本發(fā)明涉及腦-機(jī)接口技術(shù)領(lǐng)域，具體講,涉及運(yùn)動想象腦-機(jī)接口模型建模方法。

背景技術(shù)：

第一次腦-機(jī)接口國際會議給出的BCI的定義是：“BCI是一種不依賴于大腦外圍神經(jīng)與肌肉正常輸出通道的通訊控制系統(tǒng)?！蹦壳暗难芯砍晒校饕峭ㄟ^采集和分析不同狀態(tài)下人的腦電信號，然后使用一定的工程技術(shù)手段在人腦與計算機(jī)或其它電子設(shè)備之間建立起直接的交流和控制通道，從而實現(xiàn)一種全新的信息交換與控制技術(shù)，可以為殘疾人特別是那些喪失了基本肢體運(yùn)動功能但思維正常的病人提供一種與外界進(jìn)行信息交流與控制的途徑。即可以不需語言或肢體動作，直接通過控制腦電來表達(dá)意愿或操縱外界設(shè)備。為此，BCI技術(shù)也越來越受到重視。

在腦-機(jī)接口的研究中，運(yùn)動想象作為一種主動式人機(jī)交互范式，更加符合正常人大腦思維活動方式，在一定程度的訓(xùn)練后，使用者便可進(jìn)行在線MI-BCI系統(tǒng)的交互控制。此外，系統(tǒng)控制信號源一般使用來自于使用者運(yùn)動想象過程中頭皮腦電的能量特征，可進(jìn)行一段較長時間段的累加或優(yōu)化來控制指令輸出，有較強(qiáng)的可操作性。基于上述優(yōu)點我們可以看出，對于運(yùn)動想象的深入研究及開發(fā)一種實用便攜式的MI-BCI系統(tǒng)有助于我們更加清楚地了解人類大腦，實現(xiàn)真正的人機(jī)交互，具有很強(qiáng)的理論與應(yīng)用價值。

然而在當(dāng)前的MI-BCI系統(tǒng)中，對運(yùn)動想象信號的建模過程時常伴隨著信號質(zhì)量差異等不穩(wěn)定因素，且由于訓(xùn)練初期受試者的運(yùn)動想象特征并不明顯，模型質(zhì)量和正確率的提升也十分緩慢。因此，設(shè)計一種自適應(yīng)的運(yùn)動想象建模方法，通過對排列組合后的腦電數(shù)據(jù)所建立的MI-BCI模型質(zhì)量的比較，篩選最優(yōu)數(shù)據(jù)組合，能夠極大提高模型的識別準(zhǔn)確率和穩(wěn)定性，與可視界面相互配合，能夠讓受試者的運(yùn)動想象狀況更加便于獲取和分析，對于MI-BCI系統(tǒng)的實用化研究具有重大的意義。

技術(shù)實現(xiàn)要素：

為克服現(xiàn)有技術(shù)的不足，本發(fā)明旨在通過建模樣本自適應(yīng)更新的方法，對已有的運(yùn)動想象腦-機(jī)接口的模型更新效果進(jìn)行優(yōu)化，提升分類正確率和穩(wěn)定性。本發(fā)明采用的技術(shù)方案是，運(yùn)動想象腦-機(jī)接口模型建模方法，在每次運(yùn)動想象訓(xùn)練結(jié)束后，對已獲得的經(jīng)過預(yù)處理和特征提取的腦電數(shù)據(jù)進(jìn)行排列組合，并分別計算其在交叉驗證中的分類正確率，選擇正確率最高的兩組數(shù)據(jù)作為樣本進(jìn)行建模，并用于之后的模式識別過程。

