一种可自适应学习的脑波控制外围设备方法技术

本发明专利技术公开了一种可自适应学习的脑波控制外围设备方法，通过脑波装置采集脑波信号，对采集到的多导脑波数据进行独立分量分析，去除脑波信号中的眼电、肌电及工频等额外干扰，再经过快速傅里叶变换后计算出脑波中多种功率谱密度，通过多种功率谱密度计算大脑活跃度，将当前大脑活跃度与已学习的特定状态的大脑活跃度范围进行比较，满足条件即可产生外围设备控制信号，并对此状态进行自适应学习校正。本发明专利技术可有效去除脑波干扰信号，精确提取脑波信号多种功率谱密度，通过自适应学习特定状态下脑波信号的活跃程度，实现对大脑处于特定状态监控以及外围设备的控制。

【技术实现步骤摘要】

本专利技术涉及脑机接口装置中δ波、θ波、α波和β波能量的提取，大脑活跃度自适应学习方法，以及基于特定脑波状态进行外围设备控制的方法。
技术介绍
相关研究表明，利用脑电信号(EEG)能够直接反映大脑的活动状态,EEG已成为大脑活跃研究中广泛采用的评定中枢神经系统变化的重要依据。脑电信号可以分解为4个基本节律，即δ波、θ波、α波和β波，如表1所示。表1这4个节律的能量会随着大脑活跃度的变化而变化。当α波和β波呈主导优势时，表明人的意识是清醒的，大脑活跃；而当θ波和δ波占主导优势时，则表明了人的意识模糊甚至轻微睡眠的出现。而当人处于一种特定状态时，人脑的活跃度指数也相对稳定，通过脑波获取装置获取脑波信号，通过无线通信传输给接收处理器，处理器对脑波信号进行去干扰处理后即可得到准确的脑波信号，根据脑波信号计算人脑活跃度，并已学习的特定脑波状态活跃度区间进行比较继而控制外围设备，比如对驾驶员进入疲劳时的大脑活跃度进行学习，当驾驶员进入疲劳驾驶状态时处理器可以及时通过控制外围设备进行预警，并对疲劳驾驶状态的活跃度进行自适应状态学习，提高预警精度。
技术实现思路
本专利技术的目的在于提供一种可自适应学习的脑波控制外围设备方法，以实现及时通过控制外围设备进行预警，并提高预警精度。为了解决以上技术问题，本专利技术采用的具体技术方案如下：一种可自适应学习的脑波控制外围设备方法，其特征在于包括以下步骤：步骤1：利用脑波装置采集人的脑波信号步骤2：对采集到的脑波信号进行数据预处理，去除明显的漂移数据，得到观测信号设为x，进行独立分量分析，去除和脑电信号无关的杂波，具体过程如下：将所述观测信号x经线性变换为矩阵:x～＝Mx，使得E[x～x～′]＝I,变换后有:x～＝Mx＝MAS＝BS其中，M是白化矩阵，B＝MA是一个正交矩阵，用以求解正交解混合矩阵wΛ，使输出的每个分量都是相互独立的；所述输出y：y＝(wΛ)TMx～＝(wΛ)TMx～＝(wΛ)TMAs零均值的随机变量V的峭度为：kurt(t)＝E[V4]-3(E[V2])2通过最大化峭度,将源信号逐个分离出来，其递推公式如下:w(k)＝E[x(w(k-1)T)3]-3w(k-1)其中，w＝wi(为w的一行)，且||w||＝1。通过以上处理可以去除和脑电信号无关的杂波，将源信号逐个分离出来。步骤3：对脑波信号进行傅里叶变换，具体过程如下：先将采集到的脑波信号按照δ波、θ波、α波和β波频段分段保存，经快速傅里叶变换得到傅里叶成分；N点有限长序列x(n)的离散傅里叶(DFT)为： x ( k ) = D F T [ x ( n ) ] = Σ n = 0 N - 1 x ( n ) w N k n , 0 ≤ k ≤ N - 1 ]]>x(k)为变换后的傅里叶成分，wN表示正交序列集中的即步骤4：计算脑波中多种功率谱密度将去除眼电、肌电干扰后的脑波信号记为x1,利用对x1进行傅里叶变换后求得的功率谱密度，很好地反应相应δ波、θ波、α波和β波在当前脑波中所占的地位关系；在FFT频谱分析中，系统的分辨率由采样频率fs与采样点数N来决定,即: Δ f = f s N ]]>实际采样频率为1000Hz经过傅里叶变换后，获得x(k),k＝1,2,3,…,N；P(k)＝x(k)2/NP(k)为利用周期图法估计出的功率谱密度；步骤5：计算大脑活跃度将脑波信号分解为4个基本节律，即δ波、θ波、α波和β波；所述4个基本节律的能量会随着大脑活跃度的变化而变化；当α波和β波呈主导优势时，表明人的意识是清醒的，大脑活跃；当θ波和δ波占主导优势时，表明人的意识模糊甚至轻微睡眠的出现；因此，对经过独立分量分析处理去除了眼电和肌电干扰后的脑电波主导关系进行分析，并计算相应的特征参数，从而实现对大脑活跃度的判定与评估；所述δ波、θ波、α波、β波所对应的频率范围分别是1～3.8Hz、4～7.8Hz、8～12.8Hz、13～30Hz，对应的能量如下式所示： E δ = Σ P i , 1 ≤ f ( i ) ≤ 3.8 E θ = Σ P i , 4 ≤ f ( i ) ≤ 7.8 E α = Σ P i , 8 ≤ f ( i ) ≤ 12.8 本文档来自技高网...

【技术保护点】
一种可自适应学习的脑波控制外围设备方法，其特征在于包括以下步骤：步骤1：利用脑波装置采集人的脑波信号；步骤2：对采集到的脑波信号进行数据预处理，去除明显的漂移数据，得到观测信号设为x，进行独立分量分析，去除和脑电信号无关的杂波；步骤3：对脑波信号进行傅里叶变换；步骤4：计算脑波中多种功率谱密度；步骤5：计算大脑活跃度；步骤6：如果是进行特定状态大脑活跃度学习，则设置对于特定状态下采集脑波次数i次，保存特定状态活跃度最大值,Hmax与最小值Hmin区间[Hmin,Hmax]；如果是特定状态大脑活跃度监测，则设置对于特定状态下采集脑波次数i次，计算活跃度是否在区间[Hmin,Hmax]:如果活跃度在区间[Hmin,Hmax]，则触发外围设备控制信号，为了提高对特定状态区间监测的准确性，对此状态下的活跃度进行自适应学习，持续时间0.2s；如果活跃度范围上限Hup和下限Hdown超出所述特定状态活跃度[Hmin,Hmax]区间，为了确保自适应学习不失真，对于活跃度范围上限Hup和下限Hdown进行以下限定：如果Hup‑Hmax<2％*(Hmax‑Hmin)/2，则Hmax＝Hup如果Hmin‑Hdown<2％*(Hmax‑Hmin)/2,则Hmin＝Hdown如果满足以上条件则自适应调整已存储的活跃度区间，否则保持原来活跃度区间不变。...

【技术特征摘要】
1.一种可自适应学习的脑波控制外围设备方法，其特征在于包括以下步骤：步骤1：利用脑波装置采集人的脑波信号；步骤2：对采集到的脑波信号进行数据预处理，去除明显的漂移数据，得到观测信号设为x，进行独立分量分析，去除和脑电信号无关的杂波；步骤3：对脑波信号进行傅里叶变换；步骤4：计算脑波中多种功率谱密度；步骤5：计算大脑活跃度；步骤6：如果是进行特定状态大脑活跃度学习，则设置对于特定状态下采集脑波次数i次，保存特定状态活跃度最大值,Hmax与最小值Hmin区间[Hmin,Hmax]；如果是特定状态大脑活跃度监测，则设置对于特定状态下采集脑波次数i次，计算活跃度是否在区间[Hmin,Hmax]:如果活跃度在区间[Hmin,Hmax]，则触发外围设备控制信号，为了提高对特定状态区间监测的准确性，对此状态下的活跃度进行自适应学习，持续时间0.2s；如果活跃度范围上限Hup和下限Hdown超出所述特定状态活跃度[Hmin,Hmax]区间，为了确保自适应学习不失真，对于活跃度范围上限Hup和下限Hdown进行以下限定：如果Hup-Hmax<2％*(Hmax-Hmin)/2，则Hmax＝Hup如果Hmin-Hdown<2％*(Hmax-Hmin)/2,则Hmin＝Hdown如果满足以上条件则自适应调整已存储的活跃度区间，否则保持原来活跃度区间不变。2.根据权利要求1所述的一种可自适应学习的脑波控制外围设备方法，其特征在于所述步骤2的具体过程如下：将所述观测信号x经线性变换为矩阵:x～＝Mx，使得E[x～x～′]＝I,变换后有:x～＝Mx＝MAS＝BS其中，M是白化矩阵，B＝MA是一个正交矩阵，用以求解正交解混合矩阵wΛ，使输出y的每个分量都是相互独立的,所述输出y：y＝(wΛ)TMx～＝(wΛ)TMx～＝(wΛ)TMAS零均值的随机变量V的峭度为：kurt(t)＝E[V4]-3(E[V2])2通过最...

【专利技术属性】
技术研发人员：王之腾，张睿，徐宝宇，王芝桥，何健，申晴，
申请(专利权)人：王之腾，
类型：发明
国别省市：辽宁;21