基于功能近红外光谱技术的脑机接口研究(3)

　　L(G;θ):=(2π)-N2|∑(θ)|-12e-12GwT∑-1(θ)Gw(5)

　　其中θ同上定义，Gw:=(a-J,1，d-J,1，…，d-1,1，…，d-1,2J-1)T是小波变换系数。J是小波最大分解级数，∑(θ)是Gw的协方差矩阵，其一般为对角阵。本研究中采用的Daubechies小波，这也是一般常用的小波。

　　4.4 神经网络

　　多层神经网络[9]图结构见图8，其基本原理是：输入信号通过中间节点(隐层点)作用于输出节点，经过非线形变换，产生输出信号，网络训练的每个样本包括输入向量和期望输出量。网络输出值与期望输出值之间的偏差，通过调整输入节点与隐层节点的联接强度取值和隐层节点与输出节点之间的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

　　反向传播网络的训练一般根据下面的最小平方误差函数优化：

　　E=12∑Nn=1(yn-dn)2(6)

　　其中：N：分类模式数目。Yn为网络输出。Dn为网络期望输出。

　　图8 多层神经网络结构图

　　Fig 8 Model of multi-layer Neural network

　　4.5 数据处理结果

　　试验中三个任务时长均为120 s,采样频率为10 Hz，每个任务通道有1 200个采样值。以25点为单位计算单一通道的小波极大似然估计指数，可以得到48个Hurst值。

　　构建BP网络，以Hurst值表征不同任务下的状态。其中输入层48结点，隐含层50结点，输出层1个结点，设定任务(1)时输出为1，任务(2)对应2，任务

　　5 讨论

　　在本研究中，我们描述了通过FNIRS信号对三个任务的脑功能活动识别过程。基于FNIRS的脑机接口为脑机交互的发展提供了一种有效的手段。本研究通过Hurst指数以及BP神经网络，离线地判定了脑的三个活动状态，表明了FNIRS应用于脑机接口的可能性。FNIRS由于其本身的安全、便携、经济以及非侵入等特点，相对于其他的影像方式，有着良好的用户体验。

【参考文献】 （科教论文网 lw.NsEac.com编辑整理）
　[1]Matthews, F.Hemodynamics for Brain-Computer Interfaces[J]. IEEE Signal Processing Magazine, 2008，25(1):87.

　　[2]Jobsis F. Noninvasive, infrared monitoring of cerebral and myocardial oxygen sufficiency and circulatory parameters[J]. Science, 1977，198(4323):1264.

　　[3]Bunce S.Functional near-infrared spectroscopy[J]. IEEE Engineering in Medicine and Biology Magazine, 2006，25(4):54-62.

　　[4]Strangman G，Boas D,Sutton J. Non-invasive neuroimaging using near-infrared light[J]. Biological Psychiatry, 2002，52(7):679-693.

　　[5]McCormick, P. Regional cerebrovascular oxygen saturation measured by optical spectroscopy in humans[J]. Stroke, 1991，22(5):596.

　　[6]Okada, E.Theoretical and experimental investigation of near-infrared light propagation in a model of the adult head[J]. Applied optics, 1997，36(1):21-31.

　　[7]Huppert T,Franceschini M,Boas D. Homer: a graphical functional NIRS analysis[M]. 2005.

　　[8]李永利，刘贵忠.自相似数据流的 Hurst 指数小波求解法分析[J]. 电子与信息学报, 2003，25(001):100-105.

　　[9]丛爽.面向 MATLAB 工具箱的神经网络理论与应用[M].中国科学技术大学出版社，1998.