专利名称：脑机接口的最优电极组自动选取方法
技术领域：
本发明涉及脑机接口(brain-computer interface，BCI)领域，实现最优电极组的自动选取，具体涉及利用支持向量机(support vector machine, SVM)方法实现想象运动脑机接口的最优电极组自动选取。
背景技术：
目前，有多种疾病可以损坏脑与外部环境进行交流和控制的神经通路，如脑卒中、 帕金森、运动神经元损伤等，从而使人部分或全部失去自主的肌肉控制，进而失去部分部位的运动能力。当今的康复治疗技术可以使患者存活，但患者生活质量低下，给家庭和社会造成了沉重的负担。脑机接口是在人脑和计算机或其它电子设备之间建立的一种直接的信息交流和控制通道，是一种不依赖常规大脑输出通道(外周神经和肌肉组织)的全新的信息交流系统。BCI系统原理图如
图1，即脑电信号采集装置通过电极帽采集相关脑电信号，经过信号预处理部分滤波降噪，进行相关特征提取，再经过模式识别方法分类，从而转化为控制信号实现对外设的控制或与外界的交流。据研究，不同的肢体部位运动所激活的大脑皮层区域各不相同。单边的肢体运动或想象运动主要激活感觉运动皮层，当人进行某种意识活动时，大脑皮层的对应区域处于活动状态，这些区域产生的μ节律和β节律的低频部分将出现幅度衰减，即事件相关去同步(event-related desynchronization，ERD)。在某一时刻，大脑皮层的局部区域没有受到意识模式的激励，该区域内的EEG局部成分将出现幅度的增强，即事件相关同步 (event-related synchronization, ERS)。因此，通过分析记录响应的脑电信号特征以及分布特征，可以预测出相应的想象运动(如想象右手运动或想象左手运动)。图2为2005年BCI竞赛中由GRAZ大学提供的脑电数据据进行经过648ΗΖ滤波， 并平均140次实验数据后所得的功率图。第三秒开始想象单侧运动，在第三秒后，C3，C4 两个电极功率明显的变化印证了 ERD这一生理特征，本方法主要就是基于此生理特征进行的。目前BCI技术采取的一般是根据遵循标准10-20电极系统的放置电极，电极选取方法是基于先验知识人为地选定某些特定电极(比如选取C3、C4、CZ电极等)，进而利用相关特征提取和分类识别算法对脑电信号进行分类识别。然而，先验知识的不全面性和人与人之间的差异性导致该电极不足以作为该区域脑电信号特征的最佳代表，直接影响了脑电信号分类准确率，制约了 BCI系统的现实应用与推广。
发明内容
本发明针将支持向量机SVM的分类准确率作为电极选择的评估标准，利用每个电极采集的脑电信号特征在支持向量机SVM分类识别中的贡献得分，实现最优电极组的自动选择，克服了电极组选取的随意性、主观性，简化了 BCI系统，提高了系统传输速率。
本发明采取的技术方案是脑波仪通过电极帽采集脑电信号EEG，电极的放置遵循国际10-20系统。脑电信号经过脑波仪放大及A/D转换，由USB 口输入计算机中，并以信号电压幅值形式在存储器中存储。利用计算机对脑电信号进行预处理、提取特征向量，结合支持向量机SVM，实现脑电信号的分类，然后计算每个电极对支持向量机SVM分类识别的贡献得分，并将所有的贡献得分降序排列，从排序最后的一个电极开始，依次判断每个电极对分类准确率的影响，若排除该电极后，分类准确率下降，则保留该电极，反之，则排除该电极，用剩余电极组成的数据集重新训练分类器，并计算分类准确率。一轮循环结束后，保留贡献得分不低于该电极的所有电极，将这些电极作为新的数据训练器，重新进行电极排除保留工作，如此循环，直至电极组数目不再变化，即找到最优电极组合为止。参照流程图3，该方法包括的步骤如下(1)脑电信号采集遵循国际10-20系统标准放置电极，利用脑波仪从m个电极通道采集想象运动脑电信号，并以电压幅值形式在存储器中存储。