑BCI的目标增强判读装置，其特征在于，包括脑电放大仪、显示装置和计算平台，所述脑电放大仪连接所述显示装置和所述计算平台，
所述脑电放大仪用来记录、保存被试者看到图片时的脑电数据并发送至所述显示装置和所述计算平台；
所述计算平台用于执行权利要求1至7中任一项所述的方法；
所述显示装置用于显示实验进展提示、目标图像和非目标图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211211913.9A CN115836864A (zh) | 2022-09-30 | 2022-09-30 | 一种基于多脑bci的目标增强判读方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211211913.9A CN115836864A (zh) | 2022-09-30 | 2022-09-30 | 一种基于多脑bci的目标增强判读方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115836864A true CN115836864A (zh) | 2023-03-24 |
Family
ID=85575030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211211913.9A Pending CN115836864A (zh) | 2022-09-30 | 2022-09-30 | 一种基于多脑bci的目标增强判读方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115836864A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210173482A1 (en) * | 2018-01-23 | 2021-06-10 | Tianjin University | Asymmetric eeg-based coding and decoding method for brain-computer interfaces |
| CN113867533A (zh) * | 2021-09-30 | 2021-12-31 | 中国人民解放军战略支援部队信息工程大学 | 多脑协同脑机接口系统及基于该系统实现的视频目标检测方法 |
| WO2022160842A1 (zh) * | 2021-01-26 | 2022-08-04 | 华中师范大学 | 一种基于脑电数据的学生协作状态评估方法及系统 |
| US20230054751A1 (en) * | 2020-08-26 | 2023-02-23 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for classifying electroencephalogram signal, method and apparatus for training classification model, and electronic device and computer-readable storage medium |
-
2022
- 2022-09-30 CN CN202211211913.9A patent/CN115836864A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210173482A1 (en) * | 2018-01-23 | 2021-06-10 | Tianjin University | Asymmetric eeg-based coding and decoding method for brain-computer interfaces |
| US20230054751A1 (en) * | 2020-08-26 | 2023-02-23 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for classifying electroencephalogram signal, method and apparatus for training classification model, and electronic device and computer-readable storage medium |
| WO2022160842A1 (zh) * | 2021-01-26 | 2022-08-04 | 华中师范大学 | 一种基于脑电数据的学生协作状态评估方法及系统 |
| CN113867533A (zh) * | 2021-09-30 | 2021-12-31 | 中国人民解放军战略支援部队信息工程大学 | 多脑协同脑机接口系统及基于该系统实现的视频目标检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 官金安;荆汉娜;李梅;: ""模拟阅读"脑-机接口信号的核Fisher分类", 中南民族大学学报(自然科学版), no. 02, 15 June 2013 (2013-06-15), pages 87 - 91 * |
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 | |
| CN111329474B (zh) | 基于深度学习的脑电身份识别方法、系统及信息更新方法 | |
| Esfahani et al. | Classification of primitive shapes using brain–computer interfaces | |
| CN111714118B (zh) | 一种基于集成学习的脑认知模型融合方法 | |
| CN111783942B (zh) | 一种基于卷积循环神经网络的脑认知过程模拟方法 | |
| Lahane et al. | A review of recent trends in EEG based Brain-Computer Interface | |
| CN111110230A (zh) | 一种运动想象脑电特征增强方法及系统 | |
| CN112488002B (zh) | 基于n170的情绪识别方法及识别系统 | |
| CN111091074A (zh) | 最优区域共空间模式的运动想象脑电信号分类方法 | |
| CN114533086A (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
| Hosseini et al. | Classification of emotional stress using brain activity | |
| CN113974627B (zh) | 一种基于脑机生成对抗的情绪识别方法 | |
| CN115659207A (zh) | 一种脑电情绪识别方法及系统 | |
| CN113128353B (zh) | 面向自然人机交互的情绪感知方法及其系统 | |
| CN111772629B (zh) | 一种脑认知技能移植的方法 | |
| CN112450949A (zh) | 一种用于认知康复训练的脑电信号处理方法及系统 | |
| CN111671421A (zh) | 一种基于脑电图的儿童需求感知方法 | |
| Akrout et al. | Artificial and convolutional neural network of EEG-based motor imagery classification: A comparative study | |
| CN115836864A (zh) | 一种基于多脑bci的目标增强判读方法和装置 | |
| CN116035577A (zh) | 一种结合注意力机制与crnn的脑电情感识别方法 | |
| CN115392287A (zh) | 一种基于自监督学习的脑电信号在线自适应分类方法 | |
| CN115349872A (zh) | 基于脑电的红外背景下飞机识别的大脑认知机制研究方法 | |
| CN110516711B (zh) | Mi-bci系统的训练集质量评估方法和单次训练样本的优化方法 | |
| Miladinović et al. | Performance of dual-augmented Lagrangian method and common spatial patterns applied in classification of motor-imagery BCI | |
| CN114081492A (zh) | 一种基于可学习邻接矩阵的脑电情绪识别系统 |
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 |