專利名稱：基于盒維和分形截距特征的腦機(jī)接口方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及基于盒維和分形截距特征的腦機(jī)接口方法及裝置，屬于腦機(jī)接口的技術(shù)領(lǐng)域。技術(shù)背景
現(xiàn)實(shí)生活中有很多病人因患有嚴(yán)重的運(yùn)動(dòng)障礙，比如像脊髓損傷或肌肉萎縮性脊髓側(cè)索硬化癥(ALS)等，而喪失基本的與外界進(jìn)行語言或者肢體溝通的能力。這嚴(yán)重影響了患者的生活質(zhì)量，也給其家庭和社會(huì)造成重大的負(fù)擔(dān)。腦機(jī)接口(BCI)是通過人腦和外界之間建立不依賴于常規(guī)大腦信息輸出通路的一種人機(jī)交互系統(tǒng)。腦機(jī)接口技術(shù)在康復(fù)醫(yī)療、軍事等諸多領(lǐng)域都有著廣泛的應(yīng)用。
不同的肢體部位運(yùn)動(dòng)所激活的大腦皮層區(qū)域也各不相同；單邊肢體運(yùn)動(dòng)或想象運(yùn)動(dòng)能激活主要的感覺運(yùn)動(dòng)皮層，大腦對(duì)側(cè)產(chǎn)生事件相關(guān)去同步電位ERD(EventRelated Desynchronization),大腦同側(cè)產(chǎn)生事件相關(guān)同步電位ERS(Event RelatedSynchronization) ；ERD是指當(dāng)某一皮層區(qū)域活躍起來時(shí),特定頻率的節(jié)律性活動(dòng)表現(xiàn)出幅度的降低，ERS是指當(dāng)某一活動(dòng)在一定時(shí)刻沒有使相關(guān)皮層區(qū)域明顯地活躍起來，特定頻率就表現(xiàn)出幅度升高。電生理學(xué)研究表明，運(yùn)動(dòng)想象會(huì)導(dǎo)致腦電節(jié)律的變化。運(yùn)動(dòng)想象會(huì)導(dǎo)致頻率為8-12Hz的u節(jié)律和頻率為13-28HZ的β節(jié)律的幅度壓制即事件相關(guān)去同步化ERD，或幅度增加即事件相關(guān)同步ERS。
BCI技術(shù)通過提取使用者的腦電信息，然后利用一些機(jī)器算法將大腦的不同狀態(tài)轉(zhuǎn)化為控制性命令，進(jìn)而實(shí)現(xiàn)對(duì)外部設(shè)備的控制。BCI的目的是建立一個(gè)能夠幫助用戶直接與外界進(jìn)行交流的系統(tǒng)，而不用借助于傳統(tǒng)的神經(jīng)肌肉途徑，其中，尋求有效的特征提取方法是提高識(shí)別率的關(guān)鍵技術(shù)之一。相同的特征使用不同的分類器進(jìn)行分類，所得的結(jié)果也會(huì)有所不同。因此，在選擇特征的同時(shí)，分類器的選擇也至關(guān)重要。
目前已有多種特征提取的方法，如自適應(yīng)的共空域模式、頻帶功率、AR模型等。2007 年，Hammon PS 等人在 IEEE Transactions on Biomedical Engineering 上發(fā)表的論文“Preprocessing and meta-classification for brain-computer interfaces，，提出一種預(yù)處理和多分類器的方法，取得了較好的結(jié)果。但是，該方法的預(yù)處理和后處理都比較復(fù)雜，增加了該方法實(shí)現(xiàn)的難度，另一方面也很大程度上降低了方法執(zhí)行的速度。發(fā)明內(nèi)容
針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于盒維和分形截距特征的腦機(jī)接口方法。該方法是將提取到的腦電信號(hào)盒維和分形截距特征作為輸入?yún)?shù)，送入Boosting分類器中進(jìn)行分類，進(jìn)而獲得腦電狀態(tài)檢測(cè)結(jié)果。
本發(fā)明還提供一種執(zhí)行上述基于盒維和分形截距特征的腦機(jī)接口方法的裝置。
