一种面向SSVEP脑机接口的多通道脑电信号建模方法

一种面向ssvep脑机接口的多通道脑电信号建模方法
技术领域
1.本技术涉及信号处理领域，具体涉及一种面向ssvep脑机接口的多通道脑电信号建模方法。


背景技术：

2.脑机接口(brain computer interface，bci)为用户和外界物理设备提供了一条直接的实时信息交流和控制通道，可以将用户的大脑活动从神经生理信号直接解码为对外界设备的控制指令。bci技术完成脑电信号的获取、数据的预处理、特征提取、分类和命令量化。针对于脑电信号的获取，脑电所采集的数据仅为部分神经元的活动，但是脑内的具体活动情况又是无穷多的，为了解决这个问题，研究人员主要通过侵入式和非侵入式两种手段进行脑电信号的采集。
3.侵入式方法有一定的创伤性，而对比于侵入式方法，非侵入式方法价格则较为低廉，在目前的研究中非侵入式方法使用比较广泛，易被大众接受。而在非侵入式方法中，最广泛应用的是脑电图(electroencephalograph，eeg)。eeg是大脑组织中大量的神经元群突触后电流的综合表现，可以分解为特定的频率范围(δ:1
–
4hz，θ:4
–
8hz，α:8
–
12hz，β:12
–
30hz，γ:30
–
70hz)。其监测方法具体为，电极沿着头皮放置，然后通过放置在头皮上的多个电极，记录大脑在一段时间内自发进行的电活动。虽然脑电图的空间分辨率有限，信号伪迹比较多，但它仍然是研究和诊断的宝贵工具。
4.稳态视觉刺激(steady-state visual evoked potentials，ssvep)是指大脑对于特定频率的视觉刺激会诱发的eeg脑电信号，当视网膜接收到3.5hz至75hz的视觉刺激，大脑会产生和视觉刺激相同频率或倍数频率的电活动。基于ssvep-eeg的bci技术已经被广泛用于开发各种脑控智能器械，如脑控光标、脑控虚拟键盘、脑控浏览网页、脑控假肢、脑控轮椅、脑控车辆、脑控机器人等系统。目前上述脑控智能器械的研究中，仍然需要招募受试者，并需佩戴采集仪甚至涂抹导电膏，清洗毛发等操作，消耗了一定的人力物力，如何能用较低的成本，通过仿真建模，产生出正确的、类似的、适用的脑电信号是非常重要且有意义的。
5.目前已经提出了多种神经模型，通常可分为两类。一类是注重细节的模型，即对神经元的建模。显然信息传递是由许多神经元相互协作完成，仅从微观层次上研究单个神经元的放电，对于研究大脑的复杂行为远远不够。于是有研究者直接研究多个神经元构成的神经网络，研究神经网络的放电行为，但是神经元的种类繁多，很难确定每个神经元模型的参数，同时各种神经元之间的连接非常复杂，且运算量巨大，因此在神经元水平上模拟实际的神经网络相当困难。另一类神经模型为神经群模型，该模型不需要对网络结构中的单个细胞建模，而是对特定种类细胞组成的神经元群整体特性的建模。
6.神经群模型的主要思想是“平均区域近似”，即模型中采用集总的状态变量表示神经网络中整个细胞群的平均行为，模型既简单又具有生理学上的意义，是从神经系统“组织结构”的角度构建脑电信号的模型。耦合的神经群模型可以反映神经元群之间的相互联系，可以在宏观的水平上仿真大尺度相互作用的神经网络。
7.jasen等研究者于1995年首次提出大脑皮层柱耦合数学模型中的脑电信号和视觉诱发电位生成。在此基础上，让bci与生理学模型的联系成为可能，尤其是基于ssvep范式的脑机接口。电信号模型的关键技术是如何让模型能正确的仿真出面向ssvep脑机接口的多通道脑电信号。模型需要从信号频率，不同被试的区分几个角度进行考虑。


技术实现要素：

8.本技术通过构建出基本神经元群模型，令兴奋性或抑制性的子群由若干个不同的动力学特性的线性转换函数并行加权控制，从而产生频率更加丰富、频带更宽的信号，适用于ssvep范式所需要的信号频率，之后通过调整多通道多动态神经元群模型耦合系数对不同的被试进行区分。
