本發(fā)明屬于腦-機接口研究領(lǐng)域，涉及基于想象運動的腦電信號分析與處理方法，特別涉及一種基于動態(tài)腦功能網(wǎng)絡(luò)連接的腦-機接口方法。

背景技術(shù)：

腦-機接口(brain-computerinterface，bci)是一種新型的人機交互系統(tǒng)，它在人腦與計算機之間建立直接的交流和控制通道。由于eeg信號的時間分辨率較高，且方便采集，目前基于eeg的腦-機接口系統(tǒng)研究受到了廣泛的關(guān)注。該系統(tǒng)通過在人頭皮表面放置電極采集eeg信號，再經(jīng)過模式識別方法解碼，將神經(jīng)任務(wù)轉(zhuǎn)換為計算機指令來控制外部設(shè)備。目前，基于eeg的腦-機接口設(shè)備在軍事輔助、醫(yī)療康復(fù)、家電控制等方面已經(jīng)有了很成功的應(yīng)用，且其還有很大的開發(fā)空間。bci在科研和應(yīng)用方面都具有巨大潛在價值，目前已成為了全球最熱門的研究領(lǐng)域之一。

運動想象是目前bci系統(tǒng)中常用的模式，它是基于大腦運動皮層相應(yīng)區(qū)域的μ和β節(jié)律的erd與ers現(xiàn)象來進行研究的。共空間模式算法(commonspecialpattern，csp)是erd/ers特征提取中效果較好的算法之一，利用3秒長的eeg信號，準(zhǔn)確率可以達到90％左右，但信息傳輸率在40bits/min以下，這遠(yuǎn)遠(yuǎn)不能滿足通訊的要求，這也是bci系統(tǒng)目前發(fā)展遇到的最大瓶頸，bci系統(tǒng)的識別率和信息傳輸率等性能仍有待提高。

本發(fā)明從腦網(wǎng)絡(luò)的角度出發(fā)，提出了一種基于動態(tài)腦功能網(wǎng)絡(luò)連接的特征提取方法，該方法在保證識別準(zhǔn)確率的前提下，極大地縮短了bci系統(tǒng)的響應(yīng)時間。

技術(shù)實現(xiàn)要素：

本發(fā)明提出了一種基于動態(tài)腦功能網(wǎng)絡(luò)連接的特征提取方法，該方法能夠在較短時間內(nèi)有效發(fā)掘大腦進行左手、右手兩種想象運動時eeg信號的差別有效解決bci系統(tǒng)響應(yīng)較慢的問題。本發(fā)明的技術(shù)方案如下：

s1.首先，將所有的試次(trial)在時間過程上劃分為不進行任務(wù)階段(“靜息”態(tài))和進行想象運動任務(wù)階段(任務(wù)態(tài))。再對這兩個階段的原始eeg數(shù)據(jù)進行預(yù)處理，為建立腦功能網(wǎng)絡(luò)連接做準(zhǔn)備。

s2.計算預(yù)處理后每兩導(dǎo)eeg數(shù)據(jù)之間的瞬時鎖相值(instantaneousphaselockvalue，iplv)，計算得到一個網(wǎng)絡(luò)，網(wǎng)絡(luò)中的每個節(jié)點代表一個eeg電極，網(wǎng)絡(luò)中的邊代表兩個導(dǎo)聯(lián)之間的瞬時同步性大小。

s3.計算左右手兩類數(shù)據(jù)iplv的25個試次的平均值。然后對“靜息”態(tài)階段的結(jié)果進行時間平均得到“靜息”態(tài)plv；對任務(wù)態(tài)數(shù)據(jù)進行分段，計算每段數(shù)據(jù)的時間平均，得到若干個任務(wù)態(tài)plv。

s4.將任務(wù)態(tài)plv減去“靜息”態(tài)plv，得到若干個“模板”，即為兩類任務(wù)的腦功能動態(tài)網(wǎng)絡(luò)連接模式。再將各個“模板”中的plv值降序排列，提取前30個值代表該模板。

s5.計算每段eeg數(shù)據(jù)的plv值。然后計算其與所有左手想象運動plv模板及所有右手想象運動plv模板的相似性，作為該段數(shù)據(jù)的特征向量。使用余弦相似度作為相似性度量準(zhǔn)則(或者使用歐氏距離、海明距離等其它準(zhǔn)則)。將得到的特征向量訓(xùn)練支持向量機(svm)分類器。

