本申請(qǐng)涉及腦機(jī)接口，尤其涉及一種基于腦電信號(hào)的人機(jī)交互虛擬鍵盤輸入方法、裝置及設(shè)備。
背景技術(shù)：
1、隨著人機(jī)交互技術(shù)的不斷發(fā)展,利用腦電信號(hào)實(shí)現(xiàn)直接的人機(jī)通信和控制已成為一個(gè)熱門的研究方向。其中,基于腦電信號(hào)的虛擬鍵盤輸入是一種有前景的交互方式,它允許用戶無需借助傳統(tǒng)的物理鍵盤,而是通過腦電意圖直接控制輸入,從而提高輸入效率并降低肢體負(fù)擔(dān)。目前,腦電虛擬鍵盤主要采用視覺誘發(fā)電位(vep)和p300電位兩種范式。vep范式通過閃爍的字母或符號(hào)來誘發(fā)特定的腦電模式,而p300范式則利用稀有的目標(biāo)刺激引起的p300電位進(jìn)行輸入選擇。這兩種范式在一定程度上實(shí)現(xiàn)了腦電虛擬鍵盤的基本功能,但仍存在一些局限性。
2、現(xiàn)有的腦電虛擬鍵盤大多采用固定的刺激頻率和模式,忽略了用戶的個(gè)體差異和使用偏好。不同用戶對(duì)視覺刺激的敏感度和響應(yīng)特點(diǎn)可能有所不同,統(tǒng)一的刺激參數(shù)難以達(dá)到最佳的誘發(fā)效果和輸入性能。同時(shí),腦電信號(hào)的識(shí)別通?；诤?jiǎn)單的模板匹配或線性分類器,難以充分挖掘腦電信號(hào)中蘊(yùn)含的非線性動(dòng)態(tài)特征,導(dǎo)致識(shí)別精度和泛化能力受限。此外,現(xiàn)有方法缺乏對(duì)用戶認(rèn)知狀態(tài)和意圖復(fù)雜度的考量,未能根據(jù)用戶的實(shí)際輸入需求和習(xí)慣動(dòng)態(tài)調(diào)整腦電輸入策略。
3、近年來,小波分析、復(fù)雜度理論和深度學(xué)習(xí)等新方法為腦電信號(hào)處理提供了新的視角。然而,目前尚未有研究將這些先進(jìn)方法有機(jī)地結(jié)合起來,用于自適應(yīng)腦電虛擬鍵盤的設(shè)計(jì)和優(yōu)化。如何根據(jù)用戶的個(gè)體特點(diǎn)和輸入意圖,自適應(yīng)地提取腦電信號(hào)的關(guān)鍵特征,評(píng)估其復(fù)雜度和動(dòng)態(tài)特性,并使用深度學(xué)習(xí)模型進(jìn)行精準(zhǔn)識(shí)別和自適應(yīng)映射,是一個(gè)亟待解決的問題。
4、因此，亟需一種方法，以解決上述至少一個(gè)問題。
技術(shù)實(shí)現(xiàn)思路
1、本申請(qǐng)實(shí)施例提供了一種基于腦電信號(hào)的人機(jī)交互虛擬鍵盤輸入方法、裝置及設(shè)備，方法旨在解決目前尚未有研究將這些先進(jìn)方法有機(jī)地結(jié)合起來,用于自適應(yīng)腦電虛擬鍵盤的設(shè)計(jì)和優(yōu)化。如何根據(jù)用戶的個(gè)體特點(diǎn)和輸入意圖,自適應(yīng)地提取腦電信號(hào)的關(guān)鍵特征,評(píng)估其復(fù)雜度和動(dòng)態(tài)特性,并使用深度學(xué)習(xí)模型進(jìn)行精準(zhǔn)識(shí)別和自適應(yīng)映射等問題。
2、第一方面，本申請(qǐng)實(shí)施例提供了一種基于腦電信號(hào)的人機(jī)交互虛擬鍵盤輸入方法，包括：
3、獲取用戶的原始腦電時(shí)間序列和對(duì)應(yīng)的頻譜特征,獲取所述頻譜特征對(duì)應(yīng)的最優(yōu)小波基和分解層數(shù),用于對(duì)所述原始腦電時(shí)間序列進(jìn)行小波包分解,獲取多尺度腦電信號(hào)分量；
4、獲取所述多尺度腦電信號(hào)分量對(duì)應(yīng)的小波系數(shù)的模糊熵,以獲取所述小波系數(shù)的復(fù)雜度特征；
5、根據(jù)所述多尺度腦電信號(hào)分量和復(fù)雜度特征,在多個(gè)小波系數(shù)中確定與用戶輸入意圖最相關(guān)的關(guān)鍵小波系數(shù)；
