本發(fā)明屬于生物信息技術領域，特別涉及一種腦機接口系統(tǒng)。

背景技術：

腦機接口是一項新型的人機交互技術，是一種不依賴于大腦外周神經與肌肉正常輸出通道的通訊控制系統(tǒng)。它通過采集和分析人腦生物電信號，在人腦與計算機或其它電子設備之間建立起直接交流和控制的通道，這樣人就可以通過腦來表達意愿或操縱設備，而不需要語占或肢體動作。

腦機接口的重要用途是幫助那些思維正常但運動能力嚴重受限的患者提供幫助，使其在外界設備的幫助下更方面與外界溝通交流。腦機接口正成為腦科學、康復工程、生物醫(yī)學工程及人機自動控制研究等領域的研究熱點。

雖然，近幾年人們在腦機接口的研究方面已取得一些積極進展。但現(xiàn)有的腦機接口系統(tǒng)大多處于理論實驗階段。此外，這些實驗設備體積龐大、系統(tǒng)分散、導線眾多，而且數據只能做離線分析，導致腦機接口系統(tǒng)無法應用到實際生活中。

技術實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術的不足，提供一種通過模擬信號處理模塊濾除腦電信號中的噪聲，然后利用ARM處理器實時在線分析腦電信號，將腦電信號中的相關信息翻譯成機器指令，通過無線方式發(fā)送至目標機器，電路結構簡單，能夠減小接口設備的體積，并且能夠實現(xiàn)實時在線數據處理的腦機接口系統(tǒng)。

本發(fā)明的目的是通過以下技術方案來實現(xiàn)的：一種腦機接口系統(tǒng)，包括腦電信號采集電極、模擬信號處理模塊和數字信號處理模塊；所述模擬信號處理模塊包括：

前置放大電路，用于放大腦電信號，濾除共模噪聲；

抗混疊濾波電路，用于濾除高頻噪聲的干擾；

直流補償電路，用于濾除腦電信號采集電極中引入的直流成份，提高前置放大電路的放大倍數，獲得高的腦電信號信噪比；

所述數字信號處理模塊包括：

模數轉換器，將模擬信號轉換成數字信號；

微控制器，用于控制模數轉換器；

ARM處理器，用于將腦電信號中的相關信息轉換為機器指令；

無線傳輸電路，用于將機器指令發(fā)送至目標機；

腦電信號采集電極將獲取到的信號輸入前置放大電路，前置放大電路的輸出分別與抗混疊濾波電路和直流補償電路相連，直流補償電路的輸出端連接前置放大電路；抗混疊濾波電路的輸出端依次連接模數轉換器、微控制器、ARM處理器和無線傳輸電路，微控制器的輸出端還與模數轉換器相連。

進一步地，所述ARM處理器采用線性判別分析LDA算法實現(xiàn)腦電信號中的相關信息轉換為機器指令。所述線性判別分析LDA算法包括以下步驟：

S1、訓練LDA分類器，包括以下子步驟：

S11、采集腦電信號，分別采集多個通道的腦電信號作為輸入信號；

S12、對采集到的腦電信號分別進行moVEP(運動起始視覺誘發(fā)電，motion-onset Visual Evoked Potential,moVEP)信號提取，并判斷該moVEP信號是否為目標刺激產生的信號，若是則將moVEP信號存入目標緩存區(qū)，并執(zhí)行步驟S13；否則將moVEP信號存入非目標緩存區(qū)，執(zhí)行步驟S14；

S13、判斷目標刺激樣本數是否采集完畢，若已經采集完畢則執(zhí)行步驟S15，否則返回步驟S11；

S14、判斷非目標刺激樣本數是否采集完畢，若已經采集完畢則執(zhí)行步驟S15，否則返回步驟S11；

S15、繪制目標刺激和非目標刺激的moVEP曲線圖；

S16、根據用戶選擇的時間窗分別提取目標刺激和非目標刺激的moVEP信號段；

S17、將提取的moVEP信號段進行去基線、數字濾波和降采樣處理；

S18、對降采樣處理后的moVEP信號進行疊加，然后將多個通道的moVEP信號首尾串接，形成最后的目標刺激和非目標刺激的特征向量；在進行腦機接口控制時，往往會選擇多個通道的腦電數據來作為輸入信號，這就要求在最后的特征提取過程中，需要將各個通道的腦電數據首尾連接起來，形成最后的特征向量，也就是“通道間串接”。

