CN113729711B - 脑电信号分析方法、装置、设备及存储介质 - Google Patents
脑电信号分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113729711B CN113729711B CN202111162392.8A CN202111162392A CN113729711B CN 113729711 B CN113729711 B CN 113729711B CN 202111162392 A CN202111162392 A CN 202111162392A CN 113729711 B CN113729711 B CN 113729711B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- standard
- emotion
- feature
- features
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 230000008451 emotion Effects 0.000 claims abstract description 105
- 230000008909 emotion recognition Effects 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 210000004556 brain Anatomy 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000037433 frameshift Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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]
-
- 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
- A61B5/72—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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Social Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种脑电信号分析方法、装置、设备及存储介质,属于计算机技术领域。本发明的脑电信号分析方法包括获取脑电信号;对脑电信号进行信号预处理,得到标准脑电信号;对标准脑电信号进行特征提取,得到脑电频域特征和脑电轮廓特征;根据预设的调整参数,对脑电频域特征和脑电轮廓特征进行微调处理,得到标准脑电频域特征和标准脑电轮廓特征;将标准脑电频域特征、标准脑电轮廓特征以及预设的情绪特征序列输入至预设的回归模型中进行情绪识别处理,得到脑电情绪数据。这种脑电信号分析方法能够提高情绪识别的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种脑电信号分析方法、装置、设备及存储介质。
背景技术
目前,大多数的脑电信号处理方法是针对短时脑电响应的,研究对象是短时脑活动成分。而针对长时脑电信号的处理方法较少。常用处理方法往往是基于统计分析方法和机器学习技术进行识别与预测,对情绪识别的准确性不高,因此,如何提供一种脑电信号分析方法,提高情绪识别的准确性,成为了亟待解决的问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种脑电信号分析方法,提高情绪识别的准确性。
本发明还提出一种具有上述脑电信号分析方法的脑电信号分析装置。
本发明还提出一种具有上述脑电信号分析方法的脑电信号分析设备。
本发明还提出一种计算机可读存储介质。
根据本发明的第一方面实施例的脑电信号分析方法,包括:
获取脑电信号;
对所述脑电信号进行信号预处理,得到标准脑电信号;
对所述标准脑电信号进行特征提取,得到脑电频域特征和脑电轮廓特征;
根据预设的调整参数,对所述脑电频域特征和所述脑电轮廓特征进行微调处理,得到标准脑电频域特征和标准脑电轮廓特征;
将所述标准脑电频域特征、所述标准脑电轮廓特征以及预设的情绪特征序列输入至预设的回归模型中进行情绪识别处理,得到脑电情绪数据。
根据本发明实施例的脑电信号分析方法,至少具有如下有益效果:这种脑电信号分析方法通过获取脑电信号,对脑电信号进行信号预处理,得到标准脑电信号;进而,对标准脑电信号进行特征提取,得到脑电频域特征和脑电轮廓特征;根据预设的调整参数,对脑电频域特征和脑电轮廓特征进行微调处理,得到标准脑电频域特征和标准脑电轮廓特征;将标准脑电频域特征、标准脑电轮廓特征以及预设的情绪特征序列输入至预设的回归模型中进行情绪识别处理,得到脑电情绪数据,能够较为准确地进行情绪识别,较为方便地反映出脑电信号与情绪变化之间的关系。
