本發(fā)明涉及一種腦-機(jī)接口
技術(shù)領(lǐng)域：
，更具體的是，本發(fā)明涉及一種模式識(shí)別方法和腦電波信號處理方法以及基于腦電波的智能家居控制系統(tǒng)。
背景技術(shù)：
：腦-機(jī)接口(braincomputerinterface,bci)技術(shù)是在人腦與計(jì)算機(jī)或其它電子設(shè)備之間建立的直接的交流和控制通道，通過這種通道，人就可以直接通過大腦來表達(dá)想法或操縱設(shè)備，而不需要語言或動(dòng)作，這可以有效增強(qiáng)身體嚴(yán)重殘疾的患者與外界交流或控制外部環(huán)境的能力，以提高患者的生活質(zhì)量。腦電信號是大腦組織電活動(dòng)和大腦功能狀態(tài)的綜合反映，是一種機(jī)理相當(dāng)復(fù)雜的隨機(jī)信號，傳統(tǒng)智能家居系統(tǒng)中，采集腦電波信號后，采用bp神經(jīng)網(wǎng)絡(luò)或者小波變換方法對腦電波信號進(jìn)行處理，往往處理過的腦電波信號并非純凈無污染，導(dǎo)致用戶通過腦電波控制智能家電時(shí)，系統(tǒng)不能清楚的識(shí)別用戶的控制指令，控制智能家電過程較漫長，甚至生成錯(cuò)誤指令，正確率低。技術(shù)實(shí)現(xiàn)要素：為解決腦電信號控制智能家電過程較長，正確率低這一技術(shù)問題，本發(fā)明設(shè)計(jì)開發(fā)了一種基于極限學(xué)習(xí)機(jī)算法的模式識(shí)別方法，本方法僅需要設(shè)置網(wǎng)絡(luò)的隱層節(jié)點(diǎn)個(gè)數(shù)，在算法執(zhí)行過程中不需要調(diào)整網(wǎng)絡(luò)的輸入權(quán)值以及隱元的偏置，產(chǎn)生唯一的最優(yōu)解。本發(fā)明還提供了一種腦電波信號處理方法，可以將采集的腦電波信號處理。本發(fā)明還設(shè)計(jì)了一種基于腦電波的智能家居控制系統(tǒng)，根據(jù)處理后的腦電信號，可以快速、正確對家居設(shè)備生成控制指令。本發(fā)明提供的技術(shù)方案為：一種基于極限學(xué)習(xí)機(jī)算法的模式識(shí)別方法，其特征在于，包括訓(xùn)練階段：步驟1：給定訓(xùn)練集n＝{(xi,ti)|xi∈rn,ti∈rn,i＝1,2,3,…l}，激勵(lì)函數(shù)隱層節(jié)點(diǎn)數(shù)l，通過公式(1)設(shè)定單隱層前向網(wǎng)絡(luò)：其中，xi為第i個(gè)樣本，βi為第i隱層節(jié)點(diǎn)的輸出權(quán)值，ai和bi分別為隨機(jī)生成的輸入神經(jīng)元與第i個(gè)隱層節(jié)點(diǎn)的輸入權(quán)值和偏置，yj為第j個(gè)隱含層的單隱層前向網(wǎng)絡(luò)的輸出，ti表示第i個(gè)樣本的實(shí)際標(biāo)簽；步驟2：根據(jù)步驟1中的單隱層前向網(wǎng)絡(luò)，并通過公式(2)擬合訓(xùn)練樣本；步驟3：通過公式(3)調(diào)整(ai，bi，βi)；步驟4：通過公式(4)計(jì)算輸出權(quán)值矩陣β，t＝hβ(4)其中，h為隱含層輸出矩陣，β為輸出權(quán)值矩陣，β＝[β1，β2，…,βn]tt為目標(biāo)矩陣。t＝[t1，t2，…,tn]t優(yōu)選的是，根據(jù)公式(5)對所述訓(xùn)練階段進(jìn)行優(yōu)化：優(yōu)選的是，(1)當(dāng)l＝n時(shí)，通過公式(6)計(jì)算β；β＝h-1t(6)(2)當(dāng)l<<n，通過公式(7)計(jì)算β。