本发明专利技术利用小波神经网络提取想象动作电位的方法，涉及脑－机接口装置中想象动作电位的提取方法，具体讲是涉及利用小波神经网络提取想象动作电位的方法。为提供利用大脑在进行想象动作思维时所引发的ＥＲＤ现象作为思维活动对刺激事件有效应答的标志，本发明专利技术采用的技术方案是，以ＥＲＤ估算公式ＥＲＤ＝Ａ－Ｒ／Ｒ×１００（％），对提取的脑电特征信息进行小波变换；以Ｂａｙｅｓ神经网络通过统计推断过程实现对观测数据的分析；Ａ为想象动作事件发生后的功率谱密度，Ｒ为想象动作事件发生前的功率谱密度。本发明专利技术主要用于在人脑和计算机或其它机电设备之间建立能直接“让思想变成行动”的对外信息交流和控制新途径。
【技术实现步骤摘要】
本专利技术涉及脑-机接口(brain-computer interface，BCI)装置中想象动作电位的提取方法，具体讲是涉及。
技术介绍
脑-机接口(Brain-Computer Interface，BCI)是旨在不依赖于外周神经和肌肉组织等常规大脑信息输出通路，而仅运用工程技术手段在人脑和计算机或其它机电设备之间建立能直接“让思想变成行动”的对外信息交流和控制新途径。基本的BCI系统如图1所示脑电信号通过电极从头皮或颅内获得，经信号处理提取反映大脑思维意图的特征信息并转化为控制外部设备的操作命令。BCI的技术关键在于需从所检测的脑电数据中识别出大脑思维操作意图，提取能反映使用者主观动作意识的特征参数并通过适当算法将之转换为控制外部机电设备的执行命令。通常可用以提取反映肢体动作控制的大脑思维活动信号主要有两类，一类是基于大脑动作意愿所产生的主观思维脑电；另一类则是由BCI系统发出作业提示而在大脑皮层产生的被动思维应答。这两类活动都可以在自发脑电(electroencephalography，EEG)的背景下诱发出与大脑运动皮层(motor cortex)神经活动密切相关的事件相关电位(event-related potential，ERP)。ERP是人体感觉系统受某种特定刺激时在大脑皮层相应区域诱发神经电活动所引起的头皮电位变化。大脑在想象或实施动作时均能显著地改变所诱发ERP信号内某些特征频段成份的功率谱强弱比率。这一现象被称为事件相关去同步(Event Related Desynehronization，ERD)或事件相关同步(Event Related Synchronization，ERS)现象。ERD对应于功率谱比率下降，ERS则对应于功率谱比率上升。并且，对应于大脑主观想象肢体动作思维和作业提示所诱发被动思维的ERD/ERS在具体表现特征频段和运动皮层区域均有所不同。例如，对应于手部运动的ERD多发生在10～11Hz及20～24Hz频段，而与足部运动有关的ERD则常见于7～8Hz与20～24Hz频段。但现有技术中，对含有较大噪声的EEG数据进行想象动作电位分类，存在准确率不高，抗干扰能力差，及识别速度不快。
技术实现思路
为克服现有技术的不足，本专利技术的目的在于提供利用大脑在进行想象动作思维时所引发的ERD现象作为思维活动对刺激事件有效应答的标志，同时又作为特征参数定位响应的具体时刻来进行脑电特征信息检测与模式识别，对EEG数据包括含有较大噪声的EEG数据进行想象动作电位分类，并且准确率高，抗干扰能力强，识别速度快。本专利技术采用的技术方案是一种，依次包括下列步骤以ERD估算公式ERD=A-RR×100(%),]]>对提取的脑电特征信息进行小波变换； 以Bayes神经网络通过统计推断过程实现对观测数据的分析；A为想象动作事件发生后的功率谱密度，R为想象动作事件发生前的功率谱密度。其中，所述的小波变换是指采用的基本小波函数为ψb,a(t)=|a|-1/2ψ(t-ba),]]>并对基本小波函数进行缩放和平移后再取卷积的连续小波变换(CWT)对信号进行处理。可采用三阶Daubechie小波对提取的脑电特征信息进行分析，取尺度系数为10，采样频率为128Hz，小波函数的采样中心频率为10.2Hz，将上述连续小波变换与Bayes神经网络相结合组成小波Bayes神经网络。