專利名稱：一種基于Matlab和DSP的運動想象腦機接口實現(xiàn)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于Matlab和DSP的運動想象腦機接口實現(xiàn)方法?？蓪θ撕陀嬎銠C識別模型進行交互訓(xùn)練，訓(xùn)練后得到最佳識別模型，進而以C語言代碼為基礎(chǔ)在DSP上進行具體實現(xiàn)，達到腦機接口實際應(yīng)用目的。
背景技術(shù)：
腦機接口是指通過電極從頭皮或顱內(nèi)獲得含有控制意圖的腦電信號，經(jīng)過特征提取與分類，識別出不同的用戶意圖，并將之轉(zhuǎn)化為能夠控制外部設(shè)備的命令。腦機接口不僅在殘疾人康復(fù)、老年人護理方面具有顯著的優(yōu)勢，而且在軍事、人工智能、娛樂等方面也具有廣闊的應(yīng)用前景。在應(yīng)用之前需要對人和計算機識別模型進行大量交互訓(xùn)練，然而現(xiàn)有的大部分訓(xùn)練軟件與特定的硬件綁定，價格昂貴，缺乏通用性。少量訓(xùn)練軟件盡管具有通用性，但這些開源軟件系統(tǒng)結(jié)構(gòu)復(fù)雜，只能在實驗室使用，和實際應(yīng)用還有相當(dāng)?shù)木嚯x。目前并沒有一種方便實用的交互訓(xùn)練軟件及腦機接口面向應(yīng)用的具體實現(xiàn)方法。為了解決以上存在的問題，人們一直在尋求一種更為合理的方案。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種基于Matlab和DSP的運動想象腦機接口實現(xiàn)方法，針對現(xiàn)有腦機接口系統(tǒng)的不足，采用MATLAB編寫了一套能夠?qū)崿F(xiàn)人機交互訓(xùn)練的仿真軟件，該軟件通過TCP/IP接收腦電數(shù)據(jù)，利用Matlab的強大數(shù)學(xué)計算能力，實現(xiàn)腦電信號的接收、保存、特征提取、分類識別等復(fù)雜算法，通過人機交互訓(xùn)練，獲得更有效、穩(wěn)定的分類識別模型。將MATLAB得到的模型最終在DSP平臺上具體應(yīng)用。該實現(xiàn)方法具有通用性強、速度快、效率高、面向?qū)嶋H應(yīng)用的特點，為腦機接口走向?qū)嶋H應(yīng)用奠定基礎(chǔ)。為了實現(xiàn)上述目的，本發(fā)明采用下述技術(shù)方案
一種基于Matlab和DSP的運動想象腦機接口實現(xiàn)方法，包括進行Matlab仿真和DSP具體應(yīng)用，其特征在于所述Matlab仿真包括三個大步驟首次訓(xùn)練模塊一一建立識別模型、模型更新建立更新識別模型、在線仿真建立最佳識別模型。所述首次訓(xùn)練一一建立識別模型讓實驗者執(zhí)行選擇的運動想象任務(wù)，通過對采集到的腦電信號進行離線分析，建立首次識別模型。模型更新建立更新識別模型裝載識別模型，讓實驗者在執(zhí)行運動想象任務(wù)的同時獲取在線實時反饋，通過調(diào)整自身以產(chǎn)生更易識別的腦電信號，再次進行離線分析，建立更新識別模型。在線仿真建立最佳識別模型裝載不同的更新識別模型，對特定的控制對象進行實時在線仿真，通過仿真結(jié)果選擇最佳識別模型，為DSP具體實際應(yīng)用做好準(zhǔn)備。DSP具體應(yīng)用將Matlab仿真部分得到的最佳識別模型，以C語言代碼為基礎(chǔ)進行具體實現(xiàn)，進而在線應(yīng)用，具有速度快、效率高、體積小，面向腦機接口實際應(yīng)用的特點。上述首次訓(xùn)練建立識別模型采用Matlab實現(xiàn)，可允許實驗者設(shè)置訓(xùn)練次數(shù)及運動想象的時間長度，能夠讓實驗者依據(jù)個人特點，選擇要執(zhí)行的運動想象任務(wù)種類，然、后根據(jù)系統(tǒng)提示，執(zhí)行對應(yīng)的運動想象任務(wù)，實現(xiàn)特定運動想象任務(wù)腦電信號的采集與保存。可裝載采集的腦電數(shù)據(jù)，選擇指定的特征提取和分類方法，進行分析處理，建立首次識別模型，并給出該模型對應(yīng)的識別精度。程序流程圖如圖2所示，具體實現(xiàn)步驟為
