MRCP解码方法与流程

mrcp解码方法
技术领域
1.本发明涉及一种mrcp解码方法。适用于脑机接口技术领域。


背景技术：

2.脑机接口(brain computer interfaces,bci)技术可以实现大脑与外部设备之间的直接通信，因此可以应用于卒中、脊髓损伤等功能性的康复之中。bci技术中常通过无创性脑电图(electroencephalogramm，eeg)来解码大脑信息，其具有非侵入性、高时间分辨率和采集代价较小等优点。在康复应用中，bci技术通过解码患者的运动意图驱动外部的康复设备从而实现患者的主动康复，因此可以很大程度提高患者的康复效果。在解码的过程中，遇到的主要问题之一是去除脑电图中存在的伪影。伪影主要由两个方面产生：1.采集过程中人为活动产生的伪影，如眼电伪影、肌电伪影与电极滑移等；2.外部工件产生的伪影，如工频干扰。这些伪影的存在，会降低解码患者运动意图的准确性，因此需尽可能的清除掉这些伪影。
3.bci技术中通常采用感觉运动节律(sellsorimotor rhythm,smr)和运动相关皮层电位(movement-related cortical potential,mrcp)来解码被试的运动意图，smr/mrcp主要集中于被试的运动感觉区。smr会在被试执行运动或运动想象时出现，其脑电频率通常在8-13hz。mrcp与被试的运动准备与运动执行相关，其脑电频率通常在0.1-3hz。目前已存在自回归模型、公共空间模式(csp)等多种方法可以用来解码smr/mrcp，但都存在延时性高、被试适配性差与效率低等问题。
4.因此，为了提高被试在基于bci的主动运动康复治疗过程中的康复效果，需要注意或解决以下几个问题：1、在解码过程中使用信息处理方法将脑电信号中存在的伪影去除；2、降低解码过程中的计算复杂度；3、提高不同被试的适配性和康复治疗参与度。


