一种基于混合函数相关向量机的混合脑机接口系统技术方案

本发明专利技术公开了一种基于便携式EEG设备的非侵入式混合范式脑‑机接口的决策模型的核函数优化方法。考虑到将几种脑‑机接口范式相结合的混合范式脑‑机接口，混合范式脑‑机接口可以满足多指令输出，而且具有较高分类准确率。该决策方法使用了基于稀疏贝叶斯的相关向量机分类器，需要更稀疏的相关向量，训练时间更短，同时该模型的测试时间也很短。模型参数自动确定。核函数选择上不受mercer定理的限制，可以任意构造新的核函数。

A hybrid brain computer interface system based on hybrid function correlation vector machine

【技术实现步骤摘要】
一种基于混合函数相关向量机的混合脑机接口系统
本专利技术涉及一种非侵入式的基于EEG的混合范式脑-机接口的决策模型的核函数优化方法，属于脑-机接口

技术介绍
脑-机接口是一种可以实现人的大脑和外部环境(计算机或者外部设备)直接进行通讯的新型交互方式。通过采集人的大脑的头皮电位活动信息，反映出不同自发式的大脑电位活动或者由外部刺激诱发的大脑电位活动。脑-机接口在教育、医疗康复、疾病诊断等方面具有潜在的应用价值。脑-机接口中常用的脑电图(Electroencephalogram，EEG)因其采集方便、成本较低，成为非侵入式脑-机接口研究中广泛使用的方法。脑-机接口通常是在单一范式下进行实验和分析，常用的脑-机接口范式有：(1)基于运动想象的脑-机接口；(2)基于P300的脑-机接口；(3)基于稳态视觉诱发电位(steady-statevisualevokedpotential，SSVEP)的脑-机接口。单一范式的脑-机接口可以完成有限任务的控制指令的输出，由于决策任务类别数少，分类准确率低，从而导致了信息传输率较低。但是为了满足实际需求，在实现脑-机接口的实时应用时，考虑到将几种脑-机接口范式相结合的混合范式脑-机接口，混合范式脑-机接口可以满足多指令输出，而且具有较高分类准确率。决策方法使用了基于稀疏贝叶斯的相关向量机分类器，需要更稀疏的相关向量，训练时间更短，同时该模型的测试时间也很短。模型参数自动确定。核函数选择上不受mercer定理的限制，可以任意构造新的核函数。基于运动想象和SSVEP相结合的混合范式脑-机接口，在运动想象范式中设计四类想象任务实现了四个控制指令的输出，在SSVEP范式中设计四个刺激频率实现了四个控制指令的输出。在多指令输出系统中可以实现对外部设备的灵活控制。满足实时性和高信息传输率(informationtranslaterate，ITR)要求。本专利技术的实施方式试图通过混合范式脑-机接口系统改善当前的脑-机接口系统。专利内容EEG信号采集：脑电采集设备为Brianupdevice，左右耳部电极分别作为接地和参考。运动想象范式EEG信号采集。电极位置符合10-20国际标准电极位置。信号的采样频率为250Hz，经过了50Hz陷波滤波去除工频干扰。信号预处理：对于原始EEG信号，受限于采集设备和实验环境的影响，以及受试者眨眼带来的干扰信号，需要对原始EEG信号进行预处理来去除噪声干扰信号。常用的方法有低通Butterworth滤波器来选择期望的频率范围信号。信号特征提取：针对脑电信号通道少，包含有用信息不充分的问题，提出了将相空间重构法对少通道的一维EEG时间序列进行重构，将一维EEG信号重构到高维的相空间，在相空间中观察到更丰富的动力学特征信息。同时增加了信号的维度和通道数。对于一个长度为N的一维EEG时间序列x(t)＝{x1，x2，…，xN}，它可以被重构到m维相空间中。重构后的相空间轨迹的具体表达式为：其中，M＝N-(m-1)τ，τ是延迟时间，m是嵌入维数。利用C-C法可以计算相关积分得到延迟时间和嵌入维数。经过重构后的相空间中的EEG信号，采用共空间模式提取空间特征。对于两类EEG信号Xi，i∈{1，2}，信号的维度为T×N，其中T是时间序列中的采样点数，N是通道数。通过构造滤波器W，经过滤波后的原始EEG信号X得到特征信号Z，Z＝WX(2)将滤波后的特征信号Z的方差的作为信号特征进行分类，具体形式如下，滤波器W通过提取最能反映两类信号主要差异的前m行与后m行，实现一类信号的方差最大化，另一类信号的方差最小化。信号分类：采用了相关向量机分类器作为分类器，RVM是一种基于稀疏贝叶斯的机器学习模型。可以自动确定参数，测试时间短，得出二值分类结果的同时获得概率输出，与SVM相比，RVM更稀疏，因而测试时间更短。RVM的泛化能力好于SVM。RVM的训练时间更短。核函数的选择不受mercer定理的限制。常用的核函数有具有内推特性的局部核函数-高斯核函数，具有外推特性的全局核函数多项式核函数。通过线性拟合得到高斯核函数和多项式核函数的混合核函数，兼具了良好的内推性和外推性，是一个具有局部和全局特性的新的核函数。将新的混合核函数RVM在处理数据时可以提高分类性能。高斯核函数：多项式核函数：Kpoly(xi，xj)＝(<xi，xj>+1)d(5)混合核函数：Khybrid＝λ1Kgauss+λ2Kpoly(6)SSVEP信号是一种特定刺激频率的诱发信号，采用了一种改进的滤波频带典型相关性分析法(Filterbankcanonicalcorrelationanalysis，FBCCA)，通过设计不同通频带，依次滤除刺激频率的基频，二倍频，三倍频，一直到五倍频，最后进行判别分析。其中，w(n)＝n-1，n∈[1，N]。得到一系列相关系数值，选择其中的最大值，则该最大值对应的就是最终的分类类别。附图说明图1.混合脑-机接口算法流程图图2.高斯核函数曲线图图3.多项式核函数曲线图图4.混合核函数曲线图图5.SSVEP刺激界面设计具体实施方式下面结合附图对专利技术的技术方案进行详细说明。图1为本专利技术的混合范式脑-机接口系统的算法流程图。首先通过脑电信号采集设备采集大脑脑电信号，采集得到的脑电信号将先进行运动想象EEG信号处理。信号经过Butterworth低通滤波后，然后计算相空间重构参数嵌入维数m和延迟时间t，将一维的EEG信号重构到相空间中。在相空间中进行EEG信号的“一对一”共空间模式特征提取。将提取的特征送入相关向量机分类器进行任务分类识别。本专利技术设计了四种运动想象任务(左手、右手、双脚和空)，其中，识别出为“空”时，则选择进入SSVEP范式的信号处理。SSVEP信号是通过四种闪烁频率的刺激界面诱发得到，采用了基于滤波频带的典型相关性分析法对SSVEP信号进行分类识别。在运动想象EEG信号的特征提取部分，本专利技术引入了相空间重构法，通过将一维EEG信号重构到高维的相空间，可以发掘出相空间中的丰富的动力学特征，同时又增加了信息的维度。通过“一对一”共空间模式特征提取方法，将四类任务信号分为六组特征分别作为特征向量。采用了基于稀疏贝叶斯的机器学习模型作为分类器。可以自动确定参数，测试时间短，得出二值分类结果的同时获得概率输出，与SVM相比，RVM更稀疏，因而测试时间更短。RVM的泛化能力好于SVM。RVM的训练时间更短。核函数的选择不受mercer定理的限制。图2是高斯核函数曲线图。高斯核函数是一个局部核函数，具有较强的内推特性。图3是多项式核函数曲线图。多项式核函数是一个全局核函数，具有较强的外推特性。基于高斯核函数和多项式核函数的特点，本专利技术将两种核函数通过线性组合，得到本文档来自技高网...

