CN116360602A - 一种脑机接口功能改进、测试方法、装置、设备及介质 - Google Patents
一种脑机接口功能改进、测试方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116360602A CN116360602A CN202310546082.9A CN202310546082A CN116360602A CN 116360602 A CN116360602 A CN 116360602A CN 202310546082 A CN202310546082 A CN 202310546082A CN 116360602 A CN116360602 A CN 116360602A
- Authority
- CN
- China
- Prior art keywords
- brain
- computer interface
- scene
- control
- function
- 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
- 230000006872 improvement Effects 0.000 title claims abstract description 39
- 238000010998 test method Methods 0.000 title claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 95
- 238000012545 processing Methods 0.000 claims abstract description 57
- 210000004556 brain Anatomy 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 95
- 230000006870 function Effects 0.000 claims description 86
- 239000013598 vector Substances 0.000 claims description 56
- 230000008569 process Effects 0.000 claims description 42
- 230000004927 fusion Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 230000000763 evoking effect Effects 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000012217 deletion Methods 0.000 claims description 8
- 230000037430 deletion Effects 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 7
- 238000003379 elimination reaction Methods 0.000 claims description 7
- 238000010197 meta-analysis Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012827 research and development Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000000638 stimulation Effects 0.000 description 4
- 238000011990 functional testing Methods 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002570 electrooculography Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008775 paternal effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 101150049349 setA gene Proteins 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/26—Functional testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
- G06F2203/01—Indexing scheme relating to G06F3/01
- G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Dermatology (AREA)
- Human Computer Interaction (AREA)
- Neurosurgery (AREA)
- Neurology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明实施例公开一种脑机接口功能改进、测试方法、装置、设备及介质，属于脑电信号处理技术领域。主要包括：对通过脑机接口控制的物体在运行时的场景数据以及相应控制人的脑电信号进行采集；对所述场景数据进行处理得到多个逻辑场景，并对所述脑电信号进行处理得到与所述控制人控制所述物体运行的多个控制意图中每个控制意图一一对应的多个控制脑电信号；以及根据所述多个逻辑场景、所述多个控制脑电信号以及所述多个控制意图相互之间的对应关系对所述脑机接口进行参数设置得到功能改进脑机接口。本发明实施例能够有效地改善脑机接口的控制功能，并能够方便地对改进后脑机接口的功能进行测试。
Description
技术领域
本发明涉及脑电信号处理技术领域，尤其涉及一种脑机接口功能改进、测试方法、装置、设备及介质。
背景技术
