基于不同表情驱动的脑电信号辨识方法

摘要

本发明公开了一种基于不同表情驱动的脑电信号辨识方法，其特征是基于大脑生理学知识，首先对不同面部表情驱动产生的脑电信号进行建模仿真分析，并在此基础上，采用基于面部表情驱动过程中脑部FC5、FC6、F7、F8四个测点位置所产生脑电信号中的Alpha波段与theta波段的信号特征作为脑电信号分类识别的依据，用于信号的驱动控制。

主权项

一种基于不同表情驱动的脑电信号辨识方法，其特征在于，包括下述步骤：第一步，建立基于不同面部表情驱动脑电信号产生机理的模型，具体方法如下：(1)建立大脑皮层两个独立皮质区域：前额叶皮质区S1与边缘系统皮质区S2，每个独立皮质区均进行两类电位的转换后输出脑电信号，其中，一类将输入的触突前膜动作电位脉冲密度转换为平均触突后膜电位；另一类将平均触突后膜电位转换为大脑皮层输出的脑电信号；各皮质区分别由多个兴奋性细胞单元与抑制性细胞单元构成，每个细胞单元将触突动作电位的平均脉冲密度转换为平均触突后膜电位，单个兴奋性细胞单元与抑制性细胞单元的冲击响应函数表达达式为：$h_e\left(t\right)=u\left(t\right)\frac{H_e}{{\tau }_e}{\mathrm{te}}^{-t/{\tau }_e}---\left(1\right)$$h_i\left(t\right)=u\left(t\right)\frac{H_i}{{\tau }_i}{\mathrm{te}}^{-t/{\tau }_i}---\left(2\right)$式中，u(t)为Heaviside函数，H_e为兴奋性神经元突触增益，H_i为抑制性神经元突触增益，τ_e为兴奋性神经单元延时常数，τ_i为抑制性神经单元延时常数；(2)静态非线性函数S(v)将兴奋性细胞单元与抑制性细胞单元产生的触突平均后膜电位转换为经表情驱动控制下产生的动作电位的平均脉冲密度，其数学式为：$S\left(v\right)=2e_0/(1+e^{r(v_0-v)}),---\left(3\right)$式中，2e₀为动作电位最大发放率，v₀为相对于发放率e₀的突触后电位，r为s(v)函数的弯曲程度，v为突触前膜电压；(3)S(v)得到的动作电位的平均脉冲密度分别接受各自皮质区内部兴奋性、抑制性细胞神经单元的反馈，并根据不同细胞单元所包含的触突个数以及相互之间的关联常数的反馈作用，最终得到独立皮质区域S1、S2的输出的脑电信号，单皮质区的数学模型的微分方程表示如下：$\left\{\begin{array}{c}{\stackrel{·}{y}}_0\left(t\right)=y_3\left(t\right)\\ {\stackrel{·}{y}}_3\left(t\right)=\frac{H_e}{{\tau }_e}S\left(y_1\right(t)-y_2(t\left)\right)-\frac{2}{{\tau }_e}{y}_3\left(t\right)-\frac{1}{{\tau }_e^2}{y}_0\left(t\right)\\ {\stackrel{·}{y}}_1\left(t\right)=y_4\left(t\right)\\ {\stackrel{·}{y}}_4\left(t\right)=\frac{H_e}{{\tau }_e}\{p\left(t\right)+C_{2}S\left(C_1{y}_0\right(t\left)\right)\}-\frac{2}{{\tau }_e}{y}_4\left(t\right)-\frac{1}{{\tau }_e^2}{y}_1\left(t\right)\\ {\stackrel{·}{y}}_2\left(t\right)=y_5\left(t\right)\\ {\stackrel{·}{y}}_5\left(t\right)=\frac{H_i}{{\tau }_i}\left\{C_{4}S\left(C_3{y}_0\right(t\left)\right)\right\}-\frac{2}{{\tau }_i^2}{y}_2\left(t\right)\end{array}\right.---\left(4\right)$式中，C1，C2，为兴奋性细胞单元平均突触连接数；C3，C4为抑制性细胞单元平均突触连接数，求解方程组，得到独立皮质区域输出脑电信号y(t)为：y(t)＝y₁(t)‑y₂(t)               (5)式中，y1(t)为经由兴奋性细胞单元转换后得到的平均触突后膜电位，y2(t)为经由抑制性的细胞单元反馈得到的平均触突后膜电位，通过设定不同的参数H_e，H_i，τ_e,τ_i，分别建立前额叶皮质区域与边缘系统皮质区域的脑电信号产生模型；(4)设定S1区，S2区的兴奋性、抑制性细胞子群均由N个兴奋性细胞单元与N个抑制性细胞单元构成，分别代表脑电信号的多个频段脑电信号，其相互之间关系由权重系数ω决定,权重系数ω的取值表示为：$W=\left\{{\omega }_{ji}\right\}\in [0,1],\underset{i=1}{\overset{N}{\Sigma }}{\omega }_{ji}=1$基于面部表情控制下S1区、S2区之间的相互作用由耦合强度q、区域均值脑电信号RM(y)以及其他大脑皮层区域脑电信号相互作用p(t)构成，由此得到非耦合作用下前额叶皮质区S1，边缘系统区S2产生的脑电信号，其表达式为：$y{\left(t\right)}_{ji}=\underset{i=1}{\overset{N}{\Sigma }}{\omega }_{ji}y{\left(t\right)}_1^i-\underset{i=1}{\overset{N}{\Sigma }}{\omega }_{ji}y{\left(t\right)}_2^i,(j=1,2)---\left(6\right)$(5)依据式(4)、式(5)、式(6)，建立面部表情控制下前额叶皮质区S1与边缘系统区S2耦合作用下产生的脑电信号，设定区域间的相互作用由耦合强度q,区域输出均值脑电信号RM(X)决定，其计算式为：$RM\left(y\right(t\left)\right)=y\left(t\right)-\frac{\underset{n=1}{\overset{N}{\Sigma }}{y}_n\left(t\right)}{N}---\left(7\right)$式中，y(t)为步骤(3)建模得到脑电信号，y_n(t)为不同时刻所对应的脑电信号瞬态值则，根据式(7)得到S1区、S2区相互作用传递函数数学表达式为：$G_j=q_j·RM\left(S\left(\underset{j=1}{\overset{2}{\Sigma }}{K}_{ij}\right)\right)---\left(8\right)$式中，j＝1,2代表两个不同皮质区域，其它大脑皮层区域脑电信号相互作用p(t)以输入形式参与，由此得到相互耦合作用下的皮质区表脑电信号达式：$\left\{\begin{array}{c}{\stackrel{·}{y}}_0^{ji}=y_3^{ji}\\ {\stackrel{·}{y}}_1^{ji}=y_4^{ji}\\ {\stackrel{·}{y}}_2^{ji}=y_5^{ji}\\ {\stackrel{·}{y}}_3^{ji}=\frac{H_e^i}{{\tau }_e^i}·S(\underset{i=1}{\overset{3}{\Sigma }}{\omega }_{ji}{y}_2^{ji}-\underset{i=1}{\overset{3}{\Sigma }}{\omega }_{ji}{y}_2^{ji})-\frac{2y_3^{ji}}{{\tau }_e^i}-\frac{y_0^{ji}}{{\left({\tau }_e^i\right)}^2}\\ {\stackrel{·}{y}}_4^{ji}=\frac{H_e^i}{{\tau }_e^i}·[p_j\left(t\right)+C_{2}S\left(C_1\underset{i=1}{\overset{3}{\Sigma }}{\omega }_{ji}{y}_0^{ji}\right)+G_{ij}]-\frac{2y_4^{ji}}{{\tau }_e^i}-\frac{y_1^{ji}}{{\left({\tau }_e^i\right)}^2}\\ {\stackrel{·}{y}}_5^{ji}=\frac{H_i^i}{{\tau }_i^i}·C_{4}S\left(C_2\underset{i=1}{\overset{3}{\Sigma }}{\omega }_{ji}{y}_0^{ji}\right)-\frac{2y_5^{ji}}{{\tau }_i^i}-\frac{y_2^{ji}}{{\left({\tau }_i^i\right)}^2}\end{array}\right.,(i=1,2,3;j=1,2)---\left(9\right)$式中，i＝1,2,3分别代表皮质区域脑电信号的高频段、低频段、中频段，j＝1,2代表不同的皮质区；每个区的兴奋和抑制性增益系数H_e,i和延时常数τ_e,i相同，通过调整权重系数矩阵W_ji与耦合强度q，模拟得到不同表情驱动下的脑电信号；(6)对建模得到的脑电信号进行快速傅里叶变换，求其对数频带能量E_i，其数学表达式为：$E_i=\underset{k=1}{\overset{15}{\Sigma }}{\log }_2{x}_k^2---\left(10\right)$式中x_k代表经傅里叶变换后各频段的能量值，并计算每个频带能量在总能量中的比值：${\eta }_i=\frac{E_i}{\underset{i=1}{\overset{3}{\Sigma }}{E}_i}---\left(11\right)$最后，参照真实脑电信号的频谱特性，确定基于不同面部表情控制下脑电信号的特征值位于Alpha波段与theta波段；第二步，用第一步建立的模型输出脑电信号特征对基于不同面部表情驱动的实时脑电信号进行分类。