所述建模方法進(jìn)一步細(xì)化步驟是，在沒有初始模型的情形下采集實時腦電，使用者首先靜息30s，并根據(jù)后20s數(shù)據(jù)ERD值生成初始判定閾值，然后進(jìn)入20s的MI游戲反饋訓(xùn)練，達(dá)到閾值則輸出目標(biāo)指令反饋結(jié)果；初始數(shù)據(jù)采集完畢后，將所采集腦電數(shù)據(jù)通過共空間模式CSP(Common Spatial Pattern)進(jìn)行多導(dǎo)聯(lián)空間濾波，原始腦電信號在濾波處理之后產(chǎn)生新的時間序列，使其方差能夠最優(yōu)區(qū)分與想象動作相關(guān)的兩類腦電信號；在經(jīng)過了CSP特征提取階段之后，將這些從樣本中提取到的特征用來訓(xùn)練SVM分類器，利用積累的數(shù)據(jù)建立共空間模式CSP+支持向量機(jī)SVM模型，形成更可信的閾值判定標(biāo)準(zhǔn)，使用者同樣靜息30s，進(jìn)入20s反饋訓(xùn)練階段，然后再利用共空間模式CSP+支持向量機(jī)SVM模型來對未知模式類型的想象動作進(jìn)行分類，得到的結(jié)果即為未知模式想象動作的模式識別結(jié)果以及識別正確率。

選擇正確率最高的兩組數(shù)據(jù)作為樣本進(jìn)行建模具體步驟是，將已存儲的每組腦電數(shù)據(jù)分段，之后將所有段落的腦電數(shù)據(jù)排列組合并計算每組數(shù)據(jù)所生成模型通過交叉驗證后的分類正確率，從而篩選出正確率最高的各時間段的數(shù)據(jù)，最后將其組合為完整的建模數(shù)據(jù)。

選擇正確率最高的兩組數(shù)據(jù)作為樣本進(jìn)行建模的具體步驟是，直接將每組數(shù)據(jù)排列組合，計算每種組合方法在交叉驗證下的分類正確率，最后篩選出最優(yōu)組合進(jìn)行建模。

還包括構(gòu)建建模界面步驟，建模界面分為無初始模型即界面1和初始模型形成后即界面2兩種情形；無初始模型，即使用ERD生成閾值模式下的建模界面，在此操作界面中，左側(cè)分別為串口開關(guān)、受試者姓名和實驗組數(shù)的信息輸入欄、開始按鈕、建模按鈕和退出按鈕；右側(cè)則為腦電在靜息態(tài)和運(yùn)動想象狀態(tài)下的決策值概率分布曲線；輸入受試者姓名和實驗組數(shù)編號后點擊串口開關(guān)，則界面和其他的計算機(jī)外設(shè)設(shè)備或運(yùn)動想象相關(guān)游戲界面間的虛擬串口打開，計算機(jī)對通過藍(lán)牙傳輸獲得的emotiv腦電采集平臺所采集的腦電信號進(jìn)行處理，并將腦電信號處理后得到的機(jī)器命令通過虛擬串口向反饋界面?zhèn)鬏?，點擊“開始”，開始記錄并處理數(shù)據(jù)；點擊建模，系統(tǒng)開始根據(jù)已有數(shù)據(jù)進(jìn)行模型建立，并在右側(cè)顯示概率分布圖；點擊“退出”，表明初始模型的建立已經(jīng)完成，界面將自動轉(zhuǎn)至界面2，并繼續(xù)進(jìn)行下面的實驗。

形成初始模型后，通過CSP與SVM生成閾值的情況下的界面2，除了和界面1有著相同功能的信息輸入欄、串口開關(guān)、開始鍵、建模鍵、退出鍵以及右側(cè)的特征值概率分布圖之外，界面2中還多出了閾值顯示窗及難度選擇按鍵，閾值選擇窗會在每次模型更新后以及點擊任一難度的按鍵之后對所生成的判定閾值進(jìn)行顯示；難度選擇按鈕則通過不同加權(quán)系數(shù)的設(shè)置對生成閾值的大小進(jìn)行調(diào)節(jié)，從而對反饋的觸發(fā)難度產(chǎn)生相應(yīng)影響。

