一種基于灰色理論的腦-機(jī)接口方法
【專利摘要】本發(fā)明提出了一種基于灰色理論的腦?機(jī)接口方法，涉及腦?機(jī)接口研究領(lǐng)域，具體涉及腦?機(jī)接口的腦電信號(hào)處理方法。所述方法包括：所述方法包括：1、通過引入平滑系數(shù)u對(duì)GM(1,1)模型進(jìn)行改進(jìn)；從而提高了模型參數(shù)的區(qū)分能力；2、通過模型參數(shù)的統(tǒng)計(jì)特性提取出良好的信號(hào)特征，大大提高了識(shí)別的正確率；3、提出了一種基于灰色理論的腦?機(jī)接口方法，采用改進(jìn)型的灰建模方法實(shí)現(xiàn)狀態(tài)切換，采用基于灰關(guān)聯(lián)的方法實(shí)現(xiàn)指令識(shí)別，經(jīng)反復(fù)實(shí)測(cè)表明，本發(fā)明能夠有效的實(shí)現(xiàn)腦?機(jī)接口中的狀態(tài)轉(zhuǎn)換和指令識(shí)別。
【專利說明】
-種基于灰色理論的腦-機(jī)接口方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明設(shè)及腦-機(jī)接口研究領(lǐng)域，具體設(shè)及腦-機(jī)接口的腦電信號(hào)處理方法，特別 設(shè)及一種基于灰色理論的腦-機(jī)接口方法。
【背景技術(shù)】
[0002] 腦-機(jī)接口（B;rian-Compute;r-Interface,BCI)是基于腦電信號(hào)實(shí)現(xiàn)人腦與計(jì)算機(jī) 或其它電子設(shè)備進(jìn)行通訊和控制的一種新的人機(jī)接口方式。它通過采集和分析人腦生物電 信號(hào)，在人腦與計(jì)算機(jī)或其它電子設(shè)備之間建立起直接交流和控制的通道，從而通過人腦 來表達(dá)意愿或操縱設(shè)備，而不需要語言和肢體動(dòng)作。一個(gè)腦-機(jī)接口系統(tǒng)通常包括信號(hào)采 集，信號(hào)處理W及設(shè)備驅(qū)動(dòng)=個(gè)模塊，其中信號(hào)處理是腦-機(jī)接口系統(tǒng)的核屯、部分。本發(fā)明 主要研究基于灰色理論的腦-機(jī)接口方法。
[0003] 研究表明，腦電信號(hào)具有背景噪聲強(qiáng)、信號(hào)幅度微弱、非平穩(wěn)性和隨機(jī)性強(qiáng)、頻域 特征比較突出等特點(diǎn)，因此，腦電信號(hào)的分析與處理仍然是一項(xiàng)非常具有挑戰(zhàn)性的課題。
[0004] 灰色系統(tǒng)理論(Grey System Theory)是由我國(guó)學(xué)者鄧聚龍教授于1982年在國(guó)際 上首先提出的。特別適合于對(duì)非典型規(guī)律(如非平穩(wěn)、非高斯分布、非白噪聲）的信號(hào)的處 理，與其它的一些按統(tǒng)計(jì)規(guī)律和先驗(yàn)規(guī)律來處理數(shù)據(jù)的方法相比，灰色方法具有所需數(shù)據(jù) 量小，不需先驗(yàn)知識(shí)等明顯的優(yōu)勢(shì)，十分適合對(duì)腦電信號(hào)的處理。然而傳統(tǒng)的灰建模方法中 的發(fā)展系數(shù)對(duì)建模數(shù)據(jù)的變化非常敏感，所W需要添加平滑系數(shù)來對(duì)發(fā)展系數(shù)進(jìn)行改進(jìn)， 從而提高灰模型的精度W及區(qū)分度。本發(fā)明在對(duì)傳統(tǒng)灰建模改進(jìn)的基礎(chǔ)上實(shí)現(xiàn)了對(duì)腦電信 號(hào)的有效識(shí)別，并在此基礎(chǔ)上，設(shè)計(jì)了整套基于灰色理論的腦-機(jī)接口方法。
