一种快速近红外脑机接口方法
专利汇可以提供一种快速近红外脑机接口方法专利检索，专利查询，专利分析的服务。并且本 发明 公开一种快速 近红外 脑机 接口 方法。本发明的方法主要特征为：利用多通道近红外光学脑 信号 采集系统实时获取使用者在 脑机接口 任务执行过程中产生的多通道近红外光学脑信号，将该信号预处理后，进行特征空间变换提取 特征向量 ，并进行 模式识别 ，判断使用者执行的脑机接口任务类别。本发明的优点在于其脑机接口任务的识别率和识别速度比以幅值为特征向量进行识别的传统近红外脑机接口方法显著提高。，下面是一种快速近红外脑机接口方法专利的具体信息内容。
1.一种快速近红外脑机接口方法，其特征在于，包括如下步骤：
步骤一：多通道近红外光学脑信号采集系统实时采集使用者在脑机接口校准阶段任务执行过程中的多通道近红外光学脑信号；在此校准阶段，被试者根据提示完成左侧或右侧身体部位的运动想象任务；
步骤二：对多通道近红外光学脑信号进行预处理；近红外光学脑信号预处理模块首先将采集到的多通道近红外光学脑信号进行降频，低通滤波去除噪声；然后根据修正的Beer-Lambert定律，将其转换为含氧血红蛋白浓度变化值Δ[HbO2]和去氧血红蛋白浓度变化值Δ[Hb]；
步骤三：将步骤二所得多通道的Δ[HbO2]或Δ[Hb]数据作为训练数据进行特征提取和分类器训练；用t秒长度的时间窗对训练数据分段，这里t的取值可以根据需要从1秒取到单个任务持续的总时间长度；具体如下：
(1)在左侧和右侧身体部位想象条件下的单个训练数据片段分别用矩阵Xi(i
＝1，2)来表示，Xi的行数为采样通道数，列数为采样点数；计算Xi空间协方差矩阵：
其中Xi'表示Xi的转置矩阵，trace(XiXi')表示XiXi'的迹，即对
角线元素的和；
(2)计算上述左侧和右侧身体部位想象两类条件下所有训练数据片段的平均空间协方差矩阵 和 以及混合空间协方差矩阵
(3)CC分解为CC＝UCλCUC'，其中UC是CC的特征向量矩阵，λC是由特征值组成的对角矩阵；
(4)进行白化处理： 即处理后，PCCP'所有的特征值都为1；如果将 和
进行如下变换： 则S1和S2有相同的特征向量；如果将S1和S2进行分
解:S1＝Bλ1B'，S2＝Bλ2B'，则有λ1+λ2＝I，其中λ1和λ2分别是S1和S2的特征值组成的对角矩阵，B是S1和S2的特征向量矩阵；
(5)计算空间滤波矩阵W＝(B'P)'；
(6)对Xi进行变换，将其从时域空间变换到特征空间：Zi＝WXi；
(7)分类器选用支持向量机；用Zi(i＝1，2)的第一行分别作为左侧和右侧身体部位想象数据片段的特征向量来训练支持向量机；
步骤四：多通道近红外光学脑信号采集系统实时采集使用者在脑机接口任务识别阶段的多通道近红外光学脑信号；在此识别阶段，被试者根据提示完成左侧或右侧身体部位的运动想象任务；
步骤五：按照步骤二对步骤四采集的多通道近红外光学脑信号进行预处理，得到待识别数据；
步骤六：对待识别数据进行特征提取和模式识别；识别阶段的待识别数据用Y表示，也将其用与步骤三同样的t秒长度时间窗分段，用步骤三(5)所得到的空间滤波矩阵W，将Y从时域空间变换到特征空间：T＝WY；取T的第一行作为待识别数据片段的特征向量，用步骤三(7)训练好的支持向量机进行模式识别，区分出使用者进行的脑机接口任务的类别。
2.根据权利要求1所述的快速近红外脑机接口方法，其特征在于：所述将其转换为含氧血红蛋白浓度变化值Δ[HbO2]和去氧血红蛋白浓度变化值Δ[Hb]的方法如下：当用强度为I0的近红外光入射生物组织，出射光强为I，则光密度OD可表示为
其中，ε表示生物组织内血红蛋白的摩尔吸收系数，C表示血红蛋白的浓度(包括含氧和去氧血红蛋白)，L表示光源和探测器间距，B表示考虑到散射而引入的微分光程因子；G表示与外层组织光学特性和几何结构有关的损耗因子，为常数；当出射光强从I1变化到I2时，由上式(1)可得出血红蛋白浓度的相对变化与光密度的变化有如下关系：
其中， 和 分别为含氧血红蛋白和去氧血红蛋白对波长为λ的光的摩尔吸收系数，λ
B为波长为λ的光的微分光程因子；
所以当采用波长为λ1和λ2双波长的近红外光入射时，通过求解上述方程组(1)、(2)可以求出含氧血红蛋白浓度变化值和去氧血红蛋白浓度变化值分别为：
3.根据权利要求1或2所述的快速近红外脑机接口方法，其特征在于，所述脑机接口任务为使用者进行短时间左侧或右侧身体部位运动想象，想象时间不超过4秒，休息时间不超过4秒。