根据本发明的一些实施例,所述对所述脑电信号进行信号预处理,得到标准脑电信号,包括:
对所述脑电信号进行均差处理,得到目标脑电信号;
对所述目标脑电信号进行带通滤波处理,得到标准脑电信号。
根据本发明的一些实施例,所述对所述标准脑电信号进行特征提取,得到脑电频域特征和脑电轮廓特征,包括:
根据Welch功率谱估计法对所述标准脑电信号进行特征提取,得到脑电频域特征;
根据希尔伯特变换法对所述标准脑电信号进行特征提取,得到脑电轮廓特征。
根据本发明的一些实施例,所述获取脑电信号之前,所述方法还包括:
获取样本信号;
根据所述样本信号对情绪进行打分,得到情绪分值;
根据预设的特征维度,对所述样本信号进行特征提取,得到样本特征数据;
根据所述样本特征数据和所述情绪分值,分别构建特征相似矩阵和分值相似矩阵;
计算所述特征相似矩阵和所述分值相似矩阵的相似度;
根据所述相似度的大小,生成情绪特征序列。
根据本发明的一些实施例,所述根据所述样本特征数据和所述情绪分值,分别构建特征相似矩阵和分值相似矩阵,包括:
根据所述样本特征数据和所述情绪分值,得到情绪特征相关系数;
对所述样本特征数据进行向量化处理,得到样本特征向量;
对所述情绪分值进行向量化处理,得到分值特征向量;
根据所述情绪特征相关系数、所述样本特征向量和所述分值特征向量,构建特征相似矩阵和分值相似矩阵。
根据本发明的一些实施例,所述根据所述样本特征数据和所述情绪分值,得到情绪特征相关系数,包括:
分别对所述样本特征数据和所述情绪分值进行标准化处理,得到标准样本特征数据和标准情绪分值;
根据所述标准样本特征数据和所述标准情绪分值,得到情绪特征相关系数。
根据本发明的一些实施例,所述将所述标准脑电频域特征、所述标准脑电轮廓特征以及预设的情绪特征序列输入至预设的回归模型中进行情绪识别处理,得到脑电情绪数据,包括:
根据预设的偏移参数,对所述标准脑电频域特征、所述标准脑电轮廓特征进行偏移调整。
根据本发明的第二方面实施例的脑电信号分析装置,包括:
脑电信号获取模块,用于获取脑电信号;
信号预处理模块,用于对所述脑电信号进行信号预处理,得到标准脑电信号;
特征提取模块,用于对所述标准脑电信号进行特征提取,得到脑电频域特征和脑电轮廓特征;
特征微调处理模块,用于根据预设的调整参数,对所述脑电频域特征和所述脑电轮廓特征进行微调处理,得到标准脑电频域特征和标准脑电轮廓特征;
情绪识别模块,用于将所述标准脑电频域特征、所述标准脑电轮廓特征以及预设的情绪特征序列输入至预设的回归模型中进行情绪识别处理,得到脑电情绪数据。
根据本发明实施例的脑电信号分析装置,至少具有如下有益效果:这种脑电信号分析装置通过脑电信号获取模块获取脑电信号,信号预处理模块对脑电信号进行信号预处理,得到标准脑电信号;进而,特征提取模块对标准脑电信号进行特征提取,得到脑电频域特征和脑电轮廓特征;根据预设的调整参数,特征微调处理模块对脑电频域特征和脑电轮廓特征进行微调处理,得到标准脑电频域特征和标准脑电轮廓特征;情绪识别模块将标准脑电频域特征、标准脑电轮廓特征以及预设的情绪特征序列输入至预设的回归模型中进行情绪识别处理,得到脑电情绪数据,能够较为准确地进行情绪识别,较为方便地反映出脑电信号与情绪变化之间的关系。
根据本发明的第三方面实施例的脑电信号分析设备,包括:
至少一个处理器,以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述指令时实现如第一方面实施例所述的脑电信号分析方法。
根据本发明实施例的脑电信号分析设备,至少具有如下有益效果:这种脑电信号分析设备采用上述脑电信号分析方法,通过获取脑电信号,对脑电信号进行信号预处理,得到标准脑电信号;进而,对标准脑电信号进行特征提取,得到脑电频域特征和脑电轮廓特征;根据预设的调整参数,对脑电频域特征和脑电轮廓特征进行微调处理,得到标准脑电频域特征和标准脑电轮廓特征;将标准脑电频域特征、标准脑电轮廓特征以及预设的情绪特征序列输入至预设的回归模型中进行情绪识别处理,得到脑电情绪数据,能够较为准确地进行情绪识别,较为方便地反映出脑电信号与情绪变化之间的关系。
根据本发明的第四方面实施例的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可执行指令,所述计算机可执行指令用于使计算机执行如第一方面实施例所述的脑电信号分析方法。
根据本发明实施例的计算机可读存储介质,至少具有如下有益效果:这种计算机可读存储介质执行上述脑电信号分析方法通过获取脑电信号,对脑电信号进行信号预处理,得到标准脑电信号;进而,对标准脑电信号进行特征提取,得到脑电频域特征和脑电轮廓特征;根据预设的调整参数,对脑电频域特征和脑电轮廓特征进行微调处理,得到标准脑电频域特征和标准脑电轮廓特征;将标准脑电频域特征、标准脑电轮廓特征以及预设的情绪特征序列输入至预设的回归模型中进行情绪识别处理,得到脑电情绪数据,能够较为准确地进行情绪识别,较为方便地反映出脑电信号与情绪变化之间的关系。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明做进一步的说明,其中:
图1为本发明实施例的脑电信号分析方法的流程图;
图2为图1中步骤S102的流程图;
图3为图1中步骤S103的流程图;
图4为本发明另一实施例的脑电信号分析方法的流程图;
图5为图4中步骤S404的流程图;
图6为图5中步骤S501的流程图;
图7为本发明实施例的脑电信号分析装置的结构示意图。
附图标记:701、脑电信号获取模块;702、信号预处理模块;703、特征提取模块;704、特征微调处理模块;705、情绪识别模块。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
第一方面,参照图1,本发明实施例的脑电信号分析方法包括:
S101,获取脑电信号;
S102,对脑电信号进行信号预处理,得到标准脑电信号;
S103,对标准脑电信号进行特征提取,得到脑电频域特征和脑电轮廓特征;
S104,根据预设的调整参数,对脑电频域特征和脑电轮廓特征进行微调处理,得到标准脑电频域特征和标准脑电轮廓特征;
S105,将标准脑电频域特征、标准脑电轮廓特征以及预设的情绪特征序列输入至预设的回归模型中进行情绪识别处理,得到脑电情绪数据。
在进行脑电信号情绪识别过程中,首先需要获取脑电信号,该脑电信号可以通过扫描仪或者脑电波传感器进行采集。进而,对脑电信号进行信号预处理,包括对脑电信号的均差处理以及滤波处理等等,实现对干扰信号的过滤,得到标准脑电信号。进而对标准脑电信号进行特征提取,主要是对频域特征功率谱密度以及脑电特征的瞬时包络进行提取,得到标准脑电频域特征和标准脑电轮廓特征。为了提高识别准确性,还需要对脑电频域特征和脑电轮廓特征进行微调处理,使得脑电频域特征和脑电轮廓特征能保持特征对齐,从而得到标准脑电频域特征和标准脑电轮廓特征。例如,设置样本信号的帧移与脑电信号采样率的偏差量。设脑电波采样率1000Hz,将降采样到100Hz,即10ms一个特征值。样本信号帧移设置为10ms,帧长为50ms,将样本信号按时间与脑电信号对齐,将所有样本信号特征拼接在一起形成一维时序特征。最后将标准脑电频域特征、标准脑电轮廓特征以及预设的情绪特征序列输入至预设的回归模型中进行情绪识别处理,利用回归模型来预测情绪特征,得到脑电情绪数据,该方法能够有效地提高情绪识别的准确性。
参照图2,在一些实施例中,步骤S102,包括:
S201,对脑电信号进行均差处理,得到目标脑电信号;
S202,对目标脑电信号进行带通滤波处理,得到标准脑电信号。
在对脑电信号进行预处理时,可以对脑电信号进行均差处理,即预设多个信号记录点,先对每一信号记录点的信号记录值进行采集,计算全部信号记录点的平均值,然后再用信号记录值减去平均值得到的差值作为目标脑电信号数据,通过对脑电信号进行均差处理可以放大全脑的信号波动情况。由于脑电信号的有效频率大部分集中在50H以下,为了去掉高频信息干扰和直流干扰,还需要对目标脑电信号进行带通滤波处理,其中,滤波频率可以为0.5Hz至50Hz。通过这一方式能够有效地对干扰信号进行过滤,提高情绪识别的准确性。
参照图3,在一些实施例中,步骤S103,包括:
S301,根据Welch功率谱估计法对标准脑电信号进行特征提取,得到脑电频域特征;
S302,根据希尔伯特变换法对标准脑电信号进行特征提取,得到脑电轮廓特征。
在对标准脑电信号进行特征提取时,可以根据Welch功率谱估计法对标准脑电信号进行特征提取,得到脑电频域特征。具体地,采用Welch功率谱估计方法的计算公式如下:
其中,i=1,2,3,...,K为第i段的功率谱,定义如下:
其中,w(n)是窗函数,V是窗函数归一化定义。从而根据上述计算公式得到功率谱密度曲线,根据功率谱密度曲线求出对应的脑电频率段δ(1-3Hz),θ(4-7Hz),α(8-13Hz),β(14-30Hz),和γ(31-50Hz)五个频段的功率谱密度平均值。另外,还可以根据希尔伯特变换法对标准脑电信号进行特征提取,得到脑电轮廓特征。具体地,计算公式如下:
其中,由实信号f(t)作实部,其HT变换f(t)*作虚部,构成的复信号Z(t)=f(t)+jf(t)*,Z(t)的模的幅值就是实信号f(t)的包络,即:
通过上述步骤可以较为方便地得到脑电频域特征和脑电轮廓特征。
参照图4,在一些实施例中,在步骤S101之前,该方法还包括:
S401,获取样本信号;
S402,根据样本信号对情绪进行打分,得到情绪分值;
S403,根据预设的特征维度,对样本信号进行特征提取,得到样本特征数据;
S404,根据样本特征数据和情绪分值,分别构建特征相似矩阵和分值相似矩阵;
S405,计算特征相似矩阵和分值相似矩阵的相似度;
S406,根据相似度的大小,生成情绪特征序列。