9.为实现上述目的，本技术公开了一种面向ssvep脑机接口的多通道脑电信号建模方法，步骤包括：
10.确定被测者的ssvep信号频率范围和信号数；
11.基于所述频率范围和所述信号数，建立基本神经元群模型，用于产生所述频率范围的多种节律窄带信号；
12.基于具有多种所述节律窄带信号的所述频率范围，确定多动态神经元群模型，用于调制出适合被测者的单通道ssvep频率信号；
13.基于所述多动态神经元群模型和所述单通道ssvep频率信号构建多通道多动态神经元群模型，用于设定耦合系数矩阵，进而通过调整不同所述基本神经元群之间的耦合系数，来体现被测者之间的差异性。
14.优选的，所述多动态神经元群模型可通过权重系数的设定对所需要的脑电信号频率进行限定。
15.优选的，获得所述ssvep信号频率范围及信号数的方法包括：通过ssvep刺激诱发来获得受测者的脑电信号；根据所述脑电信号来选择受试者所需要的ssvep频率；调制所述ssvep刺激对应的频率，确定适用于控制脑控智能器械的所述ssvep信号频率范围及信号数。
16.优选的，产生所述节律窄带信号的方法包括：利用所述基本神经元群模型来调整兴奋性和抑制性线性变换函数的参数，并产生不同频率的所述窄带信号。
17.优选的，调制所述单通道ssvep频率信号的方法包括：根据受试者在所述频率范围中所选择的频率，确定所需的所述多动态神经元群模型及其线性转换函数的兴奋和抑制性参数组合，并且通过对权重进行调整，调制出适合的所述单通道ssvep频率信号。
18.优选的，调制所述单通道ssvep频率信号的方法包括：通过所述多动态神经元群模型调整权重并设定若干个不同的线性转换函数的兴奋和抑制性参数，调整具有不同动力学特性的皮层区域信号的相对比例，从而产生频率更加丰富、频带更宽的所述单通道ssvep频率信号。
19.优选的，区别所述差异性的方法包括：所述多通道多动态神经元群模型通过设定耦合系数矩阵，实现不同频率的脑电信号之间不同强度的耦合，选择出面向ssvep脑机接口的通道，所述通道选择完成后，通过所述多通道多动态神经元群模型对通道间的耦合系数进行调整，进而调制出不同的受试者的脑电信号，所述差异性通过调整耦合系数进行区分。
20.优选的，所述多通道多动态神经元群模型的参数包括：平均兴奋突触增益、平均抑制突触增益、兴奋性膜平均时间常数和树突平均时间延迟、抑制性膜平均时间常数、树突平均时间延迟、兴奋回馈环上平均突触连接数、抑制回馈环上平均突触连接数、非线性s-函数参数、若干对权重系数和结合到其它通道的耦合系数。
21.与现有技术相比，本技术的有益效果如下：
22.本技术通过调整转换函数中的兴奋性和抑制性参数，基本神经元群模型可以产生多种节律的窄带信号，调整具有不同动力学特性的皮层区域信号的相对比例，从而产生频率更加丰富、频带更宽的信号，调整出适合的ssvep频率，通过模型对通道间的耦合系数进行调整，进而对不同的受试者进行区分，本技术从模型的角度生成应用在脑控智能器械中的面向ssvep脑机接口的多通道脑电信号，解决采集真实脑电信号成本高昂的问题。
附图说明
23.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
24.图1为申请实施例一中方法流程示意图；
25.图2为申请实施例一中通道内部产生神经震荡基本神经元群模型作用示意图；
26.图3为本技术实施例一中通道内部产生神经震荡多通道多动态神经元群模型作用示意图；
27.图4为本技术实施例二的多通道耦合的神经群模型构成原理示意图。
具体实施方式
