CN106805969A - 基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置 - Google Patents
基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置 Download PDFInfo
- Publication number
- CN106805969A CN106805969A CN201611185374.0A CN201611185374A CN106805969A CN 106805969 A CN106805969 A CN 106805969A CN 201611185374 A CN201611185374 A CN 201611185374A CN 106805969 A CN106805969 A CN 106805969A
- Authority
- CN
- China
- Prior art keywords
- signal
- electroencephalogram
- brain wave
- brain
- wave
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000001914 filtration Methods 0.000 title claims abstract description 57
- 230000009466 transformation Effects 0.000 title claims abstract description 36
- 210000004556 brain Anatomy 0.000 claims abstract description 200
- 230000006870 function Effects 0.000 claims description 29
- 238000005070 sampling Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000003321 amplification Effects 0.000 claims description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 29
- 230000003044 adaptive effect Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000010606 normalization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 206010022437 insomnia Diseases 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013542 behavioral therapy Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000000147 hypnotic effect Effects 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Psychology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- 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卡尔曼滤波和小波变换的脑电放松度识别方法,包括:对待处理脑电序列信号进行卡尔曼滤波,得到各个脑电波的第一信号;根据脑电波的频率范围,对接收的待处理脑电序列信号进行小波变换,得到各个脑电波的第二信号;基于第一信号的卡尔曼残差,得到与第一信号对应的第一权重因子;基于第二信号的质量指数,得到与第二信号对应的第二权重因子;根据第一信号、第一权重因子、第二信号及第二权重因子,计算得到第三信号;对各个脑电波的第三信号进行特征提取,并根据特征量进行分类识别,得到脑电放松度。本发明还提供了一种基于卡尔曼滤波和小波变换的脑电放松度识别装置,可准确提取脑电波,从而实现准确的脑电放松度识别。
Description
技术领域
本发明涉及放松治疗领域,尤其涉及一种基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置。
背景技术
放松训练是行为疗法中使用最广的技术之一,是在心理学实验的基础上建立和发展起来的咨询和治疗方法,其在治疗焦虑抑郁症、神经性头痛、失眠、高血压病,减轻更年期综合征和转变不良行为模式等方面取得了较好的疗效。
现有的放松训练主要有录音指导、口头指导和生物反馈指导。其中,录音指导方法僵化、没有变化,无法根据受训者的状态变化内容;口头指导则要求对口头指导的对象要求很高,且受到时间、场地限制;生物反馈指导以脑电反馈为主,能够结合前两种方式的优点,因而受到广泛关注。
进行生物反馈指导需要识别用户的放松度,而计算放松度首先需要从用户的脑电信号中提取各个频段的脑电波(包括Delta、Theta、Alpha、Beta、Gamma波),脑电波能否准确提取关系到最终脑电放松度识别的精确度。虽然每个脑电波都有自己的特征频率,但由于各个脑电波的特征频率比较接近,因此如何准确的分离提取各个频段的脑电波就显得至关重要。
现有方式一般直接采用单一的滤波方式进行脑电波的提取,但是这种提取方法提取效果不稳定,容易受到外界因素干扰以及滤波器本身的性能或波动性的影响,进而影响到最终的脑电放松度的识别精度。
发明内容
针对上述问题,本发明的目的在于提供一种基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置,可准确的分离提取出脑电信号中的各个脑电波。
本发明提供了一种基于卡尔曼滤波和小波变换的脑电放松度识别方法,包括如下步骤:
对接收的待处理脑电序列信号进行卡尔曼滤波,提取得到对应于各个脑电波的第一信号;
根据各个脑电波的频率范围,对接收的待处理脑电序列信号进行小波变换,重构得到对应于各个脑电波的第二信号;
基于在卡尔曼滤波过程中生成的各个脑电波的第一信号的卡尔曼残差,计算得到与各个脑电波的第一信号对应的第一权重因子;
基于重构得到的对应于各个脑电波的第二信号的质量指数,计算得到与各个脑电波的第二信号对应的第二权重因子;
根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子,计算得到对应于各个脑电波的第三信号;
对所述各个脑电波的第三信号进行特征提取,并根据提取得到的特征量进行分类识别,得到脑电放松度。
优选地,在根据各个脑电波的频率范围,对接收的待处理脑电序列信号进行卡尔曼滤波,提取得到对应于各个脑电波的第一信号之前,还包括:
对接收的原始脑电序列信号进行降采样;
