CN102184017B - 一种p300脑-机接口导联优化方法 - Google Patents

Abstract

本发明公开了一种P300脑-机接口导联优化方法，涉及BCI技术领域，包括：根据预设数量L个导联获取导联之间的事件相位锁定值，根据事件相位锁定值建立各导联间的距离系数矩阵，定义各导联的相位同步性强度；根据各导联间的距离系数矩阵，通过层次聚类法获取聚类树；根据聚类树和各导联的相位同步性强度建立导联重要性排序表；对导联重要性排序表进行正确率计算，获取L个正确率值；对L个正确率值进行排序，将正确率值最高的导联组合作为最优导联组合，输出所述最优导联组合。本发明融合事件相位锁定值和层次聚类法，对特征源数目进行推定决策，能够有效的减少BCI***的冗余导联，降低BCI***的不稳定性风险，简化操作程序。

Description

一种P300脑-机接口导联优化方法

技术领域

本发明涉及BCI(Brain-Computer Interface，脑-机接口)技术领域，基于P300特征信号的BCI是一类重要的BCI范式，导联优化作为BCI技术的一个重要议题，有着十分重要的意义，特别涉及一种P300脑-机接口导联优化方法。

背景技术

第一次脑-机接口国际会议给出的BCI的定义是：“BCI是一种不依赖于大脑***神经与肌肉正常输出通道的通讯控制***。”目前的研究成果中，它主要是通过采集和分析不同状态下人的脑电信号，然后使用一定的工程技术手段在人脑与计算机或其它电子设备之间建立起直接的交流和控制通道，从而实现一种全新的信息交换与控制技术，可以为残疾人特别是那些丧失了基本肢体运动功能但思维正常的病人提供一种与外界进行信息交流与控制的途径。即可以不需语言或肢体动作，直接通过控制脑电来表达意愿或操纵外界设备。为此，BCI技术也越来越受到重视。

基于P300特征信号的脑-机接口范式最先由Farwell和Donchin在1988年提出。其原理是基于Oddball实验模式，利用稀少的目标刺激诱发ERP(Event RelatedPotential，事件相关电位)中的P300脑电成分。P300脑-机接口的***结构示意图如图1所示。Oddball实验模式是指，对于两种已有的视觉刺激(听觉刺激或体感刺激等)，其中一种是稀少的目标刺激target，另一种是相对较多的非目标刺激nontarget，它们以一定的序列顺序刺激受试者。当受试者接受到目标刺激时，会诱发ERP，其主要特征是刺激后300ms左右出现一个幅值相对较大的正峰，这个正峰就叫做P300。P300特征图如图2所示，其中实线代表target刺激，虚线代表nontarget刺激。图3是符合国际标准的64导导联排布图。

关于P300脑-机接口的一个重要议题是特征优化，而导联优化则是其中的一个方面。通常在监测P300脑电信号的时候，会在受试者头皮排布64导甚至128导导联，大量的导联则会带来巨大的数据量，这给后续的信号处理造成了很大的负担，严重影响BCI***的实时性。另外，脑电电极的安放要求较高，其工作稳定性相对较差，因此，多一个导联就多一份出错的可能性。而且，脑电电极对使用者的舒适度有一定的影响。所以，如何在保证信号特征有效性的情况下，尽可能的减少导联数目是一个具有重要意义的课题。另一方面，由于个体差异性的存在，使得没有一个通用的导联组合能够符合每一个受试者的个性需求，这使得导联优化更具挑战性，也更有价值。目前，对脑电信号进行导联优化的通用方法有很多种，如遗传算法和SVM-RFE等。但是没有一种特别有效的方法专门针对P300脑-机接口的导联进行优化，而通用方法则不能完全满足P300脑-机接口的需求。

发明内容

为了能够对P300脑-机接口的导联进行优化，满足P300脑-机接口的需求，本发明提供了一种P300脑-机接口导联优化方法，详见下文描述：

一种P300脑-机接口导联优化方法，所述方法包括以下步骤：

(1)根据预设数量L个导联获取导联之间的事件相位锁定值，L的取值为大于等于2的正整数；根据所述事件相位锁定值建立各导联间的距离系数矩阵，定义各导联的相位同步性强度；

