CN113180697A - 一种脑电波分析方法及终端 - Google Patents
一种脑电波分析方法及终端 Download PDFInfo
- Publication number
- CN113180697A CN113180697A CN202110483991.3A CN202110483991A CN113180697A CN 113180697 A CN113180697 A CN 113180697A CN 202110483991 A CN202110483991 A CN 202110483991A CN 113180697 A CN113180697 A CN 113180697A
- Authority
- CN
- China
- Prior art keywords
- brain wave
- data
- analyzed
- brain
- scaling
- 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
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
- A61B5/168—Evaluating attention deficit, hyperactivity
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Developmental Disabilities (AREA)
- Power Engineering (AREA)
- Child & Adolescent Psychology (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
本发明公开一种脑电波分析方法及终端，通过获取待分析对象的脑电波静息态数据生成静息基线状态的数据阈值，根据静息态数据得到静息基线状态的数据阈值得到标量化模型，待分析对象进行脑电波测试后，再将待分析对象的脑电波测试数据通过标量化模型对脑电波测试数据进行标量化，得到脑电波测试数据的标量化曲线，并根据标量化曲线确定所述待分析对象的状态；从而使得待分析对象能够通过标量化的脑电波数据了解测试过程中每一时刻的精神状态，同时也使每个待分析对象的脑电波数据生成与待分析对象个体对应的量化曲线，消除了个体之间测试数据的差异，实现不同待分析对象均能根据标量化后的曲线对精神状态进行判断，从而提高了脑电波分析的准确性。
Description
技术领域
本发明涉及数据处理领域，特别是涉及一种脑电波分析方法及终端。
背景技术
随着脑电波(Electroencephalogram，EEG)信号采集和识别技术不断升级，实时的EEG监测技术也越来越成熟。通过获取相应的脑电波信号特征，可以判断出人体的一些精神状态，比如专注度、压力、放松、疲劳等精神状态。脑电波特征主要有时域和频域相关的特征，时域特征主要有两个信号的相关性、均方值等。频域特征主要有各个频段的脑电波，包括Delta、Theta、Alpha、Beta、Gamma等波段能量，以及如相干性、样本熵等的特征。然而，其中绝大部分的特征都是没有明确的变化范围的，因此非专业人士无法判断特征值的高低，并判断当前精神指标的状态。只有专业人士才能看得懂这些特征的大小所表示的意义。并且学术界更关注的是特征的相对变化，而不是特征的具体幅值。
目前大部分的研究都会将某一精神状态分为几种等级，比如专利CN202010822827.6将压力分成了多个等级。但是压力应该是个连续变化的过程，单纯的归纳为几个等级的压力将会失去很多的变化细节。并且由于存在个体差异，相同的特征对一些人来说可能是专注的，而对另一些人来说可能是不专注度，使用同一模型对所有人的状态进行分类也不太合适。
发明内容
本发明所要解决的技术问题是：提供一种脑电波分析方法及终端，能够提高脑电波分析的准确性。
为了解决上述技术问题，本发明采用的技术方案为：
一种脑电波分析方法，包括步骤：
获取待分析对象的脑电波静息态数据；
根据所述静息态数据得到静息基线状态的数据阈值；
根据所述静息基线状态的数据阈值得到标量化模型；
获取所述待分析对象的脑电波测试数据，并通过所述标量化模型对所述脑电波测试数据进行标量化，得到脑电波测试的标量化曲线，根据所述标量化曲线确定所述待分析对象的状态。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种脑电波分析终端，包括存储器、处理器及存储在存储器上并可在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脑电波分析方法中的各个步骤。
