CN113576495A - 结合eeg数据质量的运动想象评估方法 - Google Patents
结合eeg数据质量的运动想象评估方法 Download PDFInfo
- Publication number
- CN113576495A CN113576495A CN202110814825.7A CN202110814825A CN113576495A CN 113576495 A CN113576495 A CN 113576495A CN 202110814825 A CN202110814825 A CN 202110814825A CN 113576495 A CN113576495 A CN 113576495A
- Authority
- CN
- China
- Prior art keywords
- score
- data
- electroencephalogram
- motor imagery
- quality
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 14
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 55
- 238000000034 method Methods 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 30
- 230000000694 effects Effects 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 210000004556 brain Anatomy 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 210000004027 cell Anatomy 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000007659 motor function Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000013598 vector Substances 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]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
-
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种结合EEG数据质量的运动想象评估方法。本发明适用于脑电技术领域。本发明的技术方案为一种结合EEG数据质量的运动想象评估方法，其特征在于：获取经预处理的脑电数据；基于脑电数据的幅值计算得到脑电信号质量评分Score1；基于脑电数据中Theta频段和Beta频段的幅值分布分别计算得到Theta频段质量评分Score2和Beta频段质量评分Score3；基于Score1、Score2和Score3计算得到脑电数据质量评分ScoreSQ；基于脑电数据中Alpha频段数据计算得到运动想象评分ScoreMI；基于ScoreMI和ScoreSQ计算得到作为运动想象评估结果的联合评分Score。
Description
技术领域
本发明涉及一种结合EEG数据质量的运动想象评估方法。适用于脑电技术领域。
背景技术
脑机接口作为一种通过对脑电信号分析处理从而达到人机交互的技术，已经广泛应用于脑损伤患者的康复训练治疗之中。目前常用到脑机接口的康复训练模式包含：运动想象(MI，Motor Imagery)与P300，其中运动想象的基本原理为：当被试进行单侧手运动想象或执行运动时，单侧手同一侧的运动功能脑区alpha频段的脑能量会被抑制(ERD)，单侧手对侧的运动功能脑区alpha频段能量得到增强(ERS)。当被试持续多次进行运动想象训练，其ERD/ERS的效应也会相应的增强。因为运动功能脑区ERD/ERS现象与运动想象的关联性，所以脑机接口运动想象常被应用于运动功能缺陷的患者康复训练之中。
脑电信号是由大脑神经元放电产生的，极为微弱，在采集过程中容易受到各种噪声的干扰。EEG信号质量的噪声主要来自两个部分，一是由被试者内除大脑以外的其他器官活动产生(如身体剧烈抖动产生的肌电与电极滑移伪影)，二是由外部环境干扰产生(如其他电器设备产生的工频干扰)。EEG数据质量是决定BCI算法最终性能的关键因素。
目前脑机接口运动想象方案的核心都基于ERD/ERS现象，方案的内容主要包含三个部分，即数据预处理、特征提取与分类。EEG数据预处理过程中应用广泛的算法包含滤波器、ICA、ASR等，特征提取过程中应用最为广泛的算法包含PSD、PCA、CPS、FBCSP等，分类过程中主要应用SVM、LDA、贝叶斯等分类器。但是目前的方案主要有以下几个方面的缺点：特征提取方面过于冗余，无法有效的表达运动想象产生的ERD/ERS想象，增加了程序的计算负担；在分类反馈方面没有贴合被试ERD/ERS效应会随着训练增强这一过程，导致部分被试运行想象训练反馈体验较差，训练成效放缓；虽然目前的方案在数据预处理过程中尽量将被试异常活动参数的脑电伪迹去除，但是仍有部分伪迹存在，从而导致分类反馈的准确性降低，并且被试持续的异常活动对运动想象反馈训练的影响在目前方案中没有体现。
发明内容
本发明要解决的技术问题是：针对上述存在的问题，提供一种结合EEG数据质量的运动想象评估方法。
本发明所采用的技术方案是：一种结合EEG数据质量的运动想象评估方法，其特征在于：
获取经预处理的脑电数据；
基于脑电数据的幅值计算得到脑电信号质量评分Score1；
基于脑电数据中Theta频段和Beta频段的幅值分布分别计算得到Theta频段质量评分Score2和Beta频段质量评分Score3；
基于Score1、Score2和Score3计算得到脑电数据质量评分ScoreSQ；
基于脑电数据中Alpha频段数据计算得到运动想象评分ScoreMI；
基于ScoreMI和ScoreSQ计算得到作为运动想象评估结果的联合评分Score。
所述获取经预处理的脑电数据，包括：
获取被试运动想象训练过程中的脑电数据；
使用notch滤波器去除50Hz工频干扰得到脑电数据；
采用ASR算法实时去除脑电数据中的伪影，得到去除伪影的脑电数据。
所述基于脑电数据的幅值计算得到EEG信号质量评分Score1，包括：
其中，n为正常脑电幅值范围按宽度W划分后的小区间数量，m为脑电幅值范围按宽度W划分后的小区间数量，j为正常脑电幅值范围内的第j个小区间，k为脑电幅值范围内的第k个小区间，binj代表正常脑电幅值范围内第j个小区间内幅值的个数，bink代表脑电幅值范围内第k个小区间内幅值的个数；
其中，-a～a为正常脑电幅值范围，-b～b为脑电幅值范围，其中，P(i)为在相应脑电幅值区间内幅值i出现的概率；
所述基于脑电数据中Theta频段和Beta频段的幅值分布分别计算得到Theta频段质量评分Score2和Beta频段质量评分Score3，包括：
将Theta频段或Beta频段脑电数据data取绝对值abs，统计abs(data)中幅值小于index的个数，并求其与data数据长度L的百分比；
其中index为Theta频段或Beta频段内的脑电数据幅度绝对值的最大值。
所述基于Score1、Score2和Score3计算得到脑电数据质量评分ScoreSQ，包括：
所述基于脑电数据中Alpha频段数据计算得到运动想象评分ScoreMI，包括：
将Alpha频段的脑电数据进行降采样；
计算降采样后Alpha频段脑电数据能量，Alpha频段脑电数据能量采用如下公式计算：
其中，redata为降采样后的数据，N为降采样后数据的长度；
提取各通道最大脑电数据能量来表示被试的ERS效应；
根据设定的最低ERS效应ERSmin与最高ERS效应ERSmax与不同训练阶段的训练等级LV，计算ERS效应评分ScoreERS，ScoreERS采用如下公式计算：
采用ERS效应来区分被试是否进行运动想象或实际运动，运动想象评分ScoreMI与ERS效应评分ScoreERS相同。
所述基于ScoreMI和ScoreSQ计算得到作为运动想象评估结果的联合评分Score，包括：
Score＝0.4*ScoreSQ+0.6*ScoreERS。
一种结合EEG数据质量的运动想象评估装置，其特征在于，包括：
数据获取模块，用于获取经预处理的脑电数据；
评分计算模块Ⅰ，用于基于脑电数据的幅值计算得到脑电信号质量评分Score1；
评分计算模块Ⅱ，用于基于脑电数据中Theta频段和Beta频段的幅值分布分别计算得到Theta频段质量评分Score2和Beta频段质量评分Score3；
评分计算模块Ⅲ，用于基于Score1、Score2和Score3计算得到脑电数据质量评分ScoreSQ；
运动想象评分模块，用于基于脑电数据中Alpha频段数据计算得到运动想象评分ScoreMI；
联合评分计算模块，用于基于ScoreMI和ScoreSQ计算得到作为运动想象评估结果的联合评分Score。
一种存储介质，其上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述结合EEG数据质量的运动想象评估方法的步骤。
一种运动想象训练系统，其特征在于，包括：
脑电采集设备，用于采集被试运动想象训练过程中的脑电数据；
数据处理设备，具有存储器和处理器，其中存储器上存储有能被处理器执行的计算机程序，所述计算机程序被执行时实现所述结合EEG数据质量的运动想象评估方法的步骤；
训练反馈设备，基于所述结合EEG数据质量的运动想象评估方法中的联合评分Score进行反馈。
本发明的有益效果是：本发明将脑电数据质量评估纳入运动想象算分中，通过综合实时脑电数据质量评分和运动想象分类评分得到最终算法评分，以此进行反馈可以提高算法的准确性和训练的有效性，使被试更加专注于运动想象训练。