s6.對于在線eeg數(shù)據(jù)，重復(fù)(4)中的步驟，將得到的特征向量輸入svm分類器中，得到在線數(shù)據(jù)的分類類別。

附圖說明

圖1為想象運動任務(wù)的實驗范式示意圖；

圖2為本發(fā)明所述的基于動態(tài)腦功能網(wǎng)絡(luò)連接的腦-機接口方法流程圖；

圖3為一個被試的左右手樣本的平均特征向量的對比圖；

圖4為9位被試的平均分類正確率。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進一步詳細(xì)的描述，但本發(fā)明的實施方式不限于此。

一種通用的基于想象運動任務(wù)的bci系統(tǒng)的實驗范式如圖1所示，本發(fā)明提出的一種基于動態(tài)腦功能網(wǎng)絡(luò)連接的腦-機接口方法的流程如圖2所示。下面以圖1的實驗范式為例，結(jié)合流程圖對本發(fā)明的具體實施方式作詳細(xì)說明。

1、計算iplv

計算預(yù)處理后每兩導(dǎo)eeg數(shù)據(jù)之間的iplv。iplv的計算方法如式(1)所示。

其中，和分別表示x導(dǎo)聯(lián)和y導(dǎo)聯(lián)的瞬時相位值。

2、計算“靜息”態(tài)plv和任務(wù)態(tài)plv

計算“靜息”態(tài)和任務(wù)態(tài)左右手兩類數(shù)據(jù)25個試次的splv的平均值。計算方法如式(2)所示。

其中，i表示第i個trial，n表示trial個數(shù)。

將“靜息”態(tài)階段對應(yīng)的(2)式計算結(jié)果進行時間平均，得到左右手“靜息”態(tài)若干plv(lrplv和rrplv)。

將任務(wù)態(tài)每段數(shù)據(jù)的(2)式計算結(jié)果進行時間平均，得到左右手若干任務(wù)態(tài)plv(ltplv和rtplv)。

3、建立左右手想象運動時腦功能網(wǎng)絡(luò)連接“模板”

將任務(wù)態(tài)plv減去“靜息”態(tài)plv，得到若干“模板”，即：

4、計算兩類任務(wù)數(shù)據(jù)的特征向量

計算eeg數(shù)據(jù)的splv及其時間平均值，得到data_ltplv和data_rtplv，再減去兩類數(shù)據(jù)“靜息”態(tài)plv的均值，得到data_ldplv和data_rdplv，即：

最后計算data_ldplv與所有“模板”的相似性作為左手想象運動數(shù)據(jù)的特征向量lh_feature，計算data_rdplv與所有“模板”的相似性作為右手想象運動數(shù)據(jù)的特征向量rh_feature。使用余弦相似度(consinesimilarity)作為相似性度量準(zhǔn)則，余弦相似度的計算方法如(5)式所示。

其中，x和y為兩個維度為n的向量，s為它們的余弦相似度。

計算一個被試的所有左手樣本的特征向量的平均值ave_lh_feature，計算所有右手樣本的特征向量的平均值ave_rh_feature。ave_lh_feature與ave_rh_feature的對比如圖3所示。

5、分類

將4中得到的特征向量訓(xùn)練svm分類器。對于在線eeg數(shù)據(jù)，重復(fù)4中的步驟，將得到的特征向量輸入分類器，得到在線數(shù)據(jù)的分類類別。

利用以上算法計算了9個被試的平均分類準(zhǔn)確率，如圖4所示。

本發(fā)明以腦電信號的相位同步信息為基礎(chǔ)，據(jù)此建立腦功能動態(tài)網(wǎng)絡(luò)，并從中提取大腦進行左右手兩類想象運動時腦功能網(wǎng)絡(luò)連接的“模板”，最后將在線數(shù)據(jù)與“模板”網(wǎng)絡(luò)連接的相似度作為特征，原理上可行，有明確的物理意義。在保證了分類準(zhǔn)確率的前提下，極大地縮短了bci系統(tǒng)的響應(yīng)時間，因此本發(fā)明所提出的算法具有更優(yōu)越的性能。