本发明的有益效果在于：获取待分析对象的脑电波静息态数据生成静息基线状态的数据阈值，再根据静息态数据得到静息基线状态的数据阈值得到标量化模型，待分析对象进行脑电波测试后，再将待分析对象的脑电波测试数据通过标量化模型对脑电波测试数据进行标量化，得到脑电波测试数据的标量化曲线，并根据标量化曲线确定所述待分析对象的状态；从而使得待分析对象能够通过标量化的脑电波数据了解测试过程中每一时刻的精神状态，同时通过将脑电波数据进行标量化，使每个待分析对象的脑电波数据生成与待分析对象个体对应的量化曲线，消除了个体之间测试数据的差异，实现不同待分析对象均能根据标量化后的曲线对精神状态进行判断，从而提高了脑电波分析的准确性。
附图说明
图1为本发明实施例的一种脑电波分析方法的步骤流程图；
图2为本发明实施例中对脑电波异常信号处理后的结果图；
图3为本发明实施例中经过标量化后的脑电波特征曲线图；
图4为本发明实施例的一种电子设备的结构示意图；
图5为本发明实施例的一种脑电波分析终端的模块结构示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1，一种脑电波分析方法，包括步骤：
获取待分析对象的脑电波静息态数据；
根据所述静息态数据得到静息基线状态的数据阈值；
根据所述静息基线状态的数据阈值得到标量化模型；
获取所述待分析对象的脑电波测试数据，并通过所述标量化模型对所述脑电波测试数据进行标量化，得到脑电波测试的标量化曲线，根据所述标量化曲线确定所述待分析对象的状态。
从上述描述可知，本发明的有益效果在于：获取待分析对象的脑电波静息态数据生成静息基线状态的数据阈值，再根据静息态数据得到静息基线状态的数据阈值得到标量化模型，待分析对象进行脑电波测试后，再将待分析对象的脑电波测试数据通过标量化模型对脑电波测试数据进行标量化，得到脑电波测试数据的标量化曲线，并根据标量化曲线确定所述待分析对象的状态；从而使得待分析对象能够通过标量化的脑电波数据了解测试过程中每一时刻的精神状态，同时通过将脑电波数据进行标量化，使每个待分析对象的脑电波数据生成与待分析对象个体对应的量化曲线，消除了个体之间测试数据的差异，实现不同待分析对象均能根据标量化后的曲线对精神状态进行判断，从而提高了脑电波分析的准确性。
进一步地，所述根据所述静息态数据得到静息基线状态的数据阈值包括：
根据所述静息态数据得到对应的均值以及标准差；
根据所述静息态数据对应的均值以及标准差得到所述静息基线状态的数据阈值。
由上述描述可知，通过计算静息基线状态数据的均值以及标准差获取静息基线状态的数据阈值，能够更加精确的体现出待分析对象处于静息状态时的相对精神状态。
进一步地，所述根据所述静息基线状态的数据阈值得到标量化模型包括：
所述静息基线状态的数据阈值包括第一阈值和第二阈值；
所述第一阈值为所述均值与标准差的和，所述第二阈值为所述均值与标准差的差；
将所述第一阈值映射为第一临界分数值，得到第一映射方程；
将所述第二阈值映射为第二临界分数值，得到第二映射方程；
通过所述第一映射方程和第二映射方程得到所述标量化模型。
由上述描述可知，基于第一阈值和第二阈值通过映射得到标准化模型，使得经过标准化模型后的曲线具有明确的精神状态第一阈值和第二阈值，不仅能够适用于不同的待分析对象，同时使得标量化后的数据更容易读懂和进行精神状态的判断。
进一步地，所述获取所述待分析对象的脑电波测试数据之后包括：
将获取到的所述待分析对象的脑电波测试数据转化为脑电波信号的功率谱密度；
根据所述脑电波信号的功率谱密度得到不同类型脑电波的能量值；
根据所述不同类型脑电波的能量值生成对应的脑电波特征曲线；
所述通过所述标量化模型对所述脑电波测试数据进行标量化包括：
通过所述标量化模型对所述脑电波特征曲线进行标量化。
由上述描述可知，通过将获取到的待分析对象的脑电波测试数据转化为脑电波信号的功率谱密度，能够将脑电波数据转化成不同类型脑电波的能量值，并通过不同类型脑电波的能量值生成对应的脑电波特征曲线，从而能够得到连续的精神状态曲线图，保留每一时刻精神状态的信息。
进一步地，所述根据所述不同类型脑电波的能量值生成对应的脑电波特征曲线包括：
判断所述不同类型脑电波之间是否存在差异性，若存在，则对所述不同类型脑电波的能量值进行组合计算，并根据所述组合计算结果生成对应的脑电波特征曲线；
若不存在，则对所述不同类型脑电波的能量值进行单一计算，并根据所述单一计算结果生成对应的脑电波特征曲线。
由上述描述可知，通过判断不同类型脑电波之间是否存在差异性，若存在差异性则进行组合计算，若不存在则进行单一计算，实现通过组合多维度特征可以更有效的反应精神状态的变化。
进一步地，所述获取所述待分析对象的脑电波测试数据之后包括步骤：
对所述脑电波测试数据进行异常信号检测，判断是否检测到异常信号，若是，则停止获取所述脑电波测试数据；若否，则对所述脑电波测试数据进行去噪声处理。
由上述描述可知，通过对脑电波测试数据进行异常信号检测，且当检测到异常信号时，停止脑电波数据获取，当未检测到异常信号时，再对获取的数据进行噪声预处理，从而减少了异常信号对标化结果的干扰提高数据的准确性，同时也节省了后续程序的运行资源，降低耗能。
进一步地，对所述不同类型脑电波的能量值进行组合计算包括：
获取所有具有差异性的所述类型脑电波的差异性数值；
将所有所述差异性数值进行归一化；
将归一化后的所述差异性数值进行权重分配，得到对应的权重系数；
