一种基于互信息量的脑机接口中错误相关电位的监测方法技术

一种基于互信息量的脑机接口中错误相关电位的监测方法，涉及一种错误相关电位的识别方法，为了解决现有的脑机接口对错误相关电位信号识别率差的问题。本发明专利技术通过对原始脑电信号进行预处理，并进行无重叠滑动窗分析，提取出时域特征；利用Welch法对该信号进行特征提取，获取频域特征；将时域特征与频域特征进行特征组合，利用互信息作为特征和正误类别之间的测度，计算特征与类别的互信息量并进行排序，筛选出排名靠前的特征；利用最小二乘支持向量机进行始错误相关电位分类，对样本进行留一交叉验证，获取并保留个体最佳模型，得到最终错误相关电位分类的准确率。有益效果为提高了错误相关电位的识别精度。了错误相关电位的识别精度。了错误相关电位的识别精度。

【技术实现步骤摘要】
一种基于互信息量的脑机接口中错误相关电位的监测方法


[0001]本专利技术涉及一种错误相关电位的识别方法。

技术介绍

[0002]脑机接口(Brain
‑
computer interface,BCI)技术揭示了人的意图，并将意图传递给外部设备，为人与智能机器的有效沟通提供了光明前景；近年来，BCI技术已广泛应用于教学演示、技术表演、机器人设备控制以及特定工业操作的人机交互(human
‑
computer interaction,HCI)任务中；BCI在教学模式下可以增强学生的注意力和记忆力；一些互动游戏可以根据用户的意图控制虚拟物体，如光标到达指定目标；机器人等智能设备可以根据人类的指令完成一些特定的任务；工业外骨骼机械臂能协助加工搬运装卸重物，进行重复性精细操作，极大地节省了工人的体力同时显著提高生产效率；基于患者自身脑肌电信号的康复机器人可替代康复治疗师协助患者患肢进行高强度重复性康复训练；除了通过设定程序进行预期的任务外，被控对象是否正确按照用户意图执行对应操作也会影响HCI性能的有效性。
[0003]虽然被控虚拟对象或外部设备通常能在一定程度上按照用户的意图移动到指定目标或执行预期操作，意味着被控虚拟对象或外部设备具有的机器智能正逐渐逼近人类具有的生物智能；但有时虚拟对象或外部设备会移动到错误的目标或执行错误的非预期操作，意味着机器智能目前仍未达到人类生物智能的水平；这些错误会中断教学、工业生产及康复训练的进行，极大程度上影响HCI性能；在危险操作工作中，一些意想不到的错误甚至会引发工业事故；康复训练中，康复机器人的错误动作甚至会给患者带来二次伤害；此外，由于长时间的任务和对外部设备的过度依赖，用户容易变得粗心大意，这也不利于人机交互任务的进一步执行，因此有必要发现错误并及时中止。
[0004]聘请监督者提醒操作者的错误执行动作固然有助于人机交互任务的顺利进行，不过用户被动式操作的心理一直存在，不能完全做到主动积极参与；用户被反复提醒容易导致注意力被分散，同时增加了人力成本；为解决上述问题，需要用户本身在HCI任务中同步检测观察到的错误，以便及时纠正干预；错误相关电位(Error
‑
related Potential,ErrP)应运而生；事实证明，当人类观察到一个错误动作时，无论发生什么类型的错误，ErrP信号都会在大脑中无意识地产生，而无需事先进行任何训练；ErrP信号的发生属于人类在外界事物违背自身意愿进行操作时的正常反应；ErrP信号频率主要集中在1
‑
10Hz，趋于稳定，在监督特定任务中起着重要作用；基于ErrP的脑机接口错误监测技术可以显著提高用户的主动参与积极性与信心，执行预期任务时会更加专注谨慎；与传统BCI一样，ErrP信号通常需要单独检测，可以被视为BCI系统中的单源输入，通过检测ErrP来发现当下的错误并采取纠正措施，以防止错误动作被继续执行，在脑机接口中发挥了人类生物智能的作用；将脑机接口的机器智能和人类的生物智能有效结合便形成了混合增强智能，显著改善人机交互任务中用户的体验。
[0005]随着机器学习技术和强大计算资源的出现，神经信号的分类率得到了显着提高；
随着BCI中ErrP自动纠错机制的集成，有望进一步推进；然而，目前普遍偏低的ErrP分类率构成了重大挑战；由于ErrP分类率较低，某些人机交互任务例如P300拼写器在ErrP集成方面几乎没有改进，参与者甚至发现自动更正策略更加混乱和不可预测；整体性能下降导致一些用户更喜欢使用P300拼写器而不进行更正，因为他们认为没有任何好处，使用ErrP
‑
BCI的信心逐渐降低；因此，亟待提出一种处理错误相关电位信号的算法，提高ErrP信号的识别率，进行脑机接口错误的有效监测。

