一种运动想象脑电通道选择方法和系统

技术领域

本发明涉及脑机接口技术领域，尤其涉及一种运动想象脑电通道选择方法和系统。

背景技术

脑机接口（Brain-Computer Interface,BCI）是一种基于脑信号实现人脑与外部电子设备通讯、控制的人机交互方式。运动想象（Motor Imagery,MI）是想象特定行为而不是实际执行这些行为的心理过程。基于运动想象产生的脑电图（Electroencephalography,EEG）数据的 BCI 系统可帮助在大脑和外部设备之间建立连接，能够用于操纵、控制无人驾驶飞行器、帮助残疾患者或交流障碍患者恢复控制和交流功能等任务。

虽然大量的脑电通道能提供更多的背景神经活动信息，但它们也会引入冗余和噪声数据，从而产生高维数据。通道选择方法可用于减少无关噪声和冗余信息，从而降低计算复杂度，通过避免过拟合提高分类准确性，减少设置时间，并提供性能更佳的BCI。但是现有通道选择和分类技术均存在操作复杂度较高和能耗高的问题。

发明内容

本发明提供了一种运动想象脑电通道选择方法和系统，用以解决现有技术存在的问题，本发明提供的技术方案如下：

一方面，提供了一种运动想象脑电通道选择方法，所述方法包括：

S1、获取并预处理具有若干脑电通道的运动想象脑电图数据；

S2、将所述脑电图数据映射到基于脉冲神经网络的NeuCube模型，并对所述NeuCube模型进行训练，所述NeuCube模型构建模拟大脑的包括由不同脑电通道映射的神经元和其他神经元的三维SNN立方体，其中由不同脑电通道映射

的神经元称作输入神经元；

S3、采用聚类方法，对NeuCube模型中输入神经元的时空关系进行分析，根据在训练过程中神经元的脉冲通信，对模型中的神经元进行分组，得到以所述输入神经元作为集群中心的神经元簇；

S4、比较各个神经元簇中神经元个数与所述NeuCube模型中神经元的总数，得到各个输入神经元的比例指数；

S5、根据在训练过程中不同神经元簇的神经元的脉冲通信，确定各个输入神经元之间的平均相互作用；

S6、将比例指数大且平均相互作用小的输入神经元对应的脑电通道作为不重要的脑电通道，予以删除，选择其他没有删除的脑电通道的运动想象脑电图数据重新训练NeuCube模型并完成分类。

可选地，所述NeuCube模型，包括：数据编码模块、三维SNN立方体模块和输出模块；

所述数据编码模块，用于将输入的所述脑电图数据转换为不同脑电通道的脉冲序列；

所述三维SNN立方体模块，用于将所述不同脑电通道的脉冲序列映射到三维立方体中的神经元，不同神经元之间采用小世界网络进行初始连接，随机设置初始连接权重，在初始化三维立方体之后，以一种无监督的方式进行训练，利用脉冲时间依赖可塑性规则来修改初始连接权重；

所述输出模块，用于在无监督训练阶段之后，采用监督训练，利用预定义的模式类别分类识别立方体状态。

可选地，所述S3，具体包括：

将所述输入神经元作为神经元簇的集群中心，并用代表脑电通道的输入变量进行标记；

神经元簇的剩余神经元，根据从每个集群中心接收到的脉冲数量确定，每个神经元都属于一个特定的神经元簇，与其他神经元簇的集群中心相比，从所述特定的神经元簇的集群中心接收到的脉冲数量最多。

可选地，所述S5，具体包括：

计算在训练过程中各个神经元簇的神经元和其他神经元簇的神经元进行脉冲通信的脉冲通信总量；

将各个神经元簇的脉冲通信总量除以各个神经元簇的神经元个数的所得值，作为各个神经元簇的输入神经元之间的平均相互作用。

可选地，所述不重要的脑电通道包括比例指数大且平均相互作用小的至少一个输入神经元对应的脑电通道。

另一方面，提供了一种运动想象脑电通道选择系统，所述系统包括：

获取预处理模块，用于获取并预处理具有若干脑电通道的运动想象脑电图数据；

映射训练模块，用于将所述脑电图数据映射到基于脉冲神经网络的NeuCube模型，并对所述NeuCube模型进行训练，所述NeuCube模型构建模拟大脑的包括由不同脑电通道映射的神经元和其他神经元的三维SNN立方体，其中由不同脑电通道映射的神经元称作输入神经元；

分组模块，用于采用聚类方法，对NeuCube模型中输入神经元的时空关系进行分析，根据在训练过程中神经元的脉冲通信水平，对模型中的神经元进行分组，得到以所述输入神经元作为集群中心的神经元簇；

