CN106889986B - 一种基于卡诺模型的脑电信号标定方法 - Google Patents

一种基于卡诺模型的脑电信号标定方法 Download PDF

Info

Publication number
CN106889986B
CN106889986B CN201710134594.9A CN201710134594A CN106889986B CN 106889986 B CN106889986 B CN 106889986B CN 201710134594 A CN201710134594 A CN 201710134594A CN 106889986 B CN106889986 B CN 106889986B
Authority
CN
China
Prior art keywords
eeg
sample
electroencephalogram signal
quality characteristics
model
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.)
Active
Application number
CN201710134594.9A
Other languages
English (en)
Other versions
CN106889986A (zh
Inventor
冯毅雄
李塘
娄山河
高一聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201710134594.9A priority Critical patent/CN106889986B/zh
Publication of CN106889986A publication Critical patent/CN106889986A/zh
Application granted granted Critical
Publication of CN106889986B publication Critical patent/CN106889986B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • A61B5/24—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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • 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诺模型的脑电信号标定方法。在受试者面前呈现具有质量特性的听视觉刺激，在刺激呈现期间连续记录脑电图获得EEG数据，对EEG数据进行分割和滤波，计算每个EEG段的非线性样本熵的数值，利用卡诺模型对质量特性进行分类，并根据质量特性的分类结果对所有EEG段划分目录，采用支持向量机算法，以各个不同目录的样本熵作为算法输入进行训练得到模型，完成脑电信号的标定。本发明能够提取获得脑电信号的样本熵，建立了脑电信号与情感类型的对应关系，有效地解决了脑电信号中的情感识别问题。