1)參數(shù)設(shè)置需要設(shè)置的信息包括單次采樣時長、放大器IP及端口、通道選擇、實驗者ID、訓(xùn)練次數(shù)、訓(xùn)練任務(wù)選擇、特征提取方法選擇、分類方法選擇、交叉驗證倍數(shù)和數(shù)據(jù)處理時間域。這些在MATLAB中通過對相應(yīng)控件編程實現(xiàn)；
2)執(zhí)行運動想象任務(wù)實驗者按系統(tǒng)提示進行運動想象任務(wù)。MATLAB界面提示向左箭頭時執(zhí)行左手運動想象任務(wù)、向右箭頭時執(zhí)行右手運動想象任務(wù)、向下箭頭時執(zhí)行右腳運 動想象任務(wù)、向下雙箭頭時執(zhí)行雙腳運動想象任務(wù)。最終實驗數(shù)據(jù)以.mat形式保存；
3)離線分析對已保存的實驗數(shù)據(jù)的預(yù)處理、特征提取、分類識別、交叉驗證，最終輸出正確率并保存首次識別模型。預(yù)處理對實驗數(shù)據(jù)進行通道選擇、提取時間處理窗口、降頻。特征提取可選擇不同的特征提取方法提取特征向量。包括共同空間模式(CSP)、小波包分解(WPD)與共同空間模式相結(jié)合的特征提取方法、功率譜密度(PSD)、自回歸(AR)模型、基于希爾伯特變換(HHT )的特征提取方法。分類識別可選擇不同的分類識別方法訓(xùn)練首次識別模型。包括線性判別分析(LDA)、二次判別分析(QDA)、K近鄰(KNN)、貝葉斯(BAYES)、決策樹(DT)、概率神經(jīng)網(wǎng)絡(luò)(PNN)、支持向量機(SVM)等分類識別方法。交叉驗證對訓(xùn)練的首次識別模型進行交叉驗證，并輸出識別正確率。上述模型更新----建立更新模型采用Matlab實現(xiàn)，可裝載首次識別模型，讓實驗者在執(zhí)行運動想象任務(wù)的同時獲取在線實時反饋，可選擇滾動條、虛擬人等不同的反饋方式，通過不斷調(diào)整自身，產(chǎn)生更易識別的腦電信號，使實驗者適應(yīng)計算機識別模型，進而提高識別精度。同時可比較不同反饋方式對改善識別精度的效果。通過對新采集到的腦電信號再次進行離線分析，建立更新識別模型。更新過程可反復(fù)進行，直到獲得預(yù)定的識別正確率且穩(wěn)定，使計算機模型適應(yīng)實驗者。程序流程圖如圖3所示，具體實現(xiàn)步驟為
1)參數(shù)設(shè)置在上述首次訓(xùn)練模塊的參數(shù)設(shè)置部分基礎(chǔ)上，增加了反饋方式選擇、初始模型選擇、滑動窗口長度、滑動窗口間隔。這些在MATLAB中通過對相應(yīng)控件編程實現(xiàn)；
2)執(zhí)行運動想象任務(wù)實驗者按系統(tǒng)提示進行運動想象任務(wù)。在執(zhí)行想象任務(wù)的同時，通過預(yù)先選定的首次訓(xùn)練模型進行在線分類識別，以設(shè)置的反饋方式實時反饋給實驗者。反饋方式包括進度條反饋、指示條反饋、虛擬人反饋。實驗者依據(jù)反饋方式調(diào)整自身以產(chǎn)生更容易識別的腦電信號。3)離線分析對具有反饋情況下已保存的實驗數(shù)據(jù)的預(yù)處理、特征提取、分類識另IJ、交叉驗證，最終輸出正確率并保存更新識別模型。具體實現(xiàn)同上述首次訓(xùn)練模塊的離線分析部分
4)循環(huán)往復(fù)將1)、2)、3)反復(fù)進行，直到獲得預(yù)定的正確率且穩(wěn)定，最后將該正確率對應(yīng)的識別模型保存.