随着脑机接口研究的不断深入，现有技术对越来越多的物体的脑机接口控制方案开始进行研究，例如，脑控车辆作为一种通过脑机接口由人脑而非四肢控制的车辆，已经成为智能车辆的前沿研究领域。目前，虽然国内外领先企业与科研机构已经开始围绕脑控汽车和脑机接口开展相关研究，但是尚处于探索阶段，在基于脑车环境交互、自动驾驶测试的脑机接口功能改进和测试方面并没有进行深入研究，缺乏一种基于脑车环境交互的智能汽车脑机接口功能的改进和测试方案。
发明内容
本发明实施例提供一种脑机接口功能改进、测试方法、装置、设备及介质，能够有效地改善脑机接口的控制功能，并能够方便地对脑机接口的功能进行测试，进而为脑机接口的设计研发和维护提供支持，提高效率。
第一方面，本发明实施例提供一种脑机功能改进方法，包括：对通过脑机接口控制的物体在运行时的场景数据以及相应控制人的脑电信号进行采集；对所述场景数据进行处理得到多个逻辑场景，并对所述脑电信号进行处理得到与所述控制人控制所述物体运行的多个控制意图中每个控制意图一一对应的多个控制脑电信号；以及根据所述多个逻辑场景、所述多个控制脑电信号以及所述多个控制意图相互之间的对应关系对所述脑机接口进行参数设置得到功能改进脑机接口。
第二方面，本发明实施例提供一种脑机接口功能测试方法，包括：对通过脑机接口控制的物体在运行时的场景数据以及相应控制人的脑电信号进行采集；对所述场景数据进行处理得到多个逻辑场景，并对所述脑电信号进行处理得到与所述控制人控制所述物体运行的多个控制意图中每个控制意图一一对应的多个控制脑电信号；根据所述多个逻辑场景、所述多个控制脑电信号以及所述多个控制意图相互之间的对应关系对所述脑机接口进行参数设置得到功能改进脑机接口；以及，利用测试场景对所述改进脑机接口控制所述物体运行的功能进行测试。
第三方面，本发明实施例提供一种脑机接口功能改进装置，包括：采集模块，用于对通过脑机接口控制的物体在运行时的场景数据以及相应控制人的脑电信号进行采集；数据处理模块，用于对所述场景数据进行处理得到多个逻辑场景，并对所述脑电信号进行处理得到与所述控制人控制所述物体运行的多个控制意图中每个控制意图一一对应的多个控制脑电信号；设置改进模块，用于根据所述多个逻辑场景、所述多个控制脑电信号以及所述多个控制意图相互之间的对应关系对所述脑机接口进行参数设置得到功能改进脑机接口。
第四方面，本发明实施例提供一种脑机接口功能测试装置，包括：采集模块，用于对通过脑机接口控制的物体在运行时的场景数据以及相应控制人的脑电信号进行采集；数据处理模块，用于对所述场景数据进行处理得到多个逻辑场景，并对所述脑电信号进行处理得到与所述控制人控制所述物体运行的多个控制意图中每个控制意图一一对应的多个控制脑电信号；设置改进模块，用于根据所述多个逻辑场景、所述多个控制脑电信号以及所述多个控制意图相互之间的对应关系对所述脑机接口进行参数设置得到功能改进脑机接口；以及测试模块，用于利用测试场景对所述改进脑机接口控制所述物体运行的功能进行测试。
第五方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的脑机接口功能改进方法或者脑机接口功能测试方法。
第六方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的脑机接口功能改进方法脑机接口功能测试方法。
本发明提供的一种脑机接口功能改进、测试方法、装置、设备及介质，通过利用脑电信号和对应的脑机接口控制物体运行的场景信息，对脑机接口进行功能改进，并对功能改进后的脑机接口进行了功能测试，可以提高脑机接口对相应物体的控制精确度，并能够方便地对改进后脑机接口的控制功能进行测试，进而为脑机接口的设计研发和维护提供支持，提高效率。
附图说明
图1是本发明实施例提供的脑机功能改进方法的一个流程示意图；
图2是本发明实施例提供的脑机功能改进方法的另一个流程示意图；
图3是本发明实施例提供的脑机接口功能测试方法的一个流程示意图；
图4是本发明实施例提供的脑机功能改进装置的一个结构示意图；
图5是本发明实施例提供的脑机功能测试装置的一个结构示意图；
图6是本发明实施例提供的电子设备的一个结构示意图。
实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供的脑机接口功能改进方法的一个流程示意图，该方法可以由本发明实施例提供的脑机接口功能改进装置来执行，该装置可采用软件和/或硬件的方式实现。在一个具体的实施例中，该装置可以集成在电子设备中，电子设备比如可以是计算机、服务器等。以下实施例将以该装置集成在电子设备中为例进行说明。参考图1，该方法具体可以包括如下步骤：
步骤101，对通过脑机接口控制的物体在运行时的场景数据以及相应控制人的脑电信号进行采集，以利于后续对场景数据和脑电信号进行处理后得到逻辑场景和控制脑电信号，并根据逻辑场景、相应的控制脑电信号以及相应的控制人的控制意图，对脑机接口进行功能改进。
具体的，上述脑机接口控制的物体可以是轮椅、机械臂等物体。
优选的，上述脑机接口控制的物体是自动驾驶车辆。
具体的，上述场景数据和脑电信号可以是通过脑机接口控制的车辆在正常行驶的过程中所采集的场景数据和驾驶员的脑电信号，也可以是通过脑机接口控制的驾驶模拟器在运行的过程中所采集的虚拟场景数据和驾驶员的脑电信号，还可以是上述两种情况下采集的场景数据和脑电信号。
可选的，通过在脑机接口控制的车辆上加装雷达、摄像头等多传感器采集平台对上述场景数据进行采集。
可选的，通过为驾驶员佩戴多元脑电信号采集装置采集获取相应驾驶员的脑电信号。
具体的，上述通过脑机接口控制的车辆的正常行驶过程，可以是在正常交通运行场景中进行，优选在专用的试验场景中进行，以避免佩戴脑电信号采集设备对安全驾驶的影响。
优选的，上述相应控制人的脑电信号可以包括稳态视觉诱发电位(Steady-stateVisual Evoked Potentials, SSVEP)信号与运动想象(Motor Imagery, MI)信号。
具体的，上述相应控制人的脑电信号还可以是控制人的其他脑电信号，例如眼动信号。
步骤102，对所述场景数据进行处理得到多个逻辑场景，并对所述脑电信号进行处理得到与所述控制人控制所述物体运行的多个控制意图中每个控制意图一一对应的多个控制脑电信号，能够利于根据逻辑场景，以及对应的控制脑电信号以及对应的控制意图，对脑机接口进行功能改进。