基于加权移动平均算法对降采样后的原始脑电序列信号的各个时刻的脑电信号进行计算,得到去除低频直流信息后的待处理脑电序列信号。
优选地,在根据各个脑电波的频率范围,对接收的待处理脑电序列信号进行卡尔曼滤波,提取得到对应于各个脑电波的第一信号之前,还包括:
以待处理脑电序列信号为原始信号,以与所述待处理脑电序列信号同步采集得到的伪迹序列信号为参考信号,采用经函数链神经网络优化的自适应滤波器对所述原始脑电序列信号进行滤波,得到去除伪迹序列信号后的待处理脑电序列信号。
优选地,所述根据各个脑电波的频率范围,对接收的待处理脑电序列信号进行小波变换,重构得到对应于各个脑电波的第二信号具体包括:
根据香农-奈奎斯特采样原理及所述待处理脑电序列信号的采样频率进行频段分层,计算得到每层的频率范围;
依据所述频段分层中每层的频率范围及每个脑电波的频率范围,确定与每个脑电波对应的小波分解和重构所需的层数;
根据与每个脑电波对应的所述小波分解所需的层数及预先选择的母小波进行信号分解,得到与每个脑电波对应的按频段划分的多层波形;
根据与所述小波重构所需的层数对应的系数及分解得到的与各个脑电波对应的所述多层波形,重构得到对应于各个脑电波的第二信号。
优选地,所述母小波为coif3小波,且所述coif3小波的中心频率-带宽比经小波熵自适应优化。
优选地,所述根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子,计算得到对应于各个脑电波的第三信号具体包括:
当判断一个脑电波的第一权重因子大于预设的基准值且该脑电波的第二权重因子小于所述基准值时,将该脑电波的第三信号设置为该脑电波的第一信号;
当判断所述脑电波的第二权重因子小于预设的基准值且所述脑电波的第二权重因子大于所述基准值时,将该脑电波的第三信号设置为该脑电波的第二信号;
当判断所述脑电波的第一权重因子及所述第二权重因子均大于预设的基准值时,根据所述第一权重因子及所述第二权重因子对所述第一信号和第二信号进行加权求和,计算得到对应于各个脑电波的第三信号。
优选地,在根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子,计算得到对应于各个脑电波的第三信号之前,还包括:
对所述第一权重因子及所述第二权重因子进行归一化处理,使得归一化后的所述第一权重因子及所述第二权重因子的和为1。
优选地,所述基于所述各个脑电波进行特征提取,并根据提取得到的特征量进行分类识别,得到当前的脑电放松度,具体包括:
利用最小二乘法计算得到每个脑电波的能量函数的斜率参数;其中,所述脑电波的能量函数为p(t)=at+b,a为斜率参数;
根据计算得到的对应于每个脑电波的斜率参数得到每个脑电波的能量变化率;
利用最小二乘法计算得到每个脑电波的能量密度函数的斜率参数c;其中,所述脑电波的能量密度函数为s(t)=ct+d,c为斜率参数;
根据计算得到的对应于每个脑电波的斜率参数得到每个脑电波的能量密度变化率;
根据各个脑电波的能量变化率、能量密度变化率以及待处理脑电序列信号的幅度变化率,得到所述待处理脑电序列信号的特征量;
基于预先训练好的分类器对所述特征量进行分类,识别得到与所述待处理脑电序列信号对应的脑电放松度。
优选地,所述基于预先训练好的分类器对所述特征量进行分类,识别得到与所述待处理脑电序列信号对应的脑电放松度具体包括:
基于由不同学习算法训练得到的至少两个神经网络模型对所述特征量进行分类,得到所述特征量在各个神经网络模型下的分类;
将出现次数最多的分类设置为所述特征量的分类;
根据所述分类与脑电放松度的对应关系,识别得到与所述待处理脑电序列信号对应的脑电放松度。
本发明还提供了一种基于卡尔曼滤波和小波变换的脑电放松度识别装置,包括:
卡尔曼滤波单元,用于对接收的待处理脑电序列信号进行卡尔曼滤波,提取得到对应于各个脑电波的第一信号;
小波变换单元,用于根据各个脑电波的频率范围,对接收的待处理脑电序列信号进行小波变换,重构得到对应于各个脑电波的第二信号;
第一权重因子计算单元,用于基于在卡尔曼滤波过程中生成的各个脑电波的第一信号的卡尔曼残差,计算得到与各个脑电波的第一信号对应的第一权重因子;
第二权重因子计算单元,用于基于重构得到的对应于各个脑电波的第二信号的质量指数,计算得到与各个脑电波的第二信号对应的第二权重因子;
加权单元,用于根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子,计算得到对应于各个脑电波的第三信号;
脑电放松度识别单元,用于对所述各个脑电波的第三信号进行特征提取,并根据提取得到的特征量进行分类识别,得到脑电放松度。
本发明提供的基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置,通过利用卡尔曼滤波技术与小波变换技术相结合的方式处理脑电信号,得到各个脑电波的第一信号及第二信号,并根据与所述第一信号对应的第一权重因子和与所述第二信号对应的第二权重因子得到最终用于特征提取的第三信号,如此,可避免由于单一方式提取时出现偏差过大而导致的提取分离的脑电波不够准确,进而影响了最终脑电放松度识别的精确性的问题。即通过发明实施例提取的各个脑电波,其信号稳定性更高,从而保证了脑电放松度的准确识别,为准确的生物反馈指导提供了数据基础和依据。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于卡尔曼滤波和小波变换的脑电放松度识别方法的流程示意图。
图2是本发明实施例提供的Shannon小波熵与中心频率-带宽比的关系图。
图3是通过切片得到待处理脑电序列信号的示意图。
图4是本发明实施例提供的对对原始脑电序列信号进行加权移动平均计算的原理图。
图5是自适应滤波器的工作原理图。
图6是本发明实施例提供的基于卡尔曼滤波和小波变换的脑电放松度识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例提供了一种基于卡尔曼滤波和小波变换的脑电放松度识别方法,其可包括如下步骤:
S101,根据各个脑电波的频率范围,对接收的待处理脑电序列信号进行卡尔曼滤波,提取得到对应于各个脑电波的第一信号。
在本发明实施例中,一般地,所述待处理脑电序列信号为6秒长度的国际通用切片。
在本发明实施例中,可通过将所述待处理脑电序列信号输入到卡尔曼滤波器中,对所述待处理脑电序列信号进行卡尔曼滤波,所述卡尔曼滤波器的工作过程大致为:
预估过程,利用时间更新方程建立对当前状态的先验估计,及时向前推算当前状态变量和误差协方差估计的值,为下一个时间状态构造先验估计值。
校正过程,利用状态更新方程在预估过程的先验估计值及当前测量变量的基础上建立起对当前状态的改进的后验估计。
所述卡尔曼滤波器的时间更新方程为:
Pk-=APk-1AT+Q (2)
所述卡尔曼滤波器状态更新方程为:
Kk=Pk-HT(HPk-HT+R)-2 (3)
Pk=(1-KkH)Pk- (5)