Description

一种基于卡诺模型的脑电信号标定方法
技术领域
本发明涉及了一种新的信号标定方法，尤其是涉及了对脑电信号处理问题，提出了一种基于卡诺模型的脑电信号标定方法。
背景技术
情感识别在现代化生产中扮演着相当重要的角色，传统的情感识别方法已经不能满足商业需求，在人工智能，大数据等技术的推动下，情感识别将朝着智能化的方向发展。
针对客户需求分析过程中的情感识别问题，目前使用问卷调查的方式任然很普遍，但是这种根据客户满意度或不满意度的问卷进行分类的方法仍然过于主观，并且没有考虑心理和情绪的不确定性。在客户需求分析的情感识别中引入卡诺模型是近几年来兴起的方法，但是这实质上任然是一种问卷形式，没有实现认知匹配的智能化。而脑电信号在情感识别中应用广泛，各种智能分类与聚类算法也发展迅速。
发明内容
为了解决需求分析过程中的情感的自动识别问题，本发明提供了一种基于卡诺模型的脑电信号标定方法。
本发明采用以下技术方案，包括以下步骤：
步骤1：受试者佩戴电极帽后，在受试者面前呈现具有质量特性的听视觉刺激，在刺激呈现期间连续记录脑电图，获得EEG数据；
步骤2：数据预处理：根据刺激中的质量特性对EEG数据进行分割，用数字滤波器对EEG数据进行滤波；
步骤3：特征提取：计算每个EEG段的非线性样本熵的数值；
步骤4：利用卡诺模型对质量特性进行分类，并根据质量特性的分类结果对所有EEG段划分目录；
步骤5：采用支持向量机(SVM)算法，以各个不同目录的样本熵作为算法输入进行训练得到模型，完成脑电信号的标定。
所述步骤2中根据刺激中的质量特性对EEG数据进行分割具体是指根据质量特性对应的刺激所呈现的时间段对EEG数据进行时间上的分割，分为各个不同时间段的EEG段。
所述步骤3具体为：
3.1)采用以下公式将EEG片段的相邻各个采样点按时间顺序组成时间序列，作为m维幅值向量：
Xm(i)＝[x(i),x(i+1),...,x(i+m-1)],1≤i≤N-m+1
其中，m为模式维数，一般取值为2，N表示所获得的EEG片段的采样点总数，i为采样点的序数，x(i)表示第i个采样点的信号幅值大小，Xm(i)表示第i个采样点下m维的幅值向量；
采用以下公式计算得到Xm(i)和Xm(j)之间的距离d[Xm(i),Xm(j)]：
d[Xm(i),Xm(j)]＝max|x(i+k)-x(j+k)|1≤k≤m-1；1≤i,j≤N-m+1,i≠j
其中，j为采样点的序数，Xm(j)表示第j个采样点下m维的幅值向量；
3.2)对于每个采样点i(1≤i≤N-m)，当满足条件d[Xm(i),Xm(j)]<r时进行计数，r表示容差距离，r>0，并表示为num{d[Xm(i),Xm(j)]]}，1≤j≤N-m,i≠j；
然后采用以下公式计算得到距离的平均数：
Figure GDA0002258707080000022
其中，num{d[Xm(i),Xm(j)]]}表示幅值向量Xm(j)和幅值向量Xm(i)之间的采样点数量，
Figure GDA0002258707080000023
表示第i个采样点下m维的幅值向量之间距离的平均数，Bm(r)表示m维时所有各个采样点对应的幅值向量之间距离的平均数，
3.3)对于维度m+1，重复上述步骤3.1)和3.2)，获得m+1维时所有各个采样点对应的幅值向量之间距离的平均数Bm+1(r)：
Figure GDA0002258707080000024
3.4)采用以下公式计算样本熵：
Figure GDA0002258707080000025
其中，Bm(r)表示m维时所有各个采样点对应的幅值向量之间距离的平均数，Bm+1(r)表示m+1维时所有各个采样点对应的幅值向量之间距离的平均数。
所述步骤4具体为：利用卡诺模型对每一质量特性的好坏进行分类分为不同程度的五类，将同一质量特性且同一种类别的EEG段归为同一目录中，由此将所有EEG段分为不同的目录。
同一目录的样本熵为该目录中的所有EEG段的样本熵的平均值。
所述的数字滤波器采用30Hz的低通数字滤波器。
不同样本熵对应不同的受试者对待刺激的情感状态，通过本发明方法建立的标定模型能够识别出呈现出的情感状态，从而有效地解决了脑电信号中的情感识别问题。
本发明的有益效果是：
本发明将脑电信号分析与卡诺模型相结合，完成对脑电信号的标定，从而建立了脑电信号与情感类型的对应关系，通过标定后的模型来对被测的脑电信号进行识别。
附图说明
图1为本发明方法流程图。
图2为实施例全景电梯内部装饰的魅力质量要素的脑电信号。
图3为实施例全景电梯内部装饰质量特性的分类结果。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明的实施例及其实施工作过程是：
实施例将全景电梯的需求分析作为案例，以内部装饰这一质量特性的魅力质量要素、一维质量要素和必备质量要素三个类别来说明本发明。
步骤1：将实验介绍给每个受试者，提示受试者关注刺激，并且尽可能少地移动。帮助受试者佩戴电极帽，并且眼睛睁开休息三分钟后开始实验。在每个受试者面前呈现具有不同质量特性的图片，在刺激呈现期间连续记录脑电图，获得EEG数据。全景电梯的质量特性如下，有些图片是呈现的具有良好的内部装饰的全景电梯，有些图片是呈现的不具有良好的内部装饰的全景电梯。
表1全景电梯的质量特性
振动性能 内部装饰
加速性能 有效空间
安全性能 报警装置
能源消耗 价格
可维护性 娱乐功能
故障率 辅助功能
产品生命周期 承载能力
步骤2：数据预处理：实施例先在刺激存在之前200ms和之后800ms处分段。根据质量特性对应的刺激所呈现的时间段对EEG数据进行时间上的分割，分为各个不同时间段的EEG段，并且用30Hz的低通数字滤波器对EEG数据进行滤波；如图2所示。
步骤3：特征提取：计算每个EEG段的非线性样本熵的数值；例如对于魅力质量要素的各个电极获取信号的样本熵的数值如表2所示。
表2各个电极信号的样本熵
Figure GDA0002258707080000041
步骤4：利用卡诺模型对质量特性进行分类，并根据质量特性的分类结果对所有EEG段划分目录；
具体是利用卡诺模型对每一质量特性的好坏进行分类分为不同程度的五类，将同一质量特性且同一种类别的EEG段归为同一目录中，由此将所有EEG段分为不同的目录。
步骤5：采用支持向量机(SVM)算法，以各个不同目录的样本熵作为算法输入进行训练得到模型，完成脑电信号的标定。
同一目录的样本熵为该目录中的所有EEG段的样本熵的平均值。
具体实施的数字滤波器采用30Hz的低通数字滤波器。
在本例中，来自14名受试者(10名男性和4名女性，平均年龄＝23.5)参与了本研究。大多数科目是机械工程专业的研究生或本科生。他们都是右撇子，没有任何神经或精神疾病的病史。
采用本发明的方法进行电梯需求分析中的脑电信号标定后，使用标定后的模型对各种脑电信号所属的分类类型进行自动识别，得到的平均分类准确率为73.8％。
内部装饰质量特性的分类结果如图3所示。因为EEG信号由质量特性的不同类别所诱发，所以实现了对质量特性的有效分类。
由此可见，本发明将脑电信号结合卡诺模型运用于脑电信号分析中，利用卡诺模型完成脑电信号的标定，从而建立脑电信号与情感类型之间的对应关系。