在本发明的可选具体实施例中，上述对所述场景数据进行处理得到多个逻辑场景的过程包括：对所述场景数据进行解构得到解构场景数据。能够利于利用解构场景数据聚类得到逻辑场景。
具体的，对场景数据进行解构能够解决所采集的场景数据中的无序组合的问题。
可选的，上述对所述场景数据进行解构得到解构场景数据的解构方法包括：从运行场景的要素层面进行解构，从运行场景的结构层面进行解构，以及从语义层面进行解构。三种方法复杂程度依次递增，但对场景的描述能力同样递增，在实际应用中可以根据需求及设备进行选择。本发明优选从运行场景的结构层面进行解构。
在本发明的可选具体实施例中，对上述解构场景数据进行数字化处理得到数字解构场景，在数字结构场景的基础上进行逻辑场景的聚类。
具体的，上述对解构场景数据进行数字化处理的过程包括，将运行场景抽象成多维坐标系中的一个点。具体的，可以将场景中的要素利用数字表示，例如，用数字进行脑机接口所控制的车辆的速度，和位置坐标用数字进行表示。
在本发明的可选具体实施例中，根据所述数字解构场景聚类得到所述多个逻辑场景。
具体的，可以直接利用上述数字解构场景聚类得到所述多个逻辑场景。
可选的，对所述数字解构场景进行清除冗余操作和/或删除缺失操作得到聚类前场景数据后，对上述聚类前场景数据进行聚类得到上述多个逻辑场景。
具体的，采集的场景数据属于一个高度复杂的多源异构系统，不同数据来源之间的场景数据存在差异，可能会存在部分场景冗余以及部分场景缺失要素的情况，因此需要通过对数据进行清除冗余、删除缺失等清洗操作得到可用的聚类前场景数据。
具体的，上述场景冗余的情况例如，一条路上只要一辆车的场景；上述缺失要素的场景例如，因为传感设备故障，导致的所采集的场景中无必要的要素信息。
可选的，在聚类之前对上述聚类前场景数据进行量度标准化处理，例如可以利用Z-score标准化法进行量度标准化，以消除参数间不同量纲和数量级带来的负面影响。
可选的，可以利用密度峰值点优化的K均值聚类算法（K-means算法）对上述聚类前场景数据进行聚类得到上述多个逻辑场景。
在本发明的可选具体实例中，上述聚类前场景数据是对依照场景结构层面进行解构得到的解构场景数据，数字化处理并进行清除冗余操作和/或删除缺失操作和量度标准化处理得到的。上述利用密度峰值点优化的K均值聚类算法对上述聚类前场景数据进行聚类得到上述多个逻辑场景的过程如下：
对聚类前场景数据的密度峰值点进行选取；
选取欧式距离计算样本点两两之间距离
，假设/>
，
；/>
根据样本点两两之间距离
大小确定截断距离/>
，截断距离/>
表示的是选取点与所有点的相互距离中由小到大排列占总数前1%~2%的位置距离数值，可以理解为这个点的邻域半径。
计算每个样本点的局部密度
以及样本点与高密度点的距离/>
。
通过数据可绘制所示的
、/>
决策图判断密度峰值点、正常点以及离群点，其中同时拥有较大的/>
、/>
值的点表明在一定的范围内，不存在比这这些点密度更高的样本数据，其便为本数据集的密度峰值点（即聚类中心）；同时可以发现，有些点具有较大的/>
值，但/>
值较小，表明在一定范围内，这些样本点周围基本不存在其他样本，其便为本数据集的离群点；其他点便为分布于密度峰值点周围的正常点。
经过判断得到数据集聚类中心个数为
，根据得到的峰值点便可完成聚类。
可选的，选取核密度估计法完成场景概率分布估计：
假设
为经过聚类得到的独立同分布的n个样本点，设其概率密度函数为G，则核密度为：/>
其中，K为核函数，非负且积分值为1；h为平滑参数，由平均积分平方误差确定；
为缩放核函数。
在本发明的可选具体实施例中，所述对所述脑电信号进行处理的过程包括：对所述稳态视觉诱发电位信号利用典型相关性分析法进行分析处理。
具体的，还可以对上述稳态视觉诱发电位信号利用深度学习算法等进行处理。
可选的，上述脑机接口为车辆控制脑机接口，通过对上述稳态视觉诱发电位信号处理得到与驾驶员启动车辆意图或制动车辆意图对应的控制脑电信号。
可选的，还可以对所述稳态视觉诱发电位信号（SSVEP）进行去噪滤波后，利用典型相关性分析法进行分析处理。
具体的，正常的SSVEP信号曲线由平滑的线段做成，如果SSVEP信号曲线出现波动，则说明存在噪声，因此需要进行去噪滤波。
在本发明的可选具体实施例中，上述利用典型相关性分析法进行分析处理的过程具体如下。
假设变量集合
为采集的SSVEP信号，其中p为采集脑电信号时的通道数，q为采样点数；
变量集合
为参考信号，其表示为：/>
其中，i为刺激目标数，
为刺激频率，k为参考信号中的谐波数，/>
为采样率；
集合X与集合
的线性组合可以表示为/>
与/>
，其中/>
和/>
为权重矩阵：
故有x对应于第i种刺激对应参考信号的相关系数为：
若K表示刺激频率数目，则最终识别的目标刺激频率
为：
在系数结果中，系数最大的参考信号的频率被识别为目标刺激频率，这样便可获取脑电信号数据采集时驾驶员关于车辆启动或制动的意图。
在本发明的可选具体实施例中，所述对所述脑电信号进行处理的过程包括：对所述运动想象信号利用独立元分析法进行噪声和伪迹的消除得到预处理运动想象信号，并对所述预处理运动想象信号进行特征提取和分类。
可选的，上述脑机接口为车辆控制脑机接口，通过对上述运动想象信号处理得到与驾驶员控制车辆直行、左转、右转的意图对应的控制脑电信号。
具体的，在实际应用中，运动想象MI信号通常受到眼动引起的眼电图影响，因此需要对MI信号进行噪声和闪烁伪迹消除。
在本发明的可选具体实例中，可以根据独立元分析法先后利用时间滤波器以及空间滤波器对上述运动想象信号进行滤波处理。
在本发明的可选具体实例中，所述对所述预处理运动想象信号进行特征提取和分类的过程包括：对所述预处理运动想象信号中能够区分所述控制人不同思维状态的信号进行提取并利用向量进行表示得到运动想象信号特征向量；以及，对所述运动想象信号特征向量利用最近邻节点算法进行分类。
可选的，利用功率谱分析、小波变换、自回归模型、样本熵、共空间模式等方法对预处理运动想象信号进行特征提取。
