技术领域
[0001] 本
发明涉及
生物医学工程中神经工程及
脑机接口技术领域，具体涉及一种基于alpha波的差错抑制脑机接口方法。
背景技术
[0002] 脑机接口(Brain-Computer Interface，BCI)是一种不依赖周围神经和肌肉组成输出通路的通讯系统。脑机接口系统一般由
信号采集(采集、放大、滤波、转换)、信号分析(
信号处理、特征提取、
模式识别、分类)以及
控制器(控制外界环境及设备)组成，首先对脑
电信号(Electroencephalogram，EEG)进行采集,将采集到的EEG(脑电波)数据进行特征提取与分类，从而识别出被试的主观意图,最后，将被试的主观意图转化为不同的操作命令，以实现与外界通讯。
[0003] 然而，当被试的主观意图(指令)发生转换时，此时的脑电信号处于两种功能模式的过渡阶段，其特征不易区分，会导致分类器的误判，最终造成控制指令出错。这在实际应用中存在极大的隐患，例如，当进行运动控制时，指令误判将会导致所控制的设备与其他物体发生碰撞或偏离轨道造成损失。
[0004] 被试在主观意图发生转换时，对于计算机的处理而言，每次所处理的EEG数据可能既包含前一主观意图的EEG信号，也包含后一主观意图所对应的EEG信号，从而导致模式识别的困难。Alpha波是一种特征非常明显的脑电信号，多在清醒闭目时候出现，睁眼、思考问题、或接受其它刺激时消失，利用alpha波的这一特性，可对其进行有效的识别，从而将alpha波作为指示信号，向计算机直接传达指令转换的意图。
发明内容
[0005] 本发明提供了一种基于alpha波的差错抑制脑机接口方法，通过兼具识别速度及
精度优势的alpha波进行BCI系统输出指令的差错抑制。
[0006] 一种基于alpha波的差错抑制脑机接口方法，包含以下步骤：
[0007] (1)被试进行脑机接口控制，当被试有指令转换意图时，被试进行睁闭眼操作后进行另一指令的任务；
[0008] (2)在步骤(1)中被试进行脑机接口控制时，以Ts为时间单位，实时采集脑电波信号作为指令识别判断的数据单元，进入步骤(3)；
[0009] (3)根据公式(1)对步骤(2)采集到的长度为Ts的脑电波信号{X(i),i＝1,…,L}提取其特征F，其中L＝Ts×fs为数据长度，fs为
采样率，TN通常取值为4～6，m为线性回归时的自变量，Y为线性回归时的因变量，k为线性回归的斜率,b为线性回归的截距：
[0010]
[0011] 通过
支持向量机识别特征F，从而判断步骤(2)采集到的脑电波信号中是否存在alpha波；
[0012] 若有alpha波，判断被试有指令转换意图，不进行控制指令输出，若没有待识别脑功能信号，则直接回到步骤(2)，若有待识别脑功能信号则清零后回到步骤(2)；
[0013] 若没有alpha波，则进入步骤(4)；
[0014] (4)将步骤(2)采集的脑电波信号作为待识别脑功能信号，以Ts为一个时间单位进行累积存储，并判断脑功能信号长度是否等于4Ts～10Ts，若等于，则进入步骤(5)，否则回到步骤(2)；
[0015] (5)对步骤(4)的待识别脑功能信号进行模式识别，并输出相应控制指令，完成脑机接口差错抑制，同时将存储的待识别脑功能信号清零，回到步骤(2)。
[0016] 步骤(1)中，被试依据不同实验范式进行脑机接口控制，脑机接口即脑-机接口。
[0017] 步骤(2)中，所述的Ts的范围为0.2s～2s，进一步优选，以0.3s为时间单位；
[0018] 具体的，在步骤(1)中被试进行脑机接口控制时，以0.3s为时间单位，实时采集脑电波(EEG)信号作为指令识别判断的数据单元，进入步骤(3)；
[0019] 步骤(3)中，所述的alpha波为8-13Hz的脑电波。