技术实现思路

[0006]本专利技术的目的是为了解决现有的脑机接口对错误相关电位信号识别率差的问题，提出了一种基于互信息量的脑机接口中错误相关电位的监测方法。
[0007]本专利技术所述的一种基于互信息量的脑机接口中错误相关电位的监测方法包括以下步骤：
[0008]步骤一、对原始脑电信号进行预处理，获取原始错误相关电位信号；
[0009]步骤二、对步骤一获取的原始错误相关电位信号进行无重叠滑动窗分析，提取出每个滑动窗口信号的平均绝对值，并将该平均绝对值作为原始错误相关电位信号的时域特征；
[0010]步骤三、利用Welch法对步骤一获取的原始错误相关电位信号进行特征提取，获取原始错误相关电位信号的频域特征；
[0011]步骤四、将步骤二获取的时域特征与步骤三获取的频域特征进行特征组合，获得组合后特征；
[0012]步骤五、利用互信息作为步骤四组合后特征与正误类别之间的测度，计算组合后特征与正误类别的互信息量并进行降序排序，获取并保留最佳模型；在最佳模型基础上，利用最小二乘支持向量机对错误相关电位进行分类。
[0013]本专利技术的有益效果为：本申请提出了一种新颖的基于错误相关电位(Error
‑
related Potential,ErrP)的脑机接口错误监测方法：提取预处理后用户实时ErrP的时、频域特征并组合，计算特征和类别的互信息量并对互信息量进行排序，优先选择互信息量较大的特征并利用最小二乘支持向量机进行分类，对样本进行留一交叉验证，获取并保留个体最佳模型；本方法对特征进行了筛选优化，提高了ErrP的识别精度，为后续的人为干预提供方向和策略，发挥了人类生物智能的作用。将脑机接口的机器智能和人类的生物智能有效结合便形成混合增强智能，增强了人机交互过程的友好性。
附图说明
[0014]图1为具体实施方式一所述的一种基于互信息量的脑机接口中错误相关电位的监测方法流程图；
[0015]图2为具体实施方式一中基于互信息量的最佳特征数筛选流程示意图；
[0016]图3为具体实施方式一中被试者观测光标移动方向正误图；
[0017]图4为具体实施方式一中互信息分类Venn图；
[0018]图5为具体实施方式一中被试者错误相关电位波形及总平均波形图；
[0019]图6为具体实施方式一中各被试者FCz通道基于MAV、Welch功率谱及双特征组合后
分类准确率对比图；
[0020]图7为具体实施方式一中各被试者Cz通道基于MAV、Welch功率谱及双特征组合后分类准确率对比图。
具体实施方式
[0021]结合图1至图7说明本实施方式，本实施方式所述的一种基于互信息量的脑机接口中错误相关电位的监测方法，该监测方法包括以下步骤：
[0022]步骤一、对原始脑电信号进行预处理，获取原始错误相关电位信号；
[0023]步骤二、对步骤一获取的原始错误相关电位信号进行无重叠滑动窗分析，提取出每个滑动窗口信号的平均绝对值，并将该平均绝对值作为原始错误相关电位信号的时域特征；
[0024]步骤三、利用Welch法对步骤一获取的原始本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于互信息量的脑机接口中错误相关电位的监测方法，其特征在于，该监测方法包括以下步骤：步骤一、对原始脑电信号进行预处理，获取原始错误相关电位信号；步骤二、对步骤一获取的原始错误相关电位信号进行无重叠滑动窗分析，提取出每个滑动窗口信号的平均绝对值，并将该平均绝对值作为原始错误相关电位信号的时域特征；步骤三、利用Welch法对步骤一获取的原始错误相关电位信号进行特征提取，获取原始错误相关电位信号的频域特征；步骤四、将步骤二获取的时域特征与步骤三获取的频域特征进行特征组合，获得组合后特征；步骤五、用互信息作为步骤四组合后特征与正误类别之间的测度，计算组合后特征与正误类别的互信息量并进行降序排序，获取并保留最佳模型；在最佳模型基础上，利用最小二乘支持向量机对错误相关电位进行分类。