一种动态停止策略下的脑-机接口拼写系统的制作方法
【技术领域】
[0001] 本发明设及脑-机接口领域，尤其设及一种动态停止策略下的脑-机接口拼写系 统。
【背景技术】
[0002] 第一次脑-机接口（Brain-Computer IntedaceJCI)国际会议给出的BCI的定义 是："BCI是一种不依赖于大脑外围神经与肌肉正常输出通道的通讯控制系统。"目前的研究 成果中，它主要是通过采集和分析不同状态下人的脑电信号，然后使用一定的工程技术手 段在人脑与计算机或其它电子设备之间建立起直接的交流和控制通道，从而实现一种全新 的信息交换与控制技术，即可W不需语言或肢体动作，直接通过脑电控制来表达意愿或操 纵外界设备。为此，BCI技术也越来越受到重视。
[0003] 在脑-机接口的研究中，基于P300信号的脑-机接口被普遍认为是最稳定高效的脑 控拼写方式，属于脑-机接口拼写系统(BCI-Speller),它无需对被试进行训练，实验简单方 便易行。信号采集需要的电极较少，六到十个电极就可W采集到足够的信息，有很强的可操 作性。此外，在头皮上就可W记录到较强的P300信号，有很高的信噪比和稳定的锁时性。基 于上述优点，对于P300信号的深入研究及开发一种实用便携式的脑控拼写系统有助于更加 清楚地了解人类大脑，实现真正的人机交互，具有很强的理论与应用价值。
[0004] 伴随着特征提取、模式识别算法的日益成熟，对BCI-Speller的研究更加细化，信 息传输速率是评价BCI-Speller系统性能的重要指标之一，然而目前的BCI-Speller的研究 成果并不理想，尚不能满足实际生活交流的应用。主要在于系统设计中，针对固定指令集及 固定次数视觉刺激后指令输出模式的BCI-Speller,系统速度和正确率会相互制约，从而影 响系统的信息传输速率。于是对字符指令输出决策方式的设计成为了研究的热点之一，通 过改变判别指令输出策略的方式能够有效地改善视觉BCI-Speller的性能。
[000引因此，考虑系统速度、正确率之间的平衡问题，提供一种新型的动态停止判别指令 输出的策略，对于BCI-Speller系统的实用化研究具有重要意义。
【发明内容】
[0006] 本发明提供了一种动态停止判别策略下的脑-机接口拼写系统，本发明在利用调 整基于贝叶斯准则下动态停止标准的参数策略，动态、在线地实现BCI-Speller视觉刺激及 指令输出，更接近实际交互应用，有望为新型BCI-Speller提供关键技术保障，详见下文描 述：
[0007] -种动态停止策略下的脑-机接口拼写系统，所述脑-机接口拼写系统包括:P300 视觉刺激装置、脑电采集系统和计算机，
[0008] 所述P300视觉刺激装置，用于闪烁刺激范式，对用户想要拼写的目标字符发生闪 烁刺激；
[0009] 所述脑电采集系统，用于探测脑电信号，并进行放大、滤波处理；
[0010] 所述计算机，接收所述脑电采集系统传输的处理后脑电信号，从处理后脑电信号 中提取视觉诱发P300电位特征信号，根据所述视觉诱发P300电位特征信号、W及基于贝叶 斯准则下动态停止策略的阔值，判别目标字符输出与否。
[0011] 所述脑电信号中视觉诱发P300电位特征信号的具体提取方法为：
[001引式中，《a)为对多次测量脑电信号的叠加平均;Xi化)表示第i次记录到的脑电信 号；s(k)为脑电信号中所要提取的视觉诱发P300电位特征信号;m(k)表示第i次记录到的 噪声信号;变量k表示记录中第k个采样值。
[0014] 所述根据所述视觉诱发P300电位特征信号、W及基于贝叶斯准则下动态停止策略 的阔值，判别目标字符输出与否具体为：
[0015] 通过线性判别分析对提取的视觉诱发P300电位特征信号进行分类识别，识别出当 前刺激是目标还是非目标字符；
[0016] 当字符概率大于设定阔值，则输出当前字符指令，进入下一个字符的拼写，即实现 了字符指令输出的动态停止。
[0017] 所述字符概率具体为：
[0019] 式中，P(ClX)是根据已有分类器输出得到的当前字符为目标字符的概率估计;P (Xi Ic,Si)是分类器输出为Xi的可能性，表示字符是否在闪烁集合Si中；分母表示到第i个闪 烁集合下的当前所有字符概率之和，即全概率。
[0020] 本发明提供的技术方案的有益效果是：本发明实施例实现了视觉刺激BCI-Speller系统字符指令输出的动态停止，利用调整贝叶斯准则下动态停止标准的参数策略， 能够动态、在线地实现脑控拼写过程，克服了传统静态闪烁刺激范式存在的信息传输速率 低的缺陷，更接近实际应用，有望为新型BCI-Spel Ier提供关键技术保障，也为脑-机接口尽 快步入大范围应用阶段奠定基础。
【附图说明】
[0021] 图1(a)为一种动态停止策略下的脑-机接口拼写系统的结构框图；
[0022] 图1(b)为脑电采集导联分布图；
[0023] 图2为P300闪烁视觉刺激范式；
[0024] 图3为刺激范式时序示意图；
[0025] 图4为基于贝叶斯准则下的动态停止策略应用流程图；
[0026] 图5为五名被试DSC策略与SSC策略下传输率对比效果图。
【具体实施方式】
[0027] 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。
[0028] 正常人当受到小概率(10%-30%)祀事件刺激后会产生存在于脑电中的一种特定 模式信号，即P300信号，因其在脑电信号中位于刺激点后300ms左右的一个正向峰电位而得 名。本系统设计将传统基于P300信号的BCI-Speller固定次数视觉刺激后指令输出模式变 成基于动态停止判别方法决策指令输出模式，从而提高系统实时性及其信息传输速率。
[0029] 其技术流程是:设计在线实验，搭建好实验所需的脑电信号采集装置，然后在实验 系统指导下，采集操作者脑电信号数据，将其存储后再进行一定的预处理、特征提取、分类 识别，进而使用贝叶斯准则下的动态停止判别方法决策指令输出，最后分析系统的实时性 和信息传输速率。
[0030] 实施例1
[0031] -种动态停止策略下的脑-机接口拼写系统，参见图1(a)、图1(b)和图2,该脑-机 接口拼写系统包括:P300视觉刺激装置1、脑电采集系统2(包括脑电电极和脑电放大器等）、 W及计算机3。
[0032] 本发明实施例使用化uroscan公司生产的脑电数字采集系统（即图1(a)所述脑电 采集系统2)采集脑电，采集六个通道(Fz、Cz、Pz、化、P7、P8，参见图1 (b))的脑电数据。
[0033] 参见图2,用户安静地坐于距屏幕约Im的靠椅上，注视计算机屏幕上的刺激范式的 闪烁（即图1(a)所述P300视觉刺激装置1)。在此过程中对应用户想要拼写的目标字符发生 闪烁刺激，其脑电也会产生相应的变化:脑电信号在大脑皮层产生，由脑电电极探测后经过 脑电放大器放大、滤波后输入图1(a)所述计算机3。采集到的脑电数据再经过该计算机3后 续的数据处理提取相应的视觉诱发P300电位特征信号，将运些视觉诱发P300电位特征信号 应用于实验任务的模式识别，进而应用基于贝叶斯准则下动态停止策略的阔值判别指令输 出与否。
[0034] 综上所述，本发明实施例提供的一种动态停止策略下的脑-机接口拼写系统，通过 上述P300视觉刺激装置1、脑电采集系统2W及计算机3实现了视觉刺激BCI-Speller系统字 符指令输出的动态停止，利用调整贝叶斯准则下动态停止标准的参数策略，能够动态、在线 地实现脑控拼写过程。
[00巧]实施例2
[0036] 下面结合具体的数学公式、图3、图4、例子对实施例1中的方案进行详细说明，详见 下文：
[0037] 1、刺激模块的设计
[0038] 本发明实施例设计的脑-机接口拼写系统的P300诱发范式在Matlab平台上编写完 成，刺激范式如图2所示。首先是离线模型训练过程，屏幕首先提示用户需要注视的目标字 符，然后6行6列随机无重复的闪烁，遍历完一遍称为完成一轮(round)的闪烁，1轮闪烁称为 1个实验试次(trai 1)，10个trai 1即完成一个字符的闪烁过程，称为一个实验组(session)。
[0039] 每次闪烁持续时间为75ms，闪烁间隔为100ms，刺激范式时序如图3所示。离线建模 完成后进入在线测试阶段，时序及闪烁刺激呈现与离线过程一致，然而闪烁刺激轮数是不 固定的，由动态停止判别策略实时在线地确定多少轮闪烁后输出字符拼写结果，即达到实 时字符拼写的效果。
[0040] 具体实现时，本发明实施例对上述参数的具体取值不做限制，根据实际应用中的 需要进行设定。
[0041] 2、视觉诱发P300电位特征信号的提取与分类
[0042] 1)通过相干平均算法提取视觉诱发P300电位特征信号；
[0043] 利用相干平均法提取视觉诱发P300电位特征信号，设记录到的脑电信号表示为：
[0044] xi(k) = s(k)+rii(k) (I)
[0045] 式中，Xi化)表示第i次记录到的脑电信号；S化)为客观真实的脑电信号，即所要提 取的视觉诱发P300电位特征信号;m化)表示第i次记录到的噪声信号i = l，2, . . .，N;变量k 表示记录中第k个采样值k=l ,2,. . .M。
C2)
[0047] 式中，根据最初假设得到
。所W叠加平均 后的信号J秩)即为最终脑电信号中要提取的视觉诱发P300电位特征信号S化)。
[0048] 2)通过LDA算法对提取的视觉诱发P300电位特征信号进行分类识别。
[0049] 线性判别分析(^Linear discriminant analysis，LDA)经常用于脑电信号的分类 识别。LDA算法基本函数的一般形式为：
[0050] g(X)= ?1X1+0 巧 2+. . . + ?nXn+?0 (3)
[0051] g(x)=W〇Tx+〇o (4)
[005引式中，n维特征向量X=[X1，X2, . . .，Xn]T，其中X功第i维特征；〇0为常数，称为阔权 值;Wo= [ CO 1，CO 2, ...，《n]T为权向量或参数变量，其中COi为第i维特征对应的权重系数或 第i类对应的权重系数，对于每一维特征都有一个权重系数与之对应。对于线性二分类问 题，分类器的判别函数如下式所示：
[0053] g(x)=gi(x)-g2(x)巧）
[0054] 式中，gi(x)为第一类判别函数的值;g2(x)为第二类判别函数的值;g(x)为二分类 判别函数的决策值。决策规则为g (X )> 0，则X E O 1，第一类权重系数占优，将其