4.根据权利要求3所述的快速近红外脑机接口方法，其特征在于，所述特征提取及模式识别的数据片段长度为秒级。
一种快速近红外脑机接口方法
技术领域
背景技术
30s。Power等人(Power,S.D.,T.H.Falk and T.Chau (2010)."Classification of prefrontal activity due to mental arithmetic and music imagery using hidden Markov models and frequency domain near-infrared spectroscopy."Journal of Neural Engineering 7(2).)报道了一种多通道的近红外脑机接口，使用者根据提示完成心算和音乐想象任务，任务的刺激间距为35-45s。Sitaram等(Sitaram,R.,H.Zhang,C.Guan,M.Thulasidas,Y.Hoshi,A.Ishikawa,K.Shimizu and N.Birbaumer(2007)."Temporal classification of multichannel near-infrared spectroscopy signals of motor imagery for developing a brain–computer interface."NeuroImage 34(4):
1416-1427.)报道的多通道近红外脑机接口，同样是完成左手或右手运动想象任务，任务刺激间距为20s。Holper等(Holper,L.and M.Wolf(2011)."Single-trial classification of motor imagery differing in task complexity:a functional near-infrared spectroscopy study."Journal of Neuroengineeringand Rehabilitation 8.)报道的近红外脑机接口，使用者完成想象简单运动和 复杂运动的任务，任务刺激间距为35s。Luu和Chan(Luu,S.and T.Chau(2009)."Decoding subjective preference from single-trial near-infrared spectroscopy signals."Journal of Neural Engineering 6(1).)报道的近红外脑机接口，使用者从给出的饮料中用思维选择自己喜欢的饮料，任务刺激间距为
45s。
发明内容
素的和。
进行分解:S1＝Bλ1B'，S2＝Bλ2B'，则有λ1+λ2＝I，其中λ1和λ2分别是S1和S2的特征值组成的对角矩阵，B是S1和S2的特征向量矩阵。
具体实施方式
素的和。
进行分解:S1＝Bλ1B'，S2＝Bλ2B'，则有λ1+λ2＝I，其中λ1和λ2分别是S1和S2的特征值组成的对角矩阵，B是S1和S2的特征向量矩阵；(5)计算空间滤波矩阵W＝(B'P)'。
均值 84.27％ 84.68％ 80.83％ 83.46％ 85.51％ 84.94％ 81.25％
标准差 5.41％ 4.56％ 4.53％ 2.84％ 4.07％ 3.93％ 5.30％
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种脑机接口方法 | 2020-05-12 | 596 |
| 一种快速近红外脑机接口方法 | 2020-05-19 | 176 |
| 一种多模态信号的脑机接口方法 | 2020-05-20 | 685 |
| 一种多模态信号的脑机接口方法 | 2020-05-15 | 79 |
| 基于SSVEP和P300联合脑机接口方法及装置 | 2020-05-16 | 347 |
| 一种脑机接口设备 | 2020-05-13 | 540 |
| 柔性非嵌入式脑机接口电极及其制备方法和脑机接口模块 | 2020-05-14 | 850 |
| 脑机接口的最优电极组自动选取方法 | 2020-05-20 | 484 |
| 一种脑机接口无线连接装置 | 2020-05-15 | 239 |
| 一种基于脑机接口的能量球 | 2020-05-15 | 577 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