其中,为第k步之前的状态已知的情况下第k步的先验状态估计值(-代表先验,^代表估计);
A为作用在Xk-1上的n×n状态变换矩阵;
B为作用在控制向量Uk-1上的n×1输入控制矩阵;
H为m×n观测模型矩阵,它把真实状态空间映射成观测空间;
Pk-为n×n先验估计误差协方差矩阵;
Pk为n×n后验估计误差协方差矩阵;
R为n×n过程噪声协方差矩阵;
I为n×n阶单位矩阵;
是指卡尔曼残差;
Kk为n×m阶矩阵,称为卡尔曼增益或混合因数,是卡尔曼残差的增益系数,其作用是使后验估计误差协方差最小。
在本发明实施例中,根据各个脑电波的频率范围进行卡尔曼滤波后,就可以提取得到对应于各个脑电波的第一信号。
在本发明实施例中,所述的各个脑电波包括频率范围Delta波、Theta波、Alpha波、Beta波、Gamma波。其中一般地,Delta波的频率范围为0.5~3Hz,Theta波的频率范围为3~7Hz、Alpha波的频率范围为8~13Hz、Beta波的频率范围为14~17Hz、Gamma波的频率范围为34~50Hz。
其中,Delta波:深度睡眠脑波状态:
当人们的大脑频率处于Delta波时,为深度睡眠、无意识状态。人的睡眠品质好坏与Delta波有非常直接的关系。Delta波睡眠是一种很深沉的睡眠状态,如果在辗转难眠时自己召唤出近似Delta波状态,就能很快地摆脱失眠而进入深沉睡眠。
Theta波:深度放松、无压力的潜意识状态
当人们的大脑频率处于Theta波时,人的意识中断,身体深沉放松,对于外界的信息呈现高度的受暗示状态,即被催眠状态。Theta波对于触发深沉记忆、强化长期记忆等帮助极大,所以Theta波被称为"通往记忆与学习的闸门"。
Alpha波:学习与思考的最佳脑波状态
当人们的大脑频率处于Alpha波时,人的意识清醒,但身体却是放松的,它提供意识与潜意识的“桥梁”。在这种状态下,身心能量耗费最少,相对的脑部获得的能量较高,运作就会更加快速、顺畅、敏锐。Alpha波被认为是人们学习与思考的最佳脑波状态。
Beta波:紧张、压力、脑疲劳时的脑波状态
人们清醒时,大部分时间大脑频率处于Beta波状态。随着Beta波的增加,身体逐渐呈紧张状态,因而削减了体内免疫系统能力,此时人的能量消耗加剧,容易疲倦,若不充分休息,容易堆积压力。适当的Beta波对注意力提升以及认知行为的发展有积极作用。
S102,根据各个脑电波的频率范围,对接收的待处理脑电序列信号进行小波变换,重构得到对应于各个脑电波的第二信号。
具体地,可包括如下步骤:
S1021,根据香农-奈奎斯特采样原理及所述待处理脑电序列信号的采样频率进行频段分层,计算得到每层的频率范围。
S1022,依据所述频段分层中每层的频率范围及每个脑电波的频率范围,确定与每个脑电波对应的小波分解和重构所需的层数。
根据香农-奈奎斯特采样原理,设所述待处理脑电序列信号的采样频率为fs,目标频段为f1-f2(Hz),运用小波变换分解的层数为N,由奈奎斯特定律可知:
f1=(fs/2)/N1 (6)
f2=(fs/2)/N2 (7)
N>N1(N1>N2) (8)
即需要重构的小波的层数为N2~N1层。
在本发明实施例中,假设所述待处理脑电信号的采样频率为100Hz,即fs为100Hz,信号最高频率为50Hz,根据公式(6)、(7)、(8)可知,每一层对应的频段如下:
频段 | 频率范围/Hz | 频段 | 频率范围/Hz |
A1 | 0~25 | D1 | 25~50 |
A2 | 1~12.5 | D2 | 12.5~25 |
A3 | 0~6.25 | D3 | 6.25~12.5 |
A4 | 0~3.125 | D4 | 3.125~6.25 |
A5 | 0~1.625 | D5 | 1.625~3.125 |
A6 | 0~0.8125 | D6 | 0.8125~1.625 |
A7 | 0~0.40625 | D7 | 0.40625~0.8125 |
A8 | 0~0.203125 | D8 | 0.203125~0.40625 |
A9 | 0~0.10156 | D9 | 0.10156~0.203125 |
以Delta波为例,其频段范围为0.5~3Hz。因此,选用第5、6、7层的近似系数(D5/D6/D7)来重构信号。若是Theta波(3~7Hz),则选用第3、4层的近似系数(D3/D4)来重构信号、若是Alpha波(8~13Hz),则选用第2、3层的近似系数(D2/D3)来重构信号,以此类推。
S1023,根据与每个脑电波对应的所述小波分解所需的层数及预先选择的母小波进行信号分解,得到与每个脑电波对应的按频段划分的多层波形。
在本发明实施例中,经验证,coifN小波和dmey小波的提取效果较佳,且优选地,以coif3小波基作为母小波时,具有最佳的提取效果。因而本发明实施例采用coif3小波基作为母小波进行小波分解。当然,可以理解的是,在本发明的其他实施例中,也可选取其他的母小波,如db小波等,本发明不做具体限定。
需要说明的是,当以coif3小波作为母小波时,中心频率和带宽是影响coif3小波时频分辨率关键因素。改变中心频率-带宽比就可以改变coif3小波变换的时频分辨率。当中心频率-带宽比达到最优时,coif3小波变换的时频分辨率最高。
具体地,优化过程如下:
首先,coif3小波的母小波表达式如公式(9)所示。其中,fc表示母波ψ(t)的特征频率,也是中心频率,σt为高斯窗的标准差,通常取值为1,σf为带宽,通常σf=1/2π·σt。分析coif3小波的母小波可知,小波波形振荡衰减的快慢由带宽σf决定,波形的振荡频率由中心频率fc决定。根据公式(9)可以计算coif3小波的频率分辨率(公式10)和时间分辨率(公式11),其中,fs为采样频率,fc为中心频率,σf为带宽,fi为信号分析频率。
接着,利用Shannon熵优化coif3小波变换中心频率-带宽比的核心思想,就是用概率分布序列pi来表示小波系数,然后计算pi的值,表达式如公式12所示。其中,pi是一个概率分布序列,通过小波系数转换得到,具有不确定性。其转换公式如公式8所示,X(fi,t)为小波系数。中心频率-带宽比fc/σf和Shannon小波熵之间的曲线关系,如图2所示。在本发明实施例中,当中心频率-带宽比fc/σf=4.43时,基于Shannon小波熵概率最优理论,可知当Shannon小波熵达到最小值时,coif3小波中心频率-带宽比参数达到最优,对应的基小波就是与特征成分最匹配的小波。
S1024,根据与所述小波重构所需的层数对应的系数及分解得到的与各个脑电波对应的所述多层波形,重构得到对应于各个脑电波的第二信号。
由步骤S1022可知,Delta波进行小波重构所需的层数为第5、6、7层,此时,即可根据与所述小波重构所需的层数对应的小波系数及分解得到的所述多层波形进行信号重构,得到Delta波的第二信号。
在本发明实施例中,只需要根据各个脑电波的频率范围选择相应的层数即可用重构得到各个脑电波的第二信号,本发明在此不做赘述。