β＝h+t(7)相應(yīng)地，本發(fā)明提供一種腦電波信號處理方法，包括：步驟1：采用盲源分離去噪預(yù)處理方法對腦電波信號進(jìn)行去噪預(yù)處理；步驟2：采用小波包變換特征提取方法對腦電波信號進(jìn)行特征提?。徊襟E3：采用上述的基于極限學(xué)習(xí)機(jī)算法的模式識(shí)別方法對腦電波信號進(jìn)行模式識(shí)別。優(yōu)選的是，所述盲源分離去噪預(yù)處理方法包括以下步驟：步驟1：去均值一組含噪聲的混合信號x(t)，給定其數(shù)學(xué)期望為e[x(t)]，對混合信號x(t)進(jìn)行中心化處理得到觀測矢量其中，t為時(shí)間序列；步驟2：白化通過公式(9)將去均值后的觀測矢量進(jìn)行線性變換排列矩陣p，得：其中，v(t)中各個(gè)分量互不相關(guān)，且滿足e[v(t)vt(t)＝i]，i為單位矩陣；根據(jù)得到的觀測矢量和給定的數(shù)學(xué)期望e[x(t)]，通過公式(10)得到協(xié)方差矩陣cx：通過公式(11)對協(xié)方差矩陣cx其進(jìn)行特征值分解得：cx＝fdft(11)得白化矩陣：p＝d(-1/2)ft其中，f為特征矢量矩陣，d為對角線上為特征值的對角矩陣。優(yōu)選的是，所述小波包變換特征提取方法包括以下步驟：步驟1：根據(jù)腦電波信號和干擾頻帶確定腦電波的分解層數(shù)；步驟2：給定一個(gè)腦電波信號f(t)，對其進(jìn)行連續(xù)小波變化得：其中，wf(a,t)為小波變化系數(shù)，ψ(t)為小波函數(shù)，ψ*(t)為復(fù)共軛函數(shù)，a為尺度因子，τ為平移因子，t為時(shí)間；步驟3：根據(jù)步驟2對腦電波信號進(jìn)行離散小波分解，計(jì)算出各個(gè)頻帶上相對應(yīng)的小波變化系數(shù)。步驟4：通過公式(12)提取各個(gè)頻段小波系數(shù)的平均能量作為特征：其中，j為分解層數(shù)，k為第j層第k個(gè)子帶，l為節(jié)點(diǎn)所含的小波系數(shù)的個(gè)數(shù)，dl(j,k)為第j層上第k個(gè)子帶的小波系數(shù)，e(j,k)為第j層上第k個(gè)子帶的小波系數(shù)的平均能量。優(yōu)選的是，上述所述步驟2還包括：當(dāng)a>1時(shí)，采用伸展的ψ(t)觀察整個(gè)f(t)；當(dāng)0<a<1時(shí)，采用壓縮的ψ(t)觀察f(t)的局部。相應(yīng)地，本發(fā)明提供了一種基于腦電波的智能家居控制系統(tǒng)，包括：腦電波采集系統(tǒng)，用于采集用戶腦電波信號，并發(fā)送到中央控制系統(tǒng)；中央控制系統(tǒng)，與所述腦電波采集系統(tǒng)連接，其包括信息處理模塊，特征庫模塊和家電控制模塊，所述信息處理模塊采用上述的腦電波信號處理方法，所述特征庫模塊用于存儲(chǔ)控制指令數(shù)據(jù)庫，所述家電控制模塊用于接收所述處理過的腦電波信號，并根據(jù)所述特征庫模塊存儲(chǔ)的數(shù)據(jù)庫產(chǎn)生對應(yīng)的控制指令；智能家電系統(tǒng)，其與所述中央控制系統(tǒng)連接，用于接收所述控制指令，并根據(jù)所述控制指令工作。優(yōu)選的是，所述腦電波采集系統(tǒng)采集的腦電波信號包括θ波段、α波段和β波段的腦電波信號。本發(fā)明至少具備以下有益效果：(1)本發(fā)明采用elm算法進(jìn)行模式識(shí)別，識(shí)別性能有了明顯的提高；(2)本發(fā)明提供的腦電波信號處理方法，通過盲源分離進(jìn)行去噪預(yù)處理，再通過小波包變換進(jìn)行特征識(shí)別，最后通過elm進(jìn)行模式識(shí)別，使得腦電波信號處理得更加純凈，無噪音，識(shí)別速度更快，識(shí)別正確率更高；(3)采用上述腦電波信號處理方法的智能家居控制系統(tǒng)，家電控制指令能夠快速、正確生成，提高了人們的生活質(zhì)量。