基于盒维和分形截距特征的脑机接口方法及装置

摘要

本发明涉及基于盒维和分形截距特征的脑机接口方法和装置，基于脑电放大器和计算机构成的硬件平台实现对脑电状态的检测。首先通过脑电放大器和数据采集卡采集脑电信号，然后将采集到的脑电信号送至计算机进行处理，实现盒维和分形截距的特征提取，并通过Boosting分类器完成对脑电信号的分类。本发明利用特征效果较好的盒维和分形截距对脑电信号进行特征提取，并由Boosting分类器，得到对脑机接口运动想象脑电信号的分类标记。

说明书

技术领域

本发明涉及基于盒维和分形截距特征的脑机接口方法及装置，属于脑机接口的技术领域。

技术背景

现实生活中有很多病人因患有严重的运动障碍，比如像脊髓损伤或肌肉萎缩性脊髓侧索 硬化症(ALS)等，而丧失基本的与外界进行语言或者肢体沟通的能力。这严重影响了患者的生 活质量，也给其家庭和社会造成重大的负担。脑机接口(BCI)是通过人脑和外界之间建立不依 赖于常规大脑信息输出通路的一种人机交互系统。脑机接口技术在康复医疗、军事等诸多领 域都有着广泛的应用。

不同的肢体部位运动所激活的大脑皮层区域也各不相同；单边肢体运动或想象运动能激 活主要的感觉运动皮层，大脑对侧产生事件相关去同步电位ERD(Event Related  Desynchronization)，大脑同侧产生事件相关同步电位ERS(Event Related Synchronization)；ERD 是指当某一皮层区域活跃起来时，特定频率的节律性活动表现出幅度的降低，ERS是指当某 一活动在一定时刻没有使相关皮层区域明显地活跃起来，特定频率就表现出幅度升高。电生 理学研究表明，运动想象会导致脑电节律的变化。运动想象会导致频率为8-12Hz的u节律 和频率为13-28Hz的β节律的幅度压制即事件相关去同步化ERD，或幅度增加即事件相关 同步ERS。

BCI技术通过提取使用者的脑电信息，然后利用一些机器算法将大脑的不同状态转化为 控制性命令，进而实现对外部设备的控制。BCI的目的是建立一个能够帮助用户直接与外界 进行交流的系统，而不用借助于传统的神经肌肉途径，其中，寻求有效的特征提取方法是提 高识别率的关键技术之一。相同的特征使用不同的分类器进行分类，所得的结果也会有所不 同。因此，在选择特征的同时，分类器的选择也至关重要。

目前已有多种特征提取的方法，如自适应的共空域模式、频带功率、AR模型等。2007 年，Hammon PS等人在IEEE Transactions on Biomedical Engineering上发表的论文 “Preprocessing and meta-classification for brain-computer interfaces”提出一种预处理和多分类 器的方法，取得了较好的结果。但是，该方法的预处理和后处理都比较复杂，增加了该方法 实现的难度，另一方面也很大程度上降低了方法执行的速度。

发明内容

针对现有技术的不足，本发明提出一种基于盒维和分形截距特征的脑机接口方法。该方 法是将提取到的脑电信号盒维和分形截距特征作为输入参数，送入Boosting分类器中进行分 类，进而获得脑电状态检测结果。

本发明还提供一种执行上述基于盒维和分形截距特征的脑机接口方法的装置。

发明概述：

一种基于盒维和分形截距特征的脑机接口方法是基于脑电放大器和计算机构成的硬件平 台实现对脑电状态的检测；首先通过脑电放大器和数据采集卡采集脑电信号，然后将采集到 的脑电信号送至计算机进行处理，实现盒维和分形截距的特征提取，并通过Boosting分类器 完成对脑电信号的分类,发出控制命令。

发明详述：

本发明的技术方案如下：

一种基于盒维和分形截距特征的脑机接口方法，包括以下步骤：

1）采集实验者想象左小指、舌头运动时，大脑所产生的脑电信号，采样频率为1000Hz； 实验者想象左小指运动时其脑电信号对应的类别标识为0类，想象舌头运动时其脑电信号对 应的类别标识为1类；

2）对采集到的脑电信号进行降采样，采样频率为100Hz；

3）对经步骤2）降采样后的脑电信号进行8-30Hz的带通滤波；

4）提取脑电信号中各通道的盒维和分形截距特征，其中对所述的提取脑电信号各通道盒 维和分形截距的步骤方法为：

a)将降采样和滤波后长度为L点的脑电信号S，平均分割成长为H点的G个子段，然后 计算每一个子段的盒维和分形截距；

b)对脑电信号S的每个子段，将其继续分割成长为r的T个小段（r＝2^h,(0＜h＜log₂H)， T等于H/r的整数部分），取覆盖信号的盒子的边长等于r。对第i个小段（其中i＝1,…，T）， 若其振幅的最小值和最大值分别落在第k个和第l个盒子中，则覆盖第i个小段所需的盒子数 n(i)为：

n(i)＝l-k+1；

c)覆盖该子段所需的盒子总数Num(r)为：

$\mathrm{Num}\left(r\right)=\underset{i=0}{\overset{T}{\Sigma }}n\left(i\right)$

d)该子段脑电信号的盒维数D为：

$D=\underset{r\to 0}{\lim }\frac{\log \mathrm{Num}\left(r\right)}{\log (1/r)}$

e)当盒子的边长r变化时，步骤d)中所述的公式满足直线方程：

logNum(r)＝D·log(1r)+C

其中，直线的斜率为D，截距为C；取不同的r值，计算得到若干组(r,Num(r))；应用 最小二乘曲线拟合算法，求得该直线方程的斜率D和截距C；这里，斜率D即为该子段脑电 信号的盒维数，而截距C则为该子段脑电信号的分形截距；

5）将步骤4）提取到的盒维和分形截距特征输入到Boosting分类器进行分类，得到输出 概率值；

6）将输出概率值与预设阈值进行比较，其中所述的预设阈值为0.5，获得脑电状态检测 结果并转换为控制命令：

当输出概率值大于预设阈值时，则判断此时的脑电状态为想象舌头时的脑电信号，并转 换为控制命令1；

当输出概率值小于或等于预设阈值时，则判断此时的脑电状态为想象左小指时的脑电信 号，并转换为控制命令2；

步骤3）中所述的对脑电信号进行滤波的方法，包括步骤如下：

对脑电信号利用J阶的巴特沃斯滤波器进行8-30Hz的带通滤波，优选J=5；

步骤5）中所述的Boosting分类器的实现步骤为：

a)分类器训练所使用的训练数据特征集X={X_j∈R^K,j=1,…,N}，其对应的标识 Y={y_j∈{0,1},j=1,…,N}，其中，K=Ch×s是特征的数目，其中Ch是通道数，而s是单次实 验单个导联上所提取的特征向量的数目，N为训练数据中所包含的单次实验的数目；F_m表示 m步后的分类器；设定迭代次数为M；设定第j次单次实验的脑电信号特征向量X_j为想象 舌头的初始概率P₀(y_j＝1|X_j)＝0.5,j＝1,…,N，设定第j次单次实验的脑电信号特征向量X_j的初始分类器为F₀(X_j)＝0,j＝1,…,N；

b)m表示迭代步数，从m＝1开始进行以下循环迭代：

i.求分类器F_m的似然函数的梯度：

${\tilde{y}}_j=2(y_j-P_{m-1}(y_j=1|X_j)),j=1,...,N$

其中，为第m-1步迭代后，特征向量X_j属于想象舌头 脑电的概率值；

ii.在最小二乘意义上，选择与梯度最相匹配的弱分类器f_m：

$f_m=\arg \underset{f}{\min }\underset{j=1}{\overset{N}{\Sigma }}{({\tilde{y}}_j-f\left(X_j\right))}^2=w^T{X}_j$

其中，回归系数向量w由最小二乘算法求得。

iii.根据给定的训练数据得到F_m的伯努利对数似然函数：

$L(F_m;X,Y)=\log \left(\underset{j=1}{\overset{N}{\Pi }}{P}_m{(y_j=1|X_j)}^{y_j}{P}_m{(y_j=0|X_j)}^{1-y_j}\right);$

iv.计算弱分类器f_m的权值γ_m为：

γ_m=argmaxL(F_m-1+γf_m;X,Y)；

v.更新分类器：

F_m=F_m-1+εγ_mf_m；

其中，ε为一极小值，设置为0.05；

vi.由分类器F_m计算特征向量X_j属于想象舌头脑电的概率值：

$P_m(y_j=1|X_j)=\frac{e^{F_m\left(X_j\right)}}{e^{F_m\left(X_j\right)}+e^{-F_m\left(X_j\right)}},j=1,...,N$

其中，F_m(X_j)表示m步后对应训练数据X_j的分类器。

vii.令m＝m+1，重复进行上述循环，如果m＝M，则循环迭代结束，得到的分类器F＝F_M；

步骤5）中所述的通过分类器计算输出概率值的方法为：将步骤4）中的盒维和分形截距 特征向量X送入分类器F，利用公式：

$P(y=1|X)=\frac{e^{F\left(X\right)}}{e^{F\left(X\right)}+e^{-F\left(X\right)}}$

得到脑电信号为想象舌头的概率P；

一种利用上述方法进行脑机接口的装置，包括以电路连接的脑电放大器、数据采集卡和 计算机，所述计算机中内设置有检测脑电状态的脑电检测模块，利用脑电放大器和数据采集 卡对脑电信号进行采集后传输到计算机中，利用脑电检测模块对脑电信号进行滤波和盒维、 分形截距的特征提取，并将所提取的特征向量送入Boosting分类器中，获输出概率值；将输 出概率值与预设阈值比较，得脑电状态检测结果并转化为控制外部设备的控制命令。

本发明的有益的效果是：

利用特征效果较好的盒维和分形截距对采集并经预处理后的脑电数据进行特征提取，将 提取的特征向量送入Boosting分类器中，从而得到对不同想象运动的脑电信号的标记；在脑 机接口技术领域中，本发明进一步提高了脑电信号分类正确率。

附图说明

图1为本发明的结构框图；

图2为本发明的流程框图；

图3为滤波后想象左小指时的脑电信号；

图4为滤波后想象舌头时的脑电信号；

图5为脑电信号盒维特征的变化图；

图6为脑电信号分形截距特征的变化图。

具体实施方式

下面结合附图与实例对本发明做进一步说明，本发明并不限于此；

实施例1、

如图1-6所示；

本发明通过电极采集脑电信号，脑电信号经过脑电放大器放大及数据采集卡，输入计算 机实现脑电信号分类，并产生控制命令控制外部设备；

一种基于盒维和分形截距特征的脑机接口方法，其流程图如图2所示，包括以下步骤：

1）采集实验者想象左小指、舌头运动时，大脑所产生的脑电信号，采样频率为1000Hz； 实验者想象左小指运动时其脑电信号对应的类别标识为0类，想象舌头运动时其脑电信号对 应的类别标识为1类，单次实验脑电信号时长为3秒；

采集的原始脑电信号如图3所示；选取实验者的前278次实验作为训练样本，其余的100 次实验作为测试样本；

2）对采集到的脑电信号进行降采样，采样频率为100Hz；

3）对经步骤2）降采样后的脑电信号进行8-30Hz的带通滤波；所述的对脑电信号进行 滤波的方法，包括步骤如下：

对脑电信号利用J阶的巴特沃斯滤波器进行带通滤波，优选J=5；滤波之后的脑电信号如 图4所示；

4）提取脑电信号中各通道的盒维和分形截距特征，其中对所述的提取脑电信号各通道 盒维和分形截距的步骤方法为：

a)将降采样和滤波后长为L=300点的脑电信号S，平均分割成长为H=100点的G=3 个子段，然后计算每一个子段的盒维和分形截距；

b)对脑电信号S的每个子段，将其继续分割成长为r的T个小段（r＝2^h,(0＜h＜log₂H)， T等于H/r的整数部分），取覆盖信号的盒子的边长等于r。对第i个小段（其中i＝1,…,T）， 若其振幅的最小值和最大值分别落在第k个和第l个盒子中，则覆盖第i个小段所需的盒子数 n(i)为：

n(i)＝l-k+1；

c)覆盖该子段所需的盒子总数Num(r)为

$\mathrm{Num}\left(r\right)=\underset{i}{\Sigma }n\left(i\right)$

d)该子段脑电信号的盒维数D为：

$D=\underset{r\to 0}{\lim }\frac{\log \mathrm{Num}\left(r\right)}{\log (1/r)}$

e)当盒子的边长r变化时，步骤d)中所述的公式满足直线方程：

logNum(r)＝D·log(1r)+C

其中，直线的斜率为D，截距为C；取不同的r值，计算得到若干组(r,Num(r))；应用 最小二乘曲线拟合算法，求得该直线方程的斜率D和截距C；这里，斜率D即为该子段脑电 信号的盒维数，而截距C则为该子段脑电信号的分形截距；图5为脑电信号的盒维特征，图 6为脑电信号的分形截距特征；

5）将步骤4）提取到的盒维和分形截距特征输入到Boosting分类器进行分类，得到输出 概率值；

步骤5）中所述的Boosting分类器的具体实现步骤为：

a)分类器训练所使用的训练数据集X={X_j∈R^K,j=1,…，N}，其对应的标识 Y={y_j∈{0,1},j=1,…,N}，其中，K=Ch×s是特征的数目，其中其中Ch是通道数等于64，而 s是单次实验单个导联上所提取的特征向量的数目等于6，N为训练数据中所包含的单次实验 的数目等于278；F_m表示m步后的分类器；设定迭代次数为M=200；设定第j次单次想象实 验的脑电信号的特征向量X_j为想象舌头的初始概率P₀(y_j＝1|X_j)＝0.5,j＝1,…,N，设定第j 次单次想象实验的脑电信号的特征向量X_j的初始分类器为F₀(X_j)＝0,j＝1,…,N；

b)m表示迭代步数，从m＝1开始进行以下循环迭代：

i.求分类器F_m的似然函数的梯度：

${\tilde{y}}_j=2(y_j-P_{m-1}(y_j=1|X_j)),j=1,...,N$

其中，为第m-1步迭代后，特征向量X_j属于想象舌头 脑电的概率值；

ii.在最小二乘意义上，选择与梯度最相匹配的弱分类器f_m：

$f_m=\arg \underset{f}{\min }\underset{j=1}{\overset{N}{\Sigma }}{({\tilde{y}}_j-f\left(X_j\right))}^2=w^T{X}_j$

其中，回归系数向量w由最小二乘算法求得。

iii.根据给定的训练数据得到F_m的伯努利对数似然函数：

$L(F_m;X,Y)=\log \left(\underset{j=1}{\overset{N}{\Pi }}{P}_m{(y_j=1|X_j)}^{y_j}{P}_m{(y_j=0|X_j)}^{1-y_j}\right)$

iv.计算弱分类器f_m的权值γ_m为：

γ_m=argmaxL(F_m-1+γf_m;X,Y)

v.更新分类器：

F_m=F_m-1+εγ_mf_m；

其中，ε为一极小值，设置为0.05；

vi.由分类器F_m计算特征向量X_j属于想象舌头脑电的概率值：

$P_m(y_j=1|X_j)=\frac{e^{F_m\left(X_j\right)}}{e^{F_m\left(X_j\right)}+e^{-F_m\left(X_j\right)}},j=1,...,N$

其中，F_m(X_j)表示m步后对应训练数据X_j的分类器。

vii.令m＝m+1，重复进行上述循环，如果m＝M，则循环迭代结束，得到的分类器F＝F_M；

步骤5）中所述的通过分类器计算输出概率值的方法为：将步骤4）中的盒维和分形截距 特征向量X送入分类器F，利用公式：

$P(y=1|X)=\frac{e^{F\left(X\right)}}{e^{F\left(X\right)}+e^{-F\left(X\right)}}$

得到脑电信号为想象舌头的概率P；

6）将输出概率值与预设阈值进行比较，其中所述的预设阈值为0.5，获得脑电状态检测 结果并转换为控制命令：

当输出概率值大于预设阈值时，则判断此时的脑电状态为想象舌头时的脑电信号，并转 换为控制命令1；

当输出概率值小于或等于预设阈值时，则判断此时的脑电状态为想象左小指时的脑电信 号，并转换为控制命令2。

实施例2、

一种利用如实施例1所述方法进行脑机接口的装置，如图2所示，包括以电路连接的脑 电放大器、数据采集卡和计算机，所述计算机中内设置有检测脑电状态的脑电检测模块，利 用脑电放大器和数据采集卡对脑电信号进行采集后传输到计算机中，利用脑电检测模块对脑 电信号进行滤波和盒维、分形截距的特征提取，并将所提取的特征向量送入Boosting分类器 中，获输出概率值；将输出概率值与预设阈值比较，得脑电状态检测结果并转化为控制轮椅 的控制命令。

利用本发明对测试脑电样本进行检测，识别的正确率达92%。