本發(fā)明屬于認知神經(jīng)科學領域與信息技術領域的結(jié)合應用，涉及p300speller腦機接口的計算機制，具體是一種基于storm的p300實時分布式計算方法。

背景技術：

腦機接口是一種人機交互新技術，能夠為運動功能缺失而腦功能完好的患者提供輔助生活能力，也能夠拓展正常人的交流能力。p300speller是腦機接口的一種方式，其功能是通過分析用戶的腦電信號，識別出用戶所想要輸出的字符，從而幫助用戶與外界交流。目前p300speller中的一系列處理都是基于串行計算的。當引入一些算法改進性能時，串行計算要求較長的計算時間，不利于腦機接口的及時響應，從而導致性能在另一方面下降。

技術實現(xiàn)要素：

有鑒于此，本發(fā)明的目的是針對p300speller類型的腦機接口提供一種基于storm進行實時分布式計算的方法。該方法以分布式計算系統(tǒng)storm為基礎構建p300speller的并行計算機制，使得較復雜的算法也能實時地處理p300speller的數(shù)據(jù)，為引入各類算法改進p300speller腦機接口性能創(chuàng)造了條件。

本發(fā)明采用以下方案實現(xiàn)：一種基于storm的p300實時分布式計算方法，具體包括以下步驟：

步驟s1：storm中專門負責采集數(shù)據(jù)的spout實時從前臺接收原始的腦電信號數(shù)據(jù)塊，并整理成p300eeg數(shù)據(jù)段傳給storm中的負責計算的bolt進行并行計算；

步驟s2：bolt負責一系列的信號處理；同一職能的多個bolt并行完成任務后把結(jié)果傳遞給下一個不同職能的多個bolt進行下一步的并行計算；完成p300的分類工作后，選取出含有p300成分的eeg片段，并記錄下其所對應的閃爍行列號；

步驟s3：通過bolt與前臺建立的socket連接，將含有p300成分的eeg數(shù)據(jù)段所對應的行列號傳回給前臺，前臺根據(jù)傳回的行列號確定反饋結(jié)果。

進一步地，步驟s1具體包括以下步驟：

步驟s11：storm中專門負責采集數(shù)據(jù)的spout工作者在初始化時建立與前臺的socket連接，該連接可以使兩端通過流的形式來傳輸數(shù)據(jù)；

步驟s12：前臺每次將一個采樣塊大小的數(shù)據(jù)塊通過socket連接傳輸給spout工作者；

步驟s13：spout工作者依據(jù)p300eeg數(shù)據(jù)段的長度，維持一個按先進先出方式管理的數(shù)據(jù)容器；spout工作者每次接收到數(shù)據(jù)塊，先將流數(shù)據(jù)轉(zhuǎn)換成浮點型，再將數(shù)據(jù)塊插入到容器里，然后從容器里取出最新的一段p300eeg數(shù)據(jù)段，轉(zhuǎn)換成（key1,value1）的形式，key1表示相應的閃爍行列號，value1為該p300eeg數(shù)據(jù)段，把（key1,value1）分發(fā)給extractbolt工作者。

進一步地，所述步驟s2中的所述bolt負責的一系列的信號處理包括：

步驟s21：extractbolt工作者在storm啟動時載入所需要的特征提取方法；extractbolt工作者接收spout工作者傳來的數(shù)據(jù)，進行特征提??；extractbolt工作者輸出（key2,value2）形式的數(shù)據(jù)，其中key2表示相應的閃爍行列號，value2為由value1提取出的特征向量；extractbolt工作者將輸出的（key2,value2）分發(fā)給classifybolt工作者；

步驟s22：classifybolt工作者在storm啟動時載入所需要的分類方法；classifybolt工作者接收extractbolt工作者傳來的數(shù)據(jù)，進行分類運算；classifybolt工作者輸出（key3,value3）形式的數(shù)據(jù)，其中key3表示相應的閃爍行列號，value3為分類運算的數(shù)值結(jié)果，代表著該數(shù)據(jù)段包含p300成分的可能性；classifybolt工作者將輸出的（key3,value3）傳遞給averagebolt工作者；

步驟s23：averagebolt工作者接收classifybolt工作者傳來的數(shù)據(jù)，把具有相同key3值的value3累加起來，并記錄累加次數(shù)；當累加次數(shù)達到預設的條件時，針對每個key3值用累加值除以累加次數(shù)得到平均值；averagebolt工作者輸出（key4,value4）形式的數(shù)據(jù)，其中key4為閃爍行列號，value4為相應的均值；averagebolt工作者將輸出的（key4,value4）傳遞給summarizebolt工作者。

進一步地，所述步驟s3具體包括以下步驟：

步驟s31：summarizebolt工作者在其初始化時建立與前臺的socket連接，用于將結(jié)果傳回前臺；

步驟s32：summarizebolt工作者接收averagebolt工作者傳來的數(shù)據(jù)，依據(jù)key4代表行或列把數(shù)據(jù)分成兩組，分別從兩組中選出value4最大的那條數(shù)據(jù)，得到包含p300成分的行號和列號；

步驟s33：summarizebolt工作者將行列號結(jié)果記錄下來，通過socket連接傳回給前臺的應用模塊，該模塊則根據(jù)傳回的行號和列號來確定給用戶的反饋。

較佳的，本發(fā)明改變了p300speller中傳統(tǒng)的串行處理數(shù)據(jù)的計算機制，采用一種并行的計算方式處理數(shù)據(jù)，以此加快了計算速度，使得對反饋時間要求高的p300speller來說，可以使用一些精確度高但是時間復雜度的也高的算法。