附圖說明圖1為本發(fā)明所述極限學(xué)習(xí)計(jì)算法的網(wǎng)絡(luò)結(jié)構(gòu)示意圖。圖2為本發(fā)明所述一原始腦電波信號經(jīng)小波包變換后在各頻帶的能量分布圖。圖3為本發(fā)明所述基于腦電波識(shí)別的智能家居控制系統(tǒng)的結(jié)構(gòu)圖。圖4為本發(fā)明基于腦電波的智能家居控制系統(tǒng)的工作流程圖。具體實(shí)施方式下面結(jié)合附圖對本發(fā)明做進(jìn)一步的詳細(xì)說明，以令本領(lǐng)域技術(shù)人員參照說明書文字能夠據(jù)以實(shí)施。本發(fā)明可以有許多不同的形式實(shí)施，而不應(yīng)該理解為限于再次闡述的實(shí)施例，相反，提供這些實(shí)施例，使得本公開將是徹底和完整的。本發(fā)明提供一種基于極限學(xué)習(xí)機(jī)算法(elm)的模式識(shí)別方法，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，elm的訓(xùn)練速度非常快，在算法執(zhí)行過程中不需要調(diào)整網(wǎng)絡(luò)的輸入權(quán)值以及隱元的偏置，并且產(chǎn)生唯一的最優(yōu)解，泛化性能更強(qiáng)。elm包括三層：輸入層、隱含層和輸出層。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。本實(shí)施例中，包括訓(xùn)練階段：步驟1：給定訓(xùn)練集n＝{(xi,ti)|xi∈rn,ti∈rn,i＝1,2,3,…l}，激勵(lì)函數(shù)隱層節(jié)點(diǎn)數(shù)l，通過公式(1)設(shè)定單隱層前向網(wǎng)絡(luò)：其中，xi為第i個(gè)樣本，βi為第i隱層節(jié)點(diǎn)的輸出權(quán)值，ai和bi分別為隨機(jī)生成的輸入神經(jīng)元與第i個(gè)隱層節(jié)點(diǎn)的輸入權(quán)值和偏置，yj為第j個(gè)隱含層的單隱層前向網(wǎng)絡(luò)的輸出，ti表示第i個(gè)樣本的實(shí)際標(biāo)簽；步驟2：根據(jù)步驟1中的單隱層前向網(wǎng)絡(luò)，并通過公式(2)擬合訓(xùn)練樣本；步驟3：通過公式(3)調(diào)整(ai，bi，βi)；步驟4：通過公式(4)計(jì)算輸出權(quán)值矩陣β，t＝hβ(4)其中，h為隱含層輸出矩陣，β為輸出權(quán)值矩陣，β＝[β1，β2，…,βn]tt為目標(biāo)矩陣。t＝[t1，t2，…,tn]t本實(shí)施例中，根據(jù)公式(5)對所述訓(xùn)練階段進(jìn)行優(yōu)化：當(dāng)l＝n時(shí)，h為可逆矩陣，通過公式(6)計(jì)算β；β＝h-1t(6)在實(shí)際中，通常l<<n，此時(shí)h不再是方陣，需要通過h的偽逆求解h，再通過公式(7)計(jì)算β。β＝h+t(7)實(shí)驗(yàn)數(shù)據(jù)和設(shè)計(jì)實(shí)驗(yàn)將在以下兩個(gè)個(gè)數(shù)據(jù)庫上進(jìn)行測試：orl人臉數(shù)據(jù)庫：該庫包含40個(gè)人400張人臉圖像，包含了他們不同姿態(tài)和面部飾物的變化，每人10張圖像，該庫人臉圖像已進(jìn)行過簡單的對齊處理，大小為64×64。