信号处理单元对采集到的不同表情驱动下的脑电信号进行离线分析，根据 建模结果提取脑电信号Alpha波段与theta波段，并对其采用小波变换模均值模方法计算 出脑电信号特征值并对Alpha波与theta波进行小波变换模均值计算，得到样本信号特征 值： _
(11)
[0092] 式中，Yi~Y4分别为F7、FC5、FC6、F8四通道theta波小波系数值，Xkl~Xk4分别 为F7、FC5、FC6、F8四通道theta波小波系数模均值，Y5~Y8分别为F7、FC5、FC6、F8四通 道Alpha波小波系数值，Xk5~Xks分别为F7、FC5、FC6、F8四通道Alpha波小波系数模均值； 由小波变换模均值计算得到多维特征向量\为：
[0093] Xk -[xklxk2xk3xk4xk5xk6xk7xk8] (12)
[0094] 对乂卜进行归一化处理：
[0095]
[0096] 式中，tkl为归一化后各通道小波系数模均值，yinun为各通道小波系数最小值，y_x 为各通道小波系数最大值，经归一化后的小波特征矩阵Tk则为：
[0097] Tk= [tkltk2tk3tk4tk5tk6tk7tk8] (14)
[0098] 步骤5采取8-30-2结构BP神经网络算法对四种表情驱动下样本信号进行分类器 分类训练，分类结果包含四种模式，如表1所示。识别结果通过TTL串口通信传输目标任务 单元。
[0099] 表1脑电识别结果
[0100]
[0101] 步骤6样本训练完成后，返回步骤4,进行在线目标识别，信号处理单元提取实时 表情驱动下脑电信号Alpha波段与theta波段，并进行小波变换模均值计算，得到实时脑电 信号特征值，输入BP神经网络，根据步骤5的训练结果与所提取的脑电特征信号进行在线 表情分类。
[0102] 步骤7分类结果经过控制命令转换为受控设备控制指令，受控设备完成目标任务 后，通过视觉信息，实现反馈。
【主权项】
1. 一种基于不同表情驱动的脑电信号辨识方法，其特征在于，包括下述步骤： 第一步，建立基于不同面部表情驱动脑电信号产生机理的模型，具体方法如下： (1) 建立大脑皮层两个独立皮质区域：前额叶皮质区S1与边缘系统皮质区S2,每个独 立皮质区均进行两类电位的转换后输出脑电信号，其中，一类将输入的触突前膜动作电位 脉冲密度转换为平均触突后膜电位；另一类将平均触突后膜电位转换为大脑皮层输出的脑 电信号；各皮质区分别由多个兴奋性细胞单元与抑制性细胞单元构成，每个细胞单元将触 突动作电位的平均脉冲密度转换为平均触突后膜电位，单个兴奋性细胞单元与抑制性细胞 单元的冲击响应函数表达达式为：式中，u(t)为Heaviside函数，He为兴奋性神经元突触增益，H 抑制性神经元突触增 益，\为兴奋性神经单元延时常数，t 抑制性神经单元延时常数； (2) 静态非线性函数S(v)将兴奋性细胞单元与抑制性细胞单元产生的触突平均后膜 电位转换为经表情驱动控制下产生的动作电位的平均脉冲密度，其数学式为：(3) 式中，2e。为动作电位最大发放率，v。为相对于发放率e。的突触后电位，r为s(v)函数 的弯曲程度，v为突触前膜电压； (3) S(v)得到的动作电位的平均脉冲密度分别接受各自皮质区内部兴奋性、抑制性细 胞神经单元的反馈，并根据不同细胞单元所包含的触突个数以及相互之间的关联常数的反 馈作用，最终得到独立皮质区域Sl、S2的输出的脑电信号，单皮质区的数学模型的微分方 程表示如下：式中，Cl，C2,为兴奋性细胞单元平均突触连接数；C3,C4为抑制性细胞单元平均突触 连接数，求解方程组，得到独立皮质区域输出脑电信号y(t)为： y(t) =Yi(t)-y2(t) (5) 式中，yl(t)为经由兴奋性细胞单元转换后得到的平均触突后膜电位，y2(t)为经由抑 制性的细胞单元反馈得到的平均触突后膜电位，通过设定不同的参数氏，私，Ti，分别 建立前额叶皮质区域与边缘系统皮质区域的脑电信号产生模型； (4) 设定S1区，S2区的兴奋性、抑制性细胞子群均由N个兴奋性细胞单元与N个抑制 