(2)脑电信号预处理利用滤波器对存储器中的脑电信号数据进行648Hz带通滤波，选择这个频带是因为它覆盖了 μ节律(8 12Hz)和β节律(18 25Hz)，去除工频噪声及相关噪声，将得到的脑电信号数据集记为S，S为mXnXk的矩阵，m表示电极数，η表示每个事件采样点数，k表示事件数，并将每个事件分类，分类标签记为{-1，1}，-1代表想象右手运动，1代表想象左手运动，将分类标签集记为L，L为mX 1的矩阵。(3)特征提取对预处理的脑电信号利用共空间模式CSP进行特征提取，将η个事件采样点数提取为ι个特征，得到特征集设为SpS1为mXk的矩阵，将S1和L构成特征X集，任意取特征
集中的*作为训练样本，剩余的作为测试样本，设训练样本为T1，为mx^的矩阵，设测试样
本为T2，为的矩阵。(4)分类识别支持向量机SVM是一种具有很好泛化能力的分类方法，是基于统计学习理论的一种机器学习方法，它通过适当的非线性映射将输入向量映射到一个高维的特征空间，使得数据总能被一个超平面分割。所谓最优分类面就是要求分类面不但能将两类数据正确分开，而且使分类间隔最大，即利用Lagrange乘子算法求解最优分类超平面，得到Lagrange 乘子aio本方法中支持向量机SVM选用线性核，用训练样本T1训练分类器，并对测试样本 T2进行分类。即支持向量机SVM的判别函数式f (χ)为
mf(x) = Y^ykQiKix,xt) + b，( 1)
i=\yk e L，Xi e T1, i为电极的序号，i = 1，2，3，…，m，χ为特征向量，b是分类的阈值，可以初始化为满足分类条件的任何值。训练后得到支持向量机SVM决策函数
权利要求
1.脑机接口的最优电极组自动选取方法，其特征在于，该方法步骤如下(1)脑电信号采集遵循国际10-20系统标准放置电极，利用脑波仪从m个电极通道采集想象运动脑电信号，并以电压幅值形式在存储器中存储；(2)脑电信号预处理利用滤波器对存储器中的脑电信号数据进行648Hz带通滤波，去除工频噪声及相关噪声，将得到的脑电信号数据集记为S, S为mXnXk的矩阵，m表示电极数，η表示每个事件采样点数，k表示事件数，并将每个事件分类，分类标签记为{_1，1}，-1代表想象右手运动，1代表想象左手运动，将分类标签集记为L，L为mX 1的矩阵；(3)特征提取对预处理的脑电信号利用共空间模式CSP进行特征提取，将η个事件采样点数提取为1 个特征，得到特征集设为S1, S1为mXk的矩阵，将S1和L构成特征集，任意取特征集中的*作为训练样本，剩余的作为测试样本，设训练样本为T1，为的矩阵，设测试样本为Τ2，为mxp的矩阵；(4)分类识别利用Lagrange乘子算法求解最优分类超平面，得到Lagrange乘子 ；支持向量机SVM选用线性核，用训练样本T1训练分类器，并对测试样本T2进行分类；即支持向量机SVM的判别函数式f (χ)为
全文摘要
脑机接口的最优电极组自动选取方法涉及脑机接口领域。本发明实现最优电极的自动选取，具体涉及共空间模式(common special pattern，CSP)与支持向量机(support vector machine，SVM)相结合的方法实现想象运动脑机接口的最优电极组自动选取。脑机接口中最优电极组的自动选取对于简化脑机接口系统，提高系统分类识别率以及数据传输速率具有重要的影响，利用最优支持向量机SVM线性核函数的相关性质作为最优电极筛选的指标，可以有效地删除冗余电极，显著地降低电极的数目，保留有用电极，提高系统性能，为提高脑机接口技术的普及创造了前提条件。
文档编号A61B5/0478GK102542283SQ201010619660
公开日2012年7月4日 申请日期2010年12月31日 优先权日2010年12月31日
发明者崔燕, 李明爱, 李骧, 杨金福, 阮晓钢, 陆婵婵, 马建勇 申请人:北京工业大学