一种基于侵入式BCI的人脑意念识别系统的制作方法

文档序号:20347889发布日期:2020-04-10 22:46阅读:312来源:国知局
一种基于侵入式BCI的人脑意念识别系统的制作方法

技术领域:

本发明属于人脑颅内脑电信号识别技术领域,具体设计一种计入侵入式bci设备人类意念识别的系统方法。



背景技术:

人脑的意念分为情绪、爱好、瞬时的想法、运动指令等,最常见的应用是识别人脑对文字、音乐、图像等的想法,高效率地输出到计算机中。人脑的想法或意念是有迹可循的,可以通过收集广泛分布与大脑皮层的脑电波变化得到。相关技术包括但不限于:对颅内信号收集的侵入式和非侵入式技术,如功能性核磁共振成像技术等;以电极阵列构建三维电场数据的技术;人脑不同意念和指令识别的算法技术等。

存在的问题是,目前人脑侵入式设备主要应用在残疾人躯体控制等方面,意念识别仅限于身体运动的简单指令,没有对于丰富的大脑意念的综合识别。对于人脑电信号收集的设备,少有三维信号收集,而是局限于特定信号点的脑电信号收集,所以遗失了很多信息,无法对于丰富的人脑状态进行判断。功能性核磁成像为代表的非侵入式三维脑信号检测系统,在时域和频域的精度不足以达到意念识别的程度,并且需要的设备过于庞大和昂贵,不便于日常生活中的检测。

为此,我们设计了一种基于侵入式bci设备的人脑意念识别系统,在进行功能芯片植入后,可以实时检测人脑的意念状态。



技术实现要素:

本发明的目的在于提供一种基于侵入式脑机交互设备的综合系统,以解决目前其他方法无法解决的,对于人脑丰富意念的综合识别问题。实时的传输与计算,封装的植入式设备与无线传输技术使得我们的方案可以进行广泛地生活场景中脑信号的检测与计算。三维脑波的解析通过机器学习和深度学习算法实现,可提供人脑意念的读取和意念控制机器设备的应用。

技术方案:

为了实现上述目的,本发明提供如下技术方案:一种基于侵入式bci(脑机交互)设备的人脑意念识别系统。本系统包括一套基于侵入式脑电信号的意念信息判别的步骤,此步骤应用了特制的侵入式脑波收集设备组件、特制的无限信号传输设备组件(上述二者统称为特制的侵入式bci设备)、用以信号转输的移动端app以及脑电信号处理算法四个部分。本系统的基于侵入式脑电信号的意念信息判别的步骤为:

第一步:通过特制的植入式设备进行原始脑电信号采集,阵列式电极排列收集的信号可还原为颅内三维的脑电信号;

第二步:信号通过颅内信号无线传输设备进行同步放大并编码,通过5g或蓝牙模块传输到移动端;

第三步:移动端app接收信号后,将未解码的信号文件包直接上传到云端高性能计算服务器集群,进行信号解析和分析计算;

第四步:在云端服务器,应用预处理算法进行信号解码、稳定性分析和特征提取;

第五步:应用机器学习算法、深度学习算法进行信号分析计算,判断各种常规意念的特征参数是否达到阈值,并组合得到综合的实时人脑意念结果。

优选的:所述第一步和第二步中信号采集和传输步骤流程为:

第一步:使用者植入的颅内脑电信号采集设备电极阵列植入位置位于前额大脑纵裂,竖直排布,每个电极分左右两组,分别检测左右半球额叶皮层;

第二步:植入设备的电极阵列通过高性能生物材料光纤传输到植入设备的信号处理和外传部分组件,该组件定期通过贴合在额部的外部电源设备进行无线充电;

第三步:多电极的脑电信号由信号传输设备进行放大,之后通过交叉编码,整合为信息量更大的高频数字信号,并传输到移动端;

第四步:移动端将接收到的信号传输到云端服务器。

优选的:所述第四步中信号解析和预处理步骤计算流程为:

第一步:对高速传输的数字信号进行解码,还原为多通道电极阵列的脑电信号;

第二步:通过滤波算法和主成分分析进行噪音取除和转换变化,主要通过回归法、自适应滤波法和独立分量分析法对眼动干扰、心电干扰、肌电干扰、工频干扰和高频噪声干扰等进行取除;

第三步:利用不同电极位置关系,构建额叶左右半脑三维的电势场分布;

第四步:对解析后的三维电波变化进行时域和频域的参数提取和特征变换工程,并进行特征归类,以待下一步分析。

优选的:所述第五步中脑电信号意念识别和结果判断流程为:

第一步:上述步骤通过对脑电信号采用时域与频域的分析,和特征提取,从信号初始采集的信号与噪音识别,到设置滤波算法,通过不同的参数适配,得到了基于侵入式bci设备采集的最有效信噪比信号;

第二步:使用机器学习和深度学习的算法计算时域和频域的特征组合,得到一系列与人脑意念有关的参数;

第三步:通过建立和不断完善的人类意念参数特征库,对比实时分析得到的参数是否达到某种意念的阈值;

第四步:组合所有达到阈值的意念,通过分类算法判断人脑的综合意念范畴,得到人脑意念计算得综合结果。

优选的:所述第五步中脑电信号机器学习的模式识别与结果判断流程为:

第一步:实现了信号分析算法处理颅内三维脑电数据建模特征提取,同时通过引入机器学习模型,决策树,朴素贝叶斯分类,最小二乘法,逻辑回归,集成方法,支持向量机,聚类算法主成分分析,奇异值分解,独立成分分析等算法模型;

第二步:通过第一步选用的机器学习模型,通过模型的有标签训练,分别对时域和频域的各类信号特征进行不同人类意念和状态相关下的指标分类和判别自动化识别。

优选的:所述第五步中脑电信号深度学习的模式识别与结果判断流程为:

第一步:对于大规模、长时间的用户监测和识别,随着颅内脑电信号识别算法的鲁棒性要求和自动化更新的需求,随着用户体量的增加和数据集规模的增长,传统的信号分析和机器学习算法在算法更新和自动化识别效率方面无法满足进行人工智能算法的颅内脑电信号处理模型设计;

第二步:通过引入深度学习神经网络,在gpu高性能服务器上,进行端到端的深度学习建模与运算,主要使用基于循环神经网络结构和卷积升级网络结构基于部分有标签的颅内脑电数据进行训练,形成分类器和判别器;

第三步:同时不断进行数据集的扩充,不断进行神经网络模型算法的更新,不断提高人脑意念指标识别的精度和准确率。

与现有技术相比,本发明的有益效果是:

(1)本发明通过实时无线传输与云端解析算法,与合理分布在脑纵裂的电极阵列,可实时解析大脑前额皮层大部分区域的,在时间和空间上高分辨率的三维脑电信号。获取足够的信息对大脑意念进行解析,并能够兼顾左右半球的信息。由于监测区域很广泛,并且实时传输和算法的高效率,可做到快速且精确地意念判断。

(2)本发明的系统将侵入式的脑电信号设备设计在脑纵裂,避免了硬脑膜穿透可能引起了一些列病变,同时避免了侵入式bci设备由于脑组织与胶质细胞干扰,导致的无法长期保持电极灵敏度的问题。实现了长期低维护成本的侵入式设备方案。外接的无线充电设备的应用实现了侵入设备体积的控制,并减小了对人脑组织的伤害。

(3)本发明设计了对于人脑各类意念的解析算法,并且随着用户数据的增多,我们的深度学习框架将会有更多的识别功能,能够识别以下但不限于的几类人类意念:情绪(喜悦、悲伤、恐惧、愤怒等),注意力集中程度,抑郁与焦虑状态,外部刺激的脑呈现(文字、声音、图像、空间等),大脑主动指令(运动、联想、逻辑推理等)、工作记忆等。

(4)本发明实现了对人脑情绪(喜悦、悲伤、恐惧、愤怒等),注意力集中程度,抑郁与焦虑状态,外部刺激的脑呈现(文字、声音、图像、空间等),大脑主动指令(运动、联想、逻辑推理等)、工作记忆等各类意念的指标参数的检测与判别,根据信号识别算法,机器学习算法,深度学习算法建模生成对应指标的数值空间表示判别区间。

附图说明:

图1为本发明的应用流程图;

图2为本发明的侵入式电极整列结构图;

图3为本发明的信号采集和传输流程示意图;

图4为本发明的信号解析和预处理步骤示意图;

图5为本发明的脑电信号意念识别和结果判断步骤示意图;

图6为本发明的机器学习算法流程图;

具体实施方式:

下面将结合本发明实施例中的的附图,对本发明实施例中的技术方案进行清除、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。

请参阅图1-6,本发明提供一种技术方案:一种基于侵入式bci(脑机交互)设备的人脑意念识别系统。本系统包括一套基于侵入式脑电信号的意念信息判别步骤,在本实施例中具体为:

第一步:通过特制的植入式设备进行原始脑电信号采集,阵列式电极排列收集的信号可还原为颅内三维的脑电信号;

第二步:信号通过颅内信号无线传输设备进行同步放大并编码,通过5g或蓝牙模块传输到移动端;

第三步:移动端app接收信号后,将未解码的信号文件包直接上传到云端高性能计算服务器集群,进行信号解析和分析计算;

