一种检测不同脑力负荷水平下运动状态的脑电分析方法与流程

本发明涉及脑电分析及脑-机接口应用领域，尤其涉及一种检测不同脑力负荷水平下运动状态的脑电分析方法。

背景技术：

脑-机接口(brain-computerinterface，bci)是通过计算机或者其他电子设备在大脑与外界环境之间建立一条不依赖于肌肉组织和外周神经而直接实现对外交流和控制的独立通路。经过数十年的深入研究以及不断发展，该技术的成熟度逐渐升高，应用场景也越来越广泛。特别是针对人体运动信息识别的脑-机接口系统已在神经康复、军事控制以及休闲娱乐等领域表现出巨大的发展潜力和实用价值。

然而，目前基于运动检测的脑-机接口技术仍处于实验室条件下，即实验任务单一且无其他因素干扰，与实际应用场景十分不符。在日常作业中，使用者往往面临更复杂多变的外界环境以及多种并发的信息处理进程，这势必导致使用者脑力负荷的持续增长，认知资源受到竞争，无法将全部注意力投入到脑-机接口任务中。可以认为，脑力负荷的升高是实际作业任务中难以规避的问题。

脑力负荷是与身体负荷对应存在的概念，是指执行任务所需要的信息处理能力或认知资源分配能力。大量研究证实，随脑力负荷水平的不断增加，执行者的业绩水平呈现负向趋势，并且在脑力负荷达到某一超负荷区域后，人的认知以及信息处理过程表现出较为明显的单线程处理模式，使操作者对事件的响应时间延长，对外周环境中的随机信号或事件的识别正确率下降，产生控制相关作业绩效下降等不良影响。

大量研究证明，脑力负荷的增长会显著影响bci系统的性能：key等人通过同步执行n-back工作记忆任务或计算任务诱发bci使用者产生脑力负荷，其结果直接导致p300-bci的识别正确率下降，通过分析产生该现象的原因在于脑力负荷对认知资源产生一定程度占用，致使p300电位幅值降低，特征弱化，识别性能下降。

由此可见，一种适用于不用脑力负荷水平下的高性能高鲁棒性脑-机接口系统，将有助于bci技术的实际应用。目前尚无一种用于检测不同脑力负荷水平下运动状态的脑电分析方法。

技术实现要素：

本发明提供了一种检测不同脑力负荷水平下运动状态的脑电分析方法，本发明提高了运动检测正确率，缩短识别时间，增强系统鲁棒性，为实际场景下应用运动检测系统完成识别提供一定理论依据和实践经验，详见下文描述：

一种检测不同脑力负荷水平下运动状态的脑电分析方法，所述方法包括以下步骤：

采集不同脑力负荷水平下人体执行实际或想象动作的16通道脑电信号，对16通道脑电信号进行预处理；

以fcz、cz、c3、c4为导联中心对预处理后的脑电信号进行小拉普拉斯空间滤波，获取四通道特征优化中心导联；

通过局部保持投影对优化导联在无运动状态下的对照特征矩阵及运动状态下的运动相关电位特征矩阵进行降维；

运用线性判别分析对两类状态下的特征向量进行模式识别，进而完成是否执行实际或想象动作的运动状态检测。

所述对16通道脑电信号进行预处理具体为：

对16通道脑电信号进行200hz降采样、运用巴特沃斯三阶带通滤波器进行0.05-3hz滤波，采用独立成分分析去除眼动伪迹。

所述通过局部保持投影对四通道优化中心导联在无运动状态下的数据及运动开始后的数据进行特征降维具体为：

通过局部保持投影对四通道优化中心导联在无运动状态下的0.5s数据及运动开始后的0.3s-0.8s数据进行特征降维。

所述运用线性判别分析对两类状态下的特征向量进行模式识别具体为：

将由局部保持投影降维的特征矩阵作为训练线性判别分析的输入参数，并以是否进行运动的二分类结果为输出，经过训练得到基于不同脑力负荷状态下的运动分类模型，然后进行运动状态的二分类检测。

