CN113520409A - Ssvep信号识别方法、装置、电子装置和存储介质 - Google Patents
Ssvep信号识别方法、装置、电子装置和存储介质 Download PDFInfo
- Publication number
- CN113520409A CN113520409A CN202110601881.2A CN202110601881A CN113520409A CN 113520409 A CN113520409 A CN 113520409A CN 202110601881 A CN202110601881 A CN 202110601881A CN 113520409 A CN113520409 A CN 113520409A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise
- electroencephalogram
- model
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 claims abstract description 192
- 230000000638 stimulation Effects 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims description 77
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 description 15
- 230000033001 locomotion Effects 0.000 description 12
- 210000003205 muscle Anatomy 0.000 description 9
- 230000009471 action Effects 0.000 description 7
- 230000004397 blinking Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 6
- 230000004424 eye movement Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 230000000669 biting effect Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000007177 brain activity Effects 0.000 description 3
- 238000011109 contamination Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001055 chewing effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000763 evoking effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000035900 sweating Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 210000004237 neck muscle Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 231100000344 non-irritating Toxicity 0.000 description 1
- 230000001242 postsynaptic effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009747 swallowing Effects 0.000 description 1
- 210000000857 visual cortex Anatomy 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/378—Visual stimuli
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种SSVEP信号识别方法、装置、电子装置和存储介质，其中，该SSVEP信号识别方法包括：获取脑电检测信号，所述脑电检测信号基于预设目标刺激生成；根据所述脑电检测信号获取对应的噪声检测结果，噪声检测结果包括噪声等级和噪声类型中的至少一种；根据所述噪声检测结果和所述脑电检测信号，获取信号识别结果。通过本申请，解决了脑电信号检测过程中的噪声干扰导致的信号识别不准确的问题，实现了基于脑电信号准确进行目标识别的技术效果。
Description
技术领域
本申请涉及数据处理领域，特别是涉及一种SSVEP信号识别方法、装置、电子装置和存储介质。
背景技术
当受到一个固定频率的视觉刺激的时候，人的大脑视觉皮层会产生一个连续的与刺激频率有关的响应。这个响应被称为稳态视觉诱发电位——Steady-State VisualEvoked Potentials，简称SSVEP。利用SSVEP可判断被试者在不同频率的刺激目标中注视的是哪一种刺激，从而实现目标识别和目标选择。
现有技术中直接利用SSVEP信号特征，如FFT(傅里叶分析)频谱能量、CCA(典型相关分析)计算得到的相关系数等进行二分类或多分类，每一个类别对应一种频率的刺激目标，分类数与目标种类数目相同。然而，基于SSVEP信号特征判断响应频率容易受到噪声影响。例如在实际应用的过程中，可能会由于使用者的眼动、眨眼等动作产生噪声，进而影响到信号特征计算。而现有技术由于分类数与刺激目标的数目相同，导致无论信号质量如何都会输出一种响应频率，若使用者并未注视任何一种刺激目标，也会输出响应频率，此时输出的信号识别结果无疑是不准确的。
针对相关技术中存在信号识别不准确的问题，目前还没有提出有效的解决方案。
发明内容
在本实施例中提供了一种SSVEP信号识别方法、装置、电子装置和存储介质，以解决相关技术中信号识别不准确的问题。
第一个方面，在本实施例中提供了一种SSVEP信号识别方法，包括：
获取脑电检测信号，所述脑电检测信号基于预设目标刺激生成；
根据所述脑电检测信号获取对应的噪声检测结果，噪声检测结果包括噪声等级和噪声类型中的至少一种；
根据所述噪声检测结果和所述脑电检测信号，获取信号识别结果。
在其中的一个实施例中，所述根据所述脑电检测信号获取对应的噪声检测结果包括：根据所述脑电检测信号提取特征数据；将所述特征数据输入噪声检测模型，得到噪声检测结果。
在其中的一个实施例中，所述将所述特征数据输入噪声检测模型之前包括：获取第一训练信号、对应的所述噪声等级以及第一训练模型；根据所述第一训练信号以及所述噪声等级对所述第一训练模型进行训练，得到第一噪声检测模型，将所述第一噪声检测模型作为噪声检测模型。
在其中的一个实施例中，所述将所述特征数据输入噪声检测模型之前还包括：获取第二训练信号、对应的噪声类别以及第二训练模型；根据所述第二训练信号以及所述噪声类别对所述第二训练模型进行训练，得到第二噪声检测模型，将所述第二噪声检测模型作为噪声检测模型。
在其中的一个实施例中，所述噪声类别至少包括：眼电污染噪声、肌肉电污染噪声以及伪迹污染噪声。
在其中的一个实施例中，所述根据所述噪声检测结果和所述脑电检测信号，获取信号识别结果包括：根据所述脑电检测信号提取特征数据；将所述特征数据以及所述噪声检测结果输入信号识别模型，得到信号识别结果，所述信号识别结果包括无刺激结果和刺激结果，所述刺激结果至少包括全部所述预设目标。
在其中的一个实施例中，所述将所述特征数据以及所述噪声检测结果输入信号识别模型之前包括：获取第三训练信号、对应的所述噪声检测结果以及第三训练模型；根据所述第三训练信号和对应的所述噪声检测结果对所述第三训练模型进行训练，得到信号识别模型。
第二个方面，在本实施例中提供了一种SSVEP信号识别装置，包括：
获取模块，用于获取脑电检测信号，所述脑电检测信号基于预设目标刺激生成；
检测模块，用于根据所述脑电检测信号获取对应的噪声检测结果，噪声检测结果包括噪声等级和噪声类型中的至少一种；
识别模块，用于根据所述噪声检测结果和所述脑电检测信号，获取信号识别结果。
第三个方面，在本实施例中提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述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第一个方面所述的SSVEP信号识别方法。
第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的SSVEP信号识别方法。
与相关技术相比，在本实施例中提供的SSVEP信号识别方法，通过获取脑电检测信号，所述脑电检测信号基于预设目标刺激生成；根据所述脑电检测信号获取对应的噪声检测结果，噪声检测结果包括噪声等级和噪声类型中的至少一种；根据所述噪声检测结果和所述脑电检测信号，获取信号识别结果，解决了脑电信号检测过程中的噪声干扰导致的信号识别不准确的问题，实现了基于脑电信号准确进行目标识别的技术效果。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本实施例的SSVEP信号识别方法的终端的硬件结构框图；
图2是本实施例的SSVEP信号识别方法的流程图；
图3是本优选实施例的SSVEP信号识别方法的流程图；
图4是本实施例的SSVEP信号识别装置的结构框图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。
除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是本实施例的SSVEP信号识别方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的SSVEP信号识别方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(NetworkInterface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
自上世纪70年代“脑机接口”技术诞生以来，经过近半个世纪的发展，脑机接口技术领域已经出现了能实时捕捉大脑复杂神经信号，并用来直接控制外部设备的技术手段，例如EEG(脑电波，Electroencephalogram)。EEG是一种使用电生理指标记录大脑活动的方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。目前的SSVEP技术，一般是通过深度学习模型，直接输入脑电信号，然后识别出该脑电信号对应的刺激目标。但是在脑电信号采集的过程中，脑电信号极易受到外界环境或被试者行为动作的干扰，产生无效信号。当无效信号输入深度学习模型后，也会识别出刺激目标，此时得到的识别结果无疑是不准确的。因此，亟需一种准确的SSVEP信号识别方法。
在本实施例中提供了一种SSVEP信号识别方法，图2是本实施例的SSVEP信号识别方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，获取脑电检测信号。
具体的，所述脑电检测信号基于预设刺激目标生成。该脑电检测信号是指SSVEP信号，即稳态视觉诱发电位信号，一般是以脑电波形数据的形式呈现。被试者在注视刺激目标时，即可产生相应的SSVEP信号，该信号可通过相应的脑电采集装置如采集电极、电极贴片或脑电采集头盔等进行采集。其中，刺激目标可以是不同频率的图案或字符，也可以是不同形状的物体或图形。在其中一个实施例中，该刺激还可以是声音刺激或声音和图像相结合的刺激。
步骤S202，根据所述脑电检测信号获取对应的噪声检测结果。
具体的，在脑电信号的研究中，常见的干扰和噪声信号包括眨眼伪迹、眼动伪迹、肌电干扰、心电ECG干扰、工频干扰、出汗性伪迹以及脉搏波伪迹等。噪声检测即是针对脑电信号中的这些噪声进行检测，并生成噪声检测结果。噪声检测结果包括噪声等级和噪声类型中的至少一种。噪声等级是指基于噪声强度划分的噪声等级，例如将噪声等级划分为1、2、3、4和5五个等级；1级表示噪声强度最弱，后面噪声强度逐级增高，5级的噪声强度最强。根据脑电检测信号进行噪声检测，可得到该脑电检测信号对应的噪声等级为1～5级中的某一等级。在本实施例中，噪声等级的数量还可以是两个及以上的其他任何整数个单位，本申请对此不作限定。在另一个实施例中，还可以用1级表示噪声强度最强，用5级表示噪声强度最弱。优选的，还可根据噪声等级设置相应的信号质量等级。噪声强度越弱，信号质量等级越高。噪声类型可以是在脑电检测信号的采集过程中经常出现的噪声类型，包括眼电污染、肌肉电污染或伪迹污染等；也可以是基于噪声产生的被试者动作的类别进行划分，例如眨眼、眼动、咬牙和非注视等动作。例如，将噪声类别划分为眨眼、咬牙、注视三个动作类别，其中，注视动作对应的噪声类别表示当前脑电信号的噪声较弱。根据脑电检测信号进行噪声检测，得到当前脑电检测信号对应的被试者动作。
步骤S203，根据所述噪声检测结果和所述脑电检测信号，获取信号识别结果。
具体的，根据脑电检测信号的噪声检测结果，可以得到当前的脑电检测信号质量，例如若当前噪声等级较高，则说明信号的质量较差；若当前噪声等级较低，则说明信号的质量较好。又例如若当前的噪声类别对应着咬牙动作，则说明信号的质量较差；若当前的噪声类别对应着注视动作，则说明信号的质量较好。根据脑电检测信号和对应的噪声检测结果，可以在一定程度上减少噪声对脑电信号识别的干扰，提高脑电信号识别的准确度。
通过上述步骤，本申请的SSVEP信号识别方法在基于脑电检测信号识别目标的过程中加入了噪声检测的过程，通过噪声检测得到脑电检测信号的信号质量等级，然后结合该信号的信号质量等级对脑电信号进行识别，减小了噪声对脑电信号识别过程的干扰，解决了直接根据脑电检测信号的信号特征进行信号识别不准确的问题，实现了降低误识别率，提高信号识别准确度的技术效果。
在其中的一个实施例中，所述根据所述脑电检测信号获取对应的噪声检测结果包括：根据所述脑电检测信号提取特征数据；将所述特征数据输入噪声检测模型，得到噪声检测结果。具体的，获得脑电检测信号之后，基于脑电检测信号提取信号特征，即特征数据。该特征数据包括FFT(傅里叶变换)频谱的幅值、FFT频谱能量、CCA(典型相关分析)的相关系数以及小波分解得到的各层小波系数等。将特征数据输入预先训练好的噪声检测模型，即可得到噪声检测结果。噪声检测模型是基于机器学习模型训练得到，其中机器学习模型可以是支持向量机(SVM)、决策树、神经网络等机器学习方法。
在其中的一个实施例中，所述将所述特征数据输入噪声检测模型之前包括：获取第一训练信号、对应的所述噪声等级以及第一训练模型；根据所述第一训练信号以及所述噪声等级对所述第一训练模型进行训练，得到第一噪声检测模型，将所述第一噪声检测模型作为噪声检测模型。具体的，采集被试者的在不同目标刺激下产生的SSVEP信号。将该SSVEP信号作为第一训练信号。工程师基于信号处理的专业知识，根据第一训练信号中的噪声强度，对第一训练信号标注对应的噪声等级，得到第一训练集。根据该第一训练集对机器学习模型进行训练，得到噪声分级模型。将噪声分级模型作为噪声检测模型。
在其中的一个实施例中，所述将所述特征数据输入噪声检测模型之前还包括：获取第二训练信号、对应的噪声类别以及第二训练模型；根据所述第二训练信号以及所述噪声类别对所述第二训练模型进行训练，得到第二噪声检测模型，将所述第二噪声检测模型作为噪声检测模型。具体的，采集被试者在不同目标刺激下产生的SSVEP信号，在SSVEP信号的采集过程中，可以使被试者有意识的做出可能产生噪声的动作，以获取包含噪声的SSVEP信号，并将该SSVEP信号作为第二训练信号。被试者的动作可以是眨眼、眼动等非注视动作，也可以是注视动作，还可以是咬牙、咀嚼等动作，在本实施例中不作具体限定。工程师基于被试者的动作，对第二训练信号标注对应的噪声类别，得到第二训练集。根据该第二训练集对机器学习模型进行训练，得到噪声分类模型。将噪声分类模型作为噪声检测模型。
在其中的一个实施例中，所述噪声类别至少包括：眼电污染噪声、肌肉电污染噪声以及伪迹污染噪声。具体的眼电污染噪声主要包括眨眼伪迹和眼动伪迹。眨眼伪迹是脑电信号采集过程中常见的噪声。该噪声主要是用于被试者的眨眼动作产生的。肌肉电污染噪声主要是由于头颈部的肌肉活动产生的。颈部以下的肌肉活动一般不会对脑电信号产生较大的干扰。肌肉电信号一般频率较高，在25Hz以上，幅度较大，一般表现出爆发式的波形。因此，工程师也可基于人工经验识别脑电信号中的肌肉电污染。肌肉电污染的主要来源包括：颞肌，如咬牙和咀嚼等动作；前额肌肉，若皱眉等动作；颈部肌肉活动，如吞咽动作等。伪迹污染主要指眼电污染噪声和肌肉电污染噪声之外的伪迹，如心电伪迹和出汗性伪迹等。
在其中的一个实施例中，所述根据所述噪声检测结果和所述脑电检测信号，获取信号识别结果包括：根据所述脑电检测信号提取特征数据；将所述特征数据以及所述噪声检测结果输入信号识别模型，得到信号识别结果，所述信号识别结果包括无刺激结果和刺激结果，所述刺激结果至少包括全部所述预设目标。具体的，根据待识别的脑电检测信号提取特征数据，该特征数据包括FFT(傅里叶变换)频谱的幅值、FFT频谱能量、CCA(典型相关分析)的相关系数以及小波分解得到的各层小波系数等。将该特征数据和噪声检测结果一并输入信号识别模型，从而识别SSVEP信号对应的刺激目标。信号识别模型是预先训练好的机器学习模型。在该信号识别模型输出的识别结果的种类中，除了不同频率的刺激目标之外，还增加了一个无刺激的分类，即模型分类数＝刺激种类数+1。例如通过SSVEP信号可以识别出N种不同频率的刺激目标，但是，由于实际的SSVEP信号采集过程中可能出现噪声严重，SSVEP信号质量较差的情况。此时，由于预先通过噪声检测模型得到了噪声检测结果，可以基于噪声检测结果对SSVEP信号的信号质量作出判断，从而将信号质量较差的信号，结合SSVEP信号的特征数据，将其归类至无刺激分类中，表明该SSVEP信号并不能与该通过SSVEP信号有N种不同的频率刺激目标中的任何一种相对应。因此，将待识别的脑电检测信号和噪声检测结果输入信号识别模型，不仅仅是直接判断该信号对应的被试者在注视哪一种刺激目标，还包括判断该被试者是否在注视刺激目标的过程。解决了现有技术中，信号识别模型的分类数与刺激目标数目相同导致的、无论被试者是否注视刺激目标都会输出信号识别的刺激目标结果的问题。避免了实际应用中被试者在测试开始阶段可能并未注视任何刺激目标，信号识别结果也会得出对应刺激目标的误识别情况，提高了信号识别的准确度。
在其中的一个实施例中，所述将所述特征数据以及所述噪声检测结果输入信号识别模型之前包括：获取第三训练信号、对应的所述噪声检测结果以及第三训练模型；根据所述第三训练信号和对应的所述噪声检测结果对所述第三训练模型进行训练，得到信号识别模型。具体的，采集被试者在不同目标刺激下产生的SSVEP信号和对应的噪声检测结果，将该SSVEP信号以及对应的噪声检测结果作为第三训练信号。根据刺激目标种类进行标注，得到第三训练集。根据该第三训练集对机器学习模型进行训练，得到信号识别模型。
下面通过优选实施例对本实施例进行描述和说明。
图3是本优选实施例的SSVEP信号识别方法的流程图。如图3所示，首先获取原始信号，即通过脑电采集装置获取被试者在刺激目标刺激下产生的脑电检测信号。对该脑电检测信号进行特征提取，获取该脑电检测信号中的信号特征，即特征数据。其中，获取特征数据的过程包括：通过滑窗法将采集的脑电检测信号的波形数据分割为多组数据。对每组数据提取特征数据，可得到一组特征向量，特征向量中每一个元素为一个特征，包括波形的FFT(傅里叶分析)频域赋值和CCA(典型相关分析)的频率相关系数等参数。利用信号特征，通过信号质量等级分类模型对脑电检测信号的信号质量进行分级。例如将信号质量分为K个等级，包括等级1、等级2、等级3…等级K。K可以是大于等于2的任意整数。例如，取K的值为3，则表示将信号质量分为3个等级。设置信号质量等级越高，则信号质量越好，说明脑电检测信号中包含的噪声更少，信号更接近真实的脑电信号。将信号质量等级分类模型的分类结果结合特征数据输入训练好的机器学习模型，即可识别该脑电检测信号对应的刺激目标。该机器学习模型的输出结果包括：无刺激、目标种类1、目标种类2、目标种类3…目标种类N。
其中，信号质量等级模型可以通过一个小型分类器实现。例如预先采集被试者在做出不同动作时的脑电检测信号，并由工程师人工根据经验对脑电检测信号进行标注，对支持向量机(SVM)、决策树、神经网络等机器学习模型进行训练，使其能够给对后续采集的脑电检测信号进行分类。在机器学习模型的输出的分类结果中，除了脑电检测信号对应的不同频率的刺激目标，还增加了一个无刺激的分类，即模型分类数＝刺激种类+1。例如，SSVEP刺激目标有N种不同的频率，则除了采集被试者分别注视N种目标时的脑电数据之外，还需采集一组被试者注视无刺激图像时的脑电数据，这样经过训练后，机器学习模型可判断被试者是否在注视刺激目标，或者正在注视哪一种刺激目标。
在其中的一个实施例中，由于对信号质量进行分级的目的是判断脑电检测信号中包含的噪声成份，从而优化最终的输出目标分类。因此，除了直接对信号质量进行分级，还可以利用产生噪音的动作对应的信号特征直接判断被试者的动作状态，如注视和非注视以及眨眼和非眨眼状态等。将动作状态分类输入到机器学习模型中，让模型只对注视状态下的信号输出目标分类，而对非注视状态输出无刺激的分类。
由于增加了信号质量等级的输入，信号质量较差的情况下(如被试者有眨眼、眼动等明显动作时)，机器学习模型可直接输出无刺激的分类结果，即被试者在眨眼、眼动等非注视状态下，该机器学习模型不会认为被试者在注视任何一种SSVEP刺激目标。提高了信号识别的准确度。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中还提供了一种SSVEP信号识别装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图4是本实施例的SSVEP信号识别装置的结构框图，如图4所示，该装置包括：
获取模块10，用于获取脑电检测信号，所述脑电检测信号基于预设目标刺激生成；
检测模块20，用于根据所述脑电检测信号获取对应的噪声检测结果，噪声检测结果包括噪声等级和噪声类型中的至少一种；
识别模块30，用于根据所述噪声检测结果和所述脑电检测信号，获取信号识别结果。
检测模块20，还用于根据所述脑电检测信号提取特征数据；将所述特征数据输入噪声检测模型，得到噪声检测结果。
检测模块20，还用于获取第一训练信号、对应的所述噪声等级以及第一训练模型；根据所述第一训练信号以及所述噪声等级对所述第一训练模型进行训练，得到第一噪声检测模型，将所述第一噪声检测模型作为噪声检测模型。
检测模块20，还用于获取第二训练信号、对应的噪声类别以及第二训练模型；根据所述第二训练信号以及所述噪声类别对所述第二训练模型进行训练，得到第二噪声检测模型，将所述第二噪声检测模型作为噪声检测模型。
检测模块20，还用于获取噪声类别，所述噪声类别至少包括：眼电污染噪声、肌肉电污染噪声以及伪迹污染噪声。
识别模块30，还用于根据所述脑电检测信号提取特征数据；将所述特征数据以及所述噪声检测结果输入信号识别模型，得到信号识别结果，所述信号识别结果包括无刺激结果和刺激结果，所述刺激结果至少包括全部所述预设目标。
识别模块30，还用于获取第三训练信号、对应的所述噪声检测结果以及第三训练模型；根据所述第三训练信号和对应的所述噪声检测结果对所述第三训练模型进行训练，得到信号识别模型。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在本实施例中还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取脑电检测信号，所述脑电检测信号基于预设目标刺激生成。
S2，根据所述脑电检测信号获取对应的噪声检测结果，噪声检测结果包括噪声等级和噪声类型中的至少一种。
S3，根据所述噪声检测结果和所述脑电检测信号，获取信号识别结果。
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
此外，结合上述实施例中提供的SSVEP信号识别方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种SSVEP信号识别方法。
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。
显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种SSVEP信号识别方法，其特征在于，包括：
获取脑电检测信号，所述脑电检测信号基于预设目标刺激生成；
根据所述脑电检测信号获取对应的噪声检测结果，噪声检测结果包括噪声等级和噪声类型中的至少一种；
根据所述噪声检测结果和所述脑电检测信号，获取信号识别结果。
2.根据权利要求1所述的SSVEP信号识别方法，其特征在于，所述根据所述脑电检测信号获取对应的噪声检测结果包括：
根据所述脑电检测信号提取特征数据；
将所述特征数据输入噪声检测模型，得到噪声检测结果。
3.根据权利要求2所述的SSVEP信号识别方法，其特征在于，所述将所述特征数据输入噪声检测模型之前包括：
获取第一训练信号、对应的所述噪声等级以及第一训练模型；
根据所述第一训练信号以及所述噪声等级对所述第一训练模型进行训练，得到第一噪声检测模型，将所述第一噪声检测模型作为噪声检测模型。
4.根据权利要求2所述的SSVEP信号识别方法，其特征在于，所述将所述特征数据输入噪声检测模型之前还包括：
获取第二训练信号、对应的噪声类别以及第二训练模型；
根据所述第二训练信号以及所述噪声类别对所述第二训练模型进行训练，得到第二噪声检测模型，将所述第二噪声检测模型作为噪声检测模型。
5.根据权利要求4所述的SSVEP信号识别方法，其特征在于，所述噪声类别至少包括：眼电污染噪声、肌肉电污染噪声以及伪迹污染噪声。
6.根据权利要求1所述的SSVEP信号识别方法，其特征在于，所述根据所述噪声检测结果和所述脑电检测信号，获取信号识别结果包括：
根据所述脑电检测信号提取特征数据；
将所述特征数据以及所述噪声检测结果输入信号识别模型，得到信号识别结果，所述信号识别结果包括无刺激结果和刺激结果，所述刺激结果至少包括全部所述预设目标。
7.根据权利要求6所述的SSVEP信号识别方法，其特征在于，所述将所述特征数据以及所述噪声检测结果输入信号识别模型之前包括：
获取第三训练信号、对应的所述噪声检测结果以及第三训练模型；
根据所述第三训练信号和对应的所述噪声检测结果对所述第三训练模型进行训练，得到信号识别模型。
8.一种SSVEP信号识别装置，其特征在于，包括：
信号获取模块，用于获取脑电检测信号，所述脑电检测信号基于预设目标刺激生成；
噪声检测模块，用于根据所述脑电检测信号获取对应的噪声检测结果，噪声检测结果包括噪声等级和噪声类型中的至少一种；
信号识别模块，用于根据所述噪声检测结果和所述脑电检测信号，获取信号识别结果。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的SSVEP信号识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的SSVEP信号识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110601881.2A CN113520409B (zh) | 2021-05-31 | 2021-05-31 | Ssvep信号识别方法、装置、电子装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110601881.2A CN113520409B (zh) | 2021-05-31 | 2021-05-31 | Ssvep信号识别方法、装置、电子装置和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113520409A true CN113520409A (zh) | 2021-10-22 |
| CN113520409B CN113520409B (zh) | 2024-03-26 |
Family
ID=78094900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110601881.2A Active CN113520409B (zh) | 2021-05-31 | 2021-05-31 | Ssvep信号识别方法、装置、电子装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113520409B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114034375A (zh) * | 2021-10-26 | 2022-02-11 | 三峡大学 | 一种特高压输电线路噪声测量系统及方法 |
| CN114034375B (zh) * | 2021-10-26 | 2024-06-11 | 三峡大学 | 一种特高压输电线路噪声测量系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4493539A (en) * | 1982-06-30 | 1985-01-15 | The United States Of America As Represented By The Secretary Of The Air Force | Method and apparatus for objective determination of visual contrast sensitivity functions |
| JP2013004006A (ja) * | 2011-06-21 | 2013-01-07 | Aisin Seiki Co Ltd | 脳波インターフェースシステム |
| CN103019383A (zh) * | 2012-12-18 | 2013-04-03 | 北京大学 | 一种稳态视觉诱发电位脑—机接口信号识别方法 |
| US20130130799A1 (en) * | 2010-07-30 | 2013-05-23 | Marc Van Hulle | Brain-computer interfaces and use thereof |
| CN103150023A (zh) * | 2013-04-01 | 2013-06-12 | 北京理工大学 | 一种基于脑机接口的光标控制系统及方法 |
| JP2014071825A (ja) * | 2012-10-01 | 2014-04-21 | Toyota Motor Corp | ブレイン・マシン・インターフェース |
| CN107072584A (zh) * | 2014-09-24 | 2017-08-18 | 维沃声波有限公司 | 用于探测诱发响应信号的系统、方法和设备 |
| CN107280665A (zh) * | 2017-06-09 | 2017-10-24 | 上海海神医疗电子仪器有限公司 | 脑诱发电位信号采集方法 |
| JP2019139769A (ja) * | 2018-02-05 | 2019-08-22 | 株式会社テラプローブ | 脳波を用いた入力システム及びプログラム |
| CN110507320A (zh) * | 2019-09-04 | 2019-11-29 | 杭州回车电子科技有限公司 | 一种脑电信号滤波方法及设备 |
-
2021
- 2021-05-31 CN CN202110601881.2A patent/CN113520409B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4493539A (en) * | 1982-06-30 | 1985-01-15 | The United States Of America As Represented By The Secretary Of The Air Force | Method and apparatus for objective determination of visual contrast sensitivity functions |
| US20130130799A1 (en) * | 2010-07-30 | 2013-05-23 | Marc Van Hulle | Brain-computer interfaces and use thereof |
| JP2013004006A (ja) * | 2011-06-21 | 2013-01-07 | Aisin Seiki Co Ltd | 脳波インターフェースシステム |
| JP2014071825A (ja) * | 2012-10-01 | 2014-04-21 | Toyota Motor Corp | ブレイン・マシン・インターフェース |
| CN103019383A (zh) * | 2012-12-18 | 2013-04-03 | 北京大学 | 一种稳态视觉诱发电位脑—机接口信号识别方法 |
| CN103150023A (zh) * | 2013-04-01 | 2013-06-12 | 北京理工大学 | 一种基于脑机接口的光标控制系统及方法 |
| CN107072584A (zh) * | 2014-09-24 | 2017-08-18 | 维沃声波有限公司 | 用于探测诱发响应信号的系统、方法和设备 |
| CN107280665A (zh) * | 2017-06-09 | 2017-10-24 | 上海海神医疗电子仪器有限公司 | 脑诱发电位信号采集方法 |
| JP2019139769A (ja) * | 2018-02-05 | 2019-08-22 | 株式会社テラプローブ | 脳波を用いた入力システム及びプログラム |
| CN110507320A (zh) * | 2019-09-04 | 2019-11-29 | 杭州回车电子科技有限公司 | 一种脑电信号滤波方法及设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114034375A (zh) * | 2021-10-26 | 2022-02-11 | 三峡大学 | 一种特高压输电线路噪声测量系统及方法 |
| CN114034375B (zh) * | 2021-10-26 | 2024-06-11 | 三峡大学 | 一种特高压输电线路噪声测量系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113520409B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3011895B1 (en) | Determining cognitive load of a subject from electroencephalography (EEG) signals | |
| Khatun et al. | A single-channel EEG-based approach to detect mild cognitive impairment via speech-evoked brain responses | |
| US9211078B2 (en) | Process and device for brain computer interface | |
| CN103019383B (zh) | 一种稳态视觉诱发电位脑—机接口信号识别方法 | |
| WO2007030868A1 (en) | Method and system for detecting and classifying facial muscle movements | |
| Ameera et al. | Analysis of EEG spectrum bands using power spectral density for pleasure and displeasure state | |
| JP7336755B2 (ja) | データ生成装置、生体データ計測システム、識別器生成装置、データ生成方法、識別器生成方法及びプログラム | |
| Chen et al. | Scalp EEG-based pain detection using convolutional neural network | |
| Jeunet et al. | Mind the traps! Design guidelines for rigorous BCI experiments | |
| CN113274037B (zh) | 一种动态脑功能网络的生成方法、系统及设备 | |
| CN113349778B (zh) | 基于经颅直流电刺激的情绪分析方法、装置和电子装置 | |
| CN112806994A (zh) | 一种基于生理信号预测个体压力应对方式的系统和方法 | |
| Ahmad et al. | Classification of cognitive and resting states of the brain using EEG features | |
| Fickling et al. | Good data? The EEG quality index for automated assessment of signal quality | |
| EP3948893A1 (en) | Evaluation of pain disorders via expert system | |
| Tran et al. | Detection of eeg-based eye-blinks using a thresholding algorithm | |
| CN113040788A (zh) | 基于频谱分析的脑电信号质量的检测方法 | |
| Aydemir | Odor and Subject Identification Using Electroencephalography Reaction to Olfactory. | |
| CN113520409B (zh) | Ssvep信号识别方法、装置、电子装置和存储介质 | |
| Paulraj et al. | Fractal feature based detection of muscular and ocular artifacts in EEG signals | |
| Ali et al. | Learning style classification via EEG sub-band spectral centroid frequency features | |
| CN113869107A (zh) | 信号去噪方法、装置、电子装置和存储介质 | |
| CN113505632A (zh) | 模型训练方法、装置、电子装置和存储介质 | |
| Raj et al. | Analysis of Brain Wave Due to Stimulus Using EEG | |
| Mouni et al. | An Experimental Investigation on the Classification Accuracy of Visual, Audio and Cognitive Stimuli-based EEG Signals for BCI Application |
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 |