與現(xiàn)有技術相比，本發(fā)明以分布式計算系統(tǒng)storm為基礎構建p300speller的并行計算機制，使得較復雜的算法也能實時地處理p300speller的數(shù)據(jù)，為引入各類算法改進p300speller腦機接口性能創(chuàng)造了條件。

附圖說明

圖1為本發(fā)明實施例的原理示意圖。

圖2為本發(fā)明實施例以bci2000軟件作為前臺實施例的總框架示意圖。

具體實施方式

下面結(jié)合附圖及實施例對本發(fā)明做進一步說明。

本實施例提供一種基于storm的p300實時分布式計算方法，如圖1以及圖2所示，包括以下步驟：

步驟s1：storm中專門負責采集數(shù)據(jù)的spout工作者實時地從bci2000軟件中接收原始的腦電信號數(shù)據(jù)塊，并整理成p300eeg數(shù)據(jù)段傳給storm中的負責計算的bolt工作者進行并行計算；

步驟s2：bolt工作者負責一系列的信號處理；同一職能的多個bolt并行完成任務后把結(jié)果傳遞給下一個不同職能的多個bolt進行下一步的并行計算，并行計算提高數(shù)據(jù)處理的效率；完成p300的分類工作后，選取出含有p300成分的eeg片段，并記錄下其所對應的閃爍行列號；

步驟s3：通過bolt工作者與bci2000軟件建立的socket連接，將含有p300成分的eeg數(shù)據(jù)段所對應的行列號傳回給bci2000，bci2000則將根據(jù)傳回的行列號確定反饋結(jié)果。

在本實施例中，如圖2所示，所述步驟s1具體包括以下步驟：

步驟s11：storm中專門負責采集數(shù)據(jù)的spout工作者在初始化時建立與bci2000的socket連接，該連接可以使兩端通過流的形式來傳輸數(shù)據(jù)；

步驟s12：bci2000的signalprocessing模塊中的p3temporalfilter部分，每次將一個采樣塊大小為blocksize的數(shù)據(jù)塊通過socket連接傳輸給spout工作者；

步驟s13：spout工作者依據(jù)p300eeg數(shù)據(jù)段的長度length，維持一個按先進先出方式管理的數(shù)據(jù)容器；spout工作者每次接收到數(shù)據(jù)塊，先將流數(shù)據(jù)轉(zhuǎn)換成浮點型，再將數(shù)據(jù)塊插入到容器里，然后從容器里取出最新的一段p300eeg數(shù)據(jù)段，轉(zhuǎn)換成（key1,value1）的形式，key1表示相應的閃爍行列號，value1為該p300eeg數(shù)據(jù)段，把（key1,value1）分發(fā)給extractbolt工作者。

在本實施例中，如圖2所示，所述步驟s2具體包括以下步驟：

步驟s21：extractbolt工作者在storm啟動時載入所需要的特征提取方法；extractbolt工作者接收spout工作者傳來的數(shù)據(jù)，進行特征提?。籩xtractbolt工作者輸出（key2,value2）形式的數(shù)據(jù)，其中key2表示相應的閃爍行列號，value2為由value1提取出的特征向量；extractbolt工作者將輸出的（key2,value2）分發(fā)給classifybolt工作者；

步驟s22：classifybolt工作者在storm啟動時載入所需要的分類方法；classifybolt工作者接收extractbolt工作者傳來的數(shù)據(jù)，進行分類運算；classifybolt工作者輸出（key3,value3）形式的數(shù)據(jù)，其中key3表示相應的閃爍行列號，value3為分類運算的數(shù)值結(jié)果，代表著該數(shù)據(jù)段包含p300成分的可能性；classifybolt工作者將輸出的（key3,value3）傳遞給averagebolt工作者；

步驟s23：averagebolt工作者接收classifybolt工作者傳來的數(shù)據(jù)，把具有相同key3值的value3累加起來，并記錄累加次數(shù)；當累加次數(shù)達到預設的條件sequence時，針對每個key3值用累加值除以累加次數(shù)得到平均值；averagebolt工作者輸出（key4,value4）形式的數(shù)據(jù)，其中key4為閃爍行列號，value4為相應的均值；averagebolt工作者將輸出的（key4,value4）傳遞給summarizebolt工作者；

在本實施例中，如圖2所示，所述步驟s3具體包括以下步驟：

步驟s31：summarizebolt工作者在其初始化時建立與bci2000的socket連接，用于將結(jié)果傳回bci2000；

步驟s32：summarizebolt工作者接收averagebolt工作者傳來的數(shù)據(jù)，依據(jù)key4代表行或列把數(shù)據(jù)分成兩組，分別從兩組中選出value4最大的那條數(shù)據(jù)，得到包含p300成分的行號和列號；

步驟s33：summarizebolt工作者將行列號結(jié)果記錄下來，通過socket連接傳回給bci2000的application模塊，該模塊則根據(jù)傳回的行號和列號來確定給用戶的反饋。

在本發(fā)明實施例中，對于參數(shù)blocksize，length，sequence可按如下設定：blocksize=40,length=800,sequence=15。

在本發(fā)明實施例中，如圖2所示，對于extractbolt工作者所采用的特征提取方法以小波分析特征提取方法為例，并命名為waveletextractbolt；對于classifybolt工作者所采用的分類算法以svm算法為例，并命名為svmclassifybolt。

較佳的，本實施例改變了p300speller中傳統(tǒng)的串行處理數(shù)據(jù)的計算機制，采用一種并行的計算方式處理數(shù)據(jù)，以此加快了計算速度，使得對反饋時間要求高的p300speller來說，可以使用一些精確度高但是時間復雜度的也高的算法。

以上所述僅為本發(fā)明的較佳實施例，凡依本發(fā)明申請專利范圍所做的均等變化與修飾，皆應屬本發(fā)明的涵蓋范圍。