本发明提供的技术方案的有益效果是：

1、通过基于fcz、cz、c3、c4四中心优化导联的运动相关电位的提取与分类，实现运动意图识别为运动检测提供了新思路；

2、本方法不仅能标识实际或想象动作后运动资源的使用，更可表征人体为实施运动而调用相关资源的运动准备过程，这一特性使识别系统可以更早检测出运动意图信号，从而降低系统延迟；

3、在增强系统应用鲁棒性的同时，提升系统识别性能，进一步拓宽基于运动检测脑-机接口控制系统的使用场景，降低使用要求，为实际应用带来便捷。

附图说明

图1为检测不同脑力负荷水平下运动状态的脑电分析方法的流程图；

图2为16通道信号采集导联分布图；

图3为小拉普拉斯空间滤波器示意图；

图4为局部保持投影示意图；

图5为三种脑力负荷水平下实际动作平均识别正确率示意图；

图6为三种脑力负荷水平下想象动作平均识别正确率示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

为了解决背景技术中存在的问题，本发明实施例提出基于人体执行想象或实际动作时产生的运动相关电位(movement-relatedcorticalpotential，mrcp)作为主要特征，通过特征提取与降维识别完成运动状态的高效检测。

研究表明，运动相关皮质电位是人体在执行提示性或自主性运动时调用大脑中与运动相关的认知资源时所产生的负值低频电位，其产生需调用大脑皮层与运动相关各功能区的资源，即大脑要在不同时间进程按计划激活与运动相关的不同空间皮质区域，从而通过运动意图实现控制外周神经与骨骼肌肉动作等精细复杂指令。该特征可有效表征运动意图及运动执行信息，且具有较严格的锁时及锁相性，同时因其早期成分特征明显，适用于快速高效的运动识别。niazi等人通过提取健康人与中风患者执行踝关节背屈的想象和实际动作时运动相关电位完成运动意图的早期检测。此外，jochumsen等人利用运动相关电位实现了不同速度以及不同收缩力的运动参数解析。上述研究均表明运动相关电位与人体执行实际或想象动作时调用运动及认知资源密切相关，通过解析mrcp在不同脑力负荷水平下特征变化并进行有效提取分类，将有助于提高实际应用场景下运动检测脑-机接口的系统性能。

实施例1

本发明实施例提供了一种检测不同脑力负荷水平下运动状态的脑电分析方法，参见图1，该方法包括以下步骤：

101：采集不同脑力负荷水平下人体执行实际或想象动作的16通道脑电信号(electroencephalography,eeg)，对16通道脑电信号进行200hz降采样、运用巴特沃斯三阶带通滤波器进行0.05-3hz滤波，采用独立成分分析(independentcomponentanalysis,ica)去除眼动伪迹；

102：以fcz、cz、c3、c4为导联中心对预处理后的脑电信号进行小拉普拉斯空间滤波，获取四通道优化中心导联；

其中，fcz、cz、c3、c4为导联。通过该步骤的处理提高了信噪比，去除了冗余信息。

103：通过局部保持投影(localitypreservingprojection,lpp)对四通道优化中心导联在无运动状态下的0.5s数据及运动开始后的0.3s-0.8s数据进行特征降维，运用线性判别分析(lineardiscriminantanalysis,lda)对两类状态下的特征向量进行模式识别，进而完成是否执行实际或想象动作的运动状态检测。

综上所述，本发明实施例通过上述步骤101-步骤103可有效避免脑力负荷增长对运动识别系统的性能恶化，提高运动检测正确率，增强系统鲁棒性；为实际场景下应用运动检测系统完成识别提供一定理论依据和实践经验，保证检测系统的高效性，拓宽运动检测型脑-机接口系统的应用场景。

实施例2

下面结合具体的实例、图2-图4、以及计算公式对实施例1中的方案进行进一步地介绍，详见下文描述：

201：采集不同脑力负荷水平下人体执行实际或想象动作的16通道脑电信号；

脑电信号是人类意识活动的电生理反应。神经元在传导兴奋的过程中会表达极性，激活不同脑功能区即会在不同位置表达电位特征，其时间分辨率较高，可有效获取大脑快速变化下的电位信号，适于解码运动过程中的敏感信息。

