移动医疗环境下的脑电信号模糊模型与算法研究

The mobile health system based on brain-computer interface can help Patients do rehabilitation training by using this system , in order to improve their life quality and effectively reduce the workload of home caregivers. At present, the main methods of EEG signal analysis are using time / frequency domain, double spectrum, nonlinear analysis methods and so on. The brain computer interface based on these technologies needs to be improved in the aspects of information accuracy, transmission efficiency. We find that, on the one hand, the fuzzy model is very suitable for the analysis of the signal which is difficult to modeling, and the dynamic characteristic is not easy to grasp. On the other hand, The Variational Information Maximizing algorithm in our previous experiments on biological signal recognition showed excellent performance and stable anti noise interference ability. In view of this we try to provide an availability of a computational framework for stochastic fuzzy filtering and analysis would help to promote the practical EEG applications of fuzzy methodology, provided that methodology is robust enough to handle the complexities/uncertainties related to practical applications: Then we build a cloud computing platform to improve the execution efficiency of algorithm and solving the Key technical problems of the real-time reaction of system. This system provide a mobile medical service platform with robot system based on BCI ,which means instead of traditional expensive equipments, patients can use their smart phones or tablets as client terminals and do rehabilitation training in the family，to provide methods and theoretical basis for improving the practicability of brain computer interaction technology.

基于脑机接口的移动医疗系统能够帮助病人进行康复训练，提高生活质量并降低照顾者的负荷水平。目前脑电信号分析主要采用时/频域、双谱、非线性分析等方法,基于这些技术的脑机接口在信息准确率、传递效率等方面均有待提高。我们发现，一方面模糊模型对分析那些数学模型难以获取、动态特性不易掌握的信号非常适用，另一方面其对应的Variational Information Maximizing等算法在我们前期实验中对生物信号识别表现出优秀的性能和稳定的抗噪干扰能力。鉴于此，本研究拟提出一种基于随机模糊滤波器的脑电信号分析框架，提供一个具有鲁棒性的算法以处理无创脑电信号分析中的一些复杂性和不确定性问题；并在此基础上初步建立基于云平台的并行算法，解决系统响应实时性的关键问题，以病患的智能手机作为脑机接口的终端，取代传统的昂贵大体积设备，使康复训练可以在家庭中进行,为提高脑机交互技术的实用性提供方法和理论依据。

在研究计划期间，课题组在预定的EEG信号特征提取和表示、预测模型、预测方法和应用三个层面上完成了预期的研究结果。研究主要从三个方面开展。首先，从不确定性信息分析角度开展了对EEG信号特征提取和表示方法的研究。主要涉及：（1）开展了脑电信号的熵特征提取和表示方法的研究，课题组主要提出二种改进的EEG熵特征提取和表示方法，一是基于经验模态分解的多尺度熵的脑电信号特征提取和表示方法，二是提出结合核主成分分析的熵特征提取和表示脑电信号的方法；（2）针对EEG信号具有非平稳的信号、连续性和非周期性特点，开展了基于模糊函数型数据分析(Fuzzy Functional Data Analysis, FFDA)的脑电信号描述和特征提取和表示方法的研究。其次，在基于EEG信号特征提取和表示的基础上，着力研究面向需求的功能性脑网络构建方法。课题组主要开展了基于脑电信号特征的功能性脑网络构建方法的研究。课题组提出了三种基于脑电信号特征构建功能性脑网络的方法：一是基于最短路径树的功能性脑网络构建方法；二是基于熵特征的功能性脑网络构建方法；三是基于深度卷积神经网络去噪并动态构建功能脑网络的方法。第三，对EEG信号特征提取和表示方法以及功能性脑网络模型有效性进行了较全面验证。主要开展面向基于疲劳驾驶采集得到的EEG信号对提出的方法和构建的模型进行有效性验证研究。最后基于分布式计算框架进行云平台的架构，实现本地端与云端的通信在云端上进行 EEG 数据的建模和预测运算，生成相应的指令，传回系统本地端控制节点以做出响应。在研究期间相关成果已发表SCI论文6篇，其中一区TOP论文2篇，CCFB论文1篇，CCFC论文2篇。