本专利技术可取得如下效果由于采用小波函数和神经网络对提取的脑电特征信息进行分析，因而本专利技术提供的在高频段具有较高的时间分辨率和较低的频率分辨率，而在低频段则具有较低的时间分辨率和较高的频率分辨率。这使得CWT在处理EEG信号时兼有时频变焦和带通滤波的双重优势，具有较好的想象动作电位模式识别和抵抗干扰能力。并且，对EEG数据包括含有较大噪声的EEG数据进行想象动作电位分类，并且准确率高，抗干扰能力强，识别速度快。附图说明图1 BCI系统基本结构示意2为典型受试者十次想象左手运动实验在中央导联C3(左侧)、C4(右侧)处EEG信号经叠加平均后功率谱密度(显示为灰度)随时间(横轴)和频率(纵轴)变化的关系图(时频图)，图中(a)为想象左手动作实验的时频图，(b)为想象右手动作实验的时频图。图3想象左手动作时C3和C4导联中10～11Hz成分脑电功率谱密度图，图中是mu节律段的功率谱密度随时间变化的曲线，A1为C3导联，A2为C4导联，阴影部分表示ERD特征时段。图4为图3中所示数据段的连续小波变换结果图，图中B1为C3导联，B2为C4导联。图5为ERD最大值出现时刻Tw时刻mu节律(对应C1)与beta节律(对应C2)成份的功率谱密度分布地形图，图中C1为Tw时刻mu节律段的功率谱密度分布地形图，C2为Tw时刻beta节律段的功率谱密度分布地形图。图6识别准确率比较图，图中(a)直接使用近似熵分类的准确率；(b)人工选取低噪声数据段后使用近似熵分类的准确率；(c)使用连续小波变换与Bayes神经网络结合分类检测的准确率；不同灰度分别代表对左手、右手想象动作识别正确率及总体识别正确率。具体实施例方式下面结合附图和实施例进一步说明本专利技术。本专利技术的主旨是为脑-机接口(BCI)装置提出一种可利用事件相关去同步(ERD)现象所引起某些特征频段成份功率谱强弱变化来进行想象动作思维脑电特征信息检测与模式识别的新方法，以满足实时BCI系统的高识别准确率、强抗干扰能力及较快识别速度的信号处理需求。通常想象肢体动作实验可安排在一般脑电图室内(温度、湿度及光照等基本相同)进行。实验进程可大致分为前后三个时段。其中第一时段为准备期，受试者安静无动作；第二时段为想象动作期，此时受试者按屏幕提示要求(如手或脚、左或右，动作时间)进行想象动作，同时记录脑电数据；第三时段为停止想象动作后期，同时记录脑电数据以便完整了解在想象动作诱发下的脑电信号变化。本专利技术ERD估算公式为ERD=A-RR×100(%)---(1)]]>这里A为想象动作事件发生后的功率谱密度，R为想象动作事件发生前的功率谱密度。由于小波变换(wavelet transform，WT)只有良好的时频局部化特性，而人工神经网络(artificial neural network，ANN)具有优异的学习功能，两者结合组成的小波神经网络(wavelet neural network，WNN)可兼具小波变换和神经网络的优点。本专利技术采用的基本小波函数为ψb,a(t)=|a|-1/2ψ(t-ba)---(2)]]>则连续小波变换(CWT)是对基本小波进行缩放和平移后再对信号取卷积(Wψf)b,a=∫-∞+∞f(t)ψb,a*(t)dt---(3)]]>式中的尺度参数a起到控制时频分辨率的作用。若基本小波的中心频率为ω0，以尺度a进行缩放后其中心频率则变为ω0/a。如果以尺度a对信号进行连续小波变换，相当于以 的时间分辨率在ω0/a频率处对信号进行采样。此处Δψ为基本小波均方根长度的半径， 本文档来自技高网...
【技术保护点】
一种利用小波神经网络提取想象动作电位的方法，其特征是，依次包括下列步骤：以ＥＲＤ估算公式ＥＲＤ＝Ａ－Ｒ／Ｒ×１００（％），对提取的脑电特征信息进行小波变换；以Ｂａｙｅｓ神经网络通过统计推断过程实现对观测数据的分析；Ａ 为想象动作事件发生后的功率谱密度，Ｒ为想象动作事件发生前的功率谱密度。
【技术特征摘要】
【专利技术属性】
技术研发人员：万柏坤，綦宏志，杨春梅，
申请(专利权)人：天津大学，
类型：发明
国别省市：12[中国|天津]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。