本發(fā)明屬于腦機接口與自然語言處理相結(jié)合的應(yīng)用，涉及一種基于p300的句子拼寫并通過語音設(shè)備實現(xiàn)大腦說話的方法。

背景技術(shù)：

腦機接口為一些運動神經(jīng)損害而大腦功能無損的患者提供與外界交流的一種方式，其中p300speller對大腦通過一系列的刺激，分析腦電信號，識別出用戶想要拼寫的字符來達(dá)到與外界的交流。目前p300speller要完成一個句子的拼寫只能夠?qū)ψ址饌€拼寫，在產(chǎn)生錯誤時用戶只能自行修正。存在的問題是，拼寫一個句子需要較長的時間，用戶容易疲勞，拼寫效果不佳。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明的目的是提高用戶利用p300speller拼寫句子的速度，并提高用戶與外界交流的效率。本發(fā)明中用戶在拼寫過程中可省略某些次要字符，并且不用自己修正錯誤，用解碼算法對拼寫的字符序列進(jìn)行修正，將得到正確的句子傳送至語音發(fā)聲器。

本發(fā)明采用以下方案實現(xiàn)：一種基于p300的腦控話語發(fā)聲器的實現(xiàn)方法，包括以下步驟：

步驟s1：用戶通過p300拼寫矩陣拼寫句子sentence＝c1c2,…,cn，p300拼寫矩陣包括字母a-z，數(shù)字0-9共36個字符，ci,i＝1,…n為p300拼寫矩陣中的字符；

步驟s2：修正sentence，在sentence中插入漏輸?shù)淖址薷腻e誤字符，得到一個新的句子c_sentence；

步驟s3：將c_sentence傳送至語音發(fā)聲器并播放。

進(jìn)一步地，所述步驟s2具體包括以下步驟：

步驟s21：設(shè)置結(jié)構(gòu)變量cur，cur.sen＝sentence,cur.loc＝1,cur.len＝length(sentence)；初始化棧s，表l，并將cur壓入棧s；

步驟s22：若棧s非空，彈棧更新cur，轉(zhuǎn)下一步；否則，轉(zhuǎn)入步驟s26；

步驟s23：判斷cur.loc位置上是否要插入字符；若要，ins.sen＝insert(cur.sen,cur.loc),ins.loc＝cur.loc+1,ins.len＝cur.len+1,將ins壓入棧s；

步驟s24：修正cur.loc位置上的字符，cur.sen＝modify(cur.sen,cur.loc)；cur.loc＝cur.loc+1；

步驟s25：若cur.loc大于cur.len，將cur插入表l，否則將cur壓入棧s；轉(zhuǎn)入步驟s22；

步驟s26：用單詞語言模型計算表l中所有句子的概率，輸出概率最高的那個句子c_sentence。

進(jìn)一步地，步驟s23中所述的判斷cur.loc位置上是否要插入字符及insert(cur.sen,cur.loc)的具體方法為：

以cur.loc位置為中心，從cur.sen中取出一個字符子序列，記為c1c2…ck；在c1c2…ck中對應(yīng)cur.loc的位置上插入字符ci,ci∈c,c包含空格字符和p300拼寫矩陣中的所有字符，得到c1c2…ci...ck+1；用5-gram字符語言模型計算c1c2...ck和c1c2…ci...ck+1,ci∈c的概率，從c1c2…ci…ck+1,ci∈c這一組字符序列中選出概率最大的那一個，比較它與c1c2...ck的概率，若它的概率更大，則要插入字符；

當(dāng)要插入字符時，insert(cur.sen,cur.loc)在cur.sen字符序列的cur.loc位置上插入使得c1c2...ci...ck+1,ci∈c概率最大的那個ci。

進(jìn)一步地，所述步驟s24中所述的修正cur.loc位置上的字符，modify(cur.sen,cur.loc)的具體方法為：

根據(jù)cur.sen在cur.loc位置上的那個字符和p300拼寫矩陣概率模型，選出實際要輸入的可能性較大的若干個字符構(gòu)成字符集合令i＝cur.loc,計算其中cl為cur.sen在l位置上原本的那個字符，cl'為cur.sen在l位置上修正后的字符，p(c'l|cl)取自p300拼寫矩陣概率模型，若cl為插入的空格，則p(c'l|cl)取1；c1c2...ci...cn代表cur.sen或其修正后的結(jié)果，p(c1c2...ci...cn)依據(jù)5-gram字符語言模型計算，α為一比例因子；計算得到cb，用cb替代cur.sen中的ci作為modify(cur.sen,cur.loc)的輸出。

