CN111317467A - 脑电信号分析方法、装置、终端设备及存储介质 - Google Patents

脑电信号分析方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN111317467A
CN111317467A CN202010119912.6A CN202010119912A CN111317467A CN 111317467 A CN111317467 A CN 111317467A CN 202010119912 A CN202010119912 A CN 202010119912A CN 111317467 A CN111317467 A CN 111317467A
Authority
CN
China
Prior art keywords
target
event
electroencephalogram
characteristic
points
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
Application number
CN202010119912.6A
Other languages
English (en)
Inventor
李海峰
薄洪健
马琳
李洪伟
丰上
陈婧
徐聪
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.)
Harbin Institute of Technology
Shenzhen Academy of Aerospace Technology
Original Assignee
Harbin Institute of Technology
Shenzhen Academy of Aerospace Technology
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 Harbin Institute of Technology, Shenzhen Academy of Aerospace Technology filed Critical Harbin Institute of Technology
Priority to CN202010119912.6A priority Critical patent/CN111317467A/zh
Publication of CN111317467A publication Critical patent/CN111317467A/zh
Pending legal-status Critical Current

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
    • A61B5/72—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
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请适用于脑电生物信号技术领域，提供了一种脑电信号分析方法、装置、终端设备及存储介质，通过获取目标事件特征，提取目标事件特征的目标特征点，映射到脑电信号上，从而提取诱发的脑电信号成分，根据事件点可以提取任意时长的脑电信号成分进行分析，从而解决对连续的脑电信号无法进行有效分析的问题。

Description

脑电信号分析方法、装置、终端设备及存储介质
技术领域
本申请属于脑电生物信号技术领域，尤其涉及脑电信号分析方法、装置、终端设备及存储介质。
背景技术
近年来，对人类大脑机制的研究越来越受到大家的关注，从大脑的信息处理机制入手，能更科学地、准确地实现类脑智能。传统的获取事件相关电位(event-relatedpotentials，ERP)技术的基础是需要多次通过事件(如短音、图片)呈现反复刺激，则会以听觉刺激为起点引起特征性叠加的脑电波，该脑电波则为听觉事件相关电位。然而，人们在生活中接收的信息往往是连续的，如一首乐曲，这种连续的脑电信息无法利用ERP技术有效分析其脑电成分。
综上所述，目前存在对连续的脑电信息无法有效提取并分析其脑电成分的问题。
发明内容
本申请实施例提供了脑电信号分析方法、装置、终端设备及存储介质，可以解决目前存在对连续的脑电信息无法有效提取并分析其脑电成分问题。
第一方面，本申请实施例提供了一种脑电信号分析方法，包括：
获取目标事件，并提取所述目标事件的目标特征；所述目标事件用于引起脑电信号发生变化，所述目标特征与所述脑电信号具有映射关系；
根据所述目标特征，提取所述目标事件中符合第一预设规则的目标特征点，作为脑电信号的事件点；
根据所述事件点，对应提取预设时间段的脑电信号成分并分析。
在一实施例中，所述目标事件具有若干个事件特征；所述获取目标事件，并提取所述目标事件的目标特征，包括：
分别根据各个事件特征，计算每个所述事件特征与对应的脑电信号的短时相关性；
根据所述短时相关性计算每个所述事件特征的时序相关性；
在所有所述时序相关性中获取目标时序相关性，并将所述目标时序相关性对应的事件特征作为目标特征。
在一实施例中，在所有所述时序相关性中获取目标时序相关性，并将所述目标时序相关性对应的事件特征作为目标特征，包括：
获取所有所述时序相关性，并依照所述时序相关性大小对应将各个事件特征依次排列；
将最大时序相关性作为目标时序相关性，并将所述目标时序相关性对应的事件特征作为目标特征。
在一实施例中，所述根据所述目标特征，提取所述目标事件中符合第一预设规则的目标特征点，作为脑电信号的事件点，包括：
根据所述目标特征，获取所述目标事件对应的目标信号；
对所述目标信号进行二进制小波变换，得到多个小波系数；
对所有所述小波系数进行处理，得到所述目标特征点，所述目标特征点为所述目标信号中目标特征的幅度变化点。
在一实施例中，所述对所有所述小波系数进行处理，得到所述目标特征点，所述目标特征点为所述目标信号中目标特征的幅值变化点，包括：
获取所有所述小波系数中的第一特征点；
判断所述第一特征点与相邻特征点的幅度变化是否超过预设阈值；
若所述第一特征点与相邻特征点的幅度变化超过预设阈值，则判断所述第一特征点为目标特征点。
在一实施例中，所述根据所述事件点，对应提取预设时间段的脑电信号成分并分析，包括：
通过所述目标特征点，根据时间对应获取所述脑电信号的所述事件点；
截取每个所述事件点之前第一预设时间，至每个所述事件点之后第二预设时间内的脑电响应段；
对应提取每个所述脑电响应段对应的脑电成分进行分析。
在一实施例中，所述对应提取每个所述脑电响应段对应的脑电成分进行分析，包括：
获取每个所述脑电响应段对应的类别；
将相同所述类别的脑电响应段的脑电成分进行叠加平均处理，得到对应类别的目标脑电成分并分析。
第二方面，本申请实施例提供了一种脑电信号分析装置，包括：
获取模块，用于获取目标事件，并提取所述目标事件的目标特征；所述目标事件用于引起脑电信号发生变化，所述目标特征与所述脑电信号具有映射关系；
提取模块，用于根据所述目标特征，提取所述目标事件中符合第一预设规则的目标特征点，作为脑电信号的事件点；
分析模块，用于根据所述事件点，对应提取脑电信号成分并分析。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面任一项所述的脑电信号分析方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的脑电信号分析方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的脑电信号分析方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：通过获取目标事件特征，提取目标事件特征的目标特征点，映射到脑电信号上，从而提取诱发的脑电信号成分，根据事件点可以提取任意时长的脑电信号成分进行分析，从而解决对连续的脑电信号无法进行有效分析的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的脑电信号分析方法的一种实现流程示意图；
图2是本申请实施例提供的脑电信号分析方法中“时间与脑电信号成分”关系的一种示意图；
图3是本申请实施例提供的脑电信号分析方法的另一种实现流程示意图；
图4是本申请实施例提供的脑电信号分析方法的又一种实现流程示意图；
图5是本申请实施例提供的脑电信号分析方法的再一种实现流程示意图；
图6是本申请实施例提供的脑电信号分析系统的一种结构示意图；
图7是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本申请实施例提供的脑电信号分析方法可以应用于平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、脑电仪设备等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
图1示出了本发明实施例提供的脑电信号分析方法的实现流程图，详述如下：
S101、获取目标事件，并提取所述目标事件的目标特征；所述目标事件用于引起脑电信号发生变化，所述目标特征与所述脑电信号具有映射关系。
在应用中，上述目标事件包括但不限于用户听取音乐的事件、用户观看视频的事件或用户观看图画的事件，对此不作限定。每个目标事件均有对应的目标特征，用于表示该目标事件的信息。为便于解释说明，本实施例限定目标事件为用户听取音乐的事件，上述目标特征为音乐特征，其包括但不限于语音短时能量、语音强度、语音响度、频谱特征等，对此不作限定。示例性的，当上述目标特征为频谱特征，其可以为根据获取音乐片段中的音频信号，通过快速傅里叶变换进行计算得到。具体的，获取一帧音频数据，对音频数据进行采样得到预设数量的音频采样点，对其进行加窗处理后，进行快速傅里叶变换(Fast FourierTransformation FFT)运算可得到频谱特征，具体为得到12维度的梅尔频率倒谱系数(MelFrequency Cepstrum Coefficient MFCC)。
在应用中，上述映射关系为音乐目标特征的特征幅值在发生变化时，将会引起用户脑电信号的幅值发生相同变化，其幅值变化包括但限于幅值升高或降低。其中，用户在听到不同情感的音乐事件时，其对应引起的脑电信号的变化也将不同。例如，对于长时间听到舒缓情感类的音乐，其脑电信号的波动幅度也将变得平缓，当长时间听到激情情感类的音乐时，其脑电信号的波动幅度也将较于长时间听到舒缓情感类的音乐的脑电信号的波动幅度更剧烈。即可以认为在相邻时间点处获取并计算出的目标特征，其相邻目标特征对应特征幅值变化波动小，其对应在相同的两个时间点内脑电信号波动幅度也相对较小。
S102、根据所述目标特征，提取所述目标事件中符合第一预设规则的目标特征点，作为脑电信号的事件点。
在应用中，上述目标事件在持续产生时，可对应获取到连续的各个目标特征对应的特征幅值。上述第一预设规则可以为，在目标事件的各个特征点中，当某个特征点的特征幅值与其相邻两个特征点的变化幅度超过一定阈值，即可认为该特征点满足第一预设规则，即为目标特征点。示例性的，在一定时间内，若包含三个或以上的特征点时，其特征幅值最高对应的特征点即为目标特征点，其目标特征点的两侧，其各个特征幅值对应最低的特征点，即可认为是相邻特征点，其中，一定时间可以为用户设置的时间，也可以为终端设备预先设置的时间，对此不作限定。上述目标特征点也可以定义为，因人脑会对目标事件中的突变事件点反应敏感，人脑在获取到突变事件点时，会引起脑电信号的幅值强烈变化，对应的，可认为音乐事件中突变事件点前后的特征幅值其变化幅度相当明显。
例如，在人脑听取一段具有舒缓部分和激情部分的音乐时，在由舒缓部分的音乐转换为激情部分的音乐时，人脑的脑电信号对应的幅值将会瞬间升高，此时，音乐对应的特征点即为满足第一预设规则的目标特征点，同时也作为对应引起脑电信号的幅值变化幅度明显的脑电信号的事件点。
在其他应用中，也可认为在人脑长时间听到舒缓的音乐或处于安静的环境时，当在某个时间点出现外部干扰刺激人脑时，例如，听到汽车的鸣笛声，打破了安静的环境，此时人脑的脑电信号对应的幅值将会在短时间内瞬间升高，之后鸣笛声消失时，脑电信号对应的幅值再次降低，归于平缓变化。其中，外部刺激的鸣笛声便可认为是突变事件点，即目标特征点。
S103、根据所述事件点，对应提取预设时间段的脑电信号成分并分析。
在应用中，人脑在长时间听取一段音乐时，对应的，音乐在播放时，每个音乐信号的音乐特征均有对应的播放时间点。因此，可使用音乐采集工具采集音乐播放时的特征幅值，形成“时间-特征幅值”的变化图。其中，将音乐的目标特征点作为脑电信号的事件点，即目标特征点与事件点在产生时处于同一时间。而人脑在长时听到音乐时形成的长时脑电信号，其脑电信号在事件点的幅值变化，与音乐在目标特征点的特征幅值变化会形成相同的变化趋势。
在应用中，上述预设时间段可以为用户选定时间段，也可以为终端设备预设的时间段，对此不作限定。具体的，可在目标事件点对应的时间点中，在该时间点前、后各选自相同或不同的时间段作为预设时间段，例如，预设时间段可以为事件点之前200ms的时间段和事件点之后800m的时间段。其中，终端设备在采集脑电信号时，因采集时间与音乐播放时间一致，即采集到的脑电信号为长时脑电信号，进而可根据事件点确定预设时间段，并采取预设时间段内的短时脑电信号进行分析。
示例性的，参照图2，其横轴为当一段音乐在播放时的播放时间，单位为ms，纵轴为在各个时间点下引起的脑电信号的脑电成分，即脑电电压，单位为mV。在0-260ms采集的各个特征点引起的脑电信号的电压幅值大部分在0.07-0.12mV之间上下波动，且其相邻两个特征点的特征幅值的波动范围0-0.03mV之间，而在260-265ms之间的特征点中，存在特征点对应的幅值为0.20mV。其中，在选定的时间内，目标特征点之前的特征点中，其对应的最低幅值为0.07mV，在目标特征点之后的特征点中，其各特征点对应的最低幅值为0.09mV。即可认为在该段时间内，音乐在的特征幅值变化趋势为先急剧升高后急剧降低，同时可认为在预设时间段的脑电信号的幅值变化趋势也为先急剧升高后急剧降低。
在本实施例中，因人脑本身在活动时具有一定的脑电信号，且接收的外界信息也往往是连续的，如一段语音或一首乐曲，然而，若是人脑在刚开始接收语音或乐曲时，其引起的脑电信号的幅值变化不明显。在此情况下，很难寻找到脑电信号变化的起始点，并选取对应的脑电信号成分进行分析。因此，根据寻找音乐特征中符合第一预设规则的目标特征点，根据目标特征点确定短时的预设时间段，并映射到脑电信号中，实现有效提取相同短时的预设时间段的脑电信号成分进行分析的效果，使得长时脑电信号的成分可与短时脑电信号的成分进行对比分析，从而解决长时脑电信号的分析方法十分匮乏的问题。
参照图3，在一实施例中，所述目标事件具有若干个事件特征；S101，包括：
S201、分别根据各个事件特征，计算每个所述事件特征与对应的脑电信号的短时相关性。
在应用中，若上述目标事件为音乐事件，对应的目标特征为音乐特征，其包括但不限于语音短时能量的特征、语音强度的特征、语音响度的特征、频谱特征等。上述短时相关性为，在一定时间段内的各个音乐特征的特征幅值组成的波形，与相同时间段内的脑电信号的幅值组成的波形，其相似度的大小即为相关性。其中，在一定时间段内的各个音乐特征的特征幅值组成的波形可以通过音频特征采集器获取并经过处理后得到，对此不做详细描述。例如，在一定时间段内，对计算得到语音短时能量的特征幅值的组成的波形，和相同时间段内的脑电信号的幅值组成的波形进行拟合，计算当前音乐特征与对应的脑电信号的短时相关性。其中，拟合可以为多项式拟合，也可以为套索回归(Least Absolute Shrinkageand Selection Operator,Lasso)拟合，对此不作限定。
在具体应用中，在播放音乐事件时可对其音频采样，得到一定时间段的音频采样点作为一帧数据，并对该一帧数据进行加窗得到当前采样点数的音频片段，可对当前音频片段进行快速傅里叶变化得到预设维度的频谱，之后可对频谱通过Mel滤波器组(梅尔滤波器)得到Mel频谱；在Mel频谱上进行倒谱分析(如取对数、通过离散余弦变换来做逆变换，并取离散余弦变化后的第2个到第13个系数作为MFCC系数，获得Mel频率倒谱系数MFCC，其中MFCC为当前音频片段的特征，即12维MFCC特征Fi，其中，i为当前特征维度，t为当前音频采样点时间段的时间点。并根据相关性公式：
Figure BDA0002392635880000091
其中，终端设备根据已有的脑电信号与音乐特征的数据构建的计算模型，L可为将当前时间点的音乐特征和脑电信号输入计算模型得到的初始值，Fit为每个时间点对应的维度特征，σ为标准差运算符号，ρit为计算后的当前时间段中，各时间点下每个维度特征与对应的脑电信号的短时相关性。
S202、根据所述短时相关性计算每个所述事件特征的时序相关性。
在应用中，在计算出一定时间段内每一维特征与脑电信号的短时相关性时，可将该段时间内的所有相应音乐特征分别进行求平均值，得到各个音乐特征的平均值，即为各个音乐特征的时序相关性。例如，若事件特征为一维的强度特征，在一定时间段中设置10个时间点采集10个音频采样点，进行处理后可得到每个时间点下的强度特征，而后将强度特征，输入相关性公式可以得到10个强度特征在每个时间点下与脑电信号的相关性，之后可计算10个相关系的平均值得到时序相关性。对应的，可得到各个上述音乐特征的时序相关性，对此不做详细描述。
S203、在所有所述时序相关性中获取目标时序相关性，并将所述目标时序相关性对应的事件特征作为目标特征。
在应用中，在计算各个音乐特征的时序相关性后，可根据时序相关性的大小，将最大的时序相关性作为目标时序相关性，并将目标时序相关性对应的音乐特征，作为目标特征。即可认为，在所有音乐特征中，目标特征的特征幅值变化趋势与脑电信号的幅值变化趋势，比其余音乐特征的特征幅值变化趋势与脑电信号的幅值变化趋势更为接近。
在本实施例中，通过计算每个事件特征与脑电信号的短时相关性，来计算每个时间特征与脑电信号的时序相关性，并选出目标时序相关性，将目标时序相关性对应的事件特征作为目标特征，可进一步地使根据目标特征提取的目标特征点，更为接近脑电信号的事件点，起到能够准确提取对应脑电信号成分并分析的作用。
在一实施例中，S203包括：
获取所有所述时序相关性，并依照所述时序相关性大小对应将各个事件特征依次排列。
将最大时序相关性作为目标时序相关性，并将所述目标时序相关性对应的事件特征作为目标特征。
在应用中，每个音乐特征均可获取其对应的时序相关性，可根据对应时序相关性的大小，对应将各个事件特征依次排列显示在终端设备的界面上。具体步骤如S202-S203所述，对此不在做详细描述。
在其他应用中，根据对应时序相关性的大小，对应将各个事件特征依次排列显示在终端设备的界面，可以使得用户直观的观察人脑在长时间听到当前音乐事件时，选取何种音乐特征去提取目标特征点更为接近脑电信号的时间点，并可将当前音乐事件进行标签归类，并关联当前标签类别与对应音乐特征的关系关系。以便下次获取同样的标签类别的音乐事件时，还需进行挑选目标特征的步骤。示例性的，当前音乐事件在已有的音乐APP软件(酷狗、QQ音乐)上，归类为安静、激情或伤感之中的某一标签类别时，在获取的目标时间也为音乐事件，同时也为相同标签类别的音乐事件时，可直接选用已关联的音乐特征，作为目标特征。
在本实施例中，通过判断所有时序相关性的大小，将最大的时序相关性并作为目标时序相关性，且将其对应的事件特征作为目标特征，进一步地使根据目标特征提取的目标特征点，更为接近脑电信号的事件点，起到能够准确提取对应脑电信号成分并分析的作用。
参照图4，在一实施例中，S103包括：
S301、根据所述目标特征，获取所述目标事件对应的目标信号。
在应用中，上述目标事件为音乐事件，在确定提取音乐事件的何种音乐特征时，可对应提取该音乐特征的目标信号，也可认为对于目标特征，其目标特征在各个时间点下的特征幅值即为目标信号，即音乐事件中的时间与目标特征的特征幅值的波形图。
S302、对所述目标信号进行二进制小波变换，得到多个小波系数。
在应用中，因目标信号在目标特征点的表现具有局部对称性，而在通过对目标信号使用不同尺度上的小波变换得到的小波系数(模极大值点或过零点)，其与目标信号的目标特征点是一一对应的。因此，可采用二进制小波模极大值方法对目标特征点进行定位。具体的，首先，对目标信号进行二进制小波变换，再对分解出来各尺度小波系数归一化处理。其中，小波变换的公式具体为：
Figure BDA0002392635880000111
其中，W2jf(x)是目标信号f(x)的二进制小波变换，hk是正交的数字滤波器H(W)的系数，为已知量，a为计算目标信号的尺度范围，其尺度a＝2j。
S303、对所有所述小波系数进行处理，得到所述目标特征点，所述目标特征点为所述目标信号中目标特征的幅度变化点。
在应用中，对于得到的目标信号的各个尺度的小波系数，可根据小波分解系数模最大值法处理各尺度小波系数，即将分解系数模值大于第一阈值的系数保留，小于等于第一预设阈值的系数设为0，可将保留的小波系数对应的目标特征点，确定为目标信号中目标特征的幅度变化点。其中，第一阈值可以为用户设定的阈值，也可以为终端设备预设的阈值，对此不作限定。
参照图5，在一实施例中，S303包括：
S401、获取所有所述小波系数中的第一特征点。
在应用中，在上述获取目标信号的小波系数中，因通过对目标信号使用不同尺度上的小波变换得到的小波系数为模极大值点或过零点，其与目标信号的目标特征点是一一对应的。因此，存在获取到目标信号的多个模极大值或过零点，即可获取目标信号的多个目标特征点。
S402、判断所述第一特征点与相邻特征点的幅度变化是否超过预设阈值。
在应用中，每个第一特征点均对应一个特征幅值，因次，可通过判断第一特征点与相邻的两个特征点的特征幅值，来判断第一特征点与相邻特征点的幅度变化。上述预设阈值可以为用户预先设定的阈值，用于在第一特征点与相邻特征点的幅度变化超过预设阈值时，判定当前第一特征点为符合第一预设规则的目标特征点，即脑电信号的事件点。在应用中，对于不同类别的目标事件，其对应的预设阈值也将对应改变，对此不作限定。
在应用中，第一特征点与相邻特征点均有对应的时间点，各个特征点均对有应的特征幅值，形成具有波峰或波谷的波形图，可认为其每个波形的波峰与波谷各自对应一个特征点。即若当前第一特征点对应的特征幅值在波形上处于波峰位置，其相邻特征点对应的特征幅值在波形上则处于波谷位置，以此判断各个第一特征点与相邻特征点的幅度变化是否超过预设阈值。
示例性的，若在波形图中，第一特征点的波峰与相邻特征点的波谷之间存在其余特征点，则判断第一特征点对应的时间点与相邻特征点对应的时间点，其间隔时间是否超过预设时间段。若间隔时间未超过预设时间段，则判定该时间段内，相邻特征点为波谷处的特征点，若间隔时间未超过预设时间段，则判定该时间段内，与第一特征点对应的时间点，相邻时间点对应的特征点为相邻特征点，对此不作限定。其中，预设时间段可以为人为设置的时段，预设时间段的间隔时长可以为很短的时长，例如在0-20ms以内，判断是否有第一特征点与相邻特征点的幅度变化是否超过预设阈值。
403、若所述第一特征点与相邻特征点的幅度变化超过预设阈值，则判断所述第一特征点为目标特征点。
在应用中，上述目标特征点即为音乐在播放时，音乐特征对应的特征幅值在该时刻发生突变，同时该目标特征点也作为对应引起脑电信号的幅值变化幅度明显的脑电信号的事件点，即根据目标特征点对应的时间点获取其脑电信号的幅值变化点作为事件点。
在其他应用中，存在通过对目标信号进行小波变换得到的各个目标特征点不符合要求。因此，在得到的目标信号的各个尺度的小波系数后，可对保留的小波系数和设定为0的小波系数进处理。如比较相邻尺度的小波系数，若相邻尺度的小波系数之间的差值超过第二阈值，则保留相邻尺度之间小波系数最大对应的目标特征点，确定为目标信号中目标特征的幅度变化点。其中，第一阈值和第二阈值可以为用户设定的阈值，也可以为终端设备预设的阈值，对此不作限定。
在本实施例中，通过获取对目标信号进行二进制小波变换后的小波系数，来更具体的表示目标信号的各个特征点的特征幅值，并通过第一特征点与相邻特征点之间的特征幅值的幅度变化是否超过预设阈值，来对应判断目标信号是否发生突变，达到可根据目标特征点来确定目标信号突变点的目的。
在一实施例中，S103包括：
通过所述目标特征点，根据时间对应获取所述脑电信号的所述事件点。
在应用中，人脑对目标事件中的目标特征点(突变事件点)反应敏感，人脑在获取到目标特征点时，会引起脑电信号的幅值强烈变化。因此，可根据目标特征点对应的时间点，在相同的时间点中获取脑电信号中对应的事件点。
截取每个所述事件点之前第一预设时间，至每个所述事件点之后第二预设时间内的脑电响应段。
在应用中，上述第一预设时间为当前事件点对应的时间点之前的一段时间，上述第二预设时间点为当前事件点对应的时间点之后的一段时间。因此，可认为选取连续的第一预设时间与第二预设时间之和的时间段，并将当前时间段对应的脑电信号作为脑电信号响应段。具体的，第一预设时间可为事件点之前200ms的时间段，第二预设时间段可为事件点之后800m的时间段，因脑电信号为实时脑电波，其时间精度可以达到微秒级，因此，可以在当前第一预设时间和第二预设时间中获取多个峰值时间点对应的脑电信号成分进行分析。
对应提取每个所述脑电响应段对应的脑电成分进行分析。
在应用中，上述脑电成分为脑电信号对应的脑电电位，为人脑在受到目标事件中突变点(目标特征点)的刺激时，诱发脑电信号的节律会随之改变，表现为脑电信号对应脑电电位大幅度升高或降低。
在应用中，上述对脑电成分进行分析为：可根据不同的目标事件，获取对应引起的脑电成分，并分析目标事件与脑电成分之间关系。示例性的，目标事件为音乐事件，获取人脑长时间听取悲伤音乐后诱发的脑电信号，与人脑长时间听取愉快音乐后诱发的脑电信号，根据脑电信号的脑电电位进行比对分析，进而可初步归纳出对于不同标签类别的目标事件去刺激人脑，对于诱发出的脑电信号是否会产生影响。或者，在多个同种标签类别的音乐，例如悲伤类别的音乐，在对人脑产生刺激时，检测到所有刺激时诱发的脑电信号，其脑电电位处于低电位，进而得出在检测到脑电信号的脑电电位在处于低电位时，判定当前人脑处于悲伤状态或接收到悲伤的事件刺激，对此不作限定。
在本实施例中，通过获取引起人脑脑电信号变化的目标事件中的目标特征点，根据目标特征点确定脑电信号的事件点，进而精确提取在人脑接收到刺激时引起的脑电响应段，并根据脑电响应段的脑电成分和目标事件进行分析。
在一实施例中，述对应提取每个所述脑电响应段对应的脑电成分进行分析，包括：
获取每个所述脑电响应段对应的类别。
在应用中，上述脑电响应段对应的类别即为目标事件在该脑电响应段对应时间段中归类的类别。例如，目标事件为音乐事件，若当前音乐事件为悲伤类别的音乐，对应的脑电响应段对应的类别也归为悲伤类。或者，若音乐事件中既有悲伤类别的音乐部分，又有愉快类别的音乐部分，根据脑电响应段的对应的时间段获取同一时间段中的音乐部分，并根据对应的音乐部分的类别，获取当前响应段的类别，对此不作限定。
将相同所述类别的脑电响应段的脑电成分进行叠加平均处理，得到对应类别的目标脑电成分并分析。
在应用中，一首音乐其通常包含多次高潮节奏的部分，因此，对于人脑接收音乐事件引起的脑电成分，可获取到多个相同类别的脑电响应段的脑电成分。因每次提取的脑电响应段的时间长度是一致，因此可在每个时间段中对应选取时间点，并将各时间点对应的脑电成分进行叠加求平均处理，得到对应类别的脑电响应段的脑电成分作为目标成分。示例性的，对于一首音乐引起的脑电信号，若提取到类别相应的两个脑电响应段的脑电成分，第一段脑电成分为0-1000ms的脑电成分，第二为1000-2000ms的脑电成分，可将第0ms对应的脑电成分与第1000ms的脑电成分进行叠加并求平均值，将得到的平均值作为对应类别的第一个目标脑电成分，并依次顺序计算其余目标脑电成分。
在本实施例中，通过将多个类别相同的脑电响应段对应的脑电成分进行叠加平均处理，使因噪声信号随机产生的波动的脑电成分可以在多次叠加平均后可以相互抵消，保留因音乐特征的目标特征点形成到脑电信号成分。
如图6所示，本实施例还提供一种脑电信号分析装置100，包括：
获取模块10，用于获取目标事件，并提取所述目标事件的目标特征；所述目标事件用于引起脑电信号发生变化，所述目标特征与所述脑电信号具有映射关系。
提取模块20，用于根据所述目标特征，提取所述目标事件中符合第一预设规则的目标特征点，作为脑电信号的事件点。
分析模块30，用于根据所述事件点，对应提取脑电信号成分并分析。
在一实施例中，所述目标事件具有若干个事件特征；获取模块10还用于：
分别根据各个事件特征，计算每个所述事件特征与对应的脑电信号的短时相关性；
根据所述短时相关性计算每个所述事件特征的时序相关性；
在所有所述时序相关性中获取目标时序相关性，并将所述目标时序相关性对应的事件特征作为目标特征。
在一实施例中，获取模块10还用于：
获取所有所述时序相关性，并依照所述时序相关性大小对应将各个事件特征依次排列；
将最大时序相关性作为目标时序相关性，并将所述目标时序相关性对应的事件特征作为目标特征。
在一实施例中，提取模块20还用于：
根据所述目标特征，获取所述目标事件对应的目标信号；
对所述目标信号进行二进制小波变换，得到多个小波系数；
对所有所述小波系数进行处理，得到所述目标特征点，所述目标特征点为所述目标信号中目标特征的幅度变化点。
在一实施例中，提取模块20还用于：
获取所有所述小波系数中的第一特征点；
判断所述第一特征点与相邻特征点的幅度变化是否超过预设阈值；
若所述第一特征点与相邻特征点的幅度变化超过预设阈值，则判断所述第一特征点为目标特征点。
在一实施例中，分析模块30还用于：
通过所述目标特征点，根据时间对应获取所述脑电信号的所述事件点；
截取每个所述事件点之前第一预设时间，至每个所述事件点之后第二预设时间内的脑电响应段；
对应提取每个所述脑电响应段对应的脑电成分进行分析。
在一实施例中，分析模块30还用于：
获取每个所述脑电响应段对应的类别；
将相同所述类别的脑电响应段的脑电成分进行叠加平均处理，得到对应类别的目标脑电成分并分析。
在本实施例中，通过获取目标事件特征，提取目标事件特征的目标特征点，映射到脑电信号上，从而提取诱发的脑电信号成分，根据事件点可以提取任意时长的脑电信号成分进行分析，从而解决对连续的脑电信号无法进行有效分析的问题。
本申请实施例还提供了一种终端设备，该终端设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
图7是本申请一实施例提供的终端设备80的示意图。如图7所示，该实施例的终端设备80包括：处理器803、存储器801以及存储在所述存储器801中并可在所述处理器803上运行的计算机程序802。所述处理器803执行所述计算机程序802时实现上述各个方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，所述处理器803执行所述计算机程序802时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序802可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器801中，并由所述处理器803执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序802在所述终端设备80中的执行过程。例如，所述计算机程序802可以被分割成获取模块、提取模块和分析模块，各模块具体功能如下：
获取模块用于获取目标事件，并提取所述目标事件的目标特征；所述目标事件用于引起脑电信号发生变化，所述目标特征与所述脑电信号具有映射关系。
提取模块，用于根据所述目标特征，提取所述目标事件中符合第一预设规则的目标特征点，作为脑电信号的事件点。
分析模块用于根据所述事件点，对应提取脑电信号成分并分析。
所述终端设备80可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器803、存储器801。本领域技术人员可以理解，图7仅仅是终端设备80的示例，并不构成对终端设备80的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器803可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器801可以是所述终端设备80的内部存储单元，例如终端设备80的硬盘或内存。所述存储器801也可以是所述终端设备80的外部存储设备，例如所述终端设备80上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。在一个实施例中，所述存储器801还可以既包括所述终端设备80的内部存储单元也包括外部存储设备。所述存储器801用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器801还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种脑电信号分析方法，其特征在于，包括：
获取目标事件，并提取所述目标事件的目标特征；所述目标事件用于引起脑电信号发生变化，所述目标特征与所述脑电信号具有映射关系；
根据所述目标特征，提取所述目标事件中符合第一预设规则的目标特征点，作为脑电信号的事件点；
根据所述事件点，对应提取预设时间段的脑电信号成分并分析。
2.如权利要求1所述的脑电信号分析方法，其特征在于，所述目标事件具有若干个事件特征；
所述获取目标事件，并提取所述目标事件的目标特征，包括：
分别根据各个事件特征，计算每个所述事件特征与对应的脑电信号的短时相关性；
根据所述短时相关性计算每个所述事件特征的时序相关性；
在所有所述时序相关性中获取目标时序相关性，并将所述目标时序相关性对应的事件特征作为目标特征。
3.如权利要求2所述的脑电信号分析方法，其特征在于，在所有所述时序相关性中获取目标时序相关性，并将所述目标时序相关性对应的事件特征作为目标特征，包括：
获取所有所述时序相关性，并依照所述时序相关性大小对应将各个事件特征依次排列；
将最大时序相关性作为目标时序相关性，并将所述目标时序相关性对应的事件特征作为目标特征。
4.如权利要求1所述的脑电信号分析方法，其特征在于，所述根据所述目标特征，提取所述目标事件中符合第一预设规则的目标特征点，作为脑电信号的事件点，包括：
根据所述目标特征，获取所述目标事件对应的目标信号；
对所述目标信号进行二进制小波变换，得到多个小波系数；
对所有所述小波系数进行处理，得到所述目标特征点，所述目标特征点为所述目标信号中目标特征的幅度变化点。
5.如权利要求4所述的脑电信号分析方法，其特征在于，所述对所有所述小波系数进行处理，得到所述目标特征点，所述目标特征点为所述目标信号中目标特征的幅值变化点，包括：
获取所有所述小波系数中的第一特征点；
判断所述第一特征点与相邻特征点的幅度变化是否超过预设阈值；
若所述第一特征点与相邻特征点的幅度变化超过预设阈值，则判断所述第一特征点为目标特征点。
6.如权利要求1所述的脑电信号分析方法，其特征在于，所述根据所述事件点，对应提取预设时间段的脑电信号成分并分析，包括：
通过所述目标特征点，根据时间对应获取所述脑电信号的所述事件点；
截取每个所述事件点之前第一预设时间，至每个所述事件点之后第二预设时间内的脑电响应段；
对应提取每个所述脑电响应段对应的脑电成分进行分析。
7.如权利要求6所述的脑电信号分析方法，其特征在于，所述对应提取每个所述脑电响应段对应的脑电成分进行分析，包括：
获取每个所述脑电响应段对应的类别；
将相同所述类别的脑电响应段的脑电成分进行叠加平均处理，得到对应类别的目标脑电成分并分析。
8.一种脑电信号分析装置，其特征在于，包括：
获取模块，用于获取目标事件，并提取所述目标事件的目标特征；所述目标事件用于引起脑电信号发生变化，所述目标特征与所述脑电信号具有映射关系；
提取模块，用于根据所述目标特征，提取所述目标事件中符合第一预设规则的目标特征点，作为脑电信号的事件点；
分析模块，用于根据所述事件点，对应提取脑电信号成分并分析。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN202010119912.6A 2020-02-26 2020-02-26 脑电信号分析方法、装置、终端设备及存储介质 Pending CN111317467A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010119912.6A CN111317467A (zh) 2020-02-26 2020-02-26 脑电信号分析方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010119912.6A CN111317467A (zh) 2020-02-26 2020-02-26 脑电信号分析方法、装置、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN111317467A true CN111317467A (zh) 2020-06-23

Family

ID=71165266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010119912.6A Pending CN111317467A (zh) 2020-02-26 2020-02-26 脑电信号分析方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN111317467A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112603335A (zh) * 2020-12-29 2021-04-06 深圳航天科技创新研究院 脑电情感识别方法、系统、设备及存储介质
CN113729711A (zh) * 2021-09-30 2021-12-03 深圳航天科技创新研究院 脑电信号分析方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110123313A (zh) * 2019-04-17 2019-08-16 中国科学院深圳先进技术研究院 一种自训练脑机接口系统及相关训练方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110123313A (zh) * 2019-04-17 2019-08-16 中国科学院深圳先进技术研究院 一种自训练脑机接口系统及相关训练方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112603335A (zh) * 2020-12-29 2021-04-06 深圳航天科技创新研究院 脑电情感识别方法、系统、设备及存储介质
CN112603335B (zh) * 2020-12-29 2023-10-17 深圳航天科技创新研究院 脑电情感识别方法、系统、设备及存储介质
CN113729711A (zh) * 2021-09-30 2021-12-03 深圳航天科技创新研究院 脑电信号分析方法、装置、设备及存储介质
