CN113288170A - 一种基于模糊处理的脑电信号标定方法 - Google Patents

Abstract

本发明公开了一种基于模糊处理的脑电信号标定方法。本发明包括以下步骤：1)多个佩戴电极帽的受试者乘坐乘运设备，采集受试者的脑电信号和乘运设备的运行性能数据；2)对采集的脑电信号和运行性能数据进行预处理；3)对预处理后的脑电信号进行分割，计算每个脑电片段的流形特征；4)对预处理后的运行性能数据进行模糊处理后，利用模糊处理结果参数对每个脑电片段进行标定；5)将脑电片段的流形特征和标定标签输入到支持向量机算法中进行训练，利用支持向量机模型进行待标定的脑电片段的标定。本发明能够提取获得脑电信号的流形特征，建立了脑电信号和乘运设备波动的对应关系，有效解决了乘运设备的多类运行性能类型之间耦合性强的问题。

Description

一种基于模糊处理的脑电信号标定方法

技术领域

本发明涉及了一种脑电信号标定方法，尤其是涉及了一种基于模糊处理的脑电信号标定方法。

背景技术

随着心理学、认知科学、脑科学等领域的发展，通过不同生理信号采集分析可以推测出受试者的认知状态和心理活动等内容。产品的运行性能表现引发用户基于记忆联想和认知感受的心理反应，因此对于产品方案的评价应该将用户的认知状态和其反映出来的高层次情感需求作为考虑因素。

目前基于神经认知的产品方案评价研究中对脑电信号标定主要有两种方法：一种是基于主观评价的脑电信号标定方法，即将受试者认知反馈简单地融入到脑电信号标定过程中，但该方法往往只能在较粗时间尺度上反映一个整体记忆性的体验状态，而无法反映细时间尺度下的产品方案性能；另一种是基于客观评价的脑电信号标定方法，即通过评估产品的各类物理性能指标来实现脑电信号的标定，但该方法往往忽略了物理性能参数之间存在较强的耦合关系。

发明内容

为了解决背景技术中存在的问题和需求，本发明提供了一种基于模糊处理的脑电信号标定方法，采用模糊处理方法将乘运设备的多类运行性能类型进行解耦，评价乘运设备的运行性能等级，提高了脑电信号标定结果的准确性。

本发明采用以下技术方案，包括以下步骤：

本发明包括以下步骤：

1)多个佩戴电极帽的受试者乘坐乘运设备，采集每个受试者的脑电信号和乘运设备的运行性能数据；

2)对采集的脑电信号和运行性能数据进行预处理后，分别获得预处理后的脑电信号和预处理后的运行性能数据；

3)对每个预处理后的脑电信号进行时间上的均等分割，获得不同时间段的脑电片段，计算每个脑电片段的流形特征，获得所有预处理后的脑电信号的对应的每个脑电片段的流形特征；

4)对所有预处理后的运行性能数据进行模糊处理后，获得模糊处理结果参数，利用模糊处理结果参数对每个脑电片段进行标定，使得每个脑电片段均对应有一个标定标签；

5)将所有脑电片段的流形特征和对应的标定标签输入到支持向量机算法中进行训练，获得支持向量机模型，利用支持向量机模型进行待标定的脑电片段的标定。

所述步骤2)中脑电信号的预处理为低通滤波和去伪迹操作。

所述步骤2)中运行性能数据的预处理为低通滤波和重采样操作。

所述步骤3)具体为：

3.1)对每个预处理后的脑电信号进行时间上的均等分割，获得G个不同时间段的脑电片段，其中第i段脑电片段X_i通过以下公式进行设置：

其中，i表示脑电片段的序号，i＝[0,G]，

表示第O_i时刻的脑电信号，

表示第O_i+O-1时刻的脑电信号，

表示第i段脑电片段的维数为N×O，N表示脑电信号的导联数，O为采样数；

3.2)第i段脑电片段的样本协方差矩阵C_i，C_i∈R^N×N，通过以下公式进行求解：

其中，T表示矩阵转置操作，C_i∈R^N×N表示第i段脑电片段的样本协方差矩阵的维数为N×N；

3.3)将一个脑电片段的样本协方差矩阵视为流形空间

中的一个点，当前预处理后的脑电信号的所有脑电片段的样本协方差矩阵构成流形空间

当前预处理后的脑电信号的流形中心通过以下公式进行求解：

其中，C_M表示当前预处理后的脑电信号的流形中心，

表示取当前预处理后的脑电信号的流形中心的操作，为流形中心的脑电片段的样本协方差矩阵在流形空间

中到其余脑电片段的样本协方差矩阵的测地线距离和最小，C_j表示第j段脑电片段的样本协方差矩阵，δ_R(C_i,C_j)表示第i段脑电片段的样本协方差矩阵和第j段脑电片段的样本协方差矩阵在流形空间

中的测地距离；upper(·)为矩阵向量化运算操作，具体为取括号中的矩阵的含主对角线的上三角部分并将上三角部分一维向量化，其中上三角部分中的对角线元素保持不变，非对角线元素乘上系数

3.4)根据当前预处理后的脑电信号的流形中心C_M，计算每个脑电片段的流形特征及其向量维度，第i段脑电片段的流形特征及其维度通过以下公式进行设置：

m＝N(N+1)/2

其中，

表示第i段脑电片段的流形特征，m表示第i段脑电片段的流形特征

的向量维度，

表示第i段脑电片段的样本协方差矩阵C_i投影到流形中心C_M对应的切空间τ上；

3.5)重复步骤3.1)-3.4)，计算所有预处理后的脑电信号的对应的每个脑电片段的流形特征。

所述步骤4)具体为：

4.1)根据乘运设备的运行性能标签，利用功率谱频率加权密度法对所有预处理后的运行性能数据进行计算，获得对应的模糊性能关联矩阵，通过以下公式进行设置：

其中，R表示模糊性能关联矩阵；r_ij表示第i类运行性能数据在第j个波动等级下的模糊性能隶属度，

0≤r_ij≤1，(r_ij)_I×J表示r_ij的维数为_I×J；i表示运行性能数据的类型序号，i＝1,…,I，I表示运行性能数据的类型总数；j表示乘运设备在各类运行性能数据上的波动等级序号，j＝1,…,J，J表示乘运设备在各类运行性能数据上的波动等级总数；

4.2)设置乘运设备中各类运行性能数据的权重向量ω，利用模糊性能关联矩阵R进行计算，获得模糊处理结果参数B，通过以下公式进行设置：

B＝(b₁,b₂,…,b_J)

其中，b₁表示乘运设备在第一波动等级下的隶属度，b₂表示乘运设备在第二波动等级下的隶属度，b_J表示乘运设备在第J波动等级下的隶属度；

4.3)根据模糊处理结果参数B，利用最大隶属度法对每个脑电片段进行标定，使得每个脑电片段均对应有一个标定标签。

本发明的有益效果为：

本发明对乘运设备的运行性能数据和脑电信号进行实时监测和分析，综合考虑乘运设备的多类运行性能数据，采用模糊处理方法对受试者的脑电信号进行分级标定，有效解决了乘运设备的多类运行性能类型之间耦合性强的问题。

附图说明

图1为本发明方法流程图。

图2为不同评价等级下Fp1导联500ms信号及脑电地形图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

本发明的实施例及其实施工作过程是：

实施例将电梯的乘运性能评价作为案例，本发明的方法流程如图1所示。

实验共招募12名年龄在22-32岁之间的受试者，受试者均为电梯企业员工，每人都对三台方案样机进行乘坐。

实验前给每一位受试者详细介绍脑电采集基本原理和实验内容，详细阐述实验过程无伤害性，防止受试者产生紧张等不良情绪，并要求受试者签署知情同意书。每位受试者在实验准备时都需要保证头部清洁，以保证脑电信号采集的可靠性和准确性。

受试者在戴上电极帽之后，连接电极帽、放大器与采集专用计算机，并在电极处注射脑电膏保证脑电信号导通。

实验人员在每轮实验开始时对数据采集实验设备与用于数据采集的电脑系统时间进行校准，便于后续处理时建立数据关联。实验中受试者面对电梯轿厢壁，保持放松状态进而专心感受电梯运行的情况。采集电梯运行振动数据和受试者脑电信号。

本发明包括以下步骤：

1)多个佩戴电极帽的受试者乘坐乘运设备，采集每个受试者的脑电信号和乘运设备的运行性能数据；具体实施中，乘运设备的运行性能数据具体为在乘坐过程中，乘运设备在三个空间方向上的振动数据。

2)对每个采集的脑电信号和运行性能数据进行预处理后，分别获得预处理后的脑电信号和预处理后的运行性能数据；

步骤2)中脑电信号的预处理为低通滤波和去伪迹操作，运行性能数据的预处理为低通滤波和重采样操作。如图2所示为，不同波动等级下的FP1导联下的脑电信号，其中，图2的(a)为轻微波动等级的脑电信号，图2的(b)为中度波动等级的脑电信号，图2的(c)为强烈波动等级的脑电信号。

3)对每个预处理后的脑电信号进行时间上的均等分割，获得不同时间段的脑电片段，计算每个脑电片段的流形特征，获得所有预处理后的脑电信号的对应的每个脑电片段的流形特征；

步骤3)具体为：

3.1)对每个预处理后的脑电信号进行时间上的均等分割，获得G个不同时间段的脑电片段，其中第i段脑电片段X_i通过以下公式进行设置：

其中，i表示脑电片段的序号，i＝[0,G]，

表示第O_i时刻的脑电信号，

表示第O_i+O-1时刻的脑电信号，

表示第i段脑电片段的维数为N×O，N表示脑电信号的导联数，O为采样数；

3.2)第i段脑电片段的样本协方差矩阵C_i，C_i∈R^N×N，通过以下公式进行求解：

其中，T表示矩阵转置操作，C_i∈R^N×N表示第i段脑电片段的样本协方差矩阵的维数为N×N；

3.3)将一个脑电片段的样本协方差矩阵视为流形空间

中的一个点，当前预处理后的脑电信号的所有脑电片段的样本协方差矩阵构成流形空间

流形空间

中两个点的距离被定义为光滑流形的最短路径，即测地距离。

当前预处理后的脑电信号的流形中心通过以下公式进行求解：

其中，C_M表示当前预处理后的脑电信号的流形中心，流形中心存在且唯一，

表示取当前预处理后的脑电信号的流形中心的操作，为流形中心的脑电片段的样本协方差矩阵在流形空间

中到其余脑电片段的样本协方差矩阵的测地线距离和最小，C_j表示第j段脑电片段的样本协方差矩阵，δ_R(C_i,C_j)表示第i段脑电片段的样本协方差矩阵和第j段脑电片段的样本协方差矩阵在流形空间

中的测地距离；upper(·)为矩阵向量化运算操作，具体为取括号中的矩阵的含主对角线的上三角部分并将上三角部分一维向量化，其中上三角部分中的对角线元素保持不变，非对角线元素乘上系数

3.4)根据当前预处理后的脑电信号的流形中心C_M，计算每个脑电片段的流形特征及其向量维度；

对于由有限点集合映射生成的局部流形，将其他样本点C_i向流形中心对应的切空间映射可以得到第i段脑电片段的流形特征及其维度如下获得：

m＝N(N+1)/2

其中，

表示第i段脑电片段的流形特征，m表示第i段脑电片段的流形特征

的向量维度，

表示第i段脑电片段的样本协方差矩阵C_i投影到流形中心C_M对应的切空间τ上；

3.5)重复步骤3.1)-3.4)，计算所有预处理后的脑电信号的对应的每个脑电片段的流形特征。

表1不同方案样机下的受试者部分脑电片段的流形特征

4)对所有预处理后的运行性能数据进行模糊处理后，获得模糊处理结果参数，利用模糊处理结果参数对每个脑电片段进行标定，使得每个脑电片段均对应有一个标定标签；标定标签是指乘运设备的波动等级。

步骤4)具体为：

4.1)根据乘运设备的运行性能标签，乘运设备的运行性能标签为乘运设备在各类运行性能数据上的波动等级，波动等级为轻微、中度和剧烈，具体为乘运设备在空间中三个方向的波动等级。利用功率谱频率加权密度法对所有预处理后的运行性能数据进行计算，获得对应的模糊性能关联矩阵，通过以下公式进行设置：

其中，R表示模糊性能关联矩阵；r_ij表示第i类运行性能数据第j个波动等级的模糊性能关联参数，

0≤r_ij≤1，(r_ij)_I×J表示r_ij的维数为_I×J；i表示运行性能数据的类型序号，i＝1,…,I，I表示运行性能数据的类型总数，具体实施中，I＝3；j表示乘运设备在各类运行性能数据上的波动等级序号，j＝1,…,J，J表示乘运设备在各类运行性能数据上的波动等级总数，具体实施中，J＝3；

4.2)乘运设备的运行性能数据有多类，利用熵权法和层次分析法设置乘运设备中各类运行性能数据数据的权重向量ω，利用模糊性能关联矩阵R进行计算，获得模糊处理结果参数B，通过以下公式进行设置：

其中，

是模糊算子，w₁表示第一类运行性能的权重，w₂表示第二类运行性能的权重，w_I表示第I类运行性能的权重，b₁表示乘运设备在第一波动等级下的隶属度，b₂表示乘运设备在第二波动等级下的隶属度，b_J表示乘运设备在第J波动等级下的隶属度；

4.3)根据模糊处理结果参数B，利用最大隶属度法对每个脑电片段进行标定，使得每个脑电片段均对应有一个标定标签。

对于不同方向的振动频率带刺激的脑电信号分布的不同，设置乘运设备中各类运行性能数据的权重向量ω＝{0.2,0.2,0.6}。由此可以计算得到三个方案样机的模糊处理结果参数B₁＝(0.318,0.582,0.100)，B₂＝(0.424,0.532,0.044)，B₃＝(0.066,0.262,0.672)。设置模糊处理结果参数中各个波动等级的隶属度的权重γ＝{3,2,1}，如表2所示，根据加权平均准则得到最终分级结论：{P₁：θ₂，P₂：θ₁，P₃：θ₃}，其中，P₁为第一个方案样机，P₂为第二个方案样机，P₃为第三个方案样机，θ₁表示波动等级为轻微，θ₂表示波动等级为中度，θ₃表示波动等级为剧烈，c₁表示第一类运行性能数据，c₂表示第二类运行性能数据，c₃表示第三类运行性能数据，进而实现对不同方案样机下的脑电信号的标定。

表2不同方案样机的模糊性能关联矩阵

5)将所有脑电片段的流形特征和对应的标定标签输入到支持向量机算法中进行训练，获得支持向量机模型，利用支持向量机模型进行待标定的脑电片段的标定。

Claims (5)

1.一种基于模糊处理的脑电信号标定方法，其特征在于，包括以下步骤：

1)多个佩戴电极帽的受试者乘坐乘运设备，采集每个受试者的脑电信号和乘运设备的运行性能数据；

2)对采集的脑电信号和运行性能数据进行预处理后，分别获得预处理后的脑电信号和预处理后的运行性能数据；

3)对每个预处理后的脑电信号进行时间上的均等分割，获得不同时间段的脑电片段，计算每个脑电片段的流形特征，获得所有预处理后的脑电信号的对应的每个脑电片段的流形特征；

