运动想象脑‑机接口模型建模方法技术

本发明专利技术涉及脑‑机接口技术领域，为通过建模样本自适应更新的方法，对已有的运动想象脑‑机接口的模型更新效果进行优化，提升分类正确率和稳定性。本发明专利技术采用的技术方案是，运动想象脑‑机接口模型建模方法，在每次运动想象训练结束后，对已获得的经过预处理和特征提取的脑电数据进行排列组合，并分别计算其在交叉验证中的分类正确率，选择正确率最高的两组数据作为样本进行建模，并用于之后的模式识别过程。本发明专利技术主要应用于脑‑机接口设备的设计制造场合。

【技术实现步骤摘要】

本专利技术涉及脑-机接口
，具体讲,涉及运动想象脑-机接口模型建模方法。
技术介绍
第一次脑-机接口国际会议给出的BCI的定义是：“BCI是一种不依赖于大脑外围神经与肌肉正常输出通道的通讯控制系统。”目前的研究成果中，它主要是通过采集和分析不同状态下人的脑电信号，然后使用一定的工程技术手段在人脑与计算机或其它电子设备之间建立起直接的交流和控制通道，从而实现一种全新的信息交换与控制技术，可以为残疾人特别是那些丧失了基本肢体运动功能但思维正常的病人提供一种与外界进行信息交流与控制的途径。即可以不需语言或肢体动作，直接通过控制脑电来表达意愿或操纵外界设备。为此，BCI技术也越来越受到重视。在脑-机接口的研究中，运动想象作为一种主动式人机交互范式，更加符合正常人大脑思维活动方式，在一定程度的训练后，使用者便可进行在线MI-BCI系统的交互控制。此外，系统控制信号源一般使用来自于使用者运动想象过程中头皮脑电的能量特征，可进行一段较长时间段的累加或优化来控制指令输出，有较强的可操作性。基于上述优点我们可以看出，对于运动想象的深入研究及开发一种实用便携式的MI-BCI系统有助于我们更加清楚地了解人类大脑，实现真正的人机交互，具有很强的理论与应用价值。然而在当前的MI-BCI系统中，对运动想象信号的建模过程时常伴随着信号质量差异等不稳定因素，且由于训练初期受试者的运动想象特征并不明显，模型质量和正确率的提升也十分缓慢。因此，设计一种自适应的运动想象建模方法，通过对排列组合后的脑电数据所建立的MI-BCI模型质量的比较，筛选最优数据组合，能够极大提高模型的识别准确率和稳定性，与可视界面相互配合，能够让受试者的运动想象状况更加便于获取和分析，对于MI-BCI系统的实用化研究具有重大的意义。
技术实现思路
为克服现有技术的不足，本专利技术旨在通过建模样本自适应更新的方法，对已有的运动想象脑-机接口的模型更新效果进行优化，提升分类正确率和稳定性。本专利技术采用的技术方案是，运动想象脑-机接口模型建模方法，在每次运动想象训练结束后，对已获得的经过预处理和特征提取的脑电数据进行排列组合，并分别计算其在交叉验证中的分类正确率，选择正确率最高的两组数据作为样本进行建模，并用于之后的模式识别过程。所述建模方法进一步细化步骤是，在没有初始模型的情形下采集实时脑电，使用者首先静息30s，并根据后20s数据ERD值生成初始判定阈值，然后进入20s的MI游戏反馈训练，达到阈值则输出目标指令反馈结果；初始数据采集完毕后，将所采集脑电数据通过共空间模式CSP(Common Spatial Pattern)进行多导联空间滤波，原始脑电信号在滤波处理之后产生新的时间序列，使其方差能够最优区分与想象动作相关的两类脑电信号；在经过了CSP特征提取阶段之后，将这些从样本中提取到的特征用来训练SVM分类器，利用积累的数据建立共空间模式CSP+支持向量机SVM模型，形成更可信的阈值判定标准，使用者同样静息30s，进入20s反馈训练阶段，然后再利用共空间模式CSP+支持向量机SVM模型来对未知模式类型的想象动作进行分类，得到的结果即为未知模式想象动作的模式识别结果以及识别正确率。选择正确率最高的两组数据作为样本进行建模具体步骤是，将已存储的每组脑电数据分段，之后将所有段落的脑电数据排列组合并计算每组数据所生成模型通过交叉验证后的分类正确率，从而筛选出正确率最高的各时间段的数据，最后将其组合为完整的建模数据。选择正确率最高的两组数据作为样本进行建模的具体步骤是，直接将每组数据排列组合，计算每种组合方法在交叉验证下的分类正确率，最后筛选出最优组合进行建模。还包括构建建模界面步骤，建模界面分为无初始模型即界面1和初始模型形成后即界面2两种情形；无初始模型，即使用ERD生成阈值模式下的建模界面，在此操作界面中，左侧分别为串口开关、受试者姓名和实验组数的信息输入栏、开始按钮、建模按钮和退出按钮；右侧则为脑电在静息态和运动想象状态下的决策值概率分布曲线；输入受试者姓名和实验组数编号后点击串口开关，则界面和其他的计算机外设设备或运动想象相关游戏界面间的虚拟串口打开，计算机对通过蓝牙传输获得的emotiv脑电采集平台所采集的脑电信号进行处理，并将脑电信号处理后得到的机器命令通过虚拟串口向反馈界面传输，点击“开始”，开始记录并处理数据；点击建模，系统开始根据已有数据进行模型建立，并在右侧显示概率分布图；点击“退出”，表明初始模型的建立已经完成，界面将自动转至界面2，并继续进行下面的实验。形成初始模型后，通过CSP与SVM生成阈值的情况下的界面2，除了和界面1有着相同功能的信息输入栏、串口开关、开始键、建模键、退出键以及右侧的特征值概率分布图之外，界面2中还多出了阈值显示窗及难度选择按键，阈值选择窗会在每次模型更新后以及点击任一难度的按键之后对所生成的判定阈值进行显示；难度选择按钮则通过不同加权系数的设置对生成阈值的大小进行调节，从而对反馈的触发难度产生相应影响。本专利技术的特点及有益效果是：本专利技术设计了运动想象脑-机接口模型建立和更新的优化算法，利用自适应选择的方法，在已有脑电样本中选取最优样本对进行建模，并构建了与建模过程相对应的gui操作界面，不仅通过对训练中脑电数据的充分利用，实现了模型准确率及稳定性的显著提升，而且有利于使用者通过交互界面及时了解受试者的运动想象情况，简化了建模过程。在基于emotiv脑电采集平台搭建的MI-BCI系统试验测试结果中，顺序建模与自适应建模在模型分类正确率随数据更新次数变化上的对比如图5所示，可见正确率上的提升十分明显。进一步证明该技术有望在MI-BCI外设控制和科研过程的应用中提供更加可靠的技术保障。附图说明：图1系统在线实验过程。图2在线实验数据处理流程。图3初始建模界面。图4模型更新界面。图5顺序建模与自适应建模在模型分类正确率随数据更新次数变化上的对比。具体实施方式本专利技术旨在通过建模样本自适应更新的方法，对已有的运动想象脑-机接口的模型更新效果进行优化，提升分类正确率和稳定性。与传统建模方式相比，模型的自适应更新的方法能够在历史数据中筛选最优样本进行建模，提高对已有数据的利用率。该技术能够为已有的MI-BCI技术提供更加可靠的分类效果，在脑卒中康复以及其他领域有望获得可观的社会效益和经济效益。本专利技术设计了一种基于建模样本自适应更新的运动想象脑-机接口(Motor imagery-brain computer interface，MI-BCI)模型建立优化策略。正常人在运动想想状态下脑电信号中的某些频率成分同步减弱或者增强(event-related(de)synchronization,ERD/ERS)的现象与其在实际肢体动作状态下的脑电特征有极大的相似性。通过模型的建立，运动想象与静息状态下的脑电特征能够通过支持向量机(Support vector machine,SVM)进行区分。为达到更好的分类效果，可利用建模样本的自适应更新方法，筛选出分类效果最优的训练样本进行建模，实现提升模型分类正确率的效果，并辅以控制建模和信息获取的交互界面，使得MI-BCI的应用更加便捷准确。其技术流程是：在每次运动想象训练结束后，对已获得的经过预本文档来自技高网...