本發(fā)明的特點及有益效果是：

本發(fā)明設(shè)計了運(yùn)動想象腦-機(jī)接口模型建立和更新的優(yōu)化算法，利用自適應(yīng)選擇的方法，在已有腦電樣本中選取最優(yōu)樣本對進(jìn)行建模，并構(gòu)建了與建模過程相對應(yīng)的gui操作界面，不僅通過對訓(xùn)練中腦電數(shù)據(jù)的充分利用，實現(xiàn)了模型準(zhǔn)確率及穩(wěn)定性的顯著提升，而且有利于使用者通過交互界面及時了解受試者的運(yùn)動想象情況，簡化了建模過程。在基于emotiv腦電采集平臺搭建的MI-BCI系統(tǒng)試驗測試結(jié)果中，順序建模與自適應(yīng)建模在模型分類正確率隨數(shù)據(jù)更新次數(shù)變化上的對比如圖5所示，可見正確率上的提升十分明顯。進(jìn)一步證明該技術(shù)有望在MI-BCI外設(shè)控制和科研過程的應(yīng)用中提供更加可靠的技術(shù)保障。

附圖說明：

圖1系統(tǒng)在線實驗過程。

圖2在線實驗數(shù)據(jù)處理流程。

圖3初始建模界面。

圖4模型更新界面。

圖5順序建模與自適應(yīng)建模在模型分類正確率隨數(shù)據(jù)更新次數(shù)變化上的對比。

具體實施方式

本發(fā)明旨在通過建模樣本自適應(yīng)更新的方法，對已有的運(yùn)動想象腦-機(jī)接口的模型更新效果進(jìn)行優(yōu)化，提升分類正確率和穩(wěn)定性。與傳統(tǒng)建模方式相比，模型的自適應(yīng)更新的方法能夠在歷史數(shù)據(jù)中篩選最優(yōu)樣本進(jìn)行建模，提高對已有數(shù)據(jù)的利用率。該技術(shù)能夠為已有的MI-BCI技術(shù)提供更加可靠的分類效果，在腦卒中康復(fù)以及其他領(lǐng)域有望獲得可觀的社會效益和經(jīng)濟(jì)效益。

本發(fā)明設(shè)計了一種基于建模樣本自適應(yīng)更新的運(yùn)動想象腦-機(jī)接口(Motor imagery-brain computer interface，MI-BCI)模型建立優(yōu)化策略。正常人在運(yùn)動想想狀態(tài)下腦電信號中的某些頻率成分同步減弱或者增強(qiáng)(event-related(de)synchronization,ERD/ERS)的現(xiàn)象與其在實際肢體動作狀態(tài)下的腦電特征有極大的相似性。通過模型的建立，運(yùn)動想象與靜息狀態(tài)下的腦電特征能夠通過支持向量機(jī)(Support vector machine,SVM)進(jìn)行區(qū)分。為達(dá)到更好的分類效果，可利用建模樣本的自適應(yīng)更新方法，篩選出分類效果最優(yōu)的訓(xùn)練樣本進(jìn)行建模，實現(xiàn)提升模型分類正確率的效果，并輔以控制建模和信息獲取的交互界面，使得MI-BCI的應(yīng)用更加便捷準(zhǔn)確。

其技術(shù)流程是：在每次運(yùn)動想象訓(xùn)練結(jié)束后，對已獲得的經(jīng)過預(yù)處理和特征提取的腦電數(shù)據(jù)進(jìn)行排列組合，并分別計算其在交叉驗證中的分類正確率，選擇正確率最高的兩組數(shù)據(jù)作為樣本進(jìn)行建模，并用于之后的模式識別過程。