CN113729711B (zh) * 2021-09-30 2023-10-13 深圳航天科技创新研究院 脑电信号分析方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Maity et al. Multifractal detrended fluctuation analysis of alpha and theta EEG rhythms with musical stimuli
Kumar et al. Envisioned speech recognition using EEG sensors
Babadi et al. A review of multitaper spectral analysis
Cooney et al. Mel frequency cepstral coefficients enhance imagined speech decoding accuracy from EEG
Negro et al. Factors influencing the estimates of correlation between motor unit activities in humans
Guerrero-Mosquera et al. EEG feature selection using mutual information and support vector machine: A comparative analysis
Cong et al. Validating rationale of group-level component analysis based on estimating number of sources in EEG through model order selection
CN111671420A (zh) 一种从静息态脑电数据中提取特征的方法及终端设备
CN111317467A (zh) 脑电信号分析方法、装置、终端设备及存储介质
CN112754502A (zh) 一种基于脑电信号的音乐自动切换方法
Yudhana et al. Recognizing human emotion patterns by applying Fast Fourier Transform based on brainwave features
Soumaya et al. A hybrid method for the diagnosis and classifying parkinson's patients based on time–frequency domain properties and K-nearest neighbor
Cong et al. Analysis of ongoing EEG elicited by natural music stimuli using nonnegative tensor factorization
Nodera et al. Classification of needle‐EMG resting potentials by machine learning
Zhang et al. Four-classes human emotion recognition via entropy characteristic and random Forest
CN108601567A (zh) 推测方法、推测程序、推测装置及推测系统
Yan et al. Nonlinear analysis of auscultation signals in TCM using the combination of wavelet packet transform and sample entropy
Taran A nonlinear feature extraction approach for speech emotion recognition using VMD and TKEO
CN113576498A (zh) 基于脑电信号的视听觉美学评价方法及系统
Madruga et al. Addressing smartphone mismatch in Parkinson’s disease detection aid systems based on speech
Sarkar et al. A simultaneous EEG and EMG study to quantify emotions from Hindustani classical music
Jeng et al. Non-negative matrix factorization improves the efficiency of recording frequency-following responses in normal-hearing adults and neonates
Messaoud et al. A cry-based babies identification system
Sourina et al. Novel tools for quantification of brain responses to music stimuli
Reddy et al. Categorization of environmental sounds

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

Application publication date: 20200623

RJ01 Rejection of invention patent application after publication