CN103654799A - 一种基于脑电波的婴儿情绪检测方法和装置 - Google Patents
一种基于脑电波的婴儿情绪检测方法和装置 Download PDFInfo
- Publication number
- CN103654799A CN103654799A CN201310677476.4A CN201310677476A CN103654799A CN 103654799 A CN103654799 A CN 103654799A CN 201310677476 A CN201310677476 A CN 201310677476A CN 103654799 A CN103654799 A CN 103654799A
- Authority
- CN
- China
- Prior art keywords
- sample
- baby
- energy
- energy proportion
- emotion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于脑电波的婴儿情绪检测方法和装置,通过安采集婴儿脑部多个位置处的脑电波信号;对采集到的脑电波信号进行处理,基于每个位置采集脑电波信号的能量及预定频段信号的能量计算出第一及第二能量比例;将所述第一及第二能量比例在预存的情绪样本库进行匹配,获取最终样本,得出对应的婴儿情绪信息;实现了通过脑电波来实时判断婴儿情绪,使得对婴儿的情绪判断更为准确,给用户带来了大大的方便。
Description
技术领域
本发明涉及脑电波检测领域,尤其涉及的是一种基于脑电波的婴儿情绪检测方法和装置。
背景技术
婴儿在出生之后到学会说话之前与外界的交流只有笑与哭两种方式,一般将此称之为婴儿的语言,特别是哭的时候婴儿往往要表达的意思有很多中,但新生儿父母往往在婴儿哭时由于不明白哭声表达的含义而无法应对。只能依靠经验来进行应对。现有技术中,美国布朗大学和罗德岛州妇幼医院联合制作了一套破解婴儿哭声的算法,对音频、声调、音量等进行匹配以此判断婴儿哭声的含义,但各婴儿所产生的声调、音量都不相同,外界对音频的干扰也有相应的影响,使得对婴儿的情绪判断并不准确,情绪判断准确率不高给婴儿父母带来了大大的不便。
因此,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,提供一种基于脑电波的婴儿情绪检测方法和装置,旨在解决现有的婴儿情绪判断方法准确率不高的问题。
本发明解决技术问题所采用的技术方案如下:
一种基于脑电波的婴儿情绪检测方法,其中,包括以下步骤:
A、采集婴儿脑部多个位置处的脑电波信号;
B、对采集到的脑电波信号进行处理,基于每个位置采集脑电波信号的能量及预定频段信号的能量计算出第一及第二能量比例;
C、将所述第一及第二能量比例在预存的情绪样本库进行匹配,获取最终样本,得出对应的婴儿情绪信息。
所述的基于脑电波的婴儿情绪检测方法,其中,所述步骤A中具体为:
通过国际10-20系统电极放置法安放多个电极来对应采集婴儿脑部多个位置处的脑电波信号,每个所述多个电极采集一个所述脑部位置的脑电波信号。
所述的基于脑电波的婴儿情绪检测方法,其中,所述步骤B具体包括:
B1、对每一个电极采集的脑电波信号进行谐波小波包变换,并作傅立叶变换,得到谐波小波变化在频域的表达式;
B2、根据所述频域的表达式分层计算谐波小波包变换系数;
B3、根据所述谐波小波包变换系数计算预定频段的能量随时间变化函数及所述预定频段的频带能量比例函数;
B4、基于所述能量随时间变化函数及所述频带能量比例函数计算所述第一及第二能量比例,其中所述第一能量比例为每个电极采集的脑电波信号中,预定频段信号所占的能量比例,所述第二能量比例为每个电极所采集的所述预定频段信号能量在所采集到总的预定频段信号能量所占的比例。
所述的基于脑电波的婴儿情绪检测方法,其中,所述步骤C具体包括:
C1、对所计算的第二能量比例按照从大到小的顺序排列,得到第二能量比例排列表;
C2、将当前排列在首位的第二能量比例与预存的情绪样本库进行匹配,得到匹配样本;
C3、判断所述匹配样本是否为2个以上,若否则停止,若是则转到步骤C4;
C4、将当前排列在第二位的第二能量比例与所述匹配样本进行匹配,得到再次匹配样本;
C5、判断所述再次匹配样本是否为2个以上,若是则按从大到小的顺序依次调用所述第二能量比例继续在所述再次匹配样本中,直到所述第二能量比例排列表中所有的第二能量比例被匹配完,得到筛选样本;
C6、判断所述筛选样本是否为2个以上,若否则停止,若是则将所计算的第一能量比例与所述筛选样本进行匹配,得到最终样本。
所述的基于脑电波的婴儿情绪检测方法,其中,所述步骤C6具体包括:
C61、对所计算的第一能量比例按照从大到小的顺序进行排列,得到第一能量比例排列表;
C62、将当前排列在首位的第一能量比例与所述筛选样本进行匹配,得到再次筛选样本;
C63、判断所述再次筛选样本是否为两个以上,若否则停止,若是则转到步骤C64;
C64、将当前排列在第二位的第一能量比例与所述再次筛选样本进行匹配,得到多次匹配样本;
C65、判断所述多次匹配样本是否为两个以上,若否则停止,若是则按从大到小的顺序依次调用所述第一能量比例继续在所述多次匹配样本中匹配,直到所述第一能量比例排列表的第一能量比例被匹配完,得到最终样本。
所述的基于脑电波的婴儿情绪检测方法,其中,所述步骤C65后还包括:
C66、当所述第一能量比例排列表的第一能量比例被匹配完时,且所述多次样本为不止一个时,选择与最后匹配时的第一能量比例最接近的样本为最终样本;
C67、获取与所述最终样本对应的婴儿情绪信息。
所述的基于脑电波的婴儿情绪检测方法,其中,在所述步骤A之前还包括:
A0、将婴儿情绪样本数据输入到人工神经网络中进行样本学习,并得到相应的学习结果,存储在情绪数据库中,所述学习结果包括婴儿的情绪信息;