進(jìn)一步地，所述步驟s26中所述的計算句子的概率的具體方法為：

讀取表l中的句子cur.sen，以空格為分隔符將單詞分隔開,單詞依序存于wi,i＝1,...,m中，然后用3-gram單詞語言模型計算句子的概率，公式如下，

其中c(wi-2wi-1wi)和c(wi-2wi-1)分別為單詞wi-2wi-1wi和wi-2wi-1在語料庫中出現(xiàn)的次數(shù)。

進(jìn)一步地，所述根據(jù)cur.sen在cur.loc位置上的那個字符和p300拼寫矩陣概率模型，選出實際要輸入的可能性較大的若干個字符構(gòu)成字符集合以及p(c'l|cl)取自p300拼寫矩陣概率模型，其具體方法為：

用戶在使用前進(jìn)行p300拼寫訓(xùn)練，計算得到p300拼寫矩陣概率模型，表示為矩陣a；a中的元素aij＝p(cj|ci)，ci為用戶拼寫得到的字符，cj為實際上要拼寫的字符，p(cj|ci)為當(dāng)拼寫得到的字符為ci時實際上想要拼寫的字符是cj的概率，ci,cj∈{'a','b',...,'z','0',...,'9'}，i＝1,2,...,36,j＝1,2,..36；

對于cur.sen在cur.loc位置上的那個字符，查詢矩陣a對應(yīng)的行，就可得到實際要拼寫的可能性較大的那些字符；

p(c'l|cl)中的cl和cl'都是字符，可分別對應(yīng)矩陣a的行與列，從a中取出相應(yīng)的概率。

進(jìn)一步地，采用所述5-gram字符語言模型進(jìn)行計算的具體方法為：

5-gram字符語言模型計算任一字符序列c1c2...cn的概率所用的方法是，其中，c(c1...ci-1ci)和c(c1...ci-1)分別為字符c1...ci-1ci和c1...ci-1在語料庫出現(xiàn)的次數(shù)，c(ci-4...ci-1ci)和c(ci-4...ci-1)分別為字符ci-4...ci-1ci和ci-4...ci-1在語料庫中出現(xiàn)的次數(shù)。

運動神經(jīng)受損而大腦功能完好的患者與外界進(jìn)行盡可能快的交流對了解患者的需求以及病情是非常重要的，而現(xiàn)有的利用p300speller來拼寫句子所需要的時間較長。因此，與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點：

1、本發(fā)明能夠讓用戶在拼寫過程中省略一些字符，減少拼寫的工作量，提高拼寫效率。

2、本發(fā)明采用解碼算法修正用戶拼寫的句子，提高句子拼寫的速率，從而提高與外界交流的速度。

3、本發(fā)明將拼寫的句子通過語音設(shè)備連接，更直接將用戶與外界相聯(lián)系，具有很強的實際應(yīng)用意義。

附圖說明

圖1是本發(fā)明的方法流程圖示意圖。

具體實施方式

下面結(jié)合附圖及實施例對本發(fā)明做進(jìn)一步說明。

本實施例提供一種基于p300的腦控話語發(fā)聲器的實現(xiàn)方法，如圖1所示，包括以下步驟：

步驟s1：用戶通過p300拼寫矩陣拼寫句子sentence＝c1c2,…,cn，p300拼寫矩陣包括字母a-z，數(shù)字0-9共36個字符，ci,i＝1,…n為p300拼寫矩陣中的字符；

步驟s2：修正sentence，在sentence中插入漏輸?shù)淖址?，修改錯誤字符，得到一個新的句子c_sentence；

步驟s3：將c_sentence傳送至語音發(fā)聲器并播放。

在本實施例中，步驟s2中具體包括以下步驟：

步驟s21：設(shè)置結(jié)構(gòu)變量cur，cur.sen＝sentence,cur.loc＝1,cur.len＝length(sentence)；初始化棧s，表l，并將cur壓入棧s；

步驟s22：若棧s非空，彈棧更新cur，轉(zhuǎn)下一步；否則，轉(zhuǎn)入步驟s26；

步驟s23：判斷cur.loc位置上是否要插入字符；若要，ins.sen＝insert(cur.sen,cur.loc),ins.loc＝cur.loc+1,ins.len＝cur.len+1,將ins壓入棧s；

步驟s24：修正cur.loc位置上的字符，cur.sen＝modify(cur.sen,cur.loc)；cur.loc＝cur.loc+1；

步驟s25：若cur.loc大于cur.len，將cur插入表l，否則將cur壓入棧s；轉(zhuǎn)入步驟s22；

步驟s26：用單詞語言模型計算表l中所有句子的概率，輸出概率最高的那個句子c_sentence。

在本實施例中，步驟s23中所述的判斷cur.loc位置上是否要插入字符及insert(cur.sen,cur.loc)的具體方法為：

以cur.loc位置為中心，從cur.sen中取出一個字符子序列，記為c1c2…ck；在c1c2...ck中對應(yīng)cur.loc的位置上插入字符ci,ci∈c,c包含空格字符和p300拼寫矩陣中的所有字符，得到c1c2…ci…ck+1；用5-gram字符語言模型計算c1c2...ck和c1c2...ci...ck+1,ci∈c的概率，從c1c2...ci...ck+1,ci∈c這一組字符序列中選出概率最大的那一個，比較它與c1c2...ck的概率，若它的概率更大，則要插入字符；

當(dāng)要插入字符時，insert(cur.sen,cur.loc)在cur.sen字符序列的cur.loc位置上插入使得c1c2...ci...ck+1,ci∈c概率最大的那個ci。

在本實施例中，所述步驟s24中所述的修正cur.loc位置上的字符，modify(cur.sen,cur.loc)的具體方法為：

根據(jù)cur.sen在cur.loc位置上的那個字符和p300拼寫矩陣概率模型，選出實際要輸入的可能性較大的若干個字符構(gòu)成字符集合令i＝cur.loc,計算其中cl為cur.sen在l位置上原本的那個字符，cl'為cur.sen在l位置上修正后的字符，p(c'l|cl)取自p300拼寫矩陣概率模型，若cl為插入的空格，則p(c'l|cl)取1；c1c2...ci...cn代表cur.sen或其修正后的結(jié)果，p(c1c2...ci...cn)依據(jù)5-gram字符語言模型計算，α為一比例因子；計算得到cb，用cb替代cur.sen中的ci作為modify(cur.sen,cur.loc)的輸出。

在本實施例中，步驟s26中所述的計算句子的概率的具體方法為：

讀取表l中的句子cur.sen，以空格為分隔符將單詞分隔開,單詞依序存于wi,i＝1,...,m中，然后用3-gram單詞語言模型計算句子的概率，公式如下，

其中c(wi-2wi-1wi)和c(wi-2wi-1)分別為單詞wi-2wi-1wi和wi-2wi-1在語料庫中出現(xiàn)的次數(shù)。

在本實施例中，所述根據(jù)cur.sen在cur.loc位置上的那個字符和p300拼寫矩陣概率模型，選出實際要輸入的可能性較大的若干個字符構(gòu)成字符集合以及p(c'l|cl)取自p300拼寫矩陣概率模型，其具體方法為：

用戶在使用前進(jìn)行p300拼寫訓(xùn)練，計算得到p300拼寫矩陣概率模型，表示為矩陣a；a中的元素aij＝p(cj|ci)，ci為用戶拼寫得到的字符，cj為實際上要拼寫的字符，p(cj|ci)為當(dāng)拼寫得到的字符為ci時實際上想要拼寫的字符是cj的概率，ci,cj∈{'a','b',...,'z','0',...,'9'}，i＝1,2,...,36,j＝1,2,..36；

對于cur.sen在cur.loc位置上的那個字符，查詢矩陣a對應(yīng)的行，就可得到實際要拼寫的可能性較大的那些字符；

p(c'l|cl)中的cl和cl'都是字符，可分別對應(yīng)矩陣a的行與列，從a中取出相應(yīng)的概率。

在本實施例中，采用所述5-gram字符語言模型進(jìn)行計算的具體方法為：

5-gram字符語言模型計算任一字符序列c1c2...cn的概率所用的方法是，其中，c(c1...ci-1ci)和c(c1...ci-1)分別為字符c1...ci-1ci和c1...ci-1在語料庫出現(xiàn)的次數(shù)，c(ci-4...ci-1ci)和c(ci-4...ci-1)分別為字符ci-4...ci-1ci和ci-4...ci-1在語料庫中出現(xiàn)的次數(shù)。

在本實施例中，步驟s3的具體方法為：

將修正完的句子c_sentence傳入語音發(fā)聲器espeak的命令行執(zhí)行文件espeak.exe播放。

在本實施例中，p300拼寫矩陣可調(diào)整，其大小以及所包含的字符不是本專利的核心內(nèi)容。

在本實施例中，p300拼寫矩陣概率模型中矩陣a的大小根據(jù)p300拼寫矩陣的大小而定。

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(yīng)屬本發(fā)明的涵蓋范圍。