CN113180669A - 一种基于神经反馈技术的情绪调节训练系统与方法 - Google Patents
一种基于神经反馈技术的情绪调节训练系统与方法 Download PDFInfo
- Publication number
- CN113180669A CN113180669A CN202110515939.1A CN202110515939A CN113180669A CN 113180669 A CN113180669 A CN 113180669A CN 202110515939 A CN202110515939 A CN 202110515939A CN 113180669 A CN113180669 A CN 113180669A
- Authority
- CN
- China
- Prior art keywords
- brain
- network
- module
- electroencephalogram
- neural
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 23
- 210000005036 nerve Anatomy 0.000 title claims abstract description 19
- 230000010482 emotional regulation Effects 0.000 title claims abstract description 15
- 210000004556 brain Anatomy 0.000 claims abstract description 134
- 230000001537 neural effect Effects 0.000 claims abstract description 38
- 230000002996 emotional effect Effects 0.000 claims abstract description 27
- 230000000638 stimulation Effects 0.000 claims abstract description 25
- 230000003925 brain function Effects 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000007637 random forest analysis Methods 0.000 claims abstract description 21
- 230000008451 emotion Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000001427 coherent effect Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 7
- 230000033228 biological regulation Effects 0.000 claims description 5
- 230000036651 mood Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000004424 eye movement Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000008909 emotion recognition Effects 0.000 claims 2
- 230000007996 neuronal plasticity Effects 0.000 abstract description 4
- 230000001149 cognitive effect Effects 0.000 description 9
- 238000000537 electroencephalography Methods 0.000 description 6
- 230000008035 nerve activity Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000003930 cognitive ability Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 229910021607 Silver chloride Inorganic materials 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000003727 cerebral blood flow Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 230000006397 emotional response Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- HKZLPVFGJNLROG-UHFFFAOYSA-M silver monochloride Chemical compound [Cl-].[Ag+] HKZLPVFGJNLROG-UHFFFAOYSA-M 0.000 description 1
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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- 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
Abstract
本发明涉及一种基于神经反馈技术的情绪调节训练系统与方法，该系统包括：脑电信号采集与预处理模块、脑电网络连接相位相干计算模块、脑网络指标特征计算模块、特征分类模块、神经反馈接口模块；方法包括：构建情绪刺激范式，采集脑电神经信号；对脑电神经信号进行预处理；构建大脑功能网络；得到大脑功能网络指标特征；将大脑功能网络指标特征送入特征分类器进行分类，基于随机森林算法，获得分类预测结果；通过随机森林算法分类器识别不同情绪刺激状态的大脑状态，通过PC端将所述预测结果呈现给被测试者。本发明通过神经反馈技术与大脑神经可塑性相结合可以有效的训练军事作战人员的情绪调节与情绪控制能力。
Description
技术领域
本发明涉及情绪调节认知训练技术领域，特别是涉及一种基于神经反馈技术的情绪调节训练系统与方法。
背景技术
情绪调节指的是个人影响自己产生的情感，何时产生情感以及体验和表达情感的过程。情绪调节在适应行为中起着至关重要的作用。调节情绪反应的能力对于确保工作环境和社会适应中的生产力至关重要。
在特殊环境中，情绪调节可以增强冲动抑制能力，提高机体的反应性，提升执行功能的能力。在现代军事作业环境下，高应激状态和高压力负荷已成为常态，对作战人员的情绪认知能力造成了巨大挑战。比如，在极端环境下(比如封闭的装甲车内)，保持长时间的的警惕，随时可能遭到炮火袭击和敌军偷袭，在此情况下要保持情绪认知能力是作战人员能够完成任务的必要条件。同时，面对残酷的战争，负性情绪不可避免，在此条件下保证其情绪认知能力也是亟待解决的问题。因此，对于特殊环境下的军事作业人员而言，情绪调节认知功能训练格外重要。
近年来，脑神经科学的发展，特别是对大脑神经可塑性方面的研究证明了大脑是具有一定的可塑性，大脑可以根据经验训练产生新的神经元，同时可以在神经元之间形成新的神经环路。现在，我们知道大脑会不断发生功能的改变，这就是为什么人们可以利用神经可塑性来提升大脑功能，增强我们的大脑功能。脑电神经反馈结合计算机技术是进行认知训练的的一种新技术。通过计算机给被训人员呈现各种认知刺激，并且通过脑电仪器可以检测并及时将刺激引起的大脑的神经活动电信号信息实时反馈给受训人员。通过神经反馈可以提高被训练人员的自主意识，从而引起与认知刺激相关神经环路的功能变化。神经反馈是一种有效的自我认知调节的技术，受训者可以调节自己的特定脑功能，包括脑神经电活动，与事件相关的电位和缓慢的皮质电位，超慢频率和局部脑血流量。脑神经反馈训练是目前世界上最新的一种对大脑进行全面技术提升的技术。本发明提供的一种基于神经反馈技术的情绪调节训练系统与方法，可以有效的用于情绪调节功能的认知训练。
发明内容
本发明的目的是通过神经反馈技术与大脑神经可塑性相结合，有效的训练军事作战人员的情绪调节与情绪控制能力。
为实现上述目的，本发明提供了如下方案：
一种基于神经反馈技术的情绪调节训练系统，包括：
情绪刺激范式模块：用于收集被测试者的情绪刺激范式材料；
脑电信号采集与预处理模块：用于记录大脑神经电活动的数据，以及对脑电信号进行预处理；
脑电网络连接相位相干计算模块：用于计算不同大脑区域的相干指标；
脑网络指标特征计算模块：用于计算脑网络中不同的指标特征系数；
特征分类模块：用于将脑网络指标构建的特征送入特征分类器进行分类；
神经反馈接口模块：用于将反馈信号通过转换在PC端以图形形式呈现给被测试者，达到情绪调节的目的；
所述脑电信号采集与所述预处理模块、脑电网络连接相位相干计算模块、脑网络指标特征计算模块、特征分类模块、神经反馈接口模块依次连接。
优选地，所述情绪刺激范式材料包括恐惧、悲伤、中性三种情绪刺激。
优选地，所述相干指标是用于分析不同脑区神经信号的同步性指标。
优选地，所述脑网络指标包括脑网络聚类系数指标，脑网络度指标，脑网络效率指标，脑网络模块化指标。
优选地，所述特征分类模块采用随机森林算法，用于解决分类问题。
一种基于神经反馈技术的情绪调节训练方法，包括以下步骤：
S1、构建情绪刺激范式，采集脑电神经信号；
S2、对所述脑电神经信号进行预处理，得到经过预处理后的脑电神经信号；
S3、基于所述经过预处理后的脑电神经信号，计算不同大脑区域的同步性指标，得到多通道EGG数据集，构建大脑功能网络；
S4、通过相干指标分别构建不同频率成分的能连接矩阵，进行阈值化处理，分别计算所述大脑功能网络的各项指标，得到大脑功能网络指标特征数据集；
S5、将所述大脑功能网络指标特征数据集送入特征分类器进行分类，基于随机森林算法，获得分类预测结果；
S6、通过所述随机森林算法分类器识别不同情绪刺激状态的大脑状态，通过PC端将所述预测结果呈现给被测试者。
优选地，S2中，所述预处理包括脑电信号的重采用，参考设定，滤波处理，眼动与其他生理噪声的去除。
优选地，S4中，所述相干指标Cohij(f)的计算公式为：
其中，i与j是表示不同脑区的脑电通道信号，Sii(f)与Sjj(f)与表示各自脑电通道的自谱密度，Cohij(f)表示不同通道之间的同步性指标，取值范围在0到1之间。
优选地，通过32×32的相干指标分别构建不同频率成分的能连接矩阵。
优选地，S5中，所述随机森林算法的步骤包括：
S5.1、从所述大脑功能网络指标特征数据集中选择随机样本；
S5.2、为每个选中的样本创建决策树，然后从所述创建的决策树中获得预测结果；
S5.3、对所述预测结果进行投票；
S5.4、选择投票最多的预测结果作为最终分类预测结果。
本发明的有益效果为：
(1)本发明系统通过各种可以唤醒情绪状态的认知刺激范式对人员进行训练，同时通过脑电技术监测与情绪相关脑区的神经活动，通过电脑显示技术实时呈现给训练人员，训练人员根据反馈的神经信号，实时动态调整大脑状态，通过多次的反复训练，改善与此相关神经环路的可塑性，达到认知训练的目的，从而提升军事作业人员应对负责环境的工作能力。
(2)本发明方法通过神经反馈技术可以有效调节与改善与情绪调节与情绪控制相关脑区的神经环路，从而最大限度的提升军事作业人员在面对恶劣条件保持清新的大脑认知，从而更有效的执行任务。
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为本发明一种基于神经反馈技术的情绪调节训练系统示意图；
图2为本发明随机森林算法的流程示意图。
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。
一种基于神经反馈技术的情绪调节训练系统，包括：
情绪刺激范式模块：用于收集被测试者的情绪刺激范式材料；
脑电信号采集与预处理模块：用于记录大脑神经电活动的数据，以及对脑电信号进行预处理；脑电预处理模块主要包含脑电信号的重采用，参考设定，滤波处理，眼动与其它生理噪声的去除。
脑电网络连接相位相干计算模块：用于计算不同大脑区域的相干指标；
脑网络指标特征计算模块：用于计算脑网络中不同的指标特征系数；
特征分类模块：用于将脑网络指标构建的特征送入特征分类器进行分类；
神经反馈接口模块：用于将反馈信号通过转换在PC端以图形形式呈现给被测试者，达到情绪调节的目的；
所述脑电信号采集与预处理模块、脑电网络连接相位相干计算模块、脑网络指标特征计算模块、特征分类模块、神经反馈接口模块依次连接。
一种基于神经反馈技术的情绪调节训练的方法，包括以下步骤：
S1、构建情绪刺激范式，采集脑电神经信号；
根据在模拟真实的军事人员作业场景构建相关的情绪刺激范式材料。情绪刺激材料采用恐惧，悲伤与中性三种。刺激呈现采用事件相关设计模式。每张图片呈现时间2000ms,刺激间隔时间500ms。
数据采集采用Neuroscan脑电系统进行记录大脑神经电活动的数据记录。使用32通道记录脑电图带有烧结Ag/AgCl电极的基于凝胶的电极帽遵循国际10-20系统。垂直和水平导联通道同时记录心电的信号。电极导联参考区连接在右侧和左侧耳垂，保持连接阻抗EEG电极低于5k，心电电极低于10k。全部在500Hz下以0.05-70频率采样脑电生理信号。
S2、对所述脑电神经信号进行预处理，得到经过预处理后的脑电神经信号；
S3、基于所述经过预处理后的脑电神经信号，计算不同大脑区域的同步性指标，得到多通道EGG数据集，构建大脑功能网络；
计算不同大脑区域的同步性指标：
相干指标是用于分析不同脑区神经信号的同步性指标，其具体的计算公式如下：
其中，i与j表示不同脑区的脑电通道信号，Sii(f)与Sjj(f)与表示各自脑电通道的自谱密度，Cohij(f)表示不同通道之间的同步性指标，取值范围在0到1之间。
S4、通过相干指标分别构建不同频率成分的能连接矩阵，进行阈值化处理，分别计算所述大脑功能网络的各项指标，得到大脑功能网络指标特征数据集；
从多通道EEG数据构建了整个大脑功能连接网络。本实施例采用32×32的相干指标分别构建不同频率成分(delta，theta，alpha和beta)的能连接矩阵，进行阈值化处理之后，分别计算大脑功能网络的各项指标。
大脑功能网络的各项指标分别包括：
(1)脑网络聚类系数指标：脑网络中的脑区i具有ki条边，也就是说节点i和ki个节点相连接，这些节点就称为节点i的邻居节点。这些邻居节点之间最多存在ki(ki-1)/2条边，则实际存在的边数目Ei与所有可能的连接边数之比就定义为节点i的聚类系数，其计算公式如下：
其中，Ei表示脑网络中的脑i节点实际存在边数目总和，ki表示脑网络中的脑区i具有ki条边。
网络的聚类性则定义为网络中所有节点的聚类系数的平均数：
当0≤C≤1，只有网络内的所有节点都为孤立点；不存在任何的连接时，C＝0；如果网络是全耦合的，即任意两个节点都是直接相连接时，C＝1。
(2)脑网络度指标
度是脑网络中各脑区节点的重要概念。一个脑区节点i的度ki就指的是与该脑区节点相互连接的脑区节点数。度可以衡量大脑网络的稀疏性。大脑网络中度最大的脑区节点就称为脑网络的中心节点。大脑脑区节点度的计算公式如下：
其中，aij表示脑区节点i和脑区j之间的连接，ki表示脑区节点i的度。
(3)脑网络效率指标
脑网络效率包括局部效率和整体效率，其中大脑网络的局部效率用来衡量大脑网络中的大脑子网络在信息传递过程中的效率，是对大脑子网络内包含的所有脑区节点的效率平均值。而大脑网络的整体效率则表示大脑整体网络结构的信息传递的效率，是各个大脑子网络局部效率的平均值，也即大脑网络内所有脑区节点的效率的平均值。
大脑网络的局部效率计算公式为：
其中，Eloc,i指是大脑脑区节点i的局部效率，djh(Ni)为节点j和h之间包含了邻居节点i的最短路径长度。aij就表示脑区节点i和脑区j之间的连接，aih就表示脑区节点i和脑区h之间的连接，ki表示脑区节点i的度。
大脑网络的整体效率计算方法为：
其中，Ei为节点i的效率，dij为节点j和i之间包含了邻居节点i的最短路径长度。
大脑网络效率可以衡量大脑网络对神经信息的整合能力，效率高意味着传输神经信息能力快，能在较短的时间内对神经信息进行传输并整合加工，而效率低的大脑网络则存在反应慢的现象。
(4)脑网络的模块化指标
大脑网络模块化指的是脑网络内部各脑区节点分为相互不重叠的节点集，即大脑网络内出现模块的程度。大脑网络的模块化程度可以反映大脑网络内形成大脑子网络的问卷性。将大脑网络不重叠的模块M，euv表示模块u和模块v内所有功能连接数目的比例，这样大脑网络的模块化程度计算公式如下：
S5、将所述大脑功能网络指标特征送入特征分类器进行分类，基于随机森林算法，获得分类预测结果；
特征分类采用随机森林算法，随机森林算法是一种机器学习技术，用于解决分类问题。它利用集成学习，该技术结合了许多分类器以提供复杂问题的解决方案。随机森林算法由许多决策树组成。随机森林算法生成的“森林”是通过套袋或引导聚合来训练的。随机森林算法可提高机器学习算法的准确性。随机森林算法基于决策树的预测来建立结果。它通过获取各种树的输出的平均值或平均值进行预测。增加树的数量可以提高结果的精度。随机森林消除了决策树算法的局限性。它减少了数据集的过拟合并提高了精度。随机森林算法的具体流程(如图2所示)如下：
S5.1、从所述大脑功能网络指标特征数据集中选择随机样本；
S5.2、为每个选中的样本创建决策树，然后从所述创建的决策树中获得预测结果；
S5.3、对所述预测结果进行投票；
S5.4、选择投票最多的预测结果作为最终分类预测结果。
S6、通过所述随机森林算法分类器识别不同情绪刺激状态的大脑状态，通过PC端将所述预测结果呈现给被测试者。
使用随机森林算法分类器自动识别解码对应不同情绪刺激状态的大脑状态，然后通过计算机提供反馈信号通过转换在电脑的显示屏幕上以柱状图形形式呈现给被试者，如果柱状升高表示大脑情绪状态水平升高，从而被试可以自我调节大脑的状态，让大脑的情绪状态降低到低水平。即被试根据大脑的状态自身调整其大脑活动，从而达到情绪调节训练的目的。
本发明的有益效果为：
(1)本发明系统通过各种可以唤醒情绪状态的认知刺激范式对人员进行训练，同时通过脑电技术监测与情绪相关脑区的神经活动，通过电脑显示技术实时呈现给训练人员，训练人员根据反馈的神经信号，实时动态调整大脑状态，通过多次的反复训练，改善与此相关神经环路的可塑性，达到认知训练的目的，从而提升军事作业人员应对负责环境的工作能力。
(2)本发明方法通过神经反馈技术可以有效调节与改善与情绪调节与情绪控制相关脑区的神经环路，从而最大限度的提升军事作业人员在面对恶劣条件保持清新的大脑认知，从而更有效的执行任务。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种基于神经反馈技术的情绪调节训练系统，其特征在于，包括：
情绪刺激范式模块：用于收集被测试者的情绪刺激范式材料；
脑电信号采集与预处理模块：用于记录大脑神经电活动的数据，以及对脑电信号进行预处理；
脑电网络连接相位相干计算模块：用于计算不同大脑区域的相干指标；
脑网络指标特征计算模块：用于计算脑网络中不同的指标特征系数；
特征分类模块：用于将脑网络指标构建的特征送入特征分类器进行分类；
神经反馈接口模块：用于将反馈信号通过转换在PC端以图形形式呈现给被测试者，达到情绪调节的目的；
所述脑电信号采集与所述预处理模块、脑电网络连接相位相干计算模块、脑网络指标特征计算模块、特征分类模块、神经反馈接口模块依次连接。
2.根据权利要求1所述的基于神经反馈技术的情绪调节训练系统，其特征在于，所述情绪刺激范式材料包括恐惧、悲伤、中性三种情绪刺激。
3.根据权利要求1所述的基于神经反馈技术的情绪调节训练系统，其特征在于，所述相干指标是用于分析不同脑区神经信号的同步性指标。
4.根据权利要求1所述的基于神经反馈技术的情绪调节训练系统，其特征在于，所述脑网络指标包括脑网络聚类系数指标，脑网络度指标，脑网络效率指标，脑网络模块化指标。
5.根据权利要求1所述的基于神经反馈技术的情绪调节训练系统，其特征在于，所述特征分类模块采用随机森林算法，用于解决分类问题。
6.一种基于神经反馈技术的情绪调节训练方法，其特征在于，包括以下步骤：
S1、构建情绪刺激范式，采集脑电神经信号；
S2、对所述脑电神经信号进行预处理，得到经过预处理后的脑电神经信号；
S3、基于所述经过预处理后的脑电神经信号，计算不同大脑区域的同步性指标，得到多通道EGG数据集，构建大脑功能网络；
S4、通过相干指标分别构建不同频率成分的能连接矩阵，进行阈值化处理，分别计算所述大脑功能网络的各项指标，得到大脑功能网络指标特征数据集；
S5、将所述大脑功能网络指标特征数据集送入特征分类器进行分类，基于随机森林算法，获得分类预测结果；
S6、通过所述随机森林算法分类器识别不同情绪刺激状态的大脑状态，通过PC端将所述预测结果呈现给被测试者。
7.根据权利要求6所述的基于神经反馈技术的情绪调节训练方法，其特征在于，S2中，所述预处理包括脑电信号的重采用，参考设定，滤波处理，眼动与其他生理噪声的去除。
8.根据权利要求6所述的基于神经反馈技术的情绪调节训练方法，其特征在于，S4中，所述相干指标Cohij(f)的计算公式为：
其中，i与j是表示不同脑区的脑电通道信号，Sii(f)与Sjj(f)与表示各自脑电通道的自谱密度，Cohij(f)表示不同通道之间的同步性指标，取值范围在0到1之间。
9.根据权利要求8所述的基于神经反馈技术的情绪调节训练方法，其特征在于，通过32×32的相干指标分别构建不同频率成分的能连接矩阵。
10.根据权利要求6所述的基于神经反馈技术的情绪调节训练方法，其特征在于，S5中，所述随机森林算法的步骤包括：
S5.1、从所述大脑功能网络指标特征数据集中选择随机样本；
S5.2、为每个选中的样本创建决策树，然后从所述创建的决策树中获得预测结果；
S5.3、对所述预测结果进行投票；
S5.4、选择投票最多的预测结果作为最终分类预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110515939.1A CN113180669B (zh) | 2021-05-12 | 2021-05-12 | 一种基于神经反馈技术的情绪调节训练系统与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110515939.1A CN113180669B (zh) | 2021-05-12 | 2021-05-12 | 一种基于神经反馈技术的情绪调节训练系统与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113180669A true CN113180669A (zh) | 2021-07-30 |
| CN113180669B CN113180669B (zh) | 2024-04-26 |
Family
ID=76981584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110515939.1A Active CN113180669B (zh) | 2021-05-12 | 2021-05-12 | 一种基于神经反馈技术的情绪调节训练系统与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113180669B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113729709A (zh) * | 2021-09-23 | 2021-12-03 | 中国科学技术大学先进技术研究院 | 神经反馈设备、神经反馈方法及计算机可读存储介质 |
| CN114403899A (zh) * | 2022-02-08 | 2022-04-29 | 浙江浙大西投脑机智能科技有限公司 | 一种大脑神经元锋电位与局部场电位结合的抑郁检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030034424A (ko) * | 2001-10-23 | 2003-05-09 | 황민철 | 생리신호를 이용한 감성평가시스템 및 그 방법 |
| CN106267514A (zh) * | 2016-10-19 | 2017-01-04 | 上海大学 | 基于脑电反馈的情绪调控系统 |
| CN108309329A (zh) * | 2018-02-08 | 2018-07-24 | 陕西师范大学 | 一种基于脑网络分析的cnv脑电测谎方法 |
| CN108427929A (zh) * | 2018-03-19 | 2018-08-21 | 兰州大学 | 一种基于静息态脑网络的抑郁识别分析系统 |
| CN109793528A (zh) * | 2019-01-28 | 2019-05-24 | 华南理工大学 | 一种基于动态脑功能网络的情绪分类方法 |
| KR20190131886A (ko) * | 2018-05-18 | 2019-11-27 | 현대자동차주식회사 | 차량 및 그 제어 방법 |
| CN110826527A (zh) * | 2019-11-20 | 2020-02-21 | 南京邮电大学 | 一种基于攻击性行为预测的脑电负性情绪识别方法及系统 |
| CN111012367A (zh) * | 2019-12-27 | 2020-04-17 | 华中师范大学 | 一种精神疾病的智能识别系统 |
| CN111477299A (zh) * | 2020-04-08 | 2020-07-31 | 广州艾博润医疗科技有限公司 | 结合脑电检测分析控制的声电刺激神经调控方法及装置 |
| CN112244871A (zh) * | 2020-09-25 | 2021-01-22 | 吉林大学 | 一种基于机器学习的振幅整合脑电图分类识读系统 |
-
2021
- 2021-05-12 CN CN202110515939.1A patent/CN113180669B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030034424A (ko) * | 2001-10-23 | 2003-05-09 | 황민철 | 생리신호를 이용한 감성평가시스템 및 그 방법 |
| CN106267514A (zh) * | 2016-10-19 | 2017-01-04 | 上海大学 | 基于脑电反馈的情绪调控系统 |
| CN108309329A (zh) * | 2018-02-08 | 2018-07-24 | 陕西师范大学 | 一种基于脑网络分析的cnv脑电测谎方法 |
| CN108427929A (zh) * | 2018-03-19 | 2018-08-21 | 兰州大学 | 一种基于静息态脑网络的抑郁识别分析系统 |
| KR20190131886A (ko) * | 2018-05-18 | 2019-11-27 | 현대자동차주식회사 | 차량 및 그 제어 방법 |
| CN109793528A (zh) * | 2019-01-28 | 2019-05-24 | 华南理工大学 | 一种基于动态脑功能网络的情绪分类方法 |
| CN110826527A (zh) * | 2019-11-20 | 2020-02-21 | 南京邮电大学 | 一种基于攻击性行为预测的脑电负性情绪识别方法及系统 |
| CN111012367A (zh) * | 2019-12-27 | 2020-04-17 | 华中师范大学 | 一种精神疾病的智能识别系统 |
| CN111477299A (zh) * | 2020-04-08 | 2020-07-31 | 广州艾博润医疗科技有限公司 | 结合脑电检测分析控制的声电刺激神经调控方法及装置 |
| CN112244871A (zh) * | 2020-09-25 | 2021-01-22 | 吉林大学 | 一种基于机器学习的振幅整合脑电图分类识读系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113729709A (zh) * | 2021-09-23 | 2021-12-03 | 中国科学技术大学先进技术研究院 | 神经反馈设备、神经反馈方法及计算机可读存储介质 |
| CN113729709B (zh) * | 2021-09-23 | 2023-08-11 | 中科效隆(深圳)科技有限公司 | 神经反馈设备、神经反馈方法及计算机可读存储介质 |
| CN114403899A (zh) * | 2022-02-08 | 2022-04-29 | 浙江浙大西投脑机智能科技有限公司 | 一种大脑神经元锋电位与局部场电位结合的抑郁检测方法 |
| CN114403899B (zh) * | 2022-02-08 | 2023-07-25 | 浙江浙大西投脑机智能科技有限公司 | 一种大脑神经元锋电位与局部场电位结合的抑郁检测装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113180669B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Differences first in asymmetric brain: A bi-hemisphere discrepancy convolutional neural network for EEG emotion recognition | |
| CN110765920B (zh) | 基于卷积神经网络的运动想象分类方法 | |
| Vidyaratne et al. | Deep recurrent neural network for seizure detection | |
| US5687291A (en) | Method and apparatus for estimating a cognitive decision made in response to a known stimulus from the corresponding single-event evoked cerebral potential | |
| Vuckovic et al. | Automatic recognition of alertness and drowsiness from EEG by an artificial neural network | |
| CN113180669B (zh) | 一种基于神经反馈技术的情绪调节训练系统与方法 | |
| Guo et al. | A cross-correlated delay shift supervised learning method for spiking neurons with application to interictal spike detection in epilepsy | |
| CN112381008B (zh) | 一种基于并行序列通道映射网络的脑电情感识别方法 | |
| Bastos et al. | Robotic wheelchair commanded by SSVEP, motor imagery and word generation | |
| CN113729729B (zh) | 基于图神经网络和脑网络的精神分裂症早期检测系统 | |
| Taylor et al. | Feasibility of neucube snn architecture for detecting motor execution and motor intention for use in bciapplications | |
| Belhadj et al. | CSP features extraction and FLDA classification of EEG-based motor imagery for Brain-Computer Interaction | |
| CN109011096A (zh) | 一种基于脑电神经反馈用于训练士兵大脑专注力功能的系统 | |
| Tayeb et al. | Decoding of motor imagery movements from EEG signals using SpiNNaker neuromorphic hardware | |
| Ramdhani et al. | Brain-computer interface based on motor imagery and emotion using convolutional neural networks | |
| Bin et al. | A study of informative EEG channel and brain region for typing activity | |
| CN116035597A (zh) | 一种脑电信号耦合分析方法、装置和系统 | |
| Wei et al. | An investigation of pilot emotion change detection based on multimodal physiological signals | |
| Al-Turabi et al. | Brain computer interface for wheelchair control in smart environment | |
| Alyamani et al. | Classification of EEG signal by methods of machine learning | |
| Riheen et al. | Selection of proper frequency band and compatible features for left and right hand movement from EEG signal analysis | |
| Elbohy et al. | Analysis of electroencephalography signals using particle swarm optimization | |
| Amalia et al. | Identification Post-Stroke of Motor Imagery and Asynchrony of Channel Pairs using Multiple RNN | |
| Ngo et al. | EEG Signal-Based Eye Blink Classifier Using Convolutional Neural Network for BCI Systems | |
| Ernston et al. | Topological data analysis suggests human brain networks reconfiguration in the transition from a resting state to cognitive load |
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 |