本发明可以实时分析脑电数据质量并进行反馈，及时提醒被试进行调整，减少无效训练，提高训练效率。当脑电数据质量持续较差时，运动想象训练会停止，并发出信号质量异常警告，当信号质量达到要求时，训练继续。
本发明通过灵活的ERS效应评价标准给与被试反馈，适用于随着训练增加ERS效应逐步提升的过程，适度的准确性反馈能够使被试在训练过程中保持注意力集中，提高训练效果和被试体验。
本发明在算法中设定了最低ERS效应、最高ERS效应标准与不同训练阶段的训练等级，能够适应不同被试或者相同被试在不同训练阶段的训练需求，被试可根据系统提示或训练体验自行调整难度等级。
附图说明
图1为实施例的流程图。
具体实施方式
本实施例为一种结合EEG数据质量的运动想象评估方法，包括以下步骤：
S1、获取经预处理的脑电数据。
S11、实时采集被试运动想象训练过程中C3、CZ、C4通道的EEG数据X(t)real。
S12、使用notch滤波器去除50Hz工频干扰得到EEG数据X(t)notch。
S13、采样ASR算法实时去除X(t)notch中的伪影，ASR(artifact subspacereconstruction)算法是一种实时自动去除伪影方法，其主要可以用于去除瞬态或大振幅EEG信号伪影。
ASR算法核心类似于主成分分析算法，通过删除方差较大分量，并将剩余分量通过逆变换对EEG信号重构。ASR算法相关公式如下：
Xt＝MrSt (1)
(Xt)clean＝Mr(St)clean (4)
Xt表示为随着时间t变化的EEG数据，其可以分解为分量St和混合矩阵Mr，如公式1。Yt表示为Xt的主成分空间，如公式2。根据公式3可以求得较为干净(St)clean，其中矩阵X+表示为矩阵X的伪逆矩阵。根据公式4即可求得去除伪影的EEG数据X(t)clean。
S2、使用巴特沃斯带通滤波器实时的将EEG数据划分为Theta、Alpha和Beta频带。巴特沃斯滤波器如以下等式中所述，其中n为滤波器阶数，H是长度为n+1滤波器系数，向量a与向量b为滤波器的传递函数系数。
S3、基于脑电数据的幅值计算得到脑电信号质量评分Score1，核心是生成EEG数据直方图bin，如果幅值较大或者幅值较小的bin的数据占整体bin的比值较大，或者相邻幅值之间的bin的差值较大，则可以认为EEG数据质量较差。
Score1主要通过Ratiobin与Ratiocount这两个值计算得出。Ratiobin计算方式如下：将X(t)clean幅值分宽度为5uv的几个小区间，每个小区间在幅值为-200uv至200uv之间，正常脑电幅值范围在-100uv到100uv之间，如果在区间内正常幅值个数的和占比较少，则数据质量相对较差。Ratiobin的计算公式如(5)：
j为正常脑电幅值范围内的第j个小区间(取值范围是-90uv～90uv，按5uv宽度划分，(90-(-90))/5＝36，j的取值是1～36)；k为脑电幅值范围内的第k个小区间(取值范围是-120uv～120uv，按5uv宽度划分，(120-(-120))/5＝48，k的取值是1～48)；binj代表正常脑电幅值范围内第j个小区间内幅值的个数，通过算法找到相应小区间内的幅值，统计数量；bink代表脑电幅值范围内第k个小区间内幅值的个数。
Ratiocount计算方式如下：计算正常脑电幅值区间-100uv到100uv内幅值i出现的概率，如果概率大于0，则counti记为1，否则记为0，并求得在正常区间内counti为1的个数；计算-200uv到200uv区间内幅值i出现的概率，如果概率大于0，则counti记为1，否则记为0，并求counti为1的个数；通过正常幅值区间内counti的个数与-200uv到200uv区间内counti的比值计算Ratiocount。计算公式如(6)(7)
其中，P(i)为在相应脑电幅值区间内幅值i出现的概率，通过算法去遍历，找到相应脑电幅值区间内幅值i的数据点，若存在幅值i的数据点，则P(i)＞0；若不存在幅值i的数据点，则P(i)＝0；
通过Ratiocount与Ratiobin的算术平均得出Score1，计算公式如(8)：
S4、基于脑电数据中Theta频段和Beta频段的幅值分布分别计算得到Theta频段质量评分Score2和Beta频段质量评分Score3。
Score2与Score3主要通过Theta频段和Beta频段幅值分布计算得出，计算公式如9。Theta频段范围在4到7Hz之间，该频段内的EEG幅度的绝对值不应超过30uv(公式9中的index)。Beta频段范围在14到30Hz之间，该频段内的EEG幅度的绝对值不应超过20uv(公式9中的index)。
计算过程以Theta频段为例：将Theta频段EEG数据data取绝对值abs，统计abs(data)中幅值小于index的个数，并求其与data数据长度L的百分比。
S5、基于Score1、Score2和Score3计算得到脑电数据质量评分ScoreSQ，ScoreSQ根据Score1、Score2和Score3的算术平均得出，如公式(10)：
S6、基于脑电数据中Alpha频段数据计算得到运动想象评分ScoreMI。
S61、将采样窗口中Alphaa频段的脑电数据进行降采样，通过降采样可提高算法的整体计算效率。
S62、分别计算C3、C4、CZ通道降采样后Alpha频段EEG数据能量的均值，具体计算公式如(11)，其中redata为降采样后的数据，N为降采样后数据的长度。
S63、被试在进行运动想象或者实际运动时，左右侧脑区Alpha频段脑电数据会出现事件相关去同步(ERD)和事件相关同步(ERS)效应。在ERD与ERS效应中，ERS效应在EEG数据能量上表现更为明显，因此本实施例中采用ERS效应来区分被试是否进行运动想象或实际运动。本例提取C3、C4、CZ三个通道最大EEG数据能量来表示被试的RES效应，具体计算公式如下：
ERS＝max(powerc3,pwoercz,powerc4)
S64、根据设定的最低ERS效应ERSmin与最高ERS效应ERSmax与不同训练阶段的训练等级LV，计算ERS效应评分ScoreERS，ScoreERS采用如下公式(12)，本例中将ERS效应评分ScoreERS作为运动想象评分ScoreMI。
S7、基于ScoreMI和ScoreSQ计算得到作为运动想象评估结果的联合评分Score。EEG数据在运动想象训练过程中极容易受到被试异常活动的干扰，即使在算法中采用ASR将大部分的EEG数据伪影去除，但仍有伪影存留在EEG数据中，从而导致公式(12)对于判别ERS效应的准确性。
在运动想象训练过程中，被试产生大量的异常活动不仅会导致EEG数据质量下降(及ScoreSQ值变低)，同时也在一定程度上体现出被试没有集中注意力到运动想象的过程中。
因此最终给与被试的反馈得分通过ERS效应得分与数据质量得分加权平均得出。被试也可以通过公式(13)调节适应自己的不同训练阶段，从而达到最优的运动想象训练反馈。
Score＝0.4*ScoreSQ+0.6*ScoreERS (13)
S8、实时显示被试的EEG数据质量评分，并且如果EEG数据质量评分持续5秒低于70，则停止运动想象训练，给与被试反馈提示，并在信号质量恢复后继续进行运动想象训练。
本实施例还提供一种结合EEG数据质量的运动想象评估装置，包括数据获取模块、评分计算模块Ⅰ、评分计算模块Ⅱ、评分计算模块Ⅲ、运动想象评分模块和联合评分计算模块。
本例中数据获取模块用于获取经预处理的脑电数据；评分计算模块Ⅰ用于基于脑电数据的幅值计算得到脑电信号质量评分Score1；评分计算模块Ⅱ用于基于脑电数据中Theta频段和Beta频段的幅值分布分别计算得到Theta频段质量评分Score2和Beta频段质量评分Score3；评分计算模块Ⅲ用于基于Score1、Score2和Score3计算得到脑电数据质量评分ScoreSQ；运动想象评分模块用于基于脑电数据中Alpha频段数据计算得到运动想象评分ScoreMI；联合评分计算模块用于基于ScoreMI和ScoreSQ计算得到作为运动想象评估结果的联合评分Score。
本实施例还提供一种存储介质，其上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现本实施例中结合EEG数据质量的运动想象评估方法的步骤。
本实施例还提供一种运动想象训练系统，具有脑电采集设备、数据处理设备和训练反馈设备，其中脑电采集设备用于采集被试运动想象训练过程中的脑电数据；数据处理设备具有存储器和处理器，其中存储器上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现本例中结合EEG数据质量的运动想象评估方法的步骤；训练反馈设备基于所述结合EEG数据质量的运动想象评估方法中的联合评分Score进行反馈。
本例中运动想象训练系统的使用方法如下：
训练准备：被试在运动想象训练开始前正确佩戴脑电帽，并熟悉运动想象训练的整体流程。脑电采集设备采样率为250Hz，采集电极为C3/C4/CZ。
脑电数据采集：被试在开始训练之前会采集1分钟左右的静息态干净的脑电数据用于ASR模型训练，然后被试输入初始等级值并点击开始训练按钮，训练反馈设备的电脑屏幕出现控制物与目标物，目标物会随机地出现在控制物上方的左右两侧，被试则需要通过左右运动想象驱动控制物向目标物移动，同时脑电数据开始实时进行采集处理。
数据处理设备对采集的脑电数据进行实时的notch滤波处理，去除工频干扰。
去除工频干扰后的脑电数据采用时间为1s，移动步长为1的滑动窗口处理数据，然后计算信号质量得分Score1。
对去除工频干扰后的脑电数据使用ASR进行实时去伪迹处理。
对去伪迹处理后的数据进行带通滤波，提取到算法需要的Alpha、Beta和Theta频带频段的数据，并对这3个频段的数据使用时间为1s，移动步长为1的滑动窗口进行处理。
基于Beta和Theta频段的数据计算信号质量得分Score2与Score3；
通过Score1、Score2与Score3计算得出信号整体质量评分ScoreSQ；
对Alpha频段脑电数据降采样到125Hz，然后计算得出运动想象评分ScoreMI；
通过运动想象评分ScoreMI与整体信号质量评分ScoreSQ计算联合评分Score；
对信号质量评分ScoreSQ进行判断，如果长时间的信号质量处于70分以下，系统会出现警告提示，在信号质量恢复时，警告消失并继续训练；
通过联合评分Score生成控制命令，即联合评分Score大于60时，控制物才能主动的向目标物移动，并且控制物的移动速度会随着联合评分Score的增大而变快。系统会根据你的联合评分Score去判断当前等级值是否需要升高或降低，并给予提示，并且用户也可以根据自己的感觉去实时调节等级值。
Claims (10)
1.一种结合EEG数据质量的运动想象评估方法，其特征在于：
获取经预处理的脑电数据；
基于脑电数据的幅值计算得到脑电信号质量评分Score1；
基于脑电数据中Theta频段和Beta频段的幅值分布分别计算得到Theta频段质量评分Score2和Beta频段质量评分Score3；
基于Score1、Score2和Score3计算得到脑电数据质量评分ScoreSQ；
基于脑电数据中Alpha频段数据计算得到运动想象评分ScoreMI；
基于ScoreMI和ScoreSQ计算得到作为运动想象评估结果的联合评分Score。
2.根据权利要求1所述的结合EEG数据质量的运动想象评估方法，其特征在于，所述获取经预处理的脑电数据，包括：
获取被试运动想象训练过程中的脑电数据；
使用notch滤波器去除50Hz工频干扰得到脑电数据；
采用ASR算法实时去除脑电数据中的伪影，得到去除伪影的脑电数据。
3.根据权利要求1所述的结合EEG数据质量的运动想象评估方法，其特征在于，所述基于脑电数据的幅值计算得到EEG信号质量评分Score1，包括：
其中，n为正常脑电幅值范围按宽度W划分后的小区间数量，m为脑电幅值范围按宽度W划分后的小区间数量，j为正常脑电幅值范围内的第j个小区间，k为脑电幅值范围内的第k个小区间，binj代表正常脑电幅值范围内第j个小区间内幅值的个数，bink代表脑电幅值范围内第k个小区间内幅值的个数；
其中，-a～a为正常脑电幅值范围，-b～b为脑电幅值范围，其中，P(i)为在相应脑电幅值区间内幅值i出现的概率；
4.根据权利要求1所述的结合EEG数据质量的运动想象评估方法，其特征在于，所述基于脑电数据中Theta频段和Beta频段的幅值分布分别计算得到Theta频段质量评分Score2和Beta频段质量评分Score3，包括：
将Theta频段或Beta频段脑电数据data取绝对值abs，统计abs(data)中幅值小于index的个数，并求其与data数据长度L的百分比；
其中index为Theta频段或Beta频段内的脑电数据幅度绝对值的最大值。
5.根据权利要求1所述的结合EEG数据质量的运动想象评估方法，其特征在于，所述基于Score1、Score2和Score3计算得到脑电数据质量评分ScoreSQ，包括：
6.根据权利要求1所述的结合EEG数据质量的运动想象评估方法，其特征在于，所述基于脑电数据中Alpha频段数据计算得到运动想象评分ScoreMI，包括：
将Alpha频段的脑电数据进行降采样；
计算降采样后Alpha频段脑电数据能量，Alpha频段脑电数据能量采用如下公式计算：
其中，redata为降采样后的数据，N为降采样后数据的长度；
提取各通道最大脑电数据能量来表示被试的ERS效应；
根据设定的最低ERS效应ERSmin与最高ERS效应ERSmax与不同训练阶段的训练等级LV，计算ERS效应评分ScoreERS，ScoreERS采用如下公式计算：
采用ERS效应来区分被试是否进行运动想象或实际运动，运动想象评分ScoreMI与ERS效应评分ScoreERS相同。
7.根据权利要求1所述的结合EEG数据质量的运动想象评估方法，其特征在于，所述基于ScoreMI和ScoreSQ计算得到作为运动想象评估结果的联合评分Score，包括：
Score＝0.4*ScoreSQ+0.6*ScoreERS。
8.一种结合EEG数据质量的运动想象评估装置，其特征在于，包括：
数据获取模块，用于获取经预处理的脑电数据；
评分计算模块Ⅰ，用于基于脑电数据的幅值计算得到脑电信号质量评分Score1；
评分计算模块Ⅱ，用于基于脑电数据中Theta频段和Beta频段的幅值分布分别计算得到Theta频段质量评分Score2和Beta频段质量评分Score3；
评分计算模块Ⅲ，用于基于Score1、Score2和Score3计算得到脑电数据质量评分ScoreSQ；
运动想象评分模块，用于基于脑电数据中Alpha频段数据计算得到运动想象评分ScoreMI；
联合评分计算模块，用于基于ScoreMI和ScoreSQ计算得到作为运动想象评估结果的联合评分Score。
9.一种存储介质，其上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1～7任意一项所述结合EEG数据质量的运动想象评估方法的步骤。
10.一种运动想象训练系统，其特征在于，包括：
脑电采集设备，用于采集被试运动想象训练过程中的脑电数据；
数据处理设备，具有存储器和处理器，其中存储器上存储有能被处理器执行的计算机程序，所述计算机程序被执行时实现权利要求1～7任意一项所述结合EEG数据质量的运动想象评估方法的步骤；
训练反馈设备，基于所述结合EEG数据质量的运动想象评估方法中的联合评分Score进行反馈。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110814825.7A CN113576495B (zh) | 2021-07-19 | 2021-07-19 | 结合eeg数据质量的运动想象评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110814825.7A CN113576495B (zh) | 2021-07-19 | 2021-07-19 | 结合eeg数据质量的运动想象评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113576495A true CN113576495A (zh) | 2021-11-02 |
| CN113576495B CN113576495B (zh) | 2023-12-01 |
Family
ID=78248092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110814825.7A Active CN113576495B (zh) | 2021-07-19 | 2021-07-19 | 结合eeg数据质量的运动想象评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113576495B (zh) |
Cited By (2)
| 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 |
| CN114533083A (zh) * | 2022-01-24 | 2022-05-27 | 江苏省人民医院（南京医科大学第一附属医院） | 基于多融合式卷积神经网络的运动想象状态识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017084416A1 (zh) * | 2015-11-17 | 2017-05-26 | 天津大学 | 一种基于运动想象脑-机接口的反馈系统 |
| CN108829257A (zh) * | 2018-08-21 | 2018-11-16 | 北京工业大学 | 一种运动想象脑电信号的特征提取方法 |
| 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 |
-
2021
- 2021-07-19 CN CN202110814825.7A patent/CN113576495B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017084416A1 (zh) * | 2015-11-17 | 2017-05-26 | 天津大学 | 一种基于运动想象脑-机接口的反馈系统 |
| CN108829257A (zh) * | 2018-08-21 | 2018-11-16 | 北京工业大学 | 一种运动想象脑电信号的特征提取方法 |
| 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 |
Cited By (3)
| 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 |
| CN114533083A (zh) * | 2022-01-24 | 2022-05-27 | 江苏省人民医院（南京医科大学第一附属医院） | 基于多融合式卷积神经网络的运动想象状态识别方法 |
| CN114533083B (zh) * | 2022-01-24 | 2023-12-01 | 江苏省人民医院（南京医科大学第一附属医院） | 基于多融合式卷积神经网络的运动想象状态识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113576495B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Oh et al. | A novel EEG feature extraction method using Hjorth parameter | |
| Fathima et al. | Wavelet based features for epileptic seizure detection | |
| Xu et al. | A spike detection method in EEG based on improved morphological filter | |
| WO2007021645A2 (en) | Method and system for limiting interference in electroencephalographic signals | |
| CN113576495B (zh) | 结合eeg数据质量的运动想象评估方法 | |
| Tran et al. | Detecting neural changes during stress and fatigue effectively: a comparison of spectral analysis and sample entropy | |
| Song et al. | A novel technique for selecting EMG-contaminated EEG channels in self-paced brain–computer Interface task onset | |
| Aydemir et al. | Classifying various EMG and EOG artifacts in EEG signals | |
| Salazar-Varas et al. | Evaluating the effect of the cutoff frequencies during the pre-processing stage of motor imagery EEG signals classification | |
| CN108154112B (zh) | 一种处理心电数据的方法、处理心电数据的装置及电子设备 | |
| Jain et al. | Fatigue detection and estimation using auto-regression analysis in EEG | |
| CN106618486B (zh) | 智能辅助睡眠中的睡眠状态识别方法和系统 | |
| De Moraes et al. | Automated Detection of Interictal Spikes in EEG: A literature review | |
| Abougharbia et al. | A novel BCI system based on hybrid features for classifying motor imagery tasks | |
| Maswanganyi et al. | Overview of artifacts detection and elimination methods for BCI using EEG | |
| Albalawi et al. | Single-channel real-time drowsiness detection based on electroencephalography | |
| CN111248900A (zh) | 一种基于单通道心脑信息耦合分析方法及系统 | |
| Aimie-Salleh et al. | Quantitative comparison of time frequency distribution for heart rate variability using performance measure | |
| Abidi et al. | Sweet and sour taste classification using EEG based brain computer interface | |
| Hema et al. | Fuzzy based classification of EEG mental tasks for a brain machine interface | |
| CN112022151A (zh) | 一种脑电棘慢波的处理及识别方法 | |
| CN110234272B (zh) | 麻醉阶段识别与麻醉深度计算方法及装置 | |
| Vai et al. | Beat-to-beat ECG ventricular late potentials variance detection by filter bank and wavelet transform as beat-sequence filter | |
| Xu et al. | An automatic EEG spike detection algorithm using morphological filter | |
| Li et al. | Ocular Artifact Removal Algorithm of Single Channel EEG Based on CEEMDAN-ICA-WTD |
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 |