比较模块，用于比较各个神经元簇中神经元个数与所述NeuCube模型中神经元的总数，得到各个输入神经元的比例指数；

确定模块，用于根据在训练过程中不同神经元簇的神经元的脉冲通信，确定各个输入神经元之间的平均相互作用；

选择模块，用于将比例指数大且平均相互作用小的输入神经元对应的脑电通道作为不重要的脑电通道，予以删除，选择其他没有删除的脑电通道的运动想象脑电图数据重新训练NeuCube模型并完成分类。

可选地，所述NeuCube模型，包括：数据编码模块、三维SNN立方体模块和输出模块；

所述数据编码模块，用于将输入的所述脑电图数据转换为不同脑电通道的脉冲序列；

所述三维SNN立方体模块，用于将所述不同脑电通道的脉冲序列映射到三维立方体中的神经元，不同神经元之间采用小世界网络进行初始连接，随机设置初始连接权重，在初始化三维立方体之后，以一种无监督的方式进行训练，利用脉冲时间依赖可塑性规则来修改初始连接权重；

所述输出模块，用于在无监督训练阶段之后，采用监督训练，利用预定义的模式类别分类识别立方体状态。

可选地，所述分组模块，具体用于：

将所述输入神经元作为神经元簇的集群中心，并用代表脑电通道的输入变量进行标记；

神经元簇的剩余神经元，根据从每个集群中心接收到的脉冲数量确定，每个神经元都属于一个特定的神经元簇，与其他神经元簇的集群中心相比，从所述特定的神经元簇的集群中心接收到的脉冲数量最多。

可选地，所述确定模块，具体用于：

计算在训练过程中各个神经元簇的神经元和其他神经元簇的神经元进行脉冲通信的脉冲通信总量；

将各个神经元簇的脉冲通信总量除以各个神经元簇的神经元个数的所得值，作为各个神经元簇的输入神经元之间的平均相互作用。

可选地，所述不重要的脑电通道包括比例指数大且相互作用小的至少一个输入神经元对应的脑电通道。

另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有指令，所述指令由所述处理器加载并执行以实现上述运动想象脑电通道选择方法。

另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有指令，所述指令由处理器加载并执行以实现上述运动想象脑电通道选择方法。

上述技术方案，与现有技术相比至少具有如下有益效果：

本发明采用基于脉冲神经网络的低能耗架构，对运动想象小数据集进行分类，在分类过程中，考虑到脑电信号的时间和空间信息，计算不同脑电通道对应的神经元簇占比大小与神经元之间的交互信息，选择出不重要的脑电通道将其删除再重新训练NeuCube模型并完成分类，能够在学习和理解脑电信号的同时，对脑电通道进行选择，从而降低能耗，避免过拟合，提高分类精度，提高BCI系统的实际应用性能。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种运动想象脑电通道选择方法流程图；

图2为本发明实施例提供的NeuCube模型结构图；

图3为本发明实施例提供的神经元立方体结构图；

图4为本发明实施例提供的初始化后的神经元立方体网络连接图；

图5为本发明实施例提供的以无监督的方式训练后的立方体连接图；

图6为本发明实施例提供的二十二个脑电通道对应的神经元聚类后的结果图；

图7为本发明实施例提供的各个神经元簇中神经元个数与所述NeuCube模型中神经元的总数的百分比示意图；

图8为本发明实施例提供的各个神经元簇的输入神经元之间的平均相互作用示意图；

图9为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提供了一种运动想象脑电通道选择方法，所述方法包括：

S1、获取并预处理具有若干脑电通道的运动想象脑电图数据；

S2、将所述脑电图数据映射到基于脉冲神经网络的NeuCube模型，并对所述NeuCube模型进行训练，所述NeuCube模型构建模拟大脑的包括由不同脑电通道映射的神经元和其他神经元的三维SNN立方体，其中由不同脑电通道映射的神经元称作输入神经元；

S3、采用聚类方法，对NeuCube模型中输入神经元的时空关系进行分析，根据在训练过程中神经元的脉冲通信，对模型中的神经元进行分组，得到以所述输入神经元作为集群中心的神经元簇；

S4、比较各个神经元簇中神经元个数与所述NeuCube模型中神经元的总数，得到各个输入神经元的比例指数；

S5、根据在训练过程中不同神经元簇的神经元的脉冲通信，确定各个输入神经元之间的平均相互作用；

S6、将比例指数大且平均相互作用小的输入神经元对应的脑电通道作为不重要的脑电通道，予以删除，选择其他没有删除的脑电通道的运动想象脑电图数据重新训练NeuCube模型并完成分类。