[0020] 步骤(4)中，所述的Ts的范围为0.2s～2s，以0.3s为时间单位。
[0021] 具体地，将步骤(2)采集的脑电波(EEG)信号作为待识别脑功能信号，以0.3s为一个时间单位进行累积存储(即自增)，并判断脑功能信号长度是否等于3s，若等于，则进入步骤(5)，否则回到步骤(2)，重复步骤(2)～(5)。
[0022] 本发明通过被试主动闭眼诱发alpha波来对计算机发出指令转换意愿的指示，提示计算机被试将转换指令，从而避免计算机由于被试指令转换造成脑电特征不明显而导致的指令误判。
[0023] 本发明通过被试主动闭眼诱发alpha波来对计算机发出指令转换意愿的指示，提示计算机被试将转换指令，从而避免计算机由于被试指令转换造成脑电特征不明显而导致的指令误判。
[0024] 本发明特征提取
算法的优越性使得alpha波可以被快速的识别，一般Ts的数据(所述Ts的范围为0.2s～2s)即可达到很高的正确率，而通常的脑功能信号进行模式识别时，所需数据长度较长，一般为4Ts～10Ts的数据，由于这种数据长度上的差异，为了利用alpha波快速识别的优势，本发明采用对脑电信号进行数据单元累积的方法实现了指令转换意图的快速识别。经验证，本发明在BCI系统的输出差错抑制上具有良好的效果。
[0025] 本发明与现有的BCI方法相比，具有的有益效果是：
[0026] 本发明充分利用alpha波识别速度及精度的优势，通过被试主动闭眼诱发alpha波来对计算机发出指令转换意愿的指示，提示计算机被试将转换指令，从而避免计算机由于被试指令转换造成脑电特征难以区分而导致的指令误判。此外，由于本发明特征提取算法的优越性使得alpha波可以被快速的识别，一般Ts的数据(所述Ts的范围为0.2s～2s)即可达到很高的正确率，而通常的脑功能信号进行模式识别时，所需数据长度较长，一般为4Ts～10Ts的数据，由于这种数据长度上的差异，为了利用alpha波快速识别的优势，本发明采用对脑电信号进行数据单元累积的方法实现了指令转换意图的快速识别。经验证，本发明在BCI系统的输出差错抑制上具有良好的效果。
附图说明
[0027] 图1为本发明中基于alpha波的差错抑制脑机接口方法的流程示意图；
[0028] 图2为基于alpha波的差错抑制脑机接口方法
流程图；
[0029] 图3为本发明提出的alpha波识别方法在不同数据长度Ts下的性能。
[0030] 图4为本发明中alpha波检测效果图；
[0031] 图5为本发明中功能脑电信号检测效果图。
具体实施方式
[0032] 如图1所示，一种基于alpha波的差错抑制脑机接口方法，包含以下步骤：
[0033] (1)被试进行脑机接口控制，当被试有指令转换意图时，被试进行睁闭眼操作后进行另一指令的任务；
[0034] (2)在步骤(1)中被试进行脑机接口控制时，以Ts为时间单位，实时采集脑电波信号作为指令识别判断的数据单元，进入步骤(3)；
[0035] (3)根据公式(1)对步骤(2)采集到的长度为Ts的脑电波信号{X(i),i＝1,…,L}提取其特征F，其中L＝Ts×fs为数据长度，fs为采样率，TN通常取值为4～6，m为线性回归时的自变量，Y为线性回归时的因变量，k为线性回归的斜率,b为线性回归的截距：
[0036]
[0037] 通过支持向量机识别特征F，从而判断步骤(2)采集到的脑电波信号中是否存在alpha波，若有alpha波，判断被试有指令转换意图，不进行控制指令输出，若有待识别脑功能信号则清零，回到步骤(2)，若没有alpha波，进入步骤(4)；
[0038] (4)将步骤(2)采集的脑电波信号作为待识别脑功能信号，以Ts为一个时间单位进行累积存储，并判断待识别脑功能信号长度是否等于4Ts～10Ts，若等于，则进入步骤(5)，否则回到步骤(2)；
