CN108236464A - 基于脑电信号的特征提取方法及其检测提取系统 - Google Patents
基于脑电信号的特征提取方法及其检测提取系统 Download PDFInfo
- Publication number
- CN108236464A CN108236464A CN201711485106.5A CN201711485106A CN108236464A CN 108236464 A CN108236464 A CN 108236464A CN 201711485106 A CN201711485106 A CN 201711485106A CN 108236464 A CN108236464 A CN 108236464A
- Authority
- CN
- China
- Prior art keywords
- eeg signals
- user
- feature
- classification
- module
- 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
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]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/38—Acoustic or auditory stimuli
-
- 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
- A61B5/168—Evaluating attention deficit, hyperactivity
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Child & Adolescent Psychology (AREA)
- Evolutionary Biology (AREA)
- Hospice & Palliative Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Social Psychology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明申请属于于脑电的辅助听觉注意领域,旨在实现人对听觉对象的正确追踪功能,公开了一种基于脑电信号的检测提取系统,包括听觉刺激模块,用于诱导用户产生脑电;脑电信号采集模块,利用接触用户头表的电极,采集用户的脑电信号,并对脑电信号进行预处理;特征提取和训练模块,对预处理后的脑电信号进行特征提取,训练出模型;听觉追踪分类模块,将脑电特征的分类结果转化为分类值,根据分类值计算正确率,用于对注意力进行打分,特征提取和训练模块采用的特征提取方法,结合节律和信息熵的特点,能有效抑制噪声,使得到的脑电信号更准确。
Description
技术领域
本发明基于脑电的辅助听觉注意领域,具体涉及一种基于脑电信号的注意力训练系统及其使用的特征提取方法。
背景技术
众所周知,提高注意力是提高学习效率的一种有效方法,有人甚至认为,注意力就是学习力。目前,针对听觉注意力方面的训练,已经诞生了许多趣味游戏,如“你听到了什么”,“看谁听得准”等等。然而这些游戏多是针对小孩子,而且往往需要多人参与,这明显会对训练的时间和外界条件有所限制,从而导致不易开展。另外,对于有运动障碍的人来说,由于自身的运动机能的限制,这些传统训练方式并不适合他们。随着脑机接口技术产生,使上述现状有了显著的改善,有效增强了有运动障碍的患者与外部环境的交流和控制,同时也突破了注意力训练中对时间和外界条件的限制。
脑机接口技术,是在人脑与电子设备之间建立连接的一种新兴技术,它直接通过脑来表达想法,减弱了语言和动作在设备操纵中的作用。而对于脑机接口技术而言,脑电信号特征的选择是一个极其重要的环节,目前在脑机接口领域中,一种较为常见技术的有基于SSVEP的脑机接口系统,中国专利CN201710237197.4公开了一种基于高速SSVEP智能轮椅的控制器系统及其控制方法,通过脑电信号的采集和处理,以达到控制电动轮椅的运动,然而该方法需要用户注视特定频率的闪烁,容易导致用户视觉疲劳,并不利于注意力的训练。而在脑机接口技术在人类的感官方面的研究,中国专利CN102541261B公开了一种基于脑电信号特征的影片剪辑筛选辅助仪及实现方法,主要包括脑电信号采集装置、脑电信号处理装置、脑电信号分析装置和输出响应装置,该发明可用于影片制作过程中进行影片剪辑,也可用于对影片内容分级和影片筛选;同时,该专利通过采集观看视频时人的脑电信号来评价影片内容,以克服主观经验的影响,使评价结果更客观。然而该专利虽然可以用于采集和分析观看者各个感官区域的脑电信号,但是只能反映观看者的真实感受,却不具备注意力训练以及听觉追踪分类功能,不能用于提高注意力,从而实现提供学习效率的效果。
发明内容
本发明的目的在于提供一种基于脑电信号的注意力训练系统及其使用的特征提取方法,通过采集到的脑电听觉信号以进行注意力训练,实现人们对听觉对象是否正确追踪的分类功能,进而达到提高人们的注意力的目的,该系统还能有效排除用户猜对或操作错误的干扰,误差小,使得对人们注意力的测试更精确,且该专利的设计具有人性化,训练方式多样。
