CN110123342A - 一种基于脑电波的网瘾检测方法及系统 - Google Patents

Abstract

本发明公开了一种基于脑电波的网瘾检测方法和系统，首先采集不同测试者的脑电波信号，计算滤波处理后的脑电波信号能量特征矩阵；然后对能量特征矩阵进行训练，获得训练好的分类模型；最后将被测试者的脑电波信号输入分类模型中，输出被测试者的网瘾程度。本发明将脑电波与网瘾检测相结合，通过采集不同网瘾程度的青少年上网后的脑电波信息，使用基于深度学习映射核函数的ELM训练分类模型，使用该模型对青少年的网瘾程度进行判断，该分类模型在保证学习精度的前提下，比传统训练模型具有更快的学习速度和更强的泛化能力。有助于改善过去网瘾判断的主观性，为医师判断青少年网络成瘾提供一种客观的真实的辅助诊断方案。

Description

一种基于脑电波的网瘾检测方法及系统

技术领域

本发明属于脑机接口辅助诊断技术领域，涉及一种基于脑电波的网瘾检测方法及系统。

背景技术

脑电波(Electroencephalogram,EEG)是一种使用电生理指标记录大脑活动的方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。脑电波或脑电图是一种比较敏感的客观指标，不仅可以用于脑科学的基础理论研究，而且更重要的意义在于它的临床实践的应用，与人类的生命健康息息相关。但其分析困难，不容易直接发现大脑波动与实际模式的对应，利用机器学习原理，能够准确地忽略共性干扰，发现脑电波与实际情况结合的特殊模式。

网络和计算机在给人类的生产和生活方式带来极大方便的同时，也对人的心理和心理学的发展产生了重要的影响。随着信息技术的发展，产生了一种新的行为成瘾---网络成瘾。青少年已经成为网民的重要组成部分，网络在促进青少年快速成长发展的同时，也给他们带来了诸多不良影响，青少年过分沉迷网络形成网瘾，不仅严重影响了自身正常的学习、生活、人际交往和身心健康，也给社会带来巨大危害。但对于网络成瘾的判断还于上依赖于网时间、行为观察或调查问卷等方面，带有强烈的主观性。

发明内容

为解决现有技术中存在的不足，本发明提供了一种基于脑电波的网瘾检测方法及系统，该系统主要利用机器学习原理，检测青少年上网后的脑电波的波动情况，为监护人和医师提供青少年网络成瘾状态的真实客观反馈，解决现有的监测方法主观性较强的问题。

为了解决上述技术问题，本发明采用如下技术方案予以实现：

本发明公开的一种基于脑电波的网瘾检测方法，包括：

步骤1，采集不同测试者的脑电波信号，所述的脑电波信号标注以无网瘾、轻度网络成瘾、中度网络成瘾和重度网络成瘾，形成脑电波数据训练集；

步骤2，对步骤1采集的脑电波信号以滑动时间窗进行截取，对截取的脑电波信号进行滤波处理；

步骤3，计算滤波处理后的脑电波信号能量特征矩阵；

步骤4，对能量特征矩阵进行训练，获得训练好的分类模型；

步骤5，采集被测试者的脑电波信号，经过步骤2至步骤3的处理后，获得能量特征矩阵，将能量特征矩阵输入步骤4训练好的分类模型，输出被测试者的网瘾程度。

具体的，所述的步骤2包括：

步骤2.1，对采集的多通道脑电波信号通过滑动时间窗口进行划分，得到多个样本段信号；

步骤2.2，对多个样本段信号分别通过50Hz陷波滤波器和0.1～50Hz带通滤波器去除噪音，再利用独立成分分析算法去除眼电影响；

步骤2.3，对经过步骤2.2预处理后的脑电波信号采用db4小波基进行分解，得到多个子频带；

所述的步骤3包括：

步骤3.1，利用式(1)计算每一子频带计算的能量特征，

其中，表示分解的第m层小波包上第n个子频带的能量，表示每个子频带的能量特征，m表示小波包分解层数；

步骤3.2，利用式(2)对所有子频带进行归一化处理，得到能量特征矩阵，

式中，表示各子频带能量占信号总能量的比例。

具体的，所述的步骤3获得能量特征矩阵后，还包括采用局部保持投影方法对特征矩阵进行降维处理。

具体的，所述的步骤4通过基于深度学习核映射的ELM对能量特征矩阵进行训练，其中深度学习核映射的ELM损失函数为：

式中，Φ(x_j；w)为深度学习映射核函数，x_j为输入的第j个样本，W_i为第i个隐层神经元输入权重，β_i为第i个隐层神经元输出权重，b_i为第i个隐层神经元的偏置，t_j为第j个样本类别；g(.)表示激活函数，N表示样本个数，L表示单层神经网络隐层神经元个数。

本发明还公开了一种基于脑电波的网瘾检测系统，包括：

脑电波采集模块，用于采集测试者的脑电波信号；

数据预处理模块，用于对脑电波采集模块采集的无网瘾、轻度网络成瘾、中度网络成瘾、重度网络成瘾的测试者对应的脑电波信号进行划分和滤波处理；

脑电波特征提取模块，用于计算数据预处理模块处理后的脑电波信号的能量特征矩阵；

网瘾检测模型训练模块，用于对脑电波特征提取模块获得的能量特征矩阵进行训练，获得训练好的分类模型；

检测模块，用于将脑电波采集模块采集的测试者的脑电波信号，依次经过数据预处理模块和脑电波特征提取模块获得能量特征矩阵，再利用网瘾检测模型训练模块训练好的分类模型进行检测，输出分类结果；

网瘾监测模块，用于判断测试者处于无网瘾、轻度网络成瘾、中度网络成瘾还是重度网络成瘾，如果判断为网络成瘾，发出预警。

具体的，所述的脑电波采集模块包括若干电极、数模转换器和控制芯片，电极连接在数模转换器的输入端，数模转换器的输出端与控制芯片连接。

具体的，所述的数据预处理模块包括：

对采集的多通道脑电波信号通过滑动时间窗口进行划分，得到多个样本段信号；

对各个通道的样本段信号分别通过50Hz陷波滤波器和0.1～50Hz带通滤波器去除噪音，再利用独立成分分析算法去除眼电影响；

对每一通道预处理后的脑电波信号采用db4小波基进行分解，得到多个子频带；

所述的脑电波特征提取模块包括：

利用式(1)计算划分后每一子频带计算的能量特征，

其中，表示分解的第m层小波包上第n个子频带的能量，表示每个子频带的能量特征，m表示小波包分解层数；

利用式(2)对所有子频带进行归一化处理，

式中，表示各子频带能量占信号总能量的比例；

最终得到所有子频带的脑电波信号的能量特征矩阵。

进一步的，该检测系统还包括脑电波特征降维模块，用于采用局部保持投影方法对脑电波特征提取模块获得的脑电波信号能量特征矩阵进行降维处理。

具体的，所述的网瘾检测模型训练模块中，通过基于深度学习映射核函数的ELM损失函数对能量特征矩阵进行训练，其中ELM损失函数为：

式中，Φ(x_j；w)为深度学习映射核函数，x_j为输入的第j个样本，W_i为第i个隐层神经元输入权重，β_i为第i个隐层神经元输出权重，b_i为第i个隐层神经元的偏置，t_j为第j个样本类别；g(.)表示激活函数，N表示样本个数，L表示单层神经网络隐层神经元个数。

与现有技术相比，本发明的有益效果是：

本发明将脑电波与网瘾检测相结合，通过采集不同网瘾程度的青少年上网后的脑电波信息，对这些脑电波信息进行特征提取后，使用基于深度学习映射核函数的ELM对能量特征矩阵进行训练，得到分类模型，使用该模型对青少年的网瘾程度进行判断，该分类模型在保证学习精度的前提下，比传统训练模型具有更快的学习速度和更强的泛化能力。有助于改善过去网瘾判断的主观性，为医师判断青少年网络成瘾提供一种客观的真实的辅助诊断方案。

附图说明

图1是本发明的检测流程图。

图2是本发明检测系统的结构示意图。

图3是db4小波基示意图。

图4是测试者脑电波信号示意图。

图5是脑电波小波包分解示意图。

具体实施方式

本发明所述的网瘾程度包括无网瘾、轻度网络成瘾、中度网络成瘾和重度网络成瘾，其中网瘾程度的判断基于大数据统计的青少年网瘾调查问卷，该问卷涵盖了上网时间、上网目的和上网影响等多维度问题。

本发明主要利用机器学习原理，将脑电波与网瘾检测结合，公开了一种基于脑电波的网瘾检测方法及检测系统。其中，参考图1，本发明公开的检测方法包括：

步骤1，采集不同测试者的脑电波信号，所述的脑电波信号标注以无网瘾、轻度网络成瘾、中度网络成瘾和重度网络成瘾，形成脑电波数据集；

步骤2，对步骤1采集的脑电波信号以滑动时间窗进行截取，对截取的脑电波信号进行滤波处理，具体包括：

步骤2.1，对采集的多通道脑电波信号通过滑动时间窗口进行划分，得到多个样本段信号，将多个样本段信号下采样至200Hz；

步骤2.2，对多个样本段信号分别通过50Hz陷波滤波器和0.1～50Hz带通滤波器去除噪音，再利用独立成分分析算法去除眼电影响；

步骤2.3，对经过步骤2.2预处理后的脑电波信号采用db4小波基进行分解，得到多个子频带；

步骤3，计算滤波处理后的脑电波信号能量特征矩阵，具体包括：

步骤3.1，利用式(1)计算每一子频带计算的能量特征，

其中，表示分解的第m层小波包上第n个子频带的能量，表示每个子频带的能量特征，m表示小波包分解层数；

步骤3.2，利用式(2)对所有子频带进行归一化处理，得到能量特征矩阵，

式中，表示各子频带能量占信号总能量的比例，即[0,1]区间内的值；

进一步的，在本发明的一个优选实施例中，在经过步骤3获得能量特征矩阵后，还采用局部保持投影方法对特征矩阵进行降维处理。

步骤4，对能量特征矩阵进行训练，获得训练好的分类模型。在本发明的一个优选实施例中，采用基于深度学习映射核函数的ELM损失函数对能量特征矩阵进行训练，其中深度学习核映射的ELM损失函数为：

式中，Φ(x_j；w)为深度学习映射核函数，x_j为输入的第j个样本，Φ(x_j；w)表示将样本x_j通过深度神经网络参数w映射到高纬可分空间，W_i为第i个隐层神经元输入权重，β_i为第i个隐层神经元输出权重，b_i为第i个隐层神经元的偏置，t_j为第j个样本类别；g(.)表示激活函数，N表示样本个数，L表示单层神经网络隐层神经元个数。

步骤5，采集被测试者的脑电波信号，经过步骤2进行预处理，如图4所示为本发明的一个实施例中采集的脑电波信号示意图，图3为db4小波基示意图，图5为本实施例采集的脑电波经过小波包分解后的示意图，可以看出，该实施例采用db4小波基进行3层小波包分解，得到8个子频带；

然后再通过步骤3获得能量特征矩阵，将能量特征矩阵输入步骤4训练好的分类模型，即可输出被测试者的网瘾程度。

本发明还公开了一种基于脑电波的网瘾检测系统，参照图2所示，该检测系统包括：

1、脑电波采集模块，用于采集测试者的脑电波信号；

脑电波采集模块包括若干电极、数模转换器和控制芯片，电极连接在数模转换器的输入端，数模转换器的输出端与控制芯片连接。电极是按照国际10-20导联系统布置Fp1、Fp2、F3、F4、F7、F8处的干电极以及2个置于左右乳突处的参考电极。

2、数据预处理模块，用于对脑电波采集模块采集的无网瘾、轻度网络成瘾、中度网络成瘾、重度网络成瘾的测试者对应的脑电波信号进行划分和滤波处理；具体过程如下：

对采集的多通道脑电波信号通过滑动时间窗口进行划分，得到多个样本段信号；

对各个通道的样本段信号分别通过50Hz陷波滤波器和0.1～50Hz带通滤波器去除噪音，再利用独立成分分析算法去除眼电影响；

对每一通道预处理后的脑电波信号采用db4小波基进行分解，得到多个子频带；在本发明的一个实施例中，如图5所示，采用db4小波基进行3层小波包分解，得到8个子频带。

3、脑电波特征提取模块，用于计算数据预处理模块处理后的脑电波信号的能量特征矩阵；具体包括：

利用式(1)计算划分后每一子频带计算的能量特征，

其中，表示分解的第m层小波包上第n个子频带的能量，表示每个子频带的能量特征，m表示小波包分解层数；

利用式(2)对所有子频带进行归一化处理，

式中，表示各子频带能量占信号总能量的比例；

经过脑电波特征提取模块后，可得到所有子频带的脑电波信号的能量特征矩阵。

作为本方案的一个优选实施例，该检测系统还包括脑电波特征降维模块，优选的，本发明用于采用局部保持投影方法对脑电波特征提取模块获得的脑电波信号能量特征矩阵进行降维处理。降维后的脑电波能量特征分类效果提高。

4、网瘾检测模型训练模块，用于对脑电波特征提取模块获得的能量特征矩阵进行训练，获得训练好的分类模型。

在本发明的一个优选实施例中，通过基于深度学习核映射的ELM对能量特征矩阵进行训练，在训练模型在保证学习精度的前提下，比传统训练模型具有更快的学习速度和更强的泛化能力，其中ELM损失函数为：

式中，Φ(x_j；w)为深度学习映射核函数，x_j为输入的第j个样本，W_i为第i个隐层神经元输入权重，β_i为第i个隐层神经元输出权重，b_i为第i个隐层神经元的偏置，t_j为第j个样本类别；g(.)表示激活函数，N表示样本个数，L表示单层神经网络隐层神经元个数。

5、检测模块，用于将脑电波采集模块采集的测试者的脑电波信号，依次经过数据预处理模块和脑电波特征提取模块获得能量特征矩阵，再利用网瘾检测模型训练模块训练好的分类模型进行检测，输出分类结果。

由于检测模块每隔一时间段会输出一个分类结果，网瘾监测模块将统计该段时间内网瘾程度的分布，将比例最大的网瘾程度f_imax作为该被试者网瘾程度的输出，

i＝{无网瘾，轻度网瘾，中度网瘾，重度网瘾}。

6、网瘾监测模块，用于判断测试者处于无网瘾、轻度网络成瘾、中度网络成瘾还是重度网络成瘾，如果判断为网络成瘾，发出预警。

将检测模块输出的结果依次发送至监护人APP和医师客户端。如果判断为网络成瘾，则同时发出预警提示，如果医师判断为网瘾程度需入院就诊，可以通过客户端向监护人APP发送提示。

本发明的数据预处理模块，脑电波特征提取模块，网瘾检测模型训练模块，检测模块，网瘾监测模块均集成在计算机的控制芯片内。

以下给出本发明的一个具体实施例，以验证本发明系统和方法的有效性。

本发明的一个具体实施例中，采用Young在1996年编制的《网络成瘾测验》对训练集被测试者打上标签。该量表一共由20道题目组成，每道题有5个选择项目，属于五级量表，1＝几乎没有，2＝偶尔，3＝有时，4＝经常，5＝总是，该量表要求被试根据自己的情况完成问卷。最后是根据被测试者在该量表上所得的总分来判定被测试者是否网络成瘾以及他网络成瘾的程度。40分以下无网瘾，40－60轻度网络成瘾，60－80中度网络成瘾，80－100重度网络成瘾。

根据Young《网络成瘾测验》对10名被试进行网瘾程度检测，5人正常，3人轻度，1人中度，1人重度，用于标注随后的脑电样本。然后利用开源脑电采集设备收集被试者上网后的脑电波信号，如图4所示，对该脑电波数据进行预处理，被试得到600段脑电片段样本，经过小波包分解得到8个子频带，提取特征和局部保持投影特征降维后，送入训练的分类模型中进行分类。然后采用10折交叉验证评价方法，平均准确率达到85％。

需要说明的是，本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。

Claims (9)

1.一种基于脑电波的网瘾检测方法，其特征在于，包括：

步骤1，采集不同测试者的脑电波信号，所述的脑电波信号标注以无网瘾、轻度网络成瘾、中度网络成瘾和重度网络成瘾，形成脑电波数据训练集；

步骤2，对步骤1采集的脑电波信号以滑动时间窗进行截取，对截取的脑电波信号进行滤波处理；

步骤3，计算滤波处理后的脑电波信号能量特征矩阵；

步骤4，对能量特征矩阵进行训练，获得训练好的分类模型；

步骤5，采集被测试者的脑电波信号，经过步骤2至步骤3的处理后，获得能量特征矩阵，将能量特征矩阵输入步骤4训练好的分类模型，输出被测试者的网瘾程度。

2.如权利要求1所述的基于脑电波的网瘾检测方法，其特征在于，所述的步骤2包括：

步骤2.1，对采集的多通道脑电波信号通过滑动时间窗口进行划分，得到多个样本段信号；

步骤2.2，对多个样本段信号分别通过50Hz陷波滤波器和0.1～50Hz带通滤波器去除噪音，再利用独立成分分析算法去除眼电影响；

步骤2.3，对经过步骤2.2预处理后的脑电波信号采用db4小波基进行分解，得到多个子频带；

所述的步骤3包括：

步骤3.1，利用式(1)计算每一子频带计算的能量特征，

其中，表示分解的第m层小波包上第n个子频带的能量，表示每个子频带的能量特征，m表示小波包分解层数；

步骤3.2，利用式(2)对所有子频带进行归一化处理，得到能量特征矩阵，

式中，表示各子频带能量占信号总能量的比例。

3.如权利要求1所述的基于脑电波的网瘾检测方法，其特征在于，所述的步骤3获得能量特征矩阵后，还包括采用局部保持投影方法对特征矩阵进行降维处理。

4.如权利要求1所述的基于脑电波的网瘾检测方法，其特征在于，所述的步骤4通过基于深度学习核映射的ELM对能量特征矩阵进行训练，其中深度学习核映射的ELM损失函数为：

式中，Φ(x_j；w)为深度学习映射核函数，x_j为输入的第j个样本，W_i为第i个隐层神经元输入权重，β_i为第i个隐层神经元输出权重，b_i为第i个隐层神经元的偏置，t_j为第j个样本类别；g(.)表示激活函数，N表示样本个数，L表示单层神经网络隐层神经元个数。

5.一种基于脑电波的网瘾检测系统，其特征在于，包括：

脑电波采集模块，用于采集测试者的脑电波信号；

数据预处理模块，用于对脑电波采集模块采集的无网瘾、轻度网络成瘾、中度网络成瘾、重度网络成瘾的测试者对应的脑电波信号进行划分和滤波处理；

脑电波特征提取模块，用于计算数据预处理模块处理后的脑电波信号的能量特征矩阵；

网瘾检测模型训练模块，用于对脑电波特征提取模块获得的能量特征矩阵进行训练，获得训练好的分类模型；

检测模块，用于将脑电波采集模块采集的测试者的脑电波信号，依次经过数据预处理模块和脑电波特征提取模块获得能量特征矩阵，再利用网瘾检测模型训练模块训练好的分类模型进行检测，输出分类结果；

网瘾监测模块，用于判断测试者处于无网瘾、轻度网络成瘾、中度网络成瘾还是重度网络成瘾，如果判断为网络成瘾，发出预警。

6.如权利要求5所述的一种基于脑电波的网瘾检测系统，其特征在于，所述的脑电波采集模块包括若干电极、数模转换器和控制芯片，电极连接在数模转换器的输入端，数模转换器的输出端与控制芯片连接。

7.如权利要求5所述的一种基于脑电波的网瘾检测系统，其特征在于，所述的数据预处理模块包括：

对采集的多通道脑电波信号通过滑动时间窗口进行划分，得到多个样本段信号；

对各个通道的样本段信号分别通过50Hz陷波滤波器和0.1～50Hz带通滤波器去除噪音，再利用独立成分分析算法去除眼电影响；

对每一通道预处理后的脑电波信号采用db4小波基进行分解，得到多个子频带；

所述的脑电波特征提取模块包括：

利用式(1)计算划分后每一子频带计算的能量特征，

其中，表示分解的第m层小波包上第n个子频带的能量，表示每个子频带的能量特征，m表示小波包分解层数；

利用式(2)对所有子频带进行归一化处理，

式中，表示各子频带能量占信号总能量的比例；

最终得到所有子频带的脑电波信号的能量特征矩阵。

8.如权利要求5所述的一种基于脑电波的网瘾检测系统，其特征在于，该检测系统还包括脑电波特征降维模块，用于采用局部保持投影方法对脑电波特征提取模块获得的脑电波信号能量特征矩阵进行降维处理。

9.如权利要求5所述的一种基于脑电波的网瘾检测系统，其特征在于，所述的网瘾检测模型训练模块中，通过基于深度学习映射核函数的ELM损失函数对能量特征矩阵进行训练，其中ELM损失函数为：

式中，Φ(x_j；w)为深度学习映射核函数，x_j为输入的第j个样本，W_i为第i个隐层神经元输入权重，β_i为第i个隐层神经元输出权重，b_i为第i个隐层神经元的偏置，t_j为第j个样本类别；g(.)表示激活函数，N表示样本个数，L表示单层神经网络隐层神经元个数。