在对脑电信号情绪进行识别之前,还需要获取情绪特征序列。具体地,获取样本信号,其中样本信号可以表示为Ai,1≤i≤N(N为样本个数)。进而根据样本信号对情绪进行打分,得到情绪分值,从而可以根据预设的特征维度对样本信号进行特征提取,得到样本特征数据。该样本特征数据可以包括N个音频特征,样本特征可以表示为Fi,1≤i≤M,M为特征维度,特征包括音高、响度、旋律、节奏等等。通过样本特征数据和情绪分值的特征向量来分别构建特征相似矩阵和分值相似矩阵。进而,通过计算特征相似矩阵和分值相似矩阵的相似度,根据相似度的大小,得到所有样本特征的情绪相关性,即根据所有样本特征的情绪相关性生成情绪特征序列。
参照图5,在一些实施例中,步骤S404,包括:
S501,根据样本特征数据和情绪分值,得到情绪特征相关系数;
S502,对样本特征数据进行向量化处理,得到样本特征向量;
S503,对情绪分值进行向量化处理,得到分值特征向量;
S504,根据情绪特征相关系数、样本特征向量和分值特征向量,构建特征相似矩阵和分值相似矩阵。
在构建特征相似矩阵和分值相似矩阵时,可以先根据样本特征数据和情绪分值计算出情绪特征相关系数。具体地,先计算每一维特征Fit,1≤t≤T与打分L的皮尔逊相关系数ρ,计算公式为:进而,对样本特征数据进行向量化处理,得到样本特征向量;对情绪分值进行向量化处理,得到分值特征向量。根据情绪特征相关系数、样本特征向量和分值特征向量,构建特征相似矩阵和分值相似矩阵。具体地,可以假定样本特征数据为F1,F2,…,FM,Fik表示第i个样本的第k维特征的特征向量,dist(B,C)表示两个特征向量B和C的余弦相似度,则m×m特征相似度矩阵FDM为FDMij=dist(Fik,Fjk),1≤i,j≤m;同样地,通过该方式也可以求出分值相似矩阵LDM。计算FDM与LDM的相似度S,计算公式有通过将相似度进行降序排列,得到情绪特征序列。通过这一方式能够得到样本特征的情绪相关性,也能够较为方便地反映出脑电信号与情绪变化之间的关系。
参照图6,在一些实施例中,步骤S501,包括:
S601,分别对样本特征数据和情绪分值进行标准化处理,得到标准样本特征数据和标准情绪分值;
S602,根据标准样本特征数据和标准情绪分值,得到情绪特征相关系数。
为了保留时间信息,可以在计算情绪特征相关系数之前,先分别对样本特征数据和情绪分值进行标准化处理,例如对样本特征数据和情绪分值进行加窗、分帧,得到标准样本特征数据和标准情绪分值,进而根据标准样本特征数据和标准情绪分值,计算情绪特征相关系数。通过这一方式能够提高情绪识别的准确性。
在一些实施例中,步骤S105,包括:
根据预设的偏移参数,对标准脑电频域特征、标准脑电轮廓特征进行偏移调整。
将标准脑电频域特征、标准脑电轮廓特征以及预设的情绪特征序列输入至预设的回归模型中进行情绪识别处理时,可以将样本特征数据作为自变量,将标准脑电频域特征、标准脑电轮廓特征作为因变量。即设X为特征集,Y为标准脑电频域特征或者标准脑电轮廓特征的情绪分值,μ为随机误差项,则有:
Y=Xβ+μ;
其中,β为拟合系数,基于Lasso回归模型,对预测方程进行求解,计算方法如下:
X为特征集,当取最小的λ值时,该模型的拟合效果最好,能够得到最优拟合系数。
考虑到脑电响应可能的延时,可以对脑电信号进行适当偏移,即根据预设的偏移参数,对标准脑电频域特征、标准脑电轮廓特征进行偏移调整。例如,设置偏移时间范围从对齐开始向后延迟40毫秒至200毫秒,找到最佳偏移时间,当偏移120毫秒时,回归方程能够取得最好拟合结果,即拟合度最高的脑电成分有θ频带的IC41和α频带的IC1,该脑电成分即为所需要的脑电情绪数据。
通过上述方法能够较为准确地进行情绪识别,较为方便地反映出脑电信号与情绪变化之间的关系。
第二方面,参照图7,本发明实施例的脑电信号分析装置包括:
脑电信号获取模块701,用于获取脑电信号;
信号预处理模块702,用于对脑电信号进行信号预处理,得到标准脑电信号;
特征提取模块703,用于对标准脑电信号进行特征提取,得到脑电频域特征和脑电轮廓特征;
特征微调处理模块704,用于根据预设的调整参数,对脑电频域特征和脑电轮廓特征进行微调处理,得到标准脑电频域特征和标准脑电轮廓特征;
情绪识别模块705,用于将标准脑电频域特征、标准脑电轮廓特征以及预设的情绪特征序列输入至预设的回归模型中进行情绪识别处理,得到脑电情绪数据。
该脑电信号分析装置的具体实施过程与上述脑电信号分析方法的具体实施例基本相同,此处不再赘述。
第三方面,本发明实施例的脑电信号分析设备,包括至少一个处理器,以及与至少一个处理器通信连接的存储器;其中,存储器存储有指令,指令被至少一个处理器执行,以使至少一个处理器执行指令时实现如第一方面实施例的脑电信号分析方法。
根据本发明实施例的脑电信号分析设备,至少具有如下有益效果:这种脑电信号分析设备采用上述脑电信号分析方法通过获取脑电信号,对脑电信号进行信号预处理,得到标准脑电信号;进而,对标准脑电信号进行特征提取,得到脑电频域特征和脑电轮廓特征;根据预设的调整参数,对脑电频域特征和脑电轮廓特征进行微调处理,得到标准脑电频域特征和标准脑电轮廓特征;将标准脑电频域特征、标准脑电轮廓特征以及预设的情绪特征序列输入至预设的回归模型中进行情绪识别处理,得到脑电情绪数据,能够较为准确地进行情绪识别,较为方便地反映出脑电信号与情绪变化之间的关系。
第四方面,本发明还提出一种计算机可读存储介质。计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行如第一方面实施例的脑电信号分析方法。
根据本发明实施例的计算机可读存储介质,至少具有如下有益效果:这种计算机可读存储介质执行上述脑电信号分析方法通过获取脑电信号,对脑电信号进行信号预处理,得到标准脑电信号;进而,对标准脑电信号进行特征提取,得到脑电频域特征和脑电轮廓特征;根据预设的调整参数,对脑电频域特征和脑电轮廓特征进行微调处理,得到标准脑电频域特征和标准脑电轮廓特征;将标准脑电频域特征、标准脑电轮廓特征以及预设的情绪特征序列输入至预设的回归模型中进行情绪识别处理,得到脑电情绪数据,能够较为准确地进行情绪识别,较为方便地反映出脑电信号与情绪变化之间的关系。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。此外,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
Claims (8)
1.脑电信号分析方法,其特征在于,包括:
获取脑电信号;
对所述脑电信号进行信号预处理,得到标准脑电信号;
对所述标准脑电信号进行特征提取,得到脑电频域特征和脑电轮廓特征;
根据预设的调整参数,对所述脑电频域特征和所述脑电轮廓特征进行微调处理,得到标准脑电频域特征和标准脑电轮廓特征;
将所述标准脑电频域特征、所述标准脑电轮廓特征以及预设的情绪特征序列输入至预设的回归模型中进行情绪识别处理,得到脑电情绪数据;
其中,在所述获取脑电信号之前,所述方法还包括:
获取样本信号;
根据所述样本信号对情绪进行打分,得到情绪分值;
根据预设的特征维度,对所述样本信号进行特征提取,得到样本特征数据;
根据所述样本特征数据和所述情绪分值,分别构建特征相似矩阵和分值相似矩阵;
计算所述特征相似矩阵和所述分值相似矩阵的相似度;
根据所述相似度的大小,生成情绪特征序列。
2.根据权利要求1所述的脑电信号分析方法,其特征在于,所述对所述脑电信号进行信号预处理,得到标准脑电信号,包括:
对所述脑电信号进行均差处理,得到目标脑电信号;
对所述目标脑电信号进行带通滤波处理,得到标准脑电信号。
3.根据权利要求1所述的脑电信号分析方法,其特征在于,所述对所述标准脑电信号进行特征提取,得到脑电频域特征和脑电轮廓特征,包括:
根据Welch功率谱估计法对所述标准脑电信号进行特征提取,得到脑电频域特征;
根据希尔伯特变换法对所述标准脑电信号进行特征提取,得到脑电轮廓特征。
4.根据权利要求1所述的脑电信号分析方法,其特征在于,所述根据所述样本特征数据和所述情绪分值,分别构建特征相似矩阵和分值相似矩阵,包括:
根据所述样本特征数据和所述情绪分值,得到情绪特征相关系数;
对所述样本特征数据进行向量化处理,得到样本特征向量;
对所述情绪分值进行向量化处理,得到分值特征向量;
根据所述情绪特征相关系数、所述样本特征向量和所述分值特征向量,构建特征相似矩阵和分值相似矩阵。
5.根据权利要求4所述的脑电信号分析方法,其特征在于,所述根据所述样本特征数据和所述情绪分值,得到情绪特征相关系数,包括:
分别对所述样本特征数据和所述情绪分值进行标准化处理,得到标准样本特征数据和标准情绪分值;
根据所述标准样本特征数据和所述标准情绪分值,得到情绪特征相关系数。
6.根据权利要求1至5任一项所述的脑电信号分析方法,其特征在于,所述将所述标准脑电频域特征、所述标准脑电轮廓特征以及预设的情绪特征序列输入至预设的回归模型中进行情绪识别处理,得到脑电情绪数据,包括:
根据预设的偏移参数,对所述标准脑电频域特征、所述标准脑电轮廓特征进行偏移调整。
7.脑电信号分析设备,其特征在于,包括:
至少一个处理器,以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述指令时实现如权利要求1至6任一项所述的脑电信号分析方法。
8.计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至6任一项所述的脑电信号分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111162392.8A CN113729711B (zh) | 2021-09-30 | 2021-09-30 | 脑电信号分析方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111162392.8A CN113729711B (zh) | 2021-09-30 | 2021-09-30 | 脑电信号分析方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113729711A CN113729711A (zh) | 2021-12-03 |
CN113729711B true CN113729711B (zh) | 2023-10-13 |
Family
ID=78725896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111162392.8A Active CN113729711B (zh) | 2021-09-30 | 2021-09-30 | 脑电信号分析方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113729711B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114343675B (zh) * | 2021-12-27 | 2023-05-30 | 深圳航天科技创新研究院 | 一种脑电成分提取方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104083163A (zh) * | 2014-07-16 | 2014-10-08 | 南京大学 | 一种非线性参数脑电地形图的方法 |
CN105956546A (zh) * | 2016-04-28 | 2016-09-21 | 杭州电子科技大学 | 一种基于脑电信号的情绪识别方法 |
CN107157477A (zh) * | 2017-05-24 | 2017-09-15 | 上海交通大学 | 脑电信号特征识别系统及方法 |
CN109567830A (zh) * | 2018-10-30 | 2019-04-05 | 清华大学 | 一种基于神经响应的人格测量方法及系统 |
CN109924990A (zh) * | 2019-03-27 | 2019-06-25 | 兰州大学 | 一种基于emd算法的脑电信号抑郁症识别系统 |
CN110781945A (zh) * | 2019-10-22 | 2020-02-11 | 太原理工大学 | 一种融合多种特征的脑电信号情感识别方法及系统 |
CN111134667A (zh) * | 2020-01-19 | 2020-05-12 | 中国人民解放军战略支援部队信息工程大学 | 基于脑电信号的时间迁移情绪识别方法及系统 |
CN111317467A (zh) * | 2020-02-26 | 2020-06-23 | 深圳航天科技创新研究院 | 脑电信号分析方法、装置、终端设备及存储介质 |
CN111345784A (zh) * | 2020-05-09 | 2020-06-30 | 中国人民解放军海军特色医学中心 | 基于单兵智能骨导听觉反馈技术的可穿戴防护装备 |
CN112231037A (zh) * | 2020-10-22 | 2021-01-15 | 浙江工商职业技术学院 | 一种基于情绪设计对应图标的方法 |
CN112603332A (zh) * | 2020-12-15 | 2021-04-06 | 马鞍山学院 | 一种基于脑电信号特征分析的情感认知方法 |
CN112603335A (zh) * | 2020-12-29 | 2021-04-06 | 深圳航天科技创新研究院 | 脑电情感识别方法、系统、设备及存储介质 |
CN112633364A (zh) * | 2020-12-21 | 2021-04-09 | 上海海事大学 | 一种基于Transformer-ESIM注意力机制的多模态情绪识别方法 |
CN112656427A (zh) * | 2020-11-26 | 2021-04-16 | 山西大学 | 一种基于维度模型的脑电信号情绪识别方法 |
CN112699679A (zh) * | 2021-03-25 | 2021-04-23 | 北京沃丰时代数据科技有限公司 | 情绪识别方法、装置、电子设备及存储介质 |
CN112773378A (zh) * | 2021-01-20 | 2021-05-11 | 杭州电子科技大学 | 一种特征权重自适应学习的脑电情绪识别方法 |
WO2021147292A1 (zh) * | 2020-01-20 | 2021-07-29 | 南京航空航天大学 | 联合脑电和眼动并结合用户相似度的产品设计方案决策方法 |
CN113349795A (zh) * | 2021-06-15 | 2021-09-07 | 杭州电子科技大学 | 基于稀疏低秩张量分解的抑郁症脑电分析方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8521270B2 (en) * | 2006-06-05 | 2013-08-27 | The Regents Of The University Of California | Quantitative EEG method to identify individuals at risk for adverse antidepressant effects |
US11406316B2 (en) * | 2018-02-14 | 2022-08-09 | Cerenion Oy | Apparatus and method for electroencephalographic measurement |
-
2021
- 2021-09-30 CN CN202111162392.8A patent/CN113729711B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104083163A (zh) * | 2014-07-16 | 2014-10-08 | 南京大学 | 一种非线性参数脑电地形图的方法 |
CN105956546A (zh) * | 2016-04-28 | 2016-09-21 | 杭州电子科技大学 | 一种基于脑电信号的情绪识别方法 |
CN107157477A (zh) * | 2017-05-24 | 2017-09-15 | 上海交通大学 | 脑电信号特征识别系统及方法 |
CN109567830A (zh) * | 2018-10-30 | 2019-04-05 | 清华大学 | 一种基于神经响应的人格测量方法及系统 |
CN109924990A (zh) * | 2019-03-27 | 2019-06-25 | 兰州大学 | 一种基于emd算法的脑电信号抑郁症识别系统 |
CN110781945A (zh) * | 2019-10-22 | 2020-02-11 | 太原理工大学 | 一种融合多种特征的脑电信号情感识别方法及系统 |
CN111134667A (zh) * | 2020-01-19 | 2020-05-12 | 中国人民解放军战略支援部队信息工程大学 | 基于脑电信号的时间迁移情绪识别方法及系统 |
WO2021147292A1 (zh) * | 2020-01-20 | 2021-07-29 | 南京航空航天大学 | 联合脑电和眼动并结合用户相似度的产品设计方案决策方法 |
CN111317467A (zh) * | 2020-02-26 | 2020-06-23 | 深圳航天科技创新研究院 | 脑电信号分析方法、装置、终端设备及存储介质 |
CN111345784A (zh) * | 2020-05-09 | 2020-06-30 | 中国人民解放军海军特色医学中心 | 基于单兵智能骨导听觉反馈技术的可穿戴防护装备 |
CN112231037A (zh) * | 2020-10-22 | 2021-01-15 | 浙江工商职业技术学院 | 一种基于情绪设计对应图标的方法 |
CN112656427A (zh) * | 2020-11-26 | 2021-04-16 | 山西大学 | 一种基于维度模型的脑电信号情绪识别方法 |
CN112603332A (zh) * | 2020-12-15 | 2021-04-06 | 马鞍山学院 | 一种基于脑电信号特征分析的情感认知方法 |
CN112633364A (zh) * | 2020-12-21 | 2021-04-09 | 上海海事大学 | 一种基于Transformer-ESIM注意力机制的多模态情绪识别方法 |
CN112603335A (zh) * | 2020-12-29 | 2021-04-06 | 深圳航天科技创新研究院 | 脑电情感识别方法、系统、设备及存储介质 |
CN112773378A (zh) * | 2021-01-20 | 2021-05-11 | 杭州电子科技大学 | 一种特征权重自适应学习的脑电情绪识别方法 |
CN112699679A (zh) * | 2021-03-25 | 2021-04-23 | 北京沃丰时代数据科技有限公司 | 情绪识别方法、装置、电子设备及存储介质 |
CN113349795A (zh) * | 2021-06-15 | 2021-09-07 | 杭州电子科技大学 | 基于稀疏低秩张量分解的抑郁症脑电分析方法 |
Non-Patent Citations (3)
Title |
---|
Dual-Threshold-Based Microstate Analysis on Characterizing Temporal Dynamics of Affective Process and Emotion Recognition From EEG Signals;Chen Jing, Li Haifeng, Ma Lin, Bo Hongjian, Soong Frank, Shi Yaohui;《FRONTIERS IN NEUROSCIENCE》;1-14 * |
