[發明專利]抑制MI-BCI系統誤觸發的系統及其訓練和測試方法

在審

• 申請號: 202110966440.2
• 申請日: 2021-08-23
• 公開（公告）號: CN113807402A
• 公開（公告）日: 2021-12-17
• 發明（設計）人: 綦宏志;周路佳
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 張建中

1.一種抑制MI-BCI系統誤觸發的系統，包括MI-BCI系統，其特征在于，還包括：用于對肢體進行電刺激來產生體感誘發電位的電刺激單元，用于采集腦電信號的信號采集單元，用于提取腦電信號特征的特征提取單元，用于對腦電信號特征進行分類的特征分類單元；特征提取單元，其輸入來自信號采集單元采集的腦電信號，其采用共空間模式算法提取腦電信號特征；特征分類單元，其輸入來自特征提取單元提取的腦電信號特征，其采用支持向量機對提取的腦電信號特征進行模式識別分類，將腦電信號特征分類為靶任務和非靶任務,其將分類結果反饋至MI-BCI系統；MI-BCI系統，其接收來自信號采集單元采集的腦電信號，其根據特征分類單元的反饋信號，按照如下方式驅動執行器動作：當腦電信號分類為靶任務時，MI-BCI系統對應腦電信號發出信號，驅動執行器帶動患肢作相應動作；當腦電信號識別為非靶任務時，MI-BCI系統不驅動執行器動作。

2.根據權利要求1所述的抑制MI-BCI系統誤觸發的系統，其特征在于，信號采集單元采用Neuroscan公司生產的64導腦電采集系統，通過銀或氯化銀合金電極帽采集60導0.5～100Hz的腦電信號。

3.根據權利要求1所述的抑制MI-BCI系統誤觸發的系統，其特征在于，電極帽的導聯分布情況依據國際標準10或20電極系統；其中參考電極接至鼻尖，接地電極接至前額。

4.根據權利要求1所述的抑制MI-BCI系統誤觸發的系統，其特征在于，信號采集單元采樣頻率為1000Hz，并濾除50Hz工頻干擾。

5.根據權利要求1所述的抑制MI-BCI系統誤觸發的系統，其特征在于，電刺激單元采用脈寬為100～200μs的雙相脈沖電流，通過自粘性心電電極對肢體施加刺激，刺激頻率為30～32Hz。

6.根據權利要求1所述的抑制MI-BCI系統誤觸發的系統，其特征在于，還包括腦電信號預處理單元，腦電信號預處理單元，其對來自信號采集單元的腦電信號進行濾波預處理后輸出至特征提取單元，其采用共平均參考方法對采集的數據進行空間濾波，并將信號降采樣至200Hz。

7.根據權利要求1所述的抑制MI-BCI系統誤觸發的系統，其特征在于，特征提取單元包括8-13Hz帶通濾波器、13-30Hz帶通濾波器和30-32Hz帶通濾波器，特征提取單元將采集的腦電信號分別經過這三個頻帶的帶通濾波后，得到對應三個頻帶的腦電數據，并分別對每個頻帶的腦電數據進行特征提取。

8.根據權利要求7所述的抑制MI-BCI系統誤觸發的系統，其特征在于，特征提取單元對每個頻帶的EEG成分計算CSP投影矩陣，進而分別提取每個EEG成分的空間特征。

9.根據權利要求1所述的抑制MI-BCI系統誤觸發的系統，其特征在于，特征提取單元和特征分類單元的訓練和測試樣本通過對健康的被試進行實驗獲得；實驗時，對被試一側肢體施加電刺激信號；電刺激采用脈寬為200μs的雙相脈沖電流，通過兩個自粘性心電電極施加刺激，刺激頻率為31Hz，刺激強度調整至使用者手指輕微震顫，以產生穩定且清晰可見的SSSEP為止；設置三種干擾任務作為測試任務，分別為肢體運動想象，肢體運動執行和心算任務；采集任務執行期內4s的腦電信號數據，并依次進行8-13Hz、13-30Hz和30-32Hz的帶通濾波處理后，作為訓練或測試樣本。

10.一種權利要求1至9任一所述的抑制MI-BCI系統誤觸發的系統的訓練和測試方法，其特征在于，包括如下步驟：

步驟1，首先對原始信號預處理得到X，選取每個樣本的任務期數據，作相應特征頻段的帶通濾波得到X_i，其中i＝1、2、3分別對應alpha、beta和SSSEP頻段；

步驟2，對于每個頻帶，劃分訓練集X_{train_i}和測試集X_{test_i}；

步驟3，基于訓練集樣本構建CSP濾波器，得到投影矩陣W_i；由W_i空間濾波后得到Z_i＝W_i^TX_{train_i}，設Z_ip(p＝1,2,…,2m)代表濾波后信號Z_i中前m行和后m行，則單個試次的特征計算公式為：

選取適合大小的m，得到某一頻帶下的特征向量f_{train_i}，則訓練特征f_train＝[f_{train_1},f_{train_2},f_{train_3}]為三個頻帶特征的組合；

步驟4，對于每個頻帶，將測試集送入由訓練集樣本構建的投影矩陣W_i，得到f_{test_i}，則測試樣本特征為f_test＝[f_{test_1}，f_{test_2}，f_{test_3}]；

步驟5，將步驟3得到的特征向量f_train作為訓練數據對支持向量機進行訓練；將步驟4得到的特征向量f_test作為測試數據，將其送入由訓練集特征構造的分類器中得到預測結果。