實(shí)驗(yàn)時(shí)，將其下采樣為28×28維大小，并分別選擇4、6和8張為訓(xùn)練樣本，則剩余的6、4和2張為測試樣本。bwb腦電波生物數(shù)據(jù)庫：該庫包含30個(gè)人450個(gè)腦電波圖形，包含了他們不同的想象控制指令，每人15個(gè)腦電波圖形，該庫腦電波圖像已經(jīng)進(jìn)行去噪處理。實(shí)驗(yàn)時(shí)，分別選擇8、10和12個(gè)為訓(xùn)練樣本，剩余7、5個(gè)和3個(gè)為測試樣本。識(shí)別結(jié)果及分析由于elm算法模型中初始的輸入權(quán)值和隱單元偏置是隨機(jī)賦值的，因此會(huì)對實(shí)驗(yàn)效果具有一定的影響。為了更好的說明原始elm算法及改進(jìn)后的效果，在每個(gè)數(shù)據(jù)庫上進(jìn)行15次實(shí)驗(yàn)，識(shí)別率取其平均值，并記錄下這15組數(shù)據(jù)的標(biāo)準(zhǔn)差以說明算法的穩(wěn)定性，結(jié)果如表1所示。上述結(jié)果表明，無論是在orl人臉數(shù)據(jù)庫還是在beb腦電波生物數(shù)據(jù)庫，當(dāng)選擇elm算法進(jìn)行模式識(shí)別時(shí)，識(shí)別性能有了明顯的提高。基于上述識(shí)別方法，本發(fā)明又提供了一種腦電波信號處理方法，包括：步驟1：采用盲源分離去噪預(yù)處理方法對腦電波信號進(jìn)行去噪預(yù)處理；步驟2：采用小波包變換特征提取方法對腦電波信號進(jìn)行特征提?。徊襟E3：采用上述的基于極限學(xué)習(xí)機(jī)算法的模式識(shí)別方法對腦電波信號進(jìn)行模式識(shí)別。所述盲源分離去噪預(yù)處理方法包括以下步驟：步驟1：去均值一組含噪聲的混合信號x(t)，給定其數(shù)學(xué)期望為e[x(t)]，對混合信號x(t)進(jìn)行中心化處理得到觀測矢量其中，t為時(shí)間序列；步驟2：白化通過公式(9)將去均值后的觀測矢量進(jìn)行線性變換排列矩陣p，得：其中，v(t)中各個(gè)分量互不相關(guān)，且滿足e[v(t)vt(t)＝i]，i為單位矩陣；根據(jù)得到的觀測矢量和給定的數(shù)學(xué)期望e[x(t)]，通過公式(10)得到協(xié)方差矩陣cx：通過公式(11)對協(xié)方差矩陣cx其進(jìn)行特征值分解得：cx＝fdft(11)得白化矩陣：p＝d(-1/2)ft其中，f為特征矢量矩陣，d為對角線上為特征值的對角矩陣。僅利用源信號之間相互獨(dú)立這一微弱已知條件，便可從一組傳感器測量所得的混合信號中分離出獨(dú)立源信號。所述小波包變換特征提取方法包括以下步驟：步驟1：根據(jù)腦電波信號和干擾頻帶確定腦電波的分解層數(shù)；步驟2：給定一個(gè)腦電波信號f(t)，對其進(jìn)行連續(xù)小波變化得：其中，wf(a,t)為小波變化系數(shù)，ψ(t)為小波函數(shù)，ψ*(t)為復(fù)共軛函數(shù)，a為尺度因子，τ為平移因子，t為時(shí)間；步驟3：根據(jù)步驟2對腦電波信號進(jìn)行離散小波分解，計(jì)算出各個(gè)頻帶上相對應(yīng)的小波變化系數(shù)。本實(shí)施例中，將腦電波信號使用小波包分解法分解到第六層，其頻帶寬度為4hz，信號分解后的頻帶范圍見表2：小波系數(shù)頻帶/hzd(6,0)0～4d(6,1)4～8d(6,2)8～12d(6,3)12～16d(6,4)16～20d(6,5)20～24d(6,6)24～28當(dāng)人處于疲勞或麻醉狀態(tài)時(shí)，可檢測到δ波(1-3hz)；當(dāng)成年人產(chǎn)生抑郁情緒時(shí)會(huì)出現(xiàn)θ波(4-7hz)；正常人的腦電波狀態(tài)為α波(8-13hz)，當(dāng)沒有外界刺激時(shí)，該波段較為穩(wěn)定；當(dāng)人處于極度亢奮狀態(tài)下，以β波(14-25hz)為主，所以，在基于腦電波想象動(dòng)作時(shí)，主要在θ波段、α波段和β波段。步驟4：通過公式(12)提取各波段小波系數(shù)的平均能量作為特征：其中，j為分解層數(shù)，k為第j層第k個(gè)子帶，l為節(jié)點(diǎn)所含的小波系數(shù)的個(gè)數(shù)，dl(j,k)為第j層上第k個(gè)子帶的小波系數(shù)，e(j,k)為第j層上第k個(gè)子帶的小波系數(shù)的平均能量。圖3為一原始腦電波信號經(jīng)小波包變換后在各頻帶的能量分布。本實(shí)施例中，當(dāng)a>1時(shí)，采用伸展的ψ(t)觀察整個(gè)f(t)；當(dāng)0<a<1時(shí)，采用壓縮的ψ(t)觀察f(t)的局部。小波包分析能夠?yàn)樾盘柼峁┮环N更加精細(xì)的分析方法，小波包分析將時(shí)頻平面劃分得更為細(xì)致，它對信號的高頻部分的分辨率比二進(jìn)小波要高。本發(fā)明提供的腦電波信號處理方法，通過盲源分離進(jìn)行去噪預(yù)處理，再通過小波包變換進(jìn)行特征識(shí)別，最后通過elm進(jìn)行模式識(shí)別，使得腦電波信號處理得更加純凈，無噪音，識(shí)別速度更快，識(shí)別正確率更高。如圖3所示，基于上述腦電波信號處理方法，本發(fā)明提供了一種基于腦電波識(shí)別的智能家居控制系統(tǒng)，包括：腦電波采集系統(tǒng)110，用于采集用戶腦電波信號，并發(fā)送到中央控制系統(tǒng)；中央控制系統(tǒng)120，與所述腦電波采集系統(tǒng)連接，其包括信息處理模塊121，特征庫模塊122和家電控制模塊123，所述信息處理模塊121采用上述的腦電波信號處理方法，所述特征庫模塊122用于存儲(chǔ)控制指令數(shù)據(jù)庫，所述家電控制模塊123用于接收所述處理過的腦電波信號，并根據(jù)所述特征庫模塊122存儲(chǔ)的數(shù)據(jù)庫產(chǎn)生對應(yīng)的控制指令；智能家電系統(tǒng)130，其與所述中央控制系統(tǒng)120連接，用于接收所述控制指令，并根據(jù)所述控制指令工作。所述腦電波采集系統(tǒng)采集的腦電波信號包括θ波段、α波段和β波段的腦電波信號。如圖4所示，基于腦電波控制智能家電過程中，腦電波采集系統(tǒng)110多次采集用戶想象動(dòng)作的腦電波信號，并發(fā)送給中央控制系統(tǒng)120，經(jīng)過信息處理模塊121分析形成穩(wěn)定波形，匹配所述控制指令數(shù)據(jù)庫中相同波形對應(yīng)的控制指令，特征庫模塊122根據(jù)該控制指令生成對家電控制模塊123的控制命令，家電控制模塊123接收到該控制指令，發(fā)送給智能家電系統(tǒng)130，控制智能家電工作。本發(fā)明公開的基于腦電波的智能家居控制系統(tǒng)，采用上述腦電波信號處理方法，可以將采集的腦電波信號處理的純凈無污染，使得在基于腦電波控制智能家電時(shí)，識(shí)別速度快，并正確的生成控制指令。盡管本發(fā)明的實(shí)施方案已公開如上，但其并不僅僅限于說明書和實(shí)施方式中所列運(yùn)用，它完全可以被適用于各種適合本發(fā)明的領(lǐng)域，對于熟悉本領(lǐng)域的人員而言，可容易地實(shí)現(xiàn)另外的修改，因此在不背離權(quán)利要求及等同范圍所限定的一般概念下，本發(fā)明并不限于特定的細(xì)節(jié)和這里示出與描述的圖例。當(dāng)前第1頁12