为达到上述目的,本发明的基础方案如下:
基于脑电信号的检测提取系统,包括:
听觉刺激模块,以相同频率,同时产生多个声音,用于诱导用户产生脑电,同时用户进行按键操作;
脑电信号采集模块,利用接触用户头表的电极,采集用户因听觉诱导产生的脑电信号,并对所述脑电信号进行预处理,预处理中需要根据用户的按键操作情况来确定部分脑电信号的分类,然后将预处理后的脑电信号传送到特征提取和训练模块中;
特征提取模块和训练模块,对经脑电信号采集模块预处理后的脑电听觉信号进行特征提取,并根据已经确定好分类的脑电信号对应的特征来训练出能识别分类的分类模型,分类模型再识别未确定好分类的脑电信号的特征,进行自动分类;
听觉追踪分类模块,将上述分类的结果对应转化为分类值,根据分类值计算出正确率,用于对注意力进行打分。
优选方案一:作为基础方案的优选方案,所述训练的对象的选择以用户正确听觉追踪为正样本、用户错误听觉追踪为负样本,从而所述分类命令也分为正确追踪和错误追踪,能直观的表示追踪结果。优选方案二:作为优选方案一的优选方案,所述听觉刺激模块包含若干听觉类型,且用户能联网下载,用户可根据自己的喜好自行设定听觉刺激。
优选方案三:作为优选方案二的优选方案,所述脑电信号采集模块的预处理为放大脑电信号,然后滤波处理,以防止信号干扰,使得采集到的脑电信号更精确。
优选方案四:作为基础方案或优选方案二的优选方案,所述训练模块包含三种模式,分别为单用户训练模式、直接分类模式和单用户重启模式,为用户提供多种选择,以适应用户的不同需求。
优选方案五:作为优先方案四的优选方案,所述训练模块可以人为关闭或打开。
基于脑电信号的注意力训练系统中采用的特征提取方法,包含如下步骤:
S1:在所述脑电采集模块中,对用户因听觉诱发产生的脑电信号先进行节律提取;
S2:将S1提取的所述节律经过逆运算得到脑电听觉信号;
S3:将经过S2得的脑电听觉信号进行能量计算;
S4:对S3中计算出的能量量化求信息熵;
S5:对S4中得到的信息熵提取特征偶极子,得到特征向量;
在听觉刺激模块中,用户根据自己的喜好,选择被听的声音对象;用户在听的过程中,还需要根据被听对象的提示按相应的按键,所述按键表示不同的声音对象,在用户听的过程中,利用脑电信号采集模块记录用户因听觉诱导产生的脑电信号,所述脑电信号被送入特征提取和训练模块;在特征提取和训练模块中,系统对用户在听觉刺激模块中的实际按键和理论上该按的键做比对,如果用户按的键和系统中预设的保持一致,那么这段数据就为用户正确听觉追踪的脑电数据,就为训练的正样本。反之,如果用户没有听到,则不按键或者错误按键,那么这段数据就为用户错误听觉追踪的脑电数据,就为训练的负样本,然后利用正样本和负样本训练出训练模型;在听觉追踪分类模块中,将脑电听觉信号的分类结果转化为分类值,将用户正确追踪和错误追踪标识出来,计算出正确追踪率,根据正确追踪率对注意力进行打分,来评估用户的注意力状态。
进一步,所述训练模块包含三种模式,分别为单用户训练模式、直接分类模式和单用户重启模式。
对于训练模块,提供的三种模式:单用户训练模式,是训练加分类形式,在该模式下用户在分类前进行一段时间的模型训练,它的正确率较高,但训练时间也较长;直接分类模式,适合体验者使用,在这种模式下,训练器中已经默认整合了许多人的训练模型,用户直接以训练好的模型来进行预测和分类,这种方式不需要训练,但由于个体差异,正确率会相对较低;单用户重启模式,针对长期使用的用户,这些用户前期的训练部分已经被系统记录下来,只需选择以前保存好的训练模型来进行预测和分类,这种模式已不需要再次训练,正确率也高。
基于脑电信号的特征提取方法,包含如下步骤:
S1:在所述脑电采集模块中,对用户因听觉诱发产生的脑电信号先进行节律提取;
S2:将S1提取的所述节律经过逆运算得到脑电听觉信号;
S3:将经过S2得到的脑电听觉信号进行能量计算;
S4:对S3中计算出的能量量化求信息熵;
S5:对S4中得到的信息熵提取特征偶极子,得到特征向量。
本发明的优势在于提出了一种基于脑电信号的特征提取方法,在头表记录的脑电信号由于受容积导体效应和参考电极的影响,往往伴随着较大的误差,基于逆运算的脑电皮层信号能够在克服上述缺点。另外,信息熵是度量信号复杂度的一种方式,而脑电节律的变化在一定程度上可以反映大脑的生理变化,本发明也很好地结合了节律和信息熵的特点,以脑电节律为量化值,求得的信息熵作为分类特征向量,因为对于排除用户猜对或操作错误的干扰,针对脑电信号而言的,因为用户在猜或者操作错误的时候,心理活动理论上是不一样的,脑电信号的复杂度就会升高,这可以通过熵来体现。所以本发明可以在一定程度上排除用户猜对或操作错误的干扰,使得对用户注意力的测量更准确。
附图说明
图1是本发明基于脑电皮层信号的听觉注意训练系统的结构示意图;
图2是脑电信号采集模块的脑电电极位置示意图;
图3是提取的脑电信号三种节律图;
图4是本发明基于脑电皮层信号的听觉注意训练系统的流程框图。
具体实施方式
下面通过具体实施方式对本发明作进一步详细的说明:
实施例1
基于脑电信号的注意力训练系统及其使用的特征提取方法,包括听觉刺激模块、脑电信号采集模块、特征提取和训练模块和听觉追踪分类模块,如图1所示。
听觉刺激模块选用听觉刺激器,以诱导用户产生脑电信号,所述听觉刺激器可以选用市面常用音频播放器(手机、MP3、MP4等均可)。
听觉刺激器发出简单的多种混合声音对象,如‘老虎准备选红色’,‘壁虎准备选绿色’,‘老虎准备选绿色’,‘壁虎准备选红色’等,红色和绿色分别对应按键1和2,用户根据自己的喜好设定好目标,如‘老虎’,假设听到老虎说红色,则按键1,若听到老虎选绿色,则按键2,不要听壁虎选择的颜色。系统中的听觉刺激器以6s(其中2s左右的时间为听觉刺激的持续时间,4s作为用户反应的时间)的时间间隔出现,声音对象的呈现顺序为随机。上述按键操作由按键器实现,所述按键器作为系统的输入设备。
为了增加难度,对象选择的目标颜色可以增加。
脑电采集模块包含脑电信号采集器、放大器和低通滤波器,本实施例选用SynAmps2(优选SynAmps2-Neuvo长程脑电监护系统),包括采集、放大与滤波功能。
脑电信号采集器用于采集用户的脑电信号。为了反映整个大脑信息的空间分布,在本实施例中选用国际标准10-20系统的头表电极位置(Fp1,Fp2,F7,F3,Fz,F4,F8,T7,C3,Cz,C4,T8,P7,P3,Pz,P4,P8,O1和O2)的脑电信号被用来作为放大器的输入信号,电极分布见图2所示,头表电极和头皮的阻抗的设置低于5k欧,放大器增益在3000以上,均为常规设置,在低通滤波器中模拟低通滤波100Hz。选用100Hz的低通滤波是为了保证取得所有的脑电信号,因为脑电信号的频率范围在0.5~100HZ。
整个脑电采集模块实现记录用户的脑电信号,将该脑电信号经放大、低通滤波处理后,送入特征提取和训练模块中。
在特征提取和训练模块特征中,经过放大、低通滤波处理后的脑电信号被送入计算机,进行脑电信号的特征提取,本系统使用的特征提取方法分为以下三个信号处理步骤:1.脑电预处理;2.脑电特征提取;3.脑电正负样本训练。
1.脑电预处理
脑电预处理包括脑电分段,基线校正,剔除伪迹,数字滤波。
ERP是基于事件(刺激)的诱发脑电,所以不同刺激诱发的ERP应该分别处理。在听觉认知实验中,多种类型的刺激会重复呈现,而把同种刺激诱发的脑电数据提取出来的过程叫做事件提取。脑电分段是因为我们采集脑电数据的时候是连续采集的,包含着大量的刺激,也就是声音,脑电分段的作用就是根据刺激将样本提出来;连续的脑电数据就会根据刺激事件为标准划分为若干段等长数据。以实验刺激出现的起始点为0时刻点,根据实验出现的事件对应的事件码,将脑电数据划分成许多个数据段;在本发明的脑电分段中,以声音刺激出现的时间点为零点,前200ms到后3s的时间段为一个脑电信号的分析时间窗(即上述数据段,这样的分析时间窗有助于降噪,提高准确性),从而标记上分类样本与训练样本;
用户正确按键的脑电数据为正样本,没有按键或错误按键的脑电数据为负样本;
操作人员需要根据(例如直接肉眼观察)用户操作正确时的发生时间点以及用户错误操作时的时间点,从而在所有样本中确定至少一个正样本与一个负样本,在脑电分段的过程中进行标记;此处已经被标记为正样本与负样本的,即为分类样本,其余非确定的样本为训练样本。
关于分类样本,也可以采用预先设定的方式,即事先专门来一场检测正样本与负样本的操作,这样所有样本均是可确定的正样本与负样本;以后操作时,检测的都将是训练样本。
脑电分段之后,以刺激前200ms作为基线,用刺激后3s的脑电信号减去前200毫秒的脑电信号的平均值,就是基线校正。
脑电信号容易受噪声的干扰,特别是眨眼,由于眨眼带来的伪迹在脑电信号中非常明显,它的电压远大于脑电正常电压。目前对于眨眼而带来的伪迹干扰一般采用的方法都是直接将分段后的那一段受眼电干扰的数据不要。
剔除眼电伪迹之后,对数据进行数字滤波,这是为了剔除一般噪声的干扰。
在脑电分段中,提取训练样本和分类样本;然后对所有提取后的样本进行基线校正,以消除部分由于自发脑电活动导致的脑电噪声。基线校正是用后3s的脑电信号减去前200毫秒的脑电信号的平均值;接着进行伪迹剔除,为了保证系统的实时性,本发明直接将幅值阈值超过正负60uv的脑电段剔除,不参与训练和分类,伪迹剔除是为了避免脑电信号受眼电等伪迹的干扰;最后是数字滤波阶段,选用带通滤波0.1~30HZ消除其他如脑电采集过程中带来的噪声。
2.脑电特征提取
听觉认知控制过程包括3个阶段的时域特征,听觉刺激完后110~140ms为感知阶段,260ms~320ms为识别阶段,识别阶段的时间段为500~700ms。所以本发明以听觉刺激结束后0.7s时间段的脑电信号来进行特征提取,使得分析的脑电信号包含了听觉认知控制过程的全部阶段。
步骤1:提取用户因听觉诱导产生的脑电信号节律,利用MATLAB仿真实现,具体用到的节律提取算法为Morlet小波分析。
脑电特征信号提取的第一步是通过Morlet小波变换提取用户因听觉诱导产生的脑电信号的三种节律,如图3所示,这三种节律分为theta节律(4~8HZ),alpha节律(8~13HZ)和beta节律(13~30HZ),因为在接下来的脑电逆运算需要高的信噪比,首先提取节律有利于抑制噪声。
步骤2:脑电逆运算得到脑电皮层信号
对三种节律的脑电信号进行逆运算,得到脑电皮层信号。脑电逆问题可以表示为:
S=L*X
上式X表示头表采集的脑电电位,可以表示成m*n的矩阵,m是头表的电极数19,n是分析脑电的时间点数。L是一个m*k的传递矩阵,其中k是与逆运算中头模型有关的偶极子源个数。S是要求解的源波。在本发明中,头模型采用标准的真实头模型,包括15002个偶极子,传递矩阵L通过边界元理论得到。在脑电逆运算中,另一个关键问题是寻找最优解,本系统中最优解的选择采用加权最小模解算法:
其中C和R分别是信号的噪声协方差和信号协方差。
步骤3:皮层信号能量计算
经过步骤2得到三种节律的皮层信号后,三种节律的能量被计算,能量计算公式如下:
Pow=∑t(S(t))2
S表示脑电皮层信号,t是信号的样本点。
步骤4:信息熵计算
经步骤3计算得到的三种节律能量在总能量中的概率可以表示为:
其中i=1,2,3分别表示theta节律,alpha节律和beta节律。
计算出概率之后,通过下面的式子计算得到脑电皮层信号的信息熵:
En=-∑iPilog2(Pi)
步骤5:r2分析提取特征偶极子
r2分析方法是脑机接口中常用的一种可分性依据,本发明用这个方法来提取特征偶极子,它的计算公式如下:
其中X+1表示正性样本的特征,X-1表示负性样本的特征,r2越大,表示特征能够与任务种类更好地匹配。在本发明中,特征偶极子选用最大r2值的0.6倍为阈值,大于阈值的偶极子的信息熵(在步骤4中求得)被选择作为特征向量,这里的阈值参数为实验验证的较好的数值,有助于提高用户的关注度。
步骤5提取特征偶极子还可以采用双样本t检验,但是有的时候双样本t检验过于严格,可能导致得不到提取结果,所以优选r2分析方法。
3.脑电正负样本训练
脑电听觉信号的分类采用支持向量机(Support Vector Machine,SVM),将分类样本的特征向量放入支持向量机中进行分类模型的训练,从而得到训练模型,用于实现对其他样本的分类识别。
对于单用户来说,在我们的发明中,一般特征数大于样本数,可使用Liblinear第三方工具包,能解决较大规模的模型训练,处理更高效。
4.听觉追踪分类
听觉追踪分类模块以训练出来的SVM模型来评估用户的训练样本,并统计训练及分类样本,即用记是否正确听到目标对象,实现听觉追踪分类功能,该听觉追踪分类器为本系统的终端。
在听觉追踪分类器中,所有样本在特征提取和训练模块中对应的特征向量被转化为+1、-1的分类指令,其中输出+1为用户正确追踪,输出-1为用户错误追踪,将用户正确追踪和错误追踪的结果个数分别统计出来,并计算出正确率,根据正确率进行注意力的打分。
本发明基于脑电信号的注意力训练系统及其使用的特征提取方法的流程步骤如图4所示。本实施例随机邀请9位年龄在20~23岁之间的测试者使用上述基于脑电信号的注意力训练系统,利用该系统使用的特征提取方法进行注意力训练,采用单用户训练模式,以“云雀”和“麻雀”为刺激对象,“红,绿,蓝”三种颜色和“2,5”两个数字组成六种目标对象作为听觉刺激,如“云雀选择红2点”。六种目标对象分别对应“U,I,O,J,K,L”六个键。测试者注意听云雀所说的颜色数字组合,并按相应的键。在matlab软件上进行算法仿真计算,通过留一交叉验证验证分类器性能,得到测试结果如下:
表1:
被测者 | S1 | S2 | S3 | S4 | S5 | S6 | S7 | S8 | S9 |
正确率 | 89.3% | 88.6% | 85.7% | 92.3% | 96.9% | 82.1% | 93.3% | 84.6% | 90.0% |
从表1中我们可以看出,用户利用本发明基于脑电信号的注意力训练系统及其使用的特征提取方法来进行注意力训练,得到的正确性均超过85%,正确性高,效果显著,能达到锻炼提高用户注意力的目的。
使用本发明能实现人对听觉对象是否正确追踪进行分类的功能,可以对人们的注意力进行测试打分,从而达到提高人们注意的效果,进而使得人们的学习效率得到一定提高。
实施例2
实施例1中的听觉刺激模块包含若干用于刺激听觉的音频,且能联网下载,给用户提供多种听觉刺激选择。
所述训练模块包含三种模式,分别为单用户训练模式、直接分类模式和单用户重启模式,单用户训练模式,是训练加分类形式,在该模式下用户在分类前进行一段时间的模型训练,它的正确率较高,但训练时间也较长;直接分类模式,适合体验者使用,在这种模式下,训练器中已经默认整合了许多人的训练模型,用户直接以训练好的模型来进行预测和分类,这种方式不需要训练,但由于个体差异,正确率会相对较低;单用户重启模式,针对长期使用的用户,这些用户前期的训练部分已经被系统记录下来,只需选择以前保存好的训练模型来进行预测和分类,这种模式已不需要再次训练,正确率也高,该训练模块可以人为关闭或打开,可以根据用户的不同情况,选择不同的训练模式或关闭训练模式,使得该基于脑电信号的注意力训练系统及其使用的特征提取方法,更加人性化。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.基于脑电信号的检测提取系统,其特征在于,包括:
听觉刺激模块,以相同频率,同时产生多个声音,用于诱导用户产生脑电,同时用户进行按键操作;
脑电信号采集模块,利用接触用户头表的电极,采集用户因听觉诱导产生的脑电信号,并对所述脑电信号进行预处理,预处理中需要根据用户的按键操作情况来确定部分脑电信号的分类,然后将预处理后的脑电信号传送到特征提取和训练模块中;
特征提取模块和训练模块,对经脑电信号采集模块预处理后的脑电听觉信号进行特征提取,并根据已经确定好分类的脑电信号对应的特征来训练出能识别分类的分类模型,分类模型再识别未确定好分类的脑电信号的特征,进行自动分类;
听觉追踪分类模块,将上述分类的结果对应转化为分类值,根据分类值计算出正确率,用于对注意力进行打分。
2.根据权利要求1所述的基于脑电信号的检测提取系统,其特征在于,所述脑电信号的分类以用户正确听觉追踪为正样本、用户错误听觉追踪为负样本,从而所述分类分为正确追踪和错误追踪。
3.根据权利要求2所述的基于脑电信号的检测提取系统,其特征在于,所述听觉刺激模块包含若干听觉音频。
4.根据权利要求3所述的基于脑电信号的检测提取系统,其特征在于,所述脑电信号采集模块的预处理包括放大脑电信号,然后滤波处理。
5.根据权利要求1或4所述的基于脑电信号的检测提取系统,所述训练模块包含三种模式,分别为单用户训练模式、直接分类模式和单用户重启模式。
6.基于脑电信号的特征提取方法,其特征在于,包含如下步骤:
S1:在所述脑电采集模块中,对用户因听觉诱发产生的脑电信号先进行节律提取;
S2:将S1提取的所述节律经过逆运算得到脑电听觉信号;
S3:将经过S2得到的脑电听觉信号进行能量计算;
S4:对S3中计算出的能量量化求信息熵;
S5:对S4中得到的信息熵提取特征偶极子,得到特征向量。
7.根据权利要求6所述的特征提取方法,其特征在于,所述S2中的节律包括theta节律、alpha节律和beta节律。
8.根据权利要求7所述的特征提取方法,其特征在于,在S5中特征偶极子的提取过程中,阈值参数的选择为0.6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711485106.5A CN108236464B (zh) | 2017-12-29 | 2017-12-29 | 基于脑电信号的特征提取方法及其检测提取系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711485106.5A CN108236464B (zh) | 2017-12-29 | 2017-12-29 | 基于脑电信号的特征提取方法及其检测提取系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108236464A true CN108236464A (zh) | 2018-07-03 |
CN108236464B CN108236464B (zh) | 2021-02-23 |
Family
ID=62701149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711485106.5A Active CN108236464B (zh) | 2017-12-29 | 2017-12-29 | 基于脑电信号的特征提取方法及其检测提取系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108236464B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109247917A (zh) * | 2018-11-21 | 2019-01-22 | 广州大学 | 一种空间听觉诱发p300脑电信号识别方法及装置 |
CN109300481A (zh) * | 2018-10-19 | 2019-02-01 | 武汉轻工大学 | 基于信息熵及时间趋势分析的音频关注度计算方法及系统 |
CN109460145A (zh) * | 2018-10-16 | 2019-03-12 | 北京机械设备研究所 | 一种基于脑认识的自动化系统决策快速干预方法 |
CN109758145A (zh) * | 2018-12-15 | 2019-05-17 | 北京交通大学 | 基于脑电信号因果关系的自动睡眠分期方法 |
CN109846477A (zh) * | 2019-01-29 | 2019-06-07 | 北京工业大学 | 一种基于频带注意力残差网络的脑电分类方法 |
CN110537929A (zh) * | 2019-08-23 | 2019-12-06 | 杭州曼安智能科技有限公司 | 一种基于ssvep的注意力测评方法、训练方法以及脑机接口 |
CN110547772A (zh) * | 2019-09-25 | 2019-12-10 | 北京师范大学 | 一种基于脑信号复杂度的个体年龄预测方法 |
CN110572444A (zh) * | 2019-08-21 | 2019-12-13 | 深圳市普威技术有限公司 | 一种用于传递神经信号的系统及方法 |
CN111273767A (zh) * | 2020-01-13 | 2020-06-12 | 重庆邮电大学 | 一种基于深度迁移学习的助听脑机接口系统 |
US20200201435A1 (en) * | 2018-12-20 | 2020-06-25 | Massachusetts Institute Of Technology | End-To-End Deep Neural Network For Auditory Attention Decoding |
CN111951637A (zh) * | 2020-07-19 | 2020-11-17 | 西北工业大学 | 一种任务情景相关联的无人机飞行员视觉注意力分配模式提取方法 |
CN112089415A (zh) * | 2020-10-09 | 2020-12-18 | 哈尔滨理工大学 | 基于小波分析的脑电信号去噪方法 |
CN112162634A (zh) * | 2020-09-24 | 2021-01-01 | 华南理工大学 | 一种基于seeg信号的数字输入脑机接口系统 |
CN113031766A (zh) * | 2021-03-15 | 2021-06-25 | 哈尔滨工业大学 | 一种通过脑电解码汉语发音的方法 |
CN114159077A (zh) * | 2022-02-09 | 2022-03-11 | 浙江强脑科技有限公司 | 基于脑电信号的冥想评分方法、装置、终端及存储介质 |
CN114246594A (zh) * | 2021-12-17 | 2022-03-29 | 天津大学 | 脑电信号处理方法、背景脑电预测模型的训练方法及装置 |
CN114527878A (zh) * | 2022-02-24 | 2022-05-24 | 温州医科大学 | 量化脑机接口控制动机的分析方法 |
CN114733037A (zh) * | 2022-04-25 | 2022-07-12 | 王一峰 | 一种基于theta神经节律的注意偏向训练系统和方法 |
CN114781461A (zh) * | 2022-05-25 | 2022-07-22 | 北京理工大学 | 一种基于听觉脑机接口的目标探测方法与系统 |
CN116172580A (zh) * | 2023-04-20 | 2023-05-30 | 华南理工大学 | 一种适用于多声源场景的听觉注意对象解码方法 |
WO2023116263A1 (zh) * | 2021-12-24 | 2023-06-29 | 南京邮电大学 | 一种基于脑电图的眨眼咬牙判断方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150164413A1 (en) * | 2013-12-13 | 2015-06-18 | National Chung Shan Institute Of Science And Technology | Method of creating anesthetic consciousness index with artificial neural network |
CN107157477A (zh) * | 2017-05-24 | 2017-09-15 | 上海交通大学 | 脑电信号特征识别系统及方法 |
CN107280663A (zh) * | 2017-07-07 | 2017-10-24 | 南京邮电大学 | 一种基于不同实验难度的疲劳脑电特征研究的方法 |
-
2017
- 2017-12-29 CN CN201711485106.5A patent/CN108236464B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150164413A1 (en) * | 2013-12-13 | 2015-06-18 | National Chung Shan Institute Of Science And Technology | Method of creating anesthetic consciousness index with artificial neural network |
CN107157477A (zh) * | 2017-05-24 | 2017-09-15 | 上海交通大学 | 脑电信号特征识别系统及方法 |
CN107280663A (zh) * | 2017-07-07 | 2017-10-24 | 南京邮电大学 | 一种基于不同实验难度的疲劳脑电特征研究的方法 |
Non-Patent Citations (2)
Title |
---|
BO YU等: "AUTOMATIC BRAIN COGNITIVE CONTROL DETECTION METHOD", 《2014 INTERNATIONAL CONFERENCE ON SOFTWARE INTELLIGENCE TECHNOLOGIES AND APPLICATIONS》 * |
于波等: "基于样本空间分布距离的支持向量机", 《智能计算机与应用》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460145A (zh) * | 2018-10-16 | 2019-03-12 | 北京机械设备研究所 | 一种基于脑认识的自动化系统决策快速干预方法 |
CN109460145B (zh) * | 2018-10-16 | 2021-09-07 | 北京机械设备研究所 | 一种基于脑认识的自动化系统决策快速干预方法 |
CN109300481A (zh) * | 2018-10-19 | 2019-02-01 | 武汉轻工大学 | 基于信息熵及时间趋势分析的音频关注度计算方法及系统 |
CN109300481B (zh) * | 2018-10-19 | 2022-01-11 | 武汉轻工大学 | 基于信息熵及时间趋势分析的音频关注度计算方法及系统 |
CN109247917A (zh) * | 2018-11-21 | 2019-01-22 | 广州大学 | 一种空间听觉诱发p300脑电信号识别方法及装置 |
CN109758145A (zh) * | 2018-12-15 | 2019-05-17 | 北京交通大学 | 基于脑电信号因果关系的自动睡眠分期方法 |
US11630513B2 (en) * | 2018-12-20 | 2023-04-18 | Massachusetts Institute Of Technology | End-to-end deep neural network for auditory attention decoding |
US20200201435A1 (en) * | 2018-12-20 | 2020-06-25 | Massachusetts Institute Of Technology | End-To-End Deep Neural Network For Auditory Attention Decoding |
CN109846477A (zh) * | 2019-01-29 | 2019-06-07 | 北京工业大学 | 一种基于频带注意力残差网络的脑电分类方法 |
CN109846477B (zh) * | 2019-01-29 | 2021-08-06 | 北京工业大学 | 一种基于频带注意力残差网络的脑电分类方法 |
CN110572444A (zh) * | 2019-08-21 | 2019-12-13 | 深圳市普威技术有限公司 | 一种用于传递神经信号的系统及方法 |
CN110572444B (zh) * | 2019-08-21 | 2021-11-19 | 深圳市普威技术有限公司 | 一种用于传递神经信号的系统及方法 |
CN110537929B (zh) * | 2019-08-23 | 2022-11-04 | 杭州曼安智能科技有限公司 | 一种基于ssvep的注意力测评方法、训练方法以及脑机接口 |
CN110537929A (zh) * | 2019-08-23 | 2019-12-06 | 杭州曼安智能科技有限公司 | 一种基于ssvep的注意力测评方法、训练方法以及脑机接口 |
CN110547772B (zh) * | 2019-09-25 | 2020-09-15 | 北京师范大学 | 一种基于脑信号复杂度的个体年龄预测方法 |
CN110547772A (zh) * | 2019-09-25 | 2019-12-10 | 北京师范大学 | 一种基于脑信号复杂度的个体年龄预测方法 |
CN111273767A (zh) * | 2020-01-13 | 2020-06-12 | 重庆邮电大学 | 一种基于深度迁移学习的助听脑机接口系统 |
CN111951637B (zh) * | 2020-07-19 | 2022-05-03 | 西北工业大学 | 一种任务情景相关联的无人机飞行员视觉注意力分配模式提取方法 |
CN111951637A (zh) * | 2020-07-19 | 2020-11-17 | 西北工业大学 | 一种任务情景相关联的无人机飞行员视觉注意力分配模式提取方法 |
CN112162634A (zh) * | 2020-09-24 | 2021-01-01 | 华南理工大学 | 一种基于seeg信号的数字输入脑机接口系统 |
CN112089415A (zh) * | 2020-10-09 | 2020-12-18 | 哈尔滨理工大学 | 基于小波分析的脑电信号去噪方法 |
CN113031766B (zh) * | 2021-03-15 | 2022-09-23 | 哈尔滨工业大学 | 一种通过脑电解码汉语发音的方法 |
CN113031766A (zh) * | 2021-03-15 | 2021-06-25 | 哈尔滨工业大学 | 一种通过脑电解码汉语发音的方法 |
CN114246594A (zh) * | 2021-12-17 | 2022-03-29 | 天津大学 | 脑电信号处理方法、背景脑电预测模型的训练方法及装置 |
CN114246594B (zh) * | 2021-12-17 | 2024-04-09 | 天津大学 | 脑电信号处理方法、背景脑电预测模型的训练方法及装置 |
WO2023116263A1 (zh) * | 2021-12-24 | 2023-06-29 | 南京邮电大学 | 一种基于脑电图的眨眼咬牙判断方法及系统 |