性细胞单元构成，分别代表脑电信号的多个频段脑电信号，其相互之间关系由权重系数《 决定，权重系数《的取值表示为：基于面部表情控制下S1区、S2区之间的相互作用由耦合强度q、区域均值脑电信号RM(y)以及其他大脑皮层区域脑电信号相互作用P(t)构成，由此得到非耦合作用下前额叶 皮质区S1，边缘系统区S2产生的脑电信号，其表达式为： (6) /=i /=i(5) 依据式（4)、式（5)、式（6)，建立面部表情控制下前额叶皮质区S1与边缘系统区S2 耦合作用下产生的脑电信号，设定区域间的相互作用由耦合强度q，区域输出均值脑电信 号RM⑴决定，其计算式为：m 式中，y(t)为步骤（3)建模得到脑电信号，yn(t)为不同时刻所对应的脑电信号瞬态值 贝1J，根据式（7)得到S1区、S2区相互作用传递函数数学表达式为：(8) 式中，j= 1，2代表两个不同皮质区域，其它大脑皮层区域脑电信号相互作用p(t)以 输入形式参与，由此得到相互耦合作用下的皮质区表脑电信号达式：式中，i= 1，2, 3分别代表皮质区域脑电信号的高频段、低频段、中频段，j= 1，2代表 不同的皮质区；每个区的兴奋和抑制性增益系数UP延时常数t^相同，通过调整权重 系数矩阵Wy与耦合强度q，模拟得到不同表情驱动下的脑电信号； (6) 对建模得到的脑电信号进行快速傅里叶变换，求其对数频带能量Ei，其数学表达式 为：式中^代表经傅里叶变换后各频段的能量值，并计算每个频带能量在总能量中的比 值：最后，参照真实脑电信号的频谱特性，确定基于不同面部表情控制下脑电信号的特征 值位于Alpha波段与theta波段； 第二步，用第一步建立的模型输出脑电信号特征对基于不同面部表情驱动的实时脑电 信号进行分类。2.如权利要求1所述的基于不同表情驱动的脑电信号辨识方法，其特征在于，所述用 第一步建立的模型输出脑电信号特征对基于不同面部表情驱动的实时脑电信号进行分类 包括下述步骤： (1) 为受试者佩戴便携化多通道脑电检测单元与信号处理单元，脑电检测单元中所有 电极均处于国际10-20系统的标准位置，并采集前额皮质区FC5、FC6通道与边缘系统皮质 区F7、F8通道的脑电信号； (2) 信号检测单元同步采集到位于前额叶皮层的FC5、FC6和位于边缘系统的F7、F8位 置脑电信号后，进行2~40Hz的带通滤波，然后通过无线通信模块传给信号处理单元，该单 元将采集到的不同面部表情驱动下的脑电信号进行离线分析，得到与各种不同面部表情驱 动下脑电信号相对应的样本信号； (3) 利用第一步（6)的结果采用小波变换模均值法提取样本信号特征值，受试者随机 动作一种面部表情，信号处理单元首先提取四通道的Alpha波段与theta波段的相应该表 情的脑电信号；并对Alpha波与theta波进行小波变换模均值计算，得到多维特征向量，进 行归一化处理后，得到样本特征矩阵Tk; (4) 将不同样本的1；同时输入BP神经网络分类器进行训练； (5) 样本训练完成后，返回步骤（2)，进行在线目标识别，信号处理单元提取Alpha波 段与theta波段脑电信号，并对Alpha波段与theta波段进行小波变换模均值计算，得到多 维特征向量Xk，Xk进行归一化后，输入BP神经网络，根据⑷的训练结果与所提取的脑电特 征信号进行在线表情分类。
【专利摘要】本发明公开了一种基于不同表情驱动的脑电信号辨识方法，其特征是基于大脑生理学知识，首先对不同面部表情驱动产生的脑电信号进行建模仿真分析，并在此基础上，采用基于面部表情驱动过程中脑部FC5、FC6、F7、F8四个测点位置所产生脑电信号中的Alpha波段与theta波段的信号特征作为脑电信号分类识别的依据，用于信号的驱动控制。
【IPC分类】G06F3/01
【公开号】CN105022486
【申请号】CN201510423224
【发明人】张小栋, 李睿, 陈江城, 刘畅, 郭晋, 赖知法, 尹贵
【申请人】西安交通大学
【公开日】2015年11月4日
【申请日】2015年7月17日