技术实现要素：

5.本发明要解决的技术问题是：针对上述存在的问题，提供一种mrcp解码方法。
6.本发明所采用的技术方案是：一种mrcp解码方法，其特征在于：
7.s1、基于被试用户进行范式训练时的脑电数据确定该被试用户的mrcp模型，其中范式训练包括多个训练片段，每个训练片段需被试用户进行静息后状态切换至运动想象；
8.s2、获取被试用户脑电数据，并从被试用户脑电数据中提取脑电数据片段，计算脑电数据片段和mrcp模型的pearson相关系数和dtw匹配程度；
9.s3、基于pearson相关系数和dtw匹配程度计算脑电数据片段和mrcp模型的相似分数，并在相似分数满足设定阈值条件时判断相关脑电数据片段中出现mrcp。
10.步骤s1包括：
11.s11、获取被试用户每个训练片段对应的脑电数据；
12.s12、对被试用户每个训练片段对应的脑电数据进行筛选和滤波；
13.s13、选取各训练片段对应脑电数据中状态切换前后的脑电数据；
14.s14、对选取的脑电数据进行叠加平均，判断是否具有mrcp特征，若具有mrcp特征，则记为mrcp模型；若不具有mrcp特征，则返回步骤s11。
15.所述计算脑电数据片段和mrcp模型的pearson相关系数，包括：
[0016][0017]
式中，x为脑电数据片段，长度为w；xi为x的第i个数据点，i＝1、2、3...w；为x的均值；y为mrcp模型，长度为w；yi为y的第i个数据点，i＝1、2、3...w；为y的均值；rho为pearson相关系数，范围从-1到1，其值为0代表完全不相关。
[0018]
所述计算脑电数据片段和mrcp模型的dtw匹配程度，包括：
[0019]
d(i，j)＝|x
i-yj| (i＝1
…
w，j＝1
…
w)
[0020]
dist(i，j)＝d(i，j)+min{d(i-1，j)，d(i，j)，d(i-1，j-1)}
[0021]
dist＝dist(w，w)
[0022]
其中，x为脑电数据片段，长度为w；xi为x的第i个数据点，i＝1、2、3...w；y为mrcp模型，长度为w；yi为y的第i个数据点，i＝1、2、3...w；dist为脑电数据片段和mrcp模型的dtw匹配程度，dist越大，代表x与y的相关性越小，dist值为0时，代表x与y完全相关。
[0023]
所述基于pearson相关系数和dtw匹配程度计算脑电数据片段和mrcp模型的相似分数，包括：
[0024][0025]
其中，rho为pearson相关系数；dist为dtw匹配程度；λ为比例系数且不为0；thr1为可接受dist的最大上限且不为0；score为脑电数据片段和mrcp模型的相似分数，score值越小，代表脑电数据片段与mrcp模型越相似。
[0026]
一种mrcp解码装置，其特征在于，包括：
[0027]
模型训练模块，用于基于被试用户进行范式训练时的脑电数据确定该被试用户的mrcp模型，其中范式训练包括多个训练片段，每个训练片段需被试用户进行静息后状态切换至运动想象；
[0028]
相关性计算模块，用于获取被试用户脑电数据，并从被试用户脑电数据中提取脑电数据片段，计算脑电数据片段和mrcp模型的pearson相关系数和dtw匹配程度；
[0029]
相似判断模块，用于基于pearson相关系数和dtw匹配程度计算脑电数据片段和mrcp模型的相似分数，并在相似分数满足设定阈值条件时判断相关脑电数据片段中出现mrcp。
[0030]
一种存储介质，其上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述mrcp解码方法的步骤。
[0031]
一种mrcp解码设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述mrcp解码方法的步骤。
[0032]
本发明的有益效果是：本发明针对不同个人进行mrcp模型训练，这样在康复训练
过程使用个人模型可以避免使用公共模型导致的部分被试适应时间长，体验感差的问题，提高康复效果。本发明关于判别mrcp方法是基于person相关性与dtw相关性相结合的基础上，这样可以从不同层面确保判别方法的准确性；同时在该判别方法中加入可调参数，被试可以在实时训练过程中根据系统反馈情况进行参数调整，从而提高训练的连续性和适用性。本发明关于系统反馈是使用阈值进行调控，相较于使用分类器，降低了整体计算的复杂程度。
附图说明
[0033]
图1为实施例中范式训练流程图。
[0034]
图2为实施例中模型训练的流程图。
[0035]
图3为实施例中判别mrcp方法流程图。
具体实施方式
[0036]
本实施例为一种mrcp解码方法，包括以下步骤：
[0037]
s1、基于被试用户进行范式训练时的脑电数据确定该被试用户的mrcp模型。
[0038]
s11、获取被试用户范式训练时的脑电数据，该范式从开始到结束共有n个epoch，每个epoch需要被试进行静息(4-7s)和运动想象(3s)，先静息，后状态切换至运动想象。整体训练过程采集的脑电数据记为e
pochdata
，第i个epoch的脑电数据记为epochdatai(i＝1...n)。
[0039]
s12、对每个epochdatai(i＝1...n)进行筛选，剔除掉包含明显伪影的数据，筛选后的数据包含m个epoch的脑电数据，记为epochdatai(i＝1...m)；对数据筛选后的epochdatai进行50hz的notch滤波与0.1-3hz的带通滤波，滤波后的数据记为epochdatafi(i＝1...m)。