28.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、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。
29.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
30.实施例一
31.如图1所示，为本技术实施例一的方法流程示意图，步骤包括：确定被测者的ssvep信号频率范围和信号数；基于频率范围和信号数，建立基本神经元群模型，用于产生频率范围的多种节律窄带信号；基于具有多种节律窄带信号的频率范围，确定多动态神经元群模型，用于调制出适合被测者的单通道ssvep频率信号；基于多动态神经元群模型和单通道ssvep频率信号构建多通道多动态神经元群模型，用于设定耦合系数矩阵，进而通过调整不同基本神经元群之间的耦合系数，来构建多通道脑电信号，并体现被测者之间的差异性。
32.其中，本实施例一针对于脑控智能器械的实际应用，发展建立ssvep脑电信号模型的方法，该方法可从基本神经元群模型的建立扩展到多动态神经元群模型，最终实现多通道多动态神经元群模型的构建；基本神经元群模型用于调整兴奋性和抑制性线性变换函数
的参数，并产生不同频率的窄带信号；多动态神经元群模型通过调整权重并设定若干个不同的线性转换函数的兴奋和抑制性参数,即可调整具有不同动力学特性的皮层区域信号的相对比例,从而产生频率更加丰富、频带更宽的信号；多通道多动态神经元群模型用于通过设定耦合系数矩阵，可实现不同频率的脑电信号之间不同强度的耦合。不需要对网络结构中的单个细胞建模，而是对特定种类细胞组成的神经元群整体特性的建模，可以实现大脑不同区域之间的耦合。
33.在本实施一中，多通道脑电信号模型的参数信息包括模型的平均兴奋突触增益、平均抑制突触增益、兴奋性膜平均时间常数和树突平均时间延迟、抑制性膜平均时间常数和树突平均时间延迟、兴奋回馈环上平均突触连接数、抑制回馈环上平均突触连接数、非线性s-函数参数、若干对权重系数、以及结合到其它通道的耦合系数。
34.下面将结合本实施例一详细介绍本技术的方法操作步骤。
35.首先，受试者通过“盯注”ssvep刺激诱发脑电信号来控制脑控智能器械，如：盯注某频率闪烁的方块，则视觉区收集到的脑电信号中可以识别出该频率及其谐波，这样控制端就知道受试者就完成了一次选择，并由脑机接口选择出受试者所需要的ssvep频率；本步骤调制相应刺激对应的频率，确定适用于控制脑控智能器械的ssvep信号频率范围及信号数；
36.之后，根据上述确定出的信号数的生理学意义以及产生δ，α和γ波典型波形的参数取值，建立基本神经元群模型，如图2所示。通过调整转换函数中的兴奋性和抑制性参数，产生对应上述步骤中频率范围的多种节律窄带信号。根据受试者在频率范围内所选择的频率，确定所需的多动态神经元群模型，如图3所示；及其线性转换函数的兴奋和抑制性参数组合，并且通过对权重进行调整，调制出适合的单通道ssvep频率信号。
37.最后，选择面向脑控智能器械的ssvep脑机接口通道，通道选择完成后，通过模型对通道间的耦合系数进行调整，进而对不同的受试者进行区分，调整耦合系数即可体现被试的差异性。
38.在本实施例一中，多动态神经元群模型对基本神经元群模型的信号频率调整过程为：通过多动态神经元群模型调整权重w并设定若干个不同的线性转换函数的兴奋和抑制性参数，调整具有不同动力学特性的皮层区域信号的相对比例，从而产生频率更加丰富、频带更宽的信号。此外，多动态神经元群模型可通过权重系数的设定对所需要的脑电信号频率进行限定。
39.需要说明的是，在本实施例一中，多通道脑电信号模型的生成过程包括：多通道多动态神经元群模型用于通过设定耦合系数矩阵，可实现不同频率的脑电信号之间不同强度的耦合，选择出面向ssvep脑机接口的通道，通道选择完成后，通过模型对通道间的耦合系数进行调整，进而调制出不同的受试者的脑电信号，被试的差异通过调整耦合系数进行区分。