S19、生成LDA分類器參數，并將LDA分類器參數存儲于文本文檔中；

S2、將采集到的腦電信號通過投影向量投影到一維線性空間，然后利用步驟S1生成的LDA分類器對腦電信號進行分類，實現(xiàn)對腦電信號的特征提取和模式識別，將腦電信號中的相關信息轉換為機器指令。

進一步地，所述步驟S19中生成LDA分類器參數的具體實現(xiàn)方法為：利用投影向量將步驟S18得到的特征向量投影到一維線性空間，線性判別分析LDA算法所用的分類閾值w0是目標刺激和非目標刺激兩類樣本在經過向投影向量投影的一維線性空間的在分界點，本發(fā)明選取標刺激和非目標刺激兩類樣本在一維線性空間上投影后的均值作為標刺激和非目標刺激的分類閾值w0。

LDA分類的思想是將高維空間的向量投影到一維線性空間中，然后在一維線性空間中對樣本進行分類，所以在使用LDA分類器前，先要尋找出這個最佳的投影向量W，在本發(fā)明中，所述投影向量采用Fisher提出的最佳投影向量W，使樣本在一維線性空間上的投影有最大的類間距離和最小的類內距離：

W＝(S₁+S₂)^-1(u₁-u₂) (1)

其中，u₁和u₂分別為目標刺激和非目標刺激所對應信號特征向量的均值，其定義如下：

w_i代表目標刺激和非目標刺激的類別，x是信號特征向量，N_i表示屬于w_i類的樣本個數；

S₁和S₂分別為目標刺激和非目標刺激的類內離散度，類內離散度是用來表征樣本之間的離散信息的變量，其定義如下：

本發(fā)明的有益效果是：本發(fā)明提出了一種腦機接口系統(tǒng)，該系統(tǒng)通過模擬信號處理模塊濾除腦電信號中的噪聲，提取較為純凈的腦電信號；然后在微控制器的控制下，將模擬信號轉換為數字信號，并利用ARM處理器實時在線分析腦電信號，將腦電信號中的相關信息翻譯成機器指令，通過無線方式發(fā)送至目標機器，實現(xiàn)腦電信號對外界設備的實時控制。本發(fā)明通過合理設計硬件電路和數字電路，能夠獲得高信噪比的腦電信號，電路結構簡單，能夠減小接口設備的體積，降低設備成本；并且能夠實現(xiàn)實時在線數據處理，能夠廣泛應用于實際生活中。

附圖說明

圖1為本發(fā)明的腦機接口系統(tǒng)結構示意圖；

圖2為本發(fā)明的訓練LDA分類器的流程圖；

圖3為本發(fā)明的腦機接口系統(tǒng)的刺激界面圖；

圖4為本發(fā)明的LDA在線測試的流程圖。

具體實施方式

本發(fā)明提出了一種腦機接口系統(tǒng)，該系統(tǒng)通過模擬電路，濾除信號中的噪聲，提取較為純凈的腦電信號，然后在微控制器的控制下，將模擬信號轉換為數字信號，然后利用ARM處理器，實時在線的分析出來腦電信號，并將信號中的相關信息翻譯成機器指令，通過無線方式發(fā)送至目標機器，從而實現(xiàn)對外界設備的實時控制。下面結合附圖進一步說明本發(fā)明的技術方案。

