CN110333852A - 一种基于Qt的脑电信号实时3D显示软件设计方法 - Google Patents
一种基于Qt的脑电信号实时3D显示软件设计方法 Download PDFInfo
- Publication number
- CN110333852A CN110333852A CN201910618631.2A CN201910618631A CN110333852A CN 110333852 A CN110333852 A CN 110333852A CN 201910618631 A CN201910618631 A CN 201910618631A CN 110333852 A CN110333852 A CN 110333852A
- Authority
- CN
- China
- Prior art keywords
- eeg signals
- real
- eeg
- brain
- data
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/38—Creation or generation of source code for implementing user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Human Computer Interaction (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Qt的脑电信号实时3D显示软件设计方法,包括以下步骤:步骤1利用脑电信号的采集芯片装置对脑电信号进行采集;步骤2各脑区的头皮电极放置;步骤3通过蓝牙模块将数据传到计算机;步骤4将采集芯片装置采集的脑电数据送入Qt中,在Qt中调用编写的FFT程序;对信号进行双树复小波分解和重构,求重构信号的样本熵,均值,方差;步骤6将求得的样本熵,均值,方差送入SVM中将情绪简单分为高兴、悲伤、平静三类,调用程序中的画图函数显示,本发明对收集到的脑电信号做了更直观的数据处理,建立三维模型来显示不同频率信号随着时间推移的变化,从而使与脑电相关的情绪有更容易理解的显示。
Description
技术领域
本发明涉及一种3D显示软件,具体的说是一种3D显示软件设计方法,属于数字信号处理技术领域。
背景技术
情绪是指伴随着认知和意识过程产生的对外界事物的态度。通常,我们会将情绪简单分为正向情绪和负向情绪,即爱的反面是恨,喜悦、高兴的反面是悲伤、沮丧。情绪对人的影响十分大。它的影响体现在方方面面,例如学习,工作,人际关系等等。不良的情绪有时会导致我们做出一些不理智的行为。因此有必要对不良情绪状态进行检测并预防其危害产生。
脑电信号是生物体脑部皮层神经细胞自发产生的生物电信号,与脑部活动密切相关,能够直接反映生物体的精神状态,可用作情绪的评价指标。
国际上目前主要的脑电软件处理平台有BESA,ASA,EMSE和CURRY等,它们集成了传统的脑电技术和各自发展的一些有特色的方法和技术,推动了国际上有关脑功能成像的研究。提供了多个离散源分析技术,在临床疾病的诊断中有广泛的应用具有强大的显示功能,可以结合个人的犯影像数据,进行个人的头模型分析具有很强的人机交互界面,方便用户对脑电处理参数的设置,操作等。纵观这些软件系统,可以看出大体上都是在对脑电信号进行研究的阶段,即对脑电信号的处理方式都是在一定的环境下对脑电信号进行采集,然后通过这些软件进行离线的分析,他们共同的特点就是对脑电信号的提取和分析准确,但是都达不到实时性的要求。
发明内容
本发明的目的是提供一种基于Qt的脑电信号实时3D显示软件设计方法,通过分析采集到的脑电信号,建立相关的实时脑信号参数的三维模型,编写程序开发软件系统,就能够直观清晰的显示脑电波的变化和状态,可以实时的显示出被测者的脑电波参数的变化状态,并根据相应参数对被测者情绪进行简单分类。
本发明的目的是这样实现的:一种基于Qt的脑电信号实时3D显示软件设计方法,包括以下步骤:
步骤1)利用脑电信号的采集芯片装置TGAM对脑电信号进行采集;
步骤2)各脑区的头皮电极放置:利用置于大脑头皮的各部位来采集相应脑区的脑电信号;
步骤3)通过蓝牙模块将数据传到计算机;
步骤4)将采集芯片装置TGAM采集的脑电数据送入Qt中,在Qt中调用编写的FFT()程序,将脑电数据和所求的的频幅数据分别存放在相应的数组中,调用程序中的画图函数显示;
步骤5)对信号进行双树复小波分解和重构,求重构信号的样本熵,均值,方差;
步骤6)将求得的样本熵,均值,方差送入SVM中将情绪简单分为高兴、悲伤、平静三类,调用程序中的画图函数显示。
作为本发明的进一步限定,步骤1)中脑机接口系统设备将采集的生物电信号传入到ThinkGear芯片中,采样频率降低到128Hz。
作为本发明的进一步限定,步骤2)中各脑区头皮电极的具体放置方法是:采用国际脑电图学会标定的10-20电极导联定位标准,用双耳垂接法,从中选取了F3、Fp2、C5、C6、P3、P4、M1、M2共8导和情绪关联度较大的8路信号;其中参考电极选取M1、M2,采样频率为512HZ,各通道导联阻抗均小于5kΩ。
作为本发明的进一步限定,步骤4)具体包括:
4.1)在Serial_port中选择用户想要显示的通道(其中包含F3、Fp2、C5、C6、P3、P4),点击显示脑电图按钮时线程开启,打开相应串口,接收子线程传输数据的信号,采集芯片装置TGAM采集的脑电数据送入Qt中,存于数组y[]中;
4.2)在Qt中调用编写的FFT()程序,求得脑电数据的频幅,将其存于数组z[]中;
4.3)调用程序中的绘图函数。
作为本发明的进一步限定,步骤5)为对信号进行复小波变换再重构后求得样本熵,采用两个离散小波滤波器对信号进行复小波变换,一树生成变换的实部,一树生成虚部,具体包括:
5.1)对原始信号s(t)使用这两组滤波器分别进行两个独立的小波包分解,算法如下:
R树分解:
I树分解:
5.2)重构的算法为:
R树重构:
I树重构:
5.3)计算重构信号样本熵值。
作为本发明的进一步限定,步骤5.3的具体方法为:
(1)设给定一维离散时间序列,构造成一组m维矢量,从Xm(1)到Xm(N-m+1),其中:Xm(i)=[ui,ui+1,ui+2....ui+m-1](i=1~N-m+1);
(2)定义任意两个m维向量之间的距离为:
d[Xm(i),Xm(j)]=max|ui+k-uj+k|,0≤k≤m-1,j=1~N-m+1,i≠j;
(3)给定阈值r,对每个i值,统计d[X(i),X(j)]<r的个数nim,然后计其与距离总数(N-m)的比值,称为模板匹配数,记:
其中,SD是一维离散时间序列的标准差;
(4)计算:
(5)对于m+1点矢量,按以上步骤,可得:
(6)理论上此序列的样本熵值为:SampEn(m,r)=lim{-ln[Bm+1(r)/Bm(r)]}当序列长度为有限值时,其样本熵估计值为:SampEn(m,r)=-ln[Bm+1(r)/Bm(r)]
参数选择:嵌入维数m一般取1或2,相似容限r的选择在很大程度上取决于实际应用场景,通常选择r为0.1*std~0.25*std,其中std表示原时间序列的标准差,取m为2,r取0.25*std,std取该秒脑电信号的标准差。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
第一:本发明将脑机接口系统设备将采集的生物电信号传入到ThinkGear芯片中。NeuroSky公司的ThinkGear ASIC专用芯片集成了脑电信号的采集、滤波、放大、A/D转换、数据处理及分析等功能。不再需要利用Matlab软件中的EEGLAB软件包对原始脑电进行相关预处理,节省了时间,对脑电信号的实时显示起着非常重要的作用;
第二:本发明直接在Qt编写FFT()程序,不需要借助matlab等软件来实现,减少了中间的过程,是脑电信号的实时显示过程中重要的一步;
第三:本发明实现了脑电信号的3D显示,用者可以通过电脑对自己或是他人的情绪状况进行直观的观测和了解,在编程上使用Qt和C语言的混合编程,Qt编程支持的操作系统有windows,linux,solaris,mac,wince,vxwork等等。QT设计界面非常精巧,能用源码直接描述,效率很高。Qt数据可视化模块提供了一种在3D中可视化数据的方法。
附图说明
图1为脑电采集和分析的整体框架图。
图2为脑电信号的通道导联示意图。
图3为Matlab中预处理前后脑电信号波形图。
图4为Qt软件输出的波形结果。
图5为情绪状态的判断标准。
具体实施方式
本发明选取了10名身体健康的在校大学生来采集不同情绪下的脑电信号,在视频刺激下诱发被试者的情绪,利用脑电信号的采集芯片装置TGAM对脑电信号进行采集;降低采样率,滤除与情感识别无关的信号;将采集芯片装置TGAM采集的脑电数据送入Qt中,调用编写的FFT()程序,将脑电数据和所求的的频幅数据分别存放在相应的数组中,调用程序中的绘图函数显示;对预处理后的信号进行双树复小波分解和重构,求其样本熵,均值,方差;将求得的样本熵,均值,方差送入SVM中将情绪简单分为高兴、悲伤、平静三类,将分类结果送入Qt中,调用程序中的画图函数显示。如图1所示,实验主要分为以下步骤:
步骤1)利用脑电信号的采集芯片装置TGAM对脑电信号进行采集。
步骤2)各脑区的头皮电极放置:利用置于大脑头皮的各部位来采集相应脑区的脑电信号;
步骤3)通过蓝牙模块将数据传到计算机;
步骤4)将采集芯片装置TGAM采集的脑电数据送入Qt中,在Qt中调用编写的FFT()程序,将脑电数据和所求的的频幅数据分别存放在相应的数组中,调用程序中的画图函数显示;
步骤5)对信号进行双树复小波分解和重构,求重构信号的样本熵,均值,方差;
步骤6)将求得的样本熵,均值,方差送入SVM中将情绪简单分为高兴、悲伤、平静三类,调用程序中的画图函数显示。
为使本发明的目的,技术方案和优点更加清楚,下面将结合附图对本发明实施方案作进一步详细阐述。
如图2所示:该图为大脑头皮电位放置方法,本发明采用国际脑电图学会标定的10-20电极导联定位标准,用双耳垂接法,注射导电膏以增强电极的导电性,从中选取了F3、Fp2、C5、C6、P3、P4、M1、M2共8导和情绪关联度较大的8路信号,其中参考电极选取M1、M2,采样频率为512HZ。
如图3所示:图中为EEGLAB里的脑电信号显示波形,该图中(a)图形为未处理的原始脑电信号,可看到有明显的基线漂移现象,(b)图为使用了低通滤波器(0-0.5HZ)滤波后的脑电信号波形,可看出,基线漂移现象得到去除,波形得到了很好的线性矫正。去除基线漂移的脑电信号还需用独立分量分析算法来去除相应的眼电伪迹以及EMG等噪声信号,从而获得较好的脑电信号。
如图4所示:我们设定时间为X轴,幅度为Y轴,频率为Z轴,在Serial_port中选择用户想要显示的通道(其中包含F3、Fp2、C5、C6、P3、P4),点击显示脑电图按钮时线程开启,打开相应串口,接收子线程传输数据的信号,采集芯片装置TGAM采集的脑电数据送入Qt中,存于数组y[]中,在Qt中调用编写的FFT()程序,求得脑电数据的频幅,将其存于数组z[]中,我们设定时间为X轴,脑电信号幅度为Y轴,频幅为Z轴,将所求数据赋值给QVector3D(j,y[j],z[j]),(0≤j≤511)显示,将求得的样本熵平均值送入SVM中将情绪简单分为高兴、悲伤、平静三类,每分钟将识别的情绪状态送入Qt中,划分得到的情绪状态将在显示页面的文本框显示,点击关闭按钮时,关闭串口和子线程。
如图5所示:将求得的样本熵平均值送入SVM中将情绪简单分为高兴、悲伤、平静三类;从平静状态到高兴状态和悲伤状态,样本熵的均值呈现增加的趋势,表明随着被试对象情绪的产生,脑电信号复杂度越来越高,这符合脑电信号的情绪规律。
Claims (6)
1.一种基于Qt的脑电信号实时3D显示软件设计方法,其特征在于,包括以下步骤:
步骤1)利用脑电信号的采集芯片装置TGAM对脑电信号进行采集;
步骤2)各脑区的头皮电极放置:利用置于大脑头皮的各部位来采集相应脑区的脑电信号;
步骤3)通过蓝牙模块将数据传到计算机;
步骤4)将采集芯片装置TGAM采集的脑电数据送入Qt中,在Qt中调用编写的FFT()程序,将脑电数据和所求的的频幅数据分别存放在相应的数组中,调用程序中的画图函数显示;
步骤5)对信号进行双树复小波分解和重构,求重构信号的样本熵,均值,方差;
步骤6)将求得的样本熵,均值,方差送入SVM中将情绪简单分为高兴、悲伤、平静三类,调用程序中的画图函数显示。
2.根据权利要求1所述的一种基于Qt的脑电信号实时3D显示软件设计方法,其特征在于,步骤1)中脑机接口系统设备将采集的生物电信号传入到Th inkGear芯片中,采样频率降低到128Hz。
3.根据权利要求1所述的一种基于Qt的脑电信号实时3D显示软件设计方法,其特征在于,步骤2)中各脑区头皮电极的具体放置方法是:采用国际脑电图学会标定的10-20电极导联定位标准,用双耳垂接法,从中选取了F3、Fp2、C5、C6、P3、P4、M1、M2共8导和情绪关联度较大的8路信号;其中参考电极选取M1、M2,采样频率为512HZ,各通道导联阻抗均小于5kΩ。
4.根据权利要求1所述的一种基于Qt的脑电信号实时3D显示软件设计方法,其特征在于,步骤4)具体包括:
4.1)在Serial_port中选择用户想要显示的通道(其中包含F3、Fp2、C5、C6、P3、P4),点击显示脑电图按钮时线程开启,打开相应串口,接收子线程传输数据的信号,采集芯片装置TGAM采集的脑电数据送入Qt中,存于数组y[]中;
4.2)在Qt中调用编写的FFT()程序,求得脑电数据的频幅,将其存于数组z[]中;
4.3)调用程序中的绘图函数。
5.根据权利要求1所述的一种基于Qt的脑电信号实时3D显示软件设计方法,其特征在于,步骤5)为对信号进行复小波变换再重构后求得样本熵,采用两个离散小波滤波器对信号进行复小波变换,一树生成变换的实部,一树生成虚部,具体包括:
5.1)对原始信号s(t)使用这两组滤波器分别进行两个独立的小波包分解,算法如下:
R树分解:
I树分解:
5.2)重构的算法为:
R树重构:
I树重构:
5.3)计算重构信号样本熵值。
6.根据权利要求5所述的一种基于Qt的脑电信号实时3D显示软件设计方法,其特征在于,步骤5.3的具体方法为:
(1)设给定一维离散时间序列,构造成一组m维矢量,从Xm(1)到Xm(N-m+1),其中:Xm(i)=[ui,ui+1,ui+2....ui+m-1](i=1~N-m+1);
(2)定义任意两个m维向量之间的距离为:
d[Xm(i),Xm(j)]=max|ui+k-uj+k|,0≤k≤m-1,j=1~N-m+1,i≠j;
(3)给定阈值r,对每个i值,统计d[X(i),X(j)]<r的个数nim,然后计其与距离总数(N-m)的比值,称为模板匹配数,记:
其中,SD是一维离散时间序列的标准差;
(4)计算:
(5)对于m+1点矢量,按以上步骤,可得:
