一种基于脑电功能连接微状态的脑机接口实现方法

1.本发明属于生物医学信号处理分析技术领域，主要基于脑电信号提出一种基于脑电功能连接微状态的脑机接口。


背景技术：

2.脑机接口(brain computer interface，bci)作为类脑研究的关键方法，在运动康复、神经调控、人机协同等领域具有潜在的应用价值。它是指在人或动物大脑与外部设备之间创建的直接连接，实现脑与设备的信息交换。具体来说，是通过记录大脑活动的电信号，通过一定的分析与处理，得到机器可以识别的特征值并输出，进而控制外部设备。
3.脑机接口技术确实正在拉近人类大脑和计算机之间的距离，具有为人类提供医疗支持等帮助的现实意义：例如2019年，病人在加州理工学院的帮助下利用意念控制机械手完成喝啤酒动作等。
4.脑电信号(eeg)的处理是获取高时间分辨率大规模神经网络功能实时信息的关键方法。传统上，各个通道的脑电分析主要是通过时频分析等，变化到时频域，以便进行特征提取，依赖于脑电信号在不同频段的功率变化。然而，大部分脑电信号难解码，特别是与高级认知活动相关的脑电特征，由于时频不确定性原理，缺少时间精度的频率分析会丢失时域信息。为了解释神经元活动的短期持续波动，需要在时域的分析方法上考虑到头皮电场地形图的时间演化，因为它在不用考虑频域特征的前提下，代表了大脑中所有暂时活跃的源的总和。
5.因此，我们亟需一种全新的脑电信息处理方法，以弥补时间精度的牺牲。