CN114159077A (zh) * | 2022-02-09 | 2022-03-11 | 浙江强脑科技有限公司 | 基于脑电信号的冥想评分方法、装置、终端及存储介质 |
CN114527878A (zh) * | 2022-02-24 | 2022-05-24 | 温州医科大学 | 量化脑机接口控制动机的分析方法 |
CN114527878B (zh) * | 2022-02-24 | 2024-05-17 | 温州医科大学 | 量化脑机接口控制动机的分析方法 |
CN114733037A (zh) * | 2022-04-25 | 2022-07-12 | 王一峰 | 一种基于theta神经节律的注意偏向训练系统和方法 |
CN114733037B (zh) * | 2022-04-25 | 2023-10-13 | 王一峰 | 一种基于theta神经节律的注意偏向训练系统和方法 |
CN114781461A (zh) * | 2022-05-25 | 2022-07-22 | 北京理工大学 | 一种基于听觉脑机接口的目标探测方法与系统 |
CN116172580A (zh) * | 2023-04-20 | 2023-05-30 | 华南理工大学 | 一种适用于多声源场景的听觉注意对象解码方法 |
CN116172580B (zh) * | 2023-04-20 | 2023-08-22 | 华南理工大学 | 一种适用于多声源场景的听觉注意对象解码方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108236464B (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108236464A (zh) | 基于脑电信号的特征提取方法及其检测提取系统 | |
CN110765920B (zh) | 基于卷积神经网络的运动想象分类方法 | |
CN107024987B (zh) | 一种基于eeg的实时人脑注意力测试和训练系统 | |
CN106569604B (zh) | 视听双模态语义匹配和语义失配协同刺激脑机接口方法 | |
CN101464729B (zh) | 基于听觉认知神经信号的自主意愿表达方法 | |
Su et al. | EEG-based personal identification: from proof-of-concept to a practical system | |
CN102553222B (zh) | 一种支持对战模式的脑功能反馈训练方法与系统 | |
CN106407733A (zh) | 基于虚拟现实场景脑电信号的抑郁症风险筛查系统和方法 | |
Aydın et al. | The impact of musical experience on neural sound encoding performance | |
CN111544015B (zh) | 基于认知力的操控工效分析方法、设备及系统 | |
EP1934677A1 (en) | Method and system for detecting and classifying facial muscle movements | |
CN108324292B (zh) | 基于脑电信号的室内视觉环境满意度分析方法 | |
CN109288518A (zh) | 基于EEG和ERPs的脑认知神经功能测评系统及方法 | |
CN111598451B (zh) | 基于任务执行能力的操控工效分析方法、设备及系统 | |
CN103530727A (zh) | 野战心理防护方舱管理平台系统 | |
CN107106069A (zh) | 基于改进信号分析的评分方法 | |
Miranda et al. | On harnessing the electroencephalogram for the musical braincap | |
CN109247917A (zh) | 一种空间听觉诱发p300脑电信号识别方法及装置 | |
JP2011143059A (ja) | 顔面動作推定装置及び顔面動作推定方法 | |
CN112162634A (zh) | 一种基于seeg信号的数字输入脑机接口系统 | |
Smalt et al. | Neural correlates of adaptation in freely-moving normal hearing subjects under cochlear implant acoustic simulations | |
CN107510451B (zh) | 一种基于脑干听觉诱发电位的音高感知能力客观评估方法 | |
CN104966423B (zh) | 一种基于生物反馈的远程学习者分类方法 | |
CN113116306A (zh) | 一种基于听觉诱发脑电信号分析的意识障碍辅助诊断系统 | |
CN112957050B (zh) | 基于脑机接口设备技术的视觉记忆能力评测装置及方法 |
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 |