[0005] 本發(fā)明提出了特別設(shè)及一種基于灰色理論的腦-機(jī)接口方法。

【發(fā)明內(nèi)容】

[0006] (一)所要解決的技術(shù)問題
[0007] 本發(fā)明的目的在對(duì)傳統(tǒng)灰建模改進(jìn)的基礎(chǔ)上實(shí)現(xiàn)對(duì)腦電信號(hào)的有效識(shí)別，并在此 基礎(chǔ)上，設(shè)計(jì)整套基于灰色理論的腦-機(jī)接口特征信號(hào)處理方法。
[000引（二)技術(shù)方案
[0009] 為了解決上述技術(shù)問題，本發(fā)明提出了一種基于灰色理論的腦-機(jī)接口方法，所述 方法如下：
[0010] 通常一個(gè)腦-機(jī)接口系統(tǒng)應(yīng)包含狀態(tài)切換模塊(空閑狀態(tài)和任務(wù)狀態(tài)進(jìn)行切換)和 指令識(shí)別模塊，由于狀態(tài)切換的狀態(tài)變換通常是二值的，所W考慮采用al地a波作為特征信 號(hào)W控制腦-機(jī)接口系統(tǒng)的狀態(tài)變換，但是傳統(tǒng)的灰建模方法中的發(fā)展系數(shù)對(duì)建模數(shù)據(jù)的 變化非常敏感，所W需要添加平滑系數(shù)來對(duì)發(fā)展系數(shù)進(jìn)行改進(jìn)，從而提高灰模型的精度W 及區(qū)分度。運(yùn)里，我們提出了一種改進(jìn)的灰建模方法對(duì)al地a波的模式進(jìn)行識(shí)別。而對(duì)于指 令識(shí)別模塊，由于被試的需求可能是多種多樣的，即對(duì)輸出的指令個(gè)數(shù)的要求是不定的，所 W就要求系統(tǒng)能實(shí)現(xiàn)多指令識(shí)別。我們考慮采用穩(wěn)態(tài)視覺誘發(fā)電位作為特征信號(hào)，根據(jù)被 試的要求事先將視覺刺激模式按所需指令數(shù)分開，不同刺激模式誘發(fā)出不同頻率的穩(wěn)態(tài)視 覺誘發(fā)電位信號(hào)，再利用基于灰關(guān)聯(lián)的方法對(duì)其進(jìn)行識(shí)別，W實(shí)現(xiàn)多指令的腦-機(jī)接口系 統(tǒng)。
[0011 ] 1、基于改進(jìn)的灰建模方法的al地a波模式識(shí)別
[001^ al地a波（即a波），是一種自發(fā)腦電，頻率為8~13Hz，振幅約為20~lOOiiV，它是有 節(jié)律性腦電波中最明顯的波。多在清醒閉目時(shí)候出現(xiàn);睜眼、思考問題、或接受其它刺激時(shí)， alpha波消失，轉(zhuǎn)而出現(xiàn)快波;如果被測(cè)者安靜閉目，則alpha波又重新出現(xiàn)，運(yùn)一現(xiàn)象稱為 alpha波阻斷現(xiàn)象。利用al地a波的運(yùn)一特性，對(duì)其進(jìn)行有效的識(shí)別。相較于對(duì)于傳統(tǒng)的灰建 模方法，我們添加了平滑系數(shù)來對(duì)發(fā)展系數(shù)進(jìn)行改進(jìn)，提出了一種基于改進(jìn)的灰建模方法 對(duì)al地a波進(jìn)行模式識(shí)別。
[OOU] 處理流程如圖1所示。
[0014] 1.1首先對(duì)原始邸G數(shù)據(jù)進(jìn)行4-30化的濾波，設(shè)原始數(shù)據(jù)長(zhǎng)度為L(zhǎng)，并對(duì)信號(hào)進(jìn)行預(yù) 處理。
