基于Pearson相关性系数加权的跨个体脑-机接口制造技术

本发明专利技术公开了一种基于Pearson相关性系数加权的跨个体脑‑机接口，所述跨个体脑‑机接口包括：提取若干名被试的脑电数据；对每一名被试使用支持向量机将若干轮闪烁的数据作为训练集训练分类器模型和特征信号；对于一名需要测量脑电数据的新被试首先提取其1轮闪烁的脑电信号进行相同的截取得到时域特征信号；利用Pearson相关性系数找到和目标被试特征信号相关性高的通用模型中的几名被试，并用这几名被试的分类器模型对新被试的数据进行分类。本发明专利技术通过少量实验数据在之前准备好的通用数据集中筛选合适的分类器模型，对目标被试之后的实验数据进行分类。

Cross individual brain computer interface based on Pearson correlation coefficient weighting

【技术实现步骤摘要】
基于Pearson相关性系数加权的跨个体脑-机接口
本专利技术涉及脑-机接口领域，尤其涉及一种基于Pearson相关性系数加权的跨个体脑-机接口(Brain-ComputerInterface，BCI)。
技术介绍
BCI通过脑与外部设备建立直接或间接通路的方式获取大脑的信号，经过特定的信号处理分析出大脑活动，从而控制外部设备或肢体进行相应的操作。BCI的研究可帮助正常中枢神经受损(如脑卒中、肌萎缩性脊髓侧索硬化症等)的患者获得更多与外部环境沟通交流的途径。在休闲娱乐、军事、工业领域等环境中，BCI的应用也在不断地改变人们的生产、生活方式。实验发现，基于P300的BCI存在一定的个体差异性，不同人对于同一个P300实验范式产生的P300特征向量会有一定的偏差。因此传统的P300-BCI在进行正式实验之前通常需要一个较长时间的校准过程来训练分类器模型，校准过程通常需要占用很长时间。长时间的校准过程使得被试容易疲劳，进而影响正式实验的实验效果和有效实验时长。减少校准时间成为提高P300-BCI能效的一个重要研究方向。许多实验采用了跨个体脑-机接口的研究方法，即提前采集其他多名被试的实验数据作为通用数据集，以集成式的方式训练分类器模型，但由于这种方法缺少目标被试的数据，分类正确率与传统的个体依赖型BCI还是存在很大的差距。
技术实现思路
本专利技术提供了一种基于Pearson相关性系数加权的跨个体脑-机接口，本专利技术通过少量实验数据在之前准备好的通用数据集中筛选合适的分类器模型，对目标被试之后的实验数据进行分类，详见下文描述：一种基于Pearson相关性系数加权的跨个体脑-机接口，所述跨个体脑-机接口包括：提取若干名被试的脑电数据；对每一名被试使用支持向量机将若干轮闪烁的数据作为训练集训练分类器模型和特征信号；对于一名需要测量脑电数据的新被试首先提取其1轮闪烁的脑电信号进行相同的截取得到时域特征信号；利用Pearson相关性系数找到和目标被试特征信号相关性高的通用模型中的几名被试，并用这几名被试的分类器模型对新被试的数据进行分类。所述提取若干名被试目标刺激和非目标刺激的时域特征信号具体为：使用P300-BCI获取被试的脑电数据作为通用数据集，P300-BCI的提示界面由三维编码的视觉刺激范式构成，且采用随机闪烁的方式。分别将其1轮闪烁中目标刺激和非目标刺激的信号进行叠加平均，得到平均后的特征向量。将平均后的特征向量进行首尾相连，得到代表特定被试的脑电特征信号。本专利技术在三个方面突破了传统的跨个体脑-机接口，有益效果如下：首先，在实验范式设计方面，本专利技术采用了基于三维编码的视觉刺激范式，相比于传统的基于二维编码的视觉刺激范式，本专利技术所采用的刺激范式的信息传输率更高；在闪烁方式上，本专利技术采用了随机闪烁的方式，能够诱发更加明显的P300信号。其次，在信息处理方面，不仅可以减少新被试训练分类器的时间，而且可以结合新被试特殊的脑电信号，选取相关性较强的分类器对新被试的数据进行分类。可弥补传统跨个体脑-机接口训练集没有新被试相关脑电信息的缺点。再次，通过剔除相关性较弱的分类器的方式避免了弱关联训练数据对分类结果的影响，可提高跨个体脑-机接口的分类正确率。本专利技术可用于P300-BCI，也可以用于P300与其他范式组成的混合BCI。因为此跨个体脑-机接口仅使用了极少量的新被试的数据，该脑-机接口有望应用于更多场合，带来可观的社会效益和经济效益。本专利技术可有效提高跨个体P300-BCI的分类正确率和信息传输率，进一步研究可得到完善的脑-机接口系统，有望提高P300-BCI的通用性和实用性。附图说明图1为本专利技术的计算流程图，可用于P300-BCI的检测；图2为P300-BCI实验范式示意图。图3为X、Y、Z方向上栅格面的示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术实施方式作进一步地详细描述。实施例1在离线实验中利用三维编码视觉刺激范式诱发ERP信号；提取30名被试的脑电数据；对于每一名被试使用支持向量机(SupportVectorMachine,SVM)将其30轮闪烁的数据作为训练集训练分类器模型(Mi)和特征信号；对于一名需要测量脑电数据的新被试首先提取其1轮闪烁的脑电信号进行相同的截取得到特征信号；利用Pearson相关性系数找到和目标被试特征信号相关性较高的通用模型中的几名被试，并用这几名被试的分类器模型对新被试的数据进行分类。实施例2下面结合图2、具体的实例对实施例1中的方案进行进一步地介绍，详见下文描述：步骤1、使用P300-BCI获取30名被试的脑电数据作为通用数据集。如图2所示，该P300-BCI的提示界面由三维编码的视觉刺激范式构成。不同于传统的二维编码视觉刺激范式，在三维编码视觉刺激范式中每3次闪烁可定位一个目标字符。对于三维编码视觉刺激范式，首先将48个字符组成一个3*4*4(X,Y,Z三个相互垂直方向)的三维方格子中。如图3所示，X方向上有三个栅格面，每个栅格面会有4*4＝16个字符，三个栅格面随机闪烁，并将闪烁标记为1-3；Y方向上有四个栅格面，每个栅格面会有3*4＝12个字符，四个栅格面随机闪烁，并将闪烁标记为4-7；Z方向上有四个栅格面，每个栅格面会有3*4＝12个字符，四个栅格面随机闪烁，并将闪烁标记为8-11。相比于传统的二维编码视觉刺激范式，三维编码的视觉刺激范式的信息传输率较高，三维定位也比二维定位更加精准，且在闪烁方式上，本专利技术采用随机闪烁的方式，使得视觉刺激更具有偶然性，可诱发出更加明显的P300信号。对于每个目标字符的输入，进行了Q＝10的轮次，每个目标字符的输入被称为一组。对于通用数据集中的30名被试，每名被试需要进行30个字母的拼写。使用NeuroScan公司生产的64通道脑电系统，采样率为1000Hz，记录了20个电极通道(F7,F3,FZ,F4,F8,C3,CZ,C4,M1,TP7,TP8,M2,P3,PZ,P4,PO7,PO8,O1,OZ和O2)的脑电数据，头顶电极做参考，AFz电极接地。步骤2、对通用数据集中的数据进行预处理，包括：变参考，去除眼电，带通滤波，降采样，去基线，波形分段。变参考为M1,M2的平均参考，采用回归分析算法去除眼电伪迹。滤波通带为1～10Hz，降采样至40Hz，以每个试次的0～700ms为时间窗对数据进行分段，以每个试次-200～0ms为基准对每个时间窗的数据进行基线校正。对应一个轮次，将获得(3+4+4)*28个样本点。步骤3、生成分类器模型Mi和特征信号AvgEEGi。针对每一个电极通道，经过降采样和波形分段之后的每个试次有28个采样点，由于变参考的时候将M1,M2的平均作为参考电极，最终共有20-2＝18个电极通道，将18个通道的28个采样点本文档来自技高网...