下面结合图2-图8，详细说明本发明实施例提供的一种运动想象脑电通道选择方法，包括：

S1、获取并预处理具有若干脑电通道的运动想象脑电图数据；

本发明实施例采用巴特沃斯带通滤波器对某段频率范围内的运动想象脑电图数据进行筛选，截取数据中间固定时间长度的数据进行训练和分类。此处的优选方案为采用6阶巴特沃斯带通滤波器对8-30Hz频率范围内的运动想象脑电图数据进行筛选，截取数据中间3秒钟（被试者进行运动想象）的数据进行训练和分类。

所述脑电图数据具有22个脑电通道，就是被试者戴的电极帽上有22个电极，采集22个不同的具有时间空间信息的脑电图数据（时空数据），最终获得的数据集中所有数据的格式：

S2、将所述脑电图数据映射到基于脉冲神经网络的NeuCube模型，并对所述NeuCube模型进行训练，所述NeuCube模型构建模拟大脑的包括由不同脑电通道映射的神经元和其他神经元的三维SNN立方体，其中由不同脑电通道映射的神经元称作输入神经元；

可选地，如图2所示，所述NeuCube模型，包括：数据编码模块、三维 SNN 立方体模块和输出模块；

所述数据编码模块，用于将输入的所述脑电图数据转换为不同脑电通道的脉冲序列；

具体的，本发明实施例采用的是SF(step forward)编码算法，将输入的所述脑电图数据转换为不同脑电通道的脉冲序列，类似将元数据中的浮点数转换为仅包含0和1的数据，然后将脉冲序列导入NeuCube的三维SNN立方体中进行处理和分类。

所述三维 SNN 立方体模块，用于将所述不同脑电通道的脉冲序列映射到三维立方体中的神经元，不同神经元之间采用小世界网络进行初始连接，本发明实施例的小世界网络神经元连接在一定半径（比如r=3）范围内，在国际10-5定位系统映射的基础上，设计了一种由346个神经元组成的结构，所有22个脑电通道都映射到这个立方体上，如图3所示，这22个输入神经元包括：FZ、 POz、P2、FC3等，在图3中用圆点表示，其他神经元用星点表示。

随机设置初始连接权重，初始的三维立方体可以看作是一个液态机(Liquidstate machines,LSM)，由大量随机互连的单个神经元组成，形成一个LSM网络，初始化后的网络连接如图4所示，其中神经元点的亮度代表其初始激活的强度，神经元之间的连线代表随机的初始连接权重。

在初始化三维立方体之后，以一种无监督的方式进行训练，利用脉冲时间依赖可塑性（Spike-Timing-Dependent Plasticity,STDP）规则来修改初始连接权重，以无监督的方式训练后的立方体连接如图5所示，其中神经元点的亮度代表其训练后激活的强度，神经元之间的连线代表训练后的连接权重，包含兴奋性连接和抑制性连接。

所述输出模块，用于在无监督训练阶段之后，采用监督训练，利用预定义的模式类别分类识别立方体状态。

S3、采用聚类方法，对NeuCube模型中输入神经元的时空关系进行分析，根据在训练过程中神经元的脉冲通信，对模型中的神经元进行分组，得到以所述输入神经元作为集群中心的神经元簇；

可选地，所述S3，具体包括：

将所述输入神经元作为神经元簇的集群中心，并用代表脑电通道的输入变量进行标记；

神经元簇的剩余神经元，根据从每个集群中心接收到的脉冲数量确定，每个神经元都属于一个特定的神经元簇，与其他神经元簇的集群中心相比，从所述特定的神经元簇的集群中心接收到的脉冲数量最多。

二十二个脑电通道对应的神经元聚类后的结果如图6所示。

S4、比较各个神经元簇中神经元个数与所述NeuCube模型中神经元的总数，得到各个输入神经元的比例指数；

本发明实施例设计了比例指数，该指数的计算公式为：各个神经元簇中神经元个数与所述NeuCube模型中神经元的总数的百分比，如图7所示（3号被试者），其中输入神经元FZ和POz具有最大的聚类比例，分别为26.1%和25.8%。这表明它们是需要关注的两条脑电通道。

