CN117617995A - 脑机接口关键脑区编码的采集与识别方法、计算机设备 - Google Patents
脑机接口关键脑区编码的采集与识别方法、计算机设备 Download PDFInfo
- Publication number
- CN117617995A CN117617995A CN202410109550.0A CN202410109550A CN117617995A CN 117617995 A CN117617995 A CN 117617995A CN 202410109550 A CN202410109550 A CN 202410109550A CN 117617995 A CN117617995 A CN 117617995A
- Authority
- CN
- China
- Prior art keywords
- signal
- electroencephalogram
- brain
- dynamic
- reflection
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000011159 matrix material Substances 0.000 claims abstract description 71
- 230000003068 static effect Effects 0.000 claims abstract description 44
- 230000000638 stimulation Effects 0.000 claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 30
- 210000004761 scalp Anatomy 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 20
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 230000005684 electric field Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 230000033764 rhythmic process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 8
- 230000011514 reflex Effects 0.000 claims description 8
- 230000000284 resting effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 21
- 230000000875 corresponding effect Effects 0.000 description 34
- 210000003128 head Anatomy 0.000 description 23
- 238000004364 calculation method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 230000003321 amplification Effects 0.000 description 5
- 210000001652 frontal lobe Anatomy 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000003199 nucleic acid amplification method Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000005672 electromagnetic field Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 210000003618 cortical neuron Anatomy 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 210000001787 dendrite Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000337 motor cortex Anatomy 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001242 postsynaptic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000005062 synaptic transmission Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000003797 telogen phase Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了脑机接口关键脑区编码的采集与识别方法、计算机设备，该方法包括：接收基于脑电刺激信号得到的脑电反射信号；获取脑电反射信号的信号传播参数和信号传播指标；根据信号传播参数和信号传播指标，确定信号衰减数据；根据信号衰减数据，确定脑电反射信号的延迟数据集；获取脑电信号传感器在感兴趣脑区采集到的脑电信号，脑电信号包括静态脑电信号和动态脑电信号；对动态脑电信号进行特征提取，得到动态脑电信号对应的动态特征矩阵；对延迟数据集、静态脑电信号和动态特征矩阵进行特征融合，得到感兴趣脑区的目标特征数据。通过将动态特征矩阵与延迟数据集和静态脑电信号融合，使得到的目标特征矩阵更准确地反映真实的脑电活动。
Description
技术领域
本申请涉及脑机接口领域，尤其涉及脑机接口关键脑区编码的采集与识别方法、计算机设备。
背景技术
在脑机接口领域，由于脑电活动的传导效应，远端的脑电信息会传导至周围区域并影响电极在该区域采集到的脑电波，导致电极采集到不属于该局部区域的脑电信息，进而导致局部放大效应不明确，无法确定放大得到的脑电信号是否属于欲采集的局部脑区。此外，不同个体的头部曲面也存在差异，低分辨率的电极难以与理论上脑区的解剖学位置准确吻合。现有技术的以上缺陷为脑电信号带来一定的误差，亟需一种更为准确的脑电信号处理方法。
发明内容
本申请实施例提供了脑机接口关键脑区编码的采集与识别方法、计算机设备，可以解决现有的脑电信号误差大的技术问题。
第一方面，本申请提供一种脑机接口关键脑区编码的采集与识别方法，包括：
向预设脑区发送脑电刺激信号，并接收基于所述脑电刺激信号得到的脑电反射信号；
获取所述脑电反射信号的信号传播参数以及信号传播指标，其中，所述信号传播参数包括：信号入射角、信号折射角，所述信号传播指标包括：振幅、频率、相位；
根据所述信号传播参数和所述信号传播指标，确定所述脑电反射信号的信号衰减数据；
根据所述信号衰减数据，确定所述脑电反射信号的延迟数据集；
获取脑电信号传感器在感兴趣脑区采集到的脑电信号，所述脑电信号包括静态脑电信号和动态脑电信号；
对所述动态脑电信号进行特征提取，得到所述动态脑电信号对应的动态特征矩阵；
对所述延迟数据集、所述静态脑电信号和所述动态特征矩阵进行特征融合，得到所述感兴趣脑区的目标特征数据。
在第一方面的一些实现方式中，所述方法在所述获取脑电信号传感器在感兴趣脑区采集到的脑电信号，所述脑电信号包括静态脑电信号和动态脑电信号之前，还包括：
根据所述脑电反射信号中的预设频率占比，确定所述脑电反射信号中各个预设频率对应的波形占比；
根据所述波形占比是否符合预设的节律分布条件，确定所述脑电反射信号的完整性；
根据所述脑电反射信号的完整性，从所述预设脑区中确定感兴趣脑区。
在第一方面的一些实现方式中，所述方法在所述获取脑电信号传感器在感兴趣脑区采集到的脑电信号，所述脑电信号包括静态脑电信号和动态脑电信号之前，还包括：
提取所述脑电反射信号在时域上的时域统计特征；
将所述脑电反射信号转换到频域，提取所述脑电反射信号在频域上的频域统计特征；
基于预设的信号完整性评估函数，根据所述时域统计特征和所述频域统计特征，确定所述脑电反射信号的完整性。
在第一方面的一些实现方式中，所述对所述动态脑电信号进行特征提取，得到所述动态脑电信号对应的动态特征矩阵，包括：
获取多帧所述动态脑电信号，对多帧所述动态脑电信号进行信号帧采样，得到所述动态脑电信号对应的信号序列；
基于预设的相关性算法，确定所述动态脑电信号对应的信号序列与所述动态脑电信号对应的静态脑电信号之间的相关性系数；