A1、预先将婴儿情绪信息与对应的样本关联。
所述的基于脑电波的婴儿情绪检测方法,其中,在所述步骤C之后还包括:
D、将所述婴儿情绪信息进行显示。
所述的基于脑电波的婴儿情绪检测方法,其中,所述步骤D之后还包括:
E、获取与所述婴儿情绪信息对应的应对方案,将所述应对方案显示。
一种基于脑电波的婴儿情绪检测装置,其中,包括:
脑电波采集模块,用于采集婴儿脑部多个位置处的脑电波信号;
脑电波信号处理模块,用于对采集到的脑电波信号进行处理,基于每个位置采集脑电波信号的能量及预定频段信号的能量计算出第一及第二能量比例;
情绪分析模块,用于将所述第一及第二能量比例在预存的情绪样本库进行匹配,获取最终样本,得出对应的婴儿情绪信息。
本发明所提供的一种基于脑电波的婴儿情绪检测方法和装置,有效地解决了现有的婴儿情绪判断方法准确率不高的问题,所述婴儿情绪检测方法通过采集婴儿脑部多个位置处的脑电波信号;再对采集到的脑电波信号进行处理,基于每个位置采集脑电波信号的能量及预定频段信号的能量计算出第一及第二能量比例;然后将所述第一及第二能量比例在预存的情绪样本库进行匹配,获取最终样本,得出对应的婴儿情绪信息;通过结合脑电波来实时判断婴儿情绪,使得对婴儿的情绪判断更为准确,给用户带来了大大的方便。
附图说明
图1为本发明提供的基于脑电波的婴儿情绪检测方法较佳实施例的流程图。
图2为本发明提供的国际10-20系统电极放置的示意图。
图3为本发明提供的脑电波采集模块应用实施例的正面示意图。
图4为本发明提供的脑电波采集模块应用实施例的侧面示意图。
图5为本发明提供的人工神经网络的独立神经元的工作示意图。
图6为本发明提供的基于脑电波的婴儿情绪检测装置较佳实施例的结构框图。
具体实施方式
本发明提供一种基于脑电波的婴儿情绪检测方法和装置,为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,图1为本发明提供的基于脑电波的婴儿情绪检测方法较佳实施例的流程图,如图所示,所述电婴儿情绪检测方法包括以下步骤:
步骤S100、采集婴儿脑部多个位置处的脑电波信号,其中可通过国际10-20系统电极放置法安放多个电极来采集所述脑电波信号;
步骤S200、对采集到的脑电波信号进行处理,基于每个位置采集脑电波信号的能量及预定频段信号的能量计算出第一及第二能量比例;
步骤S300、将所述第一及第二能量比例在预存的情绪样本库进行匹配,获取最终样本,得出对应的婴儿情绪信息。
下面结合具体的实施例对上述步骤进行详细的描述。
在步骤S100中,可通过国际10-20系统电极放置法安放多个电极来对应采集婴儿脑部多个位置处的脑电波信号。具体来说,可以通过国际10-20系统电极放置法来采集婴儿脑电波数据。请参阅图2,图2为国际10-20系统电极放置的示意图,如图2所示,所述国际10-20系统电极放置法包括:1.矢状线:从鼻根(简称N)至枕外粗隆(简称I)作一条矢状线并将其作为100%,分成10等分。从N-I标出5点,分别命名为Fp(前额)、Fz(额)、Cz(中央)、Pz(顶)、O(枕)。 N-Fp、Fp-Fz、Fz-Cz、Cz-Pz、Pz-O、O-I的距离,除N-Fp和O-I各为此线长度的10%以外,其余均为此线全长的20%。2.颞侧线:从Fp至O引一条与鼻根-外耳孔-枕外粗隆连接线相平行的线,其长度作为100%,分成10等分。从Fp-O标出5点,分别命名为Fp1(Fp2)、F7(F8)、T3(T4)、T5(T6)、O1(O2),除Fp-Fp1(Fp2)及O1(O2)-O间的距离各为此线全长的10%,其余各点间距离均为全长的20%。3.冠状线:从左外耳孔经顶至右外耳孔连一条线,全长为100%,分10等分。标出5点,分别命名为T3、C3、Cz、C4、T4,除左外耳孔-T3,右外耳孔-T4的距离各为全长的10%外,其余各点间距离均为全长的20%。4.F3、F4和P3、P4点 分别位于F7、F8与Fz和T5、T6与Pz间连线的中点上。
在实际应用时,请一并参阅图3和图4,在实际应用时,采集脑电波的装置可以设置为头戴式装置,从而方便进行脑电波采集。本发明一般安放6个电极来采集婴儿脑部不同位置处的脑电波信号,譬如6个采集电极分别置于FP1,FP2,T3,C3,T5,P3。其中,FP1和FP2位置处的脑电波信号可反映人体情绪波动,T3,C3,T5和P3可反映人脑的信息处理活动。当然,本发明还可以采用4个电极,8个电极等多个电极来采集脑电波信号,此处不再赘述。
在步骤S200中,对采集到的脑电波信号进行处理,基于每个位置采集脑电波信号的能量及预定频段信号的能量计算出第一及第二能量比例。具体来说,就是对采集到的脑电波信号进行处理,计算出每一个位置的电极采集的脑电波信号在预定频段内的能量占该电极采集的脑电波信号的能量的百分比,并计算出每一个电极采集的脑电波信号在所述预定频段内的能量占所有电极采集的脑电波信号在所述预定频段内的能量的百分比。具体来说,在采集装置采集到婴儿的脑电波之后,分别通过每一个电极采集的对应的脑电波处理芯片对脑电波信号进行处理,计算得出相应的数据计算内容,包括:节律、频率与功率、波幅、相位关系、在一定时间内产生波的量、波形及数量。若采用6个电极,则计算得出6组相应的数据,计算内容为:节律、频率与功率、波幅、相位关系、在一定时间内产生波的量、波形及数量。
在实际应用时,可通过节律、波幅或相位关系等,来计算出每一个电极采集的脑电波信号在预定频段内的能量占该电极采集的脑电波信号的能量的百分比,并计算出每一个电极采集的脑电波信号在所述预定频段内的能量占所有电极采集的脑电波信号在所述预定频段内的能量的百分比。
进一步地,所述步骤S200具体包括:
S210、对每一个电极采集的脑电波信号进行谐波小波包变换,并作傅立叶变换,得到谐波小波变化在频域的表达式;
S220、根据所述频域表达式分层计算谐波小波包变换系数;
S230、根据所述谐波小波包变换系数计算预定频段的能量随时间变化函数及所述预定频段的频带能量比例函数;
