RU2415642C1 - Method of classification of electroencephalographic signals in interface brain-computer - Google Patents
Method of classification of electroencephalographic signals in interface brain-computer Download PDFInfo
- Publication number
- RU2415642C1 RU2415642C1 RU2009133005/14A RU2009133005A RU2415642C1 RU 2415642 C1 RU2415642 C1 RU 2415642C1 RU 2009133005/14 A RU2009133005/14 A RU 2009133005/14A RU 2009133005 A RU2009133005 A RU 2009133005A RU 2415642 C1 RU2415642 C1 RU 2415642C1
- Authority
- RU
- Russia
- Prior art keywords
- eeg
- array
- mental
- vectors
- nms
- Prior art date
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
Description
Изобретение относится к биоинженерии и компьютерной технологии, в частности к области коммуникации мозга человека с компьютером, и предназначено для электроэнцефалографической (ЭЭГ) регистрации, анализа и интерпретации сигналов головного мозга для управления внешними исполнительными устройствами, например курсором «мыши» на экране монитора, инвалидной коляской или специализированными протезами, и может быть использовано в медицинской диагностике, операторской деятельности, в системах безопасности, индустрии развлечений (компьютерные игры).The invention relates to bioengineering and computer technology, in particular to the field of communication between the human brain and a computer, and is intended for electroencephalographic (EEG) recording, analysis and interpretation of brain signals to control external actuators, for example, a mouse cursor on a monitor screen, wheelchair or specialized prostheses, and can be used in medical diagnostics, camera work, in security systems, in the entertainment industry (computer nye games).
Аппаратно-программный комплекс мозг - компьютер - интерфейс (Brain-Computer-Interface (BCI)) преобразует электрическую активность мозга - импульсную и суммарную в конкретное действие, в котором тело человека не принимает никакого участия. Посредством компьютера полностью парализованный человек может устанавливать контакт с окружающими, включаться активно в окружающую социальную среду и, возможно, выполнять определенные задания, заниматься полезной и интересной трудовой деятельностью. В BCI системах, основанных на электроэнцефалографии, зарегистрированной от скальпа, измеряют ЭЭГ сигналы и выбирают необходимые участки, в то время как пользователь представляет различные движения, например движения левой или правой рукой. В зависимости от BCI применяются специфическая предварительная обработка и методы извлечения особенности к образцу ЭЭГ определенной длины с целью надежно обнаружить (выделить) ограниченные состояния мозга из ЭЭГ сигналов или паттернов ЭЭГ- фрагментов с определенным уровнем точности. Проблема, которая при этом возникает, основана, по крайней мере, частично на ограниченном понимании человеческого мозга и свойственной ему электрической активности и состоит в том, что точность обнаружения состояния умственной деятельности ухудшается, поскольку число ментальных состояний увеличивается. Например, в настоящее время не возможно распознать слова, о которых пользователь может думать, что могло бы быть желательным, чтобы осуществить задачу диктовки. Однако текущее состояние уровня техники позволяет надежно обнаружить несколько эмоциональных состояний и/или моторных намерений, таких как состояния релаксации (расслабления) или стресса, перемещения правой или левой руки.The hardware-software complex brain-computer-interface (Brain-Computer-Interface (BCI)) converts the electrical activity of the brain - impulse and total into a specific action in which the human body does not take any part. Through a computer, a completely paralyzed person can establish contact with others, join actively in the surrounding social environment and, possibly, perform certain tasks, engage in useful and interesting work. In BCI systems based on electroencephalography recorded from the scalp, EEG signals are measured and the necessary areas are selected, while the user presents various movements, for example, movements with the left or right hand. Depending on the BCI, specific pre-treatment and methods of extracting features are applied to the EEG sample of a certain length in order to reliably detect (isolate) limited brain states from EEG signals or EEG fragment patterns with a certain level of accuracy. The problem that arises in this case is based, at least in part, on a limited understanding of the human brain and its inherent electrical activity, and that the accuracy of detecting the state of mental activity deteriorates as the number of mental states increases. For example, it is currently not possible to recognize words that the user may think of, which might be desirable in order to accomplish the dictation task. However, the current state of the art allows reliable detection of several emotional states and / or motor intentions, such as states of relaxation (relaxation) or stress, movement of the right or left hand.
Проблема создания надежной BCI получила значительное внимание в последние годы. Предыдущие исследования сосредоточены на том, чтобы применять сигналы ЭЭГ для простых задач контроля команд, например перемещение курсора на экране компьютера или управление движением робота или робота-манипулятора. Этот тип линейного контроля команды создавался для обнаружения ментального состояния испытуемого из ЭЭГ и преобразования обнаруженного состояния в управляющий сигнал. В качестве специфических параметров биопотенциалов мозга в известных системах BCI используют мю, альфа и бета-ритмы мозга и вызванные потенциалы (Event Related Potentials - ERPs).The challenge of creating a reliable BCI has received considerable attention in recent years. Previous research has focused on applying EEG signals to simple command control tasks, such as moving the cursor on a computer screen or controlling the movement of a robot or robotic arm. This type of linear control of the command was created to detect the mental state of the test person from the EEG and convert the detected state into a control signal. The specific parameters of brain biopotentials in the known BCI systems use mu, alpha and beta brain rhythms and evoked potentials (Event Related Potentials - ERPs).
Известный энцефалолексианализатор (US 5840040, МПК А61В 5/00, U.S. Cl. 600/545, 600/544, 24-11-1998) /1/ предназначен для того, чтобы обнаружить, интерпретировать и использовать сигналы мозговой волны для коммуникации и для контроля за мыслью, например мысленный набор клавиатуры. В основном воплощении изобретения лежат две управляющие системы, основанные на парадигме репетиции движения. Изобретение измеряет уменьшение в mu-волне, которое отделяют от остальных событий, не связанных с движением или размышлением о движении. Изобретение обнаруживает мозговые волны, то есть ЭЭГ сигнал для определения состояния человека: двигающийся или думающий о перемещении или не двигающийся и не думающий о перемещении. Пара электродов размещена по моторной коре над центральной областью скальпа на обеих сторонах головы. Энцефалограф осуществляет запись ЭЭГ - различия потенциалов между этими двумя электродами. Когда человек отдыхает, то есть не двигается и не думает о перемещении, возникает волна, известная как мю-волна, представленная обычно в 8-13 Гц диапазоне. Эти подавления мощности известны как связанная с событием синхронизация - ERS (Event Related Synchronization или связанная с событием десинхронизация - ERD (Event Related Desynchronization). Когда человек двигается или думает о перемещении какой-либо части тела, мю-ритм существенно уменьшается. Таким образом, система работает на основе ослабления мю-волны, вызванного представлением движения (думающий о перемещении) или реальным движением. Обработка цифрового сигнала волны ЭЭГ по уровню спектральной мощности, отделенная от других волн, используется для генерации управляющего сигнала, который может использоваться для коммуникации или приведения в действие различных машин. В изобретении обеспечена двухсторонняя коммуникация между пользователем и инвалидным креслом, и двоичные сигналы произведены от двух отдельно легковозбудимых участков электрода, используя последовательно время коммуникации. Для любого данного заявления оператор обязан изучать соответствующий кодекс. После достаточной практики кодексы становятся подсознательными таким же образом, как опытная машинистка сознательно не обеспокоена деталями движения пальца. В самой простой реализации представлена двойная или релейная (on-off) система. Хотя много различных частей тела могли бы использоваться, такие части тела как руки и ноги предпочтительны. Пальцы - особенно подходящая часть тела, начало движения или репетиция движения пальцев производит надежный сигнал (большое изменение в мю-волне). В дополнительных реализациях могут использоваться более чем два электрода, измерения могут быть осуществлены с обеих сторон головы для обеспечения независимого лево - правого контроля.The well-known encephalolexanalizer (US 5840040, IPC AB 5/00, US Cl. 600/545, 600/544, 24-11-1998) / 1 / is designed to detect, interpret and use brain wave signals for communication and control for a thought, such as a mental keyboard typing. The main embodiment of the invention are two control systems based on the movement rehearsal paradigm. The invention measures the decrease in the mu wave, which is separated from other events not related to movement or thinking about movement. The invention detects brain waves, that is, an EEG signal for determining the state of a person: moving or thinking about moving or not moving and not thinking about moving. A pair of electrodes is placed along the motor cortex over the central region of the scalp on both sides of the head. Encephalograph records EEG - potential differences between these two electrodes. When a person is resting, that is, does not move and does not think about moving, a wave occurs, known as the mu wave, usually presented in the 8-13 Hz range. These power suppressions are known as event-related synchronization - ERS (Event Related Synchronization) or event-related desynchronization - ERD (Event Related Desynchronization). When a person moves or thinks about moving any part of the body, mu rhythm is significantly reduced. the system operates on the basis of the attenuation of the mu wave caused by the representation of motion (thinking about moving) or real motion Processing of the digital signal of the EEG wave by the level of spectral power, separated from other waves, is used to generate control The signal can be used for communication or driving various machines.The invention provides two-way communication between the user and the wheelchair, and binary signals are generated from two separately excitable sections of the electrode, using the communication time sequentially. Codex: After enough practice, codes become subconscious in the same way that an experienced typist is not consciously bothered and details of the finger. In the simplest implementation, a dual or on-off system is provided. Although many different body parts could be used, body parts such as arms and legs are preferred. Fingers - a particularly suitable part of the body, the beginning of the movement or rehearsal of the movement of the fingers produces a reliable signal (a big change in the mu wave). In additional implementations, more than two electrodes can be used; measurements can be made on both sides of the head to provide independent left-right control.
В способе коммуникации и системе, использующей мозговые волны для многомерного контроля (US 5638826, МПК А61В 5/0476, U.S. Cl. 128/732, 340/825.19, 345/157, 463/36, 17-06-1997) /2/, управляющие сигналы для команды вертикального и горизонтального перемещения курсора на экране дисплея выделяют путем пространственно-временного и частотного анализа и классифицируют с использованием вероятностной статистической обработки цифровых ЭЭГ сигналов из накопленной базы данных.In the communication method and the system using brain waves for multidimensional control (US 5638826, IPC АВВ 5/0476, US Cl. 128/732, 340 / 825.19, 345/157, 463/36, 17-06-1997) / 2 / , the control signals for the vertical and horizontal cursor movement on the display screen are isolated by spatio-temporal and frequency analysis and classified using probabilistic statistical processing of digital EEG signals from the accumulated database.