第四步:在云端服务器,应用预处理算法进行信号解码、稳定性分析和特征提取;

第五步:应用机器学习算法、深度学习算法进行信号分析计算,判断各种常规意念的特征参数是否达到阈值,并组合得到综合的实时人脑意念结果。

本实施例中,优选的,第一步和第二步中信号采集和传输步骤流程为:

第一步:使用者植入的颅内脑电信号采集设备电极阵列植入位置位于前额大脑纵裂,竖直排布,每个电极分左右两组,分别检测左右半球额叶皮层;

第二步:植入设备的电极阵列通过高性能生物材料光纤传输到植入设备的信号处理和外传部分组件,该组件定期通过贴合在额部的外部电源设备进行无线充电;

第三步:多电极的脑电信号由信号传输设备进行放大,之后通过交叉编码,整合为信息量更大的高频数字信号,并传输到移动端;

第四步:移动端将接收到的信号传输到云端服务器。

本实施例中,优选的,第四步中信号解析和预处理步骤计算流程为:

第一步:对高速传输的数字信号进行解码,还原为多通道电极阵列的脑电信号;

第二步:通过滤波算法和主成分分析进行噪音取除和转换变化,主要通过回归法、自适应滤波法和独立分量分析法对眼动干扰、心电干扰、肌电干扰、工频干扰和高频噪声干扰等进行取除;

第三步:利用不同电极位置关系,构建额叶左右半脑三维的电势场分布;

第四步:对解析后的三维电波变化进行时域和频域的参数提取和特征变换工程,并进行特征归类,以待下一步分析。

本实施例中,优选的,第五步中脑电信号意念识别和结果判断流程为:

第一步:上述步骤通过对脑电信号采用时域与频域的分析,和特征提取,从信号初始采集的信号与噪音识别,到设置滤波算法,通过不同的参数适配,得到了基于侵入式bci设备采集的最有效信噪比信号;

第二步:使用机器学习和深度学习的算法计算时域和频域的特征组合,得到一系列与人脑意念有关的参数;

第三步:通过建立和不断完善的人类意念参数特征库,对比实时分析得到的参数是否达到某种意念的阈值;

第四步:组合所有达到阈值的意念,通过分类算法判断人脑的综合意念范畴,得到人脑意念计算得综合结果。

本实施例中,优选的,第五步中脑电信号机器学习的模式识别与结果判断流程为:

第一步:实现了信号分析算法处理颅内三维脑电数据建模特征提取,同时通过引入机器学习模型,决策树,朴素贝叶斯分类,最小二乘法,逻辑回归,集成方法,支持向量机,聚类算法主成分分析,奇异值分解,独立成分分析等算法模型;

第二步:通过第一步选用的机器学习模型,通过模型的有标签训练,分别对时域和频域的各类信号特征进行不同人类意念和状态相关下的指标分类和判别自动化识别。

本实施例中,优选的,第五步中脑电信号深度学习的模式识别与结果判断流程为:

第一步:对于大规模、长时间的用户监测和识别,随着颅内脑电信号识别算法的鲁棒性要求和自动化更新的需求,随着用户体量的增加和数据集规模的增长,传统的信号分析和机器学习算法在算法更新和自动化识别效率方面无法满足进行人工智能算法的颅内脑电信号处理模型设计;

第二步:通过引入深度学习神经网络,在gpu高性能服务器上,进行端到端的深度学习建模与运算,主要使用基于循环神经网络结构和卷积升级网络结构基于部分有标签的颅内脑电数据进行训练,形成分类器和判别器;

第三步:同时不断进行数据集的扩充,不断进行神经网络模型算法的更新,不断提高人脑意念指标识别的精度和准确率。

本发明中的意念感知中与情感相关的识别参考参数范围:

情绪识别:参考范围:

喜悦:弱<60;正常[60,120];强烈>120

悲伤:弱<10;正常[10,20];强烈>30

恐惧:弱<40;正常[40,80];强烈>80

愤怒:弱<90;强烈>120

注意力集中程度识别:参考范围:

注意力控制力强范围为<60

注意力控制正常范围为[60-90]

注意力控制力弱范围为>90

抑郁与焦虑状态识别:参考范围:

精神状态正常良好无抑郁迹象为80

精神状态正常存在轻微异常,有轻度抑郁迹象范围为[40-80]精神状态存在异常,有轻度及以上抑郁迹象为40

精神状态正常良好,无焦虑迹象为5

精神状态正存在轻微异常常,轻度焦虑迹象参考范围为[5-40]精神状态存在异常,有轻度以上焦虑迹象参考范围为40。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1