一种基于灰色理论的空间选择性注意检测方法

摘要

本发明提出了一种基于灰色理论的空间选择性注意分析方法，涉及认知研究领域，具体涉及选择性注意领域。所述方法包括：1、构建视觉刺激系统；2、在该系统上进行注意力测试实验，同时读取脑电信号；3、将读取的脑电信号作傅里叶变换；4、生成一组参考信号(频率为刺激闪烁频率的正弦信号)，并对其求傅里叶变换；5、将变换后的脑电信号和参考信号作灰关联，求其灰相关系数；6、利用支持向量机分类器对由灰相关系数构成的相关向量做分类，得到注意力的空间集中位置。经反复实测表明，该算法能够提高检测的速度和精度，从而使得实时监测被试的空间选择性注意模式状态成为可能。

说明书

技术领域

本发明涉及认知研究领域，具体涉及选择性注意领域，特别涉及一种基于灰色理论的空间选择性注意检测方法。

背景技术

人类80％的信息获取的是通过视觉通道，视觉是获取信息的重要途径。因而对于视觉信息加工的研究，是了解人脑信息加工、脑高级功能机制的直接手段。20世纪80年代，科学研究者开始关注注意与大脑处理资源分配的关系。因为大脑的计算资源有限，在同一时间，人仅仅能够处理有限的资源。面对同一时刻的众多视觉刺激输入，人的神经视觉系统会选择性的注意某些空间方位而忽略另一些刺激，即产生视觉空间选择性注意。对视觉空间选择性注意的研究是脑功能与脑认知研究的一个主要部分。

脑电信号由于其极高的时间分辨率、直接反映神经认知过程、响应迅速、不易伪装等特点，成为了人类心理、认知科学领域的非常重要的研究手段。利用脑电信号研究视觉注意，可以比传统生理信号更加直接准确的反应了人在特定刺激下的注意模式。

刺激在被注意时所诱发的皮层电反应活动会比非注意刺激诱发的反应有显著增强，在非侵入式脑电图记录中，视觉处理的放大效应会诱发更大的暂态视觉诱发电位。暂态视觉诱发(Transient VEP)电位很难保持一个集中稳定的注意状态，也就难于检测其所要表征的视觉注意。这是一个固有的局限性。为了克服这个问题，研究者们以一种替代的脑电诱发响应——稳态视觉诱发电位(Steady-State Visual Evoked Potentials，SSVEP)作为研究视觉注意力的特征指标。

研究表明，脑电信号具有背景噪声强信号幅度微弱、非平稳性和随机性强、频域特征比较突出等特点。因此，脑电信号的分析与处理仍然是一项非常具有挑战性的课题。

灰色系统理论(Grey System Theory)是由我国学者邓聚龙教授于1982年在国际上首先提出的。特别适合于对非典型规律的信号(如非平稳、非高斯分布、非白噪声)的处理，与其它的一些按统计规律和先验规律来处理数据的方法相比，灰色方法所需数据量小，不需先验知识等明显的优势。

本发明提出了特别涉及一种基于灰色理论的空间选择性注意检测方法。

发明内容

(一)所要解决的技术问题

本发明的目的是提供一种基于灰色理论的空间选择性注意检测方法，从而使得实时监测被试的空间选择性注意模式状态成为可能。

(二)技术方案

为了解决上述技术问题，本发明提出了一种基于灰色理论的空间选择性注意检测方法，所述方法如下：

本注意力检测方法是利用稳态视觉诱发电位(SSVEP)，通过视觉刺激，诱发脑电，所诱发的脑电的特征包含有刺激的信号特征，而所关注的闪烁刺激所产生的脑电波相应成分幅值增大。我们提出采用灰关联分析法来对脑电信号中SSVEP信号进行特征提取，从而实现空间选择性注意力检测。

具体流程如下如图1所示

1、构建如图2所示的视觉刺激系统，这里空间位置数目n＝4，空间不同位置的刺激信号的频率不同，这样不同的频率表征不同的位置；

2、在这一系统上进行注意力测试实验，同时读取脑电信号；

3、将读取的脑电信号f(t)作傅里叶变换得到F(f)；

4、生成一组参考信号(频率为刺激闪烁频率的正弦信号)，并对其求傅里叶变换得到F_{ref_i}(f)，i＝1，2，…，n；

5、将变换后的信号F(f)和参考信号F_{ref_i}(f)作灰关联，求其灰相关系数r_i，i＝1，2，…，n；

6、利用SVM分类器对由灰相关系数构成的相关向量R＝[r₁>2 …>n]^T做分类，得到注意力的空间集中位置。

(三)有益效果

本发明提出了一种基于灰色理论的空间选择性注意检测方法，该方法能很好的提取出了短时的选择性注意模式的表征特征量，分辨率高。通过引入支持向量机(Support Vector Machine，SVM)对这些特征进一步分类，得以构建选择性注意模式分类算法。经反复实测表明，算法在大多数对象的实测数据上都取得了较高的识别正确率，使得实时监测被试的空间选择性注意模式状态成为可能。

附图说明

图1是SSVEP脑电信号的处理示意图

图2是多方向选择性注实验范式示意图

图3是关注不同方向的原始脑电信号

图4是关注不同方向的原始脑电信号的频谱图

图5是不同频率参考信号的频谱图

具体实施方案

1、构建如图2所示的视觉刺激系统，空间不同位置的刺激信号的频率不同，这样不同的频率表征不同的位置。刺激源采用有FPGA驱动的LED，具有高的刺激强度，频率精度以及可调整性；

2、在这一系统上进行注意力测试实验，同时读取脑电信号。进行SSVEP检测与处理。

SSVEP是诱发脑电，而且特征是关注闪烁刺激时对应刺激频率的脑电波成分幅值增大。所以，本发明提出灰关联分析法来对SSVEP信号进行特征提取。

因为SSVEP信号在频域的特征尤为明显，故首先考虑将时域信号通过傅里叶变换转到频域上作分析。这里以四分类为例，设原始的刺激信号的频率为18Hz，20Hz，22Hz，24Hz分别分布在四个不同位置如图2所示，被试根据指令注视相应的闪烁设备，利用脑电帽实时记录脑电信号。设原始脑电信号为f(t)，如图3所示，对其进行傅里叶变换得到F(f)，如图4所示。

$>F\left(\mathrm{jf}\right)=\underset{-\infty }{\overset{\infty }{\int }}f\left(t\right)e^{-j2\mathrm{\pi ft}}\mathrm{dt}---\left(1\right)$>

相应的，生成一组参考信号，假设频率为刺激频率的正弦信号。

f_{ref_i}(t)＝sin(2πf_it)>>f1=18Hz,f2=20Hz,f3=22Hz,f4=24Hz,---(2)>

对参考信号作傅里叶变换得到F_{ref_i}(f)，结果如图5所示。

3、灰关联处理

将经傅里叶变换后的原始脑电信号F分别与参考信号求灰相关系数：

r_i＝greyrelation(F，F_{ref_i})>

故原始信号的特征用R＝[r₁>2>3>4]^T来表征。

灰关联分析的具体流程如下：

(1)频谱图F(f)和F_{ref_i}(f)中，在18Hz，20Hz，22Hz，24Hz附近取点，得到脑电数据关联序列

x_{EEG_freq}＝(x(1)，x(2)，…x(n))(4)

和参考信号关联序列

x_{EEG_freq_i}＝(x_i(1)，x_i(2)，…x_i(n))(5)

其中i＝1，2，3，4；代表(2)式中的不同参考信号。

(2)求x_{EEG_freq}与x_{EEG_freq_i}的灰关联系数r_i：

$>{\xi }_i\left(k\right)=\frac{\underset{i}{\min }\left(\underset{k}{\min }\right|x_{\mathrm{EEG}\_\mathrm{freq}}\left(k\right)-x_{\mathrm{EEG}\_\mathrm{freq}\_i}\left(k\right)\left|\right)+0.5\underset{i}{\max }\left(\underset{k}{\max }|x_{\mathrm{EEG}\_\mathrm{freq}}\left(k\right)-x_{\mathrm{EEG}\_\mathrm{freq}\_i}\left(k\right)|\right)}{|x_{\mathrm{EEG}\_\mathrm{freq}}\left(k\right)-x_{\mathrm{EEG}\_\mathrm{freq}\_i}\left(k\right)|+0.5\underset{i}{\max }\left(\underset{k}{\max }\right|x_{\mathrm{EEG}\_\mathrm{freq}}\left(k\right)-x_{\mathrm{EEG}\_\mathrm{freq}\_i}\left(k\right)\left|\right)}---\left(6\right)$>

$>r_i=\frac{1}{N}\underset{k=1}{\overset{N}{\Sigma }}{\xi }_i\left(k\right)---\left(7\right)$>

得到特征向量R：

R＝[r₁>2>3>4]^T(8)

这是相关性特征向量。

4、分类

采用支持向量机方法对有关相关特性向量进行分类，结果可以分为i+1类，即注意i个刺激所代表的任意空间和不注意任何空间。

该方法分辨率高，反应速度快，计算量小。由于采用灰关联技术，如所举例子所示，在刺激频率仅相差2Hz时，也能很好分类。这样可以设置模式较多的视觉刺激装置，也就是说将注意空间划分成更多的部分，提高检测的速度和精度。

为进一步简化检测系统，可以只采用少数的脑电导联的信号，由于在顶区，枕区提取的EEG信号表达的SSVEP特征明显，可以在这两个区域进行选择。在只取一个导联的信号时，采用本发明的基于灰关联的注意力检测方法，将特征向量R作为特征放入SVM分类器中，以径向基函数为核函数在系统总体响应时间为3秒的指标下，4方向分类的正确率仍可以达到83％，表现出本发明所给出的方法的优越性。