若所述相关性系数小于预设的相关性阈值，基于所述静态脑电信号对所述信号序列进行差分提取，得到目标特征矩阵；
对所述目标特征矩阵进行降维处理，得到所述动态特征矩阵。
在第一方面的一些实现方式中，所述获取所述脑电反射信号的信号传播参数以及信号传播指标，包括：
根据所述脑电刺激信号的电极方向，确定所述脑电刺激信号的信号入射角；
基于预设的高斯函数模型，确定所述脑电反射信号的电场振幅值和传播方向角之间的关系，得到所述脑电反射信号的信号折射角。
在第一方面的一些实现方式中，所述获取所述脑电反射信号的信号传播参数以及信号传播指标，包括：
根据所述脑电反射信号在时域上的波形，确定所述脑电反射信号的振幅；
对所述脑电反射信号进行小波变换，根据所述小波变换得到的小波系数确定所述脑电反射信号的频率；
将所述脑电反射信号转换到频域，根据所述脑电反射信号在频域上的波形确定所述脑电反射信号的相位。
在第一方面的一些实现方式中，所述根据所述信号传播参数和所述信号传播指标，确定所述脑电反射信号的信号衰减数据，包括：
根据所述信号入射角和所述信号折射角，确定所述脑电信号在传播过程中的路径偏差值，其中，所述路径偏差值为入射路径距离与折射路径距离之间的差值，所述入射路径距离是通过头皮组织厚度除以所述信号入射角的余弦值得到的，所述折射路径距离是通过头皮组织厚度除以所述信号折射角的余弦值得到的；
根据所述振幅、所述频率、所述相位确定所述脑电信号的信号传播模型，以及根据所述信号传播模型和所述路径偏差值确定信号衰减模型；
根据所述信号传播模型和所述信号衰减模型确定所述脑电信号的信号衰减量；
根据所述信号衰减量，确定所述脑电反射信号的信号衰减数据。
在第一方面的一些实现方式中，所述根据所述信号衰减数据，确定所述脑电反射信号的延迟数据集，包括：
根据所述脑电反射信号的不同频率分量对应的信号衰减数据，确定相对信号延迟量；
根据所述相对信号延迟量，确定所述延迟数据集。
在第一方面的一些实现方式中，所述对所述延迟数据集、所述静态脑电信号和所述动态特征矩阵进行特征融合，得到所述感兴趣脑区的目标特征数据，包括：
根据各个通道采集到的所述静态脑电信号，确定对应的静息数据矩阵，并将所述静息数据矩阵投影到目标特征子空间，得到所述静态脑电信号对应的低维特征矩阵；
对所述延迟数据集、所述低维特征矩阵和所述动态特征矩阵进行向量拼接，得到用于表示所述目标特征数据的元特征向量。
第二方面，本申请还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的脑机接口关键脑区编码的采集与识别方法。
与现有技术相比，本申请至少具备以下有益效果：
通过发射脑电刺激信号以及接收脑电反射信号，对受试者头部的脑电传播特性进行具体分析，确定受试者的各项信号传播参数和信号传播指标，有助于后续根据这一系列的信号传播参数和信号传播指标对动态脑电信号进行预处理；对动态脑电信号进行特征提取，并将特征提取得到的动态特征矩阵与延迟数据集和静态脑电信号进行融合，得出更能准确反映真实脑电活动的目标特征矩阵，全面反映感兴趣脑区在静态空间分布、动态时域演化、频域传导扭曲等多个方面的综合编码特征，使脑机接口后端的识别与行为解码算法获得一个信息更丰富立体的输入向量。相比单一模式的特征，这样的多元融合特征更有利于算法学习提取反映用户思维意图的隐式特征，提高对复杂神经编码的解析和解码能力。在实际应用中，能够显著减少用户的训练样本量，降低特征标注的工作量，同时也可以提高算法对新样本的泛化能力。最终有助于实现更精确可靠的意图解码，以及更灵敏高效的脑机交互控制。
附图说明
图1为本申请实施例示出的脑机接口关键脑区编码的采集与识别方法的流程示意图；
图2为本申请实施例示出的脑机接口关键脑区编码的采集与识别系统的结构示意图；
图3为本申请实施例示出的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参照图1，图1为本申请实施例提供的脑机接口关键脑区编码的采集与识别方法的流程示意图。本申请实施例的脑机接口关键脑区编码的采集与识别方法可应用于计算机设备，该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。如图1所示，本实施例的脑机接口关键脑区编码的采集与识别方法包括步骤S101至步骤S107，详述如下：
步骤S101，向预设脑区发送脑电刺激信号，并接收基于所述脑电刺激信号得到的脑电反射信号。
在本步骤中，通过在受试者头部设置多个脑电信号传感器接收脑电反射信号，脑电信号传感器采用同心圆阵列排布，例如使多个8通道脑电信号传感器分布在3圈同心圆上。同心圆阵列排布的脑电信号传感器能够对齐各脑沟回的走向，使每个传感器都位于功能同质性较好的区域上，提高信号采集的空间分辨率。并且，脑电信号传感器的密度应尽可能均匀，使传感器阵列能够覆盖最大面积的脑区。
可选地，将多个脑电信号传感器设置在可穿戴式脑电信号采集头环上，可穿戴式脑电信号采集头环采用环形开口的轻量塑料框架作为基座,内表面设置密集分布且由导电软胶覆盖的脑电信号传感器,能够稳定接触头皮进行信号检测。头环的前后两侧设置硬质的可调紧扣带,以适应不同头围穿戴。其中，各个脑电信号传感器之间的距离在10-20mm范围内,脑电信号传感器参照国际10-20系统布点标准设置，以确保能够采集到各个头部区域的脑电信号。
可选地，可穿戴式脑电信号采集头环内设置有小型放大滤波电路，通过软连接线与处理器连接。在使用前对可穿戴式脑电信号采集头环进行静电校准，使脑电信号传感器各参考测量点电位一致；同时通过数字滤波算法消除由头部肌电信号引起的噪声干扰。
可选地，针对每个脑电信号传感器设置独立的信号发射电路，用于输出可调节参数的脑电刺激信号，例如正弦波、矩形波等脉冲信号。具体地，脑电刺激信号的频率范围为0.5-100Hz,振幅范围为在0.5-2mA,脉宽范围为10-1000μs。为了避免信号之间产生干扰，脑电刺激信号的发射操作与脑电反射信号的接收操作之间间隔10-20ms。
具体地，根据经验定位或者磁共振成像（Magnetic Resonance Imaging，简称MRI）定位确定感兴趣脑区，例如右侧运动皮层。对脑电刺激信号的参数进行调整，使脑电刺激信号以特定入射角(例如45度)射向该感兴趣脑区的目标点。脑电刺激信号会以该入射角进入脑皮质组织后,在传播过程中信号能量会衰减,并因组织介电率的不均匀性发生折射,最终作用在脑皮层深度约5-10mm的区域，这里的神经元被激活,细胞膜电位发生脱极化,产生复合突触后电位(PSP)变化，被激活的皮层神经元产生放电活动,释放突触传递物质,进而激活更多神经元,从而形成放射状的传播。这些神经元群体放电反馈的脑电信号,形成脑电反射信号沿与入射相反的方向反射回皮层表面。
脑电传感器检测到的脑电反射信号包括感兴趣脑区发射出的神经元脑电信号，以及次级激活周围脑区反馈的低幅慢波信号。这两类信号包含了脑电刺激信号对刺激作用点以及对次级传播空间的影响。
可选地，通过放大滤波电路内的前置放大电路和多通道组合带通滤波器对所述脑电反射信号进行处理。具体地，脑电反射信号中的δ波、θ波、α波、β波和γ波分别具有不同的频率，分别采用不同通带范围的带通滤波器进行滤波，去除脑电反射信号中肌电噪声、眼电噪声等生理干扰,保留信号中各个频段的脑电节律成分。
可选地，将结果前置放大和带通滤波的脑电反射信号输入同步放大通道，通过数字程序实时调控独立成分分析(ICA)盲源分离算法提取出完整的各频段脑电特征波形，以满足脑电信号采集要求。
可选地，针对微弱的脑电特征波形进行1000-5000倍的选择性放大,确保采集到γ波等高频脑电节律的全波形特征。
将经过放大滤波电路上述处理后的脑电反射信号输入模数转换器，以较高的采样频率(通常为1000Hz)转换为数字脉冲序列,并通过串行端口以较高波特率(如10Mb/s)实时传送至后端分析设备，得到完整性和质量较高的脑电反射信号。
可选地，设置不同参数的脑电刺激信号，调整脑电刺激信号的发射方向和感兴趣脑区，采集多个方向的脑电反射信号。
步骤S102，获取所述脑电反射信号的信号传播参数以及信号传播指标，其中，所述信号传播参数包括：信号入射角、信号折射角，所述信号传播指标包括：振幅、频率、相位。
可选地，对步骤S101中接收到的每个脑电反射信号的传播过程进行解析，得到信号传播参数，包括信号入射角、信号折射角；对步骤S101中接收到的每个脑电反射信号信号传播指标分析，得到信号传播指标，包括振幅、频率和相位。
在一些实施例中，所述步骤S102，包括：
根据所述脑电刺激信号的电极方向，确定所述脑电刺激信号的信号入射角；
基于预设的高斯函数模型，确定所述脑电反射信号的电场振幅值和传播方向角之间的关系，得到所述脑电反射信号的信号折射角。
在本实施例中，步骤S101中的脑电信号传感器通过方向调节机构安装在头环上，以便控制电极的方向，例如每个脑电信号传感器都与两轴方向调节机构连接。通过检测方向调节机构水平轴和垂直轴的旋转角度，能够确定脑电刺激信号的信号入射角。
可选地，假设方向调节机构水平轴的旋转角度为θh，垂直轴的旋转角度为θv，将θh和θv转换到球坐标系,分别对应球面坐标的方位角α和极角β，其中,θh表示电极在水平面内的方位角,范围为0°到360°，θv表示电极的仰角,范围为-90°到90°。具体地，脑电刺激信号的信号入射角包括入射方位角和入射极角，其中入射方位角α=θh，入射极角β=90°-θv。
可以理解的，α和β的数值完整定义了脑电刺激信号的空间方向，其中α表示脑电刺激信号在头部水平面的方位角,β表示脑电刺激信号的俯仰角。通过检测每个方向调节机构的角度,并转换为球坐标系下的入射方位角α和入射极角β,可以完整准确地得到脑电刺激信号入射到头部时的空间入射参数。
在本实施例中，由于信号折射角存在一定的个体差异，需要根据受试者的头部MRI数据对脑电反射信号的折射效应进行定量分析。
具体地，采用图像分割技术从头部MRI数据提取出头皮层的轮廓结构，对该轮廓结构进行三维重建，获得具有精确解剖结构的头皮层模型。具体地，可以通过多项式函数对头皮层模型的曲面进行拟合，使模型具有更丰富的几何细节、更好的光滑性和精度。随后,对头皮层模型进行四面体或六面体非结构网格剖分,将网格边长控制在1毫米左右,网格数目控制在50,000以上,以获得高质量的计算网格模型。最后,将脑电刺激信号的入射方位角α和入射极角β加载到先前生成的头皮层有限元计算模型中，作为脑电刺激信号的入射条件。
可选地，在设置好入射条件后,确定头皮层组织的电气参数,包括电导率、介电常数等,这些参数会影响脑电信号在头皮层中的传播行为。具体地，可以将头皮层的电导率设置为0.00025S/m,相对介电常数设置为10000。然后,应用有限元软件,选择时域有限元法来建立模型的麦克斯韦方程组,采用树突消去法直接求解电磁场的复变量线性方程组,以获得时域或频域下脑电刺激信号在头部模型中的传播结果向量和分布结果向量。从传播结果向量和分布结果向量中可以得知,当脑电刺激信号从皮层入射点开始传播到头皮层绕头传播时,会出现明显的折射效应,这是由于头部曲面结构的影响,信号能量会发生向法线方向的偏转,使传播方向发生改变。
可选地，为了定量分析脑电刺激信号的折射效应，对传播结果向量和分布结果向量中的电磁场分布进行提取，并统计各个方向上的电场强度值。具体地，在对信号折射角进行分析前，设置充足的边界条件并采用合理的积分步长，以获取较为丰富完整的电磁场数据，控制计算误差。举例而言，仿真频率范围为0-1000Hz,步长取10Hz,时域信号持续时间为10ms。
可选地，从有限元法求解得到的多频点三维电磁场的传播结果向量和分布结果向量中,需要提取各个位置点上的电场分量,即各个位置点上的Ex、Ey和Ez。考虑到头皮层界面为二维曲面,所以采用二维极坐标对界面进行高密度采样,极径范围为0-π,极角范围为0-2π,得到各个方向的采样点,典型采样点数量为1000左右。然后在每个采样点Pi(i=1,2,...,N)上,根据三个电场分量Ex、Ey、Ez计算出电场矢量的传播方向角θi。同时,在每个采样点上也记录对应的电场振幅值Ei。这样,整个头皮界面就得到了一个包含传播方向角θi和电场振幅值Ei的完整数据集(θi, Ei)。接下来,对数据集(θi, Ei)进行函数拟合,以便确定电场振幅值和传播方向之间的内在对应关系,也即折射效应。由于电场振幅值与传播方向角之间符合高斯分布关系,所以可以建立如下的高斯函数模型:E=Aexp[-(θ-μ)^2/2δ^2]。其中E为电场振幅值,θ为对应传播方向角,A、μ和δ为3个高斯函数参数。将该高斯函数模型应用于先前获得的数据集,利用最小二乘法不断优化高斯函数参数,使其拟合效果最佳,能够最大限度地符合数据集中各个数据点的对应关系。经过几何迭代后,可以获得一组优化的高斯函数参数,特别是μ参数,它表示拟合模型预测的电场振幅峰值对应的角度。这时,该角度μ即为界面折射效应下的信号折射角γ。最后,进行多次仿真计算,可以统计出信号折射角γ的数值范围及分布情况。
在一些实施例中，所述步骤S102，还包括：
根据所述脑电反射信号在时域上的波形，确定所述脑电反射信号的振幅；
对所述脑电反射信号进行小波变换，根据所述小波变换得到的小波系数确定所述脑电反射信号的频率；
将所述脑电反射信号转换到频域，根据所述脑电反射信号在频域上的波形确定所述脑电反射信号的相位。
在本实施例中，通过对脑电反射信号的时域波形进行分析确定脑电反射信号的振幅。可选地，检测时域波形上出现的最大正向峰值电压记为Vmax，检测时域波形上出现的最大负向峰值电压记为Vmin，将两者相减即可得到振幅Vpp。即振幅Vpp=Vmax-Vmin，其中,Vmax和Vmin分别表示波形上的极大值和极小值，振幅Vpp直观地反映了信号从正弦波峰到负弦波峰的全振幅大小。
在本实施例中，对脑电反射信号进行小波变换，得到脑电反射信号在各个尺度下小波系数的能量分布，确定脑电反射信号的的频率成分。具体地，选择合适的小波函数ψ(t)作为基函数，如可以是Daubechies小波，设置初始尺度系数a和位移系数b,代入脑电反射信号X(t)计算小波系数C(a,b)=∫X(t)ψa,b(t)dt,反映信号在该尺度和时刻对应的时频特征,再通过移动尺度系数a,重复该步骤,得到一组小波系数C(a,b)。基于这组小波系数C(a,b)计算该尺度上的能量值E(a),具体是遍历尺度a下的每个平移因子b,对应计算出一组小波系数C(a,b),然后对每一个小波系数C(a,b)平方并累加求和,既可以得到该尺度上的能量值E(a),表达公式为E(a)=Σ|C(a,b)|^2,这里对各个b求和,遍历完毕所有平移的小波系数。重复该过程,可以获得每一个尺度a对应的能量值E(a)，最后绘制E-a关系图,直观反映信号能量随尺度分布的信息。通过这种小波系数平方累加的计算,利用小波变换多尺度分析的优势,可以有效分解出信号的时频特征，得到脑电反射信号的频率。
在本实施例中，针对脑电反射信号进行快速傅里叶变换(FFT),将脑电反射信号从时域转换到频域,获取信号的频率分量及其对应的复数值。其中,复数的实部表示该频点上的余弦成分,虚部表示该频点上的正弦成分,计算每个频点复数值的辐角,即可得到该频点上的初始相位φ。依次计算信号全频带的相位值φ(f1),φ(f2)...,绘制出φ-f坐标图,形成相位频谱。由于不同频率分量传播时的相对延迟不同,其相位值也会有差异。相邻频点之间的相位差Δφ,就反映了它们之间的相对时延关系。通过描绘相位频谱,可以清晰地观察和分析脑电信号不同频分量在传导过程中的相对延迟效应，确定各个脑电反射信号的相位。
步骤S103，根据所述信号传播参数和所述信号传播指标，确定所述脑电反射信号的信号衰减数据。
在本实施例中，根据步骤S102中得到的信号传播参数和信号传播指标，能够确定脑电刺激信号和脑电反射信号的特性，因此也能够对每个脑电反射信号进行信号衰减数据计算，得出每个脑电反射信号在传播过程中的信号衰减数据。
在一些实施例中，所述步骤S103，还包括：
所述根据所述信号传播参数和所述信号传播指标，确定所述脑电反射信号的信号衰减数据，包括：
根据所述信号入射角和所述信号折射角，确定所述脑电信号在传播过程中的路径偏差值，其中，所述路径偏差值为入射路径距离与折射路径距离之间的差值，所述入射路径距离是通过头皮组织厚度除以所述信号入射角的余弦值得到的，所述折射路径距离是通过头皮组织厚度除以所述信号折射角的余弦值得到的；
根据所述振幅、所述频率、所述相位确定所述脑电信号的信号传播模型，以及根据所述信号传播模型和所述路径偏差值确定信号衰减模型；
根据所述信号传播模型和所述信号衰减模型确定所述脑电信号的信号衰减量；
根据所述信号衰减量，确定所述脑电反射信号的信号衰减数据。
在本实施例中，由于信号是从发射电极以信号入射角α入射到头皮层组织,在头皮层界面发生折射后,以信号折射角β的方向继续传播,这两条传播路径都在头皮层内,所以路径长度都与头皮层的厚度有关，根据信号入射角α、信号折射角β和头皮阻值厚度可以计算出脑电信号在传播过程中的路径偏差值。具体地，路径偏差值Δd = 入射路径距离 - 折射路径距离。其中，入射路径距离 = 头皮组织厚度/cosα；折射路径距离 = 头皮组织厚度/cosβ。
在本实施例中，头皮层厚度可以是根据用户头部的MRI数据确定的，也可以是根据经验值预先设置的，头皮组织厚度对于同一位受试者来说是常数,不会改变，根据上述公式可以得到信号沿着入射路径和折射路径在头皮层内实际传播的距离,更准确地建模信号的衰减过程。
可选地，根据脑电反射信号的频率f、相位φ和振幅Vpp建立信号传播模型，具体地，所述信号传播模型为s(t) = Vppsin(2πft + φ)，其中，s(t)表示随时间t变化的脑电信号，f为频率，φ为初始相位，Vpp为振幅。信号传播模型s(t)表达了正弦波脑电信号完整的时域模型,反映了脑电信号的时域特征，频率f决定了正弦波的周期，相位φ表示第一个周期信号波形相对于坐标系原点的水平位移，振幅Vpp表示波形从峰值到谷值的全振荡范围。
可选地，由于脑电信号从发射电极入射点开始在头皮层传播时,会随着传播距离增加而逐渐衰减。这种传播衰减与频率f和路径曲折程度Δd都有关系。因此，可以根据信号传播模型和所述路径偏差值确定信号衰减模型。具体地，信号衰减模型为s'(t) = (Vppe^(-kfΔd))*sin(2πft + φ)，即在信号传播模型s(t)的基础上增加了以常数e为底的指数函数e^(-kfΔd)作为指数衰减项，其指数是频率f与路径偏差Δd的乘积,反映了脑电信号的衰减程度;k为衰减系数，k的大小与频率f有关。信号衰减模型用于反映脑电信号在头皮层界面折射后产生的路径偏差和随之而来的衰减效应。
可选地，信号衰减量Δs = s(t) - s'(t)，根据 s(t)和s'(t)的表达式可以得到Δs = Vpp*(1 - e^(-kfΔd))*sin(2πft + φ)，信号衰减量Δs的表达式符合正弦波模型,其中原始信号表达式的振幅Vpp被一个衰减系数(1 - e^(-kfΔd))调制,这个衰减系数包含了信号频率f、路径偏差值Δd以及频率相关的衰减系数k,它们共同决定了信号在传播过程中衰减的数量级。最终该衰减量以正弦波形式反映出来,即信号振幅随着传播距离的增加而衰减,但保持着正弦波动特征。通过重复该过程,计算每个脑电反射信号的衰减量Δs,可以获得所有脑电反射信号的信号衰减数据。
步骤S104，根据所述信号衰减数据，确定所述脑电反射信号的延迟数据集。
基于步骤S103中得到的各个脑电反射信号的信号衰减数据，对各个脑电反射信号进行信号延迟分析，能够得到延迟数据集。
在一些实施例中，所述步骤S104，还包括：
所述根据所述信号衰减数据，确定所述脑电反射信号的延迟数据集，包括：
根据所述脑电反射信号的不同频率分量对应的信号衰减数据，确定相对信号延迟量；
根据所述相对信号延迟量，确定所述延迟数据集。
可选地，通过快速傅里叶变换对信号衰减量中的各个信号衰减量Δs进行频谱分析,将其从时域转换到频域,分解出构成Δs的多个频率分量,每个分量都以复数形式表示,其中复数的实部为该频点上余弦波的振幅和相位,虚部为正弦波的振幅和相位。计算出每个频率分量所对应的复数的辐角,即为每个频率分量的初始相位φ,初始相位φ反映了该频率分量的信号波形相对于坐标系原点的水平位移量。不同频率分量之间的初始相位可能不同,不同的初始相位之间的差值Δφ表示了不同频分量之间传播过程中出现的相对信号延迟量。举例而言，将低频端10Hz作为参考频点,相位设为0；若20Hz频分量的相位是π/3,那么这两个分量之间的相位差即为Δφ= π/3,转换到时域对应的相对信号延迟量即为Δt=Δφ/(2πf)。
可选地，重复该过程,得到多对频率点组合之间的相对信号延迟量,全面描绘信号高低频成分在头皮层界面折射效应下传播过程中出现的时序扭曲特征。这些频率两两组合的Δt数据点构成了该脑电反射信号的延迟数据集。
步骤S105，获取脑电信号传感器在感兴趣脑区采集到的脑电信号，所述脑电信号包括静态脑电信号和动态脑电信号。
可选地，在通过对脑电刺激信号和脑电反射信号进行分析，确定脑电信号在该用户头部的传播特性之后，即根据步骤S101-S104中确定的传播特性，获取静态脑电信号和动态脑电信号并对这两类脑电信号进行分析。
其中，采集上述静态脑电信号和动态脑电信号时，受试者佩戴可穿戴式脑电信号采集头环，进入环境安静的隔离舱，设置头环发射的信号参数，如持续时间和重复次数，获取到感兴趣脑区在安静环境下的静态脑电信号。
在采集动态脑电信号时，通过使受试者执行预设的视觉刺激任务激活感兴趣脑区，持续获取用户的脑电时序信息，根据脑电时序信息中标记的视觉刺激任务开始时间和结束时间，从脑电时序信息中获取多个视觉刺激任务对应的完整的试验周期片段，试验周期片段的时长与视觉刺激任务的时长对应，例如为8秒，经过重复试验，可以收集到100至500个长度相同的动态脑电数据帧。这些动态脑电数据帧以时间顺序全面包含了脑电数据在视觉任务整个过程中的动力学演化特征，既反映了视觉感受和识别相应脑区脑电的瞬间变化信息,也包含了识别后期反应的耦合网络波及效应。
可以理解的，静息状态下的脑电活动比较平稳,各项脑电特征不会随时间快速变化，而采集静态脑电数据时本身由于心电、肌电和随机噪声的影响,在不同的采集周期脑电信号存在一定的波动差异。为消除随机波动的影响,需要采集多帧静态脑电信号求平均值,以获得较为稳定的静态脑电信号。此时只需保留这组平均后的静态脑电信号,即能够有效反映目标区域脑电的静态空间传播特征。而动态工作过程中脑区功能和状态在不断变化,相关脑功能网络被激活又被抑制，动态脑电信号在不同时间点的状态差异反映了区域的时间相关的激活模式，如果只采集一个时间点的动态脑电信号,将无法反映区域随时间功能变化的全景。因此,需要连续高速采集多个时域点的动态脑电信号,获得具有时间维度信息的多帧动态脑电信号序列,这种序列数据可以用来分析区域在整个工作过程各阶段的脑电变化规律。
在一些实施例中，所述步骤S105之前，还包括：
根据所述脑电反射信号的中的预设频率占比，确定所述脑电反射信号中各个预设频率对应的波形占比；
根据所述波形占比是否符合预设的节律分布条件，确定所述脑电反射信号的完整性；
根据所述脑电反射信号的完整性，从所述预设脑区中确定感兴趣脑区。
可选地，在采集静态脑电信号和动态脑电信号之前，确定各个预设脑区的脑电反射信号的完整性，根据脑电信号的完整性确定感兴趣脑区。其中，信号的完整性可以是根据频域特征或者时域特征确定的。
在本实施例中，不同的脑区的功能差异，其脑电活动模式也存在明显区别，这些区别主要体现在脑电节律的频带分布上，因此可以针对不同脑区预先设置波形的节律分布条件，根据不同频率的信号在脑电反射信号中的占比是否满足该节律分布条件，确定脑电反射信号的完整性。以额叶区域为例，正常情况下额叶的脑电节律包含：10%左右的δ波(0.5-4Hz)、20%左右的θ波(4-8Hz)、50%左右的α波(8-13Hz)、20%左右的β波(13-30Hz)；其中α波和β波节律较为明显，按照额叶区域的正常脑电节律分布特点，α和β波占比应该在50%-70%之间，如果采集到的额叶反射脑电信号中低频δ波(0.5-4Hz)的比例过高，例如达到80%以上，而α和β波难以观察到，这样可以判断额叶区域存在脑电信号缺损，说明该区域的脑电信号没有完整采集到，脑电反射信号的完整性。
在一些实施例中，所述步骤S105之前，还包括：
提取所述脑电反射信号在时域上的时域统计特征；
将所述脑电反射信号转换到频域，提取所述脑电反射信号在频域上的频域统计特征；
基于预设的信号完整性评估函数，根据所述时域统计特征和所述频域统计特征，确定所述脑电反射信号的完整性。
在本实施例中，根据脑电反射信号的时域统计特征判断信号的完整性，其中，时域统计特征包括但不限于：信号极值、均值、均方根、波形跃度、振幅比例中的至少一者。上述时域统计特征反映了信号在时域上的基本形态，例如，极值和均方根反映了信号强度，波形跃度反映了波形的尖锐程度，振幅比例反映了单周期波形的对称性。基于向量机模型构建信号完整性评估函数，根据上述各项时域统计特征确定脑电反射信号的完整性。
可选地，还可以通过快速傅里叶变换将脑电反射信号转换到频域，提取信号在δ波、θ波、α波、β波和γ波等不同频带下的能量或幅值分布，得到频域统计特征，根据时域统计特征和频域统计特征共同确定脑电反射信号的完整性。举例而言，基于支持向量机模型构建完整性评估函数：y = f(P1,P2,...Pn,F1,F2...Fn) ，其中，Pn和Fn分别代表第n个通道的时域特征和频域特征。通过对支持向量机模型进行训练，可以得到分类函数f。在预测时,输入脑电反射信号的时域特征和频域特征，模型可以判断其是否存在完整性缺陷。
步骤S106，对所述动态脑电信号进行特征提取，得到所述动态脑电信号对应的动态特征矩阵。
动态脑电信号反映了受试者的脑电活动，然而动态脑电信号中存在一定的干扰，需要对动态脑电信号进行特征提取确定动态脑电信号对应的特征矩阵，即动态特征矩阵，以便后续根据动态特征矩阵对动态脑电信号进行预处理。
在一些实施例中，步骤S106包括：
获取多帧所述动态脑电信号，对多帧所述动态脑电信号进行信号帧采样，得到所述动态脑电信号对应的信号序列；
基于预设的相关性算法，确定所述动态脑电信号对应的信号序列与所述动态脑电信号对应的静态脑电信号之间的相关性系数；
若所述相关性系数小于预设的相关性阈值，基于所述静态脑电信号对所述信号序列进行差分提取，得到目标特征矩阵；
对所述目标特征矩阵进行降维处理，得到所述动态特征矩阵。
可选地，每隔预设的时间间隔对动态脑电信号进行信号帧采样，得到所述动态脑电信号对应的信号序列X。例如每隔100ms对动态脑电信号后续时间段的信号帧进行提取,每个帧长度设置为2秒且包含2000个采样点，例如在第3秒取第一帧,在第3.1秒取第二帧,以此类推。
可选地，在获取信号序列X之前，将动态脑电信号开头的信号作为静息状态数据段，例如选取动态脑电信号前2秒内的10帧信号作为静息状态数据段，用于表示任务开始前的静息阶段。对静息状态数据段进行逐点平均,生成1帧该区域的静息态平均参考波形Y,长度2秒,包含2000个采样点。
可选地，针对信号序列X采用Pearson相关性算法，分别与静息态平均参考波形Y计算线性相关性系数rxy,其中相关性系数计算公式为:rxy = ∑(xi - x_mean)*(yi - y_mean) / √(∑(xi - x_mean)2 * ∑(yi - y_mean)2)，其中x_mean和y_mean分别表示序列X和Y的各采样点均值。
可选地，设置相关性阈值,例如0.85，如果某信号序列X与静息态平均参考波形Y的相关系数rxy大于或等于0.85,则认为该时刻区域脑电特征与静态状态高度相关;如果rxy小于0.85,则确定此时存在新特征,需要进行差分提取。具体地，计算静息态平均参考波形X与静息态平均参考波形Y的差分波形diff_wave，差分波形diff_wave = X - Y。可以理解的，设信号序列X = [x1, x2, ..., xn]其中,xi表示第i个采样点上的信号幅值。设静息态平均参考波形Y = [y1, y2, ..., yn]其中,yi表示第i个采样点上的幅值。对这两个信号进行差分提取，需要逐点进行相减:diff_wave1 = x1 - y1；diff_wave2 = x2 - y2；...；diff_waven = xn - yn；将上述n个点的差分连接起来,构成一个新的序列信号：diff_wave= [diff_wave1, diff_wave2, ..., diff_waven]。该差分波形diff_wave提取出了当前帧信号X中由区域激活引起的新特征成分。重复这一过程,最终可以获得一个二维矩阵,即包含多个时间点上检测到的区域脑电新特征的目标特征矩阵。
可选地，对上述目标特征矩阵进行降维处理,提取主要的动态变化成分,构建最终的动态特征矩阵。具体地，前一步骤中得到的目标特征矩阵为D,包含M个时间点和N个信号通道，即矩阵D的大小为M行N列。为了降维,可以利用主成分分析(PCA)算法对目标特征矩阵D进行处理：将目标特征矩阵D的每一行构成一个样本向量,总共有M个样本。计算样本集的协方差矩阵C,其大小为N×N，协方差矩阵C度量了各信号通道之间的线性相关性。对协方差矩阵C进行特征值分解,得到特征值向量组。其中,特征值向量组中的特征向量按对应特征值大小排序。选择前k个主要特征向量,其中k<N,一般根据特征值大小的累加贡献率来确定k值。这k个特征向量即为主成分向量。将原始样本矩阵D映射到这k个特征向量构成的低维子空间。得到降维处理后的矩阵D'。矩阵D'即为区域最终的动态特征矩阵,它保留了原始矩阵D中信号时间演化的主要动态变化成分。其维度减小为M行k列,但动态脑电信号中的主成分得以保留。
步骤S107，对所述延迟数据集、所述静态脑电信号和所述动态特征矩阵进行特征融合，得到所述感兴趣脑区的目标特征数据。
对上述步骤得到的延迟数据集、静态脑电信号和动态特征矩阵进行多模态数据特征融合，生成能够反映动态脑电信号特征的目标特征数据，其中特征融合的方法在此不做限定。
在一些实施例中，所述步骤S107包括：
根据各个通道采集到的所述静态脑电信号，确定对应的静息数据矩阵，并将所述静息数据矩阵投影到目标特征子空间，得到所述静态脑电信号对应的低维特征矩阵；
对所述延迟数据集、所述低维特征矩阵和所述动态特征矩阵进行向量拼接，得到用于表示所述目标特征数据的元特征向量。
在本实施例中，静态脑电信号记录了对应脑区脑电信号的时域采样序列，多个通道的采样槽组成一个数据矩阵。利用主成分分析算法，先计算该数据矩阵的协方差矩阵，反映各通道之间的相关性。再对协方差矩阵进行特征值分解，得到一组按大小排列的特征向量，这些特征向量代表了不同信号成分的主要方向。按特征值大小选择前几个特征向量作为主成分，这几个主成分构成了一个低维特征子空间，原高维信号可以投影到这个子空间来实现降维。
在本实施例中，动态特征矩阵中每个特征维度都反映了目标区域在工作过程不同阶段的典型激活模式，可理解为一个动态演化特征向量；而延迟数据集可以计量化为多个时间差值的数值序列，整体构成区域内信号传导扭曲的特征描述，不需要归约即可直接作为一个特征向量。
在本实施例中，将上述延迟数据集、低维特征矩阵和动态特征矩阵进行拼接得到用于表示所述目标特征数据的元特征向量。具体地，假设延迟数据集序列长度为L1，低维特征矩阵向量长度为L2，动态特征矩阵特征数量为为L3，那么融合得到的元特征向量长度则为：L = L1 + L2 + L3。举例而言，假设延迟数据集为通过快速傅里叶变换得到的一个长度为128的复数序列，即表示不同频率分量的时延特征： [1.2+1.3i, 0.3-0.1i, 0.5+1.6i,..., -1.5+0.9i] 复数序列长度为128；低维特征矩阵为经过PCA提取的5个主成分特征，用于描绘区域的脑电静态分布 [0.3, 0.1, -0.5, 0.6, 1.2] ，共5维；动态特征矩阵选择了时域演化主要成分，一共获得4个动态演化特征[-0.4, 3.2, -0.1, 0.5]， 共4维。进行融合时,对这三个部分直接进行串联，串联的顺序不做限定；例如第一部分为5维低维特征矩阵，第二部分为4维动态特征矩阵，第三部分为128维延迟数据集，最终得到长度为5+4+128=137的融合特征向量。该137维向量中，前9维反映区域关键的时空电生理属性，后128维表示丰富的传导扭曲特征。
该多源异构特征融合向量全面反映了感兴趣脑区在静态空间分布、动态时域演化、频域传导扭曲等多个方面的综合编码特征，使脑机接口后端的识别与行为解码算法获得一个信息更丰富立体的输入向量。相比单一模式的特征，这样的多元融合特征更有利于算法学习提取反映用户思维意图的隐式特征，提高对复杂神经编码的解析和解码能力。在实际应用中，能够显著减少用户的训练样本量，降低特征标注的工作量，同时也可以提高算法对新样本的泛化能力。最终有助于实现更精确可靠的意图解码，以及更灵敏高效的脑机交互控制。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
为了执行上述方法实施例对应的脑机接口关键脑区编码的采集与识别方法，以实现相应的功能和技术效果。参见图2，图2示出了本申请实施例提供的一种脑机接口关键脑区编码的采集与识别系统的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本申请实施例提供的脑机接口关键脑区编码的采集与识别系统，包括：
刺激信号发送模块201，用于向预设脑区发送脑电刺激信号，并接收基于所述脑电刺激信号得到的脑电反射信号；
反射信号分析模块202，用于获取所述脑电反射信号的信号传播参数以及信号传播指标，其中，所述信号传播参数包括：信号入射角、信号折射角，所述信号传播指标包括：振幅、频率、相位；
衰减数据计算模块203，用于根据所述信号传播参数和所述信号传播指标，确定所述脑电反射信号的信号衰减数据；
延迟数据计算模块204，根据所述信号衰减数据，确定所述脑电反射信号的延迟数据集；
脑电信号采集模块205，用于获取脑电信号传感器在感兴趣脑区采集到的脑电信号，所述脑电信号包括静态脑电信号和动态脑电信号；
信号特征提取模块206，用于对所述动态脑电信号进行特征提取，得到所述动态脑电信号对应的动态特征矩阵；
信号特征融合模块207，对所述延迟数据集、所述静态脑电信号和所述动态特征矩阵进行特征融合，得到所述感兴趣脑区的目标特征数据。
上述的脑机接口关键脑区编码的采集与识别系统可实施上述方法实施例的脑机接口关键脑区编码的采集与识别方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
图3为本申请一实施例提供的计算机设备的结构示意图。如图3所示，该实施例的计算机设备3包括：至少一个处理器30（图3中仅示出一个）、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32，所述处理器30执行所述计算机程序32时实现上述任意方法实施例中的步骤。
所述计算机设备3可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器30、存储器31。本领域技术人员可以理解，图3仅仅是计算机设备3的举例，并不构成对计算机设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，该处理器30还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31在一些实施例中可以是所述计算机设备3的内部存储单元，例如计算机设备3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述计算机设备3的外部存储设备，例如所述计算机设备3上配备的插接式硬盘，智能存储卡（Smart Media Card,SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器31还可以既包括所述计算机设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
另外，本申请实施例还提供一种计算机可读存储介质，所述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实现上述任意方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现上述各个方法实施例中的步骤。
在本申请所提供的几个实施例中，可以理解的是，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，所述模块、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。也应当注意的是，在有些作为替换的实现方式中，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，两个连续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。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围。特别指出，对于本领域技术人员来说，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.脑机接口关键脑区编码的采集与识别方法，其特征在于，所述方法包括：
向预设脑区发送脑电刺激信号，并接收基于所述脑电刺激信号得到的脑电反射信号；
获取所述脑电反射信号的信号传播参数以及信号传播指标，其中，所述信号传播参数包括：信号入射角、信号折射角，所述信号传播指标包括：振幅、频率、相位；
根据所述信号传播参数和所述信号传播指标，确定所述脑电反射信号的信号衰减数据；
根据所述信号衰减数据，确定所述脑电反射信号的延迟数据集；
获取脑电信号传感器在感兴趣脑区采集到的脑电信号，所述脑电信号包括静态脑电信号和动态脑电信号；
对所述动态脑电信号进行特征提取，得到所述动态脑电信号对应的动态特征矩阵；
对所述延迟数据集、所述静态脑电信号和所述动态特征矩阵进行特征融合，得到所述感兴趣脑区的目标特征数据。
2.根据权利要求1所述的脑机接口关键脑区编码的采集与识别方法，其特征在于，所述方法在所述获取脑电信号传感器在感兴趣脑区采集到的脑电信号，所述脑电信号包括静态脑电信号和动态脑电信号之前，还包括：
根据所述脑电反射信号中的预设频率占比，确定所述脑电反射信号中各个预设频率对应的波形占比；
根据所述波形占比是否符合预设的节律分布条件，确定所述脑电反射信号的完整性；
根据所述脑电反射信号的完整性，从所述预设脑区中确定感兴趣脑区。
3.根据权利要求1或2所述的脑机接口关键脑区编码的采集与识别方法，其特征在于，所述方法在所述获取脑电信号传感器在感兴趣脑区采集到的脑电信号，所述脑电信号包括静态脑电信号和动态脑电信号之前，还包括：
提取所述脑电反射信号在时域上的时域统计特征；
将所述脑电反射信号转换到频域，提取所述脑电反射信号在频域上的频域统计特征；
基于预设的信号完整性评估函数，根据所述时域统计特征和所述频域统计特征，确定所述脑电反射信号的完整性。
4.根据权利要求1所述的脑机接口关键脑区编码的采集与识别方法，其特征在于，所述对所述动态脑电信号进行特征提取，得到所述动态脑电信号对应的动态特征矩阵，包括：
获取多帧所述动态脑电信号，对多帧所述动态脑电信号进行信号帧采样，得到所述动态脑电信号对应的信号序列；
基于预设的相关性算法，确定所述动态脑电信号对应的信号序列与所述动态脑电信号对应的静态脑电信号之间的相关性系数；
若所述相关性系数小于预设的相关性阈值，基于所述静态脑电信号对所述信号序列进行差分提取，得到目标特征矩阵；
对所述目标特征矩阵进行降维处理，得到所述动态特征矩阵。
5.根据权利要求1所述的脑机接口关键脑区编码的采集与识别方法，其特征在于，所述获取所述脑电反射信号的信号传播参数以及信号传播指标，包括：
根据所述脑电刺激信号的电极方向，确定所述脑电刺激信号的信号入射角；
基于预设的高斯函数模型，确定所述脑电反射信号的电场振幅值和传播方向角之间的关系，得到所述脑电反射信号的信号折射角。
6.根据权利要求1所述的脑机接口关键脑区编码的采集与识别方法，其特征在于，所述获取所述脑电反射信号的信号传播参数以及信号传播指标，包括：
根据所述脑电反射信号在时域上的波形，确定所述脑电反射信号的振幅；
对所述脑电反射信号进行小波变换，根据所述小波变换得到的小波系数确定所述脑电反射信号的频率；
将所述脑电反射信号转换到频域，根据所述脑电反射信号在频域上的波形确定所述脑电反射信号的相位。
7.根据权利要求1所述的脑机接口关键脑区编码的采集与识别方法，其特征在于，所述根据所述信号传播参数和所述信号传播指标，确定所述脑电反射信号的信号衰减数据，包括：
根据所述信号入射角和所述信号折射角，确定所述脑电信号在传播过程中的路径偏差值，其中，所述路径偏差值为入射路径距离与折射路径距离之间的差值，所述入射路径距离是通过头皮组织厚度除以所述信号入射角的余弦值得到的，所述折射路径距离是通过头皮组织厚度除以所述信号折射角的余弦值得到的；
根据所述振幅、所述频率、所述相位确定所述脑电信号的信号传播模型，以及根据所述信号传播模型和所述路径偏差值确定信号衰减模型；
根据所述信号传播模型和所述信号衰减模型确定所述脑电信号的信号衰减量；
根据所述信号衰减量，确定所述脑电反射信号的信号衰减数据。
8.根据权利要求1所述的脑机接口关键脑区编码的采集与识别方法，其特征在于，所述根据所述信号衰减数据，确定所述脑电反射信号的延迟数据集，包括：
根据所述脑电反射信号的不同频率分量对应的信号衰减数据，确定相对信号延迟量；
根据所述相对信号延迟量，确定所述延迟数据集。
9.根据权利要求1所述的脑机接口关键脑区编码的采集与识别方法，其特征在于，所述对所述延迟数据集、所述静态脑电信号和所述动态特征矩阵进行特征融合，得到所述感兴趣脑区的目标特征数据，包括：
根据各个通道采集到的所述静态脑电信号，确定对应的静息数据矩阵，并将所述静息数据矩阵投影到目标特征子空间，得到所述静态脑电信号对应的低维特征矩阵；
对所述延迟数据集、所述低维特征矩阵和所述动态特征矩阵进行向量拼接，得到用于表示所述目标特征数据的元特征向量。
10.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至9中任一项所述的脑机接口关键脑区编码的采集与识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410109550.0A CN117617995B (zh) | 2024-01-26 | 2024-01-26 | 脑机接口关键脑区编码的采集与识别方法、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410109550.0A CN117617995B (zh) | 2024-01-26 | 2024-01-26 | 脑机接口关键脑区编码的采集与识别方法、计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117617995A true CN117617995A (zh) | 2024-03-01 |
| CN117617995B CN117617995B (zh) | 2024-04-05 |
Family
ID=90038049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410109550.0A Active CN117617995B (zh) | 2024-01-26 | 2024-01-26 | 脑机接口关键脑区编码的采集与识别方法、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117617995B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100145214A1 (en) * | 2007-02-09 | 2010-06-10 | Agency For Science, Technology And Research | system and method for processing brain signals in a bci system |
| US20130130799A1 (en) * | 2010-07-30 | 2013-05-23 | Marc Van Hulle | Brain-computer interfaces and use thereof |
| CN104503580A (zh) * | 2014-12-25 | 2015-04-08 | 天津大学 | 一种对稳态视觉诱发电位脑-机接口目标的识别方法 |
| CN104783788A (zh) * | 2015-05-05 | 2015-07-22 | 刘冬冬 | 脑波诱导控制方法和脑波诱导设备 |
| CN104951082A (zh) * | 2015-07-09 | 2015-09-30 | 浙江大学 | 一种利用随机共振增强脑电信号的脑机接口方法 |
| CN105068663A (zh) * | 2015-09-18 | 2015-11-18 | 中国石油大学(华东) | 一种基于脑电信号的对象选择方法及装置 |
| CN106362287A (zh) * | 2016-10-24 | 2017-02-01 | 天津大学 | 一种新型mi‑sssep混合脑‑机接口方法及系统 |
| CN107616794A (zh) * | 2017-09-26 | 2018-01-23 | 北京师范大学 | 一种意识障碍大脑皮层状态检测系统和方法 |
| CN107957780A (zh) * | 2017-12-07 | 2018-04-24 | 东南大学 | 一种基于稳态视觉诱发电位生理特性的脑机接口系统 |
| CN109828664A (zh) * | 2019-01-15 | 2019-05-31 | 西安交通大学 | 基于感觉反馈动态调整的稳态视觉诱发电位脑机接口方法 |
| CN109965871A (zh) * | 2019-03-22 | 2019-07-05 | 中国科学院上海高等研究院 | 脑机接口信号的分析方法、系统、介质及设备 |
| KR20190096780A (ko) * | 2018-02-09 | 2019-08-20 | 한국전자통신연구원 | 뇌-기계 인터페이스 기반의 개인 인증 장치 및 개인 인증 방법 |
| US11231779B1 (en) * | 2020-04-13 | 2022-01-25 | Meta Platforms, Inc. | Brain computer interface architecture |
| CN114550907A (zh) * | 2022-01-18 | 2022-05-27 | 浙江大学医学院附属儿童医院 | 癫痫检测系统 |
| CN114795243A (zh) * | 2022-05-13 | 2022-07-29 | 诺竹科技(上海)有限公司 | 具有多通道脑电采集与脑电刺激功能的便携式脑机装置 |
| CN116360600A (zh) * | 2023-04-06 | 2023-06-30 | 东南大学 | 一种基于稳态视觉诱发电位的空间定位系统 |
| CN116784841A (zh) * | 2023-02-27 | 2023-09-22 | 桂林电子科技大学 | 用于脑机接口的新型光纤漫射时间分辨探针系统 |
| CN116881762A (zh) * | 2022-12-09 | 2023-10-13 | 江西索普信实业有限公司 | 一种基于动态脑网络特征的情绪识别方法 |
| CN117034698A (zh) * | 2023-08-11 | 2023-11-10 | 厦门大学 | 一种高效的三维谱元超表面电磁仿真技术 |
-
2024
- 2024-01-26 CN CN202410109550.0A patent/CN117617995B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100145214A1 (en) * | 2007-02-09 | 2010-06-10 | Agency For Science, Technology And Research | system and method for processing brain signals in a bci system |
| US20130130799A1 (en) * | 2010-07-30 | 2013-05-23 | Marc Van Hulle | Brain-computer interfaces and use thereof |
| CN104503580A (zh) * | 2014-12-25 | 2015-04-08 | 天津大学 | 一种对稳态视觉诱发电位脑-机接口目标的识别方法 |
| CN104783788A (zh) * | 2015-05-05 | 2015-07-22 | 刘冬冬 | 脑波诱导控制方法和脑波诱导设备 |
| CN104951082A (zh) * | 2015-07-09 | 2015-09-30 | 浙江大学 | 一种利用随机共振增强脑电信号的脑机接口方法 |
| CN105068663A (zh) * | 2015-09-18 | 2015-11-18 | 中国石油大学(华东) | 一种基于脑电信号的对象选择方法及装置 |
| CN106362287A (zh) * | 2016-10-24 | 2017-02-01 | 天津大学 | 一种新型mi‑sssep混合脑‑机接口方法及系统 |
| CN107616794A (zh) * | 2017-09-26 | 2018-01-23 | 北京师范大学 | 一种意识障碍大脑皮层状态检测系统和方法 |
| CN107957780A (zh) * | 2017-12-07 | 2018-04-24 | 东南大学 | 一种基于稳态视觉诱发电位生理特性的脑机接口系统 |
| KR20190096780A (ko) * | 2018-02-09 | 2019-08-20 | 한국전자통신연구원 | 뇌-기계 인터페이스 기반의 개인 인증 장치 및 개인 인증 방법 |
| CN109828664A (zh) * | 2019-01-15 | 2019-05-31 | 西安交通大学 | 基于感觉反馈动态调整的稳态视觉诱发电位脑机接口方法 |
| CN109965871A (zh) * | 2019-03-22 | 2019-07-05 | 中国科学院上海高等研究院 | 脑机接口信号的分析方法、系统、介质及设备 |
| US11231779B1 (en) * | 2020-04-13 | 2022-01-25 | Meta Platforms, Inc. | Brain computer interface architecture |
| CN114550907A (zh) * | 2022-01-18 | 2022-05-27 | 浙江大学医学院附属儿童医院 | 癫痫检测系统 |
| CN114795243A (zh) * | 2022-05-13 | 2022-07-29 | 诺竹科技(上海)有限公司 | 具有多通道脑电采集与脑电刺激功能的便携式脑机装置 |
| CN116881762A (zh) * | 2022-12-09 | 2023-10-13 | 江西索普信实业有限公司 | 一种基于动态脑网络特征的情绪识别方法 |
| CN116784841A (zh) * | 2023-02-27 | 2023-09-22 | 桂林电子科技大学 | 用于脑机接口的新型光纤漫射时间分辨探针系统 |
| CN116360600A (zh) * | 2023-04-06 | 2023-06-30 | 东南大学 | 一种基于稳态视觉诱发电位的空间定位系统 |
| CN117034698A (zh) * | 2023-08-11 | 2023-11-10 | 厦门大学 | 一种高效的三维谱元超表面电磁仿真技术 |
Non-Patent Citations (3)
| Title |
|---|
| JING LIF: "Optical Modeling of College Students\' Mental Health Based on Brain-Computer Interface and Imaging", 2021 5TH INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING AND CONTROL SYSTEMS, 31 December 2021 (2021-12-31), pages 772 - 775 * |
| 舒方杰;胡平林;李健聪;: "折射率补偿法修正边界元电磁场模拟误差", 光学学报, vol. 33, no. 8, 10 August 2013 (2013-08-10), pages 0826001 - 1 * |
| 黄明辉: "多点聚焦经颅磁声电刺激仿真与实验研究", 中国优秀硕士学位论文全文数据库, 15 February 2023 (2023-02-15), pages 1 - 44 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117617995B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Daube et al. | Simple acoustic features can explain phoneme-based predictions of cortical responses to speech | |
| Franke et al. | An online spike detection and spike classification algorithm capable of instantaneous resolution of overlapping spikes | |
| Sharanreddy et al. | EEG signal classification for epilepsy seizure detection using improved approximate entropy | |
| Safieddine et al. | Removal of muscle artifact from EEG data: comparison between stochastic (ICA and CCA) and deterministic (EMD and wavelet-based) approaches | |
| Gupta et al. | FBDM based time-frequency representation for sleep stages classification using EEG signals | |
| Sriraam et al. | Automated epileptic seizures detection using multi-features and multilayer perceptron neural network | |
| Bizopoulos et al. | EEG epileptic seizure detection using k-means clustering and marginal spectrum based on ensemble empirical mode decomposition | |
| Mustafa et al. | Comparison between KNN and ANN classification in brain balancing application via spectrogram image | |
| WO2019102901A1 (ja) | 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル | |
| Cong et al. | Validating rationale of group-level component analysis based on estimating number of sources in EEG through model order selection | |
| Wimalarathna et al. | Comparison of machine learning models to classify auditory brainstem responses recorded from children with auditory processing disorder | |
| Hansen et al. | Unmixing oscillatory brain activity by EEG source localization and empirical mode decomposition | |
| Orosco et al. | On the use of high-order cumulant and bispectrum for muscular-activity detection | |
| CN114343635A (zh) | 一种基于变分相幅耦合的情绪识别方法及装置 | |
| Tapia et al. | RED: Deep recurrent neural networks for sleep EEG event detection | |
| CN113010013A (zh) | 一种基于Wasserstein距离的运动想象脑电迁移学习方法 | |
| US10085684B2 (en) | State identification in data with a temporal dimension | |
| Huang et al. | Detecting and characterizing high-frequency oscillations in epilepsy: a case study of big data analysis | |
| Behnam et al. | Seizure-specific wavelet (Seizlet) design for epileptic seizure detection using CorrEntropy ellipse features based on seizure modulus maximas patterns | |
| CN117617995B (zh) | 脑机接口关键脑区编码的采集与识别方法、计算机设备 | |
| Park et al. | Detection of epileptiform activities in the EEG using neural network and expert system | |
| Rizk et al. | Optimizing the automatic selection of spike detection thresholds using a multiple of the noise level | |
| Antunes et al. | A morphology-based feature set for automated Amyotrophic Lateral Sclerosis diagnosis on surface electromyography | |
| CN116473556A (zh) | 一种基于多位点皮肤生理响应的情感计算方法及系统 | |
| Zafar et al. | Automatic eye blink artifact removal for EEG based on a sparse coding technique for assessing major mental disorders |
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 |