(6)理论上此序列的样本熵值为:SampEn(m,r)=lim{-ln[Bm+1(r)/Bm(r)]}当序列长度为有限值时,其样本熵估计值为:SampEn(m,r)=-ln[Bm+1(r)/Bm(r)]参数选择:嵌入维数m一般取1或2,相似容限r的选择在很大程度上取决于实际应用场景,通常选择r为0.1*std~0.25*std,其中std表示原时间序列的标准差,取m为2,r取0.25*std,std取该秒脑电信号的标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910618631.2A CN110333852A (zh) | 2019-07-10 | 2019-07-10 | 一种基于Qt的脑电信号实时3D显示软件设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910618631.2A CN110333852A (zh) | 2019-07-10 | 2019-07-10 | 一种基于Qt的脑电信号实时3D显示软件设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110333852A true CN110333852A (zh) | 2019-10-15 |
Family
ID=68145551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910618631.2A Pending CN110333852A (zh) | 2019-07-10 | 2019-07-10 | 一种基于Qt的脑电信号实时3D显示软件设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110333852A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160145315A (ko) * | 2015-06-10 | 2016-12-20 | 주식회사 룩시드랩스 | 시선-뇌파 값을 포함하는 이미지 표시 방법 |
CN107411739A (zh) * | 2017-05-31 | 2017-12-01 | 南京邮电大学 | 基于双树复小波的脑电信号情绪识别特征提取方法 |
CN109717853A (zh) * | 2019-03-14 | 2019-05-07 | 扬州大学 | 基于树莓派的车载驾驶员疲劳检测系统 |
-
2019
- 2019-07-10 CN CN201910618631.2A patent/CN110333852A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160145315A (ko) * | 2015-06-10 | 2016-12-20 | 주식회사 룩시드랩스 | 시선-뇌파 값을 포함하는 이미지 표시 방법 |
CN107411739A (zh) * | 2017-05-31 | 2017-12-01 | 南京邮电大学 | 基于双树复小波的脑电信号情绪识别特征提取方法 |
CN109717853A (zh) * | 2019-03-14 | 2019-05-07 | 扬州大学 | 基于树莓派的车载驾驶员疲劳检测系统 |
Non-Patent Citations (4)
Title |
---|
FABIAN PARSIA GEORGE: "Recognition of emotional states using EEG signals based on time-frequency analysis and SVM classifier", 《INTERNATIONAL JOURNAL OF ELECTRICAL AND COMPUTER ENGINEERING》 * |
XIN XU: "Fatigue EEG Feature Extraction Based on Tasks With Different Physiological States for Ubiquitous Edge Computing", 《INTELLIGENT DATA SENSING, COLLECTION AND DISSEMINATION IN MOBILE COMPUTING》 * |
汤明宏: "基于脑电信号的情感识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
韩晓: "脑电采集以及自动癫痫检测的系统设计", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Patil et al. | Feature extraction of EEG for emotion recognition using Hjorth features and higher order crossings | |
Huang et al. | S-EEGNet: Electroencephalogram signal classification based on a separable convolution neural network with bilinear interpolation | |
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 | |
Acharjee et al. | Independent vector analysis for gradient artifact removal in concurrent EEG-fMRI data | |
Khalili et al. | Emotion detection using brain and peripheral signals | |
CN111184509A (zh) | 一种基于传递熵的情绪诱导脑电信号分类方法 | |
CN104305992A (zh) | 一种交互式胎儿心电快速自动提取方法 | |
Zou et al. | A blind source separation framework for monitoring heart beat rate using nanofiber-based strain sensors | |
Madanu et al. | Depth of anesthesia prediction via EEG signals using convolutional neural network and ensemble empirical mode decomposition | |
Kuila et al. | Feature extraction of electrocardiogram signal using machine learning classification | |
Ingolfsson et al. | Energy-efficient tree-based EEG artifact detection | |
CN114601476A (zh) | 一种基于视频刺激下的eeg信号情感识别方法 | |
CN113558644A (zh) | 一种3d矩阵与多维卷积网络的情感分类方法、介质和设备 | |
Sutharsan et al. | Electroencephalogram signal processing with independent component analysis and cognitive stress classification using convolutional neural networks | |
Özdenizci et al. | On the use of generative deep neural networks to synthesize artificial multichannel EEG signals | |
CN110333852A (zh) | 一种基于Qt的脑电信号实时3D显示软件设计方法 | |
Mahmud et al. | SigMate: a comprehensive software package for extracellular neuronal signal processing and analysis | |
CN110613446A (zh) | 一种信号处理方法及装置 | |
CN114027840A (zh) | 基于变分模态分解的情绪脑电识别方法 | |
Looney et al. | Towards estimating selective auditory attention from EEG using a novel time-frequency-synchronisation framework | |
Li et al. | Music stimuli for EEG-based user authentication | |
CN112450946A (zh) | 一种基于循环生成对抗网络的脑电伪迹修复的方法 | |
Reaj et al. | Emotion recognition using EEG-based brain computer interface | |
Xing et al. | Deep autoencoder for real-time single-channel EEG cleaning and its smartphone implementation using TensorFlow Lite with hardware/software acceleration | |
Xu et al. | Emotional recognition of EEG signals based on fractal dimension |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191015 |