技术实现要素：

6.针对现有技术存在的问题和挑战，本发明提出了一种基于脑电功能连接微状态的脑机接口，本研究旨在解决传统时频分析过程中牺牲时间精度的问题，引入微状态序列，构建功能脑网络，将脑机交互的特征表示在不同的维度上，采用与传统时频分析完全不同的角度去解析脑电信号，以期提高脑电信息的利用率和分类的准确率。
7.本发明的技术方案：
8.一种基于脑电功能连接微状态的脑机接口实现方法，步骤如下：
9.步骤一，依据国际标准10-20脑电电极定位系统，记录使用者的头皮脑电信号，对使用者进行2分类的左右手运动想象实验；然后对头皮脑电信号进行数据预处理，包括去除50hz的工频干扰、带通滤波、基于独立成分分析去伪迹以及分别提取向左进行运动想象和向右进行运动想象的eeg区段；
10.步骤二，对得到的向左进行运动想象和向右进行运动想象的eeg区段分别进行微状态分类；
11.(2.1)全局场强(global field power，gfp)是对头皮电位强度的测量，它基于每个采样点上所有电极之间的电位差，得出每个采样点的场强标量值，代表大脑的瞬时电场
强度，用于描述大脑活动的快速变化；
[0012][0013]
其中，i代表每个电极，n代表电极的总数目，u代表电极测得的电压值；
[0014]
(2.2)使用修正k-均值算法的聚类算法计算eeg的微状态；提取gfp峰值并通过修正k-均值算法，推导出最大限度地解释gfp峰值处脑地形图方差的四类脑地形图，分别为微状态a、b、c、d；其中，脑地形图为将eeg的各区段功率用不同颜色表示的球面头皮展成的平面图形；
[0015]
(2.3)最后，将生成的微状态a、b、c、d作为模板，对所有使用者进行所有目标时刻的脑电图谱分析，根据pearson相关性的最大绝对值将gfp峰值分配到四个微状态中的一个，连续的gfp峰值图分配给同一类被认为属于一个微状态类；
[0016]
gfp峰值之间的时间点被分配给时间最近的gfp峰值的微状态类；
[0017]
步骤三，提取使用者具有相同微状态类的时间序列信号，计算各通道脑电数据间的相位滞后指数pli，得到邻接矩阵；提取网络统计特征量：聚类系数、全局效率、特征路径长度和综合指数；
[0018]
(3.1)pli(phase lag index,pli)值从相位的角度反映两个脑电记录电极即网络的节点超前或滞后的一致性，任意两个节点i和节点j的eeg信号之间的 pli值由下式计算：
[0019][0020]
其中，是k时刻节点i，j之间的瞬时相位差，表示符号函数；〈
·
〉表示在时域取平均值；当时，意味着两个节点的相位是同步的；如果时，意味着两个节点的相位是不同步的；因此pli的取值范围在0到1之间，pli值越大，表示两个节点的相位耦合越强；
[0021]
(3.2)计算得到的pli值作为元素构成连接矩阵a，从而得到每个gfp峰值下的连接矩阵；再计算以下四个特征参数，对脑网络进行量化；
[0022]
聚类系数ci：是所选节点的最近邻节点之间存在的连接数与所选节点和最近邻节点之间可能存在的连接数的比值；聚类系数的值在0到1之间，公式如下：
[0023][0024]
其中，ei表示节点i的相邻节点之间连接的边数，ki表示节点i上所有的连接数；
[0025]
路径长度l：为所有节点对之间最短路径的平均值；最短路径长度d(i,j)定义为从节点i到节点j必须遍历的最小连接数；当d(i,j)≥1，如果节点i到节点j是相邻节点，d(i,j)＝1；如果节点i到节点j不相连，d(i,j)
→
∞；路径长度反映了网络中节点对的功能分散情况，l越小，集成度越好，其信息传输效率越高，计算公式如下：
[0026]
[0027]
其中，d(i,j)是最短路径长度，n为网络中所有节点的个数，v为所有节点的集合；
[0028]
假设信息流量是平行的，那么两个节点之间的通信效率与最短路径长度成反比的；一组节点的效率是所有节点对的效率之和，按最大链路数n(n-1)/2归一化；当节点集v包含所有节点时，第三个特征参数将由下面的公式计算得到，为全局效率e
global
：
[0029][0030]
因为全局效率与特征路径长度成反比，那么取全局效率和聚类系数的乘积与特征路径长度的比值作为网络特征-综合指标η(w)，e
global
(w)、c(w)和l(w)分别表示滑动窗口w的全局效率、聚类系数和特征路径长度，计算公式如下：
[0031][0032]
步骤四，对统计特征量进行有效性检验，得到有效区分向左和向右的特征值，并基于这个特征值进行分类，从而对外部设备进行控制。
[0033]
本发明的有益效果：本发明提出了一种基于脑电功能连接微状态的脑机接口，利用头皮脑地形图不需要考虑频域特征，也可以代表大脑中所有暂时活跃的源的总和的优点，弥补了时间精度的牺牲。同时引入了脑功能连接，既可以保留高时间分辨率的瞬时大脑活动的全局测量结果，又可以得到大脑宏观时空组织的信息，从而提升脑机接口系统的信息解码和分类识别效果。
附图说明
[0034]
图1为本发明一种基于脑电功能连接微状态的脑机接口的流程图。
[0035]
图2为微状态分析的计算流程图。
[0036]
图3为功能脑网络的计算流程图。
具体实施方式
[0037]
为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细描述，该实施例并不对本发明的保护范围构成限定。