(2)根据所述各导联间的距离系数矩阵，通过层次聚类法获取聚类树；

(3)根据所述聚类树和所述各导联的相位同步性强度建立导联重要性排序表；

(4)对所述导联重要性排序表进行正确率计算，获取L个正确率值；

(5)对所述L个正确率值进行排序，将正确率值最高的导联组合作为最优导联组合，输出所述最优导联组合。

步骤(1)中的所述根据预设数量L个导联获取导联之间的事件相位锁定值；根据所述事件相位锁定值建立各导联间的距离系数矩阵，定义各导联的相位同步性强度具体为：

设经过试验得到n次目标刺激的脑电数据和m次非目标刺激的脑电数据，则导联x和y之间的事件相位锁定值具体为：

${\mathrm{TPLV}}_{x,y}\left(t\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{PLV}}_{x,y,t\arg \mathrm{et}}\left(t\right)-\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{PLV}}_{x,y,\mathrm{nont}\arg \mathrm{et}}\left(t\right)$

其中，n和m的取值为大于等于1的正整数；

<·>_τ代表对括号内的式子进行时间平均；

定义所述各导联间的距离系数矩阵，对于任意的两个导联x和y，其距离系数矩阵具体为：

${\mathrm{Dist}}_{x,y}=\underset{t}{\max }\left({\mathrm{TPLV}}_{x,y}\left(t\right)\right)$

根据所述各导联间的距离系数矩阵，定义所述各导联的相位同步性强度，对于与任意一个导联x，其相位同步性强度为：

${\mathrm{Wg}}_x=\underset{i}{\mathrm{\&Sigma;}}{\mathrm{Dist}}_{x,i}.$

步骤(3)中的所述根据所述聚类树和所述各导联的相位同步性强度建立导联重要性排序表具体为：

假设有L个导联的脑电数据，获取一个L导的聚类树，设有L-1个特征源的活动反映在L个导联上，通过截取聚类树，将L个导联分成L-1类，则存在一个包含两个导联的类，记为导联x和导联y，当导联x的相位同步性强度大于导联y的相位同步性强度时，则选择导联x排除导联y；排除的导联y的重要性排在第L位；对于剩余的L-1个导联，设有L-2个特征源的活动反映在L-1个导联上，通过截取聚类树，将L-1个导联分成L-2类，则存在一个包含两个导联的类，记为导联x和导联y，当导联x的相位同步性强度大于导联y的相位同步性强度时，则选择导联x排除导联y；排除的导联y的重要性则排在第L-1位；以此类推，直到只剩一个导联为止，最后剩下的导联，排在第L-(L-1)位，得到一个L导联重要性排序表。

步骤(4)中的所述对所述导联重要性排序表进行正确率计算，获取L个正确率值具体为：

对第L-(L-1)位的导联数据进行正确率计算，得到第一正确率值A1；对第L-(L-1)位和L-(L-2)位的导联数据进行正确率计算，得到第二正确率值A2；对第L-(L-1)位、L-(L-2)位和L-(L-3)位的导联数据进行正确率计算，得到第三正确率值A3；以此类推，直到得到第L个正确率值AL。

本发明提供的技术方案的有益效果是：

本发明提供了一种P300脑-机接口导联优化方法，本发明融合事件PLV(Phase Locking Value，相位锁定值)和层次聚类法，对特征源数目进行推定决策，在此基础上选择最优导联组合，是一种全新的P300脑-机接口导联优化技术；该项发明能够有效的减少BCI***的冗余导联，降低BCI***的不稳定性风险，简化操作程序，对提高BCI***的在线程度和促进其商品化提供帮助，在人机交互领域可获得可观的经济效益和社会效益。

附图说明

图1为现有技术提供的P300脑-机接口的***结构示意图；

图2为现有技术提供的P300特征图；

图3为现有技术提供的符合国际标准的64导导联排布图；

图4为本发明提供的聚类树结构示意图；

图5为本发明提供的一种P300脑-机接口导联优化方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

为了能够对P300脑-机接口的导联进行优化，满足P300脑-机接口的需求，本发明实施例提供了一种P300脑-机接口导联优化方法，详见下文描述：

101：根据预设数量L个导联获取导联之间的事件相位锁定值；根据导联之间的事件相位锁定值建立各导联间的距离系数矩阵，定义各导联的相位同步性强度；

其中，导联的预设数量L根据实际应用中的需要进行设定，取值为大于等于2的正整数，具体实现时，本发明实施例对此不做限制。

设某一信号s(t)，其解析函数z(t)可以通过式(1-1)得到

$\hat{s}\left(t\right)=\frac{1}{\mathrm{\&pi;}}{\&Integral;}_{-\&infin;}^{\&infin;}\frac{s\left(\mathrm{\&tau;}\right)}{t-\mathrm{\&tau;}}\mathrm{d\&tau;}---(1-2)$

