CN107024987B

CN107024987B - 一种基于eeg的实时人脑注意力测试和训练系统

Info

Publication number: CN107024987B
Application number: CN201710164162.2A
Authority: CN
Inventors: 黄丽亚; 蔡馥韩; 徐之豪; 丁王; 邓梅淇; 尹悦; 王武渠
Original assignee: Nanjing University of Posts and Telecommunications
Current assignee: Beijing Maidehaike Medical Technology Co ltd
Priority date: 2017-03-20
Filing date: 2017-03-20
Publication date: 2020-04-14
Anticipated expiration: 2037-03-20
Also published as: CN107024987A

Abstract

本发明公开了一种基于EEG的实时人脑注意力测试和训练系统，系统包含注意力实验、信号采集、数据分析、实时传输以及测试反馈五个部分，注意力实验部分分为系统内部和外部实验，信号采集部分利用脑电采集设备收集使用者的EEG数据；数据分析部分利用数据分析程序对所采集的信号进行去噪、滤波以及相关节律波的分析；实时传输部分将分析得到的量化数值保存以备随时提取，并通过相应的接口传输，测试反馈部分利用相应的程序读取实时传输部分的数据，通过一个可视化界面实现反馈。本发明将脑电信号与注意力水平有效结合起来，以多样化实验的形式相呈现，提高了治疗的趣味性和治疗可持续的时间，能够有效地帮助注意力存在缺陷的人群提高注意力水平。

Description

一种基于EEG的实时人脑注意力测试和训练系统

技术领域

本发明属于认知神经科学、信息技术领域和自动控制领域的综合运用，涉及运用了人类大脑和计算机之间交互的脑机接口BCI技术，实时测试用户的注意力水平并进行提升训练。

背景技术

脑电信号(Electroencephalograph，EEG)伴随我们生命的始终，是脑细胞群的自发性、节律性电活动在大脑皮层和头皮的总体反应，可以通过放置在头皮上的电极检测得到。EEG按照不同的频率可分为δ、θ、α、β四种节律波。很多国外的学者专家经过大量实验分析发现，人体脑电波中的α波段是在安静、觉醒状态下的主要活动频率。注意力缺陷多动症儿童表现出θ脑电活动以及θ/β功率比值增加，α和β活动降低。因此，通常认为θ慢波活动增加、θ/β功率比增加，α和β活动减弱是注意力下降的主要特征，但其它波段往往也存在一些影响。

BCI:脑机接口技术(Brain Computer Interface，BCI)就是通过采集大脑皮层神经系统活动产生的脑电信号，经过放大、滤波等方法，将其转化为可以被计算机识别的信号，从中辨别人的真实意图。

EEGLAB:这是一种基于Matlab的工具箱。它主要用于处理连续记录的脑电信号(EEG)、脑磁信号(MEG)和其它电生理数据。它运用的方法主要有独立分量分析 (ICA)、时间-频率分析、绘制ERP图、排除伪迹和几种有用的可视化模式(对于求平均和单次提取数据)等。

现有的脑机接口专利技术很少有运用到人脑注意力测试上，目前已有的专利技术只涉及注意力的训练(如申请号为CN201020206845的专利)、驾驶环境下注意力的评估(如申请号为CN201410381256的发明)，针对人脑注意力的实时测试和训练系统尚未有相关专利予以披露。

发明内容

本发明解决的技术问题是提供一种实现注意力实时测试和训练，且具有较高速度和精度的脑机接口系统。本发明综合多特征方法分析人脑的注意力，通过电脑或手机等终端实时反馈注意力水平，并根据反馈结果进行注意力训练。该系统准确性高，且具有一定的趣味性。

为此,本发明提出的解决方案为一种基于EEG的实时人脑注意力测试和训练系统，系统包含注意力实验、信号采集、数据分析、实时传输以及测试反馈五个部分，注意力实验部分分为系统内部和外部实验，信号采集部分利用脑电采集设备收集使用者的EEG数据；数据分析部分利用数据分析程序对所采集的信号进行去噪、滤波以及相关节律波的分析；实时传输部分将分析得到的量化数值保存以备随时提取，并通过相应的接口传输，测试反馈部分利用相应的程序读取实时传输部分的数据，通过一个可视化界面实现反馈。