S5、根据在训练过程中不同神经元簇的神经元的脉冲通信，确定各个输入神经元之间的平均相互作用；

可选地，所述S5，具体包括：

计算在训练过程中各个神经元簇的神经元和其他神经元簇的神经元进行脉冲通信的脉冲通信总量；

具体的，两个神经元之间发送一次脉冲，就是会产生一次通信，统计在训练过程中各个神经元簇的神经元和其他神经元簇的神经元共有多少次脉冲发送。

将各个神经元簇的脉冲通信总量除以各个神经元簇的神经元个数的所得值，作为各个神经元簇的输入神经元之间的平均相互作用。

各个神经元簇的输入神经元之间的平均相互作用如图8所示，其中线的粗细代表在无监督学习阶段各个神经元簇的输入神经元之间的强度，连线越粗，平均相互作用越大，连线越细，平均相互作用越小，可以看出，比例指数最大的输入神经元，即FZ和POz，与其他输入神经元对应的脑电通道的平均相互作用最小。

S6、将比例指数大且平均相互作用小的输入神经元对应的脑电通道作为不重要的脑电通道，予以删除，选择其他没有删除的脑电通道的运动想象脑电图数据重新训练NeuCube模型并完成分类。

可选地，所述不重要的脑电通道包括比例指数大且平均相互作用小的至少一个输入神经元对应的脑电通道。

本发明实施例中FZ和POz均为比例指数大且平均相互作用小的输入神经元，这里的大、小并不是绝对的，可以根据需要选择数值在前面的至少一种。

本发明实施例并不是根据比例指数或者平均相互作用其中一种作为选择依据，而是综合二者的结果进行选择，选择的不重要的脑电通道会更准确。

本发明实施例还提供了一种运动想象脑电通道选择系统，所述系统包括：

获取预处理模块，用于获取并预处理具有若干脑电通道的运动想象脑电图数据；

映射训练模块，用于将所述脑电图数据映射到基于脉冲神经网络的NeuCube模型，并对所述NeuCube模型进行训练，所述NeuCube模型构建模拟大脑的包括由不同脑电通道映射的神经元和其他神经元的三维SNN立方体，其中由不同脑电通道映射的神经元称作输入神经元；

分组模块，用于采用聚类方法，对NeuCube模型中输入神经元的时空关系进行分析，根据在训练过程中神经元的脉冲通信水平，对模型中的神经元进行分组，得到以所述输入神经元作为集群中心的神经元簇；

比较模块，用于比较各个神经元簇中神经元个数与所述NeuCube模型中神经元的总数，得到各个输入神经元的比例指数；

确定模块，用于根据在训练过程中不同神经元簇的神经元的脉冲通信，确定各个输入神经元之间的平均相互作用；

选择模块，用于将比例指数大且平均相互作用小的输入神经元对应的脑电通道作为不重要的脑电通道，予以删除，选择其他没有删除的脑电通道的运动想象脑电图数据重新训练NeuCube模型并完成分类。

可选地，所述NeuCube模型，包括：数据编码模块、三维SNN立方体模块和输出模块；

所述数据编码模块，用于将输入的所述脑电图数据转换为不同脑电通道的脉冲序列；

所述三维SNN立方体模块，用于将所述不同脑电通道的脉冲序列映射到三维立方体中的神经元，不同神经元之间采用小世界网络进行初始连接，随机设置初始连接权重，在初始化三维立方体之后，以一种无监督的方式进行训练，利用脉冲时间依赖可塑性规则来修改初始连接权重；

所述输出模块，用于在无监督训练阶段之后，采用监督训练，利用预定义的模式类别分类识别立方体状态。

可选地，所述分组模块，具体用于：

将所述输入神经元作为神经元簇的集群中心，并用代表脑电通道的输入变量进行标记；

神经元簇的剩余神经元，根据从每个集群中心接收到的脉冲数量确定，每个神经元都属于一个特定的神经元簇，与其他神经元簇的集群中心相比，从所述特定的神经元簇的集群中心接收到的脉冲数量最多。

可选地，所述确定模块，具体用于：

计算在训练过程中各个神经元簇的神经元和其他神经元簇的神经元进行脉冲通信的脉冲通信总量；

将各个神经元簇的脉冲通信总量除以各个神经元簇的神经元个数的所得值，作为各个神经元簇的输入神经元之间的平均相互作用。

可选地，所述不重要的脑电通道包括比例指数大且相互作用小的至少一个输入神经元对应的脑电通道。

本发明实施例提供的一种运动想象脑电通道选择系统，其具体的功能结构与本发明实施例提供的一种运动想象脑电通道选择方法相对应，在此不再赘述。

图9是本发明实施例提供的一种电子设备900的结构示意图，该电子设备900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessing units，CPU）901和一个或一个以上的存储器902，其中，所述存储器902中存储有指令，所述指令由所述处理器901加载并执行以实现上述运动想象脑电通道选择方法的步骤。

在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述运动想象脑电通道选择方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

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。