上述在線仿真一一建立最佳識別模型采用Matlab實現(xiàn)，可裝載更新識別模型，讓實驗者選擇特定的控制對象完成控制任務(wù)，可以控制虛擬小車左傳、右轉(zhuǎn)、向前運動。通過控制任務(wù)的仿真操作，給出實驗者控制速度和精度。對同一個控制任務(wù)選擇不同的更新模型，比較控制效果，從而使實驗者選擇最為適合自身的識別模型。程序流程圖如圖4所示，具體實現(xiàn)步驟為
1)參數(shù)設(shè)置需要設(shè)置的信息包括單次采樣時長、放大器IP及端口、通道選擇、實驗者ID、控制對象選擇、仿真系統(tǒng)IP及端口號、發(fā)送命令間隔、模型選擇這些在MATLAB中通過對相應(yīng)控件編程實現(xiàn)；
2)在線仿真腦電信號通過模型更新模塊獲取的識別模型實時進行特征提取，分類。將分類結(jié)果通過TCP/IP傳輸給選擇的控制對象，實現(xiàn)特定的運動。本發(fā)明與現(xiàn)有技術(shù)相比較，具有如下顯而易見的突出實質(zhì)性特點和顯著進步
(I)實現(xiàn)交互訓(xùn)練通過具有實時反饋功能的訓(xùn)練系統(tǒng)，實現(xiàn)了在對BCI系統(tǒng)進行訓(xùn)練
的同時，讓實驗者可以不斷調(diào)整自身狀態(tài)產(chǎn)生更具特征的EEG信號，大大縮短了訓(xùn)練時間。(2)提供多種特征提取與分類識別方法，可比較各種算法的優(yōu)劣，在不斷的交互訓(xùn)練過程中尋找一種適合實驗者的模式識別方法，從而提高BCI系統(tǒng)的識別正確率。(3)基于MATLAB的開放平臺，隨著BCI研究的不斷深入可方便的加入各種算法和仿真應(yīng)用，具有良好的可擴展性。上述DSP具體應(yīng)用采用TMS320C6747 DSP，具有行業(yè)領(lǐng)先的高性能、低功效以及長期的DSP經(jīng)驗積累。該平臺的處理和低功耗功能非常適合于醫(yī)療、測試和測量、高端計算等應(yīng)用。能滿足腦機接口對處理器的要求，為腦機接口面向于實際應(yīng)用奠定基礎(chǔ)。以C語言代碼為基礎(chǔ)進行具體實現(xiàn)，進行在線應(yīng)用，對虛擬小車進行控制，可以比較MATLAB仿真控制和DSP控制的控制速度和精度，為面向腦機接口實際應(yīng)用奠定基礎(chǔ)。方法具有功能全面、操作簡單、可實現(xiàn)性強的特點。


圖I是本發(fā)明總流程框圖。圖2是本發(fā)明首次訓(xùn)練一一建立識別模型的流程框圖 圖3是本發(fā)明模型更新建立更新識別模型的流程框圖 圖4是本發(fā)明在線仿真一一建立最佳識別模型的流程框圖 圖5是本發(fā)明具體實施例的主程序界面圖
圖6是本發(fā)明具體實施例的首次訓(xùn)練界面圖 圖7是本發(fā)明具體實施例的模型更新界面圖 圖8是本發(fā)明具體實施例的虛擬人反饋界面圖 圖9是本發(fā)明具體實施例的在線仿真界面圖 圖10是本發(fā)明具體實施例的虛擬車應(yīng)用系統(tǒng)界面圖。
具體實施例方式本發(fā)明的優(yōu)選實施例結(jié)合附圖詳述如下 實施例一
參見圖一，本基于Matlab和DSP的運動想象腦機接口實現(xiàn)方法，包括進行Matlab仿真和DSP具體應(yīng)用，其特征在于所述Matlab仿真包括三個大步驟首次訓(xùn)練，建立識別模型(I)、模型更新，建立更新識別模型(2)和在線仿真，建立最佳識別模型(3);所述首次訓(xùn)練，建立識別模型(I):可以讓實驗者執(zhí)行選擇的運動想象任務(wù)，通過對采集到的腦電信號進行離線分析，建立首次識別模型；所述模型更新，建立更新識別模型(2):裝載識別模型，讓實驗者在執(zhí)行運動想象任務(wù)的同時獲取在線實時反饋，通過調(diào)整自身以產(chǎn)生更易識別的腦電信號，再次進行離線分析，建立更新識別模型；所述在線仿真，建立最佳識別模型(3):裝載更新識別模型，對特定的控制對象進行實時在線仿真，為DSP具體實際應(yīng)用做好準(zhǔn)備；所述DSP具體應(yīng)用將Matlab仿真部分建立的更新識別模型，以C語言代碼為基礎(chǔ)進行具體實現(xiàn)，進而在線應(yīng)用，具有速度快、效率高、體積小，面向腦機接口實際應(yīng)用的特點實施例二