进一步，上述系统外部实验为任意可区分注意力集中程度的实验，用户可自行决定，起到分析与检测的作用。

上述系统内部的注意力实验形式多样，用于提高用户的兴趣，系统内部的注意力实验可实时反馈，每一时刻的状态都受到注意力水平的影响，并且能够清楚地反映给用户，从而使用户进行心理暗示，达到提高注意力的效果。

作为优选，在信号采集部分中，脑电信号采集频率可取800～1200Hz，选取的导联是Fp1、Fp2、F7、F3、Fz、F4和F8，通过编程实现脑电信号采集设备和数据处理程序之间实时脑电数据传输的接口。

在实时传输部分分为两块，第一块是将采集的数据实时传输至数据分析部分，另一块是将分析的结果传输至测试反馈以及注意力实验部分。

作为优选，上述将采集的数据实时传输至数据分析部分是通过BCI2000软件实现。

将分析的结果传输至测试反馈以及注意力实验部分是通过系统内部相应的读取程序读取所需数据，传输的频率由采集信号的频率来确定。

上述的数据分析部分对采集的脑电数据进行处理，判断注意力的集中程度依次进行的处理为ICA去噪去伪迹、滤波、脑电信号注意力相关特征提取，ICA主要完成对心电、眼电以及随机噪声等的去除，滤波器主要实现的是去除低频、高频以及50Hz工频干扰噪声，并且分离出各个频段的节律波，为特征提取做准备，特征提取运用BP神经网络多参数分析方法。

将所述注意力实验的数据传输至测试反馈部分，并通过可视化界面实时反馈给用户。

与现有技术相比，本发明的有益效果：

1，本发明能够有效地帮助注意力存在缺陷的人群提高注意力水平。以往的针对注意力缺陷人群采取的药物疗法副作用极大，而本发明将脑电信号与注意力水平有效结合起来，以多样化实验的形式相呈现，提高了治疗的趣味性，进而提高治疗可持续的时间即注意力集中的时间。

2，本发明通过实时反馈，用户可以实时知晓自己的注意力水平，从而对自己进行心理暗示去提高注意力。

3，本发明对未来实现低成本、高效率的注意力缺陷治疗起到一定的推动作用，也预示着脑机接口在生活、医疗方面的巨大潜力。

附图说明

图1为本发明的流程图。

图2为注意力实验部分以及测试反馈部分图示。

图3为原始数据读取结果。

图4为ICA处理后结果。

图5为滤波处理结果。

具体实施方式

下面结合附图和具体实例对本发明进行详细描述。

本发明的基本原理是当用户进行注意力实验时，集中程度可以通过此时EEG 中的节律波体现，注意力集中时，θ脑电活动以及θ/β功率比值减小，α和β活动增强，因此运用多参数总体衡量脑电水平，给每一个参数分配相应的权重，最后量化注意力水平，并进行反馈。具体的分析过程在后面的数据分析部分会进行详述。

本发明提出的基于EEG的实时人脑注意力测试和训练系统包括以下几个部分：注意力实验部分、脑电采集部分、数据分析部分、实时传输以及测试反馈部分。注意力实验分为系统内部和系统外部实验，系统外部实验为任意可区分注意力集中程度的实验，用户可自行决定，起到分析与检测的作用，而系统内部的注意力实验可实时反馈，有助于提高用户的注意力水平。信号采集部分利用脑电采集设备收集使用者的EEG数据，并将数据实时传输给数据分析程序。数据分析部分利用数据分析程序对所采集的信号进行去噪、滤波以及相关节律波的分析，从而反映出用户的注意力程度。实时传输部分将分析得到的量化数值保存以备随时提取，并通过相应的接口传输。测试反馈部分用相应的程序读取实时传输部分的数据，并且做出相应的反应。

系统内部的注意力实验形式多样，用于提高用户的兴趣。有：花朵开放、树叶生长、沉潜等。共同点是游戏的每一时刻的状态都受到注意力水平的影响，并且能够清楚地反馈给用户，从而使用户进行心理暗示，达到提高注意力的效果。

在信号采集部分，运用Scan4.5采集软件，脑电信号采集频率可取 800～1200Hz，选取的电极是Fp1、Fp2、F7、F3、Fz、F4和F8，编程实现脑电信号采集设备和数据处理程序之间实时脑电数据传输的接口。