【技术保护点】
1.一种非侵入式混合范式脑-机接口的决策模型的核函数优化方法。/n其特征在于：将几种脑-机接口范式相结合的混合范式脑-机接口，混合范式脑-机接口可以满足多指令输出，而且具有较高分类准确率。/n第一步：信号特征提取：针对脑电信号通道少，包含有用信息不充分的问题，提出了将相空间重构法对少通道的一维EEG时间序列进行重构；/n第二步：将一维EEG信号重构到高维的相空间，在相空间中观察到更丰富的动力学特征信息。同时增加信号的维度和通道数。/n

【技术特征摘要】
1.一种非侵入式混合范式脑-机接口的决策模型的核函数优化方法。
其特征在于：将几种脑-机接口范式相结合的混合范式脑-机接口，混合范式脑-机接口可以满足多指令输出，而且具有较高分类准确率。
第一步：信号特征提取：针对脑电信号通道少，包含有用信息不充分的问题，提出了将相空间重构法对少通道的一维EEG时间序列进行重构；
第二步：将一维EEG信号重构到高维的相空间，在相空间中观察到更丰富的动力学特征信息。同时增加信号的维度和通道数。


2.根据权利要求1所述的模型函数优化方法，其特征在于：
第一步：信号分类：采用了相关向量机分类器作为分类器，RVM是一种基于稀疏贝叶斯的机器学习模型。
第二步：自动确定参数，测试时间短，得出二值分类结果的同时获得概率输出，与SVM相比，RVM更稀疏，因而测试时间更短。
第三步：通过RVM提高泛化能力使得好于SVM。
第四步：通过RVM的缩短模型训练时间更短...

【专利技术属性】
技术研发人员：王晓岸，卢树强，周凯瑞，
申请(专利权)人：北京脑陆科技有限公司，
类型：发明
国别省市：北京;11