[发明专利]基于脑电意念的智能运动耳机及其实现方法与系统有效

专利信息
申请号: 201910201269.9 申请日: 2019-03-15
公开(公告)号: CN109743656B 公开(公告)日: 2023-04-11
发明(设计)人: 杜安明;程琨;黄海平;胡林康;胡振超;刘永双;李家东;李欣祥 申请(专利权)人: 南京邮电大学
主分类号: H04R1/10 分类号: H04R1/10;H04R3/12
代理公司: 南京正联知识产权代理有限公司 32243 代理人: 王素琴
地址: 210003 江苏*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 意念 智能 运动 耳机 及其 实现 方法 系统
【权利要求书】:

1.一种基于脑电意念的智能运动耳机的实现方法,其特征在于:基于脑电意念的智能运动耳机包括电源和耳机本体,耳机本体包括头戴、耳机控制模块和发声单元,头戴的两端分别设有发声单元,耳机控制模块内置在头戴中,其特征在于:还包括脑电信号采集模块、脑电信号预处理模块、识别模块和储存模块,脑电信号采集模块、脑电信号预处理模块、识别模块和储存模块分别内置在头戴中,脑电信号采集模块包括干态电极传感器1a、干态电极传感器1b、干态电极传感器1c和干态电极传感器1d,干态电极传感器1a、干态电极传感器1b、干态电极传感器1c和干态电极传感器1d分别设于头戴上,脑电信号采集模块通过脑电信号预处理模块连接识别模块,识别模块连接储存模块;还包括eSIM模块,eSIM模块内置在头戴中,eSIM模块与耳机控制模块连接,eSIM模块采用eSIM NB-IOT通信模组M5310,识别模块采用STM32F072RB芯片;干态电极传感器1a与干态电极传感器1d、干态电极传感器1b与干态电极传感器1c分别双极并联,干态电极传感器1a与干态电极传感器1d分别设于头戴的两端,干态电极传感器1b与干态电极传感器1c分别设于头戴的两端且设于干态电极传感器1a与干态电极传感器1d之间;干态电极传感器1a与干态电极传感器1d、干态电极传感器1b与干态电极传感器1c均采用主动型干态电极传感器,该基于脑电意念的智能运动耳机的实现包括以下步骤,

S1、采集:进行脑电信号采集,采用干电极脑电采集技术,由脑电信号采集模块中的四个单数据通道采集的干态电极传感器1a、1b、1c、1d通过设定的采样频率进行脑电信号采集;

S2、预处理:对采集的脑电信号进行预处理,由脑电信号预处理模块接收脑电采集模块采集到的脑电信号,脑电信号预处理模块进行脑电信号的滤波与放大;

S3、分类:通过脑电特征提取模型获得分类结果,对步骤S2预处理后的脑电信号,采用结合独立分量分析ICA和小波分析的脑电特征提取方法进行特征提取,获得分类结果;

步骤S3中,采用结合独立分量分析ICA和小波分析的脑电特征提取方法进行特征提取,获得分类结果,具体为,

S31、对步骤S2预处理后的脑电信号进行二进小波变换,脑波信号的二进小波变换的定义式为:其中,ci,j二进小波系数,k为整数,为小波函数,为二进小波函数,其逆变换式为:其中,xj(t)表示信号x(t)在某一刻度(2j)下的分量;

对于从脑电信号采集模块测得的2导脑电数据,对每导数据xi进行正交小波分解;采用长度为4的Daubechis小波,以层数为4,按如上公式分解,每导数据被分解为5个子带信号:

原信号与每个子带的频率分布关系为:其中,fs为采样频率;

S32、选取子带,具体为,根据需要选择同一尺度或多个尺度下的各导脑电多个子带的组合,来组成独立分量分析的输入:其中,式中,n、m为所选择的子带范围;

脑电信号有5个主要频带:Delta(0-4Hz)、Theta(4-8Hz)、Alpha(8-15Hz)、Beta(15-30Hz)和Gamma(30-60Hz),由上述子带信号的频率范围公式,得到五个脑电频带对应的子带:为了增强5个脑电频带特征,选择n=1,m=5,即:将上述结果作为独立分量分析的输入;

S33、通过扩展Infomax算法求取分离矩阵,具体为,独立分量分析即从n个通道获得n个观测信号xi,每个观测信号是n个独立源信号si的线性混合,即:x=As,其中,x=(x1,x2,...xn)T,s=(s1,s2,...sn)T,A为常数且A不为0;ICA通过分离矩阵W将独立分量将多通道信源中分离出来,即:u=Wx,其中,u是对真实信源s的逼近;考虑到脑电信号同时包含超高斯和亚高斯分布的独立分量成分,采用基于信息极大准则的扩展Infomax算法进行分离矩阵估计,扩展最大熵算法的解混矩阵调节公式为:其中,μ为学习步长,依具体情况进行自适应调整,I为单位矩阵,K为对角矩阵,对角元素如下:

kii=1(超高斯信号)

kii=-1(亚高斯信号)

故由递推公式W(k+1)=W(k)+μΔW可求得矩阵W;

S34、求解独立分量,具体为,将矩阵W代回上述公式,得到独立分量u=(u1,u2,…un)T

S4、训练:采用反向传播算法将步骤S3中所得分类结果带入前馈神经网络训练,求取参数隐含层神经元数n、权重矩阵W,得到基于前馈神经网络的脑电特征深度学习模型;

S5、识别:对实时采集的脑电信号进行识别,将步骤S4得到的参数直接预设在识别模块中,即,将S4建立的脑电特征深度学习模型预置在识别模块中,将运动者运动过程中实时采集到的脑电信号数据,通过预处理模块预处理后,输入识别模块后,得到相应的分类结果;

S6、控制:对耳机控制模块发送指令,经识别模块的处理器运算后得到的分类结果,与存储模块中的分类结果进行比对,得到对应的嵌入式指令,将嵌入式指令发送给耳机控制模块;

步骤S7、通过eSIM模块进行通话控制,实现收到来电、接听电话、挂断电话的控制,并将相关控制信息发送给耳机控制模块。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京邮电大学,未经南京邮电大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910201269.9/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top