S103,基于在卡尔曼滤波过程中生成的各个脑电波的第一信号的卡尔曼残差,计算得到与各个脑电波的第一信号对应的第一权重因子。
在本发明实施例中,可通过对进行归一化获得与各个脑电波的第一信号对应的第一权重因子,其中,为所述卡尔曼残差,Kk为所述卡尔曼残差的增益系数,这两个系数会在卡尔曼滤波过程中生成。
S104,基于重构得到的对应于各个脑电波的第二信号的质量指数,计算得到与各个脑电波的第二信号对应的第二权重因子。
在本发明实施例中,具体的,可通过对各个脑电波的第二信号进行功率谱分析,分析所述第二信号的谱分布,得到与所述第二信号对应的第二权重因子。
当然,也可通过分析所述第二信号的峰值谱或其他谱的分布来计算得到所述第二权重因子,本发明不做具体限定。
S105,根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子,计算得到对应于各个脑电波的第三信号。
在本发明实施例中,可通过加权平均来计算得到当前时刻的各个脑电波的第三信号。
即:
R=μ1*R1+μ2*R2 (14)
其中,R1为任一个脑电波的第一信号,μ1为该脑电波的第一权重因子,R2为该脑电波的第二信号,μ2为其第二权重因子。
需要说明的是,在进行加权平均之前,需先对μ1和μ2进行归一化处理,具体地,假设μ1+μ2=a,则需要分别对μ1和μ2乘以归一化系数1/a进行归一化,保证归一化后的μ1+μ2=1。
S106,对所述各个脑电波的第三信号进行特征提取,并根据提取得到的特征量进行分类识别,得到脑电放松度。
本发明实施例提供的基于卡尔曼滤波和小波变换的脑电放松度识别方法,通过利用卡尔曼滤波技术与小波变换技术相结合的方式处理脑电信号,得到各个脑电波的第一信号及第二信号,并根据与所述第一信号对应的第一权重因子和与所述第二信号对应的第二权重因子得到最终用于特征提取的第三信号,如此,可避免由于单一方式提取时出现偏差过大而导致的提取分离的脑电波不够准确,进而影响了最终脑电放松度识别的精确性的问题。即通过发明实施例提取的各个脑电波,其信号稳定性更高,从而保证了脑电放松度的准确识别,为准确的生物反馈指导提供了数据基础和依据。
优选地,在步骤S101之前,还包括:
S01,对接收的原始脑电序列信号进行降采样。
S02,基于加权移动平均算法对降采样后的原始脑电序列信号的各个时刻的脑电信号进行计算,得到去除低频直流信息后的待处理脑电序列信号。
在本优选实施例中,为了保证提取和滤波的效率和准确性,还可对脑电序列信号进行相应的预处理。
在本优选实施例中,原始脑电序列信号可通过脑电电极采集获得,其中,一般地,脑电电极采集的原始脑电信号的持续时间比较长(如数小时甚至更长),因此进行需要对原始脑电信号进行切片,例如,如图3所示,每个切片的片段为30秒,即每段所述原始脑电序列信号的长度为30秒。
在本优选实施例中,一般地,所述原始脑电序列信号的采样频率为500HZ,为了减少后续的小波分解的计算量,需进行降采样,如将采样至100HZ。
在本优选实施例中,为了去除原始脑电序列信号中的低频直流信息,还可基于加权移动平均算法对降采样后的原始脑电序列信号的各个时刻的脑电信号进行计算,得到所述待处理脑电序列信号。具体地:
首先,基于当前的第j个时刻的脑电信号,获取所述原始脑电序列信号中的位于第(j-(N-1)/2)个时刻至第(j+(N-1)/2)个时刻之间的N个脑电信号的能量;其中,N为预设的影响数,且N为奇数,j为大于(N+1)/2的整数。
例如,假设当前要预测的脑电信号x(j)的时刻为第10个时刻(即j=10),影响数N为5,则对当前要预测的脑电信号有影响的脑电信号为第8个至第12个时刻的脑电信号,即x(8)~x(12)。此时,先获取这5个时刻的脑电信号的能量。
接着,根据预设的权值分布函数为获取的N个脑电信号的能量分配权值;其中,N个脑电信号的能量的权值之和为1。
在本优选实施例中,所述权值分布函数为正态分布函数,如可为:其中,w(i)为第i个时刻的脑电信号的权值,t(i)为第i个时刻的脑电信号的时间,τ表示需要放大的局部信息量。如图4所示,采用这种权值分布,避免了将第j点附近所有点都看成是一样的比重,而是按照距离(时间差)赋予其一个比重,实现局部信息量的放大,减弱了距离太远的信息对当前点的影响。
需要说明的是,在计算得到各个脑电信号的能量的权值后,还需要进行归一化,保证N个脑电信号的能量的权值之和为1。
然后,对所述N个脑电信号的能量根据分配的权值进行加权求和,得到新的第j个时刻的脑电信号的能量。
即:
最后,依次对所述原始脑电序列信号的各个时刻的脑电信号的能量进行加权求和后,根据所有时刻的新的脑电信号的能量,生成待处理脑电序列信号。
在本发明实施例中,进行预处理后,一般地,需要将所述待处理脑电序列信号进行切片,如切成时间长度为6秒的切片。
本优选实施例中,一方面,通过降采样减少了小波变换所需的时间,加快了变换的速度,并减轻了数据处理量;另一方面,对脑电信号进行去低频直流信息,避免了这些低频直流信息与脑电波的频率发生重叠而影响提取的效果。
优选地,在步骤S101之前,还包括:
S03,以待处理脑电序列信号为原始信号,以与所述待处理脑电序列信号同步采集得到的伪迹序列信号为参考信号,采用经函数链神经网络优化的自适应滤波器对所述原始脑电序列信号进行滤波,得到去除伪迹序列信号后的待处理脑电序列信号。
在本优选实施例中,考虑到待处理脑电序列信号中还包含有各种伪迹序列信号,如舌电伪迹,出汗伪迹,眼电伪迹,脉搏伪迹以及肌电伪迹等干扰。其中,以眼电伪迹和肌电伪迹难以去除的问题,这主要是由于其伪迹信号的幅值较高,是脑电信号的几倍甚至几十倍,而且与脑电信号在频域有混叠。
本优选实施例提出一种经函数链神经网络优化的自适应滤波器,滤除待处理脑电信号中的各种伪迹信号。
具体地,首先,构造自适应滤波器,其中自适应滤波器的原理框图如图5所示,其由原始信号(即所述待处理脑电序列信号)和参考信号(与所述待处理脑电序列信号同步采集得到的伪迹序列信号,如舌电伪迹,出汗伪迹,眼电伪迹,脉搏伪迹以及肌电伪迹中的任意一种)两个输入组成。滤波时,参考信号经自适应滤波后,与原始信号进行比较,得到所需脑电序列信号的预估信号(较为纯净的脑电序列信号),其中,滤波器不断地自我重新调整其权值,从而使目标误差达到最小。
其次,将函数链神经网络(Function Link Neural Network,FLNN)应用到自适应滤波器,利用一组正交基函数将原输入矢量进行维数扩展,将线性参数扩展为非线性,来增强自适应滤波器的非线性处理能力。FLNN由函数扩展和单层感知器两部分组成,函数链神经网络的正交基采用切比雪夫正交多项式,如公式15所示。FLNN的基函数T如公式16所示,网络输出如公式17所示,通过FLNN实现了对输入的非线性扩展,更有助于描述脑电信号的非线性特性。
优选地,步骤S105具体包括:
S1051,当判断一个脑电波的第一权重因子大于预设的基准值且该脑电波的第二权重因子小于所述基准值时,将该脑电波的第三信号设置为该脑电波的第一信号;
