一种基于diva模型的脑电信号处理方法
【技术领域】
[0001] 本发明公开了一种基于DIVA模型的脑电信号处理方法，涉及脑电信号处理技术 领域。
【背景技术】
[0002] 脑-机接口（brain computer interface, BCI)是一种基于脑电信号来实现人脑 与计算机或其它电子设备进行通讯和控制的系统，它是一个不依靠外周神经和肌肉组织等 通常的大脑输出通道的通信系统。换言之，BCI是在人脑与计算机之间建立的直接的交流 和控制通道，通过这种通道，人就可以直接通过脑来表达想法或操纵设备，而不需要语言或 肢体动作。
[0003] 波士顿大学的弗朗克?冈瑟（Frank Guenther)教授带领的科研小组在脑机接口 技术基础上研制成功研制成一种神经分析系统（Neuralynx System)。神经分析系统由脑一 计算机接口（BCI)和语音合成系统 DIVA (Directions Into Velocities of Articulators) 模型两部分组成。该系统可以将将人大脑里的思维过程"阅读"出来，然后将其转换为正常 语言进行实时表述。
[0004] DIVA模型则是一种具有生物学意义的关于语音生成和获取的神经网络。DIVA模 型由前馈控制子系统、反馈控制子系统以及前田（Maeda)模拟声道所组成。模型通过某种 规则在以语音作为输入的同时，产生一个发音速度以及器官位置变化的时变序列，应用这 个序列，系统就可以得到所需要的理想发音。
[0005] DIVA模型的一个重要特征就是把模型组件与大脑皮层各相关区域一一对应起来。 模型组件与大脑皮层区域的映射关系是在有关神经解剖学和神经生理学研宄的基础上根 据MNI (Montreal Neurological Institute)标准参照系而确定的。在按照预设参数进行 发音任务时，DIVA模型能够产生反应脑区激活状态的fMIR数据。这样，DIVA模型实际上就 构成了一个用以解释来自各种研宄的相关数据以及对关于语音神经处理过程进行一致性 描述的基本框架。
[0006] 在语音相关研宄过程中，普遍采用非侵入式的神经成像术作为脑机之间的接口在 人身上进行了实验。虽然这种非侵入式的装置方便佩戴于人体，但是由于颅骨对信号的衰 减作用和对神经元发出的电磁波的分散和模糊效应，记录到信号的分辨率并不高。这种信 号波仍可被检测到，但信号信噪比较低，对后处理的要求较高。
【发明内容】
[0007] 本发明所要解决的技术问题是：针对现有技术的缺陷，提供一种基于DIVA模型的 脑电信号处理方法。该方法通过DIVA模型模拟生成的fMIR数据对脑电信号进行定位分析， 并使用独立成分分析方法（Independent Component Correlation Algorithm, ICA)简化实 际计算的复杂度，克服了非侵入式脑电信号分辨率低、干扰大的缺点。
[0008] 本发明为解决上述技术问题采用以下技术方案：
[0009] 一种基于DIVA模型的脑电信号处理方法，利用DIVA神经网络模型产生的功能性 核磁共振数据对脑电信号进行融合处理，包括以下步骤：
[0010] 步骤一、通过非侵入式脑机接口提取发音过程中的脑电信号数据，对采集到的脑 电信号数据进行预处理；
[0011] 步骤二、基于DIVA模型提供的用户接口对声道参数进行设置，使DIVA模型进行模 拟发音，获得fMIR数据；
[0012] 将fMIR数据输入统计绘图工具SPM中进行分析，采用12参数的仿射变换对fMIR 数据进行归一化处理，再将处理后的图像与高分辨率的结构图像进行配准，并归一到丽I 的空间，然后利用三维高斯函数对经过上述处理的数据做空间平滑处理；
[0013] 步骤三、对经过步骤二处理的脑电信号数据进行初步的白化或球化处理，去除各 观测信号之间的相关性，然后利用ICA方法对脑电信号数据进行处理，得出最优变换矩阵， 进而恢复信号源矩阵，从脑电信号数据中分离出有效的成分，每个有效的成分对应一个偶 极子成；
[0014] 步骤四、结合头部模型及其传导系数，对每一个提取的有效的成分求解最优的偶 极子配置，使得由上述偶极子产生的头皮电场分布与测量到的头皮电场分布在均方意义下 最小，将fMIR数据中的激活点位置作为寻找偶极子位置的种子点，在fMIR数据限定源的可 能空间中求解全局最优解；
[0015] 步骤五、将融合处理后的结果输出。
[0016] 作为本发明的进一步优选方案，所述步骤三中，利用ICA方法对脑电信号数据进 行处理具体如下：
[0017] 设定记录的头皮电位Xi作为观测向量，其中，i = 1，2,.....，m，m表示电极的数 量，观测向量\是η个时间上独立的信号源s」的线性混和，其中，j = 1，2,. . .，n，每一个s』 都是统计独立并且有其固定的空间信息权重\_，a」是导联场矩阵A的第j列；
[0018] 在上述设定下，使用ICA方法直接寻找最优的变换矩阵W，并恢复信号源矩阵M ;使 用估计的信号Y对观测信号X进行重建：
[0019] X = W^1Y (1)
[0020] X的第j个时间序列可以由下式表示：
【主权项】
1. 一种基于DIVA模型的脑电信号处理方法，其特征在于，利用DIVA神经网络模型产生 的功能性核磁共振数据对脑电信号进行融合处理，包括以下步骤： 步骤一、通过非侵入式脑机接口提取发音过程中的脑电信号数据，对采集到的脑电信 号数据进行预处理； 步骤二、基于DIVA模型提供的用户接口对声道参数进行设置，使DIVA模型进行模拟发 音，获得fMIR数据； 将fMIR数据输入统计绘图工具SPM中进行分析，采用12参数的仿射变换对fMIR数据 进行归一化处理，再将处理后的图像与高分辨率的结构图像进行配准，并归一到MNI的空 间，然后利用三维高斯函数对经过上述处理的数据做空间平滑处理； 步骤三、对经过步骤二处理的脑电信号数据进行初步的白化或球化处理，去除各观测 信号之间的相关性，然后利用ICA方法对脑电信号数据进行处理，得出最优变换矩阵，进而 恢复信号源矩阵，从脑电信号数据中分离出有效的成分，每个有效的成分对应一个偶极子 成； 步骤四、结合头部模型及其传导系数，对每一个提取的有效的成分求解最优的偶极子 配置，使得由上述偶极子产生的头皮电场分布与测量到的头皮电场分布在均方意义下最 小，将fMIR数据中的激活点位置作为寻找偶极子位置的种子点，在fMIR数据限定源的可能 空间中求解全局最优解； 步骤五、将融合处理后的结果输出。
2. 如权利要求1所述的一种基于DIVA模型的脑电信号处理方法，其特征在于，所述步 骤三中，利用ICA方法对脑电信号数据进行处理具体如下： 设定记录的头皮电位Xi作为观测向量，其中，i= 1，2,.....，m，m表示电极的数量，观 测向量\是n个时间上独立的信号源s」的线性混和，其中，j= 1，2,. . .，n，每一个s」都是 统计独立并且有其固定的空间信息权重\_，a」是导联场矩阵A的第j列； 在上述设定下，使用ICA方法直接寻找最优的变换矩阵W，并恢复信号源矩阵M;使用估 计的信号Y对观测信号X进行重建： X=ff_1Y(1) X的第j个时间序列可以由下式表示：
其中，是F1的第n行第m列的元素。
3. 如权利要求2所述的一种基于DIVA模型的脑电信号处理方法，其特征在于，所述步 骤三中，使用ICA方法对脑电信号数据进行处理，进行下述设定： 301、 独立信号源产生的信号是统计独立的； 302、 观测到的脑电信号数据是瞬时的线性混和信号； 303、 独立信号源的数量不超过电极的数量。
4. 如权利要求3所述的一种基于DIVA模型的脑电信号处理方法，其特征在于，所述步 骤四的具体过程如下： 设定大脑表皮的电磁场观测信号与大脑内部任何位置的源信号近似地呈线性关系，由 下式表示： X=AS+N(3) 其中，X是头皮电极记录的观测信号，A是导联场矩阵，S是偶极子矢量，N表示每个电 极接收信号中的噪声组成的矢量； 导联场矩阵A是偶极子位置、大脑几何形状以及介质传导系数的非线性函数，它的每 一列表示位于某一位置的单位强度的源对左端观测信号X的贡献； 优化问题等价于求解下式：
其中，C是信噪比归一化矩阵，A是正则化参数； 将目标函数与解的空间性质相联系，定义目标函数为：
式中，P项是对解的一种空间约束，即结合fMIR限定源的可能空间位置，由下式定义：
其中，1是偶极子的数量；^是第i个偶极子的位置向量；s,是fMIR激活点的空间信 息；c和屯均是常数，偶极子的位置与fMIR的激活点位置是相关的，fMIR的激活点位置即 是寻找偶极子位置的种子点； 建立目标函数之后，将偶极子的参数看作是高维空间中的一个节点，采用模拟退火算 法求全局最优解。
5. 如权利要求1或4所述的一种基于DIVA模型的脑电信号处理方法，其特征在于，步 骤一中所述的预处理过程包括：去除眨眼伪迹、眼球运动伪迹、低通滤波、坏电极复位、平均 以及基线校正。
6. 如权利要求1或4所述的一种基于DIVA模型的脑电信号处理方法，其特征在于，步 骤二中所述的高斯函数需要满足其半高宽为12mm*12mm*24mm。
7. 如权利要求1或4所述的一种基于DIVA模型的脑电信号处理方法，其特征在于，步 骤四中所述的偶极子配置包括位置、方向和大小。
8. 如权利要求1或4所述的一种基于DIVA模型的脑电信号处理方法，其特征在于，步 骤五中所述的将融合处理后的结果输出，是通过在MATLAB中使用FIT工具箱进行输出。
9. 如权利要求4所述的一种基于DIVA模型的脑电信号处理方法，其特征在于，所述常 数屯的取值为5mm〇
【专利摘要】本发明公开了一种基于DIVA模型的脑电信号处理方法，该方法通过DIVA模型模拟生成的fMIR数据对脑电信号进行定位分析，并使用独立成分分析方法简化实际计算的复杂度，克服了非侵入式脑电信号分辨率低、干扰大的缺点。本发明使用DIVA模型产生的fMIR数据对EEG数据进行融合处理，克服了脑电信号空间分辨率低、信号干扰大、信噪比很低的问题。通过ICA的预处理，减小了运算的复杂性，在很大程度上克服了等效偶极子定位算法对于噪声的敏感。最后，利用本方法对真实实验数据进行处理，得到的结论符合生理学事实。本方法为汉语神经分析系统中的脑电信号处理问题提供了可行的解决方案，为今后汉语语音生成与获取相关研究奠定了基础。
【IPC分类】A61B5-0476, G06F17-50
【公开号】CN104605845
【申请号】CN201510050938
【发明人】张少白, 陈彦霖
【申请人】南京邮电大学
【公开日】2015年5月13日
【申请日】2015年1月30日