S240、基于所述能量随时间变化函数及所述频带能量比例函数计算所述第一及第二能量比例,其中所述第一能量比例为每个电极采集的脑电波信号中,预定频段信号所占的能量比例,所述第二能量比例为每个电极所采集的所述预定频段信号能量在所采集到总的预定频段信号能量所占的比例。
先进行概念说明。频域(频率域)的自变量是频率,即横轴是频率,纵轴是该频率信号的幅度,也就是通常说的频谱图。频谱图描述了信号的频率结构及频率与该频率信号幅度的关系。频带就是信号包含的最高频率与最低频率这之间的频率范围(当然频率分量必须大于一定的值)。频段就是一定的频率范围。具体来说,此处是以频段为例进行说明,进行频段特征提取时具体过程如下所示:
首先,对每一个电极采集的脑电波信号进行谐波小波包变换,并作傅立叶变换,得到谐波小波变化在频域表达式。谐波小波包变换算法(即DHWPT,discrete harmonic wavelet packet transform,独立谐波小波包变换):基本思想是如果一类小波具有严格的矩阵频谱,即具有理想的滤波特性,用于分析信号,可以精确提取或滤除信号中某一频带成分。定义单导(单个电极)的信号X(t)的谐波小波变换为:
对式(1)作傅立叶变换,得到谐波小波变化在频域表达式:
由以上可得谐波小波包变换系数hwpt(s,i,k)=hwt(m,n,k),式中s为分解层数,i为子带编号,k为小波系数编号。
那么,任一频段能量随时间变化情况:
每一个电极对应的导联上各频段的频带能量比率:
其中,FBER-S为单导脑电信号在某一频段内的能量占此导联所有频段产生能量的百分比,即该电极对应的第一能量比例。
其中,l代表导联编号,p代表所关心的频段。FBER-A为某一导联脑电信号在某一频段内的能量占所有导联在该频段内能量的百分比,即第二能量比例。这样,便可以计算出不同电极在预定频段对应的第一能量比例和第二能量比例。
所述预定频段包括:4~7Hz、8~13Hz和14~30Hz。所述预定频段即上述的某一频段,一般取14~30Hz。具体来说,在婴儿的脑电波中,包括:δ波,频率为每秒1-3次,当人在婴儿期或智力发育不成熟、成年人在极度疲劳和昏睡状态下,可出现这种波段。θ波,频率为每秒4-7次,成年人在意愿受到挫折和抑郁时以及精神病患者这种波极为显著。但此波为少年(10-17岁)的脑电图中的主要成分。α波,频率为每秒8-13次,平均数为10次左右,它是正常人脑电波的基本节律,如果没有外加的刺激,其频率是相当恒定的。人在清醒、安静并闭眼时该节律最为明显,睁开眼睛或接受其它刺激时,α波即刻消失。β波,频率为每秒14-30次,当精神紧张和情绪激动或亢奋时出现此波,当人从睡梦中惊醒时,原来的慢波频段可立即被该频段所替代。所以所述预定频段一般取β波,来检测情绪。
在步骤S200中,通过计算每一个电极采集的脑电波信号在预定频段内的能量占该电极采集的脑电波信号的能量的百分比FBER-S,即该电极对应的第一能量比例,譬如。此处以FP1电极对应的导联为例进行说明,其中频段为β波所占的百分比由上述的公式得来,FP1电极对应的β波,频段为14~30Hz,其在FP1电极采集的脑电波信号中所占的能量百分比。
并计算出每一个电极采集的脑电波信号在所述预定频段内的能量占所有电极采集的脑电波信号在所述预定频段内的能量的百分比FBER-A,即该电极对应的第二能量比例,此处以FP1电极对应的导联为例进行说明,其中频段为β波在所有的电极中该频段所占的能量百分比为:。
在步骤S300中,将所述第一及第二能量比例在预存的情绪样本库进行匹配,获取最终样本,得出对应的婴儿情绪信息。具体来说,将提取的能量第一能量比例(FBER-S)和第二能量比例(FBER-A)数据作为向量分量输入到人工神经网络中匹配情绪样本数据学习结果,从而得出当前婴儿的相应情绪信息。其中,所述人工神经网络包含将婴儿情绪样本数据输入到人工神经网络中进行样本学习并得到相应的学习结果,所述学习结果包括婴儿的情绪信息。
所述人工神经网络是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构,是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具,常用来对输入和输出间复杂的关系进行建模,或用来探索数据的模式。请参阅图5,图5为本发明提供的人工神经网络的独立神经元的工作示意图,在图5中,a1~an为输入向量的各个分量,w1~wn为神经元各个突触的权值,b为偏置,f为传递函数,通常为非线性函数。一般有traingd(),tansig(),hardlim()。以下默认为hardlim()。t为神经元输出。数学表示 , 为权向量, 为输入向量, 为 的转置。可见,一个神经元的功能是求得输入向量与权向量的内积后,经一个非线性传递函数得到一个标量结果。单个神经元的作用:把一个n维向量空间用一个超平面分割成两部分(称之为判断边界),给定一个输入向量,神经元可以判断出这个向量位于超平面的哪一边。该超平面的方程: , 权向量, 偏置, 超平面上的向量。
在实际应用时,所述样本学习指对人工神经网络训练。向网络提供足够多的样本,通过一定算法调整网络的结构(主要是调节权值),使网络的输出与预期值相符,这样的过程就是神经网络训练。本发明提供的人工网络通过输出值进行训练。
在实际应用时,所述步骤S300具体包括:
S310、对所计算的第二能量比例按照从大到小的顺序排列,得到第二能量比例排列表;
S320、将当前排列在首位的第二能量比例与预存的情绪样本库进行匹配,得到匹配样本;
S330、判断所述匹配样本是否为2个以上,若否则停止,若是则转到步骤S340;
S340、将当前排列在第二位的第二能量比例与所述匹配样本进行匹配,得到再次匹配样本;
S350、判断所述再次匹配样本是否为2个以上,若是按从大到小的顺序依次调用所述第二能量比例继续在所述再次匹配样本中匹配,直到所述第二能量比例排列表中所有的第二能量比例被匹配完,得到筛选样本;