S1052,当判断所述脑电波的第二权重因子小于预设的基准值且所述脑电波的第二权重因子大于所述基准值时,将该脑电波的第三信号设置为该脑电波的第二信号;
S1053,当判断所述脑电波的第一权重因子及所述第二权重因子均大于预设的基准值时,根据所述第一权重因子及所述第二权重因子对所述第一信号和第二信号进行加权求和,计算得到对应于各个脑电波的第三信号。
本优选实施例中,如果某个权重因子归一化后小于预设的基准值,则说明这个权重因子对应的信号可能信号质量比较差,为了避免影响最终的放松度识别结果,直接去掉这个权重因子对应的信号,而采用另一个信号作为最终输出的信号,这样,可以保证提取分离的脑电波具有较高的准确度,保证最终放松度的准确识别。
优选地,所述步骤S106具体包括:
S1061,利用最小二乘法计算得到每个脑电波的能量函数的斜率参数;其中,所述脑电波的能量函数为p(t)=at+b,a为斜率参数;
S1062,根据计算得到的对应于每个脑电波的斜率参数得到每个脑电波的能量变化率;
S1063,利用最小二乘法计算得到每个脑电波的能量密度函数的斜率参数c;其中,所述脑电波的能量密度函数为s(t)=ct+d,c为斜率参数;
S1064,根据计算得到的对应于每个脑电波的斜率参数得到每个脑电波的能量密度变化率;
S1065,根据各个脑电波的能量变化率、能量密度变化率以及待处理脑电序列信号的幅度变化率,得到所述待处理脑电序列信号的特征量;
S1066,基于预先训练好的分类器对所述特征量进行分类,识别得到与所述待处理脑电序列信号对应的脑电放松度。
例如:假设Delta波的能量P的函数表达为P(t)=at+b。其中a为斜率参数,也就是能量变化率,b为截距,如公式18所示。
p(t)=at+b (18)
首先,要利用最小二乘算法求得函数的参数a,b,就要使残差平方和最小,如公式19所示。
然后,计算求得参数a和b,如公式20~21所示。
最后,输出斜率参数a。
在本优选实施例中,分别计算得到每个脑电波(Delta、Theta、Alpha、Beta、Gamma波)的能量变化率aP1~aP5,再计算待处理脑电序列信号的幅度变化率特征aEEG,最后按照同样的方法计算每个脑电波(Delta、Theta、Alpha、Beta、Gamma波)的能量密度变化率aS1~aS5,就可以得到所述待处理脑电序列信号的特征量。
优选地,所述步骤S1066具体包括:
基于由不同学习算法训练得到的至少两个神经网络模型对所述特征量进行分类,得到所述特征量在各个神经网络模型下的分类。
将出现次数最多的分类设置为所述特征量的分类。
根据所述分类与脑电放松度的对应关系,识别得到与所述待处理脑电序列信号对应的脑电放松度。
在本优选实施例中,所述的至少两个神经网络模型可采用Levenberg-Marquart算法、标准BP算法、增加动量项的BP算法、改进的GA-BP算法进行训练得到,其中,每个算法训练得到一个神经网络模型,即对应一个分类器。
训练时,将提取得到的特征量作为训练神经网络的输入样本X,将神念设备同步采集得到的“放松度”作为金标准,也就是神经网络的输出Y。(X,Y)共同组成神经网络的训练样本对,进行神经网络训练。
在本优选实施例中,利用训练得到的神经网络模型,就可以作为分类器进行脑电放松度识别,识别得到脑电放松度的等级,如可以分别为弱、较弱、中、较强、强五级(即1~5级)。当前也可以分为更其他等级数,如4级,7级等,本发明不做具体限定。
在本优选实施例中,可将特征量输入到各个分类器,每个分类器都将识别得到一个分类,在确定最终分类时,将出现次数最多的分类设置为所述特征量的分类,根据所述分类与脑电放松度的对应关系,识别得到与所述待处理脑电序列信号对应的脑电放松度。
本优选实施例中,通过多个分类器同步识别分类的方法,并将出现最多的分类作为最终的分类,可避免单一分类器不稳定或出现偏差而导致的放松度识别结果不准确,进而影响放松治疗的效果。
请参阅图6,本发明还提供一种基于卡尔曼滤波和小波变换的脑电放松度识别装置100,包括:
卡尔曼滤波单元10,用于根据各个脑电波的频率范围,对接收的待处理脑电序列信号进行卡尔曼滤波,提取得到对应于各个脑电波的第一信号。
小波变换单元20,用于根据各个脑电波的频率范围,对接收的待处理脑电序列信号进行小波变换,重构得到对应于各个脑电波的第二信号;
第一权重因子计算单元30,用于基于在卡尔曼滤波过程中生成的各个脑电波的第一信号的卡尔曼残差,计算得到与各个脑电波的第一信号对应的第一权重因子;
第二权重因子计算单元40,用于基于重构得到的对应于各个脑电波的第二信号的质量指数,计算得到与各个脑电波的第二信号对应的第二权重因子;
加权单元50,用于根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子,计算得到对应于各个脑电波的第三信号;
脑电放松度识别单元60,用于对所述各个脑电波的第三信号进行特征提取,并根据提取得到的特征量进行分类识别,得到脑电放松度。
优选地,还包括:
降采样单元,用于对接收的原始脑电序列信号进行降采样;
加权移动平均计算单元,用于基于加权移动平均算法对降采样后的原始脑电序列信号的各个时刻的脑电信号进行计算,得到去除低频直流信息后的待处理脑电序列信号。
本优选实施例中,一方面,通过降采样单元进行降采样减少了小波变换所需的时间,加快了变换的速度,并减轻了数据处理量;另一方面,通过加权移动平均计算单元对脑电信号进行去低频直流信息,避免了这些低频直流信息与脑电波的频率发生重叠而影响提取的效果。
优选地,还包括:
自适应滤波单元,用于以待处理脑电序列信号为原始信号,以与所述待处理脑电序列信号同步采集得到的伪迹序列信号为参考信号,采用经函数链神经网络优化的自适应滤波器对所述原始脑电序列信号进行滤波,得到去除伪迹序列信号后的待处理脑电序列信号。
优选地,所述小波变换单元20具体包括:
频段分层模块,用于根据香农-奈奎斯特采样原理及所述待处理脑电序列信号的采样频率进行频段分层,计算得到每层的频率范围。
层数确定模块,用于依据所述频段分层中每层的频率范围及每个脑电波的频率范围,确定与每个脑电波对应的小波分解和重构所需的层数。
信号分解模块,用于根据与每个脑电波对应的所述小波分解所需的层数及预先选择的母小波进行信号分解,得到与每个脑电波对应的按频段划分的多层波形;
重构模块,用于根据与所述小波重构所需的层数对应的系数及分解得到的与各个脑电波对应的所述多层波形,重构得到对应于各个脑电波的第二信号。
优选的,所述母小波为coif3小波,且所述coif3小波的中心频率-带宽比经小波熵自适应优化。
优选地,所述加权单元50具体包括:
第一判断模块,用于当判断一个脑电波的第一权重因子大于预设的基准值且该脑电波的第二权重因子小于所述基准值时,将该脑电波的第三信号设置为该脑电波的第一信号;
第二判断模块,用于当判断所述脑电波的第二权重因子小于预设的基准值且所述脑电波的第二权重因子大于所述基准值时,将该脑电波的第三信号设置为该脑电波的第二信号;