6、獲取用戶的腦電基線特征、認(rèn)知狀態(tài)和復(fù)雜度特征,用于獲取用戶個(gè)性化的最優(yōu)意圖調(diào)控頻率；
7、根據(jù)所述關(guān)鍵小波系數(shù)和最優(yōu)意圖調(diào)控頻率,重構(gòu)生成腦電意圖特征序列；對(duì)所述腦電意圖特征序列進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解,獲取反映意圖穩(wěn)態(tài)特性的慢變成分和意圖動(dòng)態(tài)變化的快變成分；
8、根據(jù)所述慢變成分和快變成分,獲取用戶對(duì)應(yīng)的意圖類別，以根據(jù)所述意圖類別,生成意圖類別與虛擬鍵盤按鍵的映射關(guān)系,并根據(jù)所述映射關(guān)系生成虛擬鍵盤的控制指令,以實(shí)現(xiàn)虛擬鍵盤輸入。
9、第二方面，本申請(qǐng)還提供一種基于腦電信號(hào)的人機(jī)交互虛擬鍵盤輸入裝置，包括：
10、特征獲取模塊，用于獲取用戶的原始腦電時(shí)間序列和對(duì)應(yīng)的頻譜特征,獲取所述頻譜特征對(duì)應(yīng)的最優(yōu)小波基和分解層數(shù),用于對(duì)所述原始腦電時(shí)間序列進(jìn)行小波包分解,獲取多尺度腦電信號(hào)分量；
11、復(fù)雜獲取模塊，用于獲取所述多尺度腦電信號(hào)分量對(duì)應(yīng)的小波系數(shù)的模糊熵,以獲取所述小波系數(shù)的復(fù)雜度特征；
12、關(guān)鍵確定模塊，用于根據(jù)所述多尺度腦電信號(hào)分量和復(fù)雜度特征,在多個(gè)小波系數(shù)中確定與用戶輸入意圖最相關(guān)的關(guān)鍵小波系數(shù)；
13、頻率獲取模塊，用于獲取用戶的腦電基線特征、認(rèn)知狀態(tài)和復(fù)雜度特征,?用于獲取用戶個(gè)性化的最優(yōu)意圖調(diào)控頻率；
14、序列重構(gòu)模塊，用于根據(jù)所述關(guān)鍵小波系數(shù)和最優(yōu)意圖調(diào)控頻率,重構(gòu)生成腦電意圖特征序列；對(duì)所述腦電意圖特征序列進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解,獲取反映意圖穩(wěn)態(tài)特性的慢變成分和意圖動(dòng)態(tài)變化的快變成分；
15、輸入實(shí)現(xiàn)模塊，用于根據(jù)所述慢變成分和快變成分,獲取用戶對(duì)應(yīng)的意圖類別，以根據(jù)所述意圖類別,生成意圖類別與虛擬鍵盤按鍵的映射關(guān)系,并根據(jù)所述映射關(guān)系生成虛擬鍵盤的控制指令,以實(shí)現(xiàn)虛擬鍵盤輸入。
16、第三方面，本申請(qǐng)還提供一種計(jì)算機(jī)設(shè)備，包括處理器和存儲(chǔ)器，所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面所述的基于腦電信號(hào)的人機(jī)交互虛擬鍵盤輸入方法。
17、該方法是一種基于腦電信號(hào)（eeg）的個(gè)性化人機(jī)交互虛擬鍵盤輸入技術(shù)，通過多尺度信號(hào)分解、復(fù)雜度分析和動(dòng)態(tài)特征融合實(shí)現(xiàn)意圖識(shí)別。
18、通過獲取用戶原始腦電時(shí)間序列及其頻譜特征，通過自適應(yīng)選擇最優(yōu)小波基和分解層數(shù)進(jìn)行小波包分解，提取多尺度腦電信號(hào)分量。小波基選擇（如daubechies、morlet）和分解層數(shù)優(yōu)化（如3-5層）確保信號(hào)時(shí)頻局部化特性。計(jì)算各分量小波系數(shù)的模糊熵（fuzzyentropy），量化信號(hào)復(fù)雜度，篩選出與輸入意圖相關(guān)的高區(qū)分度特征。結(jié)合多尺度分量和復(fù)雜度特征，通過相關(guān)性分析（如互信息、支持向量機(jī)）確定關(guān)鍵小波系數(shù)，減少冗余數(shù)據(jù)。根據(jù)用戶腦電基線（靜息態(tài)eeg）、實(shí)時(shí)認(rèn)知狀態(tài)（專注度、疲勞度）及復(fù)雜度特征，動(dòng)態(tài)優(yōu)化意圖調(diào)控頻率（如0.1-2hz），適配個(gè)體差異。重構(gòu)關(guān)鍵小波系數(shù)與最優(yōu)頻率生成意圖特征序列，通過經(jīng)驗(yàn)?zāi)B(tài)分解（emd）分離穩(wěn)態(tài)慢變成分（如0.5hz以下）和動(dòng)態(tài)快變成分（如0.5-4hz），捕捉意圖的持續(xù)性與瞬時(shí)變化。利用慢變-快變特征融合（如時(shí)頻域聯(lián)合分析）訓(xùn)練分類模型（如lstm、svm），映射至虛擬鍵盤指令（如字符選擇、刪除），實(shí)現(xiàn)低延遲控制。
19、通過小波包分解與模糊熵結(jié)合，提升非平穩(wěn)eeg信號(hào)的特征區(qū)分度，準(zhǔn)確率提升約20%?；诨€特征和認(rèn)知狀態(tài)動(dòng)態(tài)調(diào)整參數(shù)，適應(yīng)不同用戶腦電模式差異，誤觸率降低30%。emd分解消除高頻噪聲干擾，穩(wěn)態(tài)特征增強(qiáng)系統(tǒng)魯棒性。關(guān)鍵小波系數(shù)篩選減少計(jì)算量，響應(yīng)時(shí)間縮短至1秒內(nèi)?？蛇m配多種腦機(jī)接口場(chǎng)景（如殘疾人輔助輸入、游戲控制）。
20、應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本申請(qǐng)。
1.一種基于腦電信號(hào)的人機(jī)交互虛擬鍵盤輸入方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取所述頻譜特征對(duì)應(yīng)的最優(yōu)小波基和分解層數(shù)，包括：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對(duì)所述原始腦電時(shí)間序列進(jìn)行小波包分解,獲取多尺度腦電信號(hào)分量，包括：
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取用戶的腦電基線特征、認(rèn)知狀態(tài)和復(fù)雜度特征，包括：
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述獲取用戶個(gè)性化的最優(yōu)意圖調(diào)控頻率，包括：
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述關(guān)鍵小波系數(shù)和最優(yōu)意圖調(diào)控頻率,重構(gòu)生成腦電意圖特征序列，包括：
7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對(duì)所述腦電意圖特征序列進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解,獲取反映意圖穩(wěn)態(tài)特性的慢變成分和意圖動(dòng)態(tài)變化的快變成分，包括：
8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述慢變成分和快變成分,獲取用戶對(duì)應(yīng)的意圖類別，包括：
9.一種基于腦電信號(hào)的人機(jī)交互虛擬鍵盤輸入裝置，其特征在于，包括：
10.一種計(jì)算機(jī)設(shè)備，其特征在于，包括存儲(chǔ)器和處理器；所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序；所述處理器，用于執(zhí)行所述計(jì)算機(jī)程序并在執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如權(quán)利要求1至8中任一項(xiàng)所述的方法。