[0015] 1.2將濾波后的數(shù)值序列做數(shù)據(jù)提升后作為灰模型GM( 1，1)的原始序列，即非負(fù)數(shù) 序列xW化）= [xW化）|k=l，2，…，n]，求出累加序列X<"化）= [X<"化）|k=l，2，…，n]。運(yùn) 里G代表的是grey, M代表的是model,括號(hào)里的第一個(gè)1代表的是1階方程，第二個(gè)1代表的是 1個(gè)變量。
[0016] 1.3引入平滑系數(shù)U來改進(jìn)灰模型，根據(jù)夏巾n撕巧IxW化^連古前講的GM(Ia)，每N
個(gè)點(diǎn)建一個(gè)模聖 ，其中，
a為發(fā)展系數(shù)，b 為灰作用量。
[0017] 1.4每段1^長(zhǎng)的數(shù)據(jù)共有[^]個(gè)《,./ = ^.||-|，求運(yùn)些〇1的方差作為最終的特征1。。
[001引1.5將Ta放入SVM中進(jìn)行分類識(shí)別。
[0019] 2、基于灰關(guān)聯(lián)方法的SSVEP模式識(shí)別
[0020] SSVEP(Steady State Visual Evoked F*otential)是誘發(fā)腦電，而且特征是關(guān)注 閃爍刺激時(shí)對(duì)應(yīng)刺激頻率的腦電波成分幅值增大。所W，可W通過檢測(cè)被試的SSVEP信號(hào)來 獲得被試的主觀意圖。我們采用灰關(guān)聯(lián)分析法來對(duì)SSVEP信號(hào)進(jìn)行特征提取。
[0021] 具體流程如圖2所示。
[0022] 2.1將讀取的腦電信號(hào)f(t)作傅里葉變換得到F(f);
[0023] 2.2生成一組參考信號(hào)(頻率為刺激閃爍頻率的正弦信號(hào)），并對(duì)其求傅里葉變換 得到Fref_i(f )，i = l，2,…，n;
[0024] 2.3將變換后的信號(hào)。(門和參考信號(hào)片6:_1(')作灰關(guān)聯(lián)，求其灰相關(guān)系數(shù)^，1 = 1， 2,... ,n;
[0025] 2.4利用SVM分類器對(duì)由灰相關(guān)系數(shù)構(gòu)成的相關(guān)向量R=[ri K…rn]T做分類，得 到被試的主觀意圖。
[00%] 3、基于灰色理論的腦-機(jī)接口方法
[0027]根據(jù)上文提出的基于灰色理論的腦-機(jī)接口特征信號(hào)處理方法，本發(fā)明設(shè)計(jì)一種 基于灰色理論的腦-機(jī)接口方法。實(shí)驗(yàn)方案如圖3所示。
[0028]本發(fā)明提出了一種基于灰色理論的腦-機(jī)接口方法，該系統(tǒng)首先計(jì)算檢測(cè)采集到 的腦電信號(hào)在8-13HZ內(nèi)的能量變化（時(shí)長(zhǎng)為0.5s)。（1)若沒有較大的能量變化，則進(jìn)入 SSVEP信號(hào)檢測(cè)狀態(tài)。（2)如果產(chǎn)生較大的能量變化，便可認(rèn)為此時(shí)被試有狀態(tài)轉(zhuǎn)換意愿，進(jìn) 入al地a檢測(cè)狀態(tài)，轉(zhuǎn)換到空閑狀態(tài)并將之前記錄的SSVEP信號(hào)數(shù)據(jù)清零，之后采用基于灰 建模的識(shí)別方法對(duì)每0.5s對(duì)信號(hào)狀態(tài)進(jìn)行識(shí)別，當(dāng)檢測(cè)出被試是睜眼狀態(tài)時(shí)，則進(jìn)入SSVEP 信號(hào)檢測(cè)狀態(tài)。在進(jìn)入SSVEP信號(hào)檢測(cè)狀態(tài)后，Wo. 5s為一個(gè)時(shí)間單位來記錄SSVEP腦電數(shù) 據(jù)，并繼續(xù)判斷該數(shù)據(jù)是否有突然的能量增加，直到SSVEP數(shù)據(jù)的長(zhǎng)度大于3s時(shí)，利用基于 灰關(guān)聯(lián)的信號(hào)識(shí)別方法對(duì)SSVEP信號(hào)進(jìn)行識(shí)別，將識(shí)別結(jié)果轉(zhuǎn)換為機(jī)器指令，驅(qū)動(dòng)外部設(shè)被 的相應(yīng)運(yùn)動(dòng)。
[0029](立巧益效果
[0030] 本發(fā)明提出了一種基于灰色理論的腦-機(jī)接口特征信號(hào)處理方法，首先通過引入 平滑系數(shù)U對(duì)GM(1，1)模型進(jìn)行改進(jìn)，從而提高了模型參數(shù)的區(qū)分能力，并通過模型參數(shù)的 統(tǒng)計(jì)特性提取出良好的信號(hào)特征，大大提高了識(shí)別的正確率，如圖4所示。并在此基礎(chǔ)上，提 出了一種基于灰色理論的腦-機(jī)接口方法，采用改進(jìn)型的灰建模方法實(shí)現(xiàn)狀態(tài)切換，采用基 于灰關(guān)聯(lián)的方法實(shí)現(xiàn)指令識(shí)別，經(jīng)反復(fù)實(shí)測(cè)表明，本發(fā)明能夠有效的實(shí)現(xiàn)腦-機(jī)接口中的狀 態(tài)轉(zhuǎn)換和指令識(shí)別。
【附圖說明】
[0031] 圖1基于改進(jìn)的灰建模方法的al地a波模式識(shí)別示意圖
[0032] 圖2基于灰關(guān)聯(lián)方法的SSVEP模式識(shí)別示意圖
[0033] 圖3-種基于灰色理論的腦-機(jī)接口方法的系統(tǒng)框圖
[0034] 圖4改進(jìn)GM( 1，1)算法與傳統(tǒng)GM( 1，1)算法的對(duì)比圖 具體實(shí)施方案
[0035] 1、基于改進(jìn)的灰建模方法的al地a波模式識(shí)別
[0036] 處理流程如圖1所示。
[0037] 1.1首先對(duì)原始EEG數(shù)據(jù)進(jìn)行4-30化的濾波，設(shè)原始數(shù)據(jù)長(zhǎng)度為0.5s，100個(gè)點(diǎn)。
[0038] 1.2將濾波后的數(shù)值序列做數(shù)據(jù)提升后作為灰模型GM( 1，1)的原始序列，即非負(fù)數(shù) 序列xW化）= [xW化）|k=l，2，…，n]，求出累加序列X<"化）= [X<"化）|k=l，2，…，n]。運(yùn) 里G代表的是grey, M代表的是model,括號(hào)里的第一個(gè)1代表的是1階方程，第二個(gè)1代表的是 1個(gè)變量。
[0039] 1.3引入平滑系數(shù)U來改進(jìn)灰模型，根據(jù)累加數(shù)列化)建立改進(jìn)的GM(Ia)，每10 個(gè)點(diǎn)建一個(gè)模型，模型如下：
[0040] (1)
[0041] a為發(fā)展系數(shù)，b為灰作用量。
[0042] 1.4每段0.5s長(zhǎng)的數(shù)據(jù)共有10個(gè)Qi，i = 1，…10，求運(yùn)些Qi的方差作為最終的特征 Ta O
[0043] 1.5將Ta放入SVM中進(jìn)行分類識(shí)別。
[0044] 根據(jù)上述算法，我們對(duì)被試在選取I個(gè)導(dǎo)聯(lián)(Ol)的情況下建立了改進(jìn)的GM(1，I)模 型，并將最終的特征Ta放入SVM中識(shí)別分類，與傳統(tǒng)GM(1，1)模型對(duì)比的實(shí)驗(yàn)結(jié)果如圖4所 示?？蒞看到，基于改進(jìn)算法，可W大大提升對(duì)al地a波的識(shí)別正確率，尤其當(dāng)運(yùn)種優(yōu)勢(shì)在時(shí) 間較短時(shí)尤為明顯。