4.1系統(tǒng)建模策略設(shè)計整體方案

系統(tǒng)在線實驗過程如圖1所示，在沒有初始模型的情形下采集實時腦電，使用者首先靜息30s，并根據(jù)后20s數(shù)據(jù)ERD值生成初始判定閾值，然后進(jìn)入20s的MI游戲反饋訓(xùn)練，達(dá)到閾值則輸出目標(biāo)指令反饋結(jié)果。初始數(shù)據(jù)采集完畢后，將所采集腦電數(shù)據(jù)通過共空間模式(Common Spatial Pattern,CSP)進(jìn)行多導(dǎo)聯(lián)空間濾波，原始腦電信號在濾波處理之后產(chǎn)生新的時間序列，使其方差能夠最優(yōu)區(qū)分與想象動作相關(guān)的兩類腦電信號。在經(jīng)過了CSP特征提取階段之后，將這些從樣本中提取到的特征用來訓(xùn)練SVM分類器。利用積累的數(shù)據(jù)建立共空間模式+支持向量機(jī)(CSP+SVM)模型，形成更可信的閾值判定標(biāo)準(zhǔn)，使用者同樣靜息30s，進(jìn)入20s反饋訓(xùn)練階段，然后再利用這個模型來對未知模式類型的想象動作進(jìn)行分類，得到的結(jié)果即為未知模式想象動作的模式識別結(jié)果以及識別正確率。利用新數(shù)據(jù)不斷更新模型，并且根據(jù)閾值來量化游戲難度，更具人性化，進(jìn)一步提高模型適用性。在以一個具有普適性的基礎(chǔ)模型或基于個體在之前的訓(xùn)練中得到的模型下，其CSP+SVM模型正確率雖然不高但仍能滿足基礎(chǔ)控制要求，隨著后期數(shù)據(jù)積累，在線實時進(jìn)行數(shù)據(jù)和模型的自適應(yīng)更新，從而提高系統(tǒng)正確率。其優(yōu)點為在保證在線更新建模的正確率的前提下能夠減少訓(xùn)練時間，提高系統(tǒng)精確校準(zhǔn)學(xué)習(xí)效率。

進(jìn)一步采用的在線數(shù)據(jù)處理流程如圖2所示，通過串口讀取所采集的腦電數(shù)據(jù)并進(jìn)行數(shù)據(jù)積累，每2s進(jìn)行一次數(shù)據(jù)處理。在無初始模型的情況下，利用ERD值完成閾值判定；在具備已有模型的情況下，利用CSP與SVM以及已有模型得出決策值(Decision value)進(jìn)行閾值判定。之后將閾值判定結(jié)果(二分類指令，指令1/指令2)通過串口向反饋端(其他的計算機(jī)外設(shè)設(shè)備或運(yùn)動想象相關(guān)游戲界面)輸出結(jié)果，并開始下一輪的數(shù)據(jù)積累。

4.2自適應(yīng)模型建立基本原理

自適應(yīng)模型的建立根據(jù)條件和需求的不同可以分為兩類，在對模型準(zhǔn)確率的要求高于對建模時間和速度的要求下，通過策略一完成自適應(yīng)建模過程；在對建模時間和速度的要求較高時，則通過策略二完成自適應(yīng)建模過程。兩種策略的具體實現(xiàn)方法如下：

策略一：將已存儲的每組腦電數(shù)據(jù)分段，之后將所有段落的腦電數(shù)據(jù)排列組合并計算每組數(shù)據(jù)所生成模型通過交叉驗證后的分類正確率，從而篩選出正確率最高的各時間段的數(shù)據(jù)，最后將其組合為完整的建模數(shù)據(jù)。使用該策略得到的數(shù)據(jù)構(gòu)建的模型具有更高的準(zhǔn)確性，但建模時間相對較長。

策略二：省略了策略一中將腦電數(shù)據(jù)分段再組合的過程，直接將每組數(shù)據(jù)排列組合，計算每種組合方法在交叉驗證下的分類正確率，最后篩選出最優(yōu)組合進(jìn)行建模。使用該策略得到的模型雖然在準(zhǔn)確度方面不及策略一，但在建模時間方面大大縮短，更易于在在線系統(tǒng)中實現(xiàn)應(yīng)用。