可选的，利用线性判别式分析、支持向量机、人工神经网络以及贝叶斯分类器等对提取的运动想象信号进行分类。
具体的，独立元分析法（Independent Component Analysis, ICA）是一种盲源分离方法，可表示为：
其中，
，/>
为第i个MI信号采集电极采集的数据，k为实验次数，/>
，/>
为第i个独立分量，t表示采样时间点，解混矩阵为B，其可由盲源分离算法Infomax算法确定。
第一个独立分量设置为零，对应于闪烁伪迹，可得到滤波后的MI信号：
之后将数据采样频率降低，可采用共同平均参考过滤各通道见共同干扰；
利用目前最广泛的共空间模式(Common Spatial Paternal, CSP)完成对于脑电信号的特征提取，设两类运动想象平均协方差矩阵为
，表示为：
其中N为单次实验个数；
两类运动想象的协方差矩阵空间为
，根据/>
对该协方差空间进行白化处理得到矩阵P；
设
和/>
，同时利用下式对/>
和/>
进行奇异值分解得到对角阵D和正交阵R：
由于
，/>
，当/>
中一个矩阵趋近于I时，另一个/>
矩阵趋近于0矩阵，进而使得两类的差异最大化，其空间滤波器为：
对第k次采集信号的空间滤波结果为：
进而得到运用想象待分类特征值r为：
其中
为/>
在空间滤波器上的投影，m为选择的特征参数个数。
步骤103，根据所述多个逻辑场景、所述多个控制脑电信号以及所述多个控制意图相互之间的对应关系对所述脑机接口进行参数设置得到功能改进脑机接口，能够利用脑电信号和对应的脑机接口控制物体运行的场景信息，对脑机接口进行功能改进，从而提高脑机接口对相应物体的控制精确度。
在本发明的可选具体实施例中，上述根据所述多个逻辑场景、所述多个控制脑电信号以及所述多个控制意图相互之间的对应关系对所述脑机接口进行参数设置得到功能改进脑机接口的过程包括：
将每个逻辑场景利用向量进行表示得到多个场景元素向量，并将每个控制脑电信号利用向量进行表示得到多个脑电信号向量；根据所述每个逻辑场景与所述每个控制脑电信号的对应关系将每个所述脑电信号向量与一个或多个所述场景元素向量进行融合得到多个融合向量；根据所述多个融合向量以及对应的控制意图对所述脑机接口进行参数设置得到所述功能改进脑机接口。
可选的，上述将每个所述脑电信号向量与一个或多个所述场景元素向量进行融合的过程，可以采用向量拼接的方式进行融合，也可以利用神经网络，或者其他算法，把脑电信号向量和场景元素向量进行融合。
在本发明的可选具体实例中，上述脑机接口为车辆控制脑机接口，利用
表示脑电信号向量，利用/>
表示场景元素向量，则融合向量可以表示为/>
。
可选的，上述脑电信号向量，场景元素向量以及各向量表示的含义如下列表1所示：
表1
可选的，假设主车行驶至正常十字路口，有红绿灯与交通标识，道路右侧存在遮挡，无其他障碍物，场景中存在自动车与小型轿车，天气为晴天，光照强度适中，自车在进行车载雷达功能测试，遇此情况驾驶人做出左转的决策，此情景可表示为：
在本发明的可选具体实施例中，上述根据所述多个融合向量以及对应的控制意图对所述脑机接口进行参数设置得到所述功能改进脑机接口的过程包括：通过学习上述融合向量与对应的控制意图的特点，总结得到在与融合向量对应的逻辑场景相似的场景下，脑电信号的特点以及控制人的控制意图。并根据相似的场景分组、对应脑电信号特点以及对应控制人的控制意图，对脑机几口进行设置。
具体的，针对融合向量“
”，可总结得到“在有红绿灯与交通标识道路右侧存在遮挡的正常十字路口场景，驾驶人SSVEP信号振幅迅速增大，驾驶人希望完成车辆右转指令”。
下面进一步介绍脑机接口功能改进方法，如图2所示，即图1中的步骤103可以包括如下步骤：
步骤1031，利用神经网络对所述多个融合向量以及对应的控制意图进行学习得到控制意图识别模型，以使所述控制意图识别模型能够根据输入的每个所述融合向量识别得到对应的所述控制意图；
步骤1032，利用所述控制意图识别模型对所述脑机接口进行参数设置得到所述功能改进脑机接口。
利用神经网络模型对多个融合向量以及对应的控制意图进行学习，可以总结提高相似场景下的控制人的控制意图效率，并且提高总结的准确性。
具体的，可以利用上述控制意图识别模型的输出结果对上述脑机接口进行参数设置得到所述功能改进脑机接口。
图3是发明实施例提供的脑机接口功能测试方法的一个流程示意图，该方法可以由本发明实施例提供的脑机接口功能测试装置来执行，该装置可采用软件和/或硬件的方式实现。在一个具体的实施例中，该装置可以集成在电子设备中，电子设备比如可以是计算机、服务器等。以下实施例将以该装置集成在电子设备中为例进行说明。参考图3，该方法具体可以包括如下步骤：
步骤301，对通过脑机接口控制的物体在运行时的场景数据以及相应控制人的脑电信号进行采集。
步骤302，对所述场景数据进行处理得到多个逻辑场景，并对所述脑电信号进行处理得到与所述控制人控制所述物体运行的多个控制意图中每个控制意图一一对应的多个控制脑电信号。
步骤303，根据所述多个逻辑场景、所述多个控制脑电信号以及所述多个控制意图相互之间的对应关系对所述脑机接口进行参数设置得到功能改进脑机接口。
步骤304，利用测试场景对所述改进脑机接口控制所述物体运行的功能进行测试。
本发明实施例对利用脑机接口控制物体运行过程中控制人的脑电信号以及场景数据进行功能改进的脑机接口进行功能测试，能够准确获取功能改进后接口对相应控制物体的控制能力，为脑机接口的设计研发和维护提供支持，提高效率。
在本发明的可选具体实施例中，上述测试场景可以是真实的通过脑机接口控制物体运行的场景。
优选的，上述测试场景是上述物体运行的虚拟测试场景。
具体的，可以利用驾驶模拟器在上述虚拟测试场景中进行测试，也可以利用仿真软件在上述虚拟测试场景中进行测试。
在本发明的可选具体实施例中，上述所述虚拟测试场景包括多个测试场景片段；所述利用测试场景对所述改进脑机接口控制所述物体运行的功能进行测试的过程包括：通过在所述改进脑机接口控制所述物体运行的过程中触发每个所述测试场景片段的方式对所述改进脑机接口控制所述物体运行的功能进行测试。
可选的，上述脑机接口为车辆控制脑机接口，可以在仿真软件中设置上述功能改进脑机接口，测试过程可以采用多场景片段拼接的测试，将多个场景采用触发的方式进行有机排布，通过设定自动驾驶汽车行驶路线，实现被测场景的顺次触发，进行连续测试；根据主车是否可以应对本场景的测试，若可以应对，则此多元脑机接口可以通过功能测试，若部分应对或不可应对，则此多元脑机接口无法通过功能测试。
具体的，现有技术在脑机接口功能改进时，必须要在真实的场景中进行测试。本发明实施例可以通过脑机信号和场景元素进行融合，判断不同刺激条件下的脑电信号特征，并将其作为主车参数进行虚拟测试，完成智能汽车脑机接口的功能测试，能够降低测试成本，提高测试效率。
在本发明的可选具体实施例中，在利用测试场景对所述改进脑机接口控制所述物体运行的功能进行测试之前，对所述场景数据进行解构得到解构场景数据；对所述解构场景数据进行数字化处理得到数字解构场景；以及，计算所述数字解构场景的概率分布，并基于所述概率分布利用相应所述数字解构场景生成所述测试场景。
具体的，上述数字结构场景的概率分布，例如，当上述脑机接口为车辆控制脑机接口时，主车在预设位置，另外一个车在另一具体位置的概率，以及两个车的相对速度是某一具体值的概率。
具体的，可以根据上述概率分布完成测试场景的随机生成，以满足对复杂交通运动过程的覆盖性要求。
在发明的可选具体实施例中，所述利用相应所述数字解构场景生成所述测试场景的过程包括：利用所述数字解构场景直接组合生成所述测试场景；对所述数字解构场景进行清除冗余操作和/或删除缺失操作得到优化数字解构场景，并利用所述优化数字解构场景组合生成所述测试场景；和/或，根据所述物体实际运行的极端场景，利用所述数字解构场景组合生成所述测试场景。
具体的，直接组合生成的方法在生成过程中不考虑动态交互，场景覆盖度高，但场景测试效率较低，其中包含相似或不合理场景；先进行清除冗余和/或删除缺失的优化操作，再生成测试场景的方法，可以离线生成，生成过程中被测脑机接口可以不参与，场景覆盖度较低；根据极端场景生成测试场景的方法，可以基于强化学习进行在线生成，被测脑机接口可以参与，测试效率高，主要用于特定自动驾驶系统的边界能力测试，在实际应用中三种方法可以单独使用，亦可相互结合。
图4是本发明实施例提供的脑机接口功能改进装置的一个结构图，该装置适用于执行本发明实施例提供的脑机接口功能改进方法。如图4所示，该装置具体可以包括：
采集模块401，用于对通过脑机接口控制的物体在运行时的场景数据以及相应控制人的脑电信号进行采集，能够利于对场景数据和脑电信号进行处理后得到逻辑场景和控制脑电信号，并根据逻辑场景、相应的控制脑电信号以及相应的控制人的控制意图，对脑机接口进行功能改进。
可选的，上述脑电信号包括稳态视觉诱发电位信号以及运动想象信号。
可选的，上述脑机接口控制的物体是自动驾驶车辆。
具体的，上述采集模块401可以用于对通过脑机接口控制的车辆在正常行驶的过程中的场景数据和驾驶员的脑电信号进行采集，也可以用于对通过脑机接口控制的驾驶模拟器在运行的过程中的场景数据和驾驶员的脑电信号进行采集。
数据处理模块402，用于对所述场景数据进行处理得到多个逻辑场景，并对所述脑电信号进行处理得到与所述控制人控制所述物体运行的多个控制意图中每个控制意图一一对应的多个控制脑电信号，能够利于根据逻辑场景，以及对应的控制脑电信号以及对应的控制意图，对脑机接口进行功能改进。
可选的，上述数据处理模块402，能够具体用于对所述场景数据进行解构得到解构场景数据；对所述解构场景数据进行数字化处理得到数字解构场景；以及根据所述数字解构场景聚类得到所述多个逻辑场景。
可选的，上述数据处理模块402，能够具体用于对所述数字解构场景进行清除冗余操作和/或删除缺失操作得到聚类前场景数据；以及，将所述聚类前场景数据进行量度标准化处理后，利用密度峰值点优化的K均值聚类算法进行聚类得到所述多个逻辑场景。
可选的，上述数据处理模块402，能够具体用于对所述稳态视觉诱发电位信号利用典型相关性分析法进行分析处理；以及对所述运动想象信号利用独立元分析法进行噪声和伪迹的消除得到预处理运动想象信号，并对所述预处理运动想象信号进行特征提取和分类。
可选的，上述数据处理模块402，能够具体用于根据所述独立元分析法先后利用时间滤波器以及空间滤波器对所述动想象信号进行滤波处理；所述对所述预处理运动想象信号进行特征提取和分类的过程包括：对所述预处理运动想象信号中能够区分所述控制人不同思维状态的信号进行提取并利用向量进行表示得到运动想象信号特征向量；以及对所述运动想象信号特征向量利用最近邻节点算法进行分类。
设置改进模块403，用于根据所述多个逻辑场景、所述多个控制脑电信号以及所述多个控制意图相互之间的对应关系对所述脑机接口进行参数设置得到功能改进脑机接口，能够利用脑电信号和对应的脑机接口控制物体运行的场景信息，对脑机接口进行功能改进，从而提高脑机接口对相应物体的控制精确度。
可选的，上述设置改进模块403，能够具体用于将每个逻辑场景利用向量进行表示得到多个场景元素向量，并将每个控制脑电信号利用向量进行表示得到多个脑电信号向量；根据所述每个逻辑场景与所述每个控制脑电信号的对应关系将每个所述脑电信号向量与一个或多个所述场景元素向量进行融合得到多个融合向量；根据所述多个融合向量以及对应的控制意图对所述脑机接口进行参数设置得到所述功能改进脑机接口。
可选的，上述设置改进模块403，能够具体用于利用神经网络对所述多个融合向量以及对应的控制意图进行学习得到控制意图识别模型，以使所述控制意图识别模型能够根据输入的每个所述融合向量识别得到对应的所述控制意图；利用所述控制意图识别模型对所述脑机接口进行参数设置得到所述功能改进脑机接口。
图5是本发明实施例提供的脑机接口功能测试装置的一个结构图，该装置适用于执行本发明实施例提供的脑机接口功能测试方法。如图5所示，该装置具体可以包括：
采集模块401，用于对通过脑机接口控制的物体在运行时的场景数据以及相应控制人的脑电信号进行采集；
数据处理模块402，用于对所述场景数据进行处理得到多个逻辑场景，并对所述脑电信号进行处理得到与所述控制人控制所述物体运行的多个控制意图中每个控制意图一一对应的多个控制脑电信号；
设置改进模块403，用于根据所述多个逻辑场景、所述多个控制脑电信号以及所述多个控制意图相互之间的对应关系对所述脑机接口进行参数设置得到功能改进脑机接口；以及
测试模块504，用于利用测试场景对所述改进脑机接口控制所述物体运行的功能进行测试。
可选的，所述虚拟测试场景包括多个测试场景片段；上述测试模块504可以具体用于：通过在所述改进脑机接口控制所述物体运行的过程中触发每个所述测试场景片段的方式对所述改进脑机接口控制所述物体运行的功能进行测试。
本发明实施例对利用脑机接口控制物体运行过程中控制人的脑电信号以及场景数据进行功能改进的脑机接口进行功能测试，能够准确获取功能改进后接口对相应控制物体的控制能力，为脑机接口的设计研发和维护提供支持，提高效率。
可选的，上述测试场景包括上述物体运行的虚拟测试场景。
可选的，脑机接口功能测试装置还包括测试场景生成模块，用于在利用测试场景对所述改进脑机接口控制所述物体运行的功能进行测试之前，对所述场景数据进行解构得到解构场景数据；对所述解构场景数据进行数字化处理得到数字解构场景；以及计算所述数字解构场景的概率分布，并基于所述概率分布利用相应所述数字解构场景生成所述测试场景。
具体的，可以根据上述概率分布完成测试场景的随机生成，以满足对复杂交通运动过程的覆盖性要求。
可选的，上述的测试场景生成模块能够用于利用所述数字解构场景直接组合生成所述测试场景；对所述数字解构场景进行清除冗余操作和/或删除缺失操作得到优化数字解构场景，并利用所述优化数字解构场景组合生成所述测试场景；和/或根据所述物体实际运行的极端场景，利用所述数字解构场景组合生成所述测试场景。
本领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述功能模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例提供的脑机接口功能改进方法或者脑机接口功能测试方法。
本发明实施例还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例提供的脑机接口功能改进方法或者脑机接口功能测试方法。
下面参考图6，其示出了适于用来实现本发明实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块和/或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块和/或单元也可以设置在处理器中，例如，可以描述为：一种处理器包括采集模块、数据处理模块、和设置改进模块；或者，可以描述为：一种处理器包括采集模块、数据处理模块、设置改进模块和测试模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (16)
1.一种脑机接口功能改进方法，其特征在于，包括：
对通过脑机接口控制的物体在运行时的场景数据以及相应控制人的脑电信号进行采集；
对所述场景数据进行处理得到多个逻辑场景，并对所述脑电信号进行处理得到与所述控制人控制所述物体运行的多个控制意图中每个控制意图一一对应的多个控制脑电信号；以及
根据所述多个逻辑场景、所述多个控制脑电信号以及所述多个控制意图相互之间的对应关系对所述脑机接口进行参数设置得到功能改进脑机接口。
2.根据权利要求1所述的脑机接口功能改进方法，其特征在于，所述对所述场景数据进行处理得到多个逻辑场景的过程包括：
对所述场景数据进行解构得到解构场景数据；
对所述解构场景数据进行数字化处理得到数字解构场景；以及
根据所述数字解构场景聚类得到所述多个逻辑场景。
3.根据权利要求2所述的脑机接口功能改进方法，其特征在于，所述根据所述数字解构场景聚类得到所述多个逻辑场景的过程包括：
对所述数字解构场景进行清除冗余操作和/或删除缺失操作得到聚类前场景数据；以及
将所述聚类前场景数据进行量度标准化处理后，利用K均值聚类算法进行聚类得到所述多个逻辑场景。
4.根据权利要求1所述的脑机接口功能改进方法，其特征在于，所述脑电信号包括稳态视觉诱发电位信号以及运动想象信号；
所述对所述脑电信号进行处理的过程包括：
对所述稳态视觉诱发电位信号利用典型相关性分析法进行分析处理；以及
对所述运动想象信号利用独立元分析法进行噪声和伪迹的消除得到预处理运动想象信号，并对所述预处理运动想象信号进行特征提取和分类。
5.根据权利要求4所述的脑机接口功能改进方法，其特征在于，所述对所述运动想象信号利用独立元分析法进行噪声和伪迹的消除的过程包括：
根据所述独立元分析法先后利用时间滤波器以及空间滤波器对所述动想象信号进行滤波处理；
所述对所述预处理运动想象信号进行特征提取和分类的过程包括：
对所述预处理运动想象信号中能够区分所述控制人不同思维状态的信号进行提取并利用向量进行表示得到运动想象信号特征向量；以及
对所述运动想象信号特征向量利用最近邻节点算法进行分类。
6.根据权利要求1所述的脑机接口功能改进方法，其特征在于，所述根据所述多个逻辑场景、所述多个控制脑电信号以及所述多个控制意图相互之间的对应关系对所述脑机接口进行参数设置得到功能改进脑机接口的过程包括：
将每个逻辑场景利用向量进行表示得到多个场景元素向量，并将每个控制脑电信号利用向量进行表示得到多个脑电信号向量；
根据所述每个逻辑场景与所述每个控制脑电信号的对应关系将每个所述脑电信号向量与一个或多个所述场景元素向量进行融合得到多个融合向量；以及
根据所述多个融合向量以及对应的所述控制意图对所述脑机接口进行参数设置得到所述功能改进脑机接口。
7.根据权利要求6所述的脑机接口功能改进方法，其特征在于，所述根据所述多个融合向量以及对应的所述控制意图对所述脑机接口进行参数设置得到所述功能改进脑机接口的过程包括：
利用神经网络对所述多个融合向量以及对应的控制意图进行学习得到控制意图识别模型，以使所述控制意图识别模型能够根据输入的每个所述融合向量识别得到对应的所述控制意图；以及
利用所述控制意图识别模型对所述脑机接口进行参数设置得到所述功能改进脑机接口。
8.一种脑机接口功能测试方法，其特征在于，包括：
对通过脑机接口控制的物体在运行时的场景数据以及相应控制人的脑电信号进行采集；
对所述场景数据进行处理得到多个逻辑场景，并对所述脑电信号进行处理得到与所述控制人控制所述物体运行的多个控制意图中每个控制意图一一对应的多个控制脑电信号；
根据所述多个逻辑场景、所述多个控制脑电信号以及所述多个控制意图相互之间的对应关系对所述脑机接口进行参数设置得到功能改进脑机接口；以及
利用测试场景对所述改进脑机接口控制所述物体运行的功能进行测试。
9.根据权利要求8所述的脑机接口功能测试方法，其特征在于，
所述测试场景包括所述物体运行的虚拟测试场景。
10.根据权利要求9所述的脑机接口功能测试方法，其特征在于，
所述虚拟测试场景包括多个测试场景片段；
所述利用测试场景对所述改进脑机接口控制所述物体运行的功能进行测试的过程包括：
通过在所述改进脑机接口控制所述物体运行的过程中触发每个所述测试场景片段的方式对所述改进脑机接口控制所述物体运行的功能进行测试。
11.根据权利要求8-10任一所述的脑机接口功能测试方法，其特征在于，还包括：在利用测试场景对所述改进脑机接口控制所述物体运行的功能进行测试之前，
对所述场景数据进行解构得到解构场景数据；
对所述解构场景数据进行数字化处理得到数字解构场景；以及
计算所述数字解构场景的概率分布，并基于所述概率分布利用相应所述数字解构场景生成所述测试场景。
12.根据权利要求11任一所述的脑机接口功能测试方法，其特征在于，
所述利用相应所述数字解构场景生成所述测试场景的过程包括：
利用所述数字解构场景直接组合生成所述测试场景；
对所述数字解构场景进行清除冗余操作和/或删除缺失操作得到优化数字解构场景，并利用所述优化数字解构场景组合生成所述测试场景；和/或
根据所述脑机接口控制所述物体实际运行的极端场景，利用所述数字解构场景组合生成所述测试场景。
13.一种脑机接口功能改进装置，其特征在于，包括：
采集模块，用于对通过脑机接口控制的物体在运行时的场景数据以及相应控制人的脑电信号进行采集；
数据处理模块，用于对所述场景数据进行处理得到多个逻辑场景，并对所述脑电信号进行处理得到与所述控制人控制所述物体运行的多个控制意图中每个控制意图一一对应的多个控制脑电信号；以及
设置改进模块，用于根据所述多个逻辑场景、所述多个控制脑电信号以及所述多个控制意图相互之间的对应关系对所述脑机接口进行参数设置得到功能改进脑机接口。
14.一种脑机接口功能测试装置，其特征在于，包括
采集模块，用于对通过脑机接口控制的物体在运行时的场景数据以及相应控制人的脑电信号进行采集；
数据处理模块，用于对所述场景数据进行处理得到多个逻辑场景，并对所述脑电信号进行处理得到与所述控制人控制所述物体运行的多个控制意图中每个控制意图一一对应的多个控制脑电信号；
设置改进模块，用于根据所述多个逻辑场景、所述多个控制脑电信号以及所述多个控制意图相互之间的对应关系对所述脑机接口进行参数设置得到功能改进脑机接口；以及
测试模块，用于利用测试场景对所述改进脑机接口控制所述物体运行的功能进行测试。
15.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任一所述的脑机接口功能改进方法，或者权利要求8-12中任一所述的脑机接口功能测试方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任一所述的脑机接口功能改进方法，或者权利要求8-12中任一所述的脑机接口功能测试方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310546082.9A CN116360602B (zh) | 2023-05-16 | 2023-05-16 | 一种脑机接口功能改进、测试方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310546082.9A CN116360602B (zh) | 2023-05-16 | 2023-05-16 | 一种脑机接口功能改进、测试方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116360602A true CN116360602A (zh) | 2023-06-30 |
| CN116360602B CN116360602B (zh) | 2023-08-18 |
Family
ID=86909952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310546082.9A Active CN116360602B (zh) | 2023-05-16 | 2023-05-16 | 一种脑机接口功能改进、测试方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116360602B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897656A (zh) * | 2015-12-17 | 2017-06-27 | 中国科学院深圳先进技术研究院 | 基于运动想象的脑机接口训练方法及装置 |
| KR20180123365A (ko) * | 2017-05-08 | 2018-11-16 | 고려대학교 산학협력단 | 문맥 인식형 뇌-기계 인터페이스 장치 및 방법 |
| CN110367975A (zh) * | 2019-07-10 | 2019-10-25 | 南京邮电大学 | 一种基于脑机接口的疲劳驾驶检测预警方法 |
| CN110442232A (zh) * | 2019-06-18 | 2019-11-12 | 中国人民解放军军事科学院国防科技创新研究院 | 联合眼动和脑机接口的可穿戴式增强现实机器人控制系统 |
| CN110442244A (zh) * | 2019-08-22 | 2019-11-12 | 中国农业大学 | 一种基于脑机接口的虚拟现实游戏交互方法及系统 |
| CN112990074A (zh) * | 2021-03-31 | 2021-06-18 | 北京理工大学 | 基于vr的多场景自主式控制的混合脑机接口在线系统 |
| CN113935380A (zh) * | 2021-10-22 | 2022-01-14 | 北京理工大学 | 一种基于模板匹配的自适应运动想象脑机接口方法与系统 |
| CN114973173A (zh) * | 2022-04-29 | 2022-08-30 | 南京领行科技股份有限公司 | 驾驶场景数据的分类方法、装置、电子设备及存储介质 |
| CN115444432A (zh) * | 2022-09-29 | 2022-12-09 | 中国人民解放军国防科技大学 | 一种基于脑电信号的驾驶员紧急制动意图检测方法 |
-
2023
- 2023-05-16 CN CN202310546082.9A patent/CN116360602B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897656A (zh) * | 2015-12-17 | 2017-06-27 | 中国科学院深圳先进技术研究院 | 基于运动想象的脑机接口训练方法及装置 |
| KR20180123365A (ko) * | 2017-05-08 | 2018-11-16 | 고려대학교 산학협력단 | 문맥 인식형 뇌-기계 인터페이스 장치 및 방법 |
| CN110442232A (zh) * | 2019-06-18 | 2019-11-12 | 中国人民解放军军事科学院国防科技创新研究院 | 联合眼动和脑机接口的可穿戴式增强现实机器人控制系统 |
| CN110367975A (zh) * | 2019-07-10 | 2019-10-25 | 南京邮电大学 | 一种基于脑机接口的疲劳驾驶检测预警方法 |
| CN110442244A (zh) * | 2019-08-22 | 2019-11-12 | 中国农业大学 | 一种基于脑机接口的虚拟现实游戏交互方法及系统 |
| CN112990074A (zh) * | 2021-03-31 | 2021-06-18 | 北京理工大学 | 基于vr的多场景自主式控制的混合脑机接口在线系统 |
| CN113935380A (zh) * | 2021-10-22 | 2022-01-14 | 北京理工大学 | 一种基于模板匹配的自适应运动想象脑机接口方法与系统 |
| CN114973173A (zh) * | 2022-04-29 | 2022-08-30 | 南京领行科技股份有限公司 | 驾驶场景数据的分类方法、装置、电子设备及存储介质 |
| CN115444432A (zh) * | 2022-09-29 | 2022-12-09 | 中国人民解放军国防科技大学 | 一种基于脑电信号的驾驶员紧急制动意图检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116360602B (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321910B (zh) | 面向点云的特征提取方法、装置及设备 | |
| CN109165556B (zh) | 一种基于grnn身份识别方法 | |
| CN107157477A (zh) | 脑电信号特征识别系统及方法 | |
| CN106108894A (zh) | 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法 | |
| CN114998695B (zh) | 一种提高图像识别速度的方法及系统 | |
| CN111444917A (zh) | 车牌字符识别方法、装置、电子设备和存储介质 | |
| CN107705256B (zh) | 一种基于接触网语义的前向车载视频图像增强方法 | |
| CN104751186A (zh) | 一种基于bp网络和小波变换的虹膜图像质量分类方法 | |
| CN113486752B (zh) | 基于心电信号的情感识别方法及系统 | |
| CN109343701A (zh) | 一种基于动态手势识别的智能人机交互方法 | |
| CN113133769A (zh) | 基于运动想象脑电信号的设备控制方法、装置及终端 | |
| CN106022291A (zh) | 一种基于神经信号的紧急状态下驾驶员刹车意图检测方法 | |
| CN111199238A (zh) | 一种基于双流卷积神经网络的行为识别方法及设备 | |
| CN114578967B (zh) | 一种基于脑电信号的情感识别方法及系统 | |
| CN109982088B (zh) | 图像处理方法及装置 | |
| CN113143295A (zh) | 基于运动想象脑电信号的设备控制方法及终端 | |
| CN117520891A (zh) | 一种运动想象脑电信号分类方法及系统 | |
| CN116360602B (zh) | 一种脑机接口功能改进、测试方法、装置、设备及介质 | |
| CN113963193A (zh) | 车身颜色分类模型生成的方法、装置以及存储介质 | |
| CN111144374B (zh) | 人脸表情识别方法及装置、存储介质和电子设备 | |
| CN111677674A (zh) | 一种故障检测方法及装置 | |
| Wang et al. | EEG-based emergency braking intention prediction for brain-controlled driving considering one electrode falling-off | |
| Li et al. | An identification method of dangerous driving behavior in rush hour based on apriori algorithm. | |
| CN114795247A (zh) | 脑电信号分析方法、装置、电子设备和存储介质 | |
| CN114330418A (zh) | 用于ar目标识别的脑电和眼动融合方法、介质及设备 |
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 |