如圖1所示，腦機接口系統(tǒng)，包括腦電信號采集電極、模擬信號處理模塊和數字信號處理模塊；腦電信號采集電極用于采集腦電信號，可以為濕電極或者干電極；

所述模擬信號處理模塊包括：

前置放大電路，用于放大腦電信號，濾除共模噪聲；

抗混疊濾波電路，用于濾除高頻噪聲的干擾；

直流補償電路，用于濾除腦電信號采集電極中引入的直流成份，提高前置放大電路的放大倍數，獲得高的腦電信號信噪比；

所述數字信號處理模塊包括：

模數轉換器，將模擬信號轉換成數字信號；

微控制器，用于控制模數轉換器；

ARM處理器，用于將腦電信號中的相關信息轉換為機器指令；

無線傳輸電路，用于將機器指令發(fā)送至目標機；

腦電信號采集電極將獲取到的信號輸入前置放大電路，前置放大電路的輸出分別與抗混疊濾波電路和直流補償電路相連，直流補償電路的輸出端連接前置放大電路；抗混疊濾波電路的輸出端依次連接模數轉換器、微控制器、ARM處理器和無線傳輸電路，微控制器的輸出端還與模數轉換器相連。

腦電信號中相關信息的轉換主要是信號的判別分類的過程，本發(fā)明的ARM處理器采用線性判別分析(LDA，Linear Discriminant Analysis)的方法，實現(xiàn)對腦電信號的特征提取和模式識別，將腦電信號中的相關信息轉換為機器指令。

線性判別分析是特征提取和模式識別的一種算法。線性判別分析的基本思想是將高維的模式樣本投影到最佳鑒別矢量空間，以達到抽取分類信息和壓縮特征空間維數的效果，投影后，保證模式樣本在新的子空間有最大的類間距離和最小的類內距離，即模式在該空間中有最佳的可分離性。因此，它是一種有效的特征抽取方法。使用這種方法能夠使投影后模式樣本的類間散布矩陣最大，并且同時類內散布矩陣最小。所述線性判別分析LDA算法包括以下步驟：

S1、訓練LDA分類器，在使用LDA分類器進行模式分類前，需要先訓練出LDA分類器參數，系統(tǒng)專門設計了一個LDA訓練線程，在和數據采集線程的配合下負責生成LDA分類器參數，并將分類器參數存儲于文本文檔中。如此以來，在下一次使用該腦機接口系統(tǒng)時，如果分類準確率滿足需求，就能免去訓練的過程。圖2為該LDA訓練的流程圖，具體包括以下子步驟：

S11、采集腦電信號，分別采集多個通道的腦電信號作為輸入信號；

S12、對采集到的腦電信號分別進行moVEP(運動起始視覺誘發(fā)電，motion-onset Visual Evoked Potential,moVEP)信號提取，并判斷該moVEP信號是否為目標刺激產生的信號，若是則將moVEP信號存入目標緩存區(qū)，并執(zhí)行步驟S13；否則將moVEP信號存入非目標緩存區(qū)，執(zhí)行步驟S14；圖3為腦機接口系統(tǒng)的刺激界面，每輪運動起始刺激中，四個矩形刺激框會依次產生一次刺激，具體刺激順序隨機。在整個刺激過程中，用戶只能注視其中的一個矩形刺激框，把用戶所注視的那個矩形刺激框產生的運動起始刺激稱為目標刺激，其余三個矩形刺激框產生的運動起始刺激稱為非目標刺激。

S13、判斷目標刺激樣本數是否采集完畢，若已經采集完畢則執(zhí)行步驟S15，否則返回步驟S11；

S14、判斷非目標刺激樣本數是否采集完畢，若已經采集完畢則執(zhí)行步驟S15，否則返回步驟S11；

在進行分類器訓練時，需要先獲取到已知類別信息的樣本，一般而言，已知類別信息的樣本數目越多，訓練出來的分類器效果就越好，但是對應的訓練時間也越長，所以希望在兩者之間尋找一個平衡點，經過實踐，當目標刺激的樣本數為180，非目標刺激的樣本數為900時，能夠達到兩者間的平衡。