根据所述权重系数对所述不同类型脑电波的能量值进行组合计算。
由上述描述可知，获取所有具有差异性的类型脑电波的差异性数值，并通过对差异性数值进行归一化后再进行权重分配，并通过对应的权重系数进行特征计算，从而能够根据对不同类型脑电波进行与之对应的权重分配，能够体现出不同类型脑电波对数值结果的影响的差异，同时减小了不同类型脑电波之间的影响，提高数据准确性。
请参照图4，本发明另一实施例提供了一种脑电波分析终端，包括存储器、处理器及存储在存储器上并可在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脑电波分析方法中的各个步骤。
实施例一
请参照图1，一种脑电波分析方法，包括步骤：
S1、获取待分析对象的脑电波静息态数据；
具体的，通过便携式的脑电波采集头环如DBay脑电头环对待分析对象的脑电波数据；该设备的采用频率为250Hz，共有5个电极水平分布与前额；从左至右分别为AF7电极、第一驱动电极、参考电极、第二驱动电极、AF8电极；其中，第一驱动电极和第二驱动电极物理上为连通结构，用于去除噪声，减少环境干扰噪声；通过AF7电极和AF8电极采集两路脑电波信号，即分别为大脑左前额AF7信号和右前额AF8信号；该采集状态下，待分析对象不做认知任务测试，保存静息和静止状态，采集时间为2-5分钟；
脑电信号采集完成后，通过蓝牙和WiFi以无线传输的方式将采集到的数据打包发送至手机等终端设备，终端设备接受到数据包之后对进行数据解析和数据分析；并且，对采集到的脑电信号进行预处理，去除脑电信号中夹杂的一些噪声，如肌电、眼电、工频干扰等；主要方法有通过IIR低通滤波器去除基线漂移，IIR高通滤波器去除高频肌电，50Hz陷波器去除工频干扰，以及经验模态分解(EmpiricalMode Decomposition，EMD)去除眼电干扰等；
同时，采集数据时对异常信号进行检测；通过对异常信号进行检测既减少异常信号对结果的干扰，也节省程序的运行资源；即当检测到信号异常时，则不再进行后续步骤的计算，输出的实时得分则保持为最近一次的正常分数值；请参照图2，从曲线结果上来看，异常部分则表现出的是直线，同时也输出信号异常的指标；所述异常信号检测的类型及其方法如下：
第一，无信号或信号极弱：如信号出现直线或信号幅值很小(如1uV)，检测方法为连续相邻几个点之间的差值小于某一阈值；通常在未佩戴头环或者皮肤阻抗过高因而无法采集到信号，导致无信号或信号极弱的情况；
第二，信号幅值过高：通常脑电信号幅值在10～100uV之间，如果采集的信号幅值大于100uV或者更高，则表示采集设备受到了干扰，如待分析对象运动、眨眼或头环滑动等原因导致信号出现了较高的幅值；
第三，工频干扰：当采集设备附近存在的交流设备较多时，会出现很强的工频信号；采集设备的接触不良也会导致出现很强的工频干扰，由于采集设备带有的驱动电极本来是可以抑制工频干扰的，当驱动电极接触不良时则会导致该抑制功能失效，出现工频干扰未被抑制的情况；检测方法为：将实时接收到的信号进行快速傅里叶变换，如果频域上50Hz处的信号幅值高于某一预设阈值，则认为存在较强的工频干扰；可以采用通过酒精或者清水擦拭电极后再重新佩戴的方式进行避免；其中，所述预设阈值为经过多次实验得出的数据，大于绝大多数正常情况下50Hz频率处的幅值；
S2、根据所述静息态数据得到静息基线状态的数据阈值；
具体的，根据所述静息态数据得到对应的均值以及标准差；根据所述静息态数据对应的均值以及标准差得到所述静息基线状态的数据阈值；所述静息基线状态的数据阈值包括第一阈值和第二阈值；所述第一阈值为所述均值与标准差的和，所述第二阈值为所述均值与标准差的差；其中，通过计算该获取时间段时间特征的均值及其标准差，所述第一阈值为上边界阈值，所述第二阈值为为下边界阈值，并且，大于上边界阈值则为专注，小于下边界阈值则为不专注；
S3、根据所述静息基线状态的数据阈值得到标量化模型；
将所述第一阈值映射为第一临界分数值，得到第一映射方程；
将所述第二阈值映射为第二临界分数值，得到第二映射方程；
通过所述第一映射方程和第二映射方程得到所述标量化模型；
具体的，例如将测试数据标量化为0-100分的曲线；则将所述第一阈值映射为60的临界分数，将所述第二阈值映射为40的临界分数，并设置该线性映射方程为y＝a*x+b；其中，x为映射前的数值，如所述第一阈值和第二阈值；y为映射后的数值，如临界分数40和60；通过对所述第一阈值和第二阈值进行映射能够得到该线性映射方程中的a值和b值，从而得确定的线性映射方式，建立起0-100分的标量化模型；
S4、获取所述待分析对象的脑电波测试数据，并通过所述标量化模型对所述脑电波测试数据进行标量化，得到脑电波测试的标量化曲线，根据所述标量化曲线确定所述待分析对象的状态；
其中，所述获取所述待分析对象的脑电波测试数据之后包括步骤：
对所述脑电波测试数据进行异常信号检测，判断是否检测到异常信号，若是，则停止获取所述脑电波测试数据；若否，则对所述脑电波测试数据进行去噪声处理；
通过将所述待分析对象的脑电波测试数据带入所述0-100分的标量化模型就能够得到待分析对象的脑电波测试数据对应的0-100分的标量化曲线；并且，当映射后的数值大于100分时，则设定为100分；当映射后的数值小于0分时，则设定为0分；将分数范围限制在0-100分内；
请参照图3，以专注度为例，对标量化的分数与专注度进行对应如：
80～100：非常专注
60～80：专注
40-60：一般(中立)
<40：还需努力(不专注度)
得分越高，表示专注度越高，得分越低专注度越低；通过对标量化前的曲线与标量化后的曲线进行对比可知：标量化前的曲线与标量化后的曲线的趋势和形态是一致的；但未标量化前的特征曲线在1.4-1.9之间波动，分析对象并不理解该数值是大或小，从而无法判断专注程度；而经过量化后，随着练习的进行，分析对象能够根据分数从50左右逐渐提高到80左右，分析对象就能够清楚的知道自己进入了一个专注的过程。
实施例二
本实施例与实施例一的不同在于，对获取到的待分析对象的脑电波测试数据进行进一步的处理；
所述获取所述待分析对象的脑电波测试数据之后包括：
将获取到的所述待分析对象的脑电波测试数据转化为脑电波信号的功率谱密度；根据所述脑电波信号的功率谱密度得到不同类型脑电波的能量值；根据所述不同类型脑电波的能量值生成对应的脑电波特征曲线；
具体的，由于脑电的特征分析大都是基于频域进行的，因此首先将时域信号转换成频域信号；其主要转换方法有快速傅里叶变换(fastFourier transform，FFT)和小波变换，转换后的信号为原脑电信号的功率谱密，即0～128Hz上不同频率上信号的功率；脑电通常分为5个频段，从低到高依次为Delta频段、Theta频段、Alpha频段、Beta频段、Gamma频段，其所在的频率范围、幅度大小及其相关的精神状态如表1所示：
表1
通过对原脑电信号的功率谱密度进行对应的能量计算，将对应频段内的功率进行求积分；以Alpha波为例，若要计算Alpha波的能量，则需要把8-13Hz频率范围的功率进求积分；并且为了减少外界环境的影响，还可以使用相对能量，相对能量为某频段的能量除以总能量，总能量为各频段能量的和；以Alpha波的相对能量为例，计算方法如下：
Relative_Alpha＝Alpha/(Delta+Theta+Tlpha+Beta+Gamma)×100
各频段相对能量的取值范围为0～100；将所述能量值或相对能量值作为特征，并将多段的能量值或相对能量值连成曲线就能够得到对应的脑电波特征曲线；并通过所述标量化模型对所述脑电波特征曲线进行标量化，得到标量化曲线；
同时，还对脑电波的时域特征进行计算；时域计算主要是基于时域信号进行分析和特征提取；信号的时域特征主要包括信号的均方值，信号之间的相关性等，以及一些非线性特征，比如样本熵、信息熵等；
并且，在进行具体的特征计算时，判断所述不同类型脑电波之间是否存在差异性，若存在，则对所述不同类型脑电波的能量值进行组合计算，并根据所述组合计算结果生成对应的脑电波特征曲线；若不存在，则对所述不同类型脑电波的能量值进行单一计算，并根据所述单一计算结果生成对应的脑电波特征曲线；
具体的，基于标准的认知实验范式，对以上的时域、频域及其非线性特征进行检验分析；比如T检验分析，筛选出p值小于0.01或0.05的特征(p值范围为0～1，p值小于0.01或0.05表示两种特征存在显著性差异，p值越小表示差异越大)；若存在具有差异性的特征则进行所述组合计算，若不存在，则进行单一计算；所述单一计算为以单一频段的能量值或相对能量值的计算结果作为特征曲线；如上述Alpha波对应的能量曲线；
所述不同类型脑电波的能量值进行组合计算包括：获取所有具有差异性的所述类型脑电波的差异性数值；将所有所述差异性数值进行归一化；将归一化后的所述差异性数值进行权重分配，得到对应的权重系数；根据所述权重系数对所述不同类型脑电波的能量值进行组合计算；
具体的，将与认知任务正相关的特征作为组合特征的分子部分，与认知任务负相关的特征作为组合特征的分母部分，对分子和分母的部分别进行加权组合计算；所述权重系数与该特征对应的p值有关，组合之前先对这几个特征的p值进行归一化；即分别除以这几个p值的和，再用1减去该比值作为最终的权重系数，最终差异变化越明显的特征，所对应的权重系数也越大；分别计算分子的加权组合与分母的加权组合，得到最终的表示该精神状态的指标特征；如果分子只有一个特征，则分子无需加权；同理，分母只有一个特征，则分母也无需加权；
加权组合之前，还需要对特征进行标准化；由于不同特征的量纲或变化范围不一样，需要把特征统一到一个尺度；用当前的特征除以前一段时间多个的特征的标准差，或者是用当前的特征除基线时间段的特征的标准差；
以疲劳度指标为例，学术中常用(Theta+Alpha)/Beta作为疲劳度的特征，疲劳度与Theta和Alpha是正相关，与Beta是反相关；即越疲劳Theta和Alpha越大、Beta越小；但实际上Theta和Alpha的变化对疲劳度的反映是不同的；如在疲劳度实验的分析结果中发现，疲劳状态与静息状态(非疲劳)的差异分析中Theta和Alpha的差异显著性(p值)是不同的，Theta为0.02，Alpha为0.04，也就是说Theta特征的变化比Alpha更显著，所两者在公式中的权重应该是有差异的，计算流程为：
由于分母只有一个特征Beta，因此所以无需组合，系数默认为1，只需对分子进行组合计算；通过Theta和Alpha的p值分别为0.02、0.04，分别将Theta和Alpha对应的p值除以两者p值的和，则归一化之后分别为0.3333和0.6667；然后再用1减去归一化后的系数作为最终的权重系数，即最终Theta和Alpha的权重系数为0.6667和0.333，即Theta的系数大于Alpha的系数；可见，差异度越大(P值越小)对应的权重系数越大；
对Theta特征进行标准化，用当前计算到的Theta特征值除最近前10秒内的Theta特征的标准差，标准化后的特征为Theta_nor；采用同样的方法对Alpha和Beta进行标准化，得到对应的标准化数值：Alpha_nor和Beta_nor；
归一化后的权重系数分别与标准化后的特征进行加权求和，得到最终的组合特征，结果如下：
Fatigue＝(Theta_nor×0.6667+Alpha_nor×0.3333)/Beta_nor
与公式(Theta+Alpha)/Beta相比，优化后的公式更能体现出不同特征对结果的差异，同时增加了特征标准化的过程，极大的减小了不同量纲之间的影响；
若时域特征中的相关系数corr也与疲劳度正相关，则此时的疲劳度的组合特征为：(Theta+Alpha+corr)/Beta；
由于时域特征中相关系数corr的取值范围是-1～1，而其他频域能量指标如Theta、Alpha和Beta其取值范围均为0～100；因此，时域特征和频域特征的变化范围差异极大，若直接将时域特征和频域特征进行结合，将会导致时域特征的波动无法在组合特征曲线中体现，因此需要先对时域特征和频域特征进行标准化，将时域特征和频域特征的取值范围同一到一个尺度，如将取值范围都同一为-1～1或0～100；并根据Theta、Alpha和corr对应的P值分配不同的权重系数；再通过上述步骤的进行组合计算，得到最终的组合特征曲线。
实施例三
请参照图4，一种脑电波分析终端，包括存储器、处理器及存储在存储器上并可在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实施例一或实施例二所述的一种脑电波分析方法的各个步骤；
具体的，请参照图5，包括8个模块分别为信号采集模块、信号传输模块、异常信号检测模块、预处理模块、特征计算及其组合模块、基线采集模块、指标量化模块和实时得分；
所述信号采集模块用于脑电波数据的采集；所述信号传输模块用于将脑电波数据传输至处理终端；所述异常信号检测模块用于检测脑电波数据采集过程中的异常信号；所述预处理模块用于对采集到的脑电波数据进行噪声去除；所述特征计算及其组合模块用于对采集的脑电波数据进行计算；基线采集模块同于采集待分析对象的静息态数据；指标量化模块用于将采集的脑电波数据进行标量化；实时得分用于输出标量化曲线对应的分数。
综上所述，本发明提供的一种脑电波分析方法及终端，获取待分析对象的脑电波静息态数据生成静息基线状态的数据阈值，根据静息态数据得到静息基线状态的数据阈值得到标量化模型，待分析对象进行脑电波测试后，将待分析对象的脑电波测试数据通过标量化模型对脑电波测试数据进行标量化，得到脑电波测试数据的标量化曲线，并根据标量化曲线确定所述待分析对象的状态；从而使得待分析对象能够通过标量化的脑电波数据了解测试过程中每一时刻的精神状态，并且在获取待分析对象的脑电波测试数据后，进行对应的单一特征计算或组合特征计算，解决了不同量纲之间的特征无法同时组合成一个指标的问题，增加了有效的特征维度，使每个待分析对象的脑电波数据生成与待分析对象个体对应的量化曲线，消除了个体之间测试数据的差异，实现不同待分析对象均能根据标量化后的曲线对精神状态进行判断，从而提高了脑电波分析的准确性。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种脑电波分析方法，其特征在于，包括步骤：
获取待分析对象的脑电波静息态数据；
根据所述静息态数据得到静息基线状态的数据阈值；
根据所述静息基线状态的数据阈值得到标量化模型；
获取所述待分析对象的脑电波测试数据，并通过所述标量化模型对所述脑电波测试数据进行标量化，得到脑电波测试的标量化曲线，根据所述标量化曲线确定所述待分析对象的状态。
2.根据权利要求1所述的一种脑电波分析方法，其特征在于，所述根据所述静息态数据得到静息基线状态的数据阈值包括：
根据所述静息态数据得到对应的均值以及标准差；
根据所述静息态数据对应的均值以及标准差得到所述静息基线状态的数据阈值。
3.根据权利要求2所述的一种脑电波分析方法，其特征在于，所述根据所述静息基线状态的数据阈值得到标量化模型包括：
所述静息基线状态的数据阈值包括第一阈值和第二阈值；
所述第一阈值为所述均值与标准差的和，所述第二阈值为所述均值与标准差的差；
将所述第一阈值映射为第一临界分数值，得到第一映射方程；
将所述第二阈值映射为第二临界分数值，得到第二映射方程；
通过所述第一映射方程和第二映射方程得到所述标量化模型。
4.根据权利要求1所述的一种脑电波分析方法，其特征在于，所述获取所述待分析对象的脑电波测试数据之后包括：
将获取到的所述待分析对象的脑电波测试数据转化为脑电波信号的功率谱密度；
根据所述脑电波信号的功率谱密度得到不同类型脑电波的能量值；
根据所述不同类型脑电波的能量值生成对应的脑电波特征曲线；
所述通过所述标量化模型对所述脑电波测试数据进行标量化包括：
通过所述标量化模型对所述脑电波特征曲线进行标量化。
5.根据权利要求4所述的一种脑电波分析方法，其特征在于，所述根据所述不同类型脑电波的能量值生成对应的脑电波特征曲线包括：
判断所述不同类型脑电波之间是否存在差异性，若存在，则对所述不同类型脑电波的能量值进行组合计算，并根据所述组合计算结果生成对应的脑电波特征曲线；
若不存在，则对所述不同类型脑电波的能量值进行单一计算，并根据所述单一计算结果生成对应的脑电波特征曲线。
6.根据权利要求5所述的一种脑电波分析方法，其特征在于，对所述不同类型脑电波的能量值进行组合计算包括：
获取所有具有差异性的所述类型脑电波的差异性数值；
将所有所述差异性数值进行归一化；
将归一化后的所述差异性数值进行权重分配，得到对应的权重系数；
根据所述权重系数对所述不同类型脑电波的能量值进行组合计算。
7.根据权利要求1所述的一种脑电波分析方法，其特征在于，所述获取所述待分析对象的脑电波测试数据之后包括步骤：
对所述脑电波测试数据进行异常信号检测，判断是否检测到异常信号，若是，则停止获取所述脑电波测试数据；若否，则对所述脑电波测试数据进行去噪声处理。
8.一种脑电波分析终端，包括存储器、处理器及存储在存储器上并可在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中任意一项所述的一种脑电波分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110483991.3A CN113180697B (zh) | 2021-04-30 | 2021-04-30 | 一种脑电波分析方法及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110483991.3A CN113180697B (zh) | 2021-04-30 | 2021-04-30 | 一种脑电波分析方法及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113180697A true CN113180697A (zh) | 2021-07-30 |
| CN113180697B CN113180697B (zh) | 2022-11-01 |
Family
ID=76983659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110483991.3A Active CN113180697B (zh) | 2021-04-30 | 2021-04-30 | 一种脑电波分析方法及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113180697B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116570297A (zh) * | 2023-07-13 | 2023-08-11 | 四川君健万峰医疗器械有限责任公司 | 一种癫痫脑电波信号识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH026231A (ja) * | 1988-06-23 | 1990-01-10 | Nissan Motor Co Ltd | 運転者異常状態検出装置 |
| WO2005110215A2 (en) * | 2004-05-10 | 2005-11-24 | Meddorna, Llc | Method and apparatus for processing respiration data and assessing autonomic function |
| US20060176824A1 (en) * | 2005-02-04 | 2006-08-10 | Kent Laver | Methods and apparatus for identifying chronic performance problems on data networks |
| US20100076743A1 (en) * | 2008-09-22 | 2010-03-25 | Mathews V John | Model-based dissimilarity indices for health monitoring systems |
| CN109480872A (zh) * | 2018-11-08 | 2019-03-19 | 哈尔滨工业大学 | 基于脑电信号频带能量比特征的驾驶疲劳检测方法 |
| EP3763288A1 (en) * | 2018-03-09 | 2021-01-13 | Advanced Telecommunications Research Institute International | Brain activity training device, brain activity training method, and brain activity training program |
| CN112401906A (zh) * | 2020-11-10 | 2021-02-26 | 河北省科学院应用数学研究所 | 一种基于幅值的自动脑电去伪迹方法 |
-
2021
- 2021-04-30 CN CN202110483991.3A patent/CN113180697B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH026231A (ja) * | 1988-06-23 | 1990-01-10 | Nissan Motor Co Ltd | 運転者異常状態検出装置 |
| WO2005110215A2 (en) * | 2004-05-10 | 2005-11-24 | Meddorna, Llc | Method and apparatus for processing respiration data and assessing autonomic function |
| US20060176824A1 (en) * | 2005-02-04 | 2006-08-10 | Kent Laver | Methods and apparatus for identifying chronic performance problems on data networks |
| US20100076743A1 (en) * | 2008-09-22 | 2010-03-25 | Mathews V John | Model-based dissimilarity indices for health monitoring systems |
| EP3763288A1 (en) * | 2018-03-09 | 2021-01-13 | Advanced Telecommunications Research Institute International | Brain activity training device, brain activity training method, and brain activity training program |
| CN109480872A (zh) * | 2018-11-08 | 2019-03-19 | 哈尔滨工业大学 | 基于脑电信号频带能量比特征的驾驶疲劳检测方法 |
| CN112401906A (zh) * | 2020-11-10 | 2021-02-26 | 河北省科学院应用数学研究所 | 一种基于幅值的自动脑电去伪迹方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116570297A (zh) * | 2023-07-13 | 2023-08-11 | 四川君健万峰医疗器械有限责任公司 | 一种癫痫脑电波信号识别方法 |
| CN116570297B (zh) * | 2023-07-13 | 2023-10-13 | 四川君健万峰医疗器械有限责任公司 | 一种癫痫脑电波信号识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113180697B (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Boonyakitanont et al. | A review of feature extraction and performance evaluation in epileptic seizure detection using EEG | |
| Wang et al. | Detection analysis of epileptic EEG using a novel random forest model combined with grid search optimization | |
| Jayachandran et al. | Analysis of myocardial infarction using discrete wavelet transform | |
