CN113017650A - 一种基于功率谱密度图像的脑电特征提取方法和系统 - Google Patents

一种基于功率谱密度图像的脑电特征提取方法和系统 Download PDF

Info

Publication number
CN113017650A
CN113017650A CN202110270784.XA CN202110270784A CN113017650A CN 113017650 A CN113017650 A CN 113017650A CN 202110270784 A CN202110270784 A CN 202110270784A CN 113017650 A CN113017650 A CN 113017650A
Authority
CN
China
Prior art keywords
spectral density
power spectral
electroencephalogram
feature
signal 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.)
Granted
Application number
CN202110270784.XA
Other languages
English (en)
Other versions
CN113017650B (zh
Inventor
陈昊
罗刚
黎明
王铭勋
徐一晨
张聪炫
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.)
Nanchang Hangkong University
Original Assignee
Nanchang Hangkong 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 Nanchang Hangkong University filed Critical Nanchang Hangkong University
Priority to CN202110270784.XA priority Critical patent/CN113017650B/zh
Publication of CN113017650A publication Critical patent/CN113017650A/zh
Application granted granted Critical
Publication of CN113017650B publication Critical patent/CN113017650B/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
    • A61B5/72—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

Landscapes

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

Abstract

本发明涉及一种基于功率谱密度图像的脑电特征提取方法和系统。所述脑电特征提取方法，首先依据处理后的脑电信号数据确定功率谱密度值后，根据这一功率谱密度值绘制功率谱密度图像；然后，根据功率谱密度图像提取单幅图像特征与双幅图像特征后，分别计算单幅图像特征与双幅图像特征中各特征的平均值，以便构成特征集；最后，依据特征选择方法，从所构成的特征集中选出符合设定要求的特征参数，完成脑电特征的提取，以实现相邻频段脑电特征的提取，进而在增加脑电特征提取准确性的同时，提高脑电特征提取的鲁棒性。