Вызванные потенциалы (ERPs), скрытые в непрерывной ЭЭГ, являются мозговыми ответами, которые приурочены к началу внешнего события. Внешнее событие может быть сенсорным стимулом, таким как визуальная вспышка или звук, умственное событие, такое как распознавание специфического целевого стимула, или пропуск стимула, такое как увеличенный межстимульный интервал. ERP, зарегистрированные в ответе на визуальные стимулы, называют визуальными вызванными потенциалами (VRPs). Как и ЭЭГ, ERPs регистрируют, помещая электроды на различных частях скальпа. Высокое временное миллисекундное разрешение ERPs идеально для изучения аспектов выбора времени как в нормальных, так и в анормальных когнитивных процессах, таких как включение в обучение, внимание, принятие решения, чтение, языковая обработка и память. В клинических исследованиях используют ERPs, чтобы помочь в диагностировании дисфункции мозга у пациентов с дислексией, шизофренией, болезнью Альцгеймера, Паркинсона, афазией и алкоголизмом.Evoked potentials (ERPs) hidden in a continuous EEG are brain responses that are timed to coincide with the start of an external event. An external event may be a sensory stimulus, such as a visual flash or sound, a mental event, such as recognition of a specific target stimulus, or a missed stimulus, such as an increased inter-stimulus interval. ERPs recorded in response to visual stimuli are called visual evoked potentials (VRPs). Like EEGs, ERPs are recorded by placing electrodes on various parts of the scalp. The high millisecond temporal resolution of ERPs is ideal for exploring aspects of timing in both normal and abnormal cognitive processes such as learning, attention, decision making, reading, language processing, and memory. In clinical studies, ERPs are used to help diagnose brain dysfunction in patients with dyslexia, schizophrenia, Alzheimer's, Parkinson's disease, aphasia, and alcoholism.
Вызванные потенциалы ERPs использованы в качестве специфических информативных параметров в системах BCI: (WO 2009057260 (A1). G06F 3/01, 2009-05-07) /3/, (WO 2009057278 (A1), G06F 3/01, А61В 5/0484, А61В 5/0476, 2009-05-07) /4/, (WO 2008059878 (A1), G06F 3/01, А61В 5/0476, 2008-05-22) /5/, (US 2005085744, А61В 5/00, G06F 3/00, G06F 3/01, 2005-04-21) /6/. В аппаратуре для классификации неизвестного многоканального сигнала биопотенциала (WO 2006026548, G06K 9/00, 2006-03-09) /7/ формы волны биопотенциала, такие как ERPs, ЭЭГ, кардиограммы или EMGs классифицируют, динамически соединяя информацию классификации от множества электродов, тестов или других хранилищ данных. Эти различные хранилища данных или каналы оцениваются в различные моменты времени согласно их соответствующей одномерной точности классификации. Ранжирование канала определено во время учебной фазы, в которой определена точность классификации каждого канала в каждый момент времени. Классификаторы - простые одномерные классификаторы, которые требуют только одномерной оценки параметра. Используя информацию классификации, сформулирован критерий, чтобы динамически выбрать различные каналы в различные моменты времени во время фазы тестирования. Независимые решения отобранных каналов в различные моменты времени объединены в вектор, который оптимально классифицирован, используя дискретный классификатор Bayes. Динамическая система обеспечивает высокую точность классификации, весьма гибка в использовании и преодолевает главные ограничения классификаторов, применяемых в настоящее время в исследованиях формы волны биопотенциала в клинических исследованиях.The evoked potentials of ERPs are used as specific informative parameters in BCI systems: (WO 2009057260 (A1).
Известный способ классификации мозговых сигналов в BCI системе (WO 2008117145, МПК G06F 3/01, 2008-10-12) /8/ включает обеспечение иерархической многоуровневой структуры дерева решения, состоявшей из внутренних узлов и узлов листа, где структура дерева решения представляет задачу. Информацию, полученную из обнаруженных психических состояний пользователя, через уровни структуры дерева решения используют, чтобы достигнуть узла листа и чтобы выполнить задачу. Операции способа классификации включают отбор, используя информацию, полученную из обнаруженных психических состояний пользователя, между значениями, связанными с внутренними узлами структуры дерева решения продуктом компьютерной программы, и устройством, которые отзывчивы к обнаруженным психическим состояниям пользователя, чтобы выполнить процессы выбора, чтобы выполнить задачу. Устройство может быть устройством коммуникации, и задача может быть вызовом номера названия задачи или задачей команды/контроля. Однако за время выполнения задачи посредством иерархической структуры дерева решения ментальное состояние пользователя изменяется, что снижает точность и увеличивает время при многократном преобразовании намерений пользователя в сигнал, управляющий внешним устройством.A known method for classifying brain signals in the BCI system (WO 2008117145,
В усовершенствовании, относящемся к BCI (WO 2009/044325 А1, 6 МКИ G06F 3/01, 09-04-2009) /9/, для получения управляющего инвалидным креслом сигнала пользователь обучается пяти командам (влево, вправо, назад, вперед, остановка). Процессор выбирает пять из десяти свойств, совпадающих с умственным описанием задачи в пользовательском профиле, включающем мозговые сигналы пользователя, нанесенные на карту. Функция обработки устроена так, чтобы измерить компонент взвешенной усталости пользователя во время учебного упражнения и соответственно приспособить BCI.In the improvement related to BCI (WO 2009/044325 A1, 6
В способе и устройстве для определения намерений и контроля сигнала (US 6349231 В1, МПК А61В 5/0482, А61В 5/0484, А61В 5/16, G06F 17/00, А61В 5/0476, 2002-02-19) /10/ в качестве специфических информационных параметров в BCI используют альфа-, бета-, тета-, дельта- и мю-ритмы мозговой активности с сочетаниями с электрокардиаграммой, мускульным потенциалом, глазными движениями. Для классификации биосигналов от 63-х входов использована искусственная нейронная сеть, имеющая входной и выходной слои, выполняющая линейную классификацию, что необходимо для работы с входными векторами размерностью 63-х полученных векторов.In a method and apparatus for determining intentions and monitoring a signal (US 6349231 B1,
Наиболее близким по технической сущности к заявляемому изобретению является способ классификации сигналов мозга в BCI системе (WO 2008/097200 A1, 6 МПК А61В 5/0476, C06F 19/00, A61F 2/72, 14-08-2008) /11/, принимаемый за прототип. Известный способ классификации сигналов мозга в BCI системе включает следующую последовательность действий над ЭЭГ сигналами:The closest in technical essence to the claimed invention is a method for classifying brain signals in the BCI system (WO 2008/097200 A1, 6
- выделение особенностей от N1 тренировочных испытаний;- highlighting features from N1 training tests;
- вычисление классификации, основанной на выделенных особенностях CSP (Common Spatial Pattern- общий пространственно-временной паттерн);- Calculation of the classification based on the distinguished features of the CSP (Common Spatial Pattern- a common spatio-temporal pattern);
- классификация N2 тестовых испытаний и повторение;- classification of N2 test tests and repetition;
- предварительное выделение особенностей от всех N1, N2 испытаний;- preliminary selection of features from all N1, N2 tests;
- предварительное вычисление классификации, основанное на предварительном выделении CSP особенностей;- preliminary classification calculation based on preliminary allocation of CSP features;
- предварительная классификация N2 тестовых испытаний;- preliminary classification of N2 test tests;
- и определение изменений (отличий) в предварительной классификации от N2 тестовых испытаний в сравнении с предшествующим повторением в равной степени или понижение в три раза.- and determination of changes (differences) in the preliminary classification from N2 test tests in comparison with the previous repetition equally or a decrease of three times.
Вычисление классификации основано на выделении CSP особенностей в линейном байесовском (Bayes) классификаторе.The classification calculation is based on the allocation of CSP features in a Bayesian linear classifier.
Известный способ классификации электроэнцефалографических сигналов включает следующие действия: тестирование пользователя, выделение специфических информационных компонентов из общего пространственно-временного паттерна, создание выборки оцифрованных фрагментов ЭЭГ от множества отведений для обучения классификатора, вычисление весовых коэффициентов и классификацию фрагментов ЭЭГ для идентификации классов мысленных команд пользователя, соответствующих управляющим сигналам.A known method for classifying electroencephalographic signals includes the following steps: testing a user, extracting specific information components from a common spatio-temporal pattern, creating a sample of digitized EEG fragments from a variety of leads for classifier training, calculating weight coefficients and classifying EEG fragments to identify classes of user mental commands corresponding to control signals.
Известная BCI система может быть использована как альтернативный путь коммуникации и контроля для людей с тяжелыми моторными нарушениями. В частности, BCI система может также использоваться для ввода тестовой информации для создания математического метода обработки многоканального сигнала для извлечения управляющего сигнала от мозговой активности. Например, неинвазивная, основанная на ЭЭГ BCI система может измерять специфические компоненты мозговой активности через ЭЭГ сигналы, выделять особенности этих сигналов и передавать эти особенности внешнему устройству, например приводу, курсору мыши или устройству руки робота.The well-known BCI system can be used as an alternative way of communication and control for people with severe motor impairments. In particular, the BCI system can also be used to input test information to create a mathematical method for processing a multi-channel signal to extract a control signal from brain activity. For example, a non-invasive EEG-based BCI system can measure specific components of brain activity through EEG signals, highlight features of these signals, and transmit these features to an external device, such as a drive, mouse cursor, or robot arm device.
В качестве специфических особенностей CSP частотно-полосовым фильтром выделены диапазоны частот мю-ритма (8-12 Гц) и бета-ритма (18-22 Гц) (стр.7 описания заявки).As specific features of the CSP, the mu rhythm (8-12 Hz) and beta rhythm (18-22 Hz) frequency ranges (p. 7 of the application description) are allocated by the frequency-band filter.
При слабых сигналах мозговых волн желательно увеличить точность классификации с использованием данных от всех электродов, эпох и стимулов в процессе классификации. Главные ограничения существующих методов для классификации ERP (или классификации других биопотенциалов, связанных со специфическими событиями) вызваны следующими причинами. В первую очередь большинство ERP или другие измерения биопотенциалов требуют данных регистрации от множества электродов, эпох, стимулов и/или тестов (все вместе называемые каналами). Каждый канал данных содержит весовые коэффициенты. Различительная способность между классами изменяется от канала к каналу как функция времени. Большинство классификаторов ориентировано на то, чтобы классифицировать ERPs каждого канала независимо и полностью не использует различную, но дополнительную информацию, скрытую в многоканальной регистрации биопотенциалов. Из-за плохого соотношения сигнал/шум анализ и классификация типично проводится на ERPs, усредненном по большому количеству испытаний. Сбор большого количества испытаний ERPs для формирования усредненных ERPs приводит к тому, что пользователи испытывают усталость и теряют концентрацию при длительных сессиях сбора данных. В настоящее время необходимость многократного повторения экспериментов является основной причиной, ограничивающей применение ERPs в управлении внешними устройствами и медицинской диагностике. В-третьих, большинство классификаторов для оценки формы мозговых волн является многомерными классификаторами и требует задания ковариационных матриц. Для того чтобы матрицы ковариации могли быть использованы в расчетах, необходимо чтобы число отсчетов ERPs было больше размерности ковариационной матрицы. Так как при отдельном испытании это условие не выполняется, невозможно оценить многомерные параметры. В-четвертых, формулировки классификатора типично ограничиваются дихотомической классификацией (разделение на 2 класса) и не обобщены на большее число классов.With weak signals of brain waves, it is desirable to increase the classification accuracy using data from all electrodes, eras, and stimuli in the classification process. The main limitations of existing methods for classifying ERP (or classifying other biopotentials associated with specific events) are caused by the following reasons. First of all, most ERP or other measurements of biopotentials require registration data from many electrodes, epochs, stimuli and / or tests (collectively called channels). Each data channel contains weights. The distinctiveness between classes varies from channel to channel as a function of time. Most classifiers are focused on classifying ERPs of each channel independently and completely do not use different, but additional information, hidden in multichannel registration of biopotentials. Due to the poor signal-to-noise ratio, analysis and classification are typically performed on ERPs averaged over a large number of trials. Collecting a large number of trials of ERPs to form averaged ERPs causes users to become tired and lose concentration during long data collection sessions. Currently, the need for repeated experiments is the main reason limiting the use of ERPs in the management of external devices and medical diagnostics. Third, most classifiers for assessing the shape of brain waves are multidimensional classifiers and require the assignment of covariance matrices. In order for the covariance matrices to be used in the calculations, it is necessary that the number of ERPs samples be greater than the dimension of the covariance matrix. Since in a separate test this condition is not fulfilled, it is impossible to evaluate multidimensional parameters. Fourth, classifier formulations are typically limited to dichotomous classification (division into 2 classes) and are not generalized to a larger number of classes.
Таким образом, несмотря на отдельные достижения, нерешенных проблем в неинвазивных BCI еще очень много. Надежно распознается небольшое количество состояний (2-3); быстродействие распознавания этих состояний невысоко, особенно при использовании вызванных потенциалов или суммарной ЭЭГ (на распознавание одного состояния обычно уходят десятки секунд); обучение испытуемого для управления своими биопотенциалами может занять несколько дней и даже недель; необходим учет функционального состояния и настройка на индивидуальные особенности испытуемого. Решение этих проблем необходимо, чтобы довести характеристики основанных на принципах BCI систем коммуникации и управления до уровня, представляющего практический интерес.Thus, in spite of individual achievements, there are still many unsolved problems in non-invasive BCI. A small number of conditions are reliably recognized (2-3); the recognition performance of these states is low, especially when using evoked potentials or the total EEG (recognition of a single state usually takes tens of seconds); training a subject to manage their biopotentials can take several days or even weeks; it is necessary to take into account the functional state and tuning to the individual characteristics of the subject. A solution to these problems is necessary in order to bring the characteristics of BCI-based communication and control systems to a level of practical interest.
Задачей, решаемой в заявляемом изобретении, является уменьшение времени идентификации мысленных команд пользователя в системе BCI до 2 секунд при повышении точности идентификации мысленных команд пользователя до 90% за счет использования неизвестных ранее специфических информационных компонентов общего пространственно-временного паттерна и обработки по адаптированному для решения данной задачи алгоритму классификации выделенных специфических фрагментов ЭЭГ сигнала нейронной многослойной сетью (НМС).The problem to be solved in the claimed invention is to reduce the time for identification of user mental commands in the BCI system to 2 seconds while increasing the accuracy of identification of user mental commands to 90% due to the use of previously unknown specific information components of a common spatio-temporal pattern and processing adapted to solve this tasks to the classification algorithm for the allocation of specific fragments of an EEG signal by a neural multilayer network (NMS).
Указанный технический результат достигается тем, что способ классификации электроэнцефалографических сигналов в интерфейсе мозг - компьютер заключается в тестировании пользователя, выделении специфических информационных компонентов из общего пространственно-временного паттерна, создании выборки оцифрованных фрагментов ЭЭГ от множества отведений для обучения классификатора, вычислении весовых коэффициентов и классификации фрагментов ЭЭГ для идентификации классов мысленных команд пользователя, соответствующих управляющим сигналам.The indicated technical result is achieved by the fact that the method of classifying electroencephalographic signals in the brain-computer interface consists in testing the user, extracting specific information components from a common spatio-temporal pattern, creating a sample of digitized EEG fragments from a variety of leads for classifier training, calculating weight coefficients and classifying fragments EEG to identify classes of mental commands of the user corresponding to the control signal lamas.
Согласно изобретению в качестве специфических информационных компонентов используют локальные положительные максимумы амплитуды ЭЭГ сигналов от всех отведений, при этом если значения двух соседних положительных максимумов отличаются менее чем на психофизиологический порог восприятия человека, то их считают равными и второй максимум исключают из последующего анализа, одновременно с выделением первого положительного локального максимума от опорного отведения фиксируют значения амплитуд ЭЭГ сигналов по всем остальным отведениям, в результате получают набор амплитуд, представляющих собой первый входной вектор для нейронной многослойной сети (НМС), и процедуру формирования входных векторов повторяют для каждого последующего положительного максимума опорного отведения и для каждого отдельного отведения, каждый раз принимаемого как опорное отведение, до тех пор, пока каждое из отведений не выполнит функцию опорного, в результате получают многомерный массив входных векторов от конкретного пользователя, причем при обучении НМС сети дополнительно формируют массив указателей классов мысленных движений, выполняемых пользователем, который является выходным массивом для обучения НМС, и вычисляют весовые коэффициенты классификации по алгоритму обратного распространения ошибки, и при идентификации мысленного движения массив входных векторов подают на НМС для вычисления выходного вектора, по которому определяют класс мысленного движения пользователя.According to the invention, local positive maxima of the amplitude of the EEG signals from all leads are used as specific information components, while if the values of two adjacent positive maxima differ by less than the psychophysiological threshold of human perception, they are considered equal and the second maximum is excluded from the subsequent analysis, simultaneously with the allocation the first positive local maximum from the reference leads record the values of the amplitudes of the EEG signals for all other leads, in the result is a set of amplitudes representing the first input vector for the neural multilayer network (NMS), and the procedure for generating the input vectors is repeated for each subsequent positive maximum of the reference lead and for each individual lead, each time taken as a reference lead, until each it doesn’t fulfill the reference function from the leads, as a result, a multidimensional array of input vectors is received from a specific user, and when training the NMS networks, they additionally form an array of indexes of the classes of mental movements performed by the user, which is the output array for training the NMS, and calculate the weighting coefficients of classification by the algorithm of back propagation of error, and when identifying the mental movement, the array of input vectors is fed to the NMS to calculate the output vector by which the class of mental movement of the user is determined .
В конкретном воплощении изобретения значения двух соседних положительных локальных максимумов амплитуд ЭЭГ сигналов отличаются не менее чем на 5%.In a specific embodiment of the invention, the values of two adjacent positive local maximums of the amplitudes of the EEG signals differ by at least 5%.
В основе настоящего изобретения лежат представления И.Пригожина о собственном времени нелинейных систем - неживых и живых. (Пригожин И. От существующего к возникающему. М., Наука, 1985, 326 с) /12/. Это время отличается от астрономического, хотя его можно измерить наручными часами или с помощью какого-либо динамического устройства, но оно имеет совершенно иной смысл, ибо возникает из-за случайного поведения траекторий, встречающегося в неустойчивых динамических системах.The present invention is based on the ideas of I. Prigogine about the intrinsic time of nonlinear systems - inanimate and living. (Prigogine I. From the existing to the arising. M., Nauka, 1985, 326 s) / 12 /. This time differs from astronomical one, although it can be measured by a wristwatch or using some kind of dynamic device, but it has a completely different meaning, because it arises from the random behavior of trajectories encountered in unstable dynamic systems.
В психологических исследованиях (Фресс П. Восприятие и оценка времени. Экспериментальная психология. Вып.VI, М., Прогресс, 1978, с 88-135) /13/ было показано, что в зависимости от функционального состояния испытуемого его субъективное время течет по-разному и, значит, оно может выступать в роли и зависимой переменной. Аналогичная ситуация имеет место не только на психологическом, но и на физиологическом уровне. О том, что именно собственное время, задаваемое физиологически значимыми событиями, необходимо учитывать при анализе процессов переработки информации в нервной системе, свидетельствуют, например, многочисленные факты, связанные с эффектами стимуляции, приуроченной к определенным фазам динамики показателей биоэлектрической активности разных подсистем организма. Таким образом, можно считать, что время в физиологических системах как "контекстно" зависимо, так и определяется функциональным состоянием. Опыт в разных областях исследований показывает, что в тех случаях, когда удается правильно определить собственное время системы, его использование значительно повышает эффективность описания динамических свойств и поведения этой системы. Это проявляется в значительном сокращении математического описания такой системы без потери информации и улучшении предсказательных свойств такого описания. Исходя из имеющихся фактов и теоретических обобщений, сформировалось представление, что для описания специфики и структуры биологических процессов необходимо ввести понятие биологического (физиологического) времени (Уитроу Дж. Структура и природа времени. М., Наука, 1984, 64 с) /14/, то есть времени, связанного с внутренней ритмикой функционирования и развития биообъектов и со случайным поведением траекторий биологических процессов. Используемая сейчас конструкция времени - это абсолютное время Ньютона, для измерения которого существуют разнообразные часы. С другой стороны, общепризнанной является точка зрения на функционирование живых организмов, как на последовательность событий - функциональных квантов, таких как кванты элементарных физиологических процессов, кванты гомеостаза, кванты поведения. Любой из этих квантов, заканчиваясь определенным результатом и являясь функционально одним и тем же, может иметь разную длительность в обычно используемой шкале времени. Следовательно, естественные элементы физиологических и поведенческих процессов не эквивалентны общепринятым метрическим единицам времени, а задают разнородный поток событий, определяющих собственное время того или иного процесса.In psychological studies (Phress P. Perception and time evaluation. Experimental psychology. Issue VI, M., Progress, 1978, 88-135) / 13 / it was shown that, depending on the functional state of the subject, his subjective time flows differently and, therefore, it can act as a dependent variable. A similar situation occurs not only at the psychological, but also at the physiological level. The fact that it is proper time, set by physiologically significant events, must be taken into account when analyzing information processing processes in the nervous system, for example, numerous facts related to stimulation effects associated with certain phases of the dynamics of bioelectrical activity indicators of various subsystems of the body indicate. Thus, we can assume that time in physiological systems is both “contextually” dependent and determined by the functional state. Experience in various fields of research shows that in cases where it is possible to correctly determine the system’s own time, its use significantly increases the efficiency of the description of the dynamic properties and behavior of this system. This is manifested in a significant reduction in the mathematical description of such a system without loss of information and an improvement in the predictive properties of such a description. Based on the available facts and theoretical generalizations, the idea was formed that to describe the specifics and structure of biological processes, it is necessary to introduce the concept of biological (physiological) time (J. Wheatrow. The structure and nature of time. M., Nauka, 1984, 64 s) / 14 /, that is, the time associated with the internal rhythm of the functioning and development of biological objects and with the random behavior of the trajectories of biological processes. The time construction used now is Newton’s absolute time, for the measurement of which there are a variety of clocks. On the other hand, the point of view on the functioning of living organisms as a sequence of events - functional quanta, such as quanta of elementary physiological processes, quanta of homeostasis, quanta of behavior, is universally recognized. Any of these quanta, ending with a certain result and being functionally the same, can have different durations in a commonly used time scale. Consequently, the natural elements of physiological and behavioral processes are not equivalent to generally accepted metric units of time, but determine a heterogeneous flow of events that determine the proper time of a process.
Известно, что основной вклад в электрическую активность, записываемую суммарно в виде ЭЭГ, вносится медленно развивающимися потенциалами нейронных мембран. Суммарная запись отражает изменения электрического потенциала, возникающие в сплетениях нервных волокон. Когда активность большого числа нейронов синхронизирована под действием внешних стимулов, наблюдается соответствие между импульсной и суммарной активностью. Следовательно, можно полагать, что суммарные потенциалы отражают вероятность, с которой будут разряжаться отдельные нейроны при предъявлении стимулов, синхронизирующих большие группы нейронов.It is known that the main contribution to electrical activity, recorded in total in the form of EEG, is made by slowly developing potentials of neural membranes. The total record reflects changes in the electric potential that occur in the plexus of nerve fibers. When the activity of a large number of neurons is synchronized under the action of external stimuli, there is a correspondence between impulse and total activity. Therefore, it can be assumed that the total potentials reflect the probability with which individual neurons will be discharged upon presentation of stimuli that synchronize large groups of neurons.
В настоящее время установлено, что медленные потенциалы образуют динамические структуры, которые играют важную роль не только в передаче нервных импульсов, но и при аналоговом «вычислении» взаимодействий между нейронами, в том числе и разнесенных в пространстве на значительные расстояния. Другими словами, имеет место двухпроцессный механизм, в котором локальная микроструктура - возрастание и убывание - медленных потенциалов, регистрируемая в виде ЭЭГ, сопрягается с распространяющимися нервными импульсами. Человек и животные воспринимают не время, а процессы, изменения, последовательности. В качестве естественных элементов поведения выступают последовательности физиологически значимых событий. Таким событием является изменение знака (от положительного к отрицательному) производной ЭЭГ сигнала. В момент каждого такого события отдельное отведение ЭЭГ выступает в качестве опорного по отношению к остальным отведениям. Все живые системы реагируют только на изменения в поступающей информации, причем существуют пороги восприятия, определяемые в соответствии с психофизическим законом Вебера-Фехнера (Харви Шиффман. Ощущение и восприятие времени. Пер. с англ., издание 5, гл. 19, изд-во «Питер», 2003, с.772-789) /15/. Исходя из этого, в настоящем изобретении принято, что два события ЭЭГ отличаются друг от друга в том случае, если амплитуда следующего события отличается от амплитуды предыдущего события не менее чем на 5%, что соответствует порогу психофизиологического восприятия человека.It has now been established that slow potentials form dynamic structures that play an important role not only in the transmission of nerve impulses, but also in the analogue “calculation” of interactions between neurons, including those that are spaced apart over considerable distances. In other words, there is a two-process mechanism in which the local microstructure — increasing and decreasing — of slow potentials, recorded as an EEG, is coupled with propagating nerve impulses. Man and animals perceive not time, but processes, changes, sequences. As natural elements of behavior are sequences of physiologically significant events. Such an event is a change in sign (from positive to negative) of the derivative of the EEG signal. At the time of each such event, a separate EEG lead acts as a reference in relation to the other leads. All living systems respond only to changes in the incoming information, and there are thresholds of perception, determined in accordance with the psychophysical law of Weber-Fechner (Harvey Schiffman. Sensation and perception of time. Transl. From English,
Сущность изобретения иллюстрируется фигурами чертежей, графиками и таблицами.The invention is illustrated by the figures of drawings, graphs and tables.
На фиг.1 представлена общая схема системы интерфейс мозг - компьютер.Figure 1 presents a General diagram of the system interface brain - computer.
На фиг.2 представлена блок-схема энцефалографа.Figure 2 presents the block diagram of the encephalograph.
На фиг.3 представлена блок-схема процессора для обучения многослойной нейронной сети и классификации ЭЭГ сигнала.Figure 3 presents a block diagram of a processor for training a multilayer neural network and classifying an EEG signal.
На фиг.4 представлена блок-схема обучения многослойной нейронной сети.Figure 4 presents a block diagram of the training of a multilayer neural network.
На фиг.5 представлена блок-схема, иллюстрирующая запоминание обучающих временных фрагментов, представленных в виде матриц Si ЭЭГ в памяти компьютера.Figure 5 presents a block diagram illustrating the memorization of training time fragments, presented in the form of matrices S i EEG in computer memory.
На фиг.6 представлена блок-схема формирования обучающих массивов входных векторов {а} и выходных строковых переменных {b}.Figure 6 presents a block diagram of the formation of training arrays of input vectors {a} and output string variables {b}.
На фиг.7 представлена блок-схема предобработки массива входных векторов {а} в массив векторов {α}.Figure 7 presents a block diagram of the preprocessing of an array of input vectors {a} into an array of vectors {α}.
На фиг.8 представлена блок-схема предобработки массива выходных строковых переменных {b} в массив векторов {β}.On Fig presents a block diagram of the preprocessing array of output string variables {b} into an array of vectors {β}.
На фиг.9 представлена блок-схема алгоритма обратного распространения ошибки классификации ЭЭГ сигнала.Figure 9 presents the block diagram of the algorithm for the back propagation of the classification error of the EEG signal.
На фиг.10а представлена структурная схема многослойной нейронной сети.On figa presents a structural diagram of a multilayer neural network.
На фиг.10в представлена схема узлового элемента НМС.On figv presents a diagram of the nodal element of the NMS.
На фиг.11 представлена блок-схема алгоритма прямопоточных вычислений выходного вектора θ в многослойной нейронной сети.Figure 11 presents a block diagram of a direct-flow calculation algorithm of the output vector θ in a multilayer neural network.
На фиг.12 представлена блок-схема алгоритма обратнопоточных вычислений ошибок весовых коэффициентов Δw в многослойной нейронной сети.On Fig presents a block diagram of the algorithm for the reverse flow calculation of errors of the weight coefficients Δw in a multilayer neural network.
На фиг.13 представлена иллюстрация преимущества нелинейной классификации над линейной в случае нелинейно разделимых классов, где а) пример нелинейно разделимых классов, светлыми и темными точками обозначены области векторов х=(х1,х2), принадлежащих условно выделенным классам I и II соответственно, b) линейная классификация нелинейно разделимых классов, с) нелинейная классификация нелинейно разделимых классов.13 shows an illustration of the advantages of a nonlinear classification over a linear one in the case of nonlinearly separable classes, where a) an example of nonlinearly separable classes, light and dark dots indicate the areas of vectors x = (x1, x2) belonging to conditionally distinguished classes I and II, respectively, b a) a linear classification of nonlinearly separable classes, c) a nonlinear classification of nonlinearly separable classes.
На фиг.14 представлена блок-схема, иллюстрирующая процесс нейросетевой классификации ЭЭГ сигнала.On Fig presents a flowchart illustrating the process of neural network classification of the EEG signal.
На фиг.15 представлена блок-схема формирования массива входных векторов {а}.On Fig presents a block diagram of the formation of an array of input vectors {a}.
На фиг.16 представлена блок-схема, иллюстрирующая интерпретацию выходного вектора θ в нейронной многослойной сети.On Fig presents a block diagram illustrating the interpretation of the output vector θ in a neural multilayer network.
На фиг.17 представлены фрагменты ЭЭГ, иллюстрирующие процесс формирования массива входных векторов {а}.On Fig presents EEG fragments illustrating the process of forming an array of input vectors {a}.
На фиг.18 приведена схема поиска и отбора положительных локальных максимумов амплитуды на фрагменте ЭЭГ сигнала.On Fig shows a diagram of the search and selection of positive local maxima of the amplitude on the fragment of the EEG signal.
На фиг.19 представлен общий вид используемой гарнитуры для регистрации ЭЭГ.On Fig presents a General view of the used headset for recording EEG.
На фиг.20 представлена используемая электродная система ЭЭГ.On Fig presents the used electrode system EEG.
В таблице 1 показан временной отрезок Fi ЭЭГ сигнала, представленный в виде массива Si векторов Si j амплитуд Si jk.Table 1 shows the time interval F i of the EEG signal, presented as an array of S i vectors S i j amplitudes S i jk .
В таблице 2 приведены значения строковой переменной b.Table 2 shows the values of the string variable b.
В таблице 3 приведено кодирование значений строковой переменной b в выходной вектор β.Table 3 shows the encoding of the values of the string variable b into the output vector β.
В таблице 4 приведено кодирование классов мысленных движений в управляющие команды.Table 4 shows the coding of classes of mental movements in control teams.
Пример преимущественного осуществления изобретения.An example of a preferred embodiment of the invention.
Общая схема BCI (фиг.1) содержит портативный энцефалограф 2, соединенный на входе посредством электродов со скальпом пользователя 1, а своим выходом подключенный к компьютеру 3, выход которого соединен с контролируемым устройством 4 (инвалидной коляской). Для регистрации ЭЭГ сигнала использован 19-канальный электроэнцефалограф-регистратор «Энцефалан-ЭЭГР-19/26», выпускаемый фирмой «Медиком», г.Таганрог. Гарнитура для съема ЭЭГ-сигналов включает в себя комплект хлорсеребряных электродов и тканевой шлем со специальными гнездами для закрепления электродов (фиг.1, 2). Рабочим элементом ЭЭГ-электродов является Ag/AgCl. Трубчатая конструкция электродов позволяет заправлять и добавлять контактное вещество без переустановки электрода. В теле электрода имеется отверстие под штуцер стандартного шприца (без иглы), предназначенное для заправки электродного геля. Цвета электродов идентичны с цветами соответствующих гнезд на шлеме.The general BCI circuit (FIG. 1) contains a
- Полное сопротивление ЭЭГ-электродов - не более 2 кОм.- The total resistance of the EEG electrodes is no more than 2 kOhm.
- Разность электродных потенциалов ЭЭГ - в пределах ±20 мВ.- The difference of the electrode potentials of the EEG is within ± 20 mV.
- Время готовности ЭЭГ-электродов - не более 10 мин.- The readiness time of the EEG electrodes is not more than 10 minutes.
- Дрейф разности потенциалов ЭЭГ-электродов - не более 15 мкВ.- The drift of the potential difference of the EEG electrodes is not more than 15 μV.
- Напряжение шума ЭЭГ-электродов - не более 3 мкВ.- The noise voltage of the EEG electrodes is not more than 3 μV.
Энцефалограф (фиг.2) содержит электроды 5, усилитель ЭЭГ 6, АЦП 7 и частотно-полосовой фильтр 7. Аналоговый сигнал ЭЭГ регистрируется с помощью электродов 5, размещенных на скальпе пациента 1 по 12 отведениям по стандартной схеме «10-20»: F3, F4, С3, С4, Т3, Т4, Т5, Т6, Р3, Р4, O1, O2 с использованием двух референтных электродов.The Encephalograph (figure 2) contains
Процессор 3 (фиг.3) содержит блок обучения НМС 9 и блок классификации НМС 10.The processor 3 (figure 3) contains a
Блок обучения НМС 9 (фиг.4) содержит блоки запоминания временных отрезков Fi ЭЭГ для каждого i-го мысленного движения 11, формирования обучающих массивов входных векторов {а} и выходных строковых переменных {b} 12, предобработки массива входных векторов {а} 13, предобработки массива выходных строковых переменных {b} 14, выполнения алгоритма обратного распространения ошибки 15.The training unit of the NMS 9 (Fig. 4) contains blocks for storing time periods F i EEG for each i-th
Блок-схема запоминания обучающих отрезков ЭЭГ для каждого мысленного движения 11 (фиг.5) содержит блоки подачи испытуемому команды совершить i-e мысленное движение 16, запоминания временного отрезка Fi ЭЭГ сигнала длительностью τ через время Δt после подачи команды 17, запоминания текстового названия мысленного движения bi 18, прекращения подачи команд и записи ЭЭГ 19.The block diagram of the memorization of the training EEG segments for each mental movement 11 (Fig. 5) contains blocks for giving the test subject a command to make ie
Блок-схема формирования обучающих массивов входных векторов {а} и выходных строковых переменных {b} 12 (фиг.6) содержит блоки поиска положительных локальных максимумов амплитуды в запомненных временных отрезках Fi ЭЭГ 20, отбора максимумов 21, отличающихся от предыдущего максимума по данному отведению не менее чем на 5%, формирования для каждого отрезка Fi ЭЭГ массива векторов хi из значений амплитуд по всем отведениям в моменты обнаружения максимумов 22, объединения векторов xi j из всех массивов хi в обучающий массив входных векторов {а}: a=x1∪x2∪…∪xn 23, формирования обучающего массива выходных строковых переменных {b} из текстовых названий мысленных движений, соответствующих каждому вектору а массива {а} 24.The block diagram of the formation of training arrays of input vectors {a} and output string variables {b} 12 (Fig. 6) contains blocks for finding positive local amplitude maxima in the memorized time intervals F i EEG 20, selection of
Блок-схема предобработки массива входных векторов {α} 13 (фиг.7) осуществляет линейное преобразование массива входных векторов a=(a1,a2,…,a12) в массив векторов α=(α1,a2,…,α12).The block diagram of the preprocessing of the array of input vectors {α} 13 (Fig. 7) linearly transforms the array of input vectors a = (a 1 , a 2 , ..., a 12 ) into the array of vectors α = (α 1 , a 2 , ..., α 12 ).
Блок-схема предобработки массива выходных строковых переменных 14 (фиг.8) кодирует массив строковых переменных b в массив выходных векторов β.The block diagram of the preprocessing of the array of output string variables 14 (Fig. 8) encodes an array of string variables b into an array of output vectors β.
Блок-схема выполнения алгоритма обратного распространения ошибки 15 (фиг.9) содержит блоки выполнения прямопоточных вычислений выходных векторов θ 25, выполнения обратнопоточных вычислений ошибок Δw весовых коэффицентов w и их модификации w=w+Δw 26.The flowchart of the algorithm for the back propagation of error 15 (Fig. 9) contains blocks for performing direct-flow calculations of output vectors θ 25, performing back-flow calculations of errors Δw of weight coefficients w, and their modifications w = w +
Структурная схема используемой нейронной многослойной сети (НМС) содержит узловые элементы входного слоя, скрытого слоя и выходного слоя (фиг.10а).The structural diagram of the used neural multilayer network (NMS) contains the nodal elements of the input layer, the hidden layer and the output layer (figa).
Функциональная схема узлового элемента скрытого слоя и выходного слоя НМС содержит сумматор 27, вычисляющий скалярное произведение входного сигнала на вектор весовых коэффициентов w, и нелинейный преобразователь 28 (фиг.10б).Functional diagram of the nodal element of the hidden layer and the output layer of the NMS contains an
Блок-схема выполнения прямопоточных вычислений с входными векторами α 25 (фиг.11) вычисляет послойно в НМС выходной вектор θ.The flowchart for performing straight-through calculations with input vectors α 25 (Fig. 11) calculates the output vector θ layer-by-layer in the NMS.
Блок-схема выполнения обратнопоточных вычислений ошибок Δw весовых коэффицентов w и их модификации w=w+Δw 26 (фиг.12) вычисляет послойно в НМС весовые коэффициенты w.The flowchart for performing back-flow calculations of errors Δw of the weight coefficients w and their modifications w = w + Δw 26 (Fig. 12) calculates layer-by-layer weight coefficients w in the NMS.
Блок-схема классификации 10 (фиг.14) содержит блоки запоминания отрезка ЭЭГ Fclass длительностью τ 29, формирования массива входных векторов {а} 30, предобработки массива входных векторов {а} 13, выполнения прямопоточных вычислений выходных векторов θ 24, интерпретации выходных векторов θ НМС 31, определения выполнения мысленного движения 32, кодирования класса мысленного движения в управляющую команду 33.The classification flowchart 10 (Fig. 14) contains blocks for storing an EEG segment F class of duration τ 29, generating an array of input vectors {a} 30, preprocessing an array of input vectors {a} 13, performing direct-flow calculations of output vectors θ 24, interpreting output vectors θ
Блок-схема формирования массива входных векторов {а} 30 (фиг.15) содержит блоки поиска положительных локальных максимумов амплитуды в запомненном отрезке Fclass ЭЭГ 34, отбора максимумов 35, отличающихся от предыдущего максимума по данному отведению не менее чем на 5%, формирования массива векторов {а} из значений амплитуд по всем отведениям в моменты обнаружения максимумов 36.The block diagram of the formation of an array of input vectors {a} 30 (Fig. 15) contains blocks for searching for positive local amplitude maxima in the memorized segment F class EEG 34, selection of
Схема интерпретации выходных векторов θ НМС 31 (фиг.16) осуществляет преобразование вычисленного выходного вектора θ в двоичный вектор β=(β1,…,βi,…β5) путем инициализации компонента βi единицей, если i-я компонента вектора θ максимальна из всех значений компонент вектора θ, и инициализации остальных компонент вектора β нулями, и преобразования двоичного вектора β в строковую переменную b.The interpretation scheme of the output vectors θ of the NMS 31 (Fig. 16) converts the calculated output vector θ into the binary vector β = (β 1 , ..., β i , ... β 5 ) by initializing the component β i with unity if the ith component of the vector θ the maximum of all the values of the components of the vector θ, and the initialization of the remaining components of the vector β by zeros, and the conversion of the binary vector β to the string variable b.
На фрагментах ЭЭГ в масштабе 100 мс/см показан процесс формирования массива входных векторов {а}=a1, а2, а3,…, где вертикальными пунктирными линиями отображено выделение положительных локальных максимумов амплитуды a1 1, а2 1, а3 1,… от опорного отведения Т4 ЭЭГ сигнала и фиксация значений амплитуд a1 2, a22, a3 2,…- a1 12, a2 12, а3 12,… ЭЭГ сигналов по всем остальным отведениям (фиг.17 и фиг.17а - продолжение фиг.17).The EEG fragments on a scale of 100 ms / cm show the process of forming an array of input vectors {a} = a 1 , a 2 , a 3 , ..., where vertical dashed lines show the allocation of positive local maximums of amplitude a 1 1 , a 2 1 , and 3 1 , ... from the reference lead T4 of the EEG signal and fixing the amplitudes a 1 2 , a 22 , a 3 2 , ... - a 1 12 , a 2 12 , and 3 12 , ... EEG signals for all other leads (Fig. 17 and figa - continuation of Fig.17).
Фрагмент ЭЭГ сигнала (фиг.18) иллюстрирует отбор локальных положительных максимумов амплитуды ЭЭГ сигнала, где вертикальными пунктирными линиями отмечены выбранные локальные максимумы, отличающиеся от соседних локальных максимумов не менее чем на 5%.A fragment of the EEG signal (Fig. 18) illustrates the selection of local positive maxima of the amplitude of the EEG signal, where the vertical dashed lines indicate selected local maxima that differ from neighboring local maxima by at least 5%.
Аналоговые сигналы от электродов 5, соответствующих двенадцати отведениям от скальпа пользователя 1, поступают на энцефалограф 2 (фиг.1), где усиливаются многоканальным усилителем 6 и в АЦП 7 преобразуются в цифровые сигналы с частотой дискретизации 250 Гц и весом бита 25 мкВ и фильтруются частотно-полосовым фильтром 8 с полосой пропускания в диапазоне от 1,6 до 70 Гц для устранения низкочастотных и высокочастотных помех. Отфильтрованный сигнал передается в процессор 3 (фиг.1) на обучение нейронной многослойной сети (НМС), если НМС не обучена или на классификацию НМС 10, если НМС обучена (фиг.3). Обучение НМС 9 начинают с запоминания обучающих временных отрезков Fi ЭЭГ сигнала для каждого i-го мысленного движения и названий мысленных движений, обозначенных как строковые переменные bi в блоке запоминания временных отрезков Fi ЭЭГ для каждого i-го мысленного движения 11 (фиг.4).The analog signals from the
В блоке подачи испытуемому команды совершить i-e мысленное движение 16 испытуемому с экрана компьютера подается команда в виде словесного транспаранта или визуального изображения совершить i-e из пяти мысленных движений: сжать левый кулак, сжать правый кулак, высунуть язык, сжать пальцы левой ноги, сжать пальцы правой ноги.In the submission unit of the test subject to make ie
В блоке запоминания временного отрезка Fi ЭЭГ сигнала длительностью τ через время Δt после подачи команды 17 запоминается временной отрезок Fi ЭЭГ сигнала длительностью τ=400 мс с интервалом задержки Δt=50 мс от момента подачи команды. Каждый временной отрезок Fi ЭЭГ сигнала представлен в виде массива Si векторов амплитуд, где каждый вектор Si j состоит из значений амплитуд Si jk по всем 12 отведениям в один и тот же момент времени. Индекс i обозначает номер мысленного движения, индекс j обозначает порядковый номер вектора Si j в массиве Si векторов, а индекс k - номер отведения. Структура массива Si векторов амплитуд проиллюстрирована в таблице 1. Каждый столбец таблицы соответствует одному отведению, а строка - одному вектору. Вектор Si j в таблице выделен серым цветом, а значение амплитуды Si jk - жирным шрифтом. Одновременно в блоке запоминания текстового названия мысленного движения bi 18 запоминаются текстовые названия мысленных движений в строковой переменной bi (фиг.5), представляющие собой указатели классов мысленных движений, выполняемых пользователем (таблица 2).In the block for storing the time interval F i of the EEG signal of duration τ after a time Δt after giving the
Подачу команд и запись ЭЭГ сигнала прекращают в блоке прекращения подачи команд и записи ЭЭГ 19, если условие «Поданы все 5 команд?» выполнено. Если это условие не выполнено, подают следующую команду в блок подачи испытуемому команды совершить i-e мысленное движение 16 (фиг.5). После запоминания формируют обучающие массивы входных векторов {а} и выходных строковых переменных {b} в блоке формирования обучающих массивов входных векторов {а} и выходных строковых переменных {b} 12. Для этого в блоке поиска положительных локальных максимумов амплитуды в запомненных временных отрезках Fi ЭЭГ 20 выбирают положительные локальные максимумы амплитуды в каждом из временных отрезков Fi ЭЭГ сигнала, запомненных в виде массивов Si векторов. В блоке отбора максимумов 21, отличающихся от предыдущего максимума по данному отведению не менее чем на 5%, из найденных положительных локальных максимумов амплитуды выбирают максимумы Mi 1, которые отличаются по амплитуде от предыдущего выбранного максимума по данному отведению не менее чем на 5%. Для этого из массива Si выбирают значения амплитуд Si jk, удовлетворяющие условиям:The issuance of commands and recording of the EEG signal is stopped in the block for stopping the flow of commands and recording the
где Lk - предыдущий отобранный максимум по k-му отведению.where L k is the previous selected maximum at the kth lead.
Если условие выполнено, значение Lk обновляется: . Процесс отбора максимумов проиллюстрирован на фиг.18. Отобранные максимумы Мi l отмечены вертикальными пунктирными линиями. Локальные максимумы с амплитудой меньше нуля, а также максимумы, не отличающиеся на 5% от предыдущего максимума, не отбираются и не учитываются в последующем анализе. В блоке формирования для каждого отрезка Fi ЭЭГ массива векторов хi из значений амплитуд по всем отведениям в моменты обнаружения максимумов 22 из каждого массива Si векторов, соответствующего запомненному отрезку Fi ЭЭГ, выбирают все вектора Si j, содержащие хотя бы один отобранный на предыдущем этапе положительный локальный максимум Mi l амплитуды. Из этих векторов для каждого запомненного временного отрезка Fi ЭЭГ сигнала формируют массив векторов хi для i-го мысленного движения, где i=1, 2, 3, 4, 5.If the condition is met, the value of L k is updated: . The process of selecting highs is illustrated in FIG. The selected maxima M i l are marked by vertical dashed lines. Local maxima with an amplitude less than zero, as well as maxima that do not differ by 5% from the previous maximum, are not selected and are not taken into account in the subsequent analysis. In the formation unit for each segment F i EEG of an array of vectors x i from the values of the amplitudes for all leads at the moments of detection of
В блоке объединения векторов xi j из всех массивов хi в обучающий массив входных векторов {а}: a=x1∪x2∪…∪xn 23 векторы xi j из сформированных массивов х1, х2, х3, х4, х5 объединяют в обучающий массив входных векторов {а}:In the block of combining vectors x i j from all arrays x i into the training array of input vectors {a}: a = x 1 ∪x 2 ∪ ... ∪x n 23 vectors x i j from the formed arrays x 1 , x 2 , x 3 , x 4 , x 5 are combined into a training array of input vectors {a}:
В блоке формирования обучающего массива выходных строковых переменных {b} из текстовых названий мысленных движений, соответствующих каждому вектору а массива {а} 24, формируют обучающий массив выходных строковых переменных {b}, содержащий текстовые названия мысленных движений bi, соответствующие каждому вектору обучающего массива входных векторов {а}.In the block for the formation of the training array of output string variables {b} from the text names of mental movements corresponding to each vector a of the array {a} 24, a training array of output string variables {b} containing the text names of mental movements b i corresponding to each vector of the training array is formed input vectors {a}.
В блоке предобработки массива входных векторов {а} 13 (фиг.7) осуществляют предобработку массива входных векторов {а}, которая состоит в линейном преобразовании каждой i-й компоненты входного вектора а в компоненты вектора α в соответствии с формулой:In the preprocessing unit of the array of input vectors {a} 13 (Fig. 7), the preprocessing of the array of input vectors {a} is performed, which consists in the linear transformation of each ith component of the input vector a into the components of the vector α in accordance with the formula:
где ai min и ai max соответственно минимальное и максимальное значение i-й компоненты вектора а массива {а}.where a i min and a i max respectively the minimum and maximum value of the i-th component of the vector a of the array {a}.
В блоке предобработки массива выходных строковых переменных {b} 14 (фиг.8) осуществляют предобработку массива выходных строковых переменных {b}, которая состоит в кодировании текстовых названий классов b1, b2, b3, b4, b5 в числовые пятикомпонентные вектора β1=(1, 0, 0, 0, 0), β2=(0, 1, 0, 0, 0), β3=(0, 0, 1, 0, 0), β4=(0, 0, 0, 1, 0), β5=(0, 0, 0, 0, 1) (таблица 3).In the preprocessing block of the array of output string variables {b} 14 (Fig. 8), the preprocessing of the array of output string variables {b} is performed, which consists in encoding the textual names of classes b 1 , b 2 , b 3 , b 4 , b 5 into five-component numeric vectors β 1 = (1, 0, 0, 0, 0), β 2 = (0, 1, 0, 0, 0), β 3 = (0, 0, 1, 0, 0), β 4 = ( 0, 0, 0, 1, 0), β 5 = (0, 0, 0, 0, 1) (table 3).
После предобработки обучающие массивы входных {α} и выходных векторов {β} используют для обучения НМС в блоке выполнения алгоритма обратного распространения ошибки 15, которое состоит в настройке весовых коэффициентов w, осуществляемой алгоритмом обратного распространения ошибки [Rumelhart D.E., Hinton G.E. and Williams R.J. Learning internal representations by error propagation. In Parallel distributed processing, London: MIT Press,vol.1, 1986, 550 p.]. Алгоритм обратного распространения ошибки состоит из итерационной процедуры выполнения прямопоточных вычислений с входными векторами α в блоке выполнения прямопоточных вычислений выходных векторов θ 25 и последующим выполнением обратнопоточных вычислений ошибок Δw весовых коэффициентов w и их модификации в блоке выполнения обратнопоточных вычислений ошибок Δw весовых коэффицентов w и их модификации w=w+Δw 26 по формуле:After preprocessing, the training arrays of the input {α} and output vectors {β} are used to train the NMS in the execution unit of the back propagation algorithm for
Для классификации ЭЭГ сигналов использована искусственная нейронная многослойная сеть (НМС), которая содержит вычислительные узловые элементы, организованные в слои: входной слой, скрытый слой и выходной слой (фиг.10а, 10в). Каждый узел входного слоя НМС не выполняют никаких вычислений и служит для распространения каждого компонента входного вектора α на все узловые элементы скрытого слоя, имеющего матрицу весовых коэффициентов w1. Аналогичным образом узловые элементы выходного слоя связаны со всеми элементами скрытого слоя, имеющего матрицу весовых коэффициентов w2. Вычисления производят узловые элементы в скрытом и выходном слое НМС.To classify EEG signals, an artificial neural multilayer network (NMS) was used, which contains computational nodal elements organized in layers: input layer, hidden layer, and output layer (Figs. 10a, 10c). Each node of the input layer of the NMS does not perform any calculations and serves to distribute each component of the input vector α to all the node elements of the hidden layer having a weight matrix w 1 . Similarly, the nodal elements of the output layer are associated with all elements of the hidden layer having a matrix of weight coefficients w 2 . The calculations produce nodal elements in the hidden and output layer of the NMS.
При прямопоточном вычислении каждый узловой элемент ij скрытого i=1 и выходного i=2 слоя, где индекс j - порядковый номер узлового элемента в слое, содержит вектор весовых коэффициентов wij, сумматор ∑ 27 и нелинейный преобразователь σ 28 (фиг.11). Сумматор 27 вычисляет скалярное произведение вектора входного сигнала узлового элемента НМС с вектором весовых коэффициентов wij. Нелинейный преобразователь 28 вычисляет сигмоидную функцию:In direct flow calculation, each nodal element ij of the hidden i = 1 and output i = 2 layers, where index j is the ordinal number of the nodal element in the layer, contains a weight vector w ij , an
В результате послойных вычислений, осуществляемых узловыми элементами скрытого и выходного слоя над входным вектором α, получаем на выходе НМС вычисленный выходной вектор θ.As a result of layer-by-layer calculations carried out by the nodal elements of the hidden and output layer above the input vector α, we obtain the calculated output vector θ at the output of the NMS.
При обратнопоточном вычислении (фиг.12) каждый узловой элемент выходного слоя НМС вычисляет функцию δ2 по формуле:When the reverse flow calculation (Fig), each nodal element of the output layer of the NMS calculates the function δ 2 according to the formula:
где θ - вычисленный выходной вектор нейронной сети, β - выходной вектор, σ2 - сигмоидная функция на выходе узлового элемента выходного слоя нейронной сети, where θ is the calculated output vector of the neural network, β is the output vector, σ 2 is the sigmoid function at the output of the nodal element of the output layer of the neural network,
и модифицирует свои весовые коэффициенты w2 на величину ошибки Δw2=δ2·σ1 по формуле:and modifies its weighting factors w 2 by the error Δw 2 = δ 2 · σ 1 according to the formula:
Далее каждый узловой элемент скрытого слоя НМС вычисляет функцию δ1 по формуле:Next, each nodal element of the hidden layer of the NMS calculates the function δ 1 by the formula:
где σ1 - сигмоидная функция на выходе узлового элемента скрытого слоя нейронной сети, where σ 1 is the sigmoid function at the output of the nodal element of the hidden layer of the neural network,
и модифицирует свои весовые коэффициенты w1 на величину ошибки Δw1=δ1·σ0 по формуле:and modifies its weighting factors w 1 by the error Δw 1 = δ 1 · σ 0 according to the formula:
где σ0=α. Индексы 0,1 и 2 относятся соответственно к входному, скрытому и выходному слою.where σ 0 = α. The
Итерационная процедура прямопоточных и обратнопоточных вычислений продолжается до тех пор, пока не будет достигнут предел вычислений, заключающийся в изменении Δw весовых коэффициентов w: Δw<Awmin, где Δwmin=0,001.The iterative procedure of direct and reverse flow calculations continues until the calculation limit is reached, which consists in changing Δw weight coefficients w: Δw <Aw min , where Δw min = 0.001.
Алгоритм обратного распространения ошибки, используемый при обучении НМС, обеспечивает построение нелинейных границ, разделяющих заданные классы мысленных движений, представленные строковыми переменными bi. На фиг.13 показан случай нелинейного расположения примеров двух классов, изображенных точками светлого и темного цвета (фиг.13а). Применение линейного классификатора, строящего линейные разделяющие границы, такого как дискриминантный анализ, не позволяет разделить области принадлежности примеров разных классов (фиг.13b). Применение нелинейного классификатора, строящего нелинейные разделяющие границы, такого как НМС с алгоритмом обратного распространения ошибки, позволяет разделить области принадлежности примеров разных классов (фиг.13с).The error back propagation algorithm used in teaching the NMS provides the construction of nonlinear boundaries separating the given classes of mental movements represented by string variables b i . On Fig shows a case of non-linear arrangement of examples of two classes, depicted by points of light and dark color (figa). The use of a linear classifier constructing linear dividing boundaries, such as discriminant analysis, does not allow us to separate the domains of belonging of examples of different classes (Fig.13b). The use of a nonlinear classifier that constructs nonlinear dividing boundaries, such as a NMS with an error back propagation algorithm, allows us to separate the domains of belonging of examples of different classes (Fig.13c).
После обучения НМС процессор 3 осуществляет классификацию 10 (фиг.14). При классификации запоминают временной отрезок Fclass ЭЭГ сигнала длительностью τ=400 мс в блоке запоминания отрезка ЭЭГ Fclass длительностью τ 29. Временной отрезок Fclass ЭЭГ сигнала представлен в виде массива Sclass векторов амплитуд Sclass j, где каждый вектор состоит из значений амплитуд Sclass jk по всем 12 отведениям в один и тот же момент времени. Индекс j обозначает порядковый номер вектора амплитуд Sclass j в массиве векторов Sclass, а индекс k - номер отведения. Структура массива Sclass аналогична структуре массива Si, показанной в таблице 1.After training the NMS, the
Формирование массива входных векторов {а} в блоке 30 осуществляют путем поиска положительных локальных максимумов амплитуды в блоке поиска положительных локальных максимумов амплитуды в запомненном отрезке Fclass ЭЭГ 34 и отбора максимумов Mi l, отличающихся от предыдущего выбранного максимума по данному отведению не менее чем на 5%, в блоке 35 в запомненном временном отрезке Fclass ЭЭГ сигнала.The array of input vectors {a} in
Для этого из массива Sclass выбирают значения амплитуд Sclass jk, удовлетворяющие условиям:To do this, from the S class array, select the values of the S class jk amplitudes that satisfy the conditions:
где Lk - предыдущий отобранный максимум по k-му отведению. Если условие выполнено, значение Lk обновляется: Lk=Sclass jk.where L k is the previous selected maximum at the kth lead. If the condition is met, the value of L k is updated: L k = S class jk .
В блоке формирования массива векторов {а} из значений амплитуд по всем отведениям в моменты обнаружения максимумов 36 из массива Sclass векторов, соответствующего запомненному временному отрезку Fclass сигнала, выбирают все вектора Sclass j, содержащие хотя бы один отобранный на предыдущем этапе положительный локальный максимум Мi l амплитуды. Из этих векторов формируют обучающий входной массив векторов {а} (фиг.15).In the block for generating an array of vectors {a} from the values of the amplitudes for all leads at the moments of detection of
Затем массив входных векторов {а} подвергают предобработке в блоке 13 и осуществляют нейросетевые прямопоточные вычисления выходного вектора θ в блоке 24.Then, the array of input vectors {a} is pre-processed in
В блоке интерпретации выходных векторов θ НМС 31 (фиг.16) выходные вектора θ НМС преобразуют в двоичные вектора β=(β1, …, βi, …, β5) в соответствии со следующей формулой:In the interpretation block of the output vectors θ of the NMS 31 (Fig. 16), the output vectors θ of the NMS are converted into binary vectors β = (β 1 , ..., β i , ..., β 5 ) in accordance with the following formula:
и интерпретируют двоичные вектора β в строковые переменные b (таблица 2).and interpret the binary vectors β into string variables b (table 2).
В результате интерпретации массива выходных векторов {θ} получают массив строковых переменных {b} с текстовыми названиями классов мысленных движений. Строковые переменные b указывают на принадлежность входных векторов а к классам мысленных движений bi. Определение выполнения мысленного движения осуществляют в блоке 32 (фиг.14) определением класса мысленного движения bi с максимальным слом встречаемости значения строкой переменной bi в массиве {b} по формуле:As a result of interpretation of the array of output vectors {θ}, an array of string variables {b} with the text names of the classes of mental movements is obtained. String variables b indicate that the input vectors a belong to the classes of mental movements b i . The determination of the execution of mental movement is carried out in block 32 (Fig. 14) by determining the class of mental movement b i with the maximum scoop of occurrence of the value of the string variable b i in the array {b} according to the formula:
Вероятность выполнения мысленного движения ε i-го класса вычисляют как отношение числа n=∑bi выходных строковых переменных b со значением bi к общему количеству N=∑b1+∑b2+∑b3+∑b4+∑b5 строковых переменных b в массиве {b} ε=n/N·100%.The probability of performing the mental movement ε of the i-th class is calculated as the ratio of the number n = ∑ b i of output string variables b with the value b i to the total number N = ∑ b 1 + ∑ b 2 + ∑ b 3 + ∑ b 4 + ∑ b 5 string variables b in the array {b} ε = n / N · 100%.
Принято, что мысленное движение происходит, если вероятность ε больше порогового значенияIt is accepted that mental movement occurs if the probability ε is greater than the threshold value
где ε*=80%, что согласуется с предварительно проведенными экспериментами. Десять серий проведенных экспериментов показывают, что в девяти случаях из десяти вероятность идентификации классов мысленных движений, соответствующих значениям строковой переменной b, составляет 80-95%. Таким образом, при выполнении условия (13) имеем точность идентификации мысленных команд 90%, что сравнимо с достижимой точностью 88% и 94% для двух отдельных сессий, которая достигалась пользователем при известном двумерном контроле мысленного движения курсора мыши при регистрации электрокортикограммы (ECoG) сигналов мозговой активности.where ε * = 80%, which is consistent with previously conducted experiments. Ten series of experiments show that in nine cases out of ten, the probability of identifying classes of mental movements corresponding to the values of the string variable b is 80-95%. Thus, when condition (13) is satisfied, we have an accuracy of identification of mental commands of 90%, which is comparable with an achievable accuracy of 88% and 94% for two separate sessions, which was achieved by the user with the well-known two-dimensional control of the mental movement of the mouse cursor when registering an electrocorticogram (ECoG) of signals brain activity.
Если выявлено выполнение мысленного движения, в блоке 33 производится кодирование класса мысленного движения в управляющую команду: b1→c1, b2→c2, b3→c3, b4→c4, b5→c5 (таблица 4). Такие управляющие команды могут быть командами на перемещение курсора на экране компьютера или нажатие клавиши компьютерной «мыши», на приводы инвалидной коляски, тумблеры рабочего места оператора.If the execution of a mental movement is detected, in block 33, the class of the mental movement is encoded into the control command: b 1 → c 1 , b 2 → c 2 , b 3 → c 3 , b 4 → c 4 , b 5 → c 5 (table 4 ) Such control commands can be commands to move the cursor on a computer screen or press a computer mouse button, to wheelchair drives, toggle switches of the operator’s workplace.
В настоящем изобретении отсутствует необходимость многократного накопления и обработки фрагментов ЭЭГ-сигналов для выявления информативных параметров, что позволяет сократить время на идентификацию мысленных команд. В процессе тестирования пользователя просили производить реальное сжатие кулаков левой и правой руки и сжатие пальцев правой и левой ноги, которые регистрировались с помощью электромиографических электродов, входящих в комплект энцефалографа. Сигнал электромиограммы появлялся через 400-600 мс от момента предъявления команды на выполнение движений. Появление этого сигнала означает, что мысленная команда на выполнение движения в течение этого временного интервала была сформирована в мозгу пользователя. Именно эти фрагменты ЭЭГ длительностью 400-600 мс (фиг.17, 17а) использовались в процессе обучения НМС. В процессе тестирования время вычислительных операций существенно меньше 1 секунды, так что общее время идентификации мысленной команды и выработки управляющего сигнала не превышает 2 секунд, что не достигалось в известных патентных аналогах и публикациях.In the present invention there is no need for multiple accumulation and processing of fragments of EEG signals to identify informative parameters, which reduces the time for identification of mental commands. During testing, the user was asked to actually compress the fists of the left and right hands and compress the fingers of the right and left legs, which were recorded using the electromyographic electrodes included in the encephalograph kit. The electromyogram signal appeared after 400-600 ms from the moment the command to execute the movements was presented. The appearance of this signal means that a mental command to execute the movement during this time interval was formed in the user's brain. It is these fragments of EEGs with a duration of 400-600 ms (Figs. 17, 17a) that were used in the process of training the NMS. During testing, the time of computational operations is significantly less than 1 second, so that the total time for identifying a mental command and generating a control signal does not exceed 2 seconds, which was not achieved in well-known patent analogues and publications.
Блок процессора 3 реализован в операционной системе Microsoft Windows Vista на IBM PC, имеющей конфигурацию:The
-системная плата с процессором архитектуры Intel семейства Core2Duo;- A motherboard with an Intel processor architecture of the Core2Duo family;
- тактовая частота микропроцессора 2000 МГц;- microprocessor clock frequency of 2000 MHz;
- оперативная память 1024 Мбайт;- RAM 1024 MB;
- жесткий диск емкостью 80 Гбайт;- a hard drive with a capacity of 80 GB;
- видеоадаптер, поддерживаемый операционной системой;- video adapter supported by the operating system;
- монитор LCD;- LCD monitor;
- клавиатура и манипулятор «мышь».- keyboard and mouse manipulator.
Источники информацииInformation sources
1. US 5840040, МПК А61В 5/00, U.S. Cl. 600/545, 600/544, 24-11-1998.1. US 5840040,
2. US 5638826, МПК А61В 5/0476, U.S. Cl. 128/732, 340/825.19, 345/157, 463/36, 17-06-1997.2. US 5638826,
3. WO 2009057260 (A1), МПК G06F 3/01, 2009-05-07.3. WO 2009057260 (A1),
4. WO 2009057278 (A1), МПК G06F 3/01, A61B 5/0484, A61B 5/0476, 2009-05-07.4. WO 2009057278 (A1),
5. WO 2008059878 (A1), МПК G06F 3/01, A61B 5/0476, 2008-05-22.5. WO 2008059878 (A1),
6. US 2005085744, А61В 5/00, МПК G06F 3/00, G06F 3/01, 2005-04-21.6. US 2005085744,
7. WO 2006026548, МПК G06K 9/00, 2006-03-09.7. WO 2006026548,
8. WO 2008117145, МПК G06F 3/01, 2008-10-12.8. WO 2008117145,
9. WO 2009/044325 А1, МПК G06F 3/01, 09-04-2009.9. WO 2009/044325 A1,
10. US 6349231 В1, МПК А61В 5/0482, А61В 5/0484, А61В 5/16, G06F 17/00, А61В 5/0476, 2002-02-19.10. US 6349231 B1,
11. WO 2008/097200 А1, 6 МПК А61В 5/0476, C06F 19/00, A61F 2/72, 14-08-2008 - прототип.11. WO 2008/097200 A1, 6
12. Пригожин И. От существующего к возникающему, М., Наука, 1985, 326 с.12. Prigogine I. From the existing to the emerging, M., Science, 1985, 326 p.
13. Фресс П. Восприятие и оценка времени. Экспериментальная психология. Вып. V1, М., Прогресс, 1978, с 88-135.13. Fress P. Perception and assessment of time. Experimental psychology. Vol. V1, M., Progress, 1978, pp. 88-135.
14. Уитроу Дж. Структура и природа времени. М., Наука, 1984, 64 с.14. Wheatrow J. The structure and nature of time. M., Science, 1984, 64 p.
15. Харви Шиффман. Ощущение и восприятие времени. Пер. с англ., издание 5-е, гл. 19, изд-во «Питер», 2003, с.772-789.15. Harvey Schiffman. Sensation and perception of time. Per. from English., 5th edition, ch. 19, publishing house "Peter", 2003, S. 772-789.
Claims (2)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2009133005/14A RU2415642C1 (en) | 2009-09-03 | 2009-09-03 | Method of classification of electroencephalographic signals in interface brain-computer |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2009133005/14A RU2415642C1 (en) | 2009-09-03 | 2009-09-03 | Method of classification of electroencephalographic signals in interface brain-computer |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2415642C1 true RU2415642C1 (en) | 2011-04-10 |
Family
ID=44052039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2009133005/14A RU2415642C1 (en) | 2009-09-03 | 2009-09-03 | Method of classification of electroencephalographic signals in interface brain-computer |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2415642C1 (en) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013043517A1 (en) * | 2011-09-19 | 2013-03-28 | Persyst Development Corporation | Method and system for analyzing an eeg recording |
RU2484766C1 (en) * | 2012-02-20 | 2013-06-20 | Федеральное государственное бюджетное учреждение науки Институт радиотехники и электроники им. В.А. Котельникова Российской академии наук | Method of early encephalographic diagnostics of parkinson disease |
WO2014031758A1 (en) * | 2012-08-22 | 2014-02-27 | Neuro Assessment Systems Inc. | Method and apparatus for assessing neurocognitive status |
US20140257520A1 (en) * | 2013-03-07 | 2014-09-11 | The Board Of Trustees Of The Leland Stanford Junior University | Brain Machine Interfaces incorporating Neural Population Dynamics |
RU2550545C2 (en) * | 2012-10-16 | 2015-05-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Воронежский государственный университет" (ФГБОУ ВПО "ВГУ") | Method of controlling external devices using brain-machine interface technology |
US9055927B2 (en) | 2011-11-25 | 2015-06-16 | Persyst Development Corporation | User interface for artifact removal in an EEG |
RU170673U1 (en) * | 2016-12-07 | 2017-05-03 | Федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского" | MULTI-CHANNEL ANALOGUE AMPLIFIER FOR ELECTROENCEPHALOGRAPHY |
RU2652058C1 (en) * | 2016-12-13 | 2018-04-24 | Федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского" | Human brain and muscles bio-electric activity recording and decoding system |
RU2657858C2 (en) * | 2016-03-29 | 2018-06-15 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Воронежский государственный университет" (ФГБОУ ВПО "ВГУ") | Method for optimizing the operation of a neuro-computer interface |
RU2702728C1 (en) * | 2018-08-27 | 2019-10-09 | Федеральное государственное автономное образовательное учреждение высшего образования "Крымский федеральный университет имени В.И. Вернадского" | Method of determining individual frequency range of mu-rhythm eeg |
CN110687999A (en) * | 2018-07-04 | 2020-01-14 | 刘彬 | Method and device for semantic processing of electroencephalogram signals |
RU2742071C1 (en) * | 2020-09-08 | 2021-02-02 | Государственное бюджетное учреждение здравоохранения Московской области "Московский областной научно-исследовательский клинический институт им. М.Ф. Владимирского" (ГБУЗ МО МОНИКИ им. М.Ф. Владимирского) | Method of rehabilitation of the patients suffering a stroke |
CN112426705A (en) * | 2020-12-15 | 2021-03-02 | 华南师范大学 | Brain control gobang system based on SBCNN |
RU2759310C1 (en) * | 2020-12-14 | 2021-11-11 | Оксана Евгеньевна Безбородова | Method and system for bionic control of robotic devices |
-
2009
- 2009-09-03 RU RU2009133005/14A patent/RU2415642C1/en not_active IP Right Cessation
Non-Patent Citations (1)
Title |
---|
ОСОВЕЦ С.М. и др. Электрическая активность мозга: механизмы и интерпретация. УФН. 1983, 114, 1, с.103-150. CINCOTTI F et al. Non-invasive brain-computer interface system to operate assistive devices. Brain Res Bull. 2008 Apr 15; 75 (6): 796-803. * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013043517A1 (en) * | 2011-09-19 | 2013-03-28 | Persyst Development Corporation | Method and system for analyzing an eeg recording |
US9055927B2 (en) | 2011-11-25 | 2015-06-16 | Persyst Development Corporation | User interface for artifact removal in an EEG |
RU2484766C1 (en) * | 2012-02-20 | 2013-06-20 | Федеральное государственное бюджетное учреждение науки Институт радиотехники и электроники им. В.А. Котельникова Российской академии наук | Method of early encephalographic diagnostics of parkinson disease |
WO2014031758A1 (en) * | 2012-08-22 | 2014-02-27 | Neuro Assessment Systems Inc. | Method and apparatus for assessing neurocognitive status |
RU2550545C2 (en) * | 2012-10-16 | 2015-05-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Воронежский государственный университет" (ФГБОУ ВПО "ВГУ") | Method of controlling external devices using brain-machine interface technology |
US20140257520A1 (en) * | 2013-03-07 | 2014-09-11 | The Board Of Trustees Of The Leland Stanford Junior University | Brain Machine Interfaces incorporating Neural Population Dynamics |
US9095455B2 (en) * | 2013-03-07 | 2015-08-04 | The Board Of Trustees Of The Leland Stanford Junior University | Brain machine interfaces incorporating neural population dynamics |
RU2657858C2 (en) * | 2016-03-29 | 2018-06-15 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Воронежский государственный университет" (ФГБОУ ВПО "ВГУ") | Method for optimizing the operation of a neuro-computer interface |
RU170673U1 (en) * | 2016-12-07 | 2017-05-03 | Федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского" | MULTI-CHANNEL ANALOGUE AMPLIFIER FOR ELECTROENCEPHALOGRAPHY |
RU2652058C1 (en) * | 2016-12-13 | 2018-04-24 | Федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского" | Human brain and muscles bio-electric activity recording and decoding system |
CN110687999A (en) * | 2018-07-04 | 2020-01-14 | 刘彬 | Method and device for semantic processing of electroencephalogram signals |
RU2702728C1 (en) * | 2018-08-27 | 2019-10-09 | Федеральное государственное автономное образовательное учреждение высшего образования "Крымский федеральный университет имени В.И. Вернадского" | Method of determining individual frequency range of mu-rhythm eeg |
RU2742071C1 (en) * | 2020-09-08 | 2021-02-02 | Государственное бюджетное учреждение здравоохранения Московской области "Московский областной научно-исследовательский клинический институт им. М.Ф. Владимирского" (ГБУЗ МО МОНИКИ им. М.Ф. Владимирского) | Method of rehabilitation of the patients suffering a stroke |
RU2759310C1 (en) * | 2020-12-14 | 2021-11-11 | Оксана Евгеньевна Безбородова | Method and system for bionic control of robotic devices |
CN112426705A (en) * | 2020-12-15 | 2021-03-02 | 华南师范大学 | Brain control gobang system based on SBCNN |
CN112426705B (en) * | 2020-12-15 | 2023-08-15 | 华南师范大学 | Brain-controlled gobang system based on SBCNN |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2415642C1 (en) | Method of classification of electroencephalographic signals in interface brain-computer | |
Houssein et al. | Human emotion recognition from EEG-based brain–computer interface using machine learning: a comprehensive review | |
Lee et al. | Using a low-cost electroencephalograph for task classification in HCI research | |
Holobar et al. | Noninvasive neural interfacing with wearable muscle sensors: Combining convolutive blind source separation methods and deep learning techniques for neural decoding | |
Reaz et al. | Techniques of EMG signal analysis: detection, processing, classification and applications | |
Wolpaw et al. | Brain-computer interface research at the Wadsworth Center | |
Aggarwal et al. | State-based decoding of hand and finger kinematics using neuronal ensemble and LFP activity during dexterous reach-to-grasp movements | |
Trejo et al. | Multimodal neuroelectric interface development | |
Norani et al. | A review of signal processing in brain computer interface system | |
Kokate et al. | Classification of upper arm movements from eeg signals using machine learning with ica analysis | |
Zheng et al. | Concurrent prediction of finger forces based on source separation and classification of neuron discharge information | |
Giudice et al. | 1D Convolutional Neural Network approach to classify voluntary eye blinks in EEG signals for BCI applications | |
Naik et al. | Kurtosis and negentropy investigation of myo electric signals during different MVCs | |
Yu et al. | Wrist torque estimation via electromyographic motor unit decomposition and image reconstruction | |
Rastogi et al. | The neural representation of force across grasp types in motor cortex of humans with tetraplegia | |
Ahamad | System architecture for brain-computer interface based on machine learning and internet of things | |
Ho et al. | Brain-wave bio potentials based mobile robot control: wavelet-neural network pattern recognition approach | |
Xing et al. | The development of EEG-based brain computer interfaces: potential and challenges | |
Ahmad et al. | Physiological signal analysis for cognitive state estimation | |
Zohirov | Classification Of Some Sensitive Motion Of Fingers To Create Modern Biointerface | |
Murugan et al. | EMG signal classification using ANN and ANFIS for neuro-muscular disorders | |
Naik et al. | Real-time hand gesture identification for human computer interaction based on ICA of surface electromyogram | |
Pavitrakar | Survey of brain computer interaction | |
Li et al. | Electroencephalogram and Electrocardiogram in Human-Computer Interaction | |
Poli et al. | Analogue evolutionary brain computer interfaces [application notes] |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PD4A | Correction of name of patent owner | ||
PD4A | Correction of name of patent owner | ||
PD4A | Correction of name of patent owner | ||
PC41 | Official registration of the transfer of exclusive right |
Effective date: 20170927 |
|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20180904 |