信号是s(t)的希尔伯特变化，可以写出信号s(t)的瞬时相位：

假设预设数量为2，即存在两个导联的脑电信号s_x(t)和s_y(t)，其相位分别为

和

则导联x和y的相位锁定值可以由式(1-4)得到：

其中，<·>_τ代表对括号内的式子进行时间平均，其时间窗的窗宽为τ(本发明实施例中的τ＝25ms为例进行说明)。如果两导联信号的相位完全同步性，

则是稳定的，PLV_x，y(t)＝1；如果这两导信号的相位没有同步性，则

是随机分布的，PL_x，y(t)＝0。

设经过试验后得到n次目标刺激target的脑电数据和m次非目标刺激nontarget的脑电数据，则导联x和导联y之间的事件相位锁定值可以由式(1-6)得到：

${\mathrm{TPLV}}_{x,y}\left(t\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{PLV}}_{x,y,t\arg \mathrm{et}}\left(t\right)-\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{PLV}}_{x,y,\mathrm{nont}\arg \mathrm{et}}\left(t\right)---(1-6)$

其中，n和m的取值为大于等于1的正整数。

定义各导联间的距离系数矩阵Dist，对于任意的两个导联x和y，其距离系数矩阵Dist：

${\mathrm{Dist}}_{x,y}=\underset{t}{\max }\left({\mathrm{TPLV}}_{x,y}\left(t\right)\right)---(1-7)$

根据各导联间的距离系数矩阵Dist，定义各导联的相位同步性强度Wg，对于与任意一个导联x，其相位同步性强度为：

${\mathrm{Wg}}_x=\underset{i}{\mathrm{\&Sigma;}}{\mathrm{Dist}}_{x,i}---(1-8)$

102：根据各导联间的距离系数矩阵，通过层次聚类法获取聚类树；

其中，层次聚类法，又称等级聚类法，是目前使用最多、研究最为充分的聚类方法之一，其基本思想是通过建立并逐步更新各导联间的距离系数矩阵，找出并合并最接近的两类，直到全部聚类对象被合并为一类为止。本发明实施例利用基于ward的方法(另外还有最短距离法、最长距离法、重心法和类平均法)对导联进行层次聚类，获取聚类树。图4是聚类树的结构示意图，其中数字1、2、3、4、5分别代表不同导联，纵坐标代表距离。线条a将5个导联分成4类，其中导联1和导联2为一类，其他导联各成一类；线条b则将5个导联分成3类，其中导联1和导联2为一类，导联3为一类，导联4和5为一类；线条c将5个导联分成3类，其中导联1、2和3为一类，导联4和5为一类。

103：根据聚类树和各导联的相位同步性强度建立导联重要性排序表；

例如：某两个导联x和y，记录的是同一个特征源在头皮的反映，那么导联x和y的信号将存在很多相似特征，因而会产生特征冗余。换句话说，就是如果已经利用了导联x，那么导联y对最后分类正确率的影响将微乎其微，也就是说，导联y的重要性下降了。因此，确定最能反映特征源的导联和特征源的数目，对有效减少导联数有着重要的意义。