[0040]
s13、选取epochdatafi中状态切换(由静息切换至运动想象)前后共g秒的脑电数据，记为epochdatami(i＝1...m)。
[0041]
s14、对epochdatami进行叠加平均，判断叠加平均后的脑电数据是否具有mrcp特征若具有明显的mrcp特征，则将叠加平均后的脑电数据记为mrcp模型(mrcp
model
)，若无明显mrcp特征，则需返回步骤s11重新进行范式训练和模型计算。
[0042]
s2、获取被试用户脑电数据，并从被试用户脑电数据中提取脑电数据片段，计算脑电数据片段和mrcp模型的pearson相关系数和dtw匹配程度。
[0043]
本实施例实时采集被试用户的脑电数据，记为eegdata，采样率为fs。对eegdata进行notch滤波，并使用asr算法进行伪迹清除。对伪迹清除后的数据进行0.1-3hz的带通滤波，然后以长度为w＝g*fs，移动步长为step选取脑电数据片段，记为x。
[0044]
将mrcp
model
记为y，计算x与y的pearson相关系数rho，计算公式如下：
[0045][0046]
式中为x的均值，为y的均值。rho的范围从-1到1，其值为0代表完全不相关。
[0047]
将mrcp
model
记为y，通过动态时间归整(dynamic time warping，dtw)计算x与y的匹配程度dist，计算公式如下
[0048]
d(i，j)＝|x
i-yj| (i＝1
…
w，j＝1
…
w)
[0049]
dist(i，j)＝d(i，j)+min{d(i-1，j)，d(i，j)，d(i-1，j-1)}
[0050]
dist＝dist(w，w)
[0051]
式中，dist越大，代表x与y的相关性越小，dist值为0时，代表x与y完全相关。
[0052]
s3、基于pearson相关系数和dtw匹配程度计算脑电数据片段和mrcp模型的相似分数，并在相似分数满足设定阈值条件时判断相关脑电数据片段中出现mrcp。
[0053]
根据rho与dist计算x与mrcp
model
的最终得分score，计算公式如下：
[0054][0055]
其中，λ为比例系数且不为0，thr1为可接受dist的最大上限且不为0，这两个参数可根据实际情况进行调整。score值越小，代表x与mrcp
model
越相似。
[0056]
设定反馈阈值thr2，当score小于等于thr2且大于0时，则认为被试出现mrcp，系统给与被试反馈。
[0057]
以下以一个具体案例进行说明：
[0058]
模型训练：
[0059]
1.被试了解整个训练流程与注意事项；
[0060]
2.范式训练：被试佩戴满足国际10-20通道标准的脑电帽，根据系统提示进行30-40个epoch的范式训练；
[0061]
3.范式训练数据处理：查看采集数据中每个epoch数据，并将具有明显伪迹的epoch数据清除；对清除后的数据进行50hz的notch滤波，0.1-3hz的带通滤波；选取每个epoch数据中状态切换前1s和后1s的数据；
[0062]
4.mrcp模型计算：对选取的数据进行叠加平均，并观察mrcp特征是否明显，若mrcp特征明显，这将该mrcp模型保存在系统中；若不明显，则重复进行步骤1到步骤3。
[0063]
实时训练：
[0064]
1.被试佩戴脑电帽，根据系统提示进行相应的任务，系统实时采集被试的脑电数据eegdata；
[0065]
2.对eegdata进行notch滤波和asr伪迹清除；
[0066]
3.对步骤2中的数据进行0.1-3hz的带通滤波；
[0067]
4.采用窗口长度为w＝500，移动步长step＝1对步骤3的数据进行选取，选取的数据记为x；
[0068]
5.系统根据x与mrcp
model
计算rho，dist；
[0069]
6.系统根据rho，dist，λ，thr1计算score，其中λ初始参数设为1，thr1初始参数设为10000；
[0070]
7.系统根据score与thr2进行判别，若score小于等于thr2且大于0，系统会给与被试反馈，其中thr2参数设为1500；
[0071]
8.被试结合系统反馈情况，可以对参数λ与thr1进行实时调整。
[0072]
本实施例还提供一种mrcp解码装置，包括模型训练模块、相关性计算模块和相似
判断模块，其中模型训练模块用于基于被试用户进行范式训练时的脑电数据确定该被试用户的mrcp模型，其中范式训练包括多个训练片段，每个训练片段需被试用户进行静息后状态切换至运动想象；相关性计算模块用于获取被试用户脑电数据，并从被试用户脑电数据中提取脑电数据片段，计算脑电数据片段和mrcp模型的pearson相关系数和dtw匹配程度；相似判断模块用于基于pearson相关系数和dtw匹配程度计算脑电数据片段和mrcp模型的相似分数，并在相似分数满足设定阈值条件时判断相关脑电数据片段中出现mrcp。
[0073]
本实施例还提供一种存储介质，其上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现本例中mrcp解码方法的步骤。
[0074]
本实施例还提供一种mrcp解码设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现本例中mrcp解码方法的步骤。