2.根据权利要求1所述的一种基于互信息量的脑机接口中错误相关电位的监测方法，其特征在于，步骤一中的原始脑电信号进行预处理，获取原始错误相关电位信号的具体方法包括：对原始脑电信号依次采用公共平均参考法、中值滤波法、FIR带通滤波法、独立成分分析、抗混叠滤波、降采样以及滑动窗进行处理；其中，公共平均参考法为：对64个通道的原始脑电信号均值中的电极共有噪声进行去除，得到与错误相关电位信号的9个中央皮质区域的中央电极通道信号；中值滤波法为采用窗口长度为201的中值滤波器去除基线漂移；FIR带通滤波法为：通过1
‑
10Hz的有限长单位冲激响应滤波器对数据进行带通滤波。3.根据权利要求1所述的一种基于互信息量的脑机接口中错误相关电位的监测方法，其特征在于，步骤二中对原始错误相关电位信号进行无重叠滑动窗分析，提取出每个滑动窗口信号的平均绝对值的具体方法为：设x
u
为原始错误相关电位信号x的第u个样本点，N为信号长度，平均绝对值表达式如(1)所示：其中，MAV为平均绝对值。4.根据权利要求3所述的一种基于互信息量的脑机接口中错误相关电位的监测方法，其特征在于，步骤三中获取原始错误相关电位信号的频域特征的具体方法为：首先将原始错误相关电位信号分解成长度为N的数据x(m),n＝0,1,
…
,N
‑
1分成L段，m为数据x(m)的第m个采样点，每段有M个数据，第t段数据表示为：x
t
(m)＝x(m+tM
‑
M),0≤m≤M,1≤t≤L(2)其中，x
t
(m)为第t段数据；把窗函数w(m)加到每段数据上，求出每段数据的周期图，第t段数据的周期图为：其中，I
t
(ω)为第t段数据的周期图；U为归一化因子；j为虚数单位；ω为频率；
将每一段数据的周期图之间看作互不相关，功率谱密度为：其中，P
xx
(e
jω
)为功率谱密度；L为数据x(n)的总段数；所述功率谱密度即为频域特征。5.根据权利要求4所述的一种基于互信息量的脑机接口中错误相关电位的监测方法，其特征在于，步骤五中频带分类包括delta频段、theta频段以及alpha1频段；所述delta频段的范围为0.5Hz
‑
4Hz；所述theta频段的范围为4Hz
‑
8Hz；所述alpha1频段的范围为8Hz
‑
10Hz。6.根据权利要求5所述的一种基于互信息量的脑机接口中错误相关电位的监测方法，其特征在于，步骤五中对组合后特征进行分类的具体方法为：利用最优分类函数对组合后特征进行分类；设训练集为(x
i
,y
i
)，i＝1,2,
…
n，共n个训练样本，其中，x
i
表示训练模型的输入，y
i
表示训练模型的输出；该训练集存在一个线性判别函数g(x
i
)＝w
T
x
i
+b，w为超平面的法向量，b为线性判别函数的截距；求其最优分类面的问题表示为在约束条件y
i
(w
T
x
i
+b)
‑
1≥0下，求||w||2/2最小值；定义如(6)所示原始Lagrange函数：其中，L(w,b,α)为原始Lagrange函数的函数值，α
i
为Lagrange系数，并且α
i
≥0；w为权重向量，w
T
为权重向量的转置；b为线性判别函数的截距；将上式分别对w和b求偏导，将其转化为二次规划对偶问题：在约束条件为和α
i...

【专利技术属性】
技术研发人员：曹天傲，王启松，刘丹，汤泓，陶琳，钟小聪，孙金玮，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：