[发明专利]一种结合空间与频率的体感刺激脑机接口范式及实现方法

权利要求书

1.一种结合空间与频率的体感刺激脑机接口范式实现方法，其特征在于，采用的实验范式为改进的Oddball范式，结合了频率和空间信息，具体包括左手刺激信号序列和右手刺激信号序列，均包含目标刺激和干扰刺激，其中目标刺激的震动频率为100Hz、持续时长150ms，干扰刺激的频率为23Hz、持续时长200ms；左手刺激信号序列和右手刺激信号序列均包含6个刺激信号，均为5个干扰刺激和1个目标刺激，其中目标刺激随机出现在6个刺激信号中，每个刺激的间隔为400ms；左手刺激信号序列与右手刺激信号序列之间间隔2s；接受刺激部位为左手和右手的食指指腹，左手刺激信号序列和右手刺激信号序列交替进行；

该实现方法的实现过程包括如下步骤：

步骤一：按照国际标准导联10-20系统电极放置方法，在使用者的头皮上安放测量电极，耳垂和前额位置安放参考电极和接地电极，将各个电极的脑电信号输出端接入到基于体感刺激的脑-机接口系统；

步骤二：将体感刺激输出模块的刺激信号输出端设置在使用者左、右手食指指腹，其设置有信号传输线与基于体感刺激的脑-机接口系统连接；

步骤三：调节体感刺激输出模块的刺激信号输出强度，使使用者对双手的刺激强度主观感受相同，且接收30分钟刺激信号不产生麻木感；

步骤四：对使用者加载如上所述的实验范式，以左、右手均接受四个刺激信号序列为一次实验，共进行8次实验，每次实验之间间隔1-2min；每一次实验过程中集中注意力关注其中一只手，8次实验中双手交替关注；

步骤五：构建脑电信号数据处理模型，验证上述实验范式的可行性，具体包括下述几个步骤：

(1)数据采集与预处理

在对使用者的双手加载上述8次实验时，基于体感刺激的脑-机接口系统通过测量电极和参考电极获得使用者的带有时刻标签的脑电信号数据,并根据刺激信号序列加载位置为左手和右手，将对应产生的带有时刻标签的脑电信号数据划分原始第一数据集和原始第二数据集；

对原始第一数据集和原始第二数据集进行0.5-30hz的粗滤波，并取双耳上的参考电极获取的脑电信号数据的平均值作为参考值，将经粗滤波后的原始第一数据集和原始第二数据集内的每一个测量电极的每一个时刻的脑电信号数据减去上述参考值进行参考重置，得到预处理第一数据集和预处理第二数据集；

然后，以目标刺激诱发的脑电信号作为锁时事件类型对预处理第一数据集和预处理第二数据集内的每一个测量电极的带有时刻标签的脑电信号数据各自分别进行分段，以目标刺激对应时间点为0时刻，提取每个测量电极的位于[-200ms，1000ms]时刻内的带有时刻标签的脑电信号数据矩阵，并以每个测量电极的位于[-200ms，0]时刻内的带有时刻标签的脑电信号数据的平均值作为对应测量电极的带有时刻标签的脑电信号数据矩阵的基线对其进行校正，得到有效第一数据集和有效第二数据集；

(2)特征提取与选择

对有效第一数据集与有效第二数据集内的脑电信号数据矩阵进行频率分析、时频分析和锁时ITC分析，确定采用的实验范式下采集到的脑电信号数据主要特征的频率范围；根据获得的频率范围所在的波段节律，将有效第一数据集与有效第二数据集内的脑电信号数据矩阵按各波段节律范围划分为相应波段节律数量的子集，将完成波段节律划分的两个数据集分别称为实验数据集A与实验数据集B；对实验数据集A与实验数据集B各随机选取70％的数据分别形成测试数据集X1和测试数据集X2，余下30％数据分别为验证数据集1和验证数据集2；

(3)构建基于二次CSP的BCI算法模型：

测试数据集X₁和测试数据集X₂为两分类任务下的多通道诱发响应时-空信号矩阵，测试数据集X₁和测试数据集X₂的维数均为N×T，N为测量电极个数，T为每个测量电极所采集的样本数；

测试数据集X₁和测试数据集X₂归一化后的协方差矩阵R₁，R₂分别为：

上式中，X^T表示矩阵X的转置，trace(X)表示对矩阵对角线上元素求和；求解混合空间的协方差矩阵R：

分别为测试数据集X₁和测试数据集X₂的平均协方差矩阵；

对混合空间协方差矩阵R按式进行特征值分解，由于混合空间协方差矩阵R是正定矩阵，由奇异值分解定理进行特征分解：

R＝UλU^T (3)

上式中，U是矩阵λ的特征向量矩阵，λ为对应的特征值构成的对角阵，按特征值降序排列，可得白化特征值矩阵：

使用白化特征值矩阵对R₁，R₂进行如下转化：

S₁＝PR₁P^T，S₂＝PR₂P^T (5)

S₁、S₂具有公共特征向量，且存在两个对角矩阵λ₁、λ₂和相同的特征向量矩阵B，对S₁、S₂进行主分量分解，可得：

S₁＝Bλ₁B^T，S₂＝Bλ₂B^T (6)

两个特征值的对角阵λ₁和λ₂之和为单位矩阵：

λ₁+λ₂＝I (7)

由此可得空间滤波器的投影矩阵W为：

W＝B^TP (8)

对于测试数据集X₁来说，其特征向量f_i提取方式如下：

将两个测试数据集X₁，X₂分别使用投影矩阵W进行空间滤波：

Z_i＝W×X_i (9)

然后提取特征向量：

把提取到的测试数据集X₁和测试数据集X₂的特征向量f₁和f₂作为下一次计算的测试数据集X₁₁和测试数据集X₂₂，重复一次公式(1)-(10)的过程，然后选取提取到的两个特征向量中的特征频率中的最大和最小的各6个特征构成空间滤波矩阵E；然后将空间滤波矩阵E输入到svm分类器中，对svm分类器进行训练，完成训练后，保存模型，至此，完成基于二次CSP的BCI算法模型的构建；

(4)测试基于二次CSP的BCI算法模型

将验证数据集1和验证数据集2输入到上述保存的基于二次CSP的BCI算法模型中，得到分类结果；将得到的分类结果与使用者自主关注顺序进行对比，计算分类精度；当分类精度不小于70％即认为该实验范式可行；

步骤六：按步骤四中所述的方式对使用者加载上述实验范式，进行多次实验来进行应用，并根据步骤五中的数据采集与预处理部分内容进行数据处理获得初始应用数据集1和初始应用数据集2，然后按步骤五中的特征提取与选择部分内容中的波段节律划分方式对初始应用数据集1和初始应用数据集2进行波段节律划分，得到有效应用数据集1和有效应用数据集2；将有效应用数据集1和有效应用数据集2输入到上述保存的基于二次CSP的BCI算法模型中，得到分类结果；根据分类结果触发相应的控制信号，进而控制外围设备或与外界进行交流。