第三判断模块,用于当判断所述脑电波的第一权重因子及所述第二权重因子均大于预设的基准值时,根据所述第一权重因子及所述第二权重因子对所述第一信号和第二信号进行加权求和,计算得到对应于各个脑电波的第三信号。
本优选实施例中,如果某个权重因子归一化后小于预设的基准值,则说明这个权重因子对应的信号可能信号质量比较差,为了避免影响最终的放松度识别结果,直接去掉这个权重因子对应的信号,而采用另一个信号作为最终输出的信号,这样,可以保证提取分离的脑电波具有较高的准确度,保证最终放松度的准确识别。
优选地,还包括:
归一化单元,用于对所述第一权重因子及所述第二权重因子进行归一化处理,使得归一化后的所述第一权重因子及所述第二权重因子的和为1。
优选地,所述放松度识别单元60具体包括:
第一特征量提取模块,用于利用最小二乘法计算得到每个脑电波的能量函数的斜率参数,并根据计算得到的对应于每个脑电波的斜率参数得到每个脑电波的能量变化率;其中,所述脑电波的能量函数为p(t)=at+b,a为斜率参数;
第二特征量提取模块,用于利用最小二乘法计算得到每个脑电波的能量密度函数的斜率参数c,并根据计算得到的对应于每个脑电波的斜率参数得到每个脑电波的能量密度变化率;其中,所述脑电波的能量密度函数为s(t)=ct+d,c为斜率参数;
放松度识别模块,用于基于预先训练好的分类器对所述特征量进行分类,识别得到与所述待处理脑电序列信号对应的脑电放松度。
优选地,所述放松度识别模块具体包括:
分类子模块,用于基于由不同学习算法训练得到的至少两个神经网络模型对所述特征量进行分类,得到所述特征量在各个神经网络模型下的分类;
统计子模块,用于将出现次数最多的分类设置为所述特征量的分类;
放松度识别子模块,用于根据所述分类与脑电放松度的对应关系,识别得到与所述待处理脑电序列信号对应的脑电放松度。
本优选实施例中,通过多个分类器同步识别分类的方法,并将出现最多的分类作为最终的分类,可避免单一分类器不稳定或出现偏差而导致的放松度识别结果不准确,进而影响放松治疗的效果。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (10)
1.一种基于卡尔曼滤波和小波变换的脑电放松度识别方法,其特征在于,包括如下步骤:
对接收的待处理脑电序列信号进行卡尔曼滤波,提取得到对应于各个脑电波的第一信号;
根据各个脑电波的频率范围,对接收的待处理脑电序列信号进行小波变换,重构得到对应于各个脑电波的第二信号;
基于在卡尔曼滤波过程中生成的各个脑电波的第一信号的卡尔曼残差,计算得到与各个脑电波的第一信号对应的第一权重因子;
基于重构得到的对应于各个脑电波的第二信号的质量指数,计算得到与各个脑电波的第二信号对应的第二权重因子;
根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子,计算得到对应于各个脑电波的第三信号;
对所述各个脑电波的第三信号进行特征提取,并根据提取得到的特征量进行分类识别,得到脑电放松度。
2.根据权利要求1所述的基于卡尔曼滤波和小波变换的脑电放松度识别方法,其特征在于,在根据各个脑电波的频率范围,对接收的待处理脑电序列信号进行卡尔曼滤波,提取得到对应于各个脑电波的第一信号之前,还包括:
以待处理脑电序列信号为原始信号,以与所述待处理脑电序列信号同步采集得到的伪迹序列信号为参考信号,采用经函数链神经网络优化的自适应滤波器对所述原始脑电序列信号进行滤波,得到去除伪迹序列信号后的待处理脑电序列信号。
3.根据权利要求1所述的基于卡尔曼滤波和小波变换的脑电放松度识别方法,其特征在于,所述根据各个脑电波的频率范围,对接收的待处理脑电序列信号进行小波变换,重构得到对应于各个脑电波的第二信号具体包括:
根据香农-奈奎斯特采样原理及所述待处理脑电序列信号的采样频率进行频段分层,计算得到每层的频率范围;
依据所述频段分层中每层的频率范围及每个脑电波的频率范围,确定与每个脑电波对应的小波分解和重构所需的层数;
根据与每个脑电波对应的所述小波分解所需的层数及预先选择的母小波进行信号分解,得到与每个脑电波对应的按频段划分的多层波形;
根据与所述小波重构所需的层数对应的系数及分解得到的与各个脑电波对应的所述多层波形,重构得到对应于各个脑电波的第二信号。
4.根据权利要求3所述的基于卡尔曼滤波和小波变换的脑电放松度识别方法,其特征在于,所述母小波为coif3小波,且所述coif3小波的中心频率-带宽比经小波熵自适应优化。
5.根据权利要求1所述的基于卡尔曼滤波和小波变换的脑电放松度识别方法,其特征在于,所述根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子,计算得到对应于各个脑电波的第三信号具体包括:
根据所述第一权重因子及所述第二权重因子对所述第一信号和第二信号进行加权求和,计算得到对应于各个脑电波的第三信号。
6.根据权利要求1所述的基于卡尔曼滤波和小波变换的脑电放松度识别方法,其特征在于,所述根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子,计算得到对应于各个脑电波的第三信号具体包括:
当判断一个脑电波的第一权重因子大于预设的基准值且该脑电波的第二权重因子小于所述基准值时,将该脑电波的第三信号设置为该脑电波的第一信号;
当判断所述脑电波的第二权重因子小于预设的基准值且所述脑电波的第二权重因子大于所述基准值时,将该脑电波的第三信号设置为该脑电波的第二信号;
当判断所述脑电波的第一权重因子及所述第二权重因子均大于预设的基准值时,根据所述第一权重因子及所述第二权重因子对所述第一信号和第二信号进行加权求和,计算得到对应于各个脑电波的第三信号。
7.根据权利要求1所述的基于卡尔曼滤波和小波变换的脑电放松度识别方法,其特征在于,在根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子,计算得到对应于各个脑电波的第三信号之前,还包括:
对所述第一权重因子及所述第二权重因子进行归一化处理,使得归一化后的所述第一权重因子及所述第二权重因子的和为1。
8.根据权利要求1所述的基于卡尔曼滤波和小波变换的脑电放松度识别方法,其特征在于,所述基于所述各个脑电波进行特征提取,并根据提取得到的特征量进行分类识别,得到当前的脑电放松度,具体包括:
利用最小二乘法计算得到每个脑电波的能量函数的斜率参数;其中,所述脑电波的能量函数为p(t)=at+b,a为斜率参数;
根据计算得到的对应于每个脑电波的斜率参数得到每个脑电波的能量变化率;
利用最小二乘法计算得到每个脑电波的能量密度函数的斜率参数c;其中,所述脑电波的能量密度函数为s(t)=ct+d,c为斜率参数;
根据计算得到的对应于每个脑电波的斜率参数得到每个脑电波的能量密度变化率;
根据各个脑电波的能量变化率、能量密度变化率以及待处理脑电序列信号的幅度变化率,得到所述待处理脑电序列信号的特征量;
基于预先训练好的分类器对所述特征量进行分类,识别得到与所述待处理脑电序列信号对应的脑电放松度。
9.根据权利要求8所述的基于卡尔曼滤波和小波变换的脑电放松度识别方法,其特征在于,所述基于预先训练好的分类器对所述特征量进行分类,识别得到与所述待处理脑电序列信号对应的脑电放松度具体包括:
基于由不同学习算法训练得到的至少两个神经网络模型对所述特征量进行分类,得到所述特征量在各个神经网络模型下的分类;
将出现次数最多的分类设置为所述特征量的分类;
根据所述分类与脑电放松度的对应关系,识别得到与所述待处理脑电序列信号对应的脑电放松度。
10.一种基于卡尔曼滤波和小波变换的脑电放松度识别装置,其特征在于,包括:
卡尔曼滤波单元,用于对接收的待处理脑电序列信号进行卡尔曼滤波,提取得到对应于各个脑电波的第一信号;
小波变换单元,用于根据各个脑电波的频率范围,对接收的待处理脑电序列信号进行小波变换,重构得到对应于各个脑电波的第二信号;
第一权重因子计算单元,用于基于在卡尔曼滤波过程中生成的各个脑电波的第一信号的卡尔曼残差,计算得到与各个脑电波的第一信号对应的第一权重因子;
第二权重因子计算单元,用于基于重构得到的对应于各个脑电波的第二信号的质量指数,计算得到与各个脑电波的第二信号对应的第二权重因子;
加权单元,用于根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子,计算得到对应于各个脑电波的第三信号;
脑电放松度识别单元,用于对所述各个脑电波的第三信号进行特征提取,并根据提取得到的特征量进行分类识别,得到脑电放松度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611185374.0A CN106805969B (zh) | 2016-12-20 | 2016-12-20 | 基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611185374.0A CN106805969B (zh) | 2016-12-20 | 2016-12-20 | 基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106805969A true CN106805969A (zh) | 2017-06-09 |
CN106805969B CN106805969B (zh) | 2019-12-24 |
Family
ID=59109969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611185374.0A Active CN106805969B (zh) | 2016-12-20 | 2016-12-20 | 基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106805969B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110141211A (zh) * | 2019-06-13 | 2019-08-20 | 西安交通大学 | 一种基于经验模态分解的稳态视觉诱发电位的分类方法 |
EP3533392A1 (en) * | 2018-03-01 | 2019-09-04 | University of Eastern Finland | Electrode patch, system, and method for detecting indicator of parkinson's disease in person |
CN110575166A (zh) * | 2019-09-30 | 2019-12-17 | 北京信息科技大学 | 用于人体脑电信号时频分析的方法及装置 |
CN114098766A (zh) * | 2021-11-04 | 2022-03-01 | 杭州菲诗奥医疗科技有限公司 | 一种eeg信号质量自动检测方法 |
CN117257327A (zh) * | 2023-10-24 | 2023-12-22 | 沈阳工业大学 | 一种脑电信号质量评估方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101449974A (zh) * | 2007-12-05 | 2009-06-10 | 李小俚 | 一种自动实时估计麻醉深度的方法 |
CN101933810A (zh) * | 2010-09-03 | 2011-01-05 | 深圳市纽泰克电子有限公司 | 一种血氧饱和度检测方法及系统 |
CN101940476A (zh) * | 2010-09-03 | 2011-01-12 | 深圳市纽泰克电子有限公司 | 一种血氧饱和度检测方法及系统 |
CN102488516A (zh) * | 2011-12-13 | 2012-06-13 | 湖州康普医疗器械科技有限公司 | 一种非线性脑电信号分析方法以及装置 |
CN106073784A (zh) * | 2016-08-17 | 2016-11-09 | 广州视源电子科技股份有限公司 | 一种呼吸率提取方法及装置 |
CN106108894A (zh) * | 2016-07-18 | 2016-11-16 | 天津大学 | 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法 |
-
2016
- 2016-12-20 CN CN201611185374.0A patent/CN106805969B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101449974A (zh) * | 2007-12-05 | 2009-06-10 | 李小俚 | 一种自动实时估计麻醉深度的方法 |
CN101933810A (zh) * | 2010-09-03 | 2011-01-05 | 深圳市纽泰克电子有限公司 | 一种血氧饱和度检测方法及系统 |
CN101940476A (zh) * | 2010-09-03 | 2011-01-12 | 深圳市纽泰克电子有限公司 | 一种血氧饱和度检测方法及系统 |
CN102488516A (zh) * | 2011-12-13 | 2012-06-13 | 湖州康普医疗器械科技有限公司 | 一种非线性脑电信号分析方法以及装置 |
CN106108894A (zh) * | 2016-07-18 | 2016-11-16 | 天津大学 | 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法 |