S360、判断所述筛选样本是否为2个以上,若否则停止,若是则将所计算的第一能量比例与所述筛选样本进行匹配,得到最终样本。
具体来说,若采用6个电极,则采集婴儿脑部6个位置处的脑电波信号,然后计算出每一个位置对应的第一能量比例和第二能量比例。将所有的第二能量比例进行从大到小排列,然后将最大的第二能量比例与预存的情绪样本库进行匹配,从而得到匹配样本。优选地还可以建立匹配列表,将经匹配的第二能量比例存储在所述匹配列表中。再判断所述匹配样本的个数是否为2个以上。在实际应用时,若根据第一大的第二能量比例与预存的情绪样本库匹配出来的样本只有一个,这说明这就是匹配出来的情绪的最终样本,因此无需再进行匹配;若匹配出来的样本不止一个,则继续用第二大的第二能量比例与匹配样本进行再匹配,得到再次匹配样本。再判断再次匹配样本是否为2个以上,若为否,则为匹配出来的最终样本;若是则按从大到小的顺序依次调用所述第二能量比例排列表中的第二能量比例继续在所述再次匹配样本中继续匹配,直到依次匹配完所有的第二能量比例,得到筛选样本。进一步地,继续判断筛选样本是否为2个以上,若为一个,则筛选样本为匹配出来的最终样本,若不止一个,则根据所述第一能量比例来与所述筛选样本进行匹配。
在实际应用时,所述步骤S360具体包括:
S361、对所计算的第一能量比例按照从大到小的顺序进行排列,得到第一能量比例排列表;
S362、将当前排列在首位的第一能量比例与所述筛选样本进行匹配,得到再次筛选样本;
S363、判断所述再次筛选样本是否为两个以上,若否则停止,若是则转到步骤S364;
S364、将当前排列在第二位的第一能量比例与所述再次筛选样本进行匹配,得到多次匹配样本;
S365、判断所述多次匹配样本是否为两个以上,若否则停止,若是
按从大到小的顺序依次调用所述第一能量比例继续在所述多次匹配样本中
匹配,直到所述第一能量比例排列表的第一能量比例被匹配完,得到最终样本。
具体来说,当所述筛选样本为2个以上时,对所计算的第一能量比例按照从大到小的顺序进行排列,得到第一能量比例排列表。然后将最大的第一能量比例与所述筛选样本进行匹配,得到再次筛选样本。优选地,还建立筛选列表,将经过匹配的第一能量比例存储在所述筛选列表中。然后判断所述再次筛选样本是否为两个以上,若否则停止,即只有一个样本,也就是最终样本,若是则表示还有2个以上的样本,继续将第二大的第一能量比例来匹配再次筛选样本,得到对应的多次匹配样本。同理再判断多次匹配样本是否为2个以上,若为否,则停止,即表示为1个也就是最终样本;若为是则按从大到小的顺序依次调用所述第一能量比例排列表中的第一能量比例继续在所述多次匹配样本中匹配,即按照第一能量比例从大到小依次匹配得到的匹配结果,直到匹配完,得到最终样本。
进一步地,所述步骤S365后还包括:
S33366、当所述第一能量比例排列表的第一能量比例被匹配完时,且所述多次样本为不止一个时,选择与最后匹配时的第一能量比例最接近的样本为最终样本;
S367、获取与所述最终样本对应的婴儿情绪信息。
具体来说,在步骤S364中,通过第二能量比例以及第一能量比例,依次从大到小匹配完之后,得到的最终样本。对所述最终样本再判断是否为2个以上,若为1个,则为最终情绪样本;若为2个以上,则选择与最后匹配时的第一能量比例最接近的样本为最终样本。然后获取与所述最终样本对应的婴儿情绪信息。
进一步地,在所述步骤S100之前还包括:
S80、将婴儿情绪样本数据输入到人工神经网络中进行样本学习,并得到相应的学习结果,存储在情绪数据库中,所述学习结果包括婴儿的情绪信息。
S90、预先将婴儿情绪信息与对应的样本关联。
具体来说,预见输入婴儿情绪样本数据到人工神经网络进行学习,并得到相应的学习结果,从而形成情绪数据库。然后将婴儿情绪信息与样本关联起来。根据步骤S300中匹配出来的最终样本便可得知婴儿的相应的情绪信息。然后便可以将所述婴儿情绪信息进行显示。将所述婴儿情绪信息发送至显示模块进行显示。具体来说,就是将得出的相应情绪信息发送到显示模块进行显示。
进一步地,在所述步骤S100之前还包括:
S110、预先将婴儿情绪信息与对应的应对方案关联。具体来说,也就是将婴儿情绪信息以及对应的应对方法进行关联,在检测出婴儿的情绪信息之后,同时显示对应的应用方法,譬如婴儿的情绪为哭泣,对应的应对方法为进食,例如吃奶等等。
这样,在将所述婴儿情绪信息进行显示之后,还可以在显示模块上显示所述婴儿情绪信息对应的应对方案。具体来说,就是在显示婴儿情绪信息的同时,显示如何应对当前婴儿的情绪。
优选地,本发明还可以通过检测婴儿的脑电波,并将其与正常的脑电波数据进行比对,当婴儿的脑电波异常时,向婴儿父母发出警告信息。
本发明提供的基于脑电波的婴儿情绪检测方法,通过采集婴儿脑电波数据并加以分析,从而能够实时掌握婴儿情绪和表情变化时要表达的含义,进一步采取相应的应对方案进行应对,为用户特别是婴儿父母带来大大的方便,还可以监控婴儿脑电波异常情况及时发现并报警。
基于上述基于脑电波的婴儿情绪检测方法,本发明还提供了一种基于脑电波的婴儿情绪检测装置,如图6所示,所述婴儿情绪检测装置包括:
脑电波采集模块10,用于采集婴儿脑部多个位置处的脑电波信号;具体如步骤S100所述;
脑电波信号处理模块20,用于对采集到的脑电波信号进行处理,基于每个位置采集脑电波信号的能量及预定频段信号的能量计算出第一及第二能量比例;具体如步骤S200所述;
情绪分析模块30,用于将所述第一及第二能量比例在预存的情绪样本库进行匹配,获取最终样本,得出对应的婴儿情绪信息;具体如步骤S300所述。
进一步地,所述脑电波采集模块10用于通过国际10-20系统电极放置法安放多个电极来对应采集婴儿脑部多个位置处的脑电波信号,每个所述多个电极采集一个所述脑部位置的脑电波信号。
进一步地,所述脑电波信号处理模块20包括:
谐波小波包变换单元,用于对每一个电极采集的脑电波信号进行谐波小波包变换,并作傅立叶变换,得到谐波小波变化在频域的表达式;
系数计算单元,用于根据所述频域表达式分层计算谐波小波包变换系数;
频段能量获取单元,用于根据所述谐波小波包变换系数计算预定频段的能量随时间变化函数及所述预定频段的频带能量比例函数;
能量百分比计算单元,用于基于所述能量随时间变化函数及所述频带能量比例函数计算所述第一及第二能量比例,其中所述第一能量比例为每个电极采集的脑电波信号中,预定频段信号所占的能量比例,所述第二能量比例为每个电极所采集的所述预定频段信号能量在所采集到总的预定频段信号能量所占的比例。
进一步地,所述情绪分析模块30包括:
第二能量排列单元,用于对所计算的第二能量比例按照从大到小的顺序排列,得到第二能量比例排列表;
第一匹配单元,用于将当前排列在首位的第二能量比例与预存的情绪样本库进行匹配,得到匹配样本;
匹配样本判断单元,用于判断所述匹配样本的数量;
第二匹配单元,用于当所述匹配样本的个数为2个以上时,将当前排列在第二位的第二能量比例与所述匹配样本进行匹配,得到再次匹配样本;
再次匹配样本判断单元,用于判断所述再次匹配样本是否为2个以上;
第三匹配单元,用于当所述再次匹配样本为2个以上,按从大到小的顺序依次调用所述第二能量比例继续在所述再次匹配样本中匹配,直到所述第二能量比例排列表中所有的第二能量比例被匹配完,得到筛选样本;
筛选样本判断单元,用于判断所述筛选样本是否为2个以上;
最终样本匹配单元,用于当所述筛选样本为2个以上时,将所计算的第一能量比例与所述筛选样本进行匹配,得到最终样本。
进一步地,所述的基于脑电波的婴儿情绪检测装置,其中,还包括:预先学习模块,用于将婴儿情绪样本数据输入到人工神经网络中进行样本学习,并得到相应的学习结果,存储在情绪数据库中,所述学习结果包括婴儿的情绪信息;
第一关联模块,用于预先将婴儿情绪信息与对应的样本关联。进一步地,所述的基于脑电波的婴儿情绪检测装置,其中,还包括:第二关联模块,用于预先将婴儿情绪信息与对应的应对方案关联。
进一步地,所述的基于脑电波的婴儿情绪检测装置,其中,还包括:
显示模块,用于显示所述婴儿情绪信息对应的应对方案。
综上所述,本发明提供的一种基于脑电波的婴儿情绪检测方法和装置,所述婴儿情绪检测方法通过国际10-20系统电极放置法安放多个电极来对应采集婴儿脑部多个位置处的脑电波信号;对采集到的脑电波信号进行处理,计算出每一个电极采集的脑电波信号在预定频段内的能量占该电极采集的脑电波信号的能量的百分比,并计算出每一个电极采集的脑电波信号在所述预定频段内的能量占所有电极采集的脑电波信号在所述预定频段内的能量的百分比;将所述百分比数据作为向量分量输入包含婴儿情绪样本数据学习结果的人工神经网络中进行匹配,得出对应的婴儿情绪信息;将所述婴儿情绪信息发送至显示模块进行显示;通过结合脑电波来实时判断婴儿情绪,使得对婴儿的情绪判断更为准确,给用户带来了大大的方便。进一步地,将婴儿情绪信息与对应的应对方案关联,并在识别出婴儿情绪信息之后,在显示模块上显示所述婴儿情绪信息对应的应对方案,为用户特别是婴儿父母带来大大的方便。进一步地,还监控婴儿脑电波并将其余与婴儿正常脑电波进行比对,当异常时,对婴儿父母等成人进行提醒。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于脑电波的婴儿情绪检测方法,其特征在于,包括以下步骤:
A、采集婴儿脑部多个位置处的脑电波信号;
B、对采集到的脑电波信号进行处理,基于每个位置采集脑电波信号的能量及预定频段信号的能量计算出第一及第二能量比例;
C、将所述第一及第二能量比例在预存的情绪样本库进行匹配,获取最终样本,得出对应的婴儿情绪信息。
2.根据权利要求1所述的基于脑电波的婴儿情绪检测方法,其特征在于,所述步骤A中具体为:
通过国际10-20系统电极放置法安放多个电极来对应采集婴儿脑部多个位置处的脑电波信号,每个所述多个电极采集一个所述脑部位置的脑电波信号。
3.根据权利要求2所述的基于脑电波的婴儿情绪检测方法,其特征在于,所述步骤B具体包括:
B1、对每一个电极采集的脑电波信号进行谐波小波包变换,并作傅立叶变换,得到谐波小波变化在频域的表达式;
B2、根据所述频域的表达式分层计算谐波小波包变换系数;
B3、根据所述谐波小波包变换系数计算预定频段的能量随时间变化函数及所述预定频段的频带能量比例函数;
B4、基于所述能量随时间变化函数及所述频带能量比例函数计算所述第一及第二能量比例,其中所述第一能量比例为每个电极采集的脑电波信号中,预定频段信号所占的能量比例,所述第二能量比例为每个电极所采集的所述预定频段信号能量在所采集到总的预定频段信号能量所占的比例。
4.根据权利要求3所述的基于脑电波的婴儿情绪检测方法,其特征在于,所述步骤C具体包括:
C1、对所计算的第二能量比例按照从大到小的顺序排列,得到第二能量比例排列表;
C2、将当前排列在首位的第二能量比例与预存的情绪样本库进行匹配,得到匹配样本;
C3、判断所述匹配样本是否为2个以上,若否则停止,若是则转到步骤C4;
C4、将当前排列在第二位的第二能量比例与所述匹配样本进行匹配,得到再次匹配样本;
C5、判断所述再次匹配样本是否为2个以上,若是则按从大到小的顺序依次调用所述第二能量比例继续在所述再次匹配样本中匹配,直到所述第二能量比例排列表中所有的第二能量比例被匹配完,得到筛选样本;
C6、判断所述筛选样本是否为2个以上,若否则停止,若是则将所计算的第一能量比例与所述筛选样本进行匹配,得到最终样本。
5.根据权利要求4所述的基于脑电波的婴儿情绪检测方法,其特征在于,所述步骤C6具体包括:
C61、对所计算的第一能量比例按照从大到小的顺序进行排列,得到第一能量比例排列表;
C62、将当前排列在首位的第一能量比例与所述筛选样本进行匹配,得到再次筛选样本;
C63、判断所述再次筛选样本是否为两个以上,若否则停止,若是则转到步骤C64;
C64、将当前排列在第二位的第一能量比例与所述再次筛选样本进行匹配,得到多次匹配样本;
C65、判断所述多次匹配样本是否为两个以上,若否则停止,若是则按从大到小的顺序依次调用所述第一能量比例继续在所述多次匹配样本中匹配,直到所述第一能量比例排列表的第一能量比例被匹配完,得到最终样本。
6.根据权利要求5所述的基于脑电波的婴儿情绪检测方法,其特征在于,所述步骤C65后还包括:
C66、当所述第一能量比例排列表的第一能量比例被匹配完时,且所述多次样本为不止一个时,选择与最后匹配时的第一能量比例最接近的样本为最终样本;
C67、获取与所述最终样本对应的婴儿情绪信息。
7.根据权利要求1所述的基于脑电波的婴儿情绪检测方法,其特征在于,在所述步骤A之前还包括:
A0、将婴儿情绪样本数据输入到人工神经网络中进行样本学习,并得到相应的学习结果,存储在情绪数据库中,所述学习结果包括婴儿的情绪信息;
A1、预先将婴儿情绪信息与对应的样本关联。
8.根据权利要求1所述的基于脑电波的婴儿情绪检测方法,其特征在于,在所述步骤C之后还包括:
D、将所述婴儿情绪信息进行显示。
9.根据权利要求8所述的基于脑电波的婴儿情绪检测方法,其特征在于,所述步骤D之后还包括:
E、获取与所述婴儿情绪信息对应的应对方案,将所述应对方案显示。
10.一种基于脑电波的婴儿情绪检测装置,其特征在于,包括:
脑电波采集模块,用于采集婴儿脑部多个位置处的脑电波信号;
脑电波信号处理模块,用于对采集到的脑电波信号进行处理,基于每个位置采集脑电波信号的能量及预定频段信号的能量计算出第一及第二能量比例;
情绪分析模块,用于将所述第一及第二能量比例在预存的情绪样本库进行匹配,获取最终样本,得出对应的婴儿情绪信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310677476.4A CN103654799B (zh) | 2013-12-13 | 2013-12-13 | 一种基于脑电波的婴儿情绪检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310677476.4A CN103654799B (zh) | 2013-12-13 | 2013-12-13 | 一种基于脑电波的婴儿情绪检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103654799A true CN103654799A (zh) | 2014-03-26 |
CN103654799B CN103654799B (zh) | 2016-08-17 |
Family
ID=50294434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310677476.4A Active CN103654799B (zh) | 2013-12-13 | 2013-12-13 | 一种基于脑电波的婴儿情绪检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103654799B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103989473A (zh) * | 2014-06-06 | 2014-08-20 | 薛莹 | 新生儿方形纸片式电极定位方法 |
CN104407699A (zh) * | 2014-11-24 | 2015-03-11 | 深圳信息职业技术学院 | 一种人机交互方法、装置及系统 |
CN105701439A (zh) * | 2014-12-11 | 2016-06-22 | 赵化宾 | 一种采用脑肌心电信号识别情绪、感觉和生理需求的装置及方法 |
CN105769181A (zh) * | 2015-01-09 | 2016-07-20 | 松下知识产权经营株式会社 | 判定系统、控制信号输出系统、康复治疗系统、判定方法以及控制信号输出方法 |
CN106344028A (zh) * | 2016-08-04 | 2017-01-25 | 陆峰 | 精神病患者护理装置 |
CN106377248A (zh) * | 2016-10-14 | 2017-02-08 | 智爱亿慈(北京)科技有限公司 | 一种脑部信息采集装置、采集系统及方法 |
CN106955112A (zh) * | 2017-03-17 | 2017-07-18 | 泉州装备制造研究所 | 基于量子小波神经网络模型的脑电波情绪认知方法 |
CN107007290A (zh) * | 2017-03-27 | 2017-08-04 | 广州视源电子科技股份有限公司 | 基于时域及相空间的脑电放松度识别方法及装置 |
CN107085670A (zh) * | 2017-06-26 | 2017-08-22 | 北京艾尔法科技有限公司 | 一种基于多人神经响应一致性的状态检测方法和系统 |
CN107320114A (zh) * | 2017-06-29 | 2017-11-07 | 京东方科技集团股份有限公司 | 基于脑电波检测的拍摄处理方法、系统及其设备 |
CN109394207A (zh) * | 2018-08-17 | 2019-03-01 | 西安易朴通讯技术有限公司 | 情绪识别方法及系统、电子设备 |
CN109875553A (zh) * | 2019-03-27 | 2019-06-14 | 北京脑陆科技有限公司 | 一种基于eeg设备的大规模癫痫自动化检测预警与治疗智能系统 |
CN109998571A (zh) * | 2019-04-12 | 2019-07-12 | 清华大学深圳研究生院 | 一种儿童共情体验设备及体验方法 |
