一种基于动态脑功能网络连接的脑‑机接口方法与流程

本发明属于脑-机接口研究领域，涉及基于想象运动的脑电信号分析与处理方法，特别涉及一种基于动态脑功能网络连接的脑-机接口方法。

背景技术：

脑-机接口(brain-computerinterface，bci)是一种新型的人机交互系统，它在人脑与计算机之间建立直接的交流和控制通道。由于eeg信号的时间分辨率较高，且方便采集，目前基于eeg的脑-机接口系统研究受到了广泛的关注。该系统通过在人头皮表面放置电极采集eeg信号，再经过模式识别方法解码，将神经任务转换为计算机指令来控制外部设备。目前，基于eeg的脑-机接口设备在军事辅助、医疗康复、家电控制等方面已经有了很成功的应用，且其还有很大的开发空间。bci在科研和应用方面都具有巨大潜在价值，目前已成为了全球最热门的研究领域之一。

运动想象是目前bci系统中常用的模式，它是基于大脑运动皮层相应区域的μ和β节律的erd与ers现象来进行研究的。共空间模式算法(commonspecialpattern，csp)是erd/ers特征提取中效果较好的算法之一，利用3秒长的eeg信号，准确率可以达到90％左右，但信息传输率在40bits/min以下，这远远不能满足通讯的要求，这也是bci系统目前发展遇到的最大瓶颈，bci系统的识别率和信息传输率等性能仍有待提高。

本发明从脑网络的角度出发，提出了一种基于动态脑功能网络连接的特征提取方法，该方法在保证识别准确率的前提下，极大地缩短了bci系统的响应时间。

技术实现要素：

本发明提出了一种基于动态脑功能网络连接的特征提取方法，该方法能够在较短时间内有效发掘大脑进行左手、右手两种想象运动时eeg信号的差别有效解决bci系统响应较慢的问题。本发明的技术方案如下：

s1.首先，将所有的试次(trial)在时间过程上划分为不进行任务阶段(“静息”态)和进行想象运动任务阶段(任务态)。再对这两个阶段的原始eeg数据进行预处理，为建立脑功能网络连接做准备。

s2.计算预处理后每两导eeg数据之间的瞬时锁相值(instantaneousphaselockvalue，iplv)，计算得到一个网络，网络中的每个节点代表一个eeg电极，网络中的边代表两个导联之间的瞬时同步性大小。

s3.计算左右手两类数据iplv的25个试次的平均值。然后对“静息”态阶段的结果进行时间平均得到“静息”态plv；对任务态数据进行分段，计算每段数据的时间平均，得到若干个任务态plv。

s4.将任务态plv减去“静息”态plv，得到若干个“模板”，即为两类任务的脑功能动态网络连接模式。再将各个“模板”中的plv值降序排列，提取前30个值代表该模板。

s5.计算每段eeg数据的plv值。然后计算其与所有左手想象运动plv模板及所有右手想象运动plv模板的相似性，作为该段数据的特征向量。使用余弦相似度作为相似性度量准则(或者使用欧氏距离、海明距离等其它准则)。将得到的特征向量训练支持向量机(svm)分类器。

s6.对于在线eeg数据，重复(4)中的步骤，将得到的特征向量输入svm分类器中，得到在线数据的分类类别。

附图说明

图1为想象运动任务的实验范式示意图；

图2为本发明所述的基于动态脑功能网络连接的脑-机接口方法流程图；

图3为一个被试的左右手样本的平均特征向量的对比图；

图4为9位被试的平均分类正确率。

具体实施方式

下面结合附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

一种通用的基于想象运动任务的bci系统的实验范式如图1所示，本发明提出的一种基于动态脑功能网络连接的脑-机接口方法的流程如图2所示。下面以图1的实验范式为例，结合流程图对本发明的具体实施方式作详细说明。

1、计算iplv

计算预处理后每两导eeg数据之间的iplv。iplv的计算方法如式(1)所示。

其中，和分别表示x导联和y导联的瞬时相位值。

2、计算“静息”态plv和任务态plv

计算“静息”态和任务态左右手两类数据25个试次的splv的平均值。计算方法如式(2)所示。

其中，i表示第i个trial，n表示trial个数。

将“静息”态阶段对应的(2)式计算结果进行时间平均，得到左右手“静息”态若干plv(lrplv和rrplv)。

将任务态每段数据的(2)式计算结果进行时间平均，得到左右手若干任务态plv(ltplv和rtplv)。

3、建立左右手想象运动时脑功能网络连接“模板”

将任务态plv减去“静息”态plv，得到若干“模板”，即：

4、计算两类任务数据的特征向量

计算eeg数据的splv及其时间平均值，得到data_ltplv和data_rtplv，再减去两类数据“静息”态plv的均值，得到data_ldplv和data_rdplv，即：

最后计算data_ldplv与所有“模板”的相似性作为左手想象运动数据的特征向量lh_feature，计算data_rdplv与所有“模板”的相似性作为右手想象运动数据的特征向量rh_feature。使用余弦相似度(consinesimilarity)作为相似性度量准则，余弦相似度的计算方法如(5)式所示。

其中，x和y为两个维度为n的向量，s为它们的余弦相似度。

计算一个被试的所有左手样本的特征向量的平均值ave_lh_feature，计算所有右手样本的特征向量的平均值ave_rh_feature。ave_lh_feature与ave_rh_feature的对比如图3所示。

5、分类

将4中得到的特征向量训练svm分类器。对于在线eeg数据，重复4中的步骤，将得到的特征向量输入分类器，得到在线数据的分类类别。

利用以上算法计算了9个被试的平均分类准确率，如图4所示。

本发明以脑电信号的相位同步信息为基础，据此建立脑功能动态网络，并从中提取大脑进行左右手两类想象运动时脑功能网络连接的“模板”，最后将在线数据与“模板”网络连接的相似度作为特征，原理上可行，有明确的物理意义。在保证了分类准确率的前提下，极大地缩短了bci系统的响应时间，因此本发明所提出的算法具有更优越的性能。