一种可自适应学习的脑波控制外围设备方法

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；
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)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；k表示第k个源信号。
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3的具体过程如下：
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)为变换后的傅里叶成分，wN表示正交序列集中的 即
3.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4的具体过程如下：
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，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:
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/N
P(k)为利用周期图法估计出的功率谱密度。
4.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5的具体过程如下：
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：
其中， Eδ，Eθ，Eα，Eβ表示δ波、θ波、α波、β波对应的能量；fs(i)表示第i个采样频率；N表示采样总点数；Pi为功率谱密度；
大脑活跃度H通过以下式来计算，

一种可自适应学习的脑波控制外围设备方法\n技术领域\n[0001] 本发明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。\n背景技术\n[0002] 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。\n[0003] 表1\n[0004]\n[0005] 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。\n发明内容\n[0006] 本发明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。\n[0007] 为了解决以上技术问题，本发明采用的具体技术方案如下：\n[0008] 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：\n[0009] 步骤1：利用脑波装置采集人的脑波信号\n[0010] 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：\n[0011] 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:\n[0012] x～＝Mx＝MAS＝BS\n[0013] 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：\n[0014] y＝(wΛ)TMx～＝(wΛ)TMx～＝(wΛ)TMAs\n[0015] 零均值的随机变量V的峭度为：\n[0016] kurt(t)＝E[V4]-3(E[V2])2\n[0017] 通过最大化峭度,将源信号逐个分离出来，其递推公式如下:\n[0018] w(k)＝E[x(w(k-1)T)3]-3w(k-1)\n[0019] 其中，w＝wi(为w的一行)，且||w||＝1。\n[0020] 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。\n[0021] 步骤3：对脑波信号进行傅里叶变换，具体过程如下：\n[0022] 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：\n[0023]\n[0024] x(K)为变换后的傅里叶成分，wN表示正交序列集中的 即\n[0025] 步骤4：计算脑波中多种功率谱密度\n[0026] 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:\n[0027]\n[0028] 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；\n[0029] P(k)＝x(k)2/N\n[0030] P(k)为利用周期图法估计出的功率谱密度；\n[0031] 步骤5：计算大脑活跃度\n[0032] 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：\n[0033]\n[0034] 其中， Eδ，Eθ，Eα，Eβ表示δ波、θ波、α波、β波对应的能量[0035] 大脑活跃度H通过以下式来计算\n[0036]\n[0037] 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]；\n[0038] 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\n0.2s；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：\n[0039] 如果Hup-Hmax<2％*(Hmax-Hmin)/2，则Hmax＝Hup\n[0040] 如果Hmin-Hdown<2％*(Hmax-Hmin)/2,则Hmin＝Hdown\n[0041] 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。\n[0042] 本发明还提供了一种基于脑波进行自适应学习的脑波控制外围设备系统，包括脑波信号监测装置，脑波信号处理装置；\n[0043] 脑波信号监测装置主要进行实时监测脑波信号，并将信号实时传输给脑波信号处理装置。\n[0044] 脑波信号处理装置包括脑波信号接收模块、活跃度计算模块、指定状态活跃度学习模块、活跃度状态匹配模块。\n[0045] 脑波信号接收模块接收脑波信号；\n[0046] 活跃度计算模块对脑波信号进行独立变量分析，获取脑波功率谱密度，根据功率谱密度计算活跃度；\n[0047] 指定状态活跃度学习模块是对指定状态的大脑活跃度进行存储；\n[0048] 活跃度状态匹配模块是监测当前活跃度是否处于指定状态活跃度区间，如果处于指定区间则发出外围设备控制信号；\n[0049] 自适应学习模块，可自适应学习指定状态活跃度。\n[0050] 本发明具有有益效果。本发明通过对提取特定状态下的脑波信号，计算脑波活跃度指数，根据活跃度进行状态匹配，当活跃度处于指定区间，即产生外围设备控制信号，实现了对脑波信号的提取、状态学习、自适应修正，以及特定状态时对外围设备的控制，为脑波产品的产品化提供了科学高效的实现方案。\n附图说明\n[0051] 图1是基于脑波进行自适应学习的外围设备控制方法一实例的流程示意图[0052] 图2是基于脑波进行自适应学习的外围设备控制装置一实施例流程示意图[0053] 图3是基于脑波进行自适应学习的外围设备控制系统一实施例结构示意图[0054] 图4驾驶员大脑活跃度监测图。\n[0055] 图5是本发明的自适应学习预警成功率对比试验。\n[0056] 本发明目的的实现，功能特点和优点将结合实施例，参照附图做进一步说明。\n具体实施方式\n[0057] 下面将按照本发明实施步骤，结合说明图与具体实施例，下面结合附图进一步说明本发明的技术方案。\n[0058] 图1是本发明基于脑波进行自适应学习的外围设备控制方法一实例的流程示意图，按照流程示意图，该方法包含以下步骤。\n[0059] 步骤1、通过脑波装置采集脑波信号，如图2所示。\n[0060] 可以通过可佩戴脑波装置采集脑波信号，然后通过蓝牙、wifi等无线传输手段把脑波信号传输到脑波信号处理终端，这样做的好处是让脑波采集装置和信号处理装置分离，既可以由使用者自行模拟特定状态采集脑波信号，也可以由他人在不影响使用者既定状态时进行信号采集，可大大提高脑波信号采集效率。\n[0061] 步骤2、对采集到的脑波数据预处理去除明显的漂移数据，然后进行独立分量分析，去除和脑电信号无关的杂波。\n[0062] 由于脑波采集装置采集到的脑波信号可能包括眼电和肌电干扰信号，如果直接使用原始信号进行计算和分析，必然导致脑波信号有误差，大大降低对于特定状态大脑各波段信号采集的准确性，因此，有必要对脑波采集装置采集到的脑波信号进行独立分量分析处理，去除和脑电信号无关的杂波。\n[0063] 假设一组独立的源信号s(t)＝[s1(t),s2(t),…,sm(t)]T，经过线性系统A混合在一起,得到观察信号:\n[0064] x(t)＝[x1(t),x2(t),…,xm(t)]T\n[0065] 即：\n[0066] x(t)＝A(s)\n[0067] 源信号s(t)和混合系统A都是未知的,只有混合后的x(t)可以观察或测量到，在n≥m的条件下，如果s最多只含有一个高斯过程,就有可能通过解混矩阵w取得u(t)＝wx(t),使矢量,使矢量u逼近于s，只是u中各分量的排列次序及比例尺度与s可能不同。因此,如果找到解混矩阵w使得u的分量尽可能独立,那么u就是对s的估计。由于通过直接方法使信号T\n尽量独立并进行分解往往比较困难，而最大化wx的高斯度可以得到一个独立分量。\n[0068] 快速独立成分分析(Fast Independent Component Analysis，FastICA)是近年来提出的非常有效的数据分析工具，它主要用来从混合数据中提取出原始的独立信号。它作为信号分离的一种有效方法而受到广泛的关注。它是一种基于不动点迭代来寻找非高斯性最大值的一种独立变量分析算法。\n[0069] 由于峰度可以作为非高斯度(独立程度)的目标函数,使峰度的最大(或最小)化的w,就确定了一个独立分量,即:\n[0070] wTx＝(b)x\n[0071] b为混合信号参数矩阵。\n[0072] 如果将w作为神经算法中输入x的权矢量,并且限定||w||＝1,那么下式成立[0073] kurt(wTx)＝E[(wTx)4]-3(E[wTx])2＝E[(wTx)4]-3||w||4\n[0074] 通过最大化峭度,可以把源信号一个一个地分离出来，其递推公式如下:\n[0075] w(k)＝E[x(w(k-1)T)3]-3w(k-1)\n[0076] 其中，w＝wi(为w的一行)，且||w||＝1,k为信号数量\n[0077] 具体算法实现如下：\n[0078] (1)初始化w(0)，令其模为1，置k＝1。\n[0079] (2)令w(k)＝E[x(w(k-1)T)3]-3w(k-1)，期望值可由大量脑波信号x矢量的采样点而计算出来(例如1000点)。\n[0080] (3)用||w||去除w(k),||w||除以它的范数,即将其单位化。\n[0081] (4)如果|w(k)w(k-1)|不满足充分接近，则置k＝k+1，返回至第(2)步，否则输出矢量。\n[0082] 为了估算m个独立分量,需要将上述算法运行m次。为了确保每次估算出一个不同的独立分量,需要在这个循环中加入一个简单的正交投影,即在上述算法中的第三步加入一个转换：\n[0083]\n[0084] 与其他算法相比,FastICA算法有如下优点它是立方收敛的，而其它的定点算法一般只有线性收敛。与基于梯度的算法相比，不需要选择学习步长或其它参数，使得这种算法更易使用，更可靠。由于这个算法一次只提取一个独立分量，而不是所有的分量。所以，如果只要提取某个分量，又有足够的先验知识，就可以很快地把它提取出来，从而减小计算量。\n此外，不管是具有正峭度还是负峭度的分量它都能提取出来。\n[0085] 步骤3：进行傅里叶变换。\n[0086] 先将采集到的脑电信号按照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：\n[0087]\n[0088] x(K)为变换后的傅里叶成分，n表示第n个脑电信号，wN表示正交序列集中的即\n[0089] 步骤4：计算脑波中多种功率谱密度\n[0090] 将去除眼电、肌电干扰后的脑电信号记为x1。则对x1进行傅里叶变换后求得的功率谱密度，可以很好地反应出相应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:\n[0091]\n[0092] 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)[0093] P(k)＝x(k)2/N\n[0094] P(k)为利用周期图法估计出的功率谱密度。\n[0095] 步骤5：计算大脑活跃度\n[0096] 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。\n[0097] 对经由独立变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，可以实现对大脑活跃度的判定与评估。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。\n[0098]\n[0099] 其中， Eδ,Eθ,Eα,Eβ表示δ波、θ波、α波、β波对应的能量。\n[0100] 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。因此，α波和β波信号反应大脑活跃程度，θ波和δ波反应了大脑的迟钝程度，α波和β波之和与θ波和δ波之和的比值可以综合反应大脑活跃程度，且该比值越大表示大脑活跃程度越高，反之，该比值越小反应大脑活跃程度越低。\n[0101] 因此，大脑活跃度H可以通过以下式来计算：\n[0102]\n[0103] 多名受测者再清醒时和疲劳时大脑活跃度H对比结果如表2所示。\n[0104] 表2多名受测者再清醒时和疲劳时大脑活跃度H对比\n[0105]\n[0106] 从表2明显可以看出，当受测者清醒状态下，活跃度明显比疲劳状态下值要高，另外，不同的人在清醒和疲劳状态下活跃度有一定差距，所以，对于不同人的特定状态活跃度具有相对独立性的特点。\n[0107] 分别对驾驶员A与驾驶员B在驾车过程中，每隔6分钟监测一次大脑活跃度，共监测\n24次，结果如图4所示。通过图中活跃度数据的动态，可以驾驶员随着驾车时间的推移，大脑活跃度下降，不同驾驶员下降程度不同。\n[0108] 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区间[Hmin,Hmax]。注意：特定状态是指使用者处于疲劳驾驶、梦游、打盹、醉酒等状态，这时可以根据特定状态的持续时间和稳定性自由设置采集脑波次数和采集间隔，确保采集脑波信号与特定状态的相关性极大，这样才可以实现在特定状态监测的准确性。\n[0109] 步骤7：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]，如果存在于该区间在则通过处理器发送触发外围设备控制信号，处理器可以是单片机、PC机以及安卓手机等可编程装置，外围设备包括音效处理、电动机械等装置，可以根据出现大脑特定状态时的需要灵活设置,如图3所示，比如可以通过单片机获取脑波信号并计算大脑活跃度，并连接音响装置，当用户处于疲劳驾驶状态时，大脑活跃度处于疲劳驾驶状态，单片机控制音响装置发出警报。\n[0110] 步骤8：特定状态的学习可能处于模拟状态，与实际状态的大脑活跃度存在一定误差，为了提高对特定状态区间监测的准确性，可对此状态下的活跃度进行再学习，持续时间\n0.2s，\n[0111] 如果活跃度范围上限Hup和下限Hdown超出原来特定状态活跃度[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进行了限定，如下所示，[0112] Hup-Hmax<2％*(Hmax-Hmin)/2，则Hmax＝Hup\n[0113] Hmin-Hdown<2％*(Hmax-Hmin)/2,则Hmin＝Hdown\n[0114] 如果满足以上条件则自适应调整已存储的活跃度区间，否则保持原来区间不变。\n[0115] 比如当驾驶员处于疲劳驾驶状态，可以通过驾驶室里的其他人员操作处理终端进行此状态下的活跃度进行再学习，提高状态监测的准确性。表3为对200名驾驶员疲劳驾驶状态进行状态学习，分为使用自适应学习系列1和不使用自适应学习功能系列2，对疲劳驾驶状态监测准确率进行记录，如图5所示。\n[0116] 从图5中可见，未使用自适应学习的系列1预警成功率始终保持在92％左右，而使用自适应学习的系列2预警成功率随着使用的次数增加逐渐提高，证明了使用自适应学习功能可以明显提高对大脑特定状态学习和校准效率。