CN111247505A (zh) * | 2017-10-27 | 2020-06-05 | 索尼公司 | 信息处理装置、信息处理方法、程序以及信息处理系统 |
CN112315487A (zh) * | 2020-11-26 | 2021-02-05 | 山东大学 | 一种新型脑电信号采集系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6292688B1 (en) * | 1996-02-28 | 2001-09-18 | Advanced Neurotechnologies, Inc. | Method and apparatus for analyzing neurological response to emotion-inducing stimuli |
KR100829822B1 (ko) * | 2006-07-24 | 2008-05-16 | 중앙대학교 산학협력단 | 신경회로망을 이용한 감정인식장치 |
CN101848669A (zh) * | 2007-09-07 | 2010-09-29 | 埃姆申塞公司 | 集成传感器头戴装置 |
CN102512160A (zh) * | 2011-12-16 | 2012-06-27 | 天津大学 | 基于可分频段自适应跟踪的脑电情绪状态特征提取方法 |
CN102566740A (zh) * | 2010-12-16 | 2012-07-11 | 富泰华工业(深圳)有限公司 | 具有情绪识别功能的电子装置及其输出控制方法 |
US20120203129A1 (en) * | 2005-02-03 | 2012-08-09 | Rennaker Ii Robert L | Brain Machine Interface Device |
CN102715902A (zh) * | 2012-06-15 | 2012-10-10 | 天津大学 | 特殊人群的情绪监护方法 |
CN103412646A (zh) * | 2013-08-07 | 2013-11-27 | 南京师范大学 | 基于脑机交互的音乐情绪化推荐方法 |
-
2013
- 2013-12-13 CN CN201310677476.4A patent/CN103654799B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6292688B1 (en) * | 1996-02-28 | 2001-09-18 | Advanced Neurotechnologies, Inc. | Method and apparatus for analyzing neurological response to emotion-inducing stimuli |
US20120203129A1 (en) * | 2005-02-03 | 2012-08-09 | Rennaker Ii Robert L | Brain Machine Interface Device |
KR100829822B1 (ko) * | 2006-07-24 | 2008-05-16 | 중앙대학교 산학협력단 | 신경회로망을 이용한 감정인식장치 |
CN101848669A (zh) * | 2007-09-07 | 2010-09-29 | 埃姆申塞公司 | 集成传感器头戴装置 |
CN102566740A (zh) * | 2010-12-16 | 2012-07-11 | 富泰华工业(深圳)有限公司 | 具有情绪识别功能的电子装置及其输出控制方法 |
CN102512160A (zh) * | 2011-12-16 | 2012-06-27 | 天津大学 | 基于可分频段自适应跟踪的脑电情绪状态特征提取方法 |
CN102715902A (zh) * | 2012-06-15 | 2012-10-10 | 天津大学 | 特殊人群的情绪监护方法 |
CN103412646A (zh) * | 2013-08-07 | 2013-11-27 | 南京师范大学 | 基于脑机交互的音乐情绪化推荐方法 |
Non-Patent Citations (2)
Title |
---|
李淑芬 等: "《EMD和SVM结合的脑电信号分类方法》", 《生物医学工程学杂志》 * |
聂聃等: "《基于脑电的情绪识别研究综述》", 《中国生物医学工程学报》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103989473B (zh) * | 2014-06-06 | 2015-10-14 | 薛莹 | 新生儿方形纸片式电极定位方法 |
CN103989473A (zh) * | 2014-06-06 | 2014-08-20 | 薛莹 | 新生儿方形纸片式电极定位方法 |
CN104407699B (zh) * | 2014-11-24 | 2018-03-16 | 深圳信息职业技术学院 | 一种人机交互方法、装置及系统 |
CN104407699A (zh) * | 2014-11-24 | 2015-03-11 | 深圳信息职业技术学院 | 一种人机交互方法、装置及系统 |
CN105701439A (zh) * | 2014-12-11 | 2016-06-22 | 赵化宾 | 一种采用脑肌心电信号识别情绪、感觉和生理需求的装置及方法 |
CN105769181A (zh) * | 2015-01-09 | 2016-07-20 | 松下知识产权经营株式会社 | 判定系统、控制信号输出系统、康复治疗系统、判定方法以及控制信号输出方法 |
CN106344028A (zh) * | 2016-08-04 | 2017-01-25 | 陆峰 | 精神病患者护理装置 |