【技术保护点】
一种运动想象脑‑机接口模型建模方法，其特征是，在每次运动想象训练结束后，对已获得的经过预处理和特征提取的脑电数据进行排列组合，并分别计算其在交叉验证中的分类正确率，选择正确率最高的两组数据作为样本进行建模，并用于之后的模式识别过程。

【技术特征摘要】
1.一种运动想象脑-机接口模型建模方法，其特征是，在每次运动想象训练结束后，对已获得的经过预处理和特征提取的脑电数据进行排列组合，并分别计算其在交叉验证中的分类正确率，选择正确率最高的两组数据作为样本进行建模，并用于之后的模式识别过程。2.如权利要求1所述的运动想象脑-机接口模型建模方法，其特征是，所述建模方法进一步细化步骤是，在没有初始模型的情形下采集实时脑电，使用者首先静息30s，并根据后20s数据ERD值生成初始判定阈值，然后进入20s的MI游戏反馈训练，达到阈值则输出目标指令反馈结果；初始数据采集完毕后，将所采集脑电数据通过共空间模式CSP(Common Spatial Pattern)进行多导联空间滤波，原始脑电信号在滤波处理之后产生新的时间序列，使其方差能够最优区分与想象动作相关的两类脑电信号；在经过了CSP特征提取阶段之后，将这些从样本中提取到的特征用来训练SVM...

【专利技术属性】
技术研发人员：明东，郭仡，陈龙，王仲朋，綦宏志，许敏鹏，何峰，周鹏，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12