【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 ...
【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:
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。