Claims (4)

1.一种基于卡诺模型的脑电信号标定方法，其特征在于包括以下步骤：
步骤1：受试者佩戴电极帽后，在受试者面前呈现具有质量特性的听视觉刺激，在刺激呈现期间连续记录脑电图，获得EEG数据；
步骤2：数据预处理：根据刺激中的质量特性对EEG数据进行分割，用数字滤波器对EEG数据进行滤波；
所述步骤2中根据刺激中的质量特性对EEG数据进行分割具体是指根据质量特性对应的刺激所呈现的时间段对EEG数据进行时间上的分割，分为各个不同时间段的EEG段；
步骤3：特征提取：计算每个EEG段的非线性样本熵的数值；
步骤4：利用卡诺模型对质量特性进行分类，并根据质量特性的分类结果对所有EEG段划分目录；
所述步骤4具体为：利用卡诺模型对每一质量特性的好坏进行分类分为不同程度的五类，将同一质量特性且同一种类别的EEG段归为同一目录中，由此将所有EEG段分为不同的目录；
步骤5：采用支持向量机(SVM)算法，以各个不同目录的样本熵作为算法输入进行训练得到模型，完成脑电信号的标定。
2.根据权利要求1所述的一种基于卡诺模型的脑电信号标定方法，其特征在于：同一目录的样本熵为该目录中的所有EEG段的样本熵的平均值。
3.根据权利要求1所述的一种基于卡诺模型的脑电信号标定方法，其特征在于：所述的数字滤波器采用30Hz的低通数字滤波器。
4.根据权利要求1所述的一种基于卡诺模型的脑电信号标定方法，其特征在于：所述步骤3具体为：
3.1)采用以下公式将EEG片段的相邻各个采样点按时间顺序组成时间序列，作为m维幅值向量：
Xm(i)＝[x(i),x(i+1),...,x(i+m-1)],1≤i≤N-m+1
其中，m为模式维数，一般取值为2，N表示所获得的EEG片段的采样点总数，i为采样点的序数，x(i)表示第i个采样点的信号幅值大小，Xm(i)表示第i个采样点下m维的幅值向量；
采用以下公式计算得到Xm(i)和Xm(j)之间的距离d[Xm(i),Xm(j)]：
d[Xm(i),Xm(j)]＝max|x(i+k)-x(j+k)|1≤k≤m-1；1≤i,j≤N-m+1,i≠j
其中，j为采样点的序数，Xm(j)表示第j个采样点下m维的幅值向量；
3.2)对于每个采样点i(1≤i≤N-m)，当满足条件d[Xm(i),Xm(j)]<r时进行计数，r表示容差距离，r>0，并表示为num{d[Xm(i),Xm(j)]}，1≤j≤N-m,i≠j；
然后采用以下公式计算得到距离的平均数：
Figure FDA0002258707070000022
其中，num{d[Xm(i),Xm(j)]}表示幅值向量Xm(j)和幅值向量Xm(i)之间的采样点数量，表示第i个采样点下m维的幅值向量之间距离的平均数，Bm(r)表示m维时所有各个采样点对应的幅值向量之间距离的平均数，
3.3)对于维度m+1，重复上述步骤3.1)和3.2)，获得m+1维时所有各个采样点对应的幅值向量之间距离的平均数Bm+1(r)：
Figure FDA0002258707070000024
3.4)采用以下公式计算样本熵：
其中，Bm(r)表示m维时所有各个采样点对应的幅值向量之间距离的平均数，Bm+1(r)表示m+1维时所有各个采样点对应的幅值向量之间距离的平均数。
CN201710134594.9A 2017-03-08 2017-03-08 一种基于卡诺模型的脑电信号标定方法 Active CN106889986B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710134594.9A CN106889986B (zh) 2017-03-08 2017-03-08 一种基于卡诺模型的脑电信号标定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710134594.9A CN106889986B (zh) 2017-03-08 2017-03-08 一种基于卡诺模型的脑电信号标定方法