数据分析部分对采集的脑电数据进行处理，判断注意力的集中程度。依次进行的处理为ICA去噪去伪迹、滤波、脑电信号注意力相关特征提取。ICA主要完成对心电、眼电以及随机噪声等的去除，滤波器主要实现的是去除低频、高频以及50Hz工频干扰噪声，并且分离出各个频段的节律波，为特征提取做准备。

实时传输部分分为两块，第一块是将采集的数据实时传输至分析部分，另一块是将分析的结果传输至测试反馈以及注意力实验部分。前者通过BCI2000软件进行传输，后者通过系统内部相应的读取程序读取所需数据。传输的频率由采集信号的频率来确定。

测试反馈部分与系统内部的注意力实验相联系，注意力测试结果的反馈通过一个可视化界面实现，主要是将数据直观化反馈，可视化采用的是图形的形式反馈。

下面提供一个具体实例，以对本发明的实施做出详细的说明。

本实例中，脑电信号采集设备采用NeuroScan设备，Scan4.5软件将采集的脑电信号数据经BCI2000平台将脑电数据实时地传输给MATLAB软件完成数据处理。

参考图1，整个系统包括注意力实验、脑电采集、数据分析、实时传输以及测试反馈五个部分

注意力实验部分以及测试反馈部分如图2所示。注意力实验分为系统内部和系统外部实验，系统外部实验为任意可区分注意力集中程度的实验，用户可自行决定，如果选择系统外部实验，则系统直接打开至可视化反馈部分，实时定量地反馈注意力集中程度。如果选择系统内部的注意力实验，则出现有：花朵开放、树叶生长、沉潜等游戏程序。游戏的每一时刻的状态都受到注意力水平的影响，同时出现可视化反馈部分。这里选取花朵开放实验作为实例演示。

使用NeuroScan设备实时采集使用者脑电数据，脑电信号采集频率可取1000Hz，其中，由于注意力特征电位主要产生在大脑的额区，所以，根据“10-20 国际标准导联”，选取电极帽上位置标号为Fp1、Fp2、F7、F3、Fz、F4和F8的七个导联，参考电极和地极选取NeuroScan配备的电极帽上的默认位置。各个通道的脑电采集结果如图3所示。

数据分析部分主要通过MATLAB实现，在接收到脑电信号数据之后，MATLAB 每隔5秒处理一次前5秒采集的脑电信号数据，并将数据保存至文本文件中，以供传输部分实时提取。

对采集的脑电数据依次进行的处理为ICA去噪去伪迹、滤波、脑电信号注意力特征提取。每次分析采集时长为5秒的脑电数据。

(1)ICA去噪去伪迹

脑电信号是一种随机性很强的电生理信号，各种不同的情绪和心态都会影响它的变化。因此，脑电信号具有很高的时变敏感性，极易被无关噪声污染，从而形成各种脑电伪迹，其中影响最大的是心电以及眼电伪迹。ICA主要完成对心电、眼电以及随机噪声等的去除，好处是经ICA处理得到的各个分量不仅去除了相关性，而且还是相互统计独立的，理论知识为：

第一步：假设N维观测信号是Y(t)，Y(t)＝[y₁(t),y₂(t)......y_N(t)]^T，包括采集得到的各种伪迹以及噪声分量，S(t)是产生观测信号的M个相互统计独立的源信号，S(t)＝[s₁(t),s₂(t)......s_M(t)]^T。

第二步：观测信号是由源信号经过系统线性混合之后产生的，即Y(t)＝BS(t)， B为系统矩阵。

第三步：在混合系统矩阵B以及源信号S(t)未知的情况下，仅利用观测信号 Y(t)和源信号统计独立的假设，找到一个线性变换分离矩阵D，使得 L(t)＝DY(t)＝DBS(t)尽可能的等于源信号S(t)。此时可以用最终得到的L(t)信号近似代替原始S(t)信号，且将各个分量都等效代替并分离了出来。

在实例中，认为各种位差与EEG信号分别由相互独立的源产生，且是瞬时线性混合的，分析结果如图4所示。其中横坐标表示时间，纵坐标表示EEG幅值。 (2)滤波

滤波器主要实现的是去除低频、高频以及50Hz工频干扰噪声，并且分离出各个频段的节律波，为特征提取做准备。

低频干扰主要为基线漂移，由测量时电极和人体接触不良、放大器温漂或呼吸引起，高频干扰主要是采集中存在的射频干扰和肌电干扰。可以用巴特沃斯滤波器进行带通滤波，在MATLAB中，可以直接调用butter函数与filtfilt函数。

50Hz工频干扰的去除方法是使用数字陷波器滤，在matlab中运用的是自行设计的巴特沃斯型50Hz陷波器函数function[Num,Den]＝ZB_50_filter (f0,B1,N),其中f0,B1,N分别为陷波器中心频率，单边带宽以及滤波器阶数，此函数通过fdatool工具箱的验证。

分离各种节律波用到的是FIR数字滤波器，其中δ波频率在1～4Hz，θ波频率在4～7Hz，α波频率在8～13Hz，β波频率在13～20Hz。分离结果如图5所示。

(3)特征提取

为了准确评估注意力水平，本发明采取多特征参数作为标准，具体如下：

W₁:δ波能量占脑电信号总能量的百分比；

W₂:θ波能量占脑电信号总能量的百分比；

W_α:α波能量占脑电信号总能量的百分比；

Rel:θ波能量与β波能量的比值；

P_β:β能量的绝对值；

f_max:β波中最大能量的频率点。

采用三层BP神经网络进行非线性拟合，输入层的神经元个数为N＝6，输出层的神经元个数为K＝2，隐层神经元个数M根据经验公式：

可取M＝5，P≈32，激励函数为非线性单调上升的Sigmoid函数。设定学习的样本前期采集的注意力集中时的脑电数据，通过样本学习来决定各个参量所占的权重(0～1之间)，初始权值设置为0.1～0.3之间，得出近似的注意力集中时计算公式，并计算出注意力集中时的数值范围。之后经过多种传统注意力测试方法(如舒尔特方格法)的测试，确定不同注意力状况的数值，之后将实时采集分析得到的数据与以上数据相比较，便可体现注意力水平。具体情况在可视化反馈部分有所体现。

实时传输部分分为两块，第一块是通过BCI2000软件进行传输，将采集的数据实时传输至分析部分，另一块是通过系统内部相应的读取程序读取所需数据至可视化反馈以及注意力实验部分。传输的频率由采集信号的频率来确定，在本实例中应为1000Hz。

测试反馈部分与系统内部的注意力实验相联系，注意力测试结果的反馈通过一个可视化界面实现，主要是将数据直观化反馈，可视化采用的是图形的形式反馈，具体的表现在注意力实验部分已进行说明。

这里要说明的是，为了使实施的例子更加详尽，上面的实施例为优选实施例，对于一些公知技术本领域技术人员也可以采用其它代替方式实施；而且附图部分仅是为了更具体的描述实施例，并不旨在对本发明进行具体的限定。

本发明不局限于上述实施例所述的具体技术方案，凡采用等同替换形成的技术方案均为本发明要求的保护。

Claims

1.一种基于EEG的实时人脑注意力测试和训练系统，其特征在于包含注意力实验、信号采集、数据分析、实时传输以及测试反馈五个部分，注意力实验部分分为系统内部和外部实验，信号采集部分利用脑电采集设备收集使用者的EEG数据；数据分析部分利用数据分析程序对所采集的信号进行去噪、滤波以及相关节律波的分析；实时传输部分将分析得到的量化数值保存以备随时提取，并通过相应的接口传输，测试反馈部分利用相应的程序读取实时传输部分的数据，通过一个可视化界面实现反馈，所述系统外部实验为任意可区分注意力集中程度的实验，用户可自行决定，起到分析与检测的作用，所述系统内部的注意力实验形式多样，用于提高用户的兴趣，系统内部的注意力实验可实时反馈，每一时刻的状态都受到注意力水平的影响，并且能够清楚地反映给用户，从而使用户进行心理暗示，达到提高注意力的效果，在信号采集部分中，脑电信号采集频率可取800～1200Hz，选取的导联是Fp1、Fp2、F7、F3、Fz、F4和F8，通过编程实现脑电信号采集设备和数据处理程序之间实时脑电数据传输的接口，在实时传输部分分为两块，第一块是将采集的数据实时传输至数据分析部分，另一块是将分析的结果传输至测试反馈以及注意力实验部分，所述将采集的数据实时传输至数据分析部分是通过BCI2000软件实现，所述将分析的结果传输至测试反馈以及注意力实验部分是通过系统内部相应的读取程序读取所需数据，传输的频率由采集信号的频率来确定，所述的数据分析部分对采集的脑电数据进行处理，判断注意力的集中程度依次进行的处理为ICA去噪去伪迹、滤波、脑电信号注意力相关特征提取，ICA完成对心电、眼电以及随机噪声等的去除，滤波器实现的是去除低频、高频以及50Hz工频干扰噪声，并且分离出各个频段的节律波，为特征提取做准备，特征提取运用BP神经网络多参数分析方法，将所述注意力实验的数据传输至测试反馈部分，并通过可视化界面实时反馈给用户；

对采集的脑电数据依次进行的处理为ICA去噪去伪迹、滤波、脑电信号注意力特征提取，每次分析采集时长为5秒的脑电数据：

(1)ICA去噪去伪迹；

脑电信号是一种随机性很强的电生理信号，各种不同的情绪和心态都会影响它的变化，脑电信号具有很高的时变敏感性，极易被无关噪声污染，从而形成各种脑电伪迹，其中影响最大的是心电以及眼电伪迹，ICA完成对心电、眼电以及随机噪声等的去除，好处是经ICA处理得到的各个分量不仅去除了相关性，而且还是相互统计独立的，理论知识为：

第一步：假设N维观测信号是Y(t)，Y(t)＝[y₁(t),y₂(t)......y_N(t)]^T，包括采集得到的各种伪迹以及噪声分量，S(t)是产生观测信号的M个相互统计独立的源信号，S(t)＝[s₁(t),s₂(t)......s_M(t)]^T；

第二步：观测信号是由源信号经过系统线性混合之后产生的，即Y(t)＝BS(t)，B为系统矩阵；

第三步：在混合系统矩阵B以及源信号S(t)未知的情况下，仅利用观测信号Y(t)和源信号统计独立的假设，找到一个线性变换分离矩阵D，使得L(t)＝DY(t)＝DBS(t)尽可能的等于源信号S(t)，此时可以用最终得到的L(t)信号近似代替原始S(t)信号，且将各个分量都等效代替并分离了出来；

(2)滤波；

滤波器实现的是去除低频、高频以及50Hz工频干扰噪声，并且分离出各个频段的节律波，为特征提取做准备；

低频干扰为基线漂移，由测量时电极和人体接触不良、放大器温漂或呼吸引起，高频干扰是采集中存在的射频干扰和肌电干扰，用巴特沃斯滤波器进行带通滤波，在MATLAB中，直接调用butter函数与filtfilt函数；

50Hz工频干扰的去除方法是使用数字陷波器滤，在matlab中运用的是自行设计的巴特沃斯型50Hz陷波器函数function[Num,Den]＝ZB_50_filter(f0,B1,N),其中f0,B1,N分别为陷波器中心频率，单边带宽以及滤波器阶数，此函数通过fdatool工具箱的验证；

分离各种节律波用到的是FIR数字滤波器，其中δ波频率在1～4Hz，θ波频率在4～7Hz，α波频率在8～13Hz，β波频率在13～20Hz；

(3)特征提取；

为了准确评估注意力水平，采取多特征参数作为标准，具体如下：

W₁:δ波能量占脑电信号总能量的百分比；

W₂:θ波能量占脑电信号总能量的百分比；

W_α:α波能量占脑电信号总能量的百分比；

Rel:θ波能量与β波能量的比值；

P_β:β能量的绝对值；

f_max:β波中最大能量的频率点；

取M＝5，P≈32，激励函数为非线性单调上升的Sigmoid函数，设定学习的样本前期采集的注意力集中时的脑电数据，通过样本学习来决定各个参量所占的权重(0～1之间)，初始权值设置为0.1～0.3之间，得出近似的注意力集中时计算公式，并计算出注意力集中时的数值范围，之后经过多种传统注意力测试方法的测试，确定不同注意力状况的数值，之后将实时采集分析得到的数据与以上数据相比较，便可体现注意力水平；

实时传输部分分为两块，第一块是通过BCI2000软件进行传输，将采集的数据实时传输至分析部分，另一块是通过系统内部相应的读取程序读取所需数据至可视化反馈以及注意力实验部分，传输的频率由采集信号的频率来确定，在本实例中应为1000Hz；

测试反馈部分与系统内部的注意力实验相联系，注意力测试结果的反馈通过一个可视化界面实现，是将数据直观化反馈，可视化采用的是图形的形式反馈。