Description

一种基于功率谱密度图像的脑电特征提取方法和系统
技术领域
本发明涉及脑电信号处理技术领域，特别是涉及一种基于功率谱密度图像的脑电特征提取方法和系统。
背景技术
情绪是人对特定对象的态度感知与行为反应，与人体的身心健康、社会交往、行为活动等具有密切联系。虽然人类能够掩饰自己的情绪，但是脑电信号(Electroencephalogram，EEG)能够真实反映人类大脑当前的情绪状态。因此，脑电信号被广泛用于情绪识别与情绪差异判断的研究，而脑电信号的特征提取是脑电信号处理技术及其相关领域中重要的环节之一。
由于脑电信号的复杂性，使得单一的特征通常难以进行有效表征；同时，现有特征尚无法挖掘出同频率的脑电信号间的差异性信息。
发明内容
为解决现有技术存在的上述问题，本发明提供了一种基于功率谱密度图像的脑电特征提取方法和系统。
为实现上述目的，本发明提供了如下方案：
一种基于功率谱密度图像的脑电特征提取方法，包括：
获取原始脑电信号数据；所述原始脑电信号数据为不同脑电实验程序刺激下的脑电信号数据；
对所述原始脑电信号数据进行预处理，得到处理后的脑电信号数据；
确定所述处理后的脑电信号数据的功率谱密度值，并根据所述功率谱密度值绘制功率谱密度图像；所述功率谱密度图像为α频率的功率谱密度图像；
根据所述功率谱密度图像提取单幅图像特征与双幅图像特征；
确定所述单幅图像特征与所述双幅图像特征中各特征的平均值，以构成特征集；
依据特征选择方法，从所述特征集中选出符合设定要求的特征参数，得到最终的特征集；所述最终的特征集中包含的特征即为提取得到的脑电特征。
优选地，所述对所述原始脑电信号数据进行预处理，得到处理后的脑电信号数据，具体包括：
利用电极导入模块将脑电电极位置导入到所述原始脑电信号数据中；
利用去噪模块对包含有脑电电极位置的所述原始脑电信号数据进行滤波和伪迹去除处理，得到去噪脑电信号数据；
利用重采样模块对所述去噪脑电信号数据进行重采样，并依据所述去噪脑电信号数据设置新的脑电电极位置，得到新的电极电压；所述新的电极电压即为处理后的脑电信号数据。
优选地，所述确定所述处理后的脑电信号数据的功率谱密度值，并根据所述功率谱密度值绘制功率谱密度图像，具体包括：
利用Welch算法，依据公式
Figure BDA0002974294490000021
确定所述处理后的脑电信号数据的功率谱密度值Pl(W)；其中，j为虚数单位，l表示通道数，W表示频率，n表示一个通道内的处理后的脑电信号数据的个数，m表示所取处理后的脑电信号数据的序号，ε*是一个通道内的处理后的脑电信号数据，e为自然对数；
利用绘图模块根据所述功率谱密度值绘制所述功率谱密度图像。
优选地，所述确定所述单幅图像特征与所述双幅图像特征中各特征的平均值，以构成特征集，具体包括：
提取所述单幅图像的纹理特征与颜色特征；所述纹理特征包括：平均值、对比度、熵、能量和逆差距；所述颜色特征包括R、G、B三个通道的一阶颜色矩；
提取所述双幅图像的互信息值与结构相似性系数；
利用公式
Figure BDA0002974294490000031
确定所述单幅图像特征与所述双幅图像特征中相同特征的平均值
Figure BDA0002974294490000032
其中，g表示特征名称，xgd表示每种特征下不同频率的特征，8Hz≤d≤13Hz，F表示每种特征的个数。
优选地，所述依据特征选择方法，从所述特征集中选出符合设定要求的特征参数，得到最终的特征集，具体包括：
利用Pearson相关系数分析法，采用公式
Figure BDA0002974294490000033
确定两种特征间的相关性；式中，η表示一种特征，
Figure BDA0002974294490000034
表示一种特征的均值，γ表示另一种特征，
Figure BDA0002974294490000035
表示另一种特征的均值，ρ表示一种特征与另一种特征之间的相关性；
采用
Figure BDA0002974294490000036
根据所述相关性确定特征参数i与其他特征参数之间的总体平均相关性；式中，ρi表示平均相关性系数，M表示相关性ρ的总数量，j为相关性ρ的序号；
获取相关性阈值；
判断所述相关性是否超过所述相关性阈值，得到判断结果；
当所述判断结果为所述相关性超过所述相关性阈值时，保留所述总体平均相关性小的特征；
以不同刺激下被试者的情绪差异显著性值p的平均最小值
Figure BDA0002974294490000037
为目标，利用枚举法，根据总体平均相关性小的特征构建特征子集；所述特征子集即为最终的特征集；
其中，
Figure BDA0002974294490000041
式中，t表示脑电信号数据的实际值，T表示脑电信号数据的理论值，L表示不同刺激，Z表示刺激总数，其中1＜L≤Z。
优选地，还包括：
利用所述最终的特征集中的特征，采用卡方检验计算情绪差异的显著性值，以验证所提取的脑电特征的效果。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的基于功率谱密度图像的脑电特征提取方法，首先依据处理后的脑电信号数据确定功率谱密度值后，根据这一功率谱密度值绘制功率谱密度图像；然后，根据功率谱密度图像提取单幅图像特征与双幅图像特征后，分别计算单幅图像特征与双幅图像特征中各特征的平均值，以便构成特征集；最后，依据特征选择方法，从所构成的特征集中选出符合设定要求的特征参数，完成脑电特征的提取，以实现相邻频段脑电特征的提取，进而在增加脑电特征提取准确性的同时，提高脑电特征提取的鲁棒性。
对应于上述提供的基于功率谱密度图像的脑电特征提取方法，本发明还提供了一种基于功率谱密度图像的脑电特征提取系统，该系统包括：
数据获取模块，用于获取原始脑电信号数据；所述原始脑电信号数据为不同脑电实验程序刺激下的脑电信号数据；
数据处理模块，用于对所述原始脑电信号数据进行预处理，得到处理后的脑电信号数据；
图像绘制模块，用于确定所述处理后的脑电信号数据的功率谱密度值，并根据所述功率谱密度值绘制功率谱密度图像；所述功率谱密度图像为α频率的功率谱密度图像；
特征提取模块，用于根据所述功率谱密度图像提取单幅图像特征与双幅图像特征；
第一特征集构建模块，用于确定所述单幅图像特征与所述双幅图像特征中各特征的平均值，以构成特征集；
第二特征集构建模块，用于依据特征选择方法，从所述特征集中选出符合设定要求的特征参数，得到最终的特征集；所述最终的特征集中包含的特征即为提取得到的脑电特征。
此外，本发明还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令；所述计算机可执行指令设置为执行上述基于功率谱密度图像的脑电特征提取方法。
因本发明提供的基于功率谱密度图像的脑电特征提取系统和计算机可读存储介质所实现的技术目的，与上述提供的基于功率谱密度图像的脑电特征提取方法所实现的技术目的相同，因此，在此不再进行赘述。
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为本发明提供的基于功率谱密度图像的脑电特征提取方法的流程图；
图2为本发明实施例提供的基于功率谱密度图像的脑电特征提取方法实施的流程框图；
图3为本发明实施例提供的刺激流程图；
图4为本发明提供的基于功率谱密度图像的脑电特征提取系统的结构示意图。
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。
本发明的目的是提供一种基于功率谱密度图像的脑电特征提取方法，以使单一的特征能够有效表征的同时，能够挖掘出同频率脑电信号间的差异性信息。
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。
本发明实施例公开了一种脑电特征提取方法，即一种基于功率谱密度图像的脑电特征提取方法(Power spectral density image feature extraction method,PSDIFEM)。提取功率谱密度图像的单幅图像特征与双幅图像特征，包括提取单幅图像的纹理特征与颜色特征和双幅图像的互信息值与结构相似性系数两个特征，纹理特征包括平均值、对比度、熵、能量、逆差距，颜色特征包括R、G、B三个通道的一阶颜色矩。其中纹理特征中的平均值与对比度根据灰度差分统计的方法计算得到，纹理特征其他三个特征的值根据灰度共生矩阵方法算出。最后以不同刺激下被试者的情绪差异显著性值p的平均最小值p为目标，利用枚举法，选出最终的特征子集。这为脑电信号特征提取提供了新的技术手段。
如图1所示，本发明提供的基于功率谱密度图像的脑电特征提取方法，包括：
S1：获取原始脑电信号数据。原始脑电信号数据为不同脑电实验程序刺激下的脑电信号数据。
S2：对原始脑电信号数据进行预处理，得到处理后的脑电信号数据。该步骤，具体包括：
S21：利用电极导入模块将脑电电极位置导入到原始脑电信号数据中。
S22：利用去噪模块对包含有脑电电极位置的原始脑电信号数据ε进行滤波和伪迹去除处理，得到去噪脑电信号数据。
S23：利用重采样模块对去噪脑电信号数据进行重采样，并依据去噪脑电信号数据设置新的脑电电极位置，得到新的32道电极电压。新的电极电压即为处理后的脑电信号数据ε*。
S3：确定处理后的脑电信号数据的功率谱密度值，并根据功率谱密度值绘制功率谱密度图像。功率谱密度图像为α频率的功率谱密度图像。该步骤具体包括：
S31：利用Welch算法，依据公式
Figure BDA0002974294490000071
确定处理后的脑电信号数据的功率谱密度值Pl(W)。其中，j为虚数单位，l表示通道数，W表示频率，n表示一个通道内的处理后的脑电信号数据的个数，m表示所取处理后的脑电信号数据的序号，ε*是一个通道内的处理后的脑电信号数据，e为自然对数。通过上述公式可以求出不同通道的功率谱密度。
S32：利用绘图模块根据功率谱密度值绘制功率谱密度图像。该功率谱密度图像为8Hz-13Hz下的功率谱密度图像，并以变量形式表示为A＝{A1,A2,…,A6}，A1至A6分别对应8Hz至13Hz的功率谱密度图像。
S4：根据功率谱密度图像提取单幅图像特征与双幅图像特征。
S5：确定单幅图像特征与双幅图像特征中各特征的平均值，以构成特征集。该步骤具体包括：
S51：提取单幅图像的纹理特征与颜色特征。纹理特征包括：平均值、对比度、熵、能量和逆差距。颜色特征包括R、G、B三个通道的一阶颜色矩。其中，纹理特征中的平均值与对比度根据灰度差分统计的方法计算得到，纹理特征其他三个特征的值根据灰度共生矩阵方法算出。以上所有参数的具体计算公式如下表1所示：
表1特征计算公式
Figure BDA0002974294490000081
对于单幅图像，表1中u，v表示图像的某一灰度值，p(u)表示取灰度值u的概率，p(u,v)表示取u，v灰度值u，v概率。pR、pG、pB分别表示取R通道颜色、G通道颜色、B通道颜色的概率。
对于双幅图像的特征，I(A,C)表示图像A和图像C的互信息值，H(A)，H(C)，H(A,C)分别指图像A的熵、图像C的熵、图像A和图像C的联合熵。pA(a)，pC(c)表示灰度级a在图像A中的灰度概率分布，灰度级c在图像C中的灰度概率分布，pAC(a,c)表示的在图像的相同坐标下，图像A的灰度级a在图像C中灰度级为c的像素点的个数与总点数的比值。在结构相似性系数中，c1、c2为常数，μA、μB分别表示图像，σAC代表图像A和图像C的协方差系数。
S52：提取双幅图像的互信息值与结构相似性系数。
S53：利用公式
Figure BDA0002974294490000091
确定单幅图像特征与双幅图像特征中相同特征的平均值
Figure BDA0002974294490000092
在本发明中计算的是8Hz-13Hz频率下相同特征的平均值。
式中，g表示特征名称，xgd表示每种特征下不同频率的特征，8Hz≤d≤13Hz，F表示每种特征的个数。
S6：依据特征选择方法，从特征集中选出符合设定要求的特征参数，得到最终的特征集。最终的特征集中包含的特征即为提取得到的脑电特征。该步骤，具体包括：
S61：利用Pearson相关系数分析法，采用公式
Figure BDA0002974294490000093
确定两种特征间的相关性。即利用Pearson相关系数分析法对提取的特征进行初次选择量化。式中，η表示一种特征，
Figure BDA0002974294490000094
表示一种特征的均值，γ表示另一种特征，
Figure BDA0002974294490000095
表示另一种特征的均值，ρ表示一种特征与另一种特征之间的相关性。
S62：采用
Figure BDA0002974294490000096
根据相关性确定特征参数i与其他特征参数之间的总体平均相关性。式中，ρi表示平均相关性系数(即表示η与其余特征参数相关性绝对值求和再与其余特征参数个数相比而计算得到平均相关性系数)，M表示相关性ρ的总数量，j为相关性ρ的序号。
S63：获取相关性阈值δ。
S64：判断相关性是否超过相关性阈值，得到判断结果。
S65：当判断结果为相关性超过相关性阈值时，保留总体平均相关性小的特征。即ρj>δ时，留下
Figure BDA0002974294490000101
较小的对应特征。
对剩余的特征，重复进行S61-S65的步骤。
S66：以不同刺激下被试者的情绪差异显著性值p的平均最小值
Figure BDA0002974294490000102
为目标，利用枚举法，根据总体平均相关性小的特征构建特征子集。特征子集即为最终的特征集。
其中，
Figure BDA0002974294490000103
式中，t表示脑电信号数据的实际值，T表示脑电信号数据的理论值，L表示不同刺激，Z表示刺激总数，其中1＜L≤Z。
为了进一步验证所提取脑电特征的效果，本发明提供的基于功率谱密度图像的脑电特征提取方法还包括：
利用最终的特征集中的特征，采用卡方检验计算情绪差异的显著性值，以验证所提取的脑电特征的效果。
下面以采用上述提供的基于功率谱密度图像的脑电特征提取方法提取脑电特征的具体实施方式为例，对本发明提供的技术方案的优异性进行说明。在具体应用过程中，对于数值的改变均属于本发明的保护范围。
如图2所示，脑电特征提取的过程具体如下：
S2-1、首先利用实验设计模块进行脑电实验设计，包括选取被试者和选取刺激。选取的被试者的年龄差异、性别差异均无统计学意义其次，选取的实验被试者听力均正常，且全部为右利手。所有被试者身体健康、无任何心理健康问题及其历史。被试者都提前了解了实验目的、流程以及实验的注意事项。选取的刺激包括兴奋音乐、伤感音乐，且以安静舒缓的自然音乐作为休息的音乐。
S2-2、通过实验播放模块播放刺激，通过脑电采集模块采集原始脑电信号数据，设置采样频率为500Hz，并采用双耳乳突作为参考电极。
S2-3、利用脑电去噪模块滤除50Hz的工频、眼电与其他伪迹。利用电极导入模块将32道脑电电极位置导入到原始脑电信号ε。利用重参考模块对原始脑电信号设置新的参考电极位置，得到新的32道电极电压，即为处理后的脑电信号数据ε*。
S2-4、利用
Figure BDA0002974294490000111
计算S2-3得到的脑电信号的功率谱密度值，并绘制α频率8Hz-13Hz的功率谱密度图像，并以变量形式表示为A＝{A1,A2,…,A6}，A1至A6分别对应8Hz至13Hz的功率谱密度图像。提取单幅图像的纹理特征与颜色特征和双幅图像的互信息值与结构相似性系数两个特征，纹理特征包括平均值、对比度、熵、能量、逆差距，颜色特征包括R、G、B三个通道的一阶颜色矩。其中纹理特征中的平均值与对比度根据灰度差分统计的方法计算得到，纹理特征其他三个特征的值根据灰度共生矩阵方法(表1)算出。
其中，依据公式
Figure BDA0002974294490000112
计算8Hz-13Hz频率下相同特征的平均值，其中g表示特征名称，
Figure BDA0002974294490000113
表示各特征的平均值，xgd表示每种特征下不同频率的特征，8Hz≤d≤13Hz，F表示每种特征的个数，对于单幅特征，F＝6，对于双幅特征，F＝5。最后以变量集合的形式表示
Figure BDA0002974294490000114
Figure BDA0002974294490000115
S2-5、根据S2-4提取纹理对比度与B通道一阶颜色矩特征，
Figure BDA0002974294490000116
Figure BDA0002974294490000117
将特征进行非参数检验卡方检验，计算显著性值，验证其效果。具体的，经过特征选择剔除相关性超过0.9且平均相关系数大的特征，最后利用枚举法，以显著性p值的平均最小值
Figure BDA0002974294490000121
为目标，获得最终的特征集，最后计算被试的情绪差异显著性值验证效果。
图3为刺激流程，具体操作为：
S3-1、被试处于声音屏蔽的房间内，实验过程中始终控制光线条件一致和舒适的室内温度，保持实验时的绝对安静，将音乐的播放音量调至人能接听声音的舒服范围内并一直保持一致。
S3-2、要求被试者在实验过程中减少不必要的动作，保持舒适的坐姿，且为闭眼状态。
S3-3、主试者在被试者准备开始时根据提示信息按下提示键开启刺激呈现模块，开始整个实验。
本具体实施方式选用16名被试者中，男女各8名，其中接受过专业音乐学习和未接受过专业音乐学习的男女分别有4名。被试者的年龄范围在19-37岁，平均年龄23.37±4.16岁，被试者的年龄差异、性别差异均无统计学意义，并将是否接受过专业音乐学习被试作为不同类别，将男女被试者分为不同性别。
采用本发明的方法，首先通过S2-3、S2-3得到脑电信号数据，接着通过S2-4获取功率谱密度图像特征，最后通过S2-5得到差异显著性p值，差异显著性p值如表2。
表2差异显著性结果
Figure BDA0002974294490000122
从表2可以看出，在不同刺激下，使用PSDIFEM特征提取方法对不同被试之间差异显著性判断的结果分别达到了2.008e-7，0.359，4.024e-5，1.792e-5，说明PSDIFEM特征提取方法提取的特征能够对不同情绪具有较好的差异显著性判断能力。
对应于上述提供的基于功率谱密度图像的脑电特征提取方法，本发明还提供了一种基于功率谱密度图像的脑电特征提取系统，如图4所示，该系统包括：数据获取模块1、数据处理模块2、图像绘制模块3、特征提取模块4、第一特征集构建模块5和第二特征集构建模块6。
其中，数据获取模块1用于获取原始脑电信号数据。原始脑电信号数据为不同脑电实验程序刺激下的脑电信号数据。
数据处理模块2用于对原始脑电信号数据进行预处理，得到处理后的脑电信号数据。
图像绘制模块3用于确定处理后的脑电信号数据的功率谱密度值，并根据功率谱密度值绘制功率谱密度图像。功率谱密度图像为α频率的功率谱密度图像。
特征提取模块4用于根据功率谱密度图像提取单幅图像特征与双幅图像特征。
第一特征集构建模块5用于确定单幅图像特征与双幅图像特征中各特征的平均值，以构成特征集。
第二特征集构建模块6用于依据特征选择方法，从特征集中选出符合设定要求的特征参数，得到最终的特征集。最终的特征集中包含的特征即为提取得到的脑电特征。
此外，本发明还提供了一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有计算机可执行指令。计算机可执行指令设置为执行上述基于功率谱密度图像的脑电特征提取方法。
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 (8)

1.一种基于功率谱密度图像的脑电特征提取方法，其特征在于，包括：
获取原始脑电信号数据；所述原始脑电信号数据为不同脑电实验程序刺激下的脑电信号数据；
对所述原始脑电信号数据进行预处理，得到处理后的脑电信号数据；
确定所述处理后的脑电信号数据的功率谱密度值，并根据所述功率谱密度值绘制功率谱密度图像；所述功率谱密度图像为α频率的功率谱密度图像；
根据所述功率谱密度图像提取单幅图像特征与双幅图像特征；
确定所述单幅图像特征与所述双幅图像特征中各特征的平均值，以构成特征集；
依据特征选择方法，从所述特征集中选出符合设定要求的特征参数，得到最终的特征集；所述最终的特征集中包含的特征即为提取得到的脑电特征。
2.根据权利要求1所述的基于功率谱密度图像的脑电特征提取方法，其特征在于，所述对所述原始脑电信号数据进行预处理，得到处理后的脑电信号数据，具体包括：
利用电极导入模块将脑电电极位置导入到所述原始脑电信号数据中；
利用去噪模块对包含有脑电电极位置的所述原始脑电信号数据进行滤波和伪迹去除处理，得到去噪脑电信号数据；
利用重采样模块对所述去噪脑电信号数据进行重采样，并依据所述去噪脑电信号数据设置新的脑电电极位置，得到新的电极电压；所述新的电极电压即为处理后的脑电信号数据。
3.根据权利要求1所述的基于功率谱密度图像的脑电特征提取方法，其特征在于，所述确定所述处理后的脑电信号数据的功率谱密度值，并根据所述功率谱密度值绘制功率谱密度图像，具体包括：
利用Welch算法，依据公式
Figure FDA0002974294480000021
确定所述处理后的脑电信号数据的功率谱密度值Pl(W)；其中，j为虚数单位，l表示通道数，W表示频率，n表示一个通道内的处理后的脑电信号数据的个数，m表示所取处理后的脑电信号数据的序号，ε*是一个通道内的处理后的脑电信号数据，e为自然对数；
利用绘图模块根据所述功率谱密度值绘制所述功率谱密度图像。
4.根据权利要求1所述的基于功率谱密度图像的脑电特征提取方法，其特征在于，所述确定所述单幅图像特征与所述双幅图像特征中各特征的平均值，以构成特征集，具体包括：
提取所述单幅图像的纹理特征与颜色特征；所述纹理特征包括：平均值、对比度、熵、能量和逆差距；所述颜色特征包括R、G、B三个通道的一阶颜色矩；
提取所述双幅图像的互信息值与结构相似性系数；
利用公式
Figure FDA0002974294480000022
确定所述单幅图像特征与所述双幅图像特征中相同特征的平均值
Figure FDA0002974294480000023
其中，g表示特征名称，xgd表示每种特征下不同频率的特征，8Hz≤d≤13Hz，F表示每种特征的个数。
5.根据权利要求1所述的基于功率谱密度图像的脑电特征提取方法，其特征在于，所述依据特征选择方法，从所述特征集中选出符合设定要求的特征参数，得到最终的特征集，具体包括：
利用Pearson相关系数分析法，采用公式
Figure FDA0002974294480000024
确定两种特征间的相关性；式中，η表示一种特征，
Figure FDA0002974294480000025
表示一种特征的均值，γ表示另一种特征，
Figure FDA0002974294480000031
表示另一种特征的均值，ρ表示一种特征与另一种特征之间的相关性；
采用
Figure FDA0002974294480000032
根据所述相关性确定特征参数i与其他特征参数之间的总体平均相关性；式中，ρi表示平均相关性系数，M表示相关性ρ的总数量，j为相关性ρ的序号；
获取相关性阈值；
判断所述相关性是否超过所述相关性阈值，得到判断结果；
当所述判断结果为所述相关性超过所述相关性阈值时，保留所述总体平均相关性小的特征；
以不同刺激下被试者的情绪差异显著性值p的平均最小值
Figure FDA0002974294480000033
为目标，利用枚举法，根据总体平均相关性小的特征构建特征子集；所述特征子集即为最终的特征集；
其中，
Figure FDA0002974294480000034
式中，t表示脑电信号数据的实际值，T表示脑电信号数据的理论值，L表示不同刺激，Z表示刺激总数，其中1＜L≤Z。
6.根据权利要求1所述的基于功率谱密度图像的脑电特征提取方法，其特征在于，还包括：
利用所述最终的特征集中的特征，采用卡方检验计算情绪差异的显著性值，以验证所提取的脑电特征的效果。
7.一种基于功率谱密度图像的脑电特征提取系统，其特征在于，包括：
数据获取模块，用于获取原始脑电信号数据；所述原始脑电信号数据为不同脑电实验程序刺激下的脑电信号数据；
数据处理模块，用于对所述原始脑电信号数据进行预处理，得到处理后的脑电信号数据；
图像绘制模块，用于确定所述处理后的脑电信号数据的功率谱密度值，并根据所述功率谱密度值绘制功率谱密度图像；所述功率谱密度图像为α频率的功率谱密度图像；
特征提取模块，用于根据所述功率谱密度图像提取单幅图像特征与双幅图像特征；
第一特征集构建模块，用于确定所述单幅图像特征与所述双幅图像特征中各特征的平均值，以构成特征集；
第二特征集构建模块，用于依据特征选择方法，从所述特征集中选出符合设定要求的特征参数，得到最终的特征集；所述最终的特征集中包含的特征即为提取得到的脑电特征。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令；所述计算机可执行指令设置为执行如权利要求1-6任意一项所述的基于功率谱密度图像的脑电特征提取方法。
CN202110270784.XA 2021-03-12 2021-03-12 一种基于功率谱密度图像的脑电特征提取方法和系统 Active CN113017650B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110270784.XA CN113017650B (zh) 2021-03-12 2021-03-12 一种基于功率谱密度图像的脑电特征提取方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110270784.XA CN113017650B (zh) 2021-03-12 2021-03-12 一种基于功率谱密度图像的脑电特征提取方法和系统

Publications (2)

Publication Number Publication Date
CN113017650A true CN113017650A (zh) 2021-06-25
CN113017650B CN113017650B (zh) 2022-06-28

Family

ID=76470272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110270784.XA Active CN113017650B (zh) 2021-03-12 2021-03-12 一种基于功率谱密度图像的脑电特征提取方法和系统

Country Status (1)

Country Link
CN (1) CN113017650B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114081505A (zh) * 2021-12-23 2022-02-25 成都信息工程大学 基于皮尔逊相关系数和卷积神经网络的脑电信号识别方法
CN116369949A (zh) * 2023-06-06 2023-07-04 南昌航空大学 一种脑电信号分级情绪识别方法、系统、电子设备及介质
CN116780781A (zh) * 2023-08-24 2023-09-19 滇恒能源技术(云南)有限公司 智能电网接入的功率管理方法

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004038406A (ja) * 2002-07-01 2004-02-05 Advanced Telecommunication Research Institute International 複数個の翻訳結果から最良訳を選択する方法、最良訳を選択するための回帰木データを生成する方法、最良訳選択型の機械翻訳プログラム、回帰木生成プログラム、および回帰木データを記憶した記憶媒体
US20080097939A1 (en) * 1998-05-01 2008-04-24 Isabelle Guyon Data mining platform for bioinformatics and other knowledge discovery
US20110078099A1 (en) * 2001-05-18 2011-03-31 Health Discovery Corporation Method for feature selection and for evaluating features identified as significant for classifying data
EP2419540A1 (en) * 2009-04-18 2012-02-22 Merck Sharp & Dohme Corp. Methods and gene expression signature for assessing ras pathway activity
CN103054563A (zh) * 2013-01-06 2013-04-24 深圳先进技术研究院 血管壁病变检测方法
CN104586387A (zh) * 2015-01-19 2015-05-06 秦皇岛市惠斯安普医学系统有限公司 一种时、频、空域多参数脑电特征提取与融合方法
JP2016003872A (ja) * 2014-06-13 2016-01-12 株式会社キーエンス 三次元形状測定装置、測定データ処理ユニット、測定データ処理方法、及びコンピュータプログラム
CN107729718A (zh) * 2017-10-17 2018-02-23 北京工业大学 一种乳腺癌发生相关特征基因筛选方法
CN109033586A (zh) * 2018-07-13 2018-12-18 南昌航空大学 基于映射单调性的合金晶粒尺寸的确定方法及确定系统
CN109497996A (zh) * 2018-11-07 2019-03-22 太原理工大学 一种微状态eeg时域特征的复杂网络构建及分析方法
WO2019069955A1 (ja) * 2017-10-03 2019-04-11 株式会社国際電気通信基礎技術研究所 判別装置、うつ症状の判別方法、うつ症状のレベルの判定方法、うつ病患者の層別化方法、うつ症状の治療効果の判定方法及び脳活動訓練装置
WO2019078342A1 (ja) * 2017-10-20 2019-04-25 国立大学法人大阪大学 心筋細胞への分化指向性を有する多能性幹細胞を選抜するための方法
CN109924990A (zh) * 2019-03-27 2019-06-25 兰州大学 一种基于emd算法的脑电信号抑郁症识别系统
CN109976308A (zh) * 2019-03-29 2019-07-05 南昌航空大学 一种基于拉普拉斯分值与ap聚类的故障特征的提取方法
US20190233898A1 (en) * 2015-01-22 2019-08-01 The Board Of Trustees Of The Leland Stanford Junior University Methods and Systems for Determining Proportions of Distinct Cell Subsets
CN110584660A (zh) * 2019-09-05 2019-12-20 北京工业大学 基于脑源成像与相关性分析的电极选择方法
CN111067508A (zh) * 2019-12-31 2020-04-28 深圳安视睿信息技术股份有限公司 非临床环境下对高血压进行非干预式的监测和评估方法
CN111209940A (zh) * 2019-12-30 2020-05-29 南京南瑞信息通信科技有限公司 一种基于特征点匹配的图像去重方法和装置
CN111214226A (zh) * 2020-01-21 2020-06-02 苏州小蓝医疗科技有限公司 一种脑电特征提取和选择方法
CN111598003A (zh) * 2020-05-18 2020-08-28 温州大学 一种面向癫痫患者脑电信号的时频图像分类方法
CN111803065A (zh) * 2020-06-23 2020-10-23 北方工业大学 一种基于脑电数据的危险交通场景辨识方法及系统
CN112244873A (zh) * 2020-09-29 2021-01-22 陕西科技大学 一种基于混合神经网络的脑电时空特征学习与情感分类方法

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080097939A1 (en) * 1998-05-01 2008-04-24 Isabelle Guyon Data mining platform for bioinformatics and other knowledge discovery
US20110078099A1 (en) * 2001-05-18 2011-03-31 Health Discovery Corporation Method for feature selection and for evaluating features identified as significant for classifying data
JP2004038406A (ja) * 2002-07-01 2004-02-05 Advanced Telecommunication Research Institute International 複数個の翻訳結果から最良訳を選択する方法、最良訳を選択するための回帰木データを生成する方法、最良訳選択型の機械翻訳プログラム、回帰木生成プログラム、および回帰木データを記憶した記憶媒体
EP2419540A1 (en) * 2009-04-18 2012-02-22 Merck Sharp & Dohme Corp. Methods and gene expression signature for assessing ras pathway activity
CN103054563A (zh) * 2013-01-06 2013-04-24 深圳先进技术研究院 血管壁病变检测方法
JP2016003872A (ja) * 2014-06-13 2016-01-12 株式会社キーエンス 三次元形状測定装置、測定データ処理ユニット、測定データ処理方法、及びコンピュータプログラム
CN104586387A (zh) * 2015-01-19 2015-05-06 秦皇岛市惠斯安普医学系统有限公司 一种时、频、空域多参数脑电特征提取与融合方法
US20190233898A1 (en) * 2015-01-22 2019-08-01 The Board Of Trustees Of The Leland Stanford Junior University Methods and Systems for Determining Proportions of Distinct Cell Subsets
WO2019069955A1 (ja) * 2017-10-03 2019-04-11 株式会社国際電気通信基礎技術研究所 判別装置、うつ症状の判別方法、うつ症状のレベルの判定方法、うつ病患者の層別化方法、うつ症状の治療効果の判定方法及び脳活動訓練装置
CN107729718A (zh) * 2017-10-17 2018-02-23 北京工业大学 一种乳腺癌发生相关特征基因筛选方法
WO2019078342A1 (ja) * 2017-10-20 2019-04-25 国立大学法人大阪大学 心筋細胞への分化指向性を有する多能性幹細胞を選抜するための方法
CN109033586A (zh) * 2018-07-13 2018-12-18 南昌航空大学 基于映射单调性的合金晶粒尺寸的确定方法及确定系统
CN109497996A (zh) * 2018-11-07 2019-03-22 太原理工大学 一种微状态eeg时域特征的复杂网络构建及分析方法
CN109924990A (zh) * 2019-03-27 2019-06-25 兰州大学 一种基于emd算法的脑电信号抑郁症识别系统
CN109976308A (zh) * 2019-03-29 2019-07-05 南昌航空大学 一种基于拉普拉斯分值与ap聚类的故障特征的提取方法
CN110584660A (zh) * 2019-09-05 2019-12-20 北京工业大学 基于脑源成像与相关性分析的电极选择方法
CN111209940A (zh) * 2019-12-30 2020-05-29 南京南瑞信息通信科技有限公司 一种基于特征点匹配的图像去重方法和装置
CN111067508A (zh) * 2019-12-31 2020-04-28 深圳安视睿信息技术股份有限公司 非临床环境下对高血压进行非干预式的监测和评估方法
CN111214226A (zh) * 2020-01-21 2020-06-02 苏州小蓝医疗科技有限公司 一种脑电特征提取和选择方法
CN111598003A (zh) * 2020-05-18 2020-08-28 温州大学 一种面向癫痫患者脑电信号的时频图像分类方法
CN111803065A (zh) * 2020-06-23 2020-10-23 北方工业大学 一种基于脑电数据的危险交通场景辨识方法及系统
CN112244873A (zh) * 2020-09-29 2021-01-22 陕西科技大学 一种基于混合神经网络的脑电时空特征学习与情感分类方法

Non-Patent Citations (15)

* Cited by examiner, † Cited by third party
Title
LIU, YAQING；MU, YONG；CHEN, KEYU: "Daily Activity Feature Selection in Smart Homes Based on Pearson Correlation Coefficient", 《NEURAL PROCESSING LETTERS》 *
MELVIN HARSONO: "基于脑机接口脑电图的人脑想象数字识别", 《万方》 *
孙名厚: "基于现代谱估计的抑郁症脑电研究", 《万方》 *
徐佳琳,左国坤: "基于互信息与主成分分析的运动想象脑电特征选择算法", 《生物医学工程学杂志》 *
方浩,李艾华,潘玉龙,王学进,何川,吴元江: "基于自学习框架的红外场景仿真效果评价", 《系统工程与电子技术》 *
李茜,李凤如,李军,史培娜,刘建: "北京市某医疗联合体医务人员积极性调查问卷的信效度分析", 《医学与社会》 *
李颖洁,李玉玲,杨帮华: "基于脑电信号深度学习的情绪识别研究现状", 《北京生物医学工程》 *
杨哲: "基于filter和wrapper融合的特征选择算法研究及应用", 《万方》 *
熊红川: "脑电Alpha节律研究", 《万方》 *
王玲: "基于图像特征选择的田间籽棉成熟度与品级判别技术研究", 《中国博士学位论文全文数据库》 *
薛奋勤,李华,刘丽娜,许晴,薛冰,魏华.: "基于功率谱密度频谱分析的小鼠睡眠分期方法的研究", 《中国医疗器械信息》 *
谭正强,黎明.: "脑电图在精神疾病中的应用", 《医药前沿》 *
赵晓津: "基于广域特征关联的公钥高深度加密方案", 《科技通报》 *
郭思雨: "改进的森林优化特征选择算法研究", 《中国优秀硕士学位论文全文数据库》 *
龙云淋: "基于图像处理的刀具磨损检测方法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114081505A (zh) * 2021-12-23 2022-02-25 成都信息工程大学 基于皮尔逊相关系数和卷积神经网络的脑电信号识别方法
CN116369949A (zh) * 2023-06-06 2023-07-04 南昌航空大学 一种脑电信号分级情绪识别方法、系统、电子设备及介质
CN116369949B (zh) * 2023-06-06 2023-09-15 南昌航空大学 一种脑电信号分级情绪识别方法、系统、电子设备及介质
CN116780781A (zh) * 2023-08-24 2023-09-19 滇恒能源技术(云南)有限公司 智能电网接入的功率管理方法
CN116780781B (zh) * 2023-08-24 2023-11-10 滇恒能源技术(云南)有限公司 智能电网接入的功率管理方法

Also Published As

Publication number Publication date
CN113017650B (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN113017650B (zh) 一种基于功率谱密度图像的脑电特征提取方法和系统
CN110507335B (zh) 基于多模态信息的服刑人员心理健康状态评估方法及系统
CN112656427B (zh) 一种基于维度模型的脑电信号情绪识别方法
CN111461176B (zh) 基于归一化互信息的多模态融合方法、装置、介质及设备
CN109784023B (zh) 基于深度学习的稳态视觉诱发脑电身份识别方法及系统
CN114052735B (zh) 一种基于深度领域自适应的脑电情绪识别方法及系统
CN110353702A (zh) 一种基于浅层卷积神经网络的情感识别方法及系统
CN109924990A (zh) 一种基于emd算法的脑电信号抑郁症识别系统
CN101828921A (zh) 基于视觉诱发脑电vep的身份识别方法
CN111202517B (zh) 一种睡眠自动分期方法、系统、介质及电子设备
KR101842750B1 (ko) 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치
CN109766751B (zh) 基于频域编码的稳态视觉诱发脑电身份识别方法及系统
US11406304B2 (en) Systems and methods for physiological sign analysis
CN109171753B (zh) 一种基于深度自编码神经网络的脑电信号eeg身份识别方法
CN114145745B (zh) 基于图的多任务自监督情绪识别方法
CN111000556A (zh) 一种基于深度模糊森林的情绪识别方法
CN118044813B (zh) 基于多任务学习的心理健康状况评估方法及系统
CN107918487A (zh) 一种基于皮肤电信号识别中文情感词的方法
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
CN113040772A (zh) 一种基于脑电信号的冰毒成瘾者和正常人的分类方法
CN115414051A (zh) 一种脑电信号自适应窗口的情绪分类识别方法
CN110569968B (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
CN113116306A (zh) 一种基于听觉诱发脑电信号分析的意识障碍辅助诊断系统
CN115690528A (zh) 跨主体场景的脑电信号美学评估处理方法、装置、介质及终端
CN113288099B (zh) 基于心电信号和光电容积脉搏波的面孔吸引力识别方法

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
GR01 Patent grant
GR01 Patent grant