[0045] 2、基于灰關(guān)聯(lián)方法的SSVEP模式識(shí)別
[0046] SSVEP是誘發(fā)腦電，而且特征是關(guān)注閃爍刺激時(shí)對(duì)應(yīng)刺激頻率的腦電波成分幅值 增大。所W，可W通過檢測(cè)被試的SSVEP信號(hào)來獲得被試的主觀意圖。我們采用灰關(guān)聯(lián)分析 法來對(duì)SSVEP信號(hào)進(jìn)行特征提取。
[0047] 具體流程如圖2所示。
[0048] 2.1將讀取的腦電信號(hào)f(t)作傅里葉變換得到F(f);
[0049] 2.2生成一組參考信號(hào)(頻率為刺激閃爍頻率的正弦信號(hào)），并對(duì)其求傅里葉變換 得到Fref_i(f )，i = l，2,…，n;
[0050] 2.3將變換后的信號(hào)。(門和參考信號(hào)片6:_1(門作灰關(guān)聯(lián)，求其灰相關(guān)系數(shù)^，1二 l，2，...，n;
[0051] 2.4利用SVM分類器對(duì)由灰相關(guān)系數(shù)構(gòu)成的相關(guān)向量R=[ri K…rn]T做分類，得 到被試的主觀意圖。
[0化2] 3、基于灰色理論的腦-機(jī)接口方法
[0053] 根據(jù)上文提出的基于灰色理論的腦-機(jī)接口特征信號(hào)處理方法，本發(fā)明設(shè)計(jì)一種 基于灰色理論的腦-機(jī)接口方法。實(shí)驗(yàn)方案如圖3所示。
[0054] 本發(fā)明提出了一種基于灰色理論的腦-機(jī)接口方法，該系統(tǒng)首先計(jì)算檢測(cè)采集到 的腦電信號(hào)在8-13HZ內(nèi)的能量變化（時(shí)長(zhǎng)為0.5s)。（1)若沒有較大的能量變化，則進(jìn)入 SSVEP信號(hào)檢測(cè)狀態(tài)。（2)如果產(chǎn)生較大的能量變化，便可認(rèn)為此時(shí)被試有狀態(tài)轉(zhuǎn)換意愿，進(jìn) 入al地a檢測(cè)狀態(tài)，轉(zhuǎn)換到空閑狀態(tài)并將之前記錄的SSVEP信號(hào)數(shù)據(jù)清零，之后采用基于灰 建模的識(shí)別方法對(duì)每0.5s對(duì)信號(hào)狀態(tài)進(jìn)行識(shí)別，當(dāng)檢測(cè)出被試是睜眼狀態(tài)時(shí)，則進(jìn)入SSVEP 信號(hào)檢測(cè)狀態(tài)。在進(jìn)入SSVEP信號(hào)檢測(cè)狀態(tài)后，Wo. 5s為一個(gè)時(shí)間單位來記錄SSVEP腦電數(shù) 據(jù)，并繼續(xù)判斷該數(shù)據(jù)是否有突然的能量增加，直到SSVEP數(shù)據(jù)的長(zhǎng)度大于3s時(shí)，利用基于 灰關(guān)聯(lián)的信號(hào)識(shí)別方法對(duì)SSVEP信號(hào)進(jìn)行識(shí)別，將識(shí)別結(jié)果轉(zhuǎn)換為機(jī)器指令，驅(qū)動(dòng)外部設(shè)被 的相應(yīng)運(yùn)動(dòng)。
[0055] 本發(fā)明提出的基于灰色理論的腦-機(jī)接口特征信號(hào)處理方法，通過引入平滑系數(shù)U 對(duì)GM(1，1)模型進(jìn)行改進(jìn)，從而提高了模型參數(shù)的區(qū)分能力，并通過模型參數(shù)的統(tǒng)計(jì)特性提 取出良好的信號(hào)特征，大大提高了識(shí)別的正確率。并在此基礎(chǔ)上，提出了一種基于灰色理論 的腦-機(jī)接口方法，采用基于改進(jìn)型的灰建模方法實(shí)現(xiàn)狀態(tài)切換，采用基于灰關(guān)聯(lián)的方法實(shí) 現(xiàn)指令識(shí)別，經(jīng)反復(fù)實(shí)測(cè)表明，本發(fā)明能夠有效的實(shí)現(xiàn)腦-機(jī)接口中的狀態(tài)轉(zhuǎn)換和指令識(shí) 別。