S15、繪制目標刺激和非目標刺激的moVEP曲線圖；

S16、根據用戶選擇的時間窗分別提取目標刺激和非目標刺激的moVEP信號段；

S17、將提取的moVEP信號段進行去基線、數字濾波和降采樣處理；

S18、對降采樣處理后的moVEP信號進行疊加，然后將多個通道的moVEP信號首尾串接，形成最后的目標刺激和非目標刺激的特征向量；在進行腦機接口控制時，往往會選擇多個通道的腦電數據來作為輸入信號，這就要求在最后的特征提取過程中，需要將各個通道的腦電數據首尾連接起來，形成最后的特征向量，也就是“通道間串接”。

S19、生成LDA分類器參數，并將LDA分類器參數存儲于文本文檔中；

為了驗證LDA分類器對腦電信號處理的準確性，在獲取到LDA分類器參數后，還需要進一步進行LDA實時分類，即LDA在線測試。LDA在線測試流如圖4所示。在LDA實時分類模式下，刺激屏幕總共包含4個刺激滑塊，一次完整的刺激四個刺激滑塊會依次隨機進行滑動刺激，每個滑塊刺激完成后都會提取到一段moVEP信號，所以一次完整的刺激就能提取到4段moVEP信號，為了提高分類準確率，這里將兩次刺激提取到的moVEP信號進行疊加，疊加后再送入LDA分類器進行分類，所以，在分類前，需要提取到8段moVEP信號。首先采集腦電喜好并進行moVEP提??；然后對提取到的moVEP信號進行去基線、數字濾波、降采樣、疊加和通道間串接處理之后，檢測是否提取到兩次完整刺激的所有目標moVEP信號和非目標moVEP信號；若是則將提取到的moVEP信號送入LDA分類器進行LDA分類，并將分類結果轉換成控制指令發(fā)送給目標機器；否則重新進行腦電信號采集。

S2、將采集到的腦電信號通過投影向量投影到一維線性空間，然后利用步驟S1生成的LDA分類器對腦電信號進行分類，實現(xiàn)對腦電信號的特征提取和模式識別，將腦電信號中的相關信息轉換為機器指令。

進一步地，所述步驟S19中生成LDA分類器參數的具體實現(xiàn)方法為：利用投影向量將步驟S18得到的特征向量投影到一維線性空間，線性判別分析LDA算法所用的分類閾值w0是目標刺激和非目標刺激兩類樣本在經過向投影向量投影的一維線性空間的在分界點，本發(fā)明選取標刺激和非目標刺激兩類樣本在一維線性空間上投影后的均值作為標刺激和非目標刺激的分類閾值w0。

LDA分類的思想是將高維空間的向量投影到一維線性空間中，然后在一維線性空間中對樣本進行分類，所以在使用LDA分類器前，先要尋找出這個最佳的投影向量W，在本發(fā)明中，所述投影向量采用Fisher提出的最佳投影向量W，使樣本在一維線性空間上的投影有最大的類間距離和最小的類內距離：

W＝(S₁+S₂)^-1(u₁-u₂) (1)

其中，u₁和u₂分別為目標刺激和非目標刺激所對應信號特征向量的均值，其定義如下：

w_i代表目標刺激和非目標刺激的類別，x是信號特征向量，N_i表示屬于w_i類的樣本個數；i＝1表示目標刺激，i＝2表示非目標刺激；

S₁和S₂分別為目標刺激和非目標刺激的類內離散度，類內離散度是用來表征樣本之間的離散信息的變量，其定義如下：

本領域的普通技術人員將會意識到，這里所述的實施例是為了幫助讀者理解本發(fā)明的原理，應被理解為本發(fā)明的保護范圍并不局限于這樣的特別陳述和實施例。本領域的普通技術人員可以根據本發(fā)明公開的這些技術啟示做出各種不脫離本發(fā)明實質的其它各種具體變形和組合，這些變形和組合仍然在本發(fā)明的保護范圍內。