即，根据聚类树和各导联的相位同步性强度建立导联重要性排序表具体为：假设有L个导联的脑电数据，获取一个L导的聚类树，设有L-1个特征源的活动反映在L个导联上，通过截取聚类树，将L个导联分成L-1类，则存在一个包含两个导联的类，记为导联x和导联y，当导联x的相位同步性强度大于导联y的相位同步性强度时，则选择导联x排除导联y(或当导联x的相位同步性强度小于等于导联y的相位同步性强度时，则选择导联y排除导联x)；排除的导联y的重要性则排在第L位(或排除的导联x的重要性则排在第L位)；对于剩余的L-1个导联，继续设有L-2个特征源的活动反映在L-1个导联上，通过截取聚类树，将L-1个导联分成L-2类，则存在一个包含两个导联的类，记为导联x和导联y，当导联x的相位同步性强度大于导联y的相位同步性强度，则选择导联x排除导联y(或当导联x的相位同步性强度小于等于导联y的相位同步性强度时，则选择导联y排除导联x)；排除的导联y的重要性则排在第L-1位(或排除的导联x的重要性则排在第L位)；以此类推，直到只剩一个导联为止，最后剩下的导联，排在第L-(L-1)位，得到一个L导联的重要性排序表。

假设有64个导联的脑电数据，经过前面两个步骤，得到了一个64导的聚类树。因为不知道大脑内部究竟有几个特征源的活动反映在这64个导联上，所以进行特征源数目的推定决策。第一步，设有63个特征源的活动反映在64个导联上，那么，存在一个冗余导联。为了找到这个冗余导联，通过截取聚类树，将64个导联分成63类。那么，存在这么一个类，其中含有两个导联，记为x和y，而其他类则只有一个导联。认为导联x和y是对同一个特征源的反映，因此需要对其做出筛选，而选择的依据就是导联的相位同步性强度Wg。假设导联x的相位同步性强度Wg大于导联y的相位同步性强度Wg，则选择x排除y。排除的导联y的重要性则排在第64位。第二步，对于剩余的63个导联，继续设有62个特征源的活动反映在63个导联上，那么，存在一个冗余导联。为了找到这个冗余导联，通过截取聚类树，将63个导联分成62类。那么，存在这么一个类，其中含有两个导联，记为x和y，而其他类则只有一个导联。认为导联x和y是对同一个特征源的反映，因此需要对其做出筛选。而选择的依据就是导联的相位同步性强度Wg。假设导联x的相位同步性强度Wg大于导联y的相位同步性强度Wg，则选择x排除y。排除的导联y的重要性则排在第63位。以此类推，直到只剩一个导联为止，则最后剩下的那个导联，其重要性最大，最后，得到一个64导联的重要性排序表。

104：对导联重要性排序表进行正确率计算，获取L个正确率值；

其中，该步骤具体为对第L-(L-1)位的导联数据进行正确率计算，得到第一正确率值A1；对第L-(L-1)位和L-(L-2)位的导联数据进行正确率计算，得到第二正确率值A2；对第L-(L-1)位、L-(L-2)位和L-(L-3)位的导联数据进行正确率计算，得到第三正确率值A3；以此类推，直到得到第L个正确率值AL。

其中，正确率计算为：根据n次目标刺激target的脑电数据和m次非目标刺激nontarget的脑电数据进行5折交叉验证计算正确率，即将所有数据随机分成5份B1、B2、B3、B4和B5，先取B1作为测试样本，另外4份数据作为训练样本，用训练样本建立起来的分类器去计算测试样本B1的正确率，得到正确率值R1。然后依次取B2、B3、B4和B5作为测试样本，其他为训练样本，分别得到正确率值R2、R3、R4和R5。最后取这5个正确率值的平均值为5折交叉验证的正确率。其中，具体实现时，根据实际应用中的需要也可以进行6折交叉验证计算正确率，即将所有数据随机分成6份B1、B2、B3、B4、B5和B6，先取B1作为测试样本，另外5份数据作为训练样本，详细描述参见上文，在此不再赘述。

105：对L个正确率值进行排序，将正确率值最高的导联组合作为最优导联组合，输出最优导联组合。

其中，对L个正确率值可以进行由高到低或由低到高的排序，或采用其他的排序方法，具体实现时，本发明实施例对此不做限制。

下面以一个简单的试验来验证本发明实施例提供的一种P300脑-机接口导联优化方法的可行性，详见下文描述：

通过使用本发明实施例提供的一种P300脑-机接口导联优化方法，对5个受试者的64个导联进行优化，结果显示，在保持正确率(通过3次叠加特征值得到)不变的情况下，平均可以减少46个导联，验证了本发明实施例提供的方法的可行性，满足了实际应用中的需要。