Publications (2)

Publication Number Publication Date
CN106889986A CN106889986A (zh) 2017-06-27
CN106889986B true CN106889986B (zh) 2020-01-10

Family

ID=59185311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710134594.9A Active CN106889986B (zh) 2017-03-08 2017-03-08 一种基于卡诺模型的脑电信号标定方法

Country Status (1)

Country Link
CN (1) CN106889986B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830865B (zh) * 2018-05-08 2021-06-15 南京伟思医疗科技股份有限公司 一种用于动态脑电图像的稳定上下边界的确定方法
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102499677A (zh) * 2011-12-16 2012-06-20 天津大学 基于脑电非线性特征的情绪状态识别方法
CN103767702A (zh) * 2014-01-16 2014-05-07 天津大学 一种脑电非线性双测度特征提取与融合处理方法
CN105563495A (zh) * 2016-02-01 2016-05-11 浙江大学 基于精细化运动想象脑电信号控制的机械手系统及方法
CN105852885A (zh) * 2016-03-23 2016-08-17 陕西师范大学 基于改进超限学习机的n400诱发电位测谎方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140115153A (ko) * 2013-03-20 2014-09-30 광주과학기술원 관객 반응 분석 장치 및 방법과 이를 이용한 관객 반응 분석 시스템
US20150105837A1 (en) * 2013-10-16 2015-04-16 Neurometrics, S.L. Brain therapy system and method using noninvasive brain stimulation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102499677A (zh) * 2011-12-16 2012-06-20 天津大学 基于脑电非线性特征的情绪状态识别方法
CN103767702A (zh) * 2014-01-16 2014-05-07 天津大学 一种脑电非线性双测度特征提取与融合处理方法
CN105563495A (zh) * 2016-02-01 2016-05-11 浙江大学 基于精细化运动想象脑电信号控制的机械手系统及方法
CN105852885A (zh) * 2016-03-23 2016-08-17 陕西师范大学 基于改进超限学习机的n400诱发电位测谎方法

Also Published As

Publication number Publication date
CN106889986A (zh) 2017-06-27

Similar Documents

Publication Publication Date Title
Khare et al. PDCNNet: An automatic framework for the detection of Parkinson’s disease using EEG signals
CN108446635B (zh) 一种利用脑电信号辅助偏好获取协同过滤推荐系统及方法
CN111709267B (zh) 深度卷积神经网络的脑电信号情感识别方法
CN108959895B (zh) 一种基于卷积神经网络的脑电信号eeg身份识别方法
CN111329474A (zh) 基于深度学习的脑电身份识别方法、系统及信息更新方法
CN101828921A (zh) 基于视觉诱发脑电vep的身份识别方法
CN104871160A (zh) 用于感觉和认知剖析的系统和方法
Pampouchidou et al. Designing a framework for assisting depression severity assessment from facial image analysis
CN103767702A (zh) 一种脑电非线性双测度特征提取与融合处理方法
CN106889986B (zh) 一种基于卡诺模型的脑电信号标定方法
CN115153463A (zh) 睡眠状态识别模型的训练方法、睡眠状态识别方法和装置
CN114081439A (zh) 一种应用前额叶单通道脑电信号对睡眠分期的类脑算法
CN114699093A (zh) 一种基于卷积神经网络和长短期记忆的脑电癫病发作信号检测方法
CN111067513B (zh) 一种特征权重自学习的睡眠质量检测关键脑区判定方法
CN110675953A (zh) 利用人工智能和大数据筛查识别精神病患者的方法
CN110507288A (zh) 基于一维卷积神经网络的视觉诱导晕动症检测方法
Wang et al. EEG-based emotion identification using 1-D deep residual shrinkage network with microstate features
Lian et al. An Ear Wearable Device System for Facial Emotion Recognition Disorders
CN107016345A (zh) 一种应用于产品概念设计的需求模型构建方法
Azab et al. Robust common spatial patterns estimation using dynamic time warping to improve bci systems
Joshi et al. Human Emotion Classification based on EEG Signals Using Recurrent Neural Network And KNN
Radhika et al. Stress detection using CNN fusion
Krishna et al. A novel approach for effective emotion recognition using double truncated Gaussian mixture model and EEG
CN115690528A (zh) 跨主体场景的脑电信号美学评估处理方法、装置、介质及终端
Kim et al. A study on user recognition using 2D ECG image based on ensemble networks for intelligent vehicles

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant