CN113288175A - 脑电信号的质量检测方法、装置、电子设备及存储介质 - Google Patents
脑电信号的质量检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113288175A CN113288175A CN202110602602.4A CN202110602602A CN113288175A CN 113288175 A CN113288175 A CN 113288175A CN 202110602602 A CN202110602602 A CN 202110602602A CN 113288175 A CN113288175 A CN 113288175A
- Authority
- CN
- China
- Prior art keywords
- signal
- data
- paradigm
- electroencephalogram
- validity
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000013075 data extraction Methods 0.000 claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 230000000284 resting effect Effects 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 25
- 230000004044 response Effects 0.000 claims description 21
- 230000000638 stimulation Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 230000008451 emotion Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 15
- 230000003595 spectral effect Effects 0.000 claims description 12
- 230000007935 neutral effect Effects 0.000 claims description 9
- 102000010410 Nogo Proteins Human genes 0.000 claims description 8
- 108010077641 Nogo Proteins Proteins 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 210000004556 brain Anatomy 0.000 claims description 5
- 230000001149 cognitive effect Effects 0.000 claims description 4
- 230000002996 emotional effect Effects 0.000 claims description 4
- 210000001061 forehead Anatomy 0.000 claims description 3
- 230000002269 spontaneous effect Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 12
- 230000000763 evoking effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 230000010355 oscillation Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003183 myoelectrical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ONIKNECPXCLUHT-UHFFFAOYSA-N 2-chlorobenzoyl chloride Chemical group ClC(=O)C1=CC=CC=C1Cl ONIKNECPXCLUHT-UHFFFAOYSA-N 0.000 description 1
- 102100026233 DAN domain family member 5 Human genes 0.000 description 1
- 101000912351 Homo sapiens DAN domain family member 5 Chemical group 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000008433 psychological processes and functions Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003936 working memory Effects 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
- A61B5/72—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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请适用于信号检测技术领域，提供一种脑电信号的质量检测方法、装置、设备及存储介质，其方法包括：在预设的实验范式下，分别采用测试设备和标准设备采集用户的脑电信号，测试设备采集的用户的脑电信号表征为待检测信号，标准设备采集的用户的脑电信号表征为效标信号。根据预设的实验范式确定数据提取规则，按照数据提取规则，从待检测信号中提取到第一信号数据以及从效标信号中提取到第二信号数据。进而根据第一信号数据和第二信号数据，计算出待检测信号与效标信号之间表征相关性的效度数据，再将效度数据与预设的效度阈值进行比对，从而判断待检测信号是否满足质量检测要求。该方法可以实现全方位地检测信号质量，提高信号检测的准确性。
Description
技术领域
本申请涉及信号检测技术领域，尤其涉及一种脑电信号的质量检测方法、装置、电子设备及存储介质。
背景技术
脑电(Electroencephalograph,简称EEG)是目前心理学研究中广泛采用的非入侵式记录系统,被广泛应用于脑功能研究。随着人工智能和脑机交互的发展，脑电信号的质量却无法得到科学和高效率的检验。目前市场上的检验主要是基于采集到的信号的稳定性，即信度，如通过不同时间片段采集到的信号的波动性标准差为标准来判定信号的质量或者通过信噪比来判定信号质量。然而发明人发现，仅通过信号的稳定性单方面来检测信号质量时，无法实现全方位地检测出信号质量的好坏，信号检测的准确性低。
发明内容
有鉴于此，本申请实施例提供了一种脑电信号的质量检测方法、装置、电子设备及存储介质，可以全方位地检测信号质量，提高信号检测的准确性。
本申请实施例的第一方面提供了一种脑电信号的质量检测方法，包括：
在预设的实验范式下，分别采用测试设备和标准设备采集用户的脑电信号，其中，所述测试设备采集的用户的脑电信号表征为待检测信号，所述标准设备采集的用户的脑电信号表征为效标信号；
根据所述预设的实验范式确定数据提取规则，按照所述数据提取规则，从所述待检测信号中提取到第一信号数据以及从所述效标信号中提取到第二信号数据；
根据所述第一信号数据和所述第二信号数据，计算出所述待检测信号与所述效标信号之间表征相关性的效度数据；
将所述效度数据与预设的效度阈值进行比对，若所述效度数据达到所述预设的效度阈值，则判断所述待检测信号满足质量检测要求。
示例性的，所述在预设的实验范式下，分别采用测试设备和标准设备采集用户的脑电信号的步骤中，所述预设的实验范式包括静息态EEG范式、Passive Oddball范式、Go-Nogo范式以及Passive viewing范式中的一种或多种范式，其中，在静息态EEG范式下采集的脑电信号用于评估用户的大脑在自发状态下的功能状态，在Passive Oddball范式下采集的脑电信号用于评估用户的知觉加工过程，在Go-Nogo范式下采集的脑电信号用于评估用户的认知控制过程，在Passive Viewing范式下采集的脑电信号用于评估用户的情绪加工和调节过程。
示例性的，所述根据所述预设的实验范式确定数据提取规则，按照所述数据提取规则，从所述待检测信号中提取到第一信号数据以及从所述效标信号中提取到第二信号数据的步骤之前，还包括：
针对所述静息态EEG范式，配置所述静息态EEG范式对应的数据提取规则为提取脑电信号中的静息态功率谱密度数据；或/及
针对所述Passive Oddball范式，配置所述Passive Oddball范式对应的数据提取规则为若脑电信号中标准声音刺激与异常声音刺激诱发的响应相减得到的差异波在经典时间窗内出现前额分布的MMN信号成分和中央区分布的P3a信号成分，提取所述MMN信号数据和P3a信号数据；或/及
针对所述Go-Nogo范式，配置所述Go-Nogo范式对应的数据提取规则为若脑电信号中Nogo条件下刺激诱发的响应中出现N2信号成分和P3信号成分，提取N2信号数据和P3信号数据；或/及
针对所述Passive Viewing范式，配置所述Passive Viewing范式对应的数据提取规则为若脑电信号中负性情绪类型图片刺激诱发的响应中P3信号成分和LPP信号成分的波幅大于中性情绪类型图片刺激诱发的响应中P3信号成分和LPP信号成分的波幅，提取P3信号数据和LPP信号数据。
示例性的，若所述预设的实验范式包括静息态EEG范式，所述根据所述第一信号数据和所述第二信号数据，计算出所述待检测信号与所述效标信号之间表征相关性的效度数据的步骤中，所述效度数据包括地形图相关系数、频谱图相关系数和频谱能量相关系数。
示例性的，若所述预设的实验范式包括Passive Oddball范式、Go-Nogo范式以及Passive viewing范式中的任意一种或多种实验范式，所述根据所述第一信号数据和所述第二信号数据，计算出所述待检测信号与所述效标信号之间表征相关性的效度数据的步骤中，所述效度数据包括地形图相关系数、波形图相关系数和波幅/潜伏期相关系数。
示例性的，所述在预设的实验范式下，分别采用测试设备和标准设备采集用户的脑电信号的步骤之后，还包括：
对所述脑电信号进行去噪预处理，所述去噪预处理包括带通滤波处理、基线校正处理和数据叠加平均处理中的一项或多项。
本申请实施例的第二方面提供了一种脑电信号的质量检测装置，所述脑电信号的质量检测装置包括：
信号采集模块，用于在预设的实验范式下，分别采用测试设备和标准设备采集用户的脑电信号，其中，所述测试设备采集的用户的脑电信号表征为待检测信号，所述标准设备采集的用户的脑电信号表征为效标信号；
信号数据提取模块，用于根据所述预设的实验范式确定数据提取规则，按照所述数据提取规则，从所述待检测信号中提取到第一信号数据以及从所述效标信号中提取到第二信号数据；
效度数据获取模块，用于根据所述第一信号数据和所述第二信号数据，计算出所述待检测信号与所述效标信号之间表征相关性的效度数据；
信号质量检测模块，用于将所述效度数据与预设的效度阈值进行比对，若所述效度数据达到所述预设的效度阈值，则判断所述待检测信号满足质量检测要求。
结合第二方面，在第二方面的第一种可能实现方式中，所述脑电信号的质量检测装置还包括：
去噪预处理模块，用于对所述脑电信号进行去噪预处理，所述去噪预处理包括带通滤波处理、基线校正处理和数据叠加平均处理中的一项或多项。
本申请实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在电子设备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第一方面提供的脑电信号的质量检测方法的各步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面提供的脑电信号的质量检测方法的各步骤。
本申请实施例提供的一种脑电信号的质量检测方法、装置、电子设备及存储介质，具有以下有益效果：
本申请所述方法通过在预设的实验范式下，分别采用测试设备和标准设备采集用户的脑电信号，测试设备采集的用户的脑电信号表征为待检测信号，标准设备采集的用户的脑电信号表征为效标信号。根据预设的实验范式确定数据提取规则，按照数据提取规则，从待检测信号中提取到第一信号数据以及从效标信号中提取到第二信号数据。进而根据第一信号数据和第二信号数据，计算出待检测信号与效标信号之间表征相关性的效度数据，再将效度数据与预设的效度阈值进行比对，从而判断待检测信号是否满足质量检测要求。该方法可以通过在不同的实验范式提取不同的信号数据来执行信号的质量检测，可以全方位地检测信号质量，提高信号检测的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，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为本申请实施例提供的一种脑电信号的质量检测方法的实现流程图；
图2为本申请实施例提供的脑电信号的质量检测方法中在静息态EEG范式下采集脑电信号的过程示意图；
图3为本申请实施例提供的脑电信号的质量检测方法中在Passive Oddball范式下采集脑电信号的过程示意图；
图4为本申请实施例提供的脑电信号的质量检测方法中在Go-Nogo范式下采集脑电信号的过程示意图；
图5为本申请实施例提供的脑电信号的质量检测方法中在Passive Viewing范式下采集脑电信号的过程示意图；
图6为本申请实施例提供的一种脑电信号的质量检测装置的基本结构框图；
图7为本申请实施例提供的一种电子设备的基本结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
请参阅图1，图1为本申请实施例提供的一种脑电信号的质量检测方法的实现流程图。详述如下：
步骤S11：在预设的实验范式下，分别采用测试设备和标准设备采集用户的脑电信号，其中，所述测试设备采集的用户的脑电信号表征为待检测信号，所述标准设备采集的用户的脑电信号表征为效标信号。
本实施例中，预设的实验范式包括但不限于静息态EEG范式以及经典ERP范式中的Passive Oddball范式、Go-Nogo范式、Passive viewing范式。在本实施例中，采集脑电信号时，先选择静息态EEG范式、Passive Oddball范式、Go-Nogo范式和Passive viewing范式中的任意一种或多种实验范式，然后通过将测试设备的电极贴在该标准设备的相应位置上，分别采用测试设备和标准设备在同一实验范式下采集用户的脑电信号。其中，测试设备采集的用户的脑电信号表征为待检测信号，标准设备采集的用户的脑电信号表征为效标信号。可以理解的是，在本实施例中，若选择多种实验范式时，则每种实验范式可以对应获得一份测试设备采集的待检测信号和一份标准设备采集的效标信号，可以实现从神经振荡、知觉、认知控制以及情绪加工这些基本心理过程来全方位地检测脑电信号的质量。示例性的，若测试设备用于进行事件相关电位的研究和应用时，则采用多种实验范式来进行脑电信号的质量检测。标准设备使用当前国际上广泛使用的脑电信号采集系统(比如Neuroscan)。
在一些实施例中，在静息态EEG范式下采集的脑电信号用于评估用户的大脑在自发状态下的功能状态，需要用户保持静息但清醒的状态。示例性的，请参阅图2，图2为本申请实施例提供的脑电信号的质量检测方法中在静息态EEG范式下采集脑电信号的过程示意图。如图2所示，可以指示用户保持静息但清醒的状态，并且根据指令与用户进行交互，例如交替通过屏幕呈现“请睁眼”或“请闭眼”的指示信息，并且发出“开始”或“结束”的交替指令来指示用户执行睁眼(O)或闭眼(C)动作，其中，指示用户每次O或C的动作持续1min，中间间隔10s。在本实施例中，指示用户执行动作的顺序包括OCOC或COCO两种顺序中的任意一种，由此完成在静息态EEG范式下采集用户的脑电信号的过程。
在Passive Oddball范式下采集的脑电信号用于评估用户的知觉加工过程，需要用户观看无声视频并戴上耳机，且只需关注无声视频，无需关注耳机发出的声音刺激。示例性的，请参阅图3，图3为本申请实施例提供的脑电信号的质量检测方法中在PassiveOddball范式下采集脑电信号的过程示意图。如图3所示，可以指示用户全程戴上耳机观看无声视频，控制耳机随即发出Standard(1000Hz)和Deviant(1500Hz)两种声音，其中，Standard(1000Hz)声音与Deviant(1500Hz)声音发出的概率分别为80％和20％。通过实验600个声音，分3组进行，以此完成在Passive Oddball范式下采集用户的脑电信号的过程。
在Go-Nogo范式下采集的脑电信号用于评估用户的认知控制过程，需要用户在看到特定的信息时执行相应的动作反应。示例性的，请参阅图4，图4为本申请实施例提供的脑电信号的质量检测方法中在Go-Nogo范式下采集脑电信号的过程示意图。如图4所示，可以指示用户观看显示屏并告知用户需要在显示屏出现数字9时进行按键反应，而出现数字1时无需做出反应，控制显示屏随机呈现9(Go)和1(Nogo)两种数字，其中，数字9与数字1出现的概率分别为80％和20％。通过实验480个数字，分2组进行，以此完成在Go-Nogo范式下采集用户的脑电信号的过程。
在Passive Viewing范式下采集的脑电信号用于评估用户的情绪加工和调节过程，需要用户观看代表不同情绪的图片，无需执行动作反应。示例性的，请参阅图5，图5为本申请实施例提供的脑电信号的质量检测方法中在Passive Viewing范式下采集脑电信号的过程示意图。如图5所示，可以指示用户观看显示屏，控制显示屏随机呈现表示不同情绪的照片，在本实施例中，表示不同情绪的图片可以从情绪图片库中获取，其中，包括Neutral(中性)和Negative(负性)两种类型的图片各30张，即实验一组60张图片，重复实验3次，以此完成在Passive Viewing范式下采集用户的脑电信号的过程。
步骤S12：根据所述预设的实验范式确定数据提取规则，按照所述数据提取规则，从所述待检测信号中提取到第一信号数据以及从所述效标信号中提取到第二信号数据。
本实施例中，不同的实验范式下采集到的脑电信号中出现的经典信号成分不同，这些经典信号成分对应的信号数据可以用来检测信号质量。在本实施例中，基于不同的经典信号成分，为各实验范式分别配置各自对应的数据提取规则。因此基于实验范式与数据提取规则之间的对应关系，根据此前测试设备和标准设备采集信号时所选择的实验范式，确定出数据提取规则。确定好数据提取规则后，则可以按照该数据提取规则从待检测信号中提取出该实验范式下的用于进行检测信号质量的第一信号数据和从效标信号中提取出该实验范式下的用与进行检测信号质量的第二信号数据。
在本申请的一些实施例中，基于不同的经典信号成分，为各实验范式分别配置各自对应的数据提取规则时，示例性的，针对静息态EEG范式，其通过使用户保持静息但清醒的状态下交替睁、闭眼，获得delta(0.1-4Hz)、theta(4-8Hz)、alpha(8-13Hz)、beta(13-30Hz)、gamma(30-45Hz)频段的神经振荡信息，可以配置该静息态EEG范式对应的数据提取规则为：采用Welch法提取脑电信号中的静息态功率谱密度(power spectral density，PSD)数据，即提取各经典频段的PSD信号数据。针对Passive Oddball范式，其通过使用户只关注无声视频而不关注耳机中的标准声音刺激(Standard，一般为1000Hz)和异常声音刺激(Deviant，一般为1500Hz)，获得标准声音刺激和异常声音刺激诱发的响应，可以配置该Passive Oddball范式对应的数据提取规则为：判断脑电信号中标准声音刺激与异常声音刺激诱发的响应相减得到的差异波是否在经典时间窗内出现前额分布的MMN信号成分和中央区分布的P3a信号成分，若是，提取MMN信号数据和P3a信号数据。针对Go-Nogo范式，其通过使用户关注随机出现的数字9(Go)和数字1(Nogo)，并在出现数字9(Go)时进行按键反应而出现数字1(Nogo)时不做反应，获得数字1(Nogo)条件下刺激诱发的响应，可以配置该Go-Nogo范式对应的数据提取规则为：判断数字1(Nogo)条件下刺激诱发的响应中是否出现N2信号成分和P3信号成分，若是，提取N2信号数据和P3信号数据。针对Passive Viewing范式，其通过使用户关注随机出现的表示不同情绪的图片，包括中性(Neutral)和负性(Negative)两种类型，获得负性情绪类型图片刺激诱发的响应和中性情绪类型图片刺激诱发的响应，可以配置该Passive Viewing范式对应的数据提取规则为：判断负性情绪类型图片刺激诱发的响应中P3成分和LPP成分的波幅是否大于中性情绪类型图片刺激诱发的响应中P3成分和LPP成分的波幅，提取P3信号数据和LPP信号数据。
在本实施例中，在静息态EEG范式下，可以提取PSD成分，PSD成分可以表征为脑电信号中的delta(0.1-4Hz)、theta(4-8Hz)、alpha(8-13Hz)、beta(13-30Hz)、gamma(30-45Hz)等频段的神经振荡幅度。例如，正常成人在清醒状态下，几乎没有delta波，但在睡眠期间可出现delta波。Theta波一般在幼儿期出现，成年人困倦时也会出现。Alpha波在10岁以后出现，正常人清醒、安静、闭目时会出现alpha波，当睁眼或进行其他刺激性活动(如心算、思考、紧张)时，会出现alpha波阻断，转换为beta波和gamma波。在Passive Oddball范式、Go-Nogo范式以及Passive Viewing范式等经典ERP范式下，可以提取N2、MMN、P3、LPP等信号成分。其中，N2信号成分一般反映刺激材料的新异性，与信息加工过程中的刺激分类有关；MMN信号成分则反映对刺激失匹配知觉上的注意前检测，无需主观努力和注意；P3信号成分的潜伏期被认为反映了对刺激物的评价或分类所需要的时间，其波幅反映背景或工作记忆表征的更新；LPP信号成分反映了对动机激发性刺激持续的注意偏向和加工，相对于中性刺激来说，正性或负性情绪刺激诱发的LPP波幅一般更大。
步骤S13：根据所述第一信号数据和所述第二信号数据，计算出所述待检测信号与所述效标信号之间表征相关性的效度数据。
本实施例中，在静息态EEG范式下，第一信号数据/第二信号数据表征为静息态功率谱密度值(PSD值)；在Passive Oddball范式下，第一信号数据/第二信号数据表征为MMN和P3a成分的ERP波幅；在Go-Nogo范式下，第一信号数据/第二信号数据中表征为N2和P3成分的ERP波幅；在Passive viewing范式下，第一信号数据/第二信号数据表征为P3和LPP成分的ERP波幅。
在本实施例中，待检测信号与效标信号之间表征相关性的效度数据包括地形图相关系数、频谱图相关系数、频谱能量相关系数、波形图相关系数和波幅/潜伏期相关系数中一种或多种相关系数。地形图相关系数用于衡量待检测信号与效标信号在空间分布上的一致性，频谱图相关系数用于衡量待检测信号与效标信号在频谱分布上的一致性，波形图相关系数用于衡量待检测信号与效标信号时间分布上的一致性，而频谱能量相关系数和波幅/潜伏期相关系数则用于衡量待检测信号与效标信号在个体间变异上的一致性。示例性的，在本实施例中，在静息态EEG范式下，根据提取到的第一信号数据和第二信号数据，可以计算出所述待检测信号与所述效标信号之间的地形图相关系数、频谱图相关系数、频谱能量相关系数这三种效度数据，在Passive Oddball范式、Go-Nogo范式和Passive viewing范式中的任意一种实验范式下，根据提取到的第一信号数据和第二信号数据，可以计算出所述待检测信号与所述效标信号之间的地形图相关系数、波形图相关系数和波幅/潜伏期相关系数这三种效度数据。
示例性的，在静息态EEG范式下，可以从采集到的脑电信号中获得被试人员在各个预设电极点的静息态功率谱密度数据值(PSD值)，被试者是指被采集脑电信号的人员。在本实施例中，通过关注delta、theta、alpha、beta、gamma等各频段的PSD来获得信号数据中的地形图、频谱图和频谱能量。示例性的，在本实施例中，获得被试者的信号数据后，分别对信号数据中的delta、theta、alpha、beta、gamma等各个频段，将各个频段的PSD值进行平均，计算得到所有被试者的均值，根据所有被试者各个频段的PSD均值可产生各个频段的多个电极组合构成的组平均PSD地形图，通过对两个设备各个频段的组平均PSD地形图进行比较来获得地形图相关系数，该地形图相关系数用于检验两个设备在PSD空间分布上的一致性。通过对各被试者随频率变化的PSD频谱图进行平均，可产生组平均PSD频谱图，将两个设备(被测设备和标准设备，下同)对应获得的组平均PSD频谱图进行比较来获得频谱图相关系数，该频谱图相关系数用于检验两个设备在PSD频谱分布上的一致性。通过依次关注delta、theta、alpha、beta、gamma等频段中的单个频段，对所有被试者的PSD值进行叠加平均，依次选择出各频段PSD的地形图分布，选择响应最大的电极点，可获得每个被试者在该电极点该频段对应的一个PSD频谱能量值，对两个设备的频谱能量值进行比较来获得频谱能量相关系数，该频谱能量相关系数用于检验两个设备在频谱能量在个体间变异上的一致性。
示例性的，在Passive Oddball范式下，通过计算异常声音刺激与标准声音刺激诱发的响应相减得到的差异波，每个被试者在每个电极点均有对应的ERP波幅。在本实施例中，通过关注MMN信号成分和P3a信号成分，两种信号成分峰值出现的时间点即为各自的潜伏期，对应时间窗口内的平均ERP波幅即为该信号成分的波幅。在本实施例中，通过关注差异波上的MMN信号成分和P3a信号成分来获得信号数据中的地形图、波形图和波幅/潜伏期。示例性的，在本实施例中，获得被试者的信号数据后，分别对信号数据中的MMN信号成分和P3a信号成分，计算信号数据中任一信号成分的幅值/潜伏期的平均值，具体针对每个电极点，将所有被试者的信号数据在该电极点的幅值/潜伏期求均值，即可获得该成分在该电极点平均后的幅值/潜伏期，由多个电极点组合构成了该成分的幅值/潜伏期地形图，针对每一种信号成分，将两个设备对应得到的幅值/潜伏期地形图进行比较来获得地形图相关系数，各成分对应的地形图相关系数用于检验两个设备基于各成分在空间分布上的一致性。在本实施例中，对于任一信号成分，依据成分的组平均地形图分布，选择出该成分幅值最大的电极点，基于该电极点计算信号幅值随时间点的变化，可获得每个被试者在该电极点对应的一个波形图，将两个设备对应获得的波形图进行比较来获得波形图相关系数，该波形图的相关系数用于检验两个设备在时间分布上的一致性。在本实施例中，依次关注MMN信号成分和P3a信号成分，对所有被试者的幅值进行平均，选择出该成分幅值均值最大的电极点，可获得每个被试者在该电极点该成分的波幅/潜伏期，将两个设备对应获得的在该电极该成分的幅值/潜伏期进行比较来获得幅值/潜伏期相关系数，该幅值/潜伏期相关系数用于检验两个设备在个体间变异上的一致性。
示例性的，在Go-Nogo范式下，在Nogo条件下刺激诱发的响应中出现N2信号成分和P3信号成分时，每个被试在每个电极点信号的每个时间点均有一个对应的ERP波幅。通过关注N2信号成分和P3信号成分的波幅和潜伏期，两种成分峰值出现的时间点即为各自的潜伏期，对应时间窗口内的平均ERP波幅为该成分的波幅。在本实施例中，通过关注N2信号成分和P3信号成分来获得信号数据中的地形图、波形图和波幅/潜伏期。示例性的，在本实施例中，获得被试者的信号数据后，分别对信号数据中的N2信号成分和P3信号成分，计算信号数据中任一信号成分的幅值/潜伏期的平均值，具体针对每个电极点，将所有被试者的信号数据在该电极点的幅值/潜伏期进行相加求均值，即可获得该成分在该电极点平均后的幅值/潜伏期，由多个电极点组合构成了该成分幅值/潜伏期地形图，针对每一种信号成分，将两个设备对应得到的幅值/潜伏期地形图进行比较来获得地形图相关系数，各成分对应的地形图相关系数用于检验两个设备基于该成分在空间分布上的一致性。在本实施例中，对于任一成分，依据成分的组平均地形图分布，选择出该成分幅值最大的电极点，基于该电极点计算信号幅值随时间点的变化，可获得每个被试者在该电极点对应的一个波形图，将两个设备对应获得的波形图进行比较来获得波形图相关系数，该波形图的相关系数用于检验两个设备在时间分布上的一致性。依次关注N2信号成分和P3信号成分，对所有被试者的幅值进行平均，选择出该成分幅值均值最大的电极点，可获得每个被试者在该电极点该成分的波幅/潜伏期，将两个设备对应获得的在该电极该成分的幅值/潜伏期进行比较来获得幅值/潜伏期相关系数，该幅值/潜伏期相关系数用于检验两个设备在个体间变异上的一致性。
示例性的，在Passive viewing范式下，在负性情绪类型图片刺激诱发的响应中P3信号成分和LPP信号成分的波幅大于中性情绪类型图片刺激诱发的响应中P3信号成分和LPP信号成分的波幅时，每个被试者在每个电极点均有对应的ERP波幅。通过关注P3信号成分和LPP信号成分的波幅和潜伏期，两种成分峰值出现的时间点即为各自的潜伏期，对应时间窗口内的平均ERP波幅为该成分的波幅。在本实施例中，通过关注P3信号成分和LPP信号成分来获得信号数据中的地形图、波形图和波幅/潜伏期。示例性的，在本实施例中，获得被试者的信号数据后，分别对信号数据中的P3信号成分和LPP信号成分，计算信号数据中任一信号成分的幅值/潜伏期的平均值，具体针对每个电极点，将所有被试者的信号数据在该电极点的幅值/潜伏期进行相加求均值，即可获得该成分在该电极点平均后的幅值/潜伏期，由多个电极点组合构成了该成分幅值/潜伏期地形图，针对每一种信号成分，将两个设备对应得到的幅值/潜伏期地形图进行比较来获得地形图相关系数，各成分对应的地形图相关系数用于检验两个设备基于各成分在空间分布上的一致性。在本实施例中，对于任一信号成分，依据成分的组平均地形图分布，选择出该成分幅值最大的电极点，基于该电极点计算信号幅值随时间点的变化，可获得每个被试者在该电极点对应的一个波形图，将两个设备对应获得的波形图进行比较来获得波形图相关系数，该波形图的相关系数用于检验两个设备在时间分布上的一致性。在本实施例中，依次关注P3信号成分和LPP信号成分，对所有被试者的幅值进行平均，选择出该成分幅值均值最大的电极点，可获得每个被试者在该电极点该成分的波幅/潜伏期，将两个设备对应获得的在该电极该成分的幅值/潜伏期进行比较来获得幅值/潜伏期相关系数，该幅值/潜伏期相关系数用于检验两个设备在个体间变异上的一致性。
步骤S14：将所述效度数据与预设的效度阈值进行比对，若所述效度数据达到所述预设的效度阈值，则判断所述待检测信号满足质量检测要求。
本实施例中，预设的效度阈值可以根据对测试设备的实际需求和/或不同的实验范式进行自定义设置，例如地形图相关系数阈值、频谱图相关系数阈值、频谱能量相关系数阈值、波形图相关系数阈值、波幅/潜伏期相关系数阈值等等。在设置好各种效度阈值后，根据计算获得效度数据，从设置好的各种效度阈值中选取与该效度数据对应的效度阈值进行比对，判断计算获得的效度数据与预设的效度阈值之间的大小关系，若计算获得的效度数据达到预设的效度阈值，则判断该待检测信号满足了质量检测要求，说明该测试设备获得的脑电信号质量较高，该测试设备通过测试。
以上可以看出，本实施例提供的脑电信号的质量检测方法通过在预设的实验范式下，分别采用测试设备和标准设备采集用户的脑电信号，测试设备采集的用户的脑电信号表征为待检测信号，标准设备采集的用户的脑电信号表征为效标信号。根据预设的实验范式确定数据提取规则，按照数据提取规则，从待检测信号中提取到第一信号数据以及从效标信号中提取到第二信号数据。进而根据第一信号数据和第二信号数据，计算出待检测信号与效标信号之间表征相关性的效度数据，再将效度数据与预设的效度阈值进行比对，从而判断待检测信号是否满足质量检测要求。该方法可以通过在不同的实验范式提取不同的信号数据来执行信号的质量检测，可以全方位地检测信号质量，提高信号检测的准确性。
本申请的一些实施例中，在采集到脑电信号之后，由于采集到的脑电信号中会存在眨眼、肌电等伪迹。在本实施例中，在采集到脑电信号之后可以先对该采集到的脑电信号进行去噪预处理，去噪后再进行数据提取，以此提高信号质量判断的准确性。在本实施例中，人的身体或头部移动导致的慢电压漂移主要由低于0.1Hz的频率组成，通过滤波器抑制低于0.1Hz的频率成分，即可有效去除人的身体或头部移动导致的慢电压漂移。事件相关电位ERP的成分主要由0.1-30Hz间的频率组成，而肌电活动主要由100Hz以上的频率组成，因此通过滤波器抑制100Hz以上的频率可以极大地减少肌电活动。示例性的，在本实施例中，对于在静息态EEG范式下采集到的脑电信号，可以使用滤波器进行0.1-45Hz带通滤波，并且按2s分为一段，通过对每个分段进行傅里叶变换，将时域信息转换到频域中，以此提取到每个电极上的delta、theta、alpha、beta和gamma频段的神经振荡能量。对于Passive Oddball范式、Go-Nogo范式或Passive viewing范式下采集的脑电信号，可以使用滤波器进行0.1-30Hz带通滤波，以及以刺激出现或反应的时间点为“0”点，分别对Passive Oddball范式下采集到的信号进行[-100ms,400ms]的分段并按照刺激前100ms为基线进行基线校正(减去基线范围的平均波幅)、对Go-Nogo范式下采集到的脑电信号进行[-200ms,800ms]的分段并按照刺激前200ms为基线进行基线校正(减去基线范围的平均波幅)；对Passive Viewing范式下采集到的脑电信号进行[-400ms,1000ms]的分段并按照刺激前的400ms为基线进行基线校正(减去基线范围的平均波幅)。需要说明的是，在本实施例中，对于Passive Oddball范式、Go-Nogo范式以及Passive viewing范式这三种实验范式，各自选取的基线由各实验范式中的刺激间隔决定。在本实施例中，各实验范式下采集的脑电信号经过基线校正后，还可以对校正后的信号进行数据叠加平均处理，以减少噪声伪迹，便于提高后续提取的信号数据的准确性。
可以理解的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本申请的一些实施例中，请参阅图6，图6为本申请实施例提供的一种脑电信号的质量检测装置的基本结构框图。本实施例中该装置包括的各单元用于执行上述方法实施例中的各步骤。具体请参阅上述方法实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。如图6所示，脑电信号的质量检测装置包括：信号采集模块61、信号数据提取模块62、效度数据获取模块63以及信号质量检测模块64。其中：所述信号采集模块61用于在预设的实验范式下，分别采用测试设备和标准设备采集用户的脑电信号，其中，所述测试设备采集的用户的脑电信号表征为待检测信号，所述标准设备采集的用户的脑电信号表征为效标信号。所述信号数据提取模块62用于根据所述预设的实验范式确定数据提取规则，按照所述数据提取规则，从所述待检测信号中提取到第一信号数据以及从所述效标信号中提取到第二信号数据。所述效度数据获取模块63用于根据所述第一信号数据和所述第二信号数据，计算出所述待检测信号与所述效标信号之间表征相关性的效度数据。所述信号质量检测模块64用于将所述效度数据与预设的效度阈值进行比对，若所述效度数据达到所述预设的效度阈值，则判断所述待检测信号满足质量检测要求。
应当理解的是，上述脑电信号的质量检测装置，与上述的脑电信号的质量检测方法一一对应，此处不再赘述。
本申请的一些实施例中，请参阅图7，图7为本申请实施例提供的一种电子设备的基本结构框图。如图7所示，该实施例的电子设备7包括：处理器71、存储器72以及存储在所述存储器72中并可在所述处理器71上运行的计算机程序73，例如脑电信号的质量检测方法的程序。处理器71执行所述计算机程序73时实现上述各个脑电信号的质量检测方法各实施例中的步骤。或者，所述处理器71执行所述计算机程序73时实现上述脑电信号的质量检测装置对应的实施例中各模块的功能。具体请参阅实施例中的相关描述，此处不赘述。
示例性的，所述计算机程序73可以被分割成一个或多个模块(单元)，所述一个或者多个模块被存储在所述存储器72中，并由所述处理器71执行，以完成本申请。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序73在所述电子设备7中的执行过程。例如，所述计算机程序73可以被分割成获取模块、处理模块和执行模块，各模块具体功能如上所述。
所述电子设备可包括，但不仅限于，处理器71、存储器72。本领域技术人员可以理解，图7仅仅是电子设备7的示例，并不构成对电子设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器71可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器72可以是所述电子设备7的内部存储单元，例如电子设备7的硬盘或内存。所述存储器72也可以是所述电子设备7的外部存储设备，例如所述电子设备7上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器72还可以既包括所述电子设备7的内部存储单元也包括外部存储设备。所述存储器72用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器72还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。在本实施例中，所述计算机可读存储介质可以是非易失性，也可以是易失性。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种脑电信号的质量检测方法，其特征在于，包括：
在预设的实验范式下，分别采用测试设备和标准设备采集用户的脑电信号，其中，所述测试设备采集的用户的脑电信号表征为待检测信号，所述标准设备采集的用户的脑电信号表征为效标信号；
根据所述预设的实验范式确定数据提取规则，按照所述数据提取规则，从所述待检测信号中提取到第一信号数据以及从所述效标信号中提取到第二信号数据；
根据所述第一信号数据和所述第二信号数据，计算出所述待检测信号与所述效标信号之间表征相关性的效度数据；
将所述效度数据与预设的效度阈值进行比对，若所述效度数据达到所述预设的效度阈值，则判断所述待检测信号满足质量检测要求。
2.根据权利要求1所述的脑电信号的质量检测方法，其特征在于，所述在预设的实验范式下，分别采用测试设备和标准设备采集用户的脑电信号的步骤中，所述预设的实验范式包括静息态EEG范式、Passive Oddball范式、Go-Nogo范式以及Passive viewing范式中的一种或多种范式，其中，在静息态EEG范式下采集的脑电信号用于评估用户的大脑在自发状态下的功能状态，在Passive Oddball范式下采集的脑电信号用于评估用户的知觉加工过程，在Go-Nogo范式下采集的脑电信号用于评估用户的认知控制过程，在Passive Viewing范式下采集的脑电信号用于评估用户的情绪加工和调节过程。
3.根据权利要求2所述的脑电信号的质量检测方法，其特征在于，所述根据所述预设的实验范式确定数据提取规则，按照所述数据提取规则，从所述待检测信号中提取到第一信号数据以及从所述效标信号中提取到第二信号数据的步骤之前，还包括：
针对所述静息态EEG范式，配置所述静息态EEG范式对应的数据提取规则为提取脑电信号中的静息态功率谱密度数据；或/及
针对所述Passive Oddball范式，配置所述Passive Oddball范式对应的数据提取规则为若脑电信号中标准声音刺激与异常声音刺激诱发的响应相减得到的差异波在经典时间窗内出现前额分布的MMN信号成分和中央区分布的P3a信号成分，提取所述MMN信号数据和P3a信号数据；或/及
针对所述Go-Nogo范式，配置所述Go-Nogo范式对应的数据提取规则为若脑电信号中Nogo条件下刺激诱发的响应中出现N2信号成分和P3信号成分，提取N2信号数据和P3信号数据；或/及
针对所述Passive Viewing范式，配置所述Passive Viewing范式对应的数据提取规则为若脑电信号中负性情绪类型图片刺激诱发的响应中P3信号成分和LPP信号成分的波幅大于中性情绪类型图片刺激诱发的响应中P3信号成分和LPP信号成分的波幅，提取P3信号数据和LPP信号数据。
4.根据权利要求3所述的脑电信号的质量检测方法，其特征在于，若所述预设的实验范式包括静息态EEG范式，所述根据所述第一信号数据和所述第二信号数据，计算出所述待检测信号与所述效标信号之间表征相关性的效度数据的步骤中，所述效度数据包括地形图相关系数、频谱图相关系数和频谱能量相关系数。
5.根据权利要求3所述的脑电信号的质量检测方法，其特征在于，若所述预设的实验范式包括Passive Oddball范式、Go-Nogo范式以及Passive viewing范式中的任意一种或多种实验范式，所述根据所述第一信号数据和所述第二信号数据，计算出所述待检测信号与所述效标信号之间表征相关性的效度数据的步骤中，所述效度数据包括地形图相关系数、波形图相关系数和波幅/潜伏期相关系数。
6.根据权利要求1所述的脑电信号的质量检测方法，其特征在于，所述在预设的实验范式下，分别采用测试设备和标准设备采集用户的脑电信号的步骤之后，还包括：
对所述脑电信号进行去噪预处理，所述去噪预处理包括带通滤波处理、基线校正处理和数据叠加平均处理中的一项或多项。
7.一种脑电信号的质量检测装置，其特征在于，包括：
信号采集模块，用于在预设的实验范式下，分别采用测试设备和标准设备采集用户的脑电信号，其中，所述测试设备采集的用户的脑电信号表征为待检测信号，所述标准设备采集的用户的脑电信号表征为效标信号；
信号数据提取模块，用于根据所述预设的实验范式确定数据提取规则，按照所述数据提取规则，从所述待检测信号中提取到第一信号数据以及从所述效标信号中提取到第二信号数据；
效度数据获取模块，用于根据所述第一信号数据和所述第二信号数据，计算出所述待检测信号与所述效标信号之间表征相关性的效度数据；
信号质量检测模块，用于将所述效度数据与预设的效度阈值进行比对，若所述效度数据达到所述预设的效度阈值，则判断所述待检测信号满足质量检测要求。
8.根据权利要求7所述的脑电信号的质量检测装置，其特征在于，所述脑电信号的质量检测装置还包括：
去噪预处理模块，用于对所述脑电信号进行去噪预处理，所述去噪预处理包括带通滤波处理、基线校正处理和数据叠加平均处理中的一项或多项。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述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6任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110602602.4A CN113288175B (zh) | 2021-05-31 | 2021-05-31 | 脑电信号的质量检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110602602.4A CN113288175B (zh) | 2021-05-31 | 2021-05-31 | 脑电信号的质量检测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113288175A true CN113288175A (zh) | 2021-08-24 |
| CN113288175B CN113288175B (zh) | 2024-01-19 |
Family
ID=77326492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110602602.4A Active CN113288175B (zh) | 2021-05-31 | 2021-05-31 | 脑电信号的质量检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113288175B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114098766A (zh) * | 2021-11-04 | 2022-03-01 | 杭州菲诗奥医疗科技有限公司 | 一种eeg信号质量自动检测方法 |
| CN114343640A (zh) * | 2022-01-07 | 2022-04-15 | 北京师范大学 | 注意力评估方法及电子设备 |
| CN116226481A (zh) * | 2022-12-30 | 2023-06-06 | 北京视友科技有限责任公司 | 一种基于脑电的实验数据筛选方法、系统及存储介质 |
| CN117349598A (zh) * | 2023-12-04 | 2024-01-05 | 小舟科技有限公司 | 脑电信号处理方法及装置、设备、存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102946797A (zh) * | 2009-08-14 | 2013-02-27 | D·伯顿 | 麻醉和意识深度监测系统 |
| US20130127708A1 (en) * | 2010-05-28 | 2013-05-23 | The Regents Of The University Of California | Cell-phone based wireless and mobile brain-machine interface |
| CN108390987A (zh) * | 2018-03-09 | 2018-08-10 | 广东欧珀移动通信有限公司 | 联系人创建方法及相关设备 |
| US20190320981A1 (en) * | 2016-12-08 | 2019-10-24 | Asahi Kasei Kabushiki Kaisha | Contact state estimating device, and biological signal measuring device |
| WO2020002519A1 (en) * | 2018-06-29 | 2020-01-02 | Mybrain Technologies | Multiclass classification method for the estimation of eeg signal quality |
| CN112115856A (zh) * | 2020-09-17 | 2020-12-22 | 浙江迈联医疗科技有限公司 | 脑电质量评估方法、存储介质及系统 |
| CN112836546A (zh) * | 2019-11-22 | 2021-05-25 | 深圳市理邦精密仪器股份有限公司 | 检测生理信号质量的方法、装置及电子设备 |
-
2021
- 2021-05-31 CN CN202110602602.4A patent/CN113288175B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102946797A (zh) * | 2009-08-14 | 2013-02-27 | D·伯顿 | 麻醉和意识深度监测系统 |
| US20130127708A1 (en) * | 2010-05-28 | 2013-05-23 | The Regents Of The University Of California | Cell-phone based wireless and mobile brain-machine interface |
| US20190320981A1 (en) * | 2016-12-08 | 2019-10-24 | Asahi Kasei Kabushiki Kaisha | Contact state estimating device, and biological signal measuring device |
| CN108390987A (zh) * | 2018-03-09 | 2018-08-10 | 广东欧珀移动通信有限公司 | 联系人创建方法及相关设备 |
| WO2020002519A1 (en) * | 2018-06-29 | 2020-01-02 | Mybrain Technologies | Multiclass classification method for the estimation of eeg signal quality |
| CN112836546A (zh) * | 2019-11-22 | 2021-05-25 | 深圳市理邦精密仪器股份有限公司 | 检测生理信号质量的方法、装置及电子设备 |
| CN112115856A (zh) * | 2020-09-17 | 2020-12-22 | 浙江迈联医疗科技有限公司 | 脑电质量评估方法、存储介质及系统 |
Non-Patent Citations (6)
| Title |
|---|
| LONG-FEI WANG ET AL: "PDMS-Based Low Cost Flexible Dry Electrode for Long-Term EEG Measurement", 《IEEE SENSORS JOURNAL》 * |
| LONG-FEI WANG ET AL: "PDMS-Based Low Cost Flexible Dry Electrode for Long-Term EEG Measurement", 《IEEE SENSORS JOURNAL》, vol. 12, no. 9, 30 September 2012 (2012-09-30), pages 2901 - 2902, XP011455227, DOI: 10.1109/JSEN.2012.2204339 * |
| S.JIA ET AL: "Processing Cantonese lexical tones: Evidence from oddball paradigms", 《NEUROSCIENCE》 * |
| S.JIA ET AL: "Processing Cantonese lexical tones: Evidence from oddball paradigms", 《NEUROSCIENCE》, vol. 305, 31 December 2015 (2015-12-31), pages 352 - 353 * |
| 欧阳益: "《预防与促进动机与影响自我控制的实证研究》", 31 March 2019, 湖南师范大学出版社, pages: 106 * |
| 王海宁: "《基于多通道生理信号的情绪识别技术研究》", 31 August 2016, 湖南大学出版社, pages: 12 - 13 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114098766A (zh) * | 2021-11-04 | 2022-03-01 | 杭州菲诗奥医疗科技有限公司 | 一种eeg信号质量自动检测方法 |
| CN114343640A (zh) * | 2022-01-07 | 2022-04-15 | 北京师范大学 | 注意力评估方法及电子设备 |
| CN114343640B (zh) * | 2022-01-07 | 2023-10-13 | 北京师范大学 | 注意力评估方法及电子设备 |
| CN116226481A (zh) * | 2022-12-30 | 2023-06-06 | 北京视友科技有限责任公司 | 一种基于脑电的实验数据筛选方法、系统及存储介质 |
| CN116226481B (zh) * | 2022-12-30 | 2023-11-21 | 北京视友科技有限责任公司 | 一种基于脑电的实验数据筛选方法、系统及存储介质 |
| CN117349598A (zh) * | 2023-12-04 | 2024-01-05 | 小舟科技有限公司 | 脑电信号处理方法及装置、设备、存储介质 |
| CN117349598B (zh) * | 2023-12-04 | 2024-03-08 | 小舟科技有限公司 | 脑电信号处理方法及装置、设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113288175B (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Melnik et al. | Systems, subjects, sessions: To what extent do these factors influence EEG data? | |
| CN113288175A (zh) | 脑电信号的质量检测方法、装置、电子设备及存储介质 | |
| Hermes et al. | Stimulus dependence of gamma oscillations in human visual cortex | |
| Snyder et al. | Independent component analysis of gait-related movement artifact recorded using EEG electrodes during treadmill walking | |
| Accardo et al. | Use of the fractal dimension for the analysis of electroencephalographic time series | |
| US7570991B2 (en) | Method for real time attitude assessment | |
| King et al. | Single-trial decoding of auditory novelty responses facilitates the detection of residual consciousness | |
| Brown et al. | Towards wireless emotional valence detection from EEG | |
| US20150230744A1 (en) | Method and system for assessing a stimulus property perceived by a subject | |
| US20180279938A1 (en) | Method of diagnosing dementia and apparatus for performing the same | |
| JP7373555B2 (ja) | Ｅｅｇ信号を使用した運動機能の定量化 | |
| Norman et al. | Neuronal baseline shifts underlying boundary setting during free recall | |
| Quek et al. | Ultra-coarse, single-glance human face detection in a dynamic visual stream | |
| Bailey et al. | Mindfulness meditators do not show differences in electrophysiological measures of error processing | |
| Stevenson et al. | A nonlinear model of newborn EEG with nonstationary inputs | |
| Groen et al. | Temporal dynamics of neural responses in human visual cortex | |
| Anwar et al. | Use of portable EEG sensors to detect meditation | |
| CN110353671B (zh) | 一种基于视频调制和脑电信号的视觉注视位置测量方法 | |
| Teng et al. | A novel method based on combination of independent component analysis and ensemble empirical mode decomposition for removing electrooculogram artifacts from multichannel electroencephalogram signals | |
| Ashenaei et al. | Stable EEG-based biometric system using functional connectivity based on time-frequency features with optimal channels | |
| Noel et al. | Probing electrophysiological indices of perceptual awareness across unisensory and multisensory modalities | |
| Abreu et al. | Objective selection of epilepsy-related independent components from EEG data | |
| Regev et al. | Context sensitivity across multiple time scales with a flexible frequency bandwidth | |
| US9848791B2 (en) | Neural analysis system | |
| Fickling et al. | Distant sensor prediction of event-related potentials |
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 |