[0039] (5)对步骤(4)的待识别脑功能信号进行模式识别，并输出相应控制指令，完成脑机接口差错抑制，同时将存储的待识别脑功能信号清零，回到步骤(2)。
[0040] 具体地，结合附图2和实例，对本发明的实施方式做具体流程的详细描述，本发明的效能将会更加明显：
[0041] (1)被试进行基于稳态视觉
诱发电位(Steady State Visual Evoked Potential，SSVEP)的BCI实验，采样率为200Hz。被试通过将注意
力分配到不同
频率闪烁的刺激源来诱发自身不同模式的SSVEP，当被试需要指令转换时，首先进行睁闭眼，随后将注意力转移到另一个刺激源。
[0042] (2)在步骤(1)中被试进行脑机接口控制时，以Ts＝0.3s为时间单位，实时采集脑电波信号作为指令识别判断的数据单元，进入步骤(3)；
[0043] (3)根据公式(1)对步骤(2)采集到的长度为Ts＝0.3s的脑电波信号{X(i),i＝1,…,60}提取其特征F，TN取值为4，m为线性回归时的自变量，Y为线性回归时的因变量，k为线性回归的斜率,b为线性回归的截距：
[0044]
[0045] 通过支持向量机识别特征F，从而判断步骤(2)采集到的脑电波信号中是否存在alpha波，若有alpha波，判断被试有指令转换意图，不进行控制指令输出，若有待识别脑功能信号则清零，回到步骤(2)，若没有alpha波，则进入步骤(4)；
[0046] (4)将步骤(2)采集的脑电波信号作为待识别脑功能信号，以Ts为一个时间单位进行累积存储，并判断脑功能信号长度是否等于3s，若等于，则进入步骤(5)，否则回到步骤(2)；
[0047] (5)采用基于MUSIC的相关分析对步骤(4)的待识别SSVEP信号进行模式识别，并输出相应控制指令，完成脑机接口差错抑制，同时将存储的待识别脑功能信号清零，回到步骤(2)。
[0048] 本发明提出的alpha波识别方法在不同数据长度Ts下的性能如图3所示，。其中垂直竖线为方差。可以看到本发明提出的方法即使在较短的数据长度下，依旧具有高识别率，并且随Ts的增长而提高。
[0049] Alpha波检测效果图如图4所示，三
角点闭眼时EEG的特征F，星状点为睁眼时EEG的特征F，可以看到本发明通过睁闭眼的方法，有效的诱发了具有显著特征差异的alpha波，故可通过alpha波进行被试指令转换意愿的判别。
[0050] 功能脑电信号检测效果图如图5所示，是一例功能信号为稳态视觉诱发电位(Steady State Visual Evoked Potential，SSVEP)的BCI差错抑制方法中SSVEP检测效果图。实例中，不同模式的SSVEP信号分别由闪烁频率为18Hz，20Hz，22Hz以及24Hz的LED刺激源所诱发。相关信号通过基于多信号分类(Multiple Signal Classification，MUSIC)的相关分析法进行分析，图3中f特征所代表的是SSVEP信号MUSIC谱分析序列与频率为f的参考信号的谱分析序列的相关系数，1-40个样本代表的是被试关注18Hz刺激源时的SSVEP特征分布，依次类推。从图3可以看出，当被试关注某一频率时，其SSVEP信号的特征中，关于该信号的相关系数整体上呈现最大。可见本发明的使得脑功能信号特征具有很好的可分性，分类结果表明，SSVEP信号的分类正确率可以达到94％。
[0051] 实例说明本发明可以有效地对被试指令转换时BCI系统的指令输出差错进行抑制，同时兼具精度与速度的优势。
[0052] 上述示例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和
权利要求的保护范围内，对本发明做出的任何
修改和改变，都落入本发明的保护范围。