基于听觉脑认知规律的情感计算方法研究;薄洪健;《中国博士学位论文全文数据库》;I136-34 * |
基于多个EEG信号特征的情绪识别分析与研究;王雪芹;《中国优秀硕士学位论文全文数据库》;E080-22 * |
Also Published As
Publication number | Publication date |
---|---|
CN113729711A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103690163B (zh) | 基于ica和hht融合的自动眼电干扰去除方法 | |
CN110786849B (zh) | 基于多视图鉴别分析的心电信号身份识别方法及系统 | |
CN110826527A (zh) | 一种基于攻击性行为预测的脑电负性情绪识别方法及系统 | |
CN109602417A (zh) | 基于随机森林的睡眠分期方法及系统 | |
Hamdi et al. | Real time QRS complex detection using DFA and regular grammar | |
CN108470182B (zh) | 一种用于非对称脑电特征增强与识别的脑-机接口方法 | |
CN113729711B (zh) | 脑电信号分析方法、装置、设备及存储介质 | |
CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
CN114391846B (zh) | 一种基于过滤式特征选择的情绪识别方法及系统 | |
CN109222966A (zh) | 一种基于变分自编码器的脑电信号情感分类方法 | |
Lo et al. | Deep learning for detection of fetal ECG from multi-channel abdominal leads | |
CN116211322A (zh) | 一种基于机器学习脑电信号的抑郁症识别方法和系统 | |
CN113935380B (zh) | 一种基于模板匹配的自适应运动想象脑机接口方法与系统 | |
CN112336369B (zh) | 一种多通道心音信号的冠心病风险指数评估系统 | |
JP6103591B2 (ja) | 聴診心音信号の処理方法、聴診心音信号の処理装置及び聴診心音信号を処理するためのプログラム | |
US10013992B2 (en) | Fast computation of excitation pattern, auditory pattern and loudness | |
CN111616680A (zh) | 一种脑力负荷自动辨识方法及系统 | |
Prabhakar et al. | EM based non-linear regression and singular value decomposition for epilepsy classification | |
Pasanen et al. | An automated procedure for identifying spontaneous otoacoustic emissions | |
CN115762578A (zh) | 基于分数域傅里叶变换的可解释心音异常识别方法及系统 | |
Kaleem et al. | Telephone-quality pathological speech classification using empirical mode decomposition | |
Anishchenko et al. | Comparative analysis of methods for classifying the cardiovascular system's states under stress | |
Zhang et al. | A new method for ECG biometric recognition using a hierarchical scheme classifier | |
Ravelo-García et al. | Cepstrum coefficients of the RR series for the detection of obstructive sleep apnea based on different classifiers | |
Mohite et al. | Epileptic electroencephalogram classification |
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 |