發(fā)明概述:
一種基于盒維和分形截距特征的腦機(jī)接口方法是基于腦電放大器和計(jì)算機(jī)構(gòu)成的硬件平臺(tái)實(shí)現(xiàn)對(duì)腦電狀態(tài)的檢測(cè)；首先通過腦電放大器和數(shù)據(jù)采集卡采集腦電信號(hào)，然后將采集到的腦電信號(hào)送至計(jì)算機(jī)進(jìn)行處理，實(shí)現(xiàn)盒維和分形截距的特征提取，并通過Boosting分類器完成對(duì)腦電信號(hào)的分類，發(fā)出控制命令。發(fā)明詳述:本發(fā)明的技術(shù)方案如下:一種基于盒維和分形截距特征的腦機(jī)接口方法，包括以下步驟:I)采集實(shí)驗(yàn)者想象左小指、舌頭運(yùn)動(dòng)時(shí)，大腦所產(chǎn)生的腦電信號(hào)，采樣頻率為IOOOHz ;實(shí)驗(yàn)者想象左小指運(yùn)動(dòng)時(shí)其腦電信號(hào)對(duì)應(yīng)的類別標(biāo)識(shí)為O類，想象舌頭運(yùn)動(dòng)時(shí)其腦電信號(hào)對(duì)應(yīng)的類別標(biāo)識(shí)為I類；2)對(duì)采集到的腦電信號(hào)進(jìn)行降采樣，采樣頻率為IOOHz ；3)對(duì)經(jīng)步驟2)降采樣后的腦電信號(hào)進(jìn)行8-30Hz的帶通濾波；4)提取腦電信號(hào)中各通道的盒維和分形截距特征，其中對(duì)所述的提取腦電信號(hào)各通道盒維和分形截距的步驟方法為:a)將降采樣和濾波后長度為L點(diǎn)的腦電信號(hào)S，平均分割成長為H點(diǎn)的G個(gè)子段，然后計(jì)算每一個(gè)子段的盒維和分形截距；b)對(duì)腦電信號(hào)S的每個(gè)子段，將其繼續(xù)分割成長為r的T個(gè)小段(r = 2h, (O < h
<1g2H)，T等于H/r的整數(shù)部分)，取覆蓋信號(hào)的盒子的邊長等于r。對(duì)第i個(gè)小段(其中
i= 1，…，T)，若其振幅的最小值和最大值分別落在第k個(gè)和第I個(gè)盒子中，則覆蓋第i個(gè)小段所需的盒子數(shù)n (i)為:n (i) = 1-k+l ；c)覆蓋該子段所需的盒子總數(shù)Num(r)為:
權(quán)利要求
1.一種基于盒維和分形截距特征的腦機(jī)接口方法，其特征在于，該方法包括以下步驟: 1)采集實(shí)驗(yàn)者想象左小指、舌頭運(yùn)動(dòng)時(shí)，大腦所產(chǎn)生的腦電信號(hào)，采樣頻率為IOOOHz；實(shí)驗(yàn)者想象左小指運(yùn)動(dòng)時(shí)其腦電信號(hào)對(duì)應(yīng)的類別標(biāo)識(shí)為O類，想象舌頭運(yùn)動(dòng)時(shí)其腦電信號(hào)對(duì)應(yīng)的類別標(biāo)識(shí)為I類； 2)對(duì)采集到的腦電信號(hào)進(jìn)行降采樣，采樣頻率為IOOHz； 3)對(duì)經(jīng)步驟2)降采樣后的腦電信號(hào)進(jìn)行8-30HZ的帶通濾波； 4)提取腦電信號(hào)中各通道的盒維和分形截距特征，其中對(duì)所述的提取腦電信號(hào)各通道盒維和分形截距的步驟方法為: a)將降采樣和濾波后長度為L點(diǎn)的腦電信號(hào)S，平均分割成長為H點(diǎn)的G個(gè)子段，然后計(jì)算每一個(gè)子段的盒維和分形截距； b)對(duì)腦電信號(hào)S的每個(gè)子段，將其繼續(xù)分割成長為r的T個(gè)小段(r= 2h, (O < h<1g2H)，T等于H/r的整數(shù)部分)，取覆蓋信號(hào)的盒子的邊長等于r。對(duì)第i個(gè)小段(其中i = 1，…，T)，若其振幅的最小值和最大值分別落在第k個(gè)和第I個(gè)盒子中，則覆蓋第i個(gè)小段所需的盒子數(shù)n (i)為:n (i) = 1-k+l ； c)覆蓋該子段所需的盒子總數(shù)Num(r)為:
2.根據(jù)權(quán)利要求1所述的一種基于盒維和分形截距特征的腦機(jī)接口方法，其特征在于，步驟3)中所述的對(duì)腦電信號(hào)進(jìn)行濾波的方法，包括步驟如下: 對(duì)腦電信號(hào)利用J階的巴特沃斯濾波器進(jìn)行8-30HZ的帶通濾波，優(yōu)選J=5。
3.根據(jù)權(quán)利要求1所述，步驟5)中的Boosting分類器的實(shí)現(xiàn)步驟為: a)分類器訓(xùn)練所使用的訓(xùn)練數(shù)據(jù)集X={Xj e RK, j=l,…，N}，其對(duì)應(yīng)的標(biāo)識(shí)Y=Iyj e {O, I}, j=l,…，N}，其中，K=ChXs是特征的數(shù)目，其中其中Ch是通道數(shù)等于64，而s是單次實(shí)驗(yàn)單個(gè)導(dǎo)聯(lián)上所提取的特征向量的數(shù)目等于6，N為訓(xùn)練數(shù)據(jù)中所包含的單次實(shí)驗(yàn)的數(shù)目等于278 ;Fm表示m步后的分類器；設(shè)定迭代次數(shù)為M=200 ;設(shè)定第j次單次想象實(shí)驗(yàn)的腦電信號(hào)的特征向量Xj為想象舌頭的初始概率Ptl(yj = 11Xj) = 0.5，j = I,..., N,設(shè)定第j次單次想象實(shí)驗(yàn)的腦電信號(hào)的特征向量Xj的初始分類器為Ftl(Xj) = O, j = I,…，N ; b)m表示迭代步數(shù)，從m= I開始進(jìn)行以下循環(huán)迭代: 1.求分類器Fm的似然函數(shù)的梯度I,:
4.根據(jù)權(quán)利要求1所述的一種基于盒維和分形截距特征的腦機(jī)接口方法，其特征在于，步驟5)中所述的通過分類器計(jì)算輸出概率值的方法為: 將步驟4)中的盒維和分形截距特征向量X送入分類器F，利用公式:
5.一種利用如權(quán)利要求1所述方法進(jìn)行腦機(jī)接口的裝置，其特征在于，該裝置包括以電路連接的腦電放大器、數(shù)據(jù)采集卡和計(jì)算機(jī)，所述計(jì)算機(jī)中內(nèi)設(shè)置有檢測(cè)腦電狀態(tài)的腦電檢測(cè)模塊，利用腦電放大器和數(shù)據(jù)采集卡對(duì)腦電信號(hào)進(jìn)行采集后傳輸?shù)接?jì)算機(jī)中，利用腦電檢測(cè)模塊對(duì)腦電信號(hào)進(jìn)行濾波和盒維、分形截距的特征提取，并將所提取的特征向量送入Boosting分類器中，獲輸出概率值；將輸出概率值與預(yù)設(shè)閾值比較，得腦電狀態(tài)檢測(cè)結(jié)果并轉(zhuǎn)化為控制外 部設(shè)備的控制命令。
全文摘要
本發(fā)明涉及基于盒維和分形截距特征的腦機(jī)接口方法和裝置，基于腦電放大器和計(jì)算機(jī)構(gòu)成的硬件平臺(tái)實(shí)現(xiàn)對(duì)腦電狀態(tài)的檢測(cè)。首先通過腦電放大器和數(shù)據(jù)采集卡采集腦電信號(hào)，然后將采集到的腦電信號(hào)送至計(jì)算機(jī)進(jìn)行處理，實(shí)現(xiàn)盒維和分形截距的特征提取，并通過Boosting分類器完成對(duì)腦電信號(hào)的分類。本發(fā)明利用特征效果較好的盒維和分形截距對(duì)腦電信號(hào)進(jìn)行特征提取，并由Boosting分類器，得到對(duì)腦機(jī)接口運(yùn)動(dòng)想象腦電信號(hào)的分類標(biāo)記。
文檔編號(hào)G06F3/01GK103164026SQ201310095778
公開日2013年6月19日 申請(qǐng)日期2013年3月22日 優(yōu)先權(quán)日2013年3月22日
發(fā)明者周衛(wèi)東, 孫中錢, 田帥, 王蕓, 袁琦, 高諾 申請(qǐng)人:山東大學(xué)