[发明专利]一种基于脑机接口的运动想象信号的无人机控制方法

说明书

本发明公开了一种基于脑机接口的运动想象信号的无人机控制方法，包括以下步骤：(1)受试者在屏幕前根据实验范式进行对应的运动想象，对受试者的脑电信号进行采集，且进行预处理；(2)训练BP神经网络模型；(3)使用训练完毕的BP网络模型对测试数据进行识别和分类；(4)使用应用训练好的BP神经网络对经过预处理后的数据进行测试及分类，之后将分类结果转化成无人机控制信号控制无人机飞行。本发明与传统的运动想象分类算法相比，将提取特征部分与分类部分合二为一，简化了整个流程，提高了算法的识别效率和对无人机的控制效率，且降低了对无人机控制过程中的错误率。

技术领域

本发明属于脑机接口技术领域，具体涉及一种基于脑机接口的运动想象信号的无人机控制方法。

背景技术

脑机接口(Brain-Computer Interface，BCI)是一种直接通过外部设备与大脑建立连接通路的新型人机接口方式，包含三个部分：脑电信号采集，信号处理与分析，外部设备控制。BCI分为非植入式与植入式，其中非植入式通过外部设备采集大脑皮层的信号，此过程不会对人体造成任何伤害，而且具有操作简便和低成本等特点。因此在医疗领域、人工智能领域和军事等领域都有巨大的应用前景，逐渐成为科学界的研究热点。

根据目前研究表明，人在进行肢体运动想象时，会使大脑皮层EEG对应区域并改变EEG频带能量，其中大脑皮层相应的区域的μ节律(8-12Hz)和β节律(18-23Hz)振幅会发生改变，因此可以通过对EEG的分析来进行分类。目前，研究多采用共空间模式(Common SpatialPattern,CSP)提取运动想象特征。

BCI-无人机控制的基本过程为：利用脑电采集装置Neuracle从大脑皮层提取信号并转化为数字信号，之后经过信号分析与分类模块进行预处理、特征提取和特征分类等操作，最后将得到的分类结果输入到无人机，从而控制它的飞行。

目前存在几类应用较广的分类识别算法：LDA分类器、SVM分类器、贝叶斯分类器、人工神经网络和聚类分类器。但是目前并没有一种分类算法可以将提取特征部分与分类部分合二为一，提取特征部分和分类部分都是分开的，所以导致分类识别算法的效率比较低，导致对无人机的控制效率低，且错误率高。

为此，我们提出一种使用脑电信号控制无人机的方法，用于实现多类别运动想象脑电信号的分类并应用于无人机飞行控制。

发明内容

发明目的：本发明提出的一种基于脑机接口的运动想象信号的无人机控制方法，与传统的运动想象分类算法相比，将提取特征部分与分类部分合二为一，简化了整个流程，提高了算法的识别效率和对无人机的控制效率，且降低了对无人机控制过程中的错误率。

技术方案：本发明所述的一种基于脑机接口的运动想象信号的无人机控制方法，包括以下步骤：

(1)受试者在屏幕前根据实验范式进行对应的运动想象，对受试者的脑电信号进行采集，且进行预处理；

(2)构建的BP神经网络模型并进行训练；

(3)使用训练完毕的BP网络模型对测试数据进行识别并得到分类结果；

(4)使用应用训练好的BP神经网络对经过预处理后的数据进行测试及分类，之后将分类结果转化成无人机控制信号控制无人机飞行。

进一步地，所述步骤(1)包括以下步骤：

(11)受试者佩戴安装有8个电极的脑电帽，利用电极膏将电极帽上的电极与头皮进行接触；进行阻抗测试，且对阻抗过高的电极进行调整，开始记录数据；

(12)受试者根据实验范式进行对应的运动想象，实验共进行100轮，每轮中屏幕依次出现左手、右手、左脚和右脚的图片，图片出现过程中受试者进行相应部位的运动想象，时长4.5s，两次图片中间提供3s休息时间，按顺序进行，得到400个样本数据；