[发明专利]基于盒维和分形截距特征的脑机接口方法及装置

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：