CN106073784A (zh) * | 2016-08-17 | 2016-11-09 | 广州视源电子科技股份有限公司 | 一种呼吸率提取方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3533392A1 (en) * | 2018-03-01 | 2019-09-04 | University of Eastern Finland | Electrode patch, system, and method for detecting indicator of parkinson's disease in person |
WO2019166557A1 (en) * | 2018-03-01 | 2019-09-06 | Itä-Suomen Yliopisto | Electrode patch, system, and method for detecting indicator of parkinson's disease in person |
CN110141211A (zh) * | 2019-06-13 | 2019-08-20 | 西安交通大学 | 一种基于经验模态分解的稳态视觉诱发电位的分类方法 |
CN110575166A (zh) * | 2019-09-30 | 2019-12-17 | 北京信息科技大学 | 用于人体脑电信号时频分析的方法及装置 |
CN114098766A (zh) * | 2021-11-04 | 2022-03-01 | 杭州菲诗奥医疗科技有限公司 | 一种eeg信号质量自动检测方法 |
CN114098766B (zh) * | 2021-11-04 | 2024-08-06 | 杭州菲诗奥医疗科技有限公司 | 一种eeg信号质量自动检测方法 |
CN117257327A (zh) * | 2023-10-24 | 2023-12-22 | 沈阳工业大学 | 一种脑电信号质量评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106805969B (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106805969B (zh) | 基于卡尔曼滤波和小波变换的脑电放松度识别方法及装置 | |
CN106963369B (zh) | 一种基于神经网络模型的脑电放松度识别方法及装置 | |
Gupta et al. | A novel signal modeling approach for classification of seizure and seizure-free EEG signals | |
Smital et al. | Adaptive wavelet wiener filtering of ECG signals | |
Hu et al. | Removal of EOG and EMG artifacts from EEG using combination of functional link neural network and adaptive neural fuzzy inference system | |
Güler et al. | Adaptive neuro-fuzzy inference system for classification of EEG signals using wavelet coefficients | |
CN108143409B (zh) | 睡眠阶段分期方法及装置 | |
Ebrahimi et al. | Automatic sleep staging using empirical mode decomposition, discrete wavelet transform, time-domain, and nonlinear dynamics features of heart rate variability signals | |
CN104523268B (zh) | 一种具备迁移学习能力的脑电信号识别模糊系统方法 | |
Kumari et al. | Seizure detection in EEG using time frequency analysis and SVM | |
CN109602417A (zh) | 基于随机森林的睡眠分期方法及系统 | |
CN106923824B (zh) | 基于多空间信号特征的脑电放松度识别方法及装置 | |
Furui et al. | Non-Gaussianity detection of EEG signals based on a multivariate scale mixture model for diagnosis of epileptic seizures | |
CN114757236B (zh) | 基于tqwt与svmd的脑电信号去噪优化方法及系统 | |
CN111543984B (zh) | 一种基于ssda的脑电信号的眼电伪迹去除方法 | |
CN106923825B (zh) | 基于频域及相空间的脑电放松度识别方法及装置 | |
Khan et al. | Wavelet-based multi-class discrimination of EEG for seizure detection | |
Lasefr et al. | An efficient automated technique for epilepsy seizure detection using EEG signals | |
Dhull et al. | EEG Artifact Removal Using Canonical Correlation Analysis and EMD-DFA based Hybrid Denoising Approach | |
CN106974648B (zh) | 基于时域及频域空间的脑电放松度识别方法及装置 | |
Hussain et al. | An intelligent system to classify epileptic and non-epileptic EEG signals | |
CN106682605B (zh) | 一种识别脑电放松度的方法及系统 | |
Sudirman et al. | EEG different frequency sound response identification using neural network and fuzzy techniques | |
CN106580319A (zh) | 一种基于小波变换的脑电放松度识别方法及装置 | |
Abdulwahab et al. | EEG motor-imagery BCI system based on maximum overlap discrete wavelet transform (MODWT) and cubic SVM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |