CN111616680A - 一种脑力负荷自动辨识方法及系统 - Google Patents

一种脑力负荷自动辨识方法及系统 Download PDF

Info

Publication number
CN111616680A
CN111616680A CN202010452922.1A CN202010452922A CN111616680A CN 111616680 A CN111616680 A CN 111616680A CN 202010452922 A CN202010452922 A CN 202010452922A CN 111616680 A CN111616680 A CN 111616680A
Authority
CN
China
Prior art keywords
electroencephalogram
frequency band
independent
mixing matrix
independent component
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
CN202010452922.1A
Other languages
English (en)
Inventor
庞丽萍
曲洪权
完颜笑如
曹晓东
王锡玥
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202010452922.1A priority Critical patent/CN111616680A/zh
Publication of CN111616680A publication Critical patent/CN111616680A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component 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
    • 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
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种脑力负荷自动辨识方法及系统。该脑力负荷自动辨识方法包括：获取脑电信号；采用独立成分分析法对脑电信号进行分离，得到多个脑电独立分量；提取各脑电独立分量的能量特征；将能量特征输入到SVM分类器中，得到脑电信号的脑力负荷分类结果。本发明能够提高脑力负荷的辨识准确率。

Description

一种脑力负荷自动辨识方法及系统
技术领域
本发明涉及脑力负荷辨识领域，特别是涉及一种脑力负荷自动辨识方法及系统。
背景技术
现有的脑力负荷辨识方法首先对采集的脑电信号(electroencephalogram，EEG)进行滤波处理，再对滤波后脑电信号进行特征提取，最后将得到的特征向量作为输入，利用支持向量机(Support Vector Machine，SVM)实现脑力负荷分类。图1为现有的脑力负荷辨识方法的流程图。参见图1，步骤101为采集的原始脑电信号(EEG)；步骤102为脑电信号预处理；步骤103为特征提取；步骤104为SVM分类器。
现有的脑力负荷辨识方法均是基于脑电信号展开研究，将采集的原始脑电信号进行滤波处理，得到滤波后的脑电信号，对其提取不同频段对应的能量特征，最后将所提特征作为输入，利用SVM进行脑力负荷分类。脑电图电极记录的通道信号是一组脑信号的混合信号，混合过程中导致部分脑信号特征被掩盖，直接分析混合信号不利于区分脑电信号的特性，导致辨识准确率较低。
发明内容
基于此，有必要提供一种脑力负荷自动辨识方法及系统，以提高辨识准确率。
为实现上述目的，本发明提供了如下方案：
一种脑力负荷自动辨识方法，包括：
获取脑电信号；
采用独立成分分析法对所述脑电信号进行分离，得到多个脑电独立分量；
提取各所述脑电独立分量的能量特征；
将所述能量特征输入到SVM分类器中，得到所述脑电信号的脑力负荷分类结果。
可选的，所述采用独立成分分析法对所述脑电信号进行分离，得到多个脑电独立分量，具体包括：
构建计算模型
X(t)＝AS(t)；
其中，X(t)表示脑电信号，X(t)＝[x1,x2,...,xm]T，T表示转置，m表示电极点的个数，S(t)表示脑电独立分量集合，S(t)＝[s1,s2,...,sn]T，n表示脑电独立分量的个数，A表示混合矩阵，A＝{aij},i＝1,2,...,m；j＝1,2,...,n；
构建对数似然函数
Figure BDA0002508301880000021
ps(wiX(t))表示第j个独立分量的概率密度，W表示解混合矩阵，W＝[w1,w2,...,wn]T＝A-1；
以所述对数似然函数最大为目标，对所述解混合矩阵求解，得到解混合矩阵的最优解；
由所述解混合矩阵的最优解计算混合矩阵的最优解；
将所述混合矩阵的最优解代入到所述计算模型中，得到脑电信号分离模型；
采用所述脑电信号分离模型对所述脑电信号进行分离，得到多个脑电独立分量。
可选的，所述提取各所述脑电独立分量的能量特征，具体包括：
对所述脑电独立分量进行分段处理，得到多个脑电独立分量片段；
对所述脑电独立分量片段进行傅里叶变换，得到脑电独立分量频域片段；
计算所述脑电独立分量频域片段的功率谱密度；
由所述功率谱密度计算各频段的能量特征。
可选的，所述由所述功率谱密度计算各频段的能量特征，具体包括：
Figure BDA0002508301880000031
其中，Eα表示8Hz-13Hz频段的能量特征，Eβ表示14Hz-30Hz频段的能量特征，Eθ表示4Hz-7Hz频段的能量特征，Eδ表示0.5Hz-3Hz频段的能量特征，pfreq表示对应频段的功率谱密度。
可选的，在所述获取脑电信号之后，还包括：
对所述脑电信号进行滤波，得到滤波后的脑电信号。
本发明还提供了一种脑力负荷自动辨识系统，包括：
脑电信号获取模块，用于获取脑电信号；
信号分离模块，用于采用独立成分分析法对所述脑电信号进行分离，得到多个脑电独立分量；
能量特征提取模块，用于提取各所述脑电独立分量的能量特征；
分类模块，用于将所述能量特征输入到SVM分类器中，得到所述脑电信号的脑力负荷分类结果。
可选的，所述信号分离模块，具体包括：
计算模型构建单元，用于构建计算模型
X(t)＝AS(t)；
其中，X(t)表示脑电信号，X(t)＝[x1,x2,...,xm]T，m表示电极点的个数，S(t)表示脑电独立分量集合，S(t)＝[s1,s2,...,sn]T，n表示脑电独立分量的个数，A表示混合矩阵，A＝{aij},i＝1,2,...,m；j＝1,2,...,n；
似然函数构建单元，用于构建对数似然函数
Figure BDA0002508301880000032
ps(wjX(t))表示第j个独立分量的概率密度，W表示解混合矩阵，W＝[w1,w2,...,wn]T＝A-1；
第一求解单元，用于以所述对数似然函数最大为目标，对所述解混合矩阵求解，得到解混合矩阵的最优解；
第二求解单元，用于由所述解混合矩阵的最优解计算混合矩阵的最优解；
分离模型构建单元，用于将所述混合矩阵的最优解代入到所述计算模型中，得到脑电信号分离模型；
分离单元，用于采用所述脑电信号分离模型对所述脑电信号进行分离，得到多个脑电独立分量。
可选的，所述能量特征提取模块，具体包括：
分段单元，用于对所述脑电独立分量进行分段处理，得到多个脑电独立分量片段；
傅里叶变换单元，用于对所述脑电独立分量片段进行傅里叶变换，得到脑电独立分量频域片段；
功率谱密度计算单元，用于计算所述脑电独立分量频域片段的功率谱密度；
能量特征计算单元，用于由所述功率谱密度计算各频段的能量特征。
可选的，所述能量特征计算单元，具体包括：
Figure BDA0002508301880000041
其中，Eα表示8Hz-13Hz频段的能量特征，Eβ表示14Hz-30Hz频段的能量特征，Eθ表示4Hz-7Hz频段的能量特征，Eδ表示0.5Hz-3Hz频段的能量特征，pfreq表示对应频段的功率谱密度。
可选的，所述脑力负荷自动辨识系统还包括：
滤波模块，用于对所述脑电信号进行滤波，得到滤波后的脑电信号。
与现有技术相比，本发明的有益效果是：
本发明提出了一种脑力负荷自动辨识方法及系统，采用独立成分分析法对脑电信号进行分离，得到多个脑电独立分量；提取各脑电独立分量的能量特征；将能量特征输入到SVM分类器中，得到脑电信号的脑力负荷分类结果。本发明对脑电独立分量进行特征提取，可以避免混合脑电信号中信号混叠导致部分源信号特征被掩盖的问题，得到的能量特征具有更大的差异性，从而提高了脑力负荷辨识的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，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为现有的脑力负荷辨识方法的流程图；
图2为多源脑电信号混合过程的示意图；
图3为本实施例脑力负荷自动辨识方法的流程图；
图4为本实施例脑力负荷自动辨识方法具体过程示意图；
图5为本发明实施例脑力负荷自动辨识系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明借鉴分离多源混合语音信号进而获得纯信号的方法—独立分量分析，针对视觉和操作类任务，提出了一种基于脑电独立分量的脑力负荷辨识方法，直接分析脑电信号的独立成分，每个独立成分代表一个源(神经元)发出的信号，即独立脑电信号。对独立分量进行特征提取更易得到具有差异性的能量特征，从而提高脑力负荷辨识准确率。本发明中的脑力负荷自动辨识方法的构思如下：
利用非侵入式的测量技术采集脑电信号，将传感器(电极点)设置在头部表面的位置。人的思维过程，会激活很多神经元，从而产生脑活动信号。每个传感器测量的信号都是多个神经元所产生信号的混合信号，且混合方式取决于神经元到传感器的距离，而且同一个人佩带同一种脑电帽对应固定的混合方式。多源脑电信号混合过程示意图如图2所示。
分离混合脑电信号是将混合信号分离，得到独立纯信号再进行后续分析。脑电图电极记录的通道信号可以认为是的一组脑信号的混合信号，直接分析混合信号不利于区分脑信号的特性。因此，本发明借鉴分离多源混合语音信号进而获得纯信号的方法——独立分量分析，针对视觉和操作类任务，提出一种基于脑电独立分量的脑力负荷辨识方法，该方法可以通过如下四个步骤实现：对测量的脑电信号进行滤波；采用独立成分分析法(ICA)获得脑电独立分量；提取脑电独立分量的能量特征；利用SVM进行脑力负荷分类。本实施例脑力负荷自动辨识方法的流程图和具体过程示意图如图3和图4所示。
参见图3和图4，本实施例的脑力负荷自动辨识方法，包括：
步骤301：获取脑电信号。
步骤302：采用独立成分分析法对所述脑电信号进行分离，得到多个脑电独立分量。
步骤303：提取各所述脑电独立分量的能量特征。
步骤304：将所述能量特征输入到SVM分类器中，得到所述脑电信号的脑力负荷分类结果。
其中，步骤301，具体包括：
采用DSI-24可穿戴传感脑电系统自带的软件DSI-Streamer采集30个电极点的脑电数据。
其中，步骤302，所具体包括：
1)构建计算模型
X(t)＝AS(t)；
其中，X(t)表示脑电信号，X(t)＝[x1,x2,...,xm]T，T表示转置，m表示电极点的个数，S(t)表示脑电独立分量集合，S(t)＝[s1,s2,...,sn]T，n表示脑电独立分量的个数，A表示混合矩阵，A＝{aij},i＝1,2,...,m；j＝1,2,...,n。
2)构建对数似然函数
Figure BDA0002508301880000071
ps(wjX(t))表示第j个独立分量的概率密度，W表示解混合矩阵，W＝[w1,w2,...,wn]T＝A-1。
3)以所述对数似然函数最大为目标，对所述解混合矩阵求解，得到解混合矩阵的最优解。
4)由所述解混合矩阵的最优解计算混合矩阵的最优解。
5)将所述混合矩阵的最优解代入到所述计算模型中，得到脑电信号分离模型。
6)采用所述脑电信号分离模型对所述脑电信号进行分离，得到多个脑电独立分量。
在实际应用中，步骤302更为具体的实现方法为：
对脑电信号进行独立分量分析，对脑电独立源信号(独立分量)进行估计。原理为基于线性变换用矩阵分解的方法将未知信号源分解为独立的估计源信号(脑电独立分量集合)S(t)。计算模型为：
X(t)＝AS(t)，
这里，需要假设S(t)＝[s1,s2,...,sn]T且每一个分量相互独立，n表示独立估计源(脑电独立分量)的个数，X(t)表示脑电信号，X(t)＝[x1,x2,...,xm]T，m表示电极点的个数，A为混合矩阵。设混合矩阵A的逆矩阵(解混合矩阵)W＝A-1是混合的逆向过程，表示为W＝{wij},i＝1,2,...,m；j＝1,2,...,n。那么找到解混合矩阵W就可以得到独立估计源S(t)。设S(t)可以通过密度函数ps给出，则联合分布p(s)为：
Figure BDA0002508301880000072
ps(sj)表示第j个独立估计源的概率密度，sj表示第j个独立估计源量。
通过将联合分布拆解为边界分布的乘积，就能得出每个估计源都是独立的假设，利用公式：
p(x)＝p(WX(t))·|W|，
p(x)表示脑电信号的概率密度，p(WX(t))表示独立估计源的概率密度，X(t)表示脑电信号，X(t)＝[x1,x2,...,xm]T，m表示电极点的个数，W表示解混合矩阵，W＝[w1,w2,...,wn]T＝A-1。
可得到X(t)＝AS(t)＝W-1S(t)的概率密度为：
Figure BDA0002508301880000081
p(x)表示脑电信号的概率密度，p(wjX(t))表示第j个独立估计源的概率密度，W表示解混合矩阵，W＝[w1,w2,...,wn]T＝A-1。
模型中参数为W，给定X(t)，则对数似然函数为：
Figure BDA0002508301880000082
ps(wjX(t))表示第j个独立分量的概率密度，W表示解混合矩阵，W＝[w1,w2,...,wn]T＝A-1。
求解最大化似然函数就可以得到参数W的最佳估计，从而得到S(t)，ps(aijxi)表示独立估计源的概率密度。
为保证每个被试解混后的独立成分具有一致性，本发明针对每个被试采用统一的解混合矩阵，且分离的独立成分个数设置为30。
其中，步骤303，具体包括：
1)对所述脑电独立分量进行分段处理，得到多个脑电独立分量片段。
2)对所述脑电独立分量片段进行傅里叶变换，得到脑电独立分量频域片段。
3)计算所述脑电独立分量频域片段的功率谱密度。
4)由所述功率谱密度计算各频段的能量特征，
Figure BDA0002508301880000091
其中，Eα表示8Hz-13Hz频段的能量特征，Eβ表示14Hz-30Hz频段的能量特征，Eθ表示4Hz-7Hz频段的能量特征，Eδ表示0.5Hz-3Hz频段的能量特征，pfreq表示对应频段的功率谱密度。
在实际应用中，步骤303更为具体的实现方法为：
对脑电独立分量依次进行分段处理、傅里叶(FFT)变换、功率谱估计和能量计算，得到相应特征。进行分段处理时，为了把时域上的脑电信号看作是准平稳的，每一个片段的时间长度为1s(即1000个采样点)且相邻片段重叠一半的数据(即500个采样点)，每一个片段用f(t)表示，即每一个片段为一个样本。对每个样本进行nT点的FFT转换，其中nT＝1000，得到频域样本，用F(nT)表示，公式为：
Figure BDA0002508301880000092
之后，计算F(nT)的功率谱密度P(nT)，公式为：
Figure BDA0002508301880000093
其中，F*(nT)是F(nT)的共轭，N是信号长度。
根据脑电信号频段分布，独立分量可以分为δ(0.5Hz-3Hz)、θ(4Hz-7Hz)、α(8Hz-13Hz)、β(14Hz-30Hz)四种频段，计算每个频段的能量特征，得到Eα、Eβ、Eθ和Eδ。
其中，步骤304，具体为：
将提取的4种能量特征Eα、Eβ、Eθ和Eδ作为输入，利用SVM算法实现脑力负荷分类。通过网格搜索筛选出SVM分类器的最优参数并进行交叉验证，保证模型的鲁棒性，减少过拟合。SVM算法是通过找到几何间隔最大的超平面对数据进行划分的算法，公式为：
Figure BDA0002508301880000101
其中，w为超平面法向量，b为位移，yi为样本标签，xi为样本，i为样本数量。
作为一种可选的实施方式，在步骤302之后，还包括：
对所述脑电信号进行滤波，得到滤波后的脑电信号。具体的，对脑电信号进行1Hz-30Hz的带通滤波，得到滤波后的脑电信号。
本实施例针对视觉和操作类脑力负荷分类提出的基于脑电独立分量的全自动脑力负荷辨识方法，解决了基于脑电信号的脑力负荷辨识准确率低的难题。
本发明还提供了一种脑力负荷自动辨识系统，图5为本发明实施例脑力负荷自动辨识系统的结构示意图。
参见图5，本实施例的脑力负荷自动辨识系统包括：
脑电信号获取模块501，用于获取脑电信号。
信号分离模块502，用于采用独立成分分析法对所述脑电信号进行分离，得到多个脑电独立分量。
能量特征提取模块503，用于提取各所述脑电独立分量的能量特征。
分类模块504，用于将所述能量特征输入到SVM分类器中，得到所述脑电信号的脑力负荷分类结果。
作为一种可选的实施方式，所述信号分离模块502，具体包括：
计算模型构建单元，用于构建计算模型
X(t)＝AS(t)；
其中，X(t)表示脑电信号，X(t)＝[x1,x2,...,xm]T，m表示电极点的个数，S(t)表示脑电独立分量集合，S(t)＝[s1,s2,...,sn]T，n表示脑电独立分量的个数，A表示混合矩阵，A＝{aij},i＝1,2,...,m；j＝1,2,...,n。
似然函数构建单元，用于构建对数似然函数
Figure BDA0002508301880000111
ps(wjX(t))表示第j个独立分量的概率密度，W表示解混合矩阵，W＝[w1,w2,...,wn]T＝A-1。
第一求解单元，用于以所述对数似然函数最大为目标，对所述解混合矩阵求解，得到解混合矩阵的最优解。
第二求解单元，用于由所述解混合矩阵的最优解计算混合矩阵的最优解。
分离模型构建单元，用于将所述混合矩阵的最优解代入到所述计算模型中，得到脑电信号分离模型。
分离单元，用于采用所述脑电信号分离模型对所述脑电信号进行分离，得到多个脑电独立分量。
作为一种可选的实施方式，所述能量特征提取模块503，具体包括：
分段单元，用于对所述脑电独立分量进行分段处理，得到多个脑电独立分量片段。
傅里叶变换单元，用于对所述脑电独立分量片段进行傅里叶变换，得到脑电独立分量频域片段。
功率谱密度计算单元，用于计算所述脑电独立分量频域片段的功率谱密度。
能量特征计算单元，用于由所述功率谱密度计算各频段的能量特征。
作为一种可选的实施方式，所述能量特征计算单元，具体包括：
Figure BDA0002508301880000112
其中，Eα表示8Hz-13Hz频段的能量特征，Eβ表示14Hz-30Hz频段的能量特征，Eθ表示4Hz-7Hz频段的能量特征，Eδ表示0.5Hz-3Hz频段的能量特征，pfreq表示对应频段的功率谱密度。
作为一种可选的实施方式，所述脑力负荷自动辨识系统还包括：
滤波模块，用于对所述脑电信号进行滤波，得到滤波后的脑电信号。
本实施例中的脑力负荷自动辨识系统，对脑电独立分量进行特征提取，可以避免混合脑电信号中信号混叠导致部分源信号特征被掩盖的问题，本系统更易得到具有差异性的Eα、Eβ、Eθ和Eδ特征，从而提高了脑力负荷分类的准确率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种脑力负荷自动辨识方法，其特征在于，包括：
获取脑电信号；
采用独立成分分析法对所述脑电信号进行分离，得到多个脑电独立分量；
提取各所述脑电独立分量的能量特征；
将所述能量特征输入到SVM分类器中，得到所述脑电信号的脑力负荷分类结果。
2.根据权利要求1所述的一种脑力负荷自动辨识方法，其特征在于，所述采用独立成分分析法对所述脑电信号进行分离，得到多个脑电独立分量，具体包括：
构建计算模型
X(t)＝AS(t)；
其中，X(t)表示脑电信号，X(t)＝[x1,x2,...,xm]T，m表示电极点的个数，S(t)表示脑电独立分量集合，S(t)＝[s1,s2,...,sn]T，n表示脑电独立分量的个数，A表示混合矩阵，A＝{aij},i＝1,2,...,m；j＝1,2,...,n；
构建对数似然函数
Figure FDA0002508301870000011
ps(wjX(t))表示第j个独立分量的概率密度，W表示解混合矩阵，W＝[w1,w2,...,wn]T＝A-1；
以所述对数似然函数最大为目标，对所述解混合矩阵求解，得到解混合矩阵的最优解；
由所述解混合矩阵的最优解计算混合矩阵的最优解；
将所述混合矩阵的最优解代入到所述计算模型中，得到脑电信号分离模型；
采用所述脑电信号分离模型对所述脑电信号进行分离，得到多个脑电独立分量。
3.根据权利要求1所述的一种脑力负荷自动辨识方法，其特征在于，所述提取各所述脑电独立分量的能量特征，具体包括：
对所述脑电独立分量进行分段处理，得到多个脑电独立分量片段；
对所述脑电独立分量片段进行傅里叶变换，得到脑电独立分量频域片段；
计算所述脑电独立分量频域片段的功率谱密度；
由所述功率谱密度计算各频段的能量特征。
4.根据权利要求3所述的一种脑力负荷自动辨识方法，其特征在于，所述由所述功率谱密度计算各频段的能量特征，具体包括：
Figure FDA0002508301870000021
其中，Eα表示8Hz-13Hz频段的能量特征，Eβ表示14Hz-30Hz频段的能量特征，Eθ表示4Hz-7Hz频段的能量特征，Eδ表示0.5Hz-3Hz频段的能量特征，pfreq表示对应频段的功率谱密度。
5.根据权利要求1所述的一种脑力负荷自动辨识方法，其特征在于，在所述获取脑电信号之后，还包括：
对所述脑电信号进行滤波，得到滤波后的脑电信号。
6.一种脑力负荷自动辨识系统，其特征在于，包括：
脑电信号获取模块，用于获取脑电信号；
信号分离模块，用于采用独立成分分析法对所述脑电信号进行分离，得到多个脑电独立分量；
能量特征提取模块，用于提取各所述脑电独立分量的能量特征；
分类模块，用于将所述能量特征输入到SVM分类器中，得到所述脑电信号的脑力负荷分类结果。
7.根据权利要求6所述的一种脑力负荷自动辨识系统，其特征在于，所述信号分离模块，具体包括：
计算模型构建单元，用于构建计算模型
X(t)＝AS(t)；
其中，X(t)表示脑电信号，X(t)＝[x1,x2,...,xm]T，m表示电极点的个数，S(t)表示脑电独立分量集合，S(t)＝[s1,s2,...,sn]T，n表示脑电独立分量的个数，A表示混合矩阵，A＝{aij},i＝1,2,...,m；j＝1,2,...,n；
似然函数构建单元，用于构建对数似然函数
Figure FDA0002508301870000031
ps(wjX(t))表示第j个独立分量的概率密度，W表示解混合矩阵，W＝[w1,w2,...,wn]T＝A-1；
第一求解单元，用于以所述对数似然函数最大为目标，对所述解混合矩阵求解，得到解混合矩阵的最优解；
第二求解单元，用于由所述解混合矩阵的最优解计算混合矩阵的最优解；
分离模型构建单元，用于将所述混合矩阵的最优解代入到所述计算模型中，得到脑电信号分离模型；
分离单元，用于采用所述脑电信号分离模型对所述脑电信号进行分离，得到多个脑电独立分量。
8.根据权利要求6所述的一种脑力负荷自动辨识系统，其特征在于，所述能量特征提取模块，具体包括：
分段单元，用于对所述脑电独立分量进行分段处理，得到多个脑电独立分量片段；
傅里叶变换单元，用于对所述脑电独立分量片段进行傅里叶变换，得到脑电独立分量频域片段；
功率谱密度计算单元，用于计算所述脑电独立分量频域片段的功率谱密度；
能量特征计算单元，用于由所述功率谱密度计算各频段的能量特征。
9.根据权利要求8所述的一种脑力负荷自动辨识系统，其特征在于，所述能量特征计算单元，具体包括：
Figure FDA0002508301870000041
其中，Eα表示8Hz-13Hz频段的能量特征，Eβ表示14Hz-30Hz频段的能量特征，Eθ表示4Hz-7Hz频段的能量特征，Eδ表示0.5Hz-3Hz频段的能量特征，pfreq表示对应频段的功率谱密度。
10.根据权利要求6所述的一种脑力负荷自动辨识系统，其特征在于，还包括：
滤波模块，用于对所述脑电信号进行滤波，得到滤波后的脑电信号。
CN202010452922.1A 2020-05-26 2020-05-26 一种脑力负荷自动辨识方法及系统 Pending CN111616680A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010452922.1A CN111616680A (zh) 2020-05-26 2020-05-26 一种脑力负荷自动辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010452922.1A CN111616680A (zh) 2020-05-26 2020-05-26 一种脑力负荷自动辨识方法及系统

Publications (1)

Publication Number Publication Date
CN111616680A true CN111616680A (zh) 2020-09-04

Family

ID=72255155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010452922.1A Pending CN111616680A (zh) 2020-05-26 2020-05-26 一种脑力负荷自动辨识方法及系统

Country Status (1)

Country Link
CN (1) CN111616680A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112617851A (zh) * 2021-01-06 2021-04-09 北京航空航天大学 一种基于心电信号的脑力负荷分类方法及系统
WO2023002914A1 (ja) * 2021-07-19 2023-01-26 国立大学法人九州大学 脳活動推定方法、脳活動推定装置および脳活動推定プログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070066914A1 (en) * 2005-09-12 2007-03-22 Emotiv Systems Pty Ltd Method and System for Detecting and Classifying Mental States
US20080249430A1 (en) * 2007-04-05 2008-10-09 Erwin Roy John System and Method for Pain Detection and Computation of a Pain Quantification Index
CN101352337A (zh) * 2007-12-25 2009-01-28 天津大学 站起想象动作脑电的信号采集和特征提取方法
CN104490391A (zh) * 2014-12-19 2015-04-08 北京理工大学 一种基于脑电信号的战斗人员状态监测系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070066914A1 (en) * 2005-09-12 2007-03-22 Emotiv Systems Pty Ltd Method and System for Detecting and Classifying Mental States
US20080249430A1 (en) * 2007-04-05 2008-10-09 Erwin Roy John System and Method for Pain Detection and Computation of a Pain Quantification Index
CN101352337A (zh) * 2007-12-25 2009-01-28 天津大学 站起想象动作脑电的信号采集和特征提取方法
CN104490391A (zh) * 2014-12-19 2015-04-08 北京理工大学 一种基于脑电信号的战斗人员状态监测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GABRIELLA TAMBURRO ET AL: "A new ICA-based fingerprint method for the automatic removal of physiological artifacts from EEG recordings", 《PEERJ》 *
张洁，庞丽萍，完颜笑如，等: "基于脑电功率谱密度的作业人员脑力负荷评估方法", 《航空学报》 *
管向东，欧阳彬，周建新: "《重症量化脑电》", 31 December 2019 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112617851A (zh) * 2021-01-06 2021-04-09 北京航空航天大学 一种基于心电信号的脑力负荷分类方法及系统
WO2023002914A1 (ja) * 2021-07-19 2023-01-26 国立大学法人九州大学 脳活動推定方法、脳活動推定装置および脳活動推定プログラム

Similar Documents

Publication Publication Date Title
Aslan et al. Automatic Detection of Schizophrenia by Applying Deep Learning over Spectrogram Images of EEG Signals.
Hsieh et al. Feature selection framework for xgboost based on electrodermal activity in stress detection
CN105411565B (zh) 基于广义尺度小波熵的心率变异性特征分类方法
KR101293446B1 (ko) 움직임을 상상하는 뇌파 분류 방법 및 그 장치
CN105320969A (zh) 基于多尺度Renyi熵的心率变异性特征分类方法
CN103190904B (zh) 基于缺项特征的脑电图分类检测装置
CN114532993B (zh) 一种癫痫患者脑电高频振荡信号的自动检测方法
CN112674782B (zh) 癫痫患者发作间期痫样电活动检测装置和方法
Tawhid et al. Automatic and efficient framework for identifying multiple neurological disorders from EEG signals
Yu et al. Epileptic seizure prediction using deep neural networks via transfer learning and multi-feature fusion
CN111616680A (zh) 一种脑力负荷自动辨识方法及系统
Chen et al. Two-dimensional phase lag index image representation of electroencephalography for automated recognition of driver fatigue using convolutional neural network
CN104510468A (zh) 一种脑电信号的特征提取方法及装置
Li et al. A deep learning approach to cardiovascular disease classification using empirical mode decomposition for ECG feature extraction
Yao et al. Interpretation of electrocardiogram heartbeat by CNN and GRU
CN107045624B (zh) 一种基于最大加权团的脑电信号预处理与分类方法
Jiang et al. Analytical comparison of two emotion classification models based on convolutional neural networks
CN108470182A (zh) 一种用于非对称脑电特征增强与识别的脑-机接口方法
Gnana Rajesh Analysis of MFCC features for EEG signal classification
CN113069117A (zh) 一种基于时间卷积神经网络的脑电情绪识别方法及系统
CN106843509A (zh) 一种脑机接口系统
Erkan et al. A study on the effect of psychophysiological signal features on classification methods
CN110200624A (zh) 基于卷积神经网络-循环神经网络-支持向量机混合模型的疾病识别算法
CN113057654B (zh) 基于频率耦合神经网络模型的记忆负荷检测提取系统及方法
CN114881089A (zh) 基于双分支融合模型的抑郁脑电分类方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200904