本實施例與實施例一基本相同，特別之處如下
所述Matlab仿真的首次訓(xùn)練，建立識別模型(I)允許實驗者設(shè)置訓(xùn)練次數(shù)及運動想象的時間長度，能夠讓實驗者依據(jù)個人特點，選擇要執(zhí)行的運動想象任務(wù)種類，然后根據(jù)系統(tǒng)提示，執(zhí)行對應(yīng)的運動想象任務(wù)，實現(xiàn)特定運動想象任務(wù)腦電信號的采集與保存；可裝載采集的腦電數(shù)據(jù)，選擇指定的特征提取和分類方法，進行分析處理，建立首次識別模型，并給出該模型對應(yīng)的識別精度；具體實現(xiàn)步驟為
1)參數(shù)設(shè)置需要設(shè)置的信息包括單次采樣時長、放大器IP及端口、通道選擇、實驗者ID、訓(xùn)練次數(shù)、訓(xùn)練任務(wù)選擇、特征提取方法選擇、分類方法選擇、交叉驗證倍數(shù)和數(shù)據(jù)處理時間域。這些在MATLAB中通過對相應(yīng)控件編程實現(xiàn)；
2)執(zhí)行運動想象任務(wù)實驗者按系統(tǒng)提示進行運動想象任務(wù)。MATLAB界面提示向左箭頭時執(zhí)行左手運動想象任務(wù)、向右箭頭時執(zhí)行右手運動想象任務(wù)、向下箭頭時執(zhí)行右腳運動想象任務(wù)、向下雙箭頭時執(zhí)行雙腳運動想象任務(wù)。最終實驗數(shù)據(jù)以.mat形式保存；
3)離線分析對已保存的實驗數(shù)據(jù)的預(yù)處理、特征提取、分類識別、交叉驗證，最終輸出正確率并保存首次識別模型。預(yù)處理對實驗數(shù)據(jù)進行通道選擇、提取時間處理窗口、降頻。特征提取可選擇不同的特征提取方法提取特征向量。包括共同空間模式(CSP)、小波包分解(WPD)與共同空間模式相結(jié)合的特征提取方法、功率譜密度(PSD)、自回歸(AR)模型、基于希爾伯特變換(HHT )的特征提取方法。分類識別可選擇不同的分類識別方法訓(xùn)練首次識別模型。包括線性判別分析(LDA)、二次判別分析(QDA)、K近鄰(KNN)、貝葉斯(BAYES)、決策樹(DT)、概率神經(jīng)網(wǎng)絡(luò)(PNN)、支持向量機(SVM)等分類識別方法。交叉驗證對訓(xùn)練的首次識別模型進行交叉驗證，并輸出識別正確率。所述Matlab仿真的模型更新，建立識別模型(2):裝載首次識別模型，讓實驗者在執(zhí)行運動想象任務(wù)的同時獲取在線實時反饋，可選擇滾動條、虛擬人不同的反饋方式，通過不斷調(diào)整自身，產(chǎn)生更易識別的腦電信號，使實驗者適應(yīng)計算機識別模型，進而提高識別精度。同時可比較不同反饋方式對改善識別精度的效果；通過對新采集到的腦電信號再次進行離線分析，建立更新識別模型；更新過程可反復(fù)進行，直到獲得預(yù)定的識別正確率且穩(wěn)定，使計算機模型適應(yīng)實驗者；具體實現(xiàn)步驟為
1)參數(shù)設(shè)置在上述首次訓(xùn)練模塊的參數(shù)設(shè)置部分基礎(chǔ)上，增加了反饋方式選擇、初始模型選擇、滑動窗口長度、滑動窗口間隔。這些在MATLAB中通過對相應(yīng)控件編程實現(xiàn)；
2)執(zhí)行運動想象任務(wù)實驗者按系統(tǒng)提示進行運動想象任務(wù)。在執(zhí)行想象任務(wù)的同時，通過預(yù)先選定的首次訓(xùn)練模型進行在線分類識別，以設(shè)置的反饋方式實時反饋給實驗者。反饋方式包括進度條反饋、指示條反饋、虛擬人反饋。實驗者依據(jù)反饋方式調(diào)整自身以產(chǎn)生更容易識別的腦電信號。3)離線分析對具有反饋情況下已保存的實驗數(shù)據(jù)的預(yù)處理、特征提取、分類識另IJ、交叉驗證，最終輸出正確率并保存更新識別模型。具體實現(xiàn)同上述首次訓(xùn)練模塊的離線分析部分，
4)循環(huán)往復(fù)將1)、2)、3)反復(fù)進行，直到獲得預(yù)定的正確率且穩(wěn)定，最后將該正確率對應(yīng)的識別模型保存。所述Matlab仿真的在線仿真，建立最佳識別模型(3):裝載更新識別模型，讓實驗者選擇特定的控制對象完成控制任務(wù)，控制虛擬小車左傳、右轉(zhuǎn)、向前運動；通過控制任務(wù)的仿真操作，給出實驗者控制速度和精度；對同一個控制任務(wù)選擇不同的更新模型，比較控制效果，從而使實驗者選擇最為適合自身的識別模型；具體實現(xiàn)步驟為
1)參數(shù)設(shè)置需要設(shè)置的信息包括單次采樣時長、放大器IP及端口、通道選擇、實驗者ID、控制對象選擇、仿真系統(tǒng)IP及端口號、發(fā)送命令間隔、模型選擇這些在MATLAB中通過對相應(yīng)控件編程實現(xiàn)；
2)在線仿真腦電信號通過模型更新模塊獲取的識別模型實時進行特征提取，分類。將分類結(jié)果通過TCP/IP傳輸給選擇的控制對象，實現(xiàn)特定的運動。實施例三
本發(fā)明的一個優(yōu)選實施例結(jié)合附圖詳述如下
本實施例想象左手右手作為訓(xùn)練任務(wù)，以自回歸(AR)模型作為特征提取方法，以線性判別分析(LDA)作為分類識別方法，以虛擬人反饋作為反饋方式，以虛擬車控制系統(tǒng)作為仿真應(yīng)用，進行運動想象腦機接口實驗。具體操作步驟如下
I)實驗者佩戴好腦電電極帽，注入導(dǎo)電膏，將電極帽和腦電放大器連接，進而接入計算機，準(zhǔn)備好所有的硬件連接。打開本發(fā)明主程序。2)參見圖5主程序模塊界面。點擊“首次訓(xùn)練模塊”按鍵，進入首次訓(xùn)練模塊；
3)參見圖6首次訓(xùn)練模塊界面。a)設(shè)置訓(xùn)練參數(shù)單次采樣時長(必須為40的倍數(shù))，設(shè)置放大器IP和端口，設(shè)置實驗者ID，訓(xùn)練次數(shù)，選擇“左手和右手”訓(xùn)練任務(wù)；
b)點擊“訓(xùn)練”即可開始相應(yīng)的訓(xùn)練；當(dāng)界面提示向左箭頭時，執(zhí)行左手運動想象任務(wù)，向右箭頭時執(zhí)行右手運動想象任務(wù)，達到設(shè)定的訓(xùn)練次數(shù)后，訓(xùn)練結(jié)束，保存相應(yīng)的實驗數(shù)據(jù)。c)設(shè)置離線分析參數(shù)裝載待分析的腦電數(shù)據(jù)(.mat)，設(shè)定待分析的時間長度，選擇特征提取方法為以自回歸(AR)模型，選擇分類識別方法線性判別分析(LDA)，設(shè)置交叉驗證倍數(shù)；
d)點擊“建立模型”即離線分析，按照選定的自回歸(AR)模型和性判別分析(LDA)，對腦電數(shù)據(jù)進行特征提取和分類，獲取交叉驗證的正確率和首次識別模型；
e)點擊“退出”即可返回圖5主程序模塊界面；在圖5主程序模塊界面中點擊“更新系統(tǒng)模塊”按鍵，進入更新系統(tǒng)模塊。4)參見圖7更新訓(xùn)練模塊界面。
a)設(shè)置更新參數(shù)與訓(xùn)練參數(shù)相比增加了反饋方式選擇、首次識別模型選擇、滑動窗口長度、滑動窗口間隔；
b)點擊“訓(xùn)練”即可開始具有反饋功能的訓(xùn)練，當(dāng)界面提示向左箭頭時，執(zhí)行左手運動想象任務(wù)，向右箭頭時執(zhí)行右手運動想象任務(wù)。在訓(xùn)練的同時實時采集EEG數(shù)據(jù)，依據(jù)選定的首次識別模型，對腦電信號進行特征提取和分類識別，將分類結(jié)果寫入Access數(shù)據(jù)庫，虛擬人反饋系統(tǒng)(如圖8)每隔300ms順序讀取Access數(shù)據(jù)庫中的指令，控制虛擬人的左臂或右臂運動，當(dāng)識別結(jié)果為右手運動想象時控制右臂運動，為左手運動想象時控制左臂運動。虛擬人反饋方式則相對比較直觀，虛擬人動作反饋與受試者的想象運動具有一致性且虛擬現(xiàn)實環(huán)境的沉浸感和實時交互性使受試者在逼真的訓(xùn)練環(huán)境中更容易及時調(diào)整自己，從而產(chǎn)生合適的腦電信號。達到設(shè)定的訓(xùn)練次數(shù)后，訓(xùn)練結(jié)束，保存相應(yīng)的實驗數(shù)據(jù)。c)設(shè)置離線分析參數(shù)裝載更新階段的實驗數(shù)據(jù)，其余設(shè)置與上述3)的c)設(shè)置相同；
d)點擊“建立模型”即離線分析，上述3)的d)相同，獲取交叉驗證的正確率和更新識別豐旲型；
e)反復(fù)進行上述4)的a)— d)，直到獲得預(yù)定的識別正確率且穩(wěn)定為止，最后得到多個有效的更新識別模型；
f)點擊“退出”即可返回圖5主程序模塊界面；在圖5主程序模塊界面中點擊“在線仿真模塊”按鍵，進入在線仿真模塊；
5)參見圖9在線仿真模塊界面。a)設(shè)置仿真參數(shù)采樣時長(必須為40的倍數(shù))，設(shè)置放大器IP和端口，設(shè)置實驗者ID，發(fā)送命令間隔，仿真系統(tǒng)選擇，仿真系統(tǒng)IP和端口，選擇更新模塊得到更新識別模型；
b)點擊“開始”即可對實時采集腦電信號進行特征提取和分類識別。將識別結(jié)果通過TCP/IP協(xié)議發(fā)送至虛擬車應(yīng)用系統(tǒng)(如圖10)。虛擬小車根據(jù)接收的EEG控制命令沿著路徑運動，通過碰撞檢測的結(jié)果，描述系統(tǒng)控制的準(zhǔn)確率；
c)反復(fù)進行上述5)的a)— b)，試驗更新階段不同模型的控制效果，直到實驗者認為滿意的效果為止，從多個更新識別模型中選出并保存控制效果最佳的最佳識別模型；
d)完成在線仿真后點擊“退出”即可返回圖5主程序模塊界面。6) DSP具體應(yīng)用實時采集EEG信號，依據(jù)仿真階段得到的最佳識別模型，采用TMS320C6747DSP，以C語言代碼為基礎(chǔ)進行具體實現(xiàn)，DSP的分析結(jié)果通過TCP/IP傳輸給虛擬小車，對小車運行進行控制，為具體應(yīng)用奠定基礎(chǔ)。權(quán)利要求
1.一種基于Matlab和DSP的運動想象腦機接口實現(xiàn)方法，包括進行Matlab仿真和DSP具體應(yīng)用，其特征在于所述Matlab仿真包括三個大步驟首次訓(xùn)練，建立識別模型(I)、模型更新，建立更新識別模型(2)和在線仿真，建立最佳識別模型(3);所述首次訓(xùn)練，建立識別模型(I):可以讓實驗者執(zhí)行選擇的運動想象任務(wù)，通過對采集到的腦電信號進行離線分析，建立首次識別模型；所述模型更新，建立更新識別模型(2):裝載識別模型，讓實驗者在執(zhí)行運動想象任務(wù)的同時獲取在線實時反饋，通過調(diào)整自身以產(chǎn)生更易識別的腦電信號，再次進行離線分析，建立更新識別模型；所述在線仿真，建立最佳識別模型(3):裝載更新識別模型，對特定的控制對象進行實時在線仿真，為DSP具體實際應(yīng)用做好準(zhǔn)備；所述DSP具體應(yīng)用將Matlab仿真部分建立的更新識別模型，以C語言代碼為基礎(chǔ)進行具體實現(xiàn)，進而在線應(yīng)用，具有速度快、效率高、體積小，面向腦機接口實際應(yīng)用的特點。
2.根據(jù)權(quán)利要求I所述的一種基于Matlab和DSP的運動想象腦機接口實現(xiàn)方法，其特征在于所述Matlab仿真的首次訓(xùn)練，建立識別模型(I)允許實驗者設(shè)置訓(xùn)練次數(shù)及運動想象的時間長度，能夠讓實驗者依據(jù)個人特點，選擇要執(zhí)行的運動想象任務(wù)種類，然后根據(jù)系統(tǒng)提示，執(zhí)行對應(yīng)的運動想象任務(wù)，實現(xiàn)特定運動想象任務(wù)腦電信號的采集與保存；可裝載采集的腦電數(shù)據(jù)，選擇指定的特征提取和分類方法，進行分析處理，建立首次識別模型，并給出該模型對應(yīng)的識別精度；具體實現(xiàn)步驟為 1)參數(shù)設(shè)置需要設(shè)置的信息包括單次采樣時長、放大器IP及端口、通道選擇、實驗者ID、訓(xùn)練次數(shù)、訓(xùn)練任務(wù)選擇、特征提取方法選擇、分類方法選擇、交叉驗證倍數(shù)和數(shù)據(jù)處理時間域；這些在MATLAB中通過對相應(yīng)控件編程實現(xiàn)； 2)執(zhí)行運動想象任務(wù)實驗者按系統(tǒng)提示進行運動想象任務(wù);MATLAB界面提示向左箭頭時執(zhí)行左手運動想象任務(wù)、向右箭頭時執(zhí)行右手運動想象任務(wù)、向下箭頭時執(zhí)行右腳運動想象任務(wù)、向下雙箭頭時執(zhí)行雙腳運動想象任務(wù)； 最終實驗數(shù)據(jù)以.mat形式保存； 3)離線分析對已保存的實驗數(shù)據(jù)的預(yù)處理、特征提取、分類識別、交叉驗證，最終輸出正確率并保存首次識別模型； 預(yù)處理對實驗數(shù)據(jù)進行通道選擇、提取時間處理窗口、降頻； 特征提取可選擇不同的特征提取方法提取特征向量；包括共同空間模式(CSP)VjW^包分解(WPD)與共同空間模式相結(jié)合的特征提取方法、功率譜密度(PSD)、自回歸(AR)模型、基于希爾伯特變換(HHT)的特征提取方法； 分類識別可選擇不同的分類識別方法訓(xùn)練首次識別模型； 包括線性判別分析(LDA)、二次判別分析(QDA)、K近鄰(KNN)、貝葉斯(BAYES)、決策樹(DT)、概率神經(jīng)網(wǎng)絡(luò)(PNN)、支持向量機(SVM)等分類識別方法； 交叉驗證對訓(xùn)練的首次識別模型進行交叉驗證，并輸出識別正確率。
3.根據(jù)權(quán)利要求I所述的一種基于Matlab和DSP的運動想象腦機接口實現(xiàn)方法，其特征在于所述Matlab仿真的模型更新，建立識別模型(2):裝載首次識別模型，讓實驗者在執(zhí)行運動想象任務(wù)的同時獲取在線實時反饋，可選擇滾動條、虛擬人不同的反饋方式，通過不斷調(diào)整自身，產(chǎn)生更易識別的腦電信號，使實驗者適應(yīng)計算機識別模型，進而提高識別精度； 同時可比較不同反饋方式對改善識別精度的效果；通過對新采集到的腦電信號再次進行離線分析，建立更新識別模型；更新過程可反復(fù)進行，直到獲得預(yù)定的識別正確率且穩(wěn)定，使計算機模型適應(yīng)實驗者；具體實現(xiàn)步驟為 1)參數(shù)設(shè)置在上述首次訓(xùn)練模塊的參數(shù)設(shè)置部分基礎(chǔ)上，增加了反饋方式選擇、初始模型選擇、滑動窗口長度、滑動窗口間隔； 這些在MATLAB中通過對相應(yīng)控件編程實現(xiàn)； 2)執(zhí)行運動想象任務(wù)實驗者按系統(tǒng)提示進行運動想象任務(wù)；在執(zhí)行想象任務(wù)的同時，通過預(yù)先選定的首次訓(xùn)練模型進行在線分類識別，以設(shè)置的反饋方式實時反饋給實驗者； 反饋方式包括進度條反饋、指示條反饋、虛擬人反饋； 實驗者依據(jù)反饋方式調(diào)整自身以產(chǎn)生更容易識別的腦電信號； 3)離線分析對具有反饋情況下已保存的實驗數(shù)據(jù)的預(yù)處理、特征提取、分類識別、交叉驗證，最終輸出正確率并保存更新識別模型；具體實現(xiàn)同上述首次訓(xùn)練模塊的離線分析部分； 4)循環(huán)往復(fù)將1)、2)、3)反復(fù)進行，直到獲得預(yù)定的正確率且穩(wěn)定，最后將該正確率對應(yīng)的識別模型保存。
4.根據(jù)權(quán)利要求I所述的一種基于Matlab和DSP的運動想象腦機接口實現(xiàn)方法，其特征在于所述Matlab仿真的在線仿真，建立最佳識別模型(3):裝載更新識別模型，讓實驗者選擇特定的控制對象完成控制任務(wù)，控制虛擬小車左傳、右轉(zhuǎn)、向前運動；通過控制任務(wù)的仿真操作，給出實驗者控制速度和精度；對同一個控制任務(wù)選擇不同的更新模型，比較控制效果，從而使實驗者選擇最為適合自身的識別模型；具體實現(xiàn)步驟為 1)參數(shù)設(shè)置需要設(shè)置的信息包括單次采樣時長、放大器IP及端口、通道選擇、實驗者ID、控制對象選擇、仿真系統(tǒng)IP及端口號、發(fā)送命令間隔、模型選擇這些在MATLAB中通過對相應(yīng)控件編程實現(xiàn)； 2)在線仿真腦電信號通過模型更新模塊獲取的識別模型實時進行特征提取，分類；將分類結(jié)果通過TCP/IP傳輸給選擇的控制對象，實現(xiàn)特定的運動。
5.根據(jù)權(quán)利要求I所述的一種基于Matlab和DSP的運動想象腦機接口實現(xiàn)方法，其特征在于所述DSP具體應(yīng)用將通過Matlab仿真篩選的最佳識別模型，以C語言代碼為基礎(chǔ)進行具體實現(xiàn)，進行在線應(yīng)用，對虛擬小車進行控制，可以比較MATLAB仿真控制和DSP控制的控制速度和精度，為面向腦機接口實際應(yīng)用奠定基礎(chǔ)。
全文摘要
本發(fā)明涉及一種基于Matlab和DSP的運動想象腦機接口實現(xiàn)方法，包括進行Matlab仿真和DSP具體應(yīng)用，其中Matlab仿真部分包括三個大步驟首次訓(xùn)練—建立識別模型、模型更新—建立更新識別模型、在線仿真—建立最佳識別模型。DSP具體應(yīng)用將Matlab仿真部分得到的最佳識別模型，以C語言代碼為基礎(chǔ)進行具體實現(xiàn)，進而在線應(yīng)用，具有速度快、效率高、體積小，面向腦機接口實際應(yīng)用的特點。該實現(xiàn)方法具有功能全面、操作簡單、可實現(xiàn)性強的特點。本發(fā)明能夠為為腦機接口用戶的訓(xùn)練和具體使用奠定基礎(chǔ)。
文檔編號G06F3/01GK102629156SQ201210055569
公開日2012年8月8日 申請日期2012年3月6日 優(yōu)先權(quán)日2012年3月6日
發(fā)明者何美燕, 劉麗, 楊幫華, 陸文宇, 韓志軍 申請人:上海大學(xué)