[0038]
参照图1，本发明的一个实施例提供了一种基于脑电功能连接微状态的脑机接口，在运动想象中，实时得到向左和向右的类别标签包括以下步骤：
[0039]
步骤一，依据国际标准10-20脑电电极定位系统，记录使用者的头皮脑电信号eeg，对使用者进行2分类的左右手运动想象任务实验。然后对脑电信号进行数据预处理，包括去除50hz的工频干扰、带通滤波(0.5-30hz)、基于独立成分分析去伪迹以及分别提取向左和向右进行运动想象的eeg区段；
[0040]
步骤二，对得到的向左和向右进行运动想象的eeg区段分别进行微状态分析，得到gfp峰值，对gfp峰值点的数据进行动态功能脑网络分析。
[0041]
步骤三，计算各通道脑电数据间的相位滞后指数，得到邻接矩阵，提取网络统计特征量：聚类系数、全局效率、特征路径长度和综合指数。
[0042]
步骤四，对统计特征量进行有效性检验，得到可以有效区分向左和向右的特征值，
并基于这个特征值进行分类，从而对外部设备进行控制。
[0043]
其中，参照图2，对本发明的步骤二进行详细描述：
[0044]
(1)在微状态分析中，一个十分重要的概念是全局场强(global field power， gfp)，gfp是对头皮电位强度的测量，它基于每个采样点上所有电极之间的电位差，从而得出每个采样点的场强标量值，代表大脑的瞬时电场强度，因此通常用于描述大脑活动的快速变化。
[0045][0046]
gfp由所有电极与其平均瞬时电势的电势差的平方求平均数，再求根计算得到，其中i代表每个电极，n代表电极的总数目，u代表电极测得的电压值。
[0047]
由于脑电信号的信噪比在gfp峰值处最高，因此eeg的空间构型被认为是稳定的，选取gfp峰值时间点各电极的瞬时电压幅值进行聚类分析。
[0048]
(2)使用修正k-均值算法的聚类算法来计算eeg微状态。k-均值算法的方法是首先随机选择4个地形图，分别将4个地形图和剩下的地形图做相关，选出分别与这4个地形图最相似的一些地形图。将这些相似的地形图进行计算，更新得到新的4个地形图，并计算全局解释方差(global explained variance， gev)。随着地形图的迭代，gev会逐渐趋向平缓，得到最终的4个地形图。
[0049]
(3)将两组(“向左运动想象”和“向右运动想象”)的gfp的地形图序列分别聚为四个微状态类a、b、c、d。最后，将生成的a、b、c、d作为模板，将四个微状态类分配到每个使用者的原始连续脑电信号序列中，得到微状态序列。
[0050]
其中，参照图3，对本发明的步骤三，进行详细描述如下：
[0051]
(1)pli从相位的角度反映了两个导联超前或滞后的一致性，节点i和节点j的eeg信号之间的pli值可由下式计算：
[0052][0053]
其中是k时刻节点i，j之间的瞬时相位差，此时的符号表示一个符号函数。《
·
》表示在时域取平均值。当时，它意味着两个节点的相位是同步的。如果时，它意味着两个节点的相位是不同步的。因此pli的取值范围在0到1之间。pli值越大，这两个节点的相位耦合越强。
[0054]
(2)计算得到的pli值作为元素构成连接矩阵a，从而得到每个gfp峰值下的连接矩阵，再计算以下四个特征参数，对脑网络进行量化：
[0055]
首先是聚类系数(clustering coefficient)：一个节点的聚类系数ci是所选节点的最近邻之间存在的连接数与它们之间可能存在的连接数的比值，ei表示节点i 的相邻节点之间连接的边数，ki表示节点i与其所有相邻节点之间的连接数。网络的聚类系数c是所有节点聚类系数的平均值。根据定义，聚类系数的值在0到 1之间，公式如下:
[0056]
[0057]
其次是路径长度(pathlength)：为所有节点对之间最短路径的平均值。最短路径长度d(i,j)定义为从节点i到节点j必须遍历的最小连接数。因此，d(i,j)≥1。如果i和j是相邻节点，d(i,j)＝1；如果节点不相连，d(i,j)
→
∞。它反映了网络中节点对的功能分散情况，d(i,j)是最短路径长度，n为网络中所有节点的个数，v为所有节点的集合，特征路径长度l越小，集成度越好，其信息传输效率越高，计算公式如下：
[0058][0059]
假设信息流量是平行的，那么两个节点之间的通信效率与最短路径长度成反比的。一组节点的效率是所有节点对的效率之和，按最大链路数n(n-1)/2归一化。当节点集(v)包含所有节点时，第三个特征参数将由下面的公式计算得到，为全局效率(globalefficiency)：
[0060][0061]
因为全局效率与特征路径长度成反比，那么取全局效率和聚类系数的乘积与特征路径长度的比值作为网络特征的第四个特征参数(综合指标(comprehensiveindex))，e
global
(w),c(w),和l(w)分别表示滑动窗口w(1秒)的全局效率、聚类系数和特征路径长度，计算公式如下：
[0062][0063]
以上描述了本发明的基本原理、主要特征及优点，但本发明并不局限于上述方式，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，熟悉本领域的技术人员在不违背本发明精神的前提下做出的若干改进和替换，这些也应视为本发明的保护范围。