研究证明，运动相关电位是一个与被提示性运动或随意性运动的计划和执行相关的负值低频电位，有助于揭示运动中的准备、初始化、执行和反馈控制中的神经机制问题。

人体执行实际/想象动作任务时主要激活的脑区为：辅助运动皮层(sma)、初级运动皮层(m1)以及前运动皮层。因此，本方法选取c3，c4，fcz，cz作为核心导联并辅以邻接四通道(fz，fc1，fc2，fc3，fc4，c1，c2，c5，c6，cp3，cp4，cpz)的16导联系统进行信号采集，如图2所示，可有效覆盖运动脑功能区。

同时，现有研究表明顶叶中央区可有效反映脑力负荷状态，是表征大脑认知资源占用率的敏感区域。因此，采集人体对应于不同脑力负荷水平下的16通道eeg，为解析脑力负荷下的运动状态提供了信号基础。

202：预处理与特征提取；

1)预处理：对不同脑力负荷条件下的运动与无运动状态原始脑电信号进行降采样至200hz，然后采用三阶巴特沃斯滤波器进行0.05-3hz带通滤波，再通过ica去除眼动伪迹。

2)特征提取：选取c3，c4，fcz，cz作为中心特征导联，运用小拉普拉斯空间滤波进行优化，提高信噪比；截取运动提示后0.3-0.8s数据以及无运动下0.5s数据作为特征数据段，通过对中心导联实施局部保持投影，保留特征向量内部流形结构，同时降低特征矩阵维度。

一、小拉普拉斯空间滤波(smalllaplacianspatialfilter，slsf)

其中，小拉普拉斯空间滤波是一种“邻域处理”手段，顾名思义，该算法是以预先定义的点为中心点，通过对该中心点及其邻域点的信息进行叠加运算，得到优化结果作为通道输出，如图3所示。本方法是分别以fcz、cz、c3、c4为中心导联，将其邻接的四导联原始通道信号与中心导联等权重叠加并赋值给中心导联，以达到提高信噪比，优化特征导联的目的，该方法对高空间分辨的事件相关电位十分敏感，可有效加强电位特征，弱化噪声。

二、局部保持投影(lpp)：

lpp算法是一种能够较好的保持局部流形特征的学习算法，可以找出高维数据在低维空间中的投影，并根据得到的投影方向来进行维度的约简。这种投影保留了原始数据的几何特征，即在高维空间中靠近的点在投影空间中也相互靠近。该算法不仅保留了数据之间的相关性，可更有效地描述数据的流形架构，同时，因该算法属于线性投影，在新增数据时也可以快捷地找出对应的低维空间表示。

其一般过程为根据给定rn空间的数据集x1,x2,…,xn,，通过构建邻接图，求得权值矩阵以确定各样本点之间的相关性，进而找到一个投影矩阵a，把这n个数据样本点投影到r^l空间的点y1,y2,…,ym，通过yi＝a^txi使yi表示xi，如图4所示。

lpp是对非线性laplacianeigenmap的线性逼近，其算法步骤详细如下：

1)构建邻接图：

用g表示一个包含m个节点的图，如果两个点在特征空间中十分接近，就在其之间连接边，有以下两种方式用来判断两点之间是否有边相连：

ε-近邻：若两个节点i和j满足||xi-xj||²<ε(ε∈实数r)则两点之间有边相连，这里的范数即rⁿ空间下的欧式范数。

k最近邻：若某一点在另一点的最近邻的k个点中(k∈n)，则两点之间有边相连。

2)设置权值矩阵(样本点之间的相关性)：

关于各点之间权重w，在两点之间没有边邻接时，权值设为0；否则给一定权值wij，并且有两种方式可供选择：

simple-minded：(无参数)若节点i和j都被一个边缘连接，则直接设置：

wij＝1；(1)

heatkernel：若顶点i和j是邻接的，则根据距离给定：

其中，xi和xj为节点i和j的数据样本点。

3)根据相关性找到投影矩阵a：

首先，lpp算法目标函数如下：

由于每组投影向量都做独立作用，所以改为考虑用a代表投影矩阵a的某一个投影向量，即目标函数等价于：

进而，令参数yi＝a^txi则：

其中，y为投影至r^l空间的数据集；yi和yj为节点i和j的数据样本点；；t为转置。d是一个对角矩阵，其输入是矩阵w的列(或行)之和，即是拉普拉斯矩阵，所求的最优式子可以改写成如下形式：

其中，x为原给定rn空间的数据集。

而最小值将会出现在处，其中λ为特征值。这样，问题简化成为普遍的特征向量问题；

广义特征向量问题的特征向量和特征值的计算如下：

a^txlx^ta＝λa^txdx^ta＝λ(7)

目标a^txlx^ta越小越好，所以取a为特征值λ最小时的l个非零特征向量，a是一个n×l的特征矩阵。

203：模式识别。

输入二类利用局部保持映射降维的特征矩阵，运用线性判别分析实现有无运动的二分类模式识别。线性判别式分析，也称为fisher线性判别，是模式识别的经典算法之一，其主要思想是将高维的模式样本投影到最佳鉴别矢量空间，从而提取最具判别能力的低维特征，这些特征具有聚集同类别样本且分离不同类样本的能力，达到样本的类间离散度与类内离散度的比值最大。

1)计算样本的类内散布矩阵sw和类间散布矩阵sb：

假设有c个模式类，样本的类内散布矩阵sw和类间散布矩阵sb可以表示为：

式中，ni表示ci类样本的总数；表示第ci类样本的均值；表示所有样本的平均值；xj为第ci类中的第j个样本。

2)确定最优子空间投影：

根据样本的类内散布矩阵sw和类间散布矩阵sb可确定最优子空间投影矩阵：

其中，[e1,e2,...,em]是对应于m(m≤c-1)个最大广义特征值λi,i＝1,2,...,m.的广义特征向量集合，即sbei＝λiswei,i＝1,2,...,m；e为特征矩阵。

3)得出投影结果：

该式取极大化目标函数的矩阵作为投影方向，其物理意义是：特征样本在投影后，类间离散度和类内离散度的比值达到最大。

用线性判别分析做模式识别时，将由lpp降维的特征矩阵作为训练线性判别分析的输入参数，并以是否进行运动的二分类结果为输出，经过训练得到基于不同脑力负荷状态下的运动分类模型，然后进行运动状态的二分类检测。

综上所述，本发明实施例通过上述步骤201-步骤203可有效避免脑力负荷增长对运动识别系统的性能恶化，提高运动检测正确率，缩短识别时间，增强系统鲁棒性；为实际场景下应用运动检测系统完成识别提供一定理论依据和实践经验，保证检测系统的高效性，拓宽运动检测型脑-机接口系统的应用场景。

实施例3

下面结合图5-图6对实施例1和2中的方案进行可行性验证，详见下文描述：

本发明实施例的主旨是提出一种用于检测不同脑力负荷水平下运动状态的脑电分析方法。通过拉普拉斯空间滤波器优化不同脑力负荷水平下执行实际或想象动作的四导联运动相关电位信号，提升信噪比，进而通过局部保持投影(lpp)对特征矩阵进行降维，保留特征内部流形结构，再运用线性判别分析(lda)进行模式识别，完成是否执行运动的二分类检测。

图5和图6为运用本方法对5名健康人在0/2/3三个等级字符n-back下执行实际或想象动作平均识别正确率。通过基于fcz、cz、c3、c4四中心优化导联的运动相关电位的提取与分类，实现运动意图识别为运动检测提供了新思路。

该特征不仅能标识实际或想象动作后运动资源的使用，更可表征人体为实施运动而调用相关资源的运动准备过程，这一特性使识别系统可以更早检测出运动意图信号，从而降低系统延迟，在增强系统应用鲁棒性的同时，提升系统识别性能，进一步拓宽基于运动检测脑-机接口控制系统的使用场景，降低使用要求，为实际应用带来便捷。

该项发明可提升运动检测型脑-机接口系统的应用鲁棒性，拓宽运动检测系统的应用范围。最佳实施方案拟采用专利转让、技术合作或产品开发。因该技术操作简单，特征优势明显，基于该技术开发的产品可应用于运动康复机器人、军事控制系统等多种场景。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。