40.实施例二
41.在本实施例二中，着重说明上述提到的多通道多动态神经元群模型的建模方法，步骤包括：
42.s1.兴奋性或抑制性动态线性变换函数：将动作电位的平均脉冲密度转变为突触后平均膜电位，动态线性变换函数的单位阶跃响应如：
[0043][0044][0045]
式中：t为时间常数，u(t)为单位跃阶函数，he、hi分别为平均兴奋突触增益、平均抑制突触增益，ae、ai分别为兴奋性膜平均时间常数和树突平均时间延迟的倒数、抑制性膜平均时间常数和树突平均时间延迟的倒数，he(t)、hi(t)分别为兴奋突触后平均膜电位、抑制突触后平均膜电位，e为自然对数函数的底数。
[0046]
s2.静态非线性函数：主要将突触前平均膜电位变换为动作电位的平均脉冲密度，如式：
[0047][0048]
式中：s(v)为：静态非线性函数，2e0为最大点燃率，v0为相对于点燃率e0的突触后电位，r表示s型函数的弯曲程度。v为突触前平均膜电位。神经元群模型中的静态非线性函数都是一致的。
[0049]
s3.来自不定区域和皮层下区域的所有外界输入，由gauss分布的兴奋输入p(t)表示。锥体细胞群和中间神经元群间的平均突触连接数用连接常数c1,c2,c3,c4表示。综上所述,基本神经细胞群落模型可由以下微分方程表示：
[0050][0051]
式中：y0,y1,y2,y3,y4,y5分别为子群1的输出信号、子群2的兴奋性反馈、子群2的抑制性反馈、y0的一阶导数、y1的一阶导数、y2的一阶导数，he、hi分别为平均兴奋突触增益、平均抑制突触增益，ae、ai分别为兴奋性膜平均时间常数和树突平均时间延迟的倒数、抑制性膜平均时间常数和树突平均时间延迟的倒数，c1,c2,c3,c4为连接常数，表示锥体细胞群和中间神经元群间的平均突触连接数,s(y1(t)-y2(t))为将子群1的突触前平均膜电压转换成动作电位的平均密度。
[0052]
s4.脑功能是由较远距离的区域之间强耦合形成，且大脑皮层对较远目标的输出都是兴奋性的。其中,q
jk
表示j通道对k通道的耦合系数,综上所述，多通道多动态神经群模型可用微分方程表示为:
[0053][0054]
式中：y0,y1,y2,y3,y4,y5分别为j通道子群1的第i个输出信号、j通道子群2的第i个兴奋性反馈、j通道子群2的第i个抑制性反馈、y0的一阶导数、y1的一阶导数、y2的一阶导数，he、hi分别为平均兴奋突触增益、平均抑制突触增益，ae、ai分别为兴奋性膜平均时间常数和树突平均时间延迟的倒数、抑制性膜平均时间常数和树突平均时间延迟的倒数，c1,c2,c3,c4为连接常数，表示锥体细胞群和中间神经元群间的平均突触连接数。s(.)表示静态非线性函数，具体的，如s(c3∑w
jiy0ji
)表示将j通道子群2的第1到n个抑制性反馈结合成的抑制性膜电压转换成平均密度，s
kj
为其他通道输入到j通道的耦合信号。
[0055]
s5、脑控操作者根据自己的控制意图来控制脑控智能器械，盯注相应的刺激界面(通过ssvep方式)来产生对应的脑电信号，脑机接口通过解析该脑电信号，获得操作者的控制意图，输出对应的识别控制命令。对被试者所需要的频率进行记录，并通过s1、s2、s3、s4所述模型调整出相应的频率，最后通过调节耦合系数完成对不同被试的区分。
[0056]
如图4所示，还提供一种不同通道之间的耦合方式，通过调整耦合系数将不同通道输出的s
jx
耦合信号完成不同程度的耦合，对被试者完成区分。
[0057]
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。