4.3計算機(jī)軟件建模界面簡介

4.3.1界面構(gòu)成及功能分布

建模界面分為無初始模型(界面1)和初始模型形成后(界面2)兩種情形。無初始模型，即上文中使用ERD生成閾值模式下的建模界面如圖3所示，在此操作界面中，左側(cè)分別為串口開關(guān)、受試者姓名和實驗組數(shù)的信息輸入欄、開始按鈕、建模按鈕和退出按鈕；右側(cè)則為腦電在靜息態(tài)和運(yùn)動想象狀態(tài)下的決策值概率分布曲線。輸入受試者姓名和實驗組數(shù)編號后點擊串口開關(guān)，則界面和其他的計算機(jī)外設(shè)設(shè)備或運(yùn)動想象相關(guān)游戲界面間的虛擬串口打開，計算機(jī)對通過藍(lán)牙傳輸獲得的emotiv腦電采集平臺所采集的腦電信號進(jìn)行處理，并將腦電信號處理后得到的機(jī)器命令通過虛擬串口向反饋界面?zhèn)鬏敗｜c擊“開始”，開始記錄并處理數(shù)據(jù)；點擊建模，系統(tǒng)開始根據(jù)已有數(shù)據(jù)進(jìn)行模型建立，并在右側(cè)顯示概率分布圖；點擊“退出”，表明初始模型的建立已經(jīng)完成，界面將自動轉(zhuǎn)至界面2，并繼續(xù)進(jìn)行下面的實驗。

形成初始模型后，即上文提到的通過CSP與SVM生成閾值的情況下的界面如圖4所示，除了和界面1有著相同功能的信息輸入欄、串口開關(guān)、開始鍵、建模鍵、退出鍵以及右側(cè)的特征值概率分布圖之外，界面2中還多出了閾值顯示窗及難度選擇按鍵。閾值選擇窗會在每次模型更新后以及點擊任一難度的按鍵之后對所生成的判定閾值進(jìn)行顯示；難度選擇按鈕則通過不同加權(quán)系數(shù)的設(shè)置對生成閾值的大小進(jìn)行調(diào)節(jié)，從而對反饋的觸發(fā)難度產(chǎn)生相應(yīng)影響。

4.3.2模型及閾值更新

模型更新是本實驗對運(yùn)動想象腦-機(jī)接口正確率提升的關(guān)鍵方法，在本實驗中，模型在兩組數(shù)據(jù)累積后就進(jìn)行一次更新，而模型更新的數(shù)據(jù)依托為最新的兩組數(shù)據(jù)，這樣就能夠保證模型具有最佳的時效性。同時，在形成模型的兩組實驗之間，還可以依照受試者在上一輪實驗中的表現(xiàn)狀態(tài)對下一輪實驗的判定閾值進(jìn)行相應(yīng)調(diào)整，界面中“易、中、難”三檔難度調(diào)節(jié)按鈕分別對應(yīng)從小到大的三個加權(quán)系數(shù)(如0.4、0.5、0.6)，系統(tǒng)在每一組實驗完成后會將特征值以原有閾值為界限分為兩組，兩組特征值的均值分別大于/小于原有閾值，在選擇相應(yīng)難度后，系統(tǒng)會將所選難度對應(yīng)的加權(quán)系數(shù)(如0.4/0.5/0.6)與高于閾值的特征值的均值相對應(yīng)，并把互補(bǔ)的加權(quán)系數(shù)(如0.6/0.5/0.4)與低于閾值的特征值的均值相對應(yīng)，通過計算形成新閾值，從而對觸發(fā)運(yùn)動想象反饋所需的想象強(qiáng)度進(jìn)行調(diào)節(jié)。

4.3.3概率分布圖顯示

概率分布圖中橫軸表示特征值的大小，縱軸為所對應(yīng)決策值在整體數(shù)據(jù)中的分布概率。概率分布圖在每次模型更新之后顯示，反映了上一組數(shù)據(jù)靜息態(tài)和運(yùn)動想象狀態(tài)下腦電信號特征值的分布情況，兩部分曲線交叉部分越小，各自主峰波形越明顯，則兩種狀態(tài)下的腦電信號可分性越強(qiáng)，反之則越弱。

本發(fā)明設(shè)計了一種基于運(yùn)動想象腦-機(jī)接口技術(shù)的自適應(yīng)建模方法。該項發(fā)明可以用于殘疾人康復(fù)、電子娛樂、工業(yè)控制、航天工程等領(lǐng)域，進(jìn)一步研究可以得到完善的腦-機(jī)接口系統(tǒng)，有望獲得可觀的社會效益和經(jīng)濟(jì)效益。