| Boashash et al. | Time-frequency processing of nonstationary signals: Advanced TFD design to aid diagnosis with highlights from medical applications | |
| Manjusha et al. | Performance analysis of KNN classifier and K-means clustering for robust classification of epilepsy from EEG signals | |
| CN108577834B (zh) | 一种用于癫痫间期棘波自动检测的方法 | |
| Márton et al. | Detrended fluctuation analysis of EEG signals | |
| CN110960233B (zh) | 一种基于脑电波的抑郁状态检测方法及系统 | |
| Martis et al. | Epileptic EEG classification using nonlinear parameters on different frequency bands | |
| US20210267530A1 (en) | Multiclass classification method for the estimation of eeg signal quality | |
| WO2012051300A2 (en) | Method and system for detection and rejection of motion/noise artifacts in physiological measurements | |
| Boashash et al. | Time-frequency signal and image processing of non-stationary signals with application to the classification of newborn EEG abnormalities | |
| Rojano et al. | Singular value decomposition of the time-frequency distribution of PPG signals for motion artifact reduction | |
| Al-Salman et al. | Detection of k-complexes in EEG signals using a multi-domain feature extraction coupled with a least square support vector machine classifier | |
| CN113180697B (zh) | 一种脑电波分析方法及终端 | |
| Jaleel et al. | Improved spindle detection through intuitive pre-processing of electroencephalogram | |
| CN114947850A (zh) | 基于脉搏波高斯模型特征的脑力负荷等级客观检测方法 | |
| Garg et al. | EEG spike detection technique using output correlation method: A Kalman filtering approach | |
| Abbasi et al. | Multiple contaminant biosignal quality analysis for electrocardiography | |
| CN115486849A (zh) | 心电信号质量评估方法、装置及设备 | |
| Uchaipichat et al. | Development of QRS detection using short-time fourier transform based technique | |
| Zhang et al. | Heart sound classification and recognition based on EEMD and correlation dimension | |
| CN112022151B (zh) | 一种脑电棘慢波的处理及识别方法 | |
| Chandel et al. | Patient specific seizure onset-offset latency detection using long-term EEG signals | |
| Chandra et al. | Neuromuscular disease detection employing 1D-local binary pattern of electromyography signals |
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 |