[发明专利]独立成分分析联合最小二乘法的近红外脑机接口的信号检测方法

摘要

独立成分分析联合最小二乘法的近红外脑机接口的信号检测方法，属于血红蛋白浓度检测技术领域。它解决了近红外脑机接口检测中由于人体生理干扰造成检测获得的氧合血红蛋白浓度变化和还原血红蛋白浓度变化量不准确，而影响脑功能活动信号准确提取的问题。它通过检测器记录大脑安静状态下和处于诱发激励时漫反射光强，获得光密度变化量的时间序列和和再获取Δ[HbO₂]^N(k)、Δ[HHb]^N(k)、Δ[HbO₂]^F(k)Δ[HHb]^F(k)；用x₁(k)表示步骤二中的Δ[HbO₂]^N(k)或Δ[HHb]^N(k)；用x₂(k)表示步骤二中Δ[HbO₂]^F(k)或Δ[HHb]^F(k)；推算出脑功能信号表达式s(k)；求解脑功能信号s(k)。本发明适用于脑机接口的信号检测。

主权项

1.一种独立成分分析联合最小二乘法的近红外脑机接口的信号检测方法，其特征在于，它包括以下步骤：步骤一：采用近红外探头靠近待检测头部的头皮表面，使得该近红外探头发射的近红外光入射至待测脑组织，该近红外探头由双波长光源S、检测器D1和检测器D2构成，其中双波长光源S到检测器D1之间的直线距离为r₁，5mm≤r₁≤15mm，双波长光源S到检测器D2之间的直线距离为r₂，30mm≤r₂≤45mm；检测器D1用于感应外层脑组织的血液动力学变化，检测器D2用于感应大脑皮质的血液动力学变化；步骤二：通过检测器D1记录大脑安静状态下的漫反射光强和大脑处于诱发激励状态下的漫反射光强，获得大脑安静状态下双波长光源S波长为λ₁时、对应的漫反射光的光密度变化量的时间序列及获得大脑处于诱发激励状态下双波长光源S波长为λ₂时、对应的漫反射光的光密度变化量的时间序列通过检测器D2记录大脑安静状态下的漫反射光强和大脑处于诱发激励状态下的漫反射光强，获得大脑安静状态下双波长光源S波长为λ₁时、对应的漫反射光的光密度变化量的时间序列及获得大脑处于诱发激励状态下双波长光源S波长为λ₂时、对应的漫反射光的光密度变化量的时间序列k为获得时间序列的点数，k＝1，2，...，M，M为正整数；步骤三：根据步骤二中获得的时间序列和时间序列采用修正朗伯比尔定律获取与检测器D1的检测信号对应的氧合血红蛋白浓度变化量的时间序列Δ[HbO₂]^N(k)，及获取与检测器D1的检测信号对应的还原血红蛋白浓度变化量的时间序列Δ[HHb]^N(k)：Δ[HbO2]N(k)=(ϵHHb(λ1)ΔODλ2N(k)/DPF)-(ϵHHb(λ2)ΔODλ1N(k)/DPF)r1(ϵHbO2(λ2)ϵHHb(λ1)-ϵHbO2(λ1)ϵHHb(λ2)),]]>Δ[HHb]N(k)=(ϵHbO2(λ2)ΔODλ1N(k)/DPF)-(ϵHbO2(λ1)ΔODλ2N(k)/DPF)r1(ϵHbO2(λ2)ϵHHb(λ1)-ϵHbO2(λ1)ϵHHb(λ2));]]>其中，ε_HHb(λ₁)为双波长光源S的波长为λ₁时还原血红蛋白的消光系数，ε_HHb(λ₂)为双波长光源S的波长为λ₂时还原血红蛋白的消光系数，为双波长光源S的波长为λ₁时氧合血红蛋白的消光系数，为双波长光源S的波长为λ₂时氧合血红蛋白的消光系数，DPF为差分路径因子；根据步骤二中获得的时间序列和时间序列采用修正朗伯比尔定律获取与检测器D2的检测信号对应的氧合血红蛋白浓度变化量的时间序列Δ[HbO₂]^F(k)，及获取与检测器D2的检测信号对应的还原血红蛋白浓度变化量的时间序列Δ[HHb]^F(k)：Δ[HbO2]F(k)=(ϵHHb(λ1)ΔODλ2F(k)/DPF)-(ϵHHb(λ2)ΔODλ1F(k)/DPF)r2(ϵHbO2(λ2)ϵHHb(λ1)-ϵHbO2(λ1)ϵHHb(λ2)),]]>Δ[HHb]F(k)=(ϵHbO2(λ2)ΔODλ1F(k)/DPF)-(ϵHbO2(λ1)ΔODλ2F(k)/DPF)r2(ϵHbO2(λ2)ϵHHb(λ1)-ϵHbO2(λ1)ϵHHb(λ2));]]>步骤四：用x₁(k)表示步骤三中的Δ[HbO₂]^F(k)或Δ[HHb]^F(k)，将x₁(k)作为脑机接口检测中的测量通道信号，x₁(k)扩展至加噪模型为：x₁(k)＝s(k)+n(k)，其中s(k)为脑机接口信号中的血液动力学信号，n(k)为生理干扰信号；用x₂(k)表示步骤三中的Δ[HbO₂]^N(k)或Δ[HHb]^N(k)，作为脑机接口检测中的虚拟通道信号，则有观测矩阵x：x=x1x2=s+nu=1a01su=Ar,]]>A=1a01,]]>r=su,]]>其中，x₁为整个观测的时间序列x₁(k)，是一维相量；x₂为整个观测的时间序列x₂(k)，是一维相量，即检测器D2检测的生理干扰混合相量u；s为血液动力学信号的整个时间序列；n为整个观测的时间序列x₁(k)中混叠的噪声，a为检测器D2检测获得的干扰信号与检测器D1检测获得信号的比例权值；A为混合矩阵，r为分离的脑机接口信号和噪声组成的相量；步骤五、用独立成分分析ICA算法，在混合矩阵A和血液动力学信号的整个时间序列s未知的情况下，根据观测矩阵x确定分离矩阵W，使得变换后的输出Y＝Wx；步骤六、根据步骤五中的Y＝Wx推算出二维矩阵，两行分别表示为l和d，l和d分别与s和u满足线性相关条件，用bl(k)+c作为s(k)的最优估计，则残差e(k)为：e(k)＝x₁(k)-bl(k)-c；步骤七、利用最小二乘算法，采用残差e(k)的累计平方误差性能函数J作为代价函数：J=Σk=1Ne2(k)=Σk=1N(x1(k)-bl(k)-c)2,]]>求取使J最小的系数b和c，再将求取的系数b和c带入步骤六中的bl(k)+c公式中，即可获得脑机接口信号中的血液动力学信号s(k)。