4)对所有预处理后的运行性能数据进行模糊处理后，获得模糊处理结果参数，利用模糊处理结果参数对每个脑电片段进行标定，使得每个脑电片段均对应有一个标定标签；

5)将所有脑电片段的流形特征和对应的标定标签输入到支持向量机算法中进行训练，获得支持向量机模型，利用支持向量机模型进行待标定的脑电片段的标定。

2.根据权利要求1所述的一种基于模糊处理的脑电信号标定方法，其特征在于，所述步骤2)中脑电信号的预处理为低通滤波和去伪迹操作。

3.根据权利要求1所述的一种基于模糊处理的脑电信号标定方法，其特征在于，所述步骤2)中运行性能数据的预处理为低通滤波和重采样操作。

4.根据权利要求1所述的一种基于模糊处理的脑电信号标定方法，其特征在于，所述步骤3)具体为：

3.1)对每个预处理后的脑电信号进行时间上的均等分割，获得G个不同时间段的脑电片段，其中第i段脑电片段X_i通过以下公式进行设置：

其中，i表示脑电片段的序号，i＝[0,G]，

表示第O_i时刻的脑电信号，

表示第O_i+O-1时刻的脑电信号，

表示第i段脑电片段的维数为N×O，N表示脑电信号的导联数，O为采样数；

3.2)第i段脑电片段的样本协方差矩阵C_i，C_i∈R^N×N，通过以下公式进行求解：

其中，T表示矩阵转置操作，C_i∈R^N×N表示第i段脑电片段的样本协方差矩阵的维数为N×N；

3.3)将一个脑电片段的样本协方差矩阵视为流形空间

中的一个点，当前预处理后的脑电信号的所有脑电片段的样本协方差矩阵构成流形空间

当前预处理后的脑电信号的流形中心通过以下公式进行求解：

其中，C_M表示当前预处理后的脑电信号的流形中心，

表示取当前预处理后的脑电信号的流形中心的操作，为流形中心的脑电片段的样本协方差矩阵在流形空间

中到其余脑电片段的样本协方差矩阵的测地线距离和最小，C_j表示第j段脑电片段的样本协方差矩阵，δ_R(C_i,C_j)表示第i段脑电片段的样本协方差矩阵和第j段脑电片段的样本协方差矩阵在流形空间

中的测地距离；upper(·)为矩阵向量化运算操作，具体为取括号中的矩阵的含主对角线的上三角部分并将上三角部分一维向量化，其中上三角部分中的对角线元素保持不变，非对角线元素乘上系数

3.4)根据当前预处理后的脑电信号的流形中心C_M，计算每个脑电片段的流形特征及其向量维度，第i段脑电片段的流形特征及其维度通过以下公式进行设置：

m＝N(N+1)/2

其中，

表示第i段脑电片段的流形特征，m表示第i段脑电片段的流形特征

的向量维度，

表示第i段脑电片段的样本协方差矩阵C_i投影到流形中心C_M对应的切空间τ上；

3.5)重复步骤3.1)-3.4)，计算所有预处理后的脑电信号的对应的每个脑电片段的流形特征。

5.根据权利要求1所述的一种基于模糊处理的脑电信号标定方法，其特征在于，所述步骤4)具体为：

4.1)根据乘运设备的运行性能标签，利用功率谱频率加权密度法对所有预处理后的运行性能数据进行计算，获得对应的模糊性能关联矩阵，通过以下公式进行设置：

其中，R表示模糊性能关联矩阵；r_ij表示第i类运行性能数据在第j个波动等级下的模糊性能隶属度，

(r_ij)_I×J表示r_ij的维数为_I×J；i表示运行性能数据的类型序号，i＝1,…,I，I表示运行性能数据的类型总数；j表示乘运设备在各类运行性能数据上的波动等级序号，j＝1,…,J，J表示乘运设备在各类运行性能数据上的波动等级总数；

4.2)设置乘运设备中各类运行性能数据的权重向量ω，利用模糊性能关联矩阵R进行计算，获得模糊处理结果参数B，通过以下公式进行设置：

B＝(b₁,b₂,…,b_J)

其中，b₁表示乘运设备在第一波动等级下的隶属度，b₂表示乘运设备在第二波动等级下的隶属度，b_J表示乘运设备在第J波动等级下的隶属度；

4.3)根据模糊处理结果参数B，利用最大隶属度法对每个脑电片段进行标定，使得每个脑电片段均对应有一个标定标签。

Images