【主權(quán)項(xiàng)】
1. 一種基于灰色理論的腦-機(jī)接口方法，其特征在于，所述方法包括以下步驟： 通過引入平滑系數(shù)U對(duì)GM(1，1)模型進(jìn)行改進(jìn)，根據(jù)累加數(shù)列X(1)(k)建立改進(jìn)的GM(1， 1)，每N個(gè)點(diǎn)建一個(gè)模型，以提高模型參數(shù)的區(qū)分能力； 模型如下：(1) 其中發(fā)展系數(shù)，b為灰作用量； 通過模型參數(shù)的統(tǒng)計(jì)特性(模型參數(shù)的方差)提取出良好的信號(hào)特征； 提出了一種基于灰色理論的腦-機(jī)接口方法，采用改進(jìn)后的灰建模方法識(shí)別alpha波信 號(hào)以實(shí)現(xiàn)腦-機(jī)接口系統(tǒng)的狀態(tài)切換，采用基于灰關(guān)聯(lián)的方法識(shí)別SSVEP信號(hào)以實(shí)現(xiàn)指令識(shí) 別。2. 根據(jù)權(quán)利要求1所述的一種基于灰色理論的腦-機(jī)接口方法，其特征在于，首先通過 引入平滑系數(shù)u對(duì)GM( I，1)模型進(jìn)行改進(jìn)： 將濾波后的腦電信號(hào)數(shù)值序列做數(shù)據(jù)提升后作為灰模型GM(1，1)的原始序列，即非負(fù) 數(shù)序列父(°)(1〇 =[父(°)(1〇|1^=1，2，~，11]，求出累加序列父(1)(1〇 =[父(1)(1〇|1^=1，2，~，11]; 這里G代表的是grey，M代表的是model，括號(hào)里的第一個(gè)1代表的是1階方程，第二個(gè)1代表的 是1個(gè)變量； 引入平滑系數(shù)u來改進(jìn)灰模型，根據(jù)累加數(shù)列X(1)(k)建立改進(jìn)的GM(1，1)，每N個(gè)點(diǎn)建一 個(gè)模型，模型如下：Cl) 其中，a為發(fā)展系數(shù)，b為灰作用量。3. 根據(jù)權(quán)利要求1所述的一種基于灰色理論的腦-機(jī)接口方法，求模型參數(shù)的統(tǒng)計(jì)特性 從而得到特征向量Τα: 每段L長(zhǎng)的數(shù)據(jù)共有求這些<^的方差作為最終的特征Τα。4. 根據(jù)權(quán)利要求1所述的一種基于灰色理論的腦-機(jī)接口方法，將特征向量Τα作為特征 放入支持向量機(jī)分類器中完成多分類任務(wù)。5. 根據(jù)權(quán)利要求1所述的一種基于灰色理論的腦-機(jī)接口方法，采用改進(jìn)后的灰建模方 法識(shí)別alpha波信號(hào)以實(shí)現(xiàn)腦-機(jī)接口系統(tǒng)的狀態(tài)切換，采用基于灰關(guān)聯(lián)的方法識(shí)別SSVEP 信號(hào)以實(shí)現(xiàn)指令識(shí)別，從而有效的實(shí)現(xiàn)腦-機(jī)接口中的狀態(tài)轉(zhuǎn)換和指令識(shí)別。
【文檔編號(hào)】G06K9/00GK106020453SQ201610308582
【公開日】2016年10月12日
【申請(qǐng)日】2016年5月11日
【發(fā)明人】劉暢, 謝松云, 吳悠, 段緒, 謝辛舟
【申請(qǐng)人】西北工業(yè)大學(xué)