【技术保护点】
1.一种基于Pearson相关性系数加权的跨个体脑-机接口，其特征在于，所述跨个体脑-机接口包括：/n提取若干名被试的脑电数据；/n对每一名被试使用支持向量机将若干轮闪烁的数据作为训练集训练分类器模型和特征信号；/n对于一名需要测量脑电数据的新被试首先提取其1轮闪烁的脑电信号进行相同的截取得到时域特征信号；/n利用Pearson相关性系数找到和目标被试特征信号相关性高的通用模型中的几名被试，并用这几名被试的分类器模型对新被试的数据进行分类。/n

【技术特征摘要】
1.一种基于Pearson相关性系数加权的跨个体脑-机接口，其特征在于，所述跨个体脑-机接口包括：
提取若干名被试的脑电数据；
对每一名被试使用支持向量机将若干轮闪烁的数据作为训练集训练分类器模型和特征信号；
对于一名需要测量脑电数据的新被试首先提取其1轮闪烁的脑电信号进行相同的截取得到时域特征信号；
利用Pearson相关性系数找到和目标被试特征信号相关性高的通用模型中的几名被试，并用这几名被试的分类器模型对新被试的数据进...

【专利技术属性】
技术研发人员：周向通，安兴伟，明东，陈露，杨远骋，柯余峰，刘爽，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12