CN111671421B - 一种基于脑电图的儿童需求感知方法 - Google Patents

一种基于脑电图的儿童需求感知方法 Download PDF

Info

Publication number
CN111671421B
CN111671421B CN202010587662.9A CN202010587662A CN111671421B CN 111671421 B CN111671421 B CN 111671421B CN 202010587662 A CN202010587662 A CN 202010587662A CN 111671421 B CN111671421 B CN 111671421B
Authority
CN
China
Prior art keywords
demand
frequency
channels
signal
channel
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.)
Active
Application number
CN202010587662.9A
Other languages
English (en)
Other versions
CN111671421A (zh
Inventor
张胜利
吕钊
孙文慧
张超
吴小培
穆雪
张道信
郭晓静
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.)
Anhui Zhiqu Angel Information Technology Co ltd
Original Assignee
Anhui Zhiqu Angel Information Technology Co ltd
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 Anhui Zhiqu Angel Information Technology Co ltd filed Critical Anhui Zhiqu Angel Information Technology Co ltd
Priority to CN202010587662.9A priority Critical patent/CN111671421B/zh
Publication of CN111671421A publication Critical patent/CN111671421A/zh
Application granted granted Critical
Publication of CN111671421B publication Critical patent/CN111671421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/06—Children, e.g. for attention deficit diagnosis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (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脑电图的儿童需求感知方法，首先，采集儿童在饮食需求、心理需求及生理需求3种不同状态下的多通道脑电数据；接着，使用基于滑动窗的时/频变换，将观测信号从一维的时域信号变换到二维的时/频信号，通过构建目标函数并进行迭代寻优，实现在每个频点上脑神经活动独立成份的获取；为保证分离后信号的质量，对分离结果进行质量评估，评估合格的结果进入通道选择步骤，保留与需求感知相关的通道；否则继续迭代寻优；最后，对保留的通道分别提取时频特征及空域特征，使用支持向量机完成3种需求状态的分类。本发明基于脑电的儿童需求感知方法，具有更高的需求感知准确率、较强的需求类型扩展能力及极高的潜在经济效益。

Description

一种基于脑电图的儿童需求感知方法
技术领域
本发明涉及智能童车领域，特别是涉及基于脑电图的儿童需求感知方法。
背景技术
童车，作为儿童玩具的一种，不仅承载着儿童身体，更承载着千万个家庭的期望与未来。
安全对于童车而言都是至关重要的因素，每一起因安全而导致的严重事故，不仅仅是一个个鲜活生命的消逝，更是一个家庭的灭顶之灾。
国家市场监督总局2019年发布的《关于儿童推车的消费提示》中明确指出：童车在儿童用品伤害中较为突出，儿童推车相关伤害问题主要集中在学龄前儿童使用推车产品的过程中，因从车体跌落导致的挫伤或擦伤。因此，如何提高童车的安全性是一个亟待解决的问题。
儿童从车体跌落原因的进一步调查表明，除童车本身的安全性能欠缺外，另外一个主要的原因是儿童在解决基本需求的过程中，如希望家长抱抱或肚子饿时，身体动作幅度过大而导致童车倾斜或摔倒。
因此，为了提高童车安全，除车体设计上的改进外，对儿童需求的主动感知，即能够捕获儿童需求并及时提醒家长，这对于提高童车安全性能将起到重要的作用。随着人工智能技术的日趋成熟，将人工智能技术与传统童车相结合，提高童车的安全性能将具有重要的意义。
已有研究成果表明，人在产生不同需求时所引发的大脑活动模式在很大程度上能够揭示其行为意图，而这种大脑活动模式可以通过获取、分析头皮脑电变化规律来实现，因此使用脑电信号进行饮食需求、心理需求、生理需求等意图感知，对提高童车的安全性能具有重要的意义。
目前，脑电信号的获取与分析主要围绕疾病诊断、运动想象等领域展开，研究成果虽有一定的借鉴意义，但由于需求意图所诱发的脑电信号与疾病和运动想象状态下所诱发的脑电信号在大脑中的响应区域与响应模式均存在较大的差异。
为了获取任务相关神经源活动信息，盲源分离是目前研究者较多采用的一种方法。现阶段，大家普遍认为神经源到头皮的传导过程可以用线性混合模型来描述，然而，传输过程由于受到颅骨、脂肪等器官的衰减，线性混合模型很难真实地描述以需求为任务背景的头皮脑电信号的生成过程，因此，如何根据需求脑电信号的特点，有效提取需求脑神经源活动成份，实现高准确率的基于脑电的需求感知是一个亟待解决的问题。
发明内容
本发明是为解决上述已有技术中存在的问题，提供一种具有较高需求感知准确率、较强的需求类型扩展能力及极高的潜在经济效益的基于脑电的儿童需求感知方法。
为此，本发明提供了一种基于脑电图的儿童需求感知方法，包括以下步骤：步骤1、采集儿童在饮食需求、心理需求及生理需求3种不同需求状态下的多通道脑电数据xi(i＝1,2,...,32)，i表示通道索引，对其预处理后的信号为x′i(i＝1,2,...,32)；步骤2、基于滑动窗的时/频变换，对预处理后的信号x′i进行时/频变换，得到时/频域矩阵Xi(f,τ)，其中，
Figure BDA0002554377040000021
fs是采样频率，L为傅里叶变换的频点数；τ＝τ0,…,τM，下标表示滑动窗索引；步骤3、使用单位矩阵对频点f处的分离矩阵W(f)进行初始化，得到初始化的W(f)后，利用式(2)对估计信号U(f,τ)＝W(f)X(f,τ)进行初始化，其中，X(f,τ)是Xi(f,τ)的全通道表示形式；步骤4、定义目标函数Q，即/>
Figure BDA0002554377040000022
其中，p(U1…U32)为估计信号Ui的联合概率密度，/>
Figure BDA0002554377040000023
为边缘概率密度乘积，E(·)表示期望运算，KL(·)表示K-L散度，用其来衡量p(U1…U32)和/>
Figure BDA0002554377040000024
之间的距离；步骤5、对目标函数进行最小化寻优操作，当Q达到最小值时，迭代终止，从而获取对应的最终分离矩阵W(f)；步骤6、对所有频点执行完成步骤3-5后，使用式(5)将频域形式的估计信号U(f,τ)变换回时域形式，得到通道i的时域估计信号ui(t,τj)；步骤7、对分离后的时域估计信号使用二阶和四阶统计依赖性以及平均总平方互相关和进行质量评估，当所得的评估指标低于预设门限时，评估结果为合格，继续执行步骤8；反之，当即评估结果不合格时，算法将会重新执行步骤5-7，再次进行寻优与迭代，直至质量评估结果为合格时方进入步骤8；步骤8、对通道进行选择，保留与需求感知相关的通道；以及步骤9、对保留的通道提取时/频及空域特征，使用支持向量机进行3种需求状态的分类。
本发明还提供了一种基于脑电图的需求感知方法，包括以下步骤：步骤1、采集被试者在饮食需求、心理需求及生理需求3种不同需求状态下的多通道脑电数据xi(i＝1,2,...,32)，i表示通道索引，对其预处理后的信号为x′i(i＝1,2,...,32)；步骤2、基于滑动窗的时/频变换，对预处理后的信号x′i进行时/频变换，得到时/频域矩阵Xi(f,τ)，其中，
Figure BDA0002554377040000031
fs是采样频率，L为傅里叶变换的频点数；τ＝τ0,…,τM，下标表示滑动窗索引；步骤3、使用单位矩阵对频点f处的分离矩阵W(f)进行初始化，得到初始化的W(f)后，利用式(2)对估计信号U(f,τ)＝W(f)X(f,τ)进行初始化，其中，X(f,τ)是Xi(f,τ)的全通道表示形式；步骤4、定义目标函数Q，即/>
Figure BDA0002554377040000032
其中，p(U1…U32)为估计信号Ui的联合概率密度，/>
Figure BDA0002554377040000033
为边缘概率密度乘积，E(·)表示期望运算，KL(·)表示K-L散度，用其来衡量p(U1…U32)和/>
Figure BDA0002554377040000034
之间的距离；步骤5、对目标函数进行最小化寻优操作，当Q达到最小值时，迭代终止，从而获取对应的最终分离矩阵W(f)；步骤6、对所有频点执行完成步骤3-5后，使用式(5)将频域形式的估计信号U(f,τ)变换回时域形式，得到通道i的时域估计信号ui(t,τj)；步骤7、对分离后的时域估计信号使用二阶和四阶统计依赖性以及平均总平方互相关和进行质量评估，当所得的评估指标低于预设门限时，评估结果为合格，继续执行步骤8；反之，当即评估结果不合格时，算法将会重新执行步骤5-7，再次进行寻优与迭代，直至质量评估结果为合格时方进入步骤8；步骤8、对通道进行选择，保留与需求感知相关的通道；以及步骤9、对保留的通道提取时/频及空域特征，使用支持向量机进行3种需求状态的分类。
本发明采集脑电信号，作为一种记录大脑真实活动的测量方法，能够获取儿童等在产生需求时大脑的真实活动规律与模式；另外，本发明通过对处理后信号的质量评估，能有效降低低质量信号对识别性能的影响，相比较上述方法，本发明具有更高的准确率。目前，生理感知方法主要依靠视频、语音及身体姿态等方法实现，但上述方法易受外部环境如噪声、光线等干扰，因此，准确率不高。
本发明采集了7位被试者在饮食需求、心理需求及生理需求3种状态下的脑电信号，组内和组间测试的平均识别正确率达分别到75.76％和71.11％，结果验证了本发明所述方法的有效性。
本发明使用32个电极进行脑电数据的采集，采集电极位置覆盖了大脑顶部区域，因此，能够获取除饮食、心理及生理3种需求外更为丰富的大脑活动情况。在识别算法上，本发明在脑神经“源”成份的获取上采用了非监督方式，算法可以根据不同思维背景下脑电信号特点，自动解析出3种需求状态下的脑神经“源”。当需要解码更多大脑思维活动时，不需要额外加入新的算法，且算法的运算量也不会明显提升。
本发明由于能够自动侦测儿童的大脑活动规律，并获取儿童的需求意图，在儿童有需求时能够及时提醒，这对于降低因儿童在希望满足需求时所产生无意识大幅度肢体动作而导致侧翻事故的发生率，能有效提高童车的安全性能。另外，该方法还能为家长提供更多、更准确的呵护信息，这些信息对于改善儿童照顾质量、促进儿童智力发育等方面具有重要的作用。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的基于脑电图的儿童需求感知方法流程图。
图2为大脑基本功能分区和脑电检测方法的示意图。
图3为本发明的需求脑电数据采集系统及电极分布图。
图4为本发明的二阶和四阶统计依赖性结果图。
图5为本发明的总平方互相关和结果图。
图6为本发明的组内和组间测试的数据集分配示意图。
图7为本发明的组内和组间两种情况下分类识别正确率。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。
参见图1，其示出了本实施例中基于脑电图的儿童需求感知方法的流程图，如图1所示，本方法执行流程如下：
首先，采集儿童在饮食需求、心理需求及生理需求3种不同状态下的多通道脑电数据；
接着，使用基于滑动窗的时/频变换，将观测信号从一维的时域信号变换到二维的时/频信号；
然后，通过构建目标函数并进行迭代寻优，获取每个频点上脑神经活动独立成份；
然后，为保证分离后信号的质量，对分离结果进行质量评估，评估合格的结果进入通道选择步骤，保留与需求感知相关的通道；当评估结构为不合格时，则要重新进入迭代寻优步骤；
最后，在完成通道选择步骤后，对保留的通道分别提取时频特征及空域特征，使用支持向量机完成3种需求状态的分类。
下面对本方法的各步骤进行详细说明。
步骤1、采集儿童在饮食需求、心理需求及生理需求3种不同需求状态下的32通道脑电数据xi(i＝1,2,...,32)，i表示通道索引；使用0.01-60Hz的线性带通滤波器进行预处理，在此基础上，执行去均值操作以消除直流分量，预处理后的信号为x′i(i＝1,2,...,32)。
其中，采集儿童在3种需求状态下的32通道脑电数据xi(i＝1,2,...,32)，并对其打上数据标签1，2和3，其中，1代表饮食需求；2代表心理需求；3代表生理需求。
步骤2、对预处理后的信号xi′使用式(1)进行时/频变换，得到时/频域矩阵Xi(f,τ)：
Figure BDA0002554377040000051
其中，
Figure BDA0002554377040000052
fs是采样频率，L为傅里叶变换的频点数；win(t-τ)表示汉宁窗化操作，τ＝τ0,…,τM，下标表示滑动窗索引。
其中，所采用汉宁窗的定义如下：
Figure BDA0002554377040000053
其中，N表示窗口长度，cos(·)表示余弦运算。
步骤3、使用单位矩阵对频点f处的分离矩阵W(f)进行初始化，得到初始化的W(f)后，利用式(2)对估计信号U(f,τ)进行初始化：
U(f,τ)＝W(f)X(f,τ)----------------------------------------(2)
其中，X(f,τ)是Xi(f,τ)的全通道表示形式。
步骤4、定义目标函数Q，即：
Figure BDA0002554377040000061
其中，p(U1…U32)为估计信号Ui的联合概率密度，
Figure BDA0002554377040000062
为边缘概率密度乘积，E(·)表示期望运算，KL(·)表示K-L散度，用其来衡量p(U1…U32)和/>
Figure BDA0002554377040000063
之间的距离；const.为一常数，log(·)表示对数运算函数，det(·)表示计算行列式的值。
步骤5、对目标函数进行最小化寻优操作，当Q达到最小值时，即p(U1…U32)和
Figure BDA0002554377040000064
的KL距离最小时，迭代终止，从而获取对应的最终分离矩阵W(f)，计算方法如式(4)所述：
Figure BDA0002554377040000065
其中，
Figure BDA0002554377040000066
指代的是频点f处的非线性公式，/>
Figure BDA0002554377040000067
指代的是/>
Figure BDA0002554377040000068
的一阶导数，E[·]指代的是期望的计算，X(f)为Xi(f,τ)某个频点处所有滑动窗数据的组合。进一步地，通过式(2)计算得到最终估计信号U(f,τ)；
步骤6、对所有频点执行完成步骤3-5后，使用式(5)将频域形式的估计信号U(f,τ)变换回时域形式，得到通道i的时域估计信号ui(t,τj)：
Figure BDA0002554377040000069
其中，ISTFT(·)为逆短时傅里叶变换操作，M为滑动窗的总个数。
步骤7、为了保证所获取的脑神经源活动信号的质量，对分离后的时域估计信号使用二阶和四阶统计依赖性以及平均总平方互相关和进行质量评估，当所得的评估指标低于预设门限时，评估结果为合格，继续执行步骤8；反之，当即评估结果不合格时，算法将会重新执行步骤5-7，再次进行寻优与迭代，直至质量评估结果为合格时方进入步骤8。
二阶统计依赖性ρ(f)：计算所有任意两不同通道间的相关系数ρmn(f)的平均值得到，其中，m,n分别表示不同的通道号。
四阶统计依赖性ρ'(f)：计算所有任意两不同通道间的ρ′mn(f)的平均值得到，其中，m,n分别表示不同的通道号；
平均总平方互相关R(t)：首先使用式(7)计算得到总平方互相关r(t)
Figure BDA0002554377040000071
其中，rmn(t),m≠n代表的是任意两不同通道um，un，(m≠n)间的归一化互相关系数，接着，对r(t)求取平均值，即：
Figure BDA0002554377040000072
其中，Lr(t)是序列r(t)的长度。
二阶统计依赖性ρ(f)计算过程如下：
Figure BDA0002554377040000073
其中，C代表的是多通道信号中不同通道对间组合的数目，T为下述步骤8选择后的通道数，ρmn(f)计算方法如下：
Figure BDA0002554377040000074
Figure BDA0002554377040000075
μm(f)＝<Um(f,τ)>τ------------------------------(11)
其中，上标*表示共轭转置操作，<·>τ则表示计算在所有τ上的期望。
四阶统计依赖性ρ'(f)的计算过程如下：
Figure BDA0002554377040000076
其中，
Figure BDA0002554377040000081
Figure BDA0002554377040000082
μ'm(f)＝<Um 2(f,τ)>τ------------------------------------(15)
其中，上标*表示共轭转置操作，<·>τ则表示计算在所有τ上的期望。
步骤8、进行需求相关通道选择：首先计算分离后所有通道的频率成分，如果某通道的主要频域成分小于5Hz或大于35Hz，则该通道会被认为与需求活动关联较弱，去除；反之，保留；进一步，去除剩余通道中眼动伪迹与肌电伪迹通道，将最终保留的T个通道作为需求相关独立分成，继续执行步骤9。
步骤9、特征提取与识别：提取时/频及空域特征，使用支持向量机进行饮食需求、心理需求及生理需求3种不同需求状态的识别。
本步骤中所提取的特征与方法分别为：
(1)时/频特征：对每个通道提取功率谱密度与左右脑谱的不对称性特征；以及
(2)空域特征：使用共同空间模式对观测信号建立3种不同需求任务下的空域滤波器，在此基础上提取空域特征。
参见图2，其示出了本实施例中大脑基本功能分区和脑电检测方法。大脑作为人们了解客观世界的主要器官，既是人体中枢神经系统的最高级部分，也是一个极其复杂的信息处理器。大脑由左右两个半球构成、每个半球按照位置划分大致可以划分为四个区域：额叶、顶叶、颞叶和枕叶。
各个分区均有自己相应的功能，其中额叶主要负责控制人体的精神功能，包括思维计划、言语表达、情绪管理等相关任务。顶叶主要控制人身体对外界的体觉感受，包括触觉、味觉、痛感、皮肤压力等。颞叶位于大脑的外侧裂下方，主要负责控制人的听觉功能，包括对外界声音的接收以及信息处理等。枕叶位于大脑颅骨的后半部分，是人的视觉信息处理中枢，主要负责对人眼所接收的外界信息进行处理。
参见图3，其示出了本实施例中数据采集系统及电极分布。(a)图为本发明所用的采集设备，包括电极帽、脑电信号放大器、连接线、安装Scan软件以及Stim软件的两台计算机。其中，脑电放大器分别与受试者佩戴的电极帽、装有Scan软件的计算机以及装有Stim软件的计算机相连。
通过该装置，可以把Stim所提供的数据时间、需求类别和脑电信号同步显示在Scan软件上。所采集的原始脑电数据为32通道(包含A1、A2参考电极)，采样率为250Hz，电极分布图如图3(b)所示。数据采集过程中，要求在受试者应尽可能的保证身体不动，以免产生明显的肌电以及因电极轻微移动所引起的其他干扰。
参见图4，其示出了本实施例中二阶和四阶统计依赖性的计算结果。其中，加号标记对应的是观测信号二阶统计依赖性对应的曲线，乘号标记对应的是估计信号二阶统计依赖性对应的结果；菱形标记对应了观测信号四阶统计依赖性的结果，无标记的短线对应的是估计信号四阶统计依赖性对应的曲线。
从结果中可以看出，无论是二阶还是四阶统计依赖性，使用本发明所提方法对原始观测信号处理后，所得到的估计信号间频域上的相关程度被明显地降低了，即获取了更为有效的大脑神经源活动信息。
参见图5，说明了本实施例中7位被试者总平方互相关和及其平均值的计算结果。可以看出，观测信号平均值为4.77，估计信号的平均值为4.25，两者之间差值为0.52，这说明相比较原始观测信号，估计后的信号在时域上的相关性程度更低。
进一步观察可以发现，对被试者S5，其原始观测信号与估计后信号总平方互相关和相差1.01，这说明使用本发明所提方法对原始需求脑电信号处理后，各通道间的相似程度较低，独立性程度更高，不同通道对大脑神经源活动描述更为精准。
参见图6，其示出了本实施例中组内和组间测试的数据集分配示意图。具体来说，组内测试即是将对应同一个受试者的数据集拆分成两个部分，一部分设置为训练集，剩下一部分则设置成测试集；而组间测试则是将所有受试者的数据集合并为一整个数据集，其中某一个受试者的数据集作为测试集，其余所有受试者的数据合并为训练集。
参见图7，说明了本实施例中组内和组间测试的结果。该图给出了7位受试者解混后的信号对应组内测试和组间测试两种情况下的分类识别正确率。从结果中可以看出，组内测试最高值达到了79.38％，组间测试最高值也达到了74.38％；组内测试的平均值为75.76％，组间测试的平均值为71.11％。
上述结果表明，本发明所提方法在需求脑电信号的识别上能够达到较理想的分类效果；同时，组内和组间测试平均正确率仅差4.65％，这说明本发明所述方法在不同使用者之间呈现出了较高普适性。
需要指出的是，本儿童需求感知方法还可适用于其它年龄段人群。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于脑电图的儿童需求感知方法，其特征是，包括以下9个步骤：
步骤1、采集儿童在饮食需求、心理需求及生理需求3种不同需求状态下的多通道脑电数据xi(i＝1,2,...,32)，i表示通道索引，对其预处理后的信号为x′i(i＝1,2,...,32)；
步骤2、基于滑动窗的时/频变换，对预处理后的信号x′i进行时/频变换，得到时/频域矩阵Xi(f,τ)，其中，
Figure QLYQS_1
fs是采样频率，L为傅里叶变换的频点数；τ＝τ0,…,τM，下标表示滑动窗索引；
步骤3、使用单位矩阵对频点f处的分离矩阵W(f)进行初始化，得到初始化的W(f)后，利用公式U(f,τ)＝W(f)X(f,τ)对估计信号U(f,τ)进行初始化，其中，X(f,τ)是Xi(f,τ)的全通道表示形式；
步骤4、定义目标函数Q，即
Figure QLYQS_2
其中，p(U1…U32)为估计信号Ui的联合概率密度，/>
Figure QLYQS_3
为边缘概率密度乘积，KL(·)表示K-L散度，用其来衡量p(U1…U32)和/>
Figure QLYQS_4
之间的距离；
步骤5、对目标函数进行最小化寻优操作，当Q达到最小值时，迭代终止，从而获取对应的最终分离矩阵W(f)；
步骤6、对所有频点执行完成步骤3-5后，使用式(5)将频域形式的估计信号U(f,τ)变换回时域形式，得到通道i的时域估计信号ui(t,τj)；所述式(5)如下：
Figure QLYQS_5
其中，ISTFT(·)为逆短时傅里叶变换操作，M为滑动窗的总个数；
步骤7、对分离后的时域估计信号使用二阶和四阶统计依赖性以及平均总平方互相关和进行质量评估，当所得的评估指标低于预设门限时，评估结果为合格，继续执行步骤8；反之，当即评估结果不合格时，算法将会重新执行步骤5-7，再次进行寻优与迭代，直至质量评估结果为合格时方进入步骤8；
步骤8、对通道进行选择，保留与需求感知相关的通道；
步骤9、对保留的通道提取时/频及空域特征，使用支持向量机进行3种需求状态的分类，
步骤7质量评估所述的二阶和四阶统计依赖性以及平均总平方互相关和计算方法如下：
二阶统计依赖性ρ(f)：计算所有任意两不同通道间的相关系数ρmn(f)的平均值得到，其中，m,n分别表示不同的通道号；
四阶统计依赖性ρ'(f)：计算所有任意两不同通道间的ρ′mn(f)的平均值得到，其中，m,n分别表示不同的通道号；四阶统计依赖性ρ'(f)的计算过程如下：
Figure QLYQS_6
其中，
Figure QLYQS_7
其中，
Figure QLYQS_8
其中C代表的是多通道信号中不同通道对间组合的数目，μ'm(f)＝<Um 2(f,τ)>τ，μ'n(f)＝<Un 2(f,τ)>τ上标*表示共轭转置操作，<·>τ则表示计算在所有τ上的期望；
平均总平方互相关R(t)：首先计算得到总平方互相关r(t)，
Figure QLYQS_9
其中，rmn(t),m≠n代表的是任意两不同通道um，un，(m≠n)间的归一化互相关系数，接着，对r(t)求取平均值，即：/>
Figure QLYQS_10
其中，Lr(t)是序列r(t)的长度。
2.根据权利要求1所述的基于脑电图的儿童需求感知方法，其特征是，采集儿童在3种需求状态下的32通道脑电数据xi(i＝1,2,...,32)，并对其打上数据标签1，2和3，其中，1代表饮食需求；2代表心理需求；3代表生理需求。
3.根据权利要求1所述的基于脑电图的儿童需求感知方法，其特征是，所述步骤2所采用滑动窗的定义如下：
Figure QLYQS_11
其中，N表示窗口长度，cos(·)表示余弦运算。
4.根据权利要求1所述的基于脑电图的儿童需求感知方法，其特征是，二阶统计依赖性ρ(f)计算过程如下：
Figure QLYQS_12
其中，C代表的是多通道信号中不同通道对间组合的数目，ρmn(f)计算方法如下：
Figure QLYQS_13
其中，
Figure QLYQS_14
μm(f)＝<Um(f,τ)>τ，其中，上标*表示共轭转置操作，<·>τ则表示计算在所有τ上的期望。
5.根据权利要求1所述的基于脑电图的儿童需求感知方法，其特征是，步骤9中所提取的特征与方法分别为：
(1)时/频特征：对每个通道提取功率谱密度与左右脑谱的不对称性特征；以及
(2)空域特征：使用共同空间模式对观测信号建立3种不同需求任务下的空域滤波器，在此基础上提取空域特征。
6.根据权利要求1所述的基于脑电图的儿童需求感知方法，其特征是，所述步骤8包括以下步骤：首先计算分离后所有通道的频率成分，如果某通道的主要频域成分小于5Hz或大于35Hz，则该通道会被认为与需求活动关联较弱，去除；反之，保留，然后，去除剩余通道中眼动伪迹与肌电伪迹通道，将最终保留的T个通道作为需求相关独立成分。
7.一种基于脑电图的需求感知方法，其特征是，包括以下步骤：
步骤1、采集被试者在饮食需求、心理需求及生理需求3种不同需求状态下的多通道脑电数据xi(i＝1,2,...,32)，i表示通道索引，对其预处理后的信号为x′i(i＝1,2,...,32)；
步骤2、基于滑动窗的时/频变换，对预处理后的信号x′i进行时/频变换，得到时/频域矩阵Xi(f,τ)，其中，
Figure QLYQS_15
fs是采样频率，L为傅里叶变换的频点数；τ＝τ0,…,τM，下标表示滑动窗索引；
步骤3、使用单位矩阵对频点f处的分离矩阵W(f)进行初始化，得到初始化的W(f)后，利用公式U(f,τ)＝W(f)X(f,τ)对估计信号U(f,τ)进行初始化，其中，X(f,τ)是Xi(f,τ)的全通道表示形式；
步骤4、定义目标函数Q，即
Figure QLYQS_16
其中，p(U1…U32)为估计信号Ui的联合概率密度，/>
Figure QLYQS_17
为边缘概率密度乘积，KL(·)表示K-L散度，用其来衡量p(U1…U32)和/>
Figure QLYQS_18
之间的距离；
步骤5、对目标函数进行最小化寻优操作，当Q达到最小值时，迭代终止，从而获取对应的最终分离矩阵W(f)；
步骤6、对所有频点执行完成步骤3-5后，使用式(5)将频域形式的估计信号U(f,τ)变换回时域形式，得到通道i的时域估计信号ui(t,τj)；所述式(5)如下：
Figure QLYQS_19
其中，ISTFT(·)为逆短时傅里叶变换操作，M为滑动窗的总个数；
步骤7、对分离后的时域估计信号使用二阶和四阶统计依赖性以及平均总平方互相关和进行质量评估，当所得的评估指标低于预设门限时，评估结果为合格，继续执行步骤8；反之，当即评估结果不合格时，算法将会重新执行步骤5-7，再次进行寻优与迭代，直至质量评估结果为合格时方进入步骤8；
步骤8、对通道进行选择，保留与需求感知相关的通道；
步骤9、对保留的通道提取时/频及空域特征，使用支持向量机进行3种需求状态的分类，
步骤7质量评估所述的二阶和四阶统计依赖性以及平均总平方互相关和计算方法如下：
二阶统计依赖性ρ(f)：计算所有任意两不同通道间的相关系数ρmn(f)的平均值得到，其中，m,n分别表示不同的通道号；
四阶统计依赖性ρ'(f)：计算所有任意两不同通道间的ρ′mn(f)的平均值得到，其中，m,n分别表示不同的通道号；四阶统计依赖性ρ'(f)的计算过程如下：
Figure QLYQS_20
其中，
Figure QLYQS_21
其中，
Figure QLYQS_22
其中C代表的是多通道信号中不同通道对间组合的数目，μ'm(f)＝<Um 2(f,τ)>τ，μ'n(f)＝<Un 2(f,τ)>τ上标*表示共轭转置操作，<·>τ则表示计算在所有τ上的期望；
平均总平方互相关R(t)：首先计算得到总平方互相关r(t)，
Figure QLYQS_23
其中，rmn(t),m≠n代表的是任意两不同通道um，un，(m≠n)间的归一化互相关系数，接着，对r(t)求取平均值，即：/>
Figure QLYQS_24
其中，Lr(t)是序列r(t)的长度。
CN202010587662.9A 2020-06-24 2020-06-24 一种基于脑电图的儿童需求感知方法 Active CN111671421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010587662.9A CN111671421B (zh) 2020-06-24 2020-06-24 一种基于脑电图的儿童需求感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010587662.9A CN111671421B (zh) 2020-06-24 2020-06-24 一种基于脑电图的儿童需求感知方法

Publications (2)

Publication Number Publication Date
CN111671421A CN111671421A (zh) 2020-09-18
CN111671421B true CN111671421B (zh) 2023-06-27

Family

ID=72456524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010587662.9A Active CN111671421B (zh) 2020-06-24 2020-06-24 一种基于脑电图的儿童需求感知方法

Country Status (1)

Country Link
CN (1) CN111671421B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114305456B (zh) * 2021-12-29 2024-05-03 杭州电子科技大学 一种基于稳态视觉诱发电位脑电信号的通道选择方法
CN116616771B (zh) * 2023-05-23 2024-01-26 成都市第四人民医院 多通道简易精神状态检测方法、装置及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102715903A (zh) * 2012-07-09 2012-10-10 天津市人民医院 基于定量脑电图的脑电特征提取方法
CN105701439A (zh) * 2014-12-11 2016-06-22 赵化宾 一种采用脑肌心电信号识别情绪、感觉和生理需求的装置及方法
CN107411736A (zh) * 2017-03-10 2017-12-01 孙彪 胎儿心电信号检测系统
CN108937968A (zh) * 2018-06-04 2018-12-07 安徽大学 基于独立分量分析的情感脑电信号的导联选择方法
AU2019101151A4 (en) * 2019-09-30 2020-01-23 Chen, Ke MISS Classify Mental States from EEG Signal Using Xgboost Algorithm
CN111134666A (zh) * 2020-01-09 2020-05-12 中国科学院软件研究所 一种多通道脑电数据的情绪识别方法及电子装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102715903A (zh) * 2012-07-09 2012-10-10 天津市人民医院 基于定量脑电图的脑电特征提取方法
CN105701439A (zh) * 2014-12-11 2016-06-22 赵化宾 一种采用脑肌心电信号识别情绪、感觉和生理需求的装置及方法
CN107411736A (zh) * 2017-03-10 2017-12-01 孙彪 胎儿心电信号检测系统
CN108937968A (zh) * 2018-06-04 2018-12-07 安徽大学 基于独立分量分析的情感脑电信号的导联选择方法
AU2019101151A4 (en) * 2019-09-30 2020-01-23 Chen, Ke MISS Classify Mental States from EEG Signal Using Xgboost Algorithm
CN111134666A (zh) * 2020-01-09 2020-05-12 中国科学院软件研究所 一种多通道脑电数据的情绪识别方法及电子装置

Also Published As

Publication number Publication date
CN111671421A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
Kachenoura et al. ICA: a potential tool for BCI systems
Cong et al. Benefits of multi-domain feature of mismatch negativity extracted by non-negative tensor factorization from EEG collected by low-density array
US20070179396A1 (en) Method and System for Detecting and Classifying Facial Muscle Movements
Ahirwal et al. Power spectrum analysis of EEG signals for estimating visual attention
CN111466876B (zh) 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统
Oosugi et al. A new method for quantifying the performance of EEG blind source separation algorithms by referencing a simultaneously recorded ECoG signal
CN111184509A (zh) 一种基于传递熵的情绪诱导脑电信号分类方法
CN111671421B (zh) 一种基于脑电图的儿童需求感知方法
Cong et al. Validating rationale of group-level component analysis based on estimating number of sources in EEG through model order selection
CN114533086A (zh) 一种基于空域特征时频变换的运动想象脑电解码方法
Rachman et al. Alcoholism classification based on eeg data using independent component analysis (ica), wavelet de-noising and probabilistic neural network (pnn)
NISA’MINHAD et al. A design framework for human emotion recognition using electrocardiogram and skin conductance response signals
CN106974660B (zh) 基于脑功能活动检测中的血氧特征实现性别判定的方法
CN115211858A (zh) 一种基于深度学习的情绪识别方法、系统及可存储介质
Huang Recognition of psychological emotion by EEG features
Islam et al. Probability mapping based artifact detection and wavelet denoising based artifact removal from scalp EEG for BCI applications
CN111931578B (zh) 一种基于最小生成树和区域双层网络的脑电识别方法
CN112450949A (zh) 一种用于认知康复训练的脑电信号处理方法及系统
Haghighi et al. 40-Hz ASSR for measuring depth of anaesthesia during induction phase
Sutharsan et al. Electroencephalogram signal processing with independent component analysis and cognitive stress classification using convolutional neural networks
CN111736690A (zh) 基于贝叶斯网络结构辨识的运动想象脑机接口
Dilber et al. EEG based detection of epilepsy by a mixed design approach
Walters-Williams et al. BMICA-independent component analysis based on B-spline mutual information estimation for EEG signals
CN110569968A (zh) 基于电生理信号的创业失败恢复力评估方法及评估系统
Liu et al. Remove motion artifacts from scalp single channel EEG based on noise assisted least square multivariate empirical mode decomposition

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