CN117435955A - 基于小波包分解和fbcca的脑控机械臂脑电频率检测方法 - Google Patents
基于小波包分解和fbcca的脑控机械臂脑电频率检测方法 Download PDFInfo
- Publication number
- CN117435955A CN117435955A CN202311383121.4A CN202311383121A CN117435955A CN 117435955 A CN117435955 A CN 117435955A CN 202311383121 A CN202311383121 A CN 202311383121A CN 117435955 A CN117435955 A CN 117435955A
- Authority
- CN
- China
- Prior art keywords
- brain
- mechanical arm
- signal
- frequency
- fbcca
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 69
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000009471 action Effects 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000010219 correlation analysis Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000001228 spectrum Methods 0.000 claims abstract description 4
- 230000000638 stimulation Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 abstract description 33
- 230000001276 controlling effect Effects 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000001914 filtration Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 230000000763 evoking effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/378—Visual stimuli
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
-
- 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
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Psychology (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明的一种基于小波包分解和FBCCA的脑控机械臂脑电频率检测方法，包括通过脑电信号采集设备采集被试者的脑电信号；对采集到的脑电信号进行预处理；对预处理单元预处理后的源数据进行多层小波分解，根据信号的特性与分析要求，匹配最佳的对应频带和信号频谱，重构出脑电信号处于刺激源的频段的部分，将其与参考信号做典型相关分析法，提取得到用户选择的刺激源特征；使用分类器对提取出的特征进行训练，分类器将根据残疾人想要完成的特定动作来做出判断，并输出相应的指令；根据分类器的输出结果，控制脑控机器臂完成相应的手臂动作。本发明实现了以脑电波信号控制机械臂完成对应的动作，提高了脑电频率检测效率。
Description
技术领域
本发明涉及脑控机器臂技术领域，具体涉及一种基于小波包分解和FBCCA的脑控机械臂脑电频率检测方法。
背景技术
残疾人群面临着生活和工作上的许多困难，因此设计高精度的脑控机器臂以辅助其日常操作，提高其生活独立性和幸福感，成为了一个突破点。
在脑控机器臂技术中，信号采集和信号解析是非常重要的两个环节，而电频率检测是信号解析中的一个关键步骤。传统的脑控机器臂技术中，常常采用时频分析的方法进行电频率检测。然而，脑控机器臂技术的实现面临着精度和稳定性需要提高的挑战，这是由于人脑信号解析的复杂性和噪声的存在所引起的。
脑电信号采集技术和小波包分解以及 FBCCA 技术在脑机接口领域有广泛的应用前景，可以为人们提供更加智能和便捷的交互方式，它们与传统诱发电位技术、电频率检测方法相比有以下优点：
稳态视觉诱发电位是一种大脑对于特定频率的视觉刺激产生的电生理反应。它是通过对视觉刺激进行闪烁或振荡，使大脑皮层在特定频率下产生同步振荡，进而在头皮上形成特定频率的电位响应。相比于其他诱发电位技术，脑电信号采集的优势主要体现在，其识别速度快，正确率高，可以输出的指令多，同时实验者只需要很少的训练即可使用，并且和其他诱发电位技术相比较其稳态性会更好。
小波分解是一种信号处理技术，用于将信号分解成不同尺度的频率成分。它通过将信号与一组基本小波函数进行卷积，得到不同尺度和位置的小波系数。小波分解产生的是低频和高频子带，其中低频子带包含信号的低频成分，而高频子带包含信号的细节信息。而小波包分解是小波分解的一种扩展形式，它将信号分解成更精细的频率成分。与传统的小波分解不同，小波包分解允许对低频和高频子带进行进一步的分解，以获得更多频率细节。因此在这里我们使用小波包分解技术把进行预处理后的原始信号进行分解和重构得到去噪后的信号，再使用FBCCA进行分类。
基于滤波器组典型相关分析(FBCCA) 是一种用于分析多通道信号的技术。它结合了滤波和广义判别分析 (CCA)，可用于对脑电信号多通道信号进行处理。它通过对原始信号进行一系列滤波，得到不同频率下的信号，并对这些信号进行CCA处理，以提取不同信号之间的相关性，进而进行特征提取和分类等任务。相比其他分类方法，FBCCA 可以更好地处理非平稳信号和高维数据。如朴素贝叶斯算法在处理高维数据时，会出现维度灾难问题，导致分类效果不佳。决策树算法容易过拟合，导致泛化能力差。支持向量机算法在处理大规模数据时，计算复杂度较高。而FBCCA算法则不会出现以上这些因算法缺点而出现的问题。
发明内容
本发明提出的一种基于小波包分解和FBCCA的脑控机械臂脑电频率检测方法，通过引入基频和谐频率成分来提高稳态视觉诱发电位的检测能力，从而提高脑控机器臂的精度和稳定性，实现更加准确的控制。
为实现上述目的，本发明采用了以下技术方案：
一种基于小波包分解和FBCCA的脑控机械臂脑电频率检测方法，包括以下步骤，
通过脑电信号采集设备采集被试者的脑电信号；
对采集到的脑电信号进行预处理；
对预处理单元预处理后的源数据进行多层小波分解，根据信号的特性与分析要求，匹配最佳的对应频带和信号频谱，重构出脑电信号处于刺激源的频段的部分，将其与参考信号做典型相关分析法，提取得到用户选择的刺激源特征；
使用分类器对提取出的特征进行训练，分类器将根据残疾人想要完成的特定动作来做出判断，并输出相应的指令；
根据分类器的输出结果，控制脑控机器臂完成相应的手臂动作；
其中，把进行预处理后的原始信号经过小波包多层分解得到对应频段，频带多层次的划分不仅对低频信号进行分解，也可对高频信号进行分解，使信号的划分更加精细，然后将对应频段的信号重构得到去噪后的信号，再使用FBCCA进行分类。
进一步地，提取得到用户选择的刺激源特征，具体步骤包括，
使用滤波器组进行信号的典型相关分析，即基于小波包分解与FBCCA脑控机械臂脑电频率检测方法，滤波器组分析使用具有不同通带的多个滤波器进行子带分解，用零相位切比雪夫Ⅰ型无限脉冲滤波器从原始脑电信号X 中提取子带成分( n = 1，2，…，N)，N个子频带数目；
滤波器组分析之后，分别对每个子带分量应用标准 CCA 过程，得到子带分量与所有的刺激频率， k = 1，2，…，40（40为刺激数目），对应的预定义参考信号之间的相关值，对于第 k 个参考信号，由 N 个相关值组成的一个相关向量/>定义为
=/>(1)
参数定义：
：/>中的子频带成分（n=1,2,…,N，N为子频带数目）
：脑电信号的第n个子带，T表示转置，是一个二维矩阵
：参考信号Y的第k个频率的参考信号，是一个一维向量
：权重矩阵
：权重矩阵
式(1)中:(x，y) 表示 x 和 y 之间的相关系数
将每个子带分量对应的相关系数的平方乘以相应的权重系数，再相加得到目标识别特征：
(2)
式(2)中: n 表示子带的指数; w(n)是子带分量的权重，计算式为
+b , n/>(3)
式(3)中:a和b是使分类性能最大化的常量，可以在离线分析中使用网格搜索方法来确定；对于所有的刺激频率(，/>，…，/>)，/>用来确定脑电信号的频率，/>取最大值时，参考信号的频率就是脑电信号的频率，即得到刺激源特征。
进一步地，根据分类器的输出结果，控制脑控机器臂完成相应的手臂动作，具体包括，
机械臂的路径规划程序，将采用笛卡儿空间轨迹规划方法，当给定机械臂的末端姿态时，通过逆运动学解出各个关节的角度；
在输入机械臂的初始位置和末端位置、姿态及沿途经过的路径点位姿变化后，系统自动规划机械臂的行动路径；
在机械臂行动过程中，系统通过机械臂相关节点实时获取当前机械臂的运行速度和位置信息，进行微调的同时用以确定抓取工作的开始时间。
由上述技术方案可知，本发明的基于FBCCA的脑控机械臂脑电频率检测方法，涉及脑机接口与机械臂控制技术，显示屏产生对应机械臂自由度的刺激源后，脑电采集设备采集用户受到所述刺激源刺激后产生的SSVEP信号，再对采集视觉刺激诱发的脑电信号进行降采样滤波，利用FBCCA将数据进一步分析转化为源数据，机器臂接收所述源数据并进行实时滤波，对所需波段信号进行采样，通过典型相关分析法，甄别视觉诱发刺激频率，根据所述刺激频率确定用户脑控选择的刺激源，控制机械臂。本发明实现了以脑电波信号控制机械臂完成对应的动作，提高了脑电频率检测效率。
本发明的目的在于通过引入基频和谐频率成分来提高稳态视觉诱发电位的检测能力，从而提高脑控机器臂的精度和稳定性，实现更加准确的控制。相比传统的脑控机器臂技术，本发明具有以下优点：
1.提高了信号的质量：采用了预处理的方法，对原始信号进行去噪、滤波和信号增强等步骤，提高了信号的清晰度、稳定性和准确性等方面的表现。
2.FBCCA算法可以提高信号的解析能力，从而更精确地提取出频率信息。
3.提高了机器臂控制精度，通过提取出频率信息，可以更准确地控制机械臂进行运动，从而提高了控制精度。
4.具有广泛的应用前景：脑控机器臂技术可以帮助那些失去肢体的人重新获得自由和独立。此外，这项技术还可以用于其他领域，如工业生产和医疗保健等帮助他们完成日常生活中的各种动作，具有广泛的应用前景。
附图说明
图1为本实施例的脑机接口控制机械臂的系统架构图；
图2为本实施例的FBCCA算法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
脑机接口控制机械臂的具体子系统包括：
视觉刺激子系统：包括显示屏，用于产生对应机械臂自由度的刺激源，通过视觉传输产生对应脑电波信号，使得机器臂产生相应的动作。
脑电采集子系统：用于采集用户受到所述刺激源刺激后产生的SSVEP信号，经过信号处理用于刺激机器臂产生对应信号的初始信号。
脑电信号滤波系统：对采集视觉刺激诱发的脑电信号进行降采样滤波，利用FBCCA将数据进一步分析转化为源数据；
机器臂控制系统：包括脑电帽，机器臂，通过脑电帽接收信号，后经过处理传给机器臂做出对应的动作。
以上子系统具体实施方案包括：
将信号分为若干频段：当人眼受到固定频率超过4 Hz的视觉刺激时，大脑皮质活动将被调节，低频（<15 Hz）刺激诱发的脑电信号频率会在较短的时间内达到稳态，且刺激后不会即刻消失。因此，本方案采用9~14 Hz的刺激频段。
采集脑电信号：在进行脑控机器臂实验时，首先需要通过脑电信号采集设备采集被试者的脑电信号，通常采用电极帽或贴片电极进行信号采集。在采集时需要确保被试者处于静态状态，避免外界干扰。
处理脑电信号：对采集到的脑电信号进行处理，包括滤波、降噪、典型相关分析、提取特征等步骤。其中滤波是一个非常重要的步骤，可以有效地去除信号中的噪声干扰，提高信号的质量。
分类器训练：使用分类器对提取出的特征进行训练。分类器可以根据特征来判断使用者想要完成的手臂动作。
手臂动作控制：分类器将根据残疾人想要完成的特定动作来做出判断，并输出相应的指令。根据分类器的输出结果，控制脑控机器臂完成相应的手臂动作。
以上步骤实施使用的软件单元包括：
预处理单元：用于对获取的所述源数据进行预处理，所述预处理包括滤波、去噪。
信号提取单元：用于对预处理单元预处理后的源数据进行多层小波分解，根据信号的特性与分析要求，匹配最佳的对应频带和信号频谱，重构出脑电信号处于刺激源的频段的部分，将其与参考信号做典型相关分析法，得到用户选择的刺激源特征。
控制单元：根据特征获取机械臂自由度序号和脑控方向，控制对应自由度序号的舵机向所述脑控方向移动直至目标物体点的大致位置，完成相应操作。
实现信号提取单元主要的算法步骤包括：
第一步，把进行预处理后的原始信号经过小波包多层分解得到对应频段，频带多层次的划分不仅对低频信号进行分解，也可对高频信号进行分解，使信号的划分更加精细，然后将对应频段的信号重构得到去噪后的信号，再使用FBCCA进行分类。
第二步，使用滤波器组进行信号的典型相关分析，即基于FBCCA脑控机械臂脑电频率检测方法。滤波器组分析使用具有不同通带的多个滤波器进行子带分解。用零相位切比雪夫Ⅰ型无限脉冲滤波器从原始脑电信号X 中提取子带成分( n = 1，2，…，N ，N为子频带数目)
第三步，滤波器组分析之后，分别对每个子带分量应用标准 CCA 过程，得到子带分量与所有的刺激频率( k = 1，2，…，40) 对应的预定义参考信号之间的相关值。对于第 k 个参考信号，由 N 个相关值组成的一个相关向量/>定义为
=/>(1)
参数定义：
：/>中的子频带成分（n=1,2,…,N，N为子频带数目）
：脑电信号的第n个子带，T表示转置，是一个二维矩阵
：参考信号Y的第k个频率的参考信号，是一个一维向量
：权重矩阵
：权重矩阵
式(1)中:(x，y) 表示 x 和 y 之间的相关系数
将每个子带分量对应的相关系数的平方乘以相应的权重系数，再相加得到目标识别特征：
(2)
式(2)中: n 表示子带的指数; w(n)是子带分量的权重，计算式为
+b , n/>(3)
式(3)中:a和b是使分类性能最大化的常量，可以在离线分析中使用网格搜索方法来确定。对于所有的刺激频率(，/>，…，/>)，/>用来确定脑电信号的频率，/>取最大值时，参考信号的频率就是脑电信号的频率，即得到刺激源特征。
实现控制单元主要的程序包括：
1.机械臂的驱动程序和运动控制程序，均用于向机械臂发送控制命令及接收机械臂状态信息。
2.机械臂的路径规划程序，将采用笛卡儿空间轨迹规划方法，当给定机械臂的末端姿态时，通过逆运动学解出各个关节的角度。在输入机械臂的初始位置和末端位置、姿态及沿途经过的路径点位姿变化后，系统自动规划机械臂的行动路径。同时，在机械臂行动过程中，系统通过机械臂相关节点实时获取当前机械臂的运行速度和位置信息，进行微调的同时用以确定抓取工作的开始时间。
综上所述，本发明的基于FBCCA的脑控机械臂脑电频率检测方法，涉及脑机接口与机械臂控制技术，显示屏产生对应机械臂自由度的刺激源后，脑电采集设备采集用户受到所述刺激源刺激后产生的SSVEP信号，再对采集视觉刺激诱发的脑电信号进行降采样滤波，利用FBCCA将数据进一步分析转化为源数据，机器臂接收所述源数据并进行实时滤波，对所需波段信号进行采样，通过典型相关分析法，甄别视觉诱发刺激频率，根据所述刺激频率确定用户脑控选择的刺激源，控制机械臂。本发明实现了以脑电波信号控制机械臂完成对应的动作，提高了脑电频率检测效率。
又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一基于FBCCA的脑控机械臂脑电频率检测方法。
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本申请实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信，
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述基于FBCCA的脑控机械臂脑电频率检测方法。
上述电子设备提到的通信总线可以是外设部件互连标准（英文：PeripheralComponent Interconnect，简称：PCI）总线或扩展工业标准结构（英文：Extended IndustryStandard Architecture，简称：EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器（英文：Random Access Memory，简称：RAM），也可以包括非易失性存储器（英文：Non-Volatile Memory，简称：NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器（英文：Central ProcessingUnit，简称：CPU）、网络处理器（英文：Network Processor，简称：NP）等；还可以是数字信号处理器（英文：Digital Signal Processing，简称：DSP）、专用集成电路（英文：ApplicationSpecific Integrated Circuit，简称：ASIC）、现场可编程门阵列（英文：Field-Programmable Gate Array，简称：FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种基于小波包分解和FBCCA的脑控机械臂脑电频率检测方法，其特征在于，包括以下步骤，
通过脑电信号采集设备采集被试者的脑电信号；
对采集到的脑电信号进行预处理；
对预处理单元预处理后的源数据进行多层小波分解，根据信号的特性与分析要求，匹配最佳的对应频带和信号频谱，重构出脑电信号处于刺激源的频段的部分，将其与参考信号做典型相关分析法，提取得到用户选择的刺激源特征；
使用分类器对提取出的特征进行训练，分类器将根据残疾人想要完成的特定动作来做出判断，并输出相应的指令；
根据分类器的输出结果，控制脑控机器臂完成相应的手臂动作。
2.根据权利要求1所述的基于小波包分解和FBCCA的脑控机械臂脑电频率检测方法，其特征在于：提取得到用户选择的刺激源特征，具体步骤包括，
使用滤波器组进行信号的典型相关分析，即基于FBCCA脑控机械臂脑电频率检测方法，滤波器组分析使用具有不同通带的多个滤波器进行子带分解，用零相位切比雪夫Ⅰ型无限脉冲滤波器从原始脑电信号X 中提取子带成分 ( n = 1，2，…，N)；，N个子频带数目；
滤波器组分析之后，分别对每个子带分量应用 FBCCA 过程，得到子带分量与所有的刺激频率， k = 1，2，…，40， 40为刺激数目，对应的预定义参考信号之间的相关值，对于第 k 个参考信号，由 N 个相关值组成的一个相关向量 />定义为
=/>(1)
其中：
：/>中的子频带成分，n=1,2,…,N，N为子频带数目；
：脑电信号的第n个子带，T表示转置，是一个二维矩阵；
：参考信号Y的第k个频率的参考信号，是一个一维向量；
：权重矩阵；
：权重矩阵；
式(1)中: (x，y) 表示 x 和 y 之间的相关系数；
将每个子带分量对应的相关系数的平方乘以相应的权重系数，再相加得到目标识别特征：
(2)
式(2)中：n 表示子带的指数; w(n)是子带分量的权重，计算式为
+b , n/>(3)
式(3)中：a和b是使分类性能最大化的常量，可以在离线分析中使用网格搜索方法来确定；对于所有的刺激频率( ，/>，…，/>)，/>用来确定脑电信号的频率，/> 取最大值时，参考信号的频率就是脑电信号的频率，即得到刺激源特征。
3.根据权利要求1所述的基于小波包分解和FBCCA的脑控机械臂脑电频率检测方法，其特征在于：根据分类器的输出结果，控制脑控机器臂完成相应的手臂动作，具体包括，
机械臂的路径规划程序，将采用笛卡儿空间轨迹规划方法，当给定机械臂的末端姿态时，通过逆运动学解出各个关节的角度；
在输入机械臂的初始位置和末端位置、姿态及沿途经过的路径点位姿变化后，系统自动规划机械臂的行动路径；
在机械臂行动过程中，系统通过机械臂相关节点实时获取当前机械臂的运行速度和位置信息，进行微调的同时用以确定抓取工作的开始时间。
4.根据权利要求1所述的基于小波包分解和FBCCA的脑控机械臂脑电频率检测方法，其特征在于：对被试者采用9Hz,10Hz,11Hz,12Hz,13Hz,14Hz多个刺激频率，但均位于9~14 Hz的刺激频段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311383121.4A CN117435955A (zh) | 2023-10-24 | 2023-10-24 | 基于小波包分解和fbcca的脑控机械臂脑电频率检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311383121.4A CN117435955A (zh) | 2023-10-24 | 2023-10-24 | 基于小波包分解和fbcca的脑控机械臂脑电频率检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117435955A true CN117435955A (zh) | 2024-01-23 |
Family
ID=89556326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311383121.4A Pending CN117435955A (zh) | 2023-10-24 | 2023-10-24 | 基于小波包分解和fbcca的脑控机械臂脑电频率检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117435955A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117930988A (zh) * | 2024-03-25 | 2024-04-26 | 安徽大学 | 一种基于大型语言模型辅助语义纠错的脑控机器人方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111571587A (zh) * | 2020-05-13 | 2020-08-25 | 南京邮电大学 | 一种脑控机械臂助餐系统及方法 |
-
2023
- 2023-10-24 CN CN202311383121.4A patent/CN117435955A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111571587A (zh) * | 2020-05-13 | 2020-08-25 | 南京邮电大学 | 一种脑控机械臂助餐系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王永杰: "基于视觉刺激的脑机接口研究", 《中国优秀硕士论文电子期刊网》, no. 02, 15 February 2019 (2019-02-15), pages 080 - 35 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117930988A (zh) * | 2024-03-25 | 2024-04-26 | 安徽大学 | 一种基于大型语言模型辅助语义纠错的脑控机器人方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109784242B (zh) | 基于一维残差卷积神经网络的脑电信号去噪方法 | |
| Zerafa et al. | To train or not to train? A survey on training of feature extraction methods for SSVEP-based BCIs | |
| Zhou et al. | Classification of motor imagery EEG using wavelet envelope analysis and LSTM networks | |
| CN109299751B (zh) | 基于emd数据增强的卷积神经模型的ssvep脑电分类方法 | |
| Kim et al. | A wavelet-based method for action potential detection from extracellular neural signal recording with low signal-to-noise ratio | |
| CN113191225B (zh) | 一种基于图注意力网络的情绪脑电识别方法及系统 | |
| Bhagwat et al. | Electromyogram (EMG) based fingers movement recognition using sparse filtering of wavelet packet coefficients | |
| CN117435955A (zh) | 基于小波包分解和fbcca的脑控机械臂脑电频率检测方法 | |
| CN106618561A (zh) | 残障人士运动状态下脑电信号的高鲁棒解析方法 | |
| Judith et al. | Artifact removal from EEG signals using regenerative multi-dimensional singular value decomposition and independent component analysis | |
| Powar et al. | A novel pre-processing procedure for enhanced feature extraction and characterization of electromyogram signals | |
| Tigga et al. | Efficacy of novel attention-based gated recurrent units transformer for depression detection using electroencephalogram signals | |
| Geng et al. | [Retracted] A Fusion Algorithm for EEG Signal Processing Based on Motor Imagery Brain‐Computer Interface | |
| CN113128384B (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
| Zhou et al. | A smart universal single-channel blind source separation method and applications | |
| Hindarto et al. | Feature Extraction ElectroEncephaloGram (EEG) using wavelet transform for cursor movement | |
| CN115192040B (zh) | 基于庞加莱图和二阶差分图的脑电情绪识别方法及装置 | |
| CN113712574B (zh) | 一种脑电生物反馈得康复方法及系统 | |
| Abdulwahab et al. | EEG motor-imagery BCI system based on maximum overlap discrete wavelet transform (MODWT) and cubic SVM | |
| Jha et al. | EEG-based Emotion Recognition: An In-depth Analysis using DEAP and SEED Datasets | |
| Chakole et al. | Review of EEG signal classification | |
| Opałka et al. | LSTM multichannel neural networks in mental task classification | |
| Tahir et al. | Classification of EEG Signal by Training Neural Network with Swarm Optimization for Identification of Epilepsy | |
| CN115299960A (zh) | 基于短时变分模态分解的电信号分解方法及脑电信号分解装置 | |
| Meng et al. | P300 detection with adaptive filtering and EEG spectrogram graph |
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 |