综上所述，本发明实施例提供了一种P300脑-机接口导联优化方法，本发明实施例融合事件PLV和层次聚类法，对特征源数目进行推定决策，在此基础上选择最优导联组合，是一种全新的P300脑-机接口导联优化技术；本发明实施例能够有效的减少BCI***的冗余导联，降低BCI***的不稳定性风险，简化操作程序，对提高BCI***的在线程度和促进其商品化提供帮助，在人机交互领域可获得可观的经济效益和社会效益。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种P300脑-机接口导联优化方法，其特征在于，所述方法包括以下步骤：

(1)根据预设数量L个导联获取导联之间的事件相位锁定值，L的取值为大于等于2的正整数；根据所述事件相位锁定值建立各导联间的距离系数矩阵，定义各导联的相位同步性强度；

(2)根据所述各导联间的距离系数矩阵，通过层次聚类法获取聚类树；

(3)根据所述聚类树和所述各导联的相位同步性强度建立导联重要性排序表；

(4)对所述导联重要性排序表进行正确率计算，获取L个正确率值；

(5)对所述L个正确率值进行排序，将正确率值最高的导联组合作为最优导联组合，输出所述最优导联组合；

步骤(1)中的所述根据预设数量L个导联获取导联之间的事件相位锁定值；根据所述事件相位锁定值建立各导联间的距离系数矩阵，定义各导联的相位同步性强度具体为：

设经过试验得到n次目标刺激的脑电数据和m次非目标刺激的脑电数据，则导联x和y之间的事件相位锁定值具体为：

${\mathrm{TPLV}}_{x,y}\left(t\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{PLV}}_{x,y,t\arg \mathrm{et}}\left(t\right)-\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{PLV}}_{x,y,\mathrm{nont}\arg \mathrm{et}}\left(t\right)$

其中，n和m的取值为大于等于1的正整数；

<·>_τ代表对括号内的式子进行时间平均；

定义所述各导联间的距离系数矩阵，对于任意的两个导联x和y，其距离系数矩阵具体为：

${\mathrm{Dist}}_{x,y}=\underset{t}{\max }\left({\mathrm{TPLV}}_{x,y}\left(t\right)\right)$

根据所述各导联间的距离系数矩阵，定义所述各导联的相位同步性强度，对于与任意一个导联x，其相位同步性强度为：

${\mathrm{Wg}}_x=\underset{i}{\mathrm{\&Sigma;}}{\mathrm{Dist}}_{x,i};$

其中，

和

表示相位，

s(t)表示信号，

是s(t)的希尔伯特变化；PLV_{x，y，target}(t)表示目标刺激下的导联x和y的相位锁定值；PLV_{x，y，nontarget}(t)表示非目标刺激下的导联x和y的相位锁定值；PLV_x，y(t)表示导联x和y的相位锁定值；

步骤(4)中的所述对所述导联重要性排序表进行正确率计算，获取L个正确率值具体为：

对第L-(L-1)位的导联数据进行正确率计算，得到第一正确率值A1；对第L-(L-1)位和L-(L-2)位的导联数据进行正确率计算，得到第二正确率值A2；对第L-(L-1)位、L-(L-2)位和L-(L-3)位的导联数据进行正确率计算，得到第三正确率值A3；以此类推，直到得到第L个正确率值AL。

2.根据权利要求1所述的一种P300脑-机接口导联优化方法，其特征在于，步骤(3)中的所述根据所述聚类树和所述各导联的相位同步性强度建立导联重要性排序表具体为：

假设有L个导联的脑电数据，获取一个L导的聚类树，设有L-1个特征源的活动反映在L个导联上，通过截取聚类树，将L个导联分成L-1类，则存在一个包含两个导联的类，记为导联x和导联y，当导联x的相位同步性强度大于导联y的相位同步性强度时，则选择导联x排除导联y；排除的导联y的重要性排在第L位；对于剩余的L-1个导联，设有L-2个特征源的活动反映在L-1个导联上，通过截取聚类树，将L-1个导联分成L-2类，则存在一个包含两个导联的类，记为导联x和导联y，当导联x的相位同步性强度大于导联y的相位同步性强度时，则选择导联x排除导联y；排除的导联y的重要性则排在第L-1位；以此类推，直到只剩一个导联为止，最后剩下的导联，排在第L-(L-1)位，得到一个L导联重要性排序表。

Images