CN106377248A (zh) * | 2016-10-14 | 2017-02-08 | 智爱亿慈(北京)科技有限公司 | 一种脑部信息采集装置、采集系统及方法 |
CN106955112A (zh) * | 2017-03-17 | 2017-07-18 | 泉州装备制造研究所 | 基于量子小波神经网络模型的脑电波情绪认知方法 |
CN107007290A (zh) * | 2017-03-27 | 2017-08-04 | 广州视源电子科技股份有限公司 | 基于时域及相空间的脑电放松度识别方法及装置 |
CN107085670A (zh) * | 2017-06-26 | 2017-08-22 | 北京艾尔法科技有限公司 | 一种基于多人神经响应一致性的状态检测方法和系统 |
CN107320114A (zh) * | 2017-06-29 | 2017-11-07 | 京东方科技集团股份有限公司 | 基于脑电波检测的拍摄处理方法、系统及其设备 |
US11806145B2 (en) | 2017-06-29 | 2023-11-07 | Boe Technology Group Co., Ltd. | Photographing processing method based on brain wave detection and wearable device |
CN111247505A (zh) * | 2017-10-27 | 2020-06-05 | 索尼公司 | 信息处理装置、信息处理方法、程序以及信息处理系统 |
CN111247505B (zh) * | 2017-10-27 | 2024-04-09 | 索尼公司 | 信息处理装置、信息处理方法、记录介质以及信息处理系统 |
CN109394207A (zh) * | 2018-08-17 | 2019-03-01 | 西安易朴通讯技术有限公司 | 情绪识别方法及系统、电子设备 |
CN109875553A (zh) * | 2019-03-27 | 2019-06-14 | 北京脑陆科技有限公司 | 一种基于eeg设备的大规模癫痫自动化检测预警与治疗智能系统 |
CN109998571A (zh) * | 2019-04-12 | 2019-07-12 | 清华大学深圳研究生院 | 一种儿童共情体验设备及体验方法 |
CN112315487A (zh) * | 2020-11-26 | 2021-02-05 | 山东大学 | 一种新型脑电信号采集系统及方法 |
CN112315487B (zh) * | 2020-11-26 | 2022-02-11 | 山东大学 | 一种脑电信号采集系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103654799B (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103654799A (zh) | 一种基于脑电波的婴儿情绪检测方法和装置 | |
CN105877766B (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
CN106344005B (zh) | 一种可移动心电图监测系统 | |
CN105078449B (zh) | 基于健康服务机器人的老年痴呆症监护系统 | |
CN107024987A (zh) | 一种基于eeg的实时人脑注意力测试和训练系统 | |
CN100594858C (zh) | 一种脑电肌电联合控制的电动假手的控制方法 | |
CN106108893B (zh) | 基于眼电、脑电的运动想象训练人机交互系统设计方法 | |
CN110604565A (zh) | 一种基于便携式eeg设备的脑部健康筛查方法 | |
CN103584872A (zh) | 一种基于多生理参数融合的心理压力评估方法 | |
CN204931634U (zh) | 基于生理信息的抑郁症评估系统 | |
CN103989485A (zh) | 基于脑电波的人体疲劳度评价方法 | |
CN106919956A (zh) | 基于随机森林的脑电波年龄预测系统 | |
CN112741638B (zh) | 一种基于eeg信号的医疗诊断辅助系统 | |
CN103412646A (zh) | 基于脑机交互的音乐情绪化推荐方法 | |
CN109998522A (zh) | 一种基于穿戴式动态心电的运动负荷检测装置及方法 | |
CN108451527A (zh) | 一种对不同麻醉状态下脑电信号分类系统 | |
CN106446762A (zh) | 一种基于稀疏表征分类算法的运动想象脑电分类处理方法 | |
Zhao et al. | An IoT-based wearable system using accelerometers and machine learning for fetal movement monitoring | |
CN107530015B (zh) | 一种生命体征分析方法与系统 | |
CN106510702B (zh) | 基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统及方法 | |
CN112842279B (zh) | 一种基于多维度特征参数的睡眠质量评估方法及装置 | |
CN111544015A (zh) | 基于认知力的操控工效分析方法、设备及系统 | |
CN112998690B (zh) | 一种基于脉搏波多特征融合的呼吸率提取方法 | |
CN107669266A (zh) | 一种动物脑电分析系统 | |
CN110123342A (zh) | 一种基于脑电波的网瘾检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |