[发明专利]一种基于Matlab和DSP的运动想象脑机接口实现方法

说明书

技术领域

本发明涉及一种基于Matlab和DSP的运动想象脑机接口实现方法。可对人和计算机识别模型进行交互训练，训练后得到最佳识别模型，进而以C语言代码为基础在DSP上进行具体实现，达到脑机接口实际应用目的。

背景技术

脑机接口是指通过电极从头皮或颅内获得含有控制意图的脑电信号，经过特征提取与分类，识别出不同的用户意图，并将之转化为能够控制外部设备的命令。脑机接口不仅在残疾人康复、老年人护理方面具有显著的优势，而且在军事、人工智能、娱乐等方面也具有广阔的应用前景。在应用之前需要对人和计算机识别模型进行大量交互训练，然而现有的大部分训练软件与特定的硬件绑定，价格昂贵，缺乏通用性。少量训练软件尽管具有通用性，但这些开源软件系统结构复杂，只能在实验室使用，和实际应用还有相当的距离。目前并没有一种方便实用的交互训练软件及脑机接口面向应用的具体实现方法。

为了解决以上存在的问题，人们一直在寻求一种更为合理的方案。

发明内容

本发明的目的在于提供一种基于Matlab和DSP的运动想象脑机接口实现方法，针对现有脑机接口系统的不足，采用MATLAB编写了一套能够实现人机交互训练的仿真软件，该软件通过TCP/IP接收脑电数据，利用Matlab的强大数学计算能力，实现脑电信号的接收、保存、特征提取、分类识别等复杂算法，通过人机交互训练，获得更有效、稳定的分类识别模型。将MATLAB得到的模型最终在DSP平台上具体应用。该实现方法具有通用性强、速度快、效率高、面向实际应用的特点，为脑机接口走向实际应用奠定基础。

为了实现上述目的，本发明采用下述技术方案：

一种基于Matlab和DSP的运动想象脑机接口实现方法，包括进行Matlab仿真和DSP具体应用，其特征在于：所述Matlab仿真包括三个大步骤：首次训练模块----建立识别模型、模型更新----建立更新识别模型、在线仿真----建立最佳识别模型。所述首次训练----建立识别模型让实验者执行选择的运动想象任务，通过对采集到的脑电信号进行离线分析，建立首次识别模型。模型更新----建立更新识别模型：装载识别模型，让实验者在执行运动想象任务的同时获取在线实时反馈，通过调整自身以产生更易识别的脑电信号，再次进行离线分析，建立更新识别模型。在线仿真----建立最佳识别模型：装载不同的更新识别模型，对特定的控制对象进行实时在线仿真，通过仿真结果选择最佳识别模型，为DSP具体实际应用做好准备。DSP具体应用：将Matlab仿真部分得到的最佳识别模型，以C语言代码为基础进行具体实现，进而在线应用，具有速度快、效率高、体积小，面向脑机接口实际应用的特点。

上述首次训练----建立识别模型采用Matlab实现，可允许实验者设置训练次数及运动想象的时间长度，能够让实验者依据个人特点，选择要执行的运动想象任务种类，然后根据系统提示，执行对应的运动想象任务，实现特定运动想象任务脑电信号的采集与保存。可装载采集的脑电数据，选择指定的特征提取和分类方法，进行分析处理，建立首次识别模型，并给出该模型对应的识别精度。程序流程图如图2所示，具体实现步骤为：

1)参数设置：需要设置的信息包括单次采样时长、放大器IP及端口、通道选择、实验者ID、训练次数、训练任务选择、特征提取方法选择、分类方法选择、交叉验证倍数和数据处理时间域。这些在MATLAB中通过对相应控件编程实现；

2)执行运动想象任务：实验者按系统提示进行运动想象任务。MATLAB界面提示向左箭头时执行左手运动想象任务、向右箭头时执行右手运动想象任务、向下箭头时执行右脚运动想象任务、向下双箭头时执行双脚运动想象任务。最终实验数据以.mat形式保存；

3)离线分析：对已保存的实验数据的预处理、特征提取、分类识别、交叉验证，最终输出正确率并保存首次识别模型。

预处理：对实验数据进行通道选择、提取时间处理窗口、降频。

特征提取：可选择不同的特征提取方法提取特征向量。包括共同空间模式（CSP）、小波包分解（WPD）与共同空间模式相结合的特征提取方法、功率谱密度（PSD）、自回归（AR）模型、基于希尔伯特变换（HHT）的特征提取方法。

分类识别：可选择不同的分类识别方法训练首次识别模型。包括线性判别分析（LDA）、二次判别分析(QDA)、K近邻(KNN)、贝叶斯（BAYES）、决策树（DT）、概率神经网络（PNN）、支持向量机(SVM)等分类识别方法。

交叉验证：对训练的首次识别模型进行交叉验证，并输出识别正确率。