CN114366101B - 运动想象脑电信号分类方法、装置、设备和存储介质 - Google Patents
运动想象脑电信号分类方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114366101B CN114366101B CN202111665569.6A CN202111665569A CN114366101B CN 114366101 B CN114366101 B CN 114366101B CN 202111665569 A CN202111665569 A CN 202111665569A CN 114366101 B CN114366101 B CN 114366101B
- Authority
- CN
- China
- Prior art keywords
- current
- tested person
- motor imagery
- determining
- concentration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 210000004556 brain Anatomy 0.000 claims abstract description 82
- 230000009471 action Effects 0.000 claims abstract description 52
- 239000012141 concentrate Substances 0.000 claims abstract description 14
- 230000033764 rhythmic process Effects 0.000 claims description 68
- 230000005611 electricity Effects 0.000 claims description 21
- 230000001020 rhythmical effect Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 230000033001 locomotion Effects 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000016285 Movement disease Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002570 electrooculography Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001936 parietal effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training 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
- A61B5/24—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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/168—Evaluating attention deficit, hyperactivity
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Developmental Disabilities (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Child & Adolescent Psychology (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明实施例公开了一种运动想象脑电信号分类方法、装置、设备和存储介质。该方法包括：向被试者展示肢体动作画面，以刺激被试者专注肢体动作画面进行相应地运动想象；采集被试者在专注当前展示的肢体动作画面时产生的当前脑电信号；基于预设学习模型对当前脑电信号进行运动想象分类识别，确定当前识别结果；基于当前脑电信号确定被试者的当前专注度；基于当前专注度，对当前识别结果进行校正处理，确定目标识别结果。通过本发明实施例的技术方案，可以提高运动想象分类准确度。
Description
技术领域
本发明实施例涉及计算机技术，尤其涉及一种运动想象脑电信号分类方法、装置、设备和存储介质。
背景技术
随着脑电技术的发展，运动想象逐渐兴起。运动想象是指没有实际的肢体行为，而是利用大脑意念想象肢体动作，并由控制器来实现后续的实际操作。运动想象脑电信号是一种内源性自发脑电信号，局部皮层的某些波段的能量会因某运动想象发生改变。
目前，可以通过对运动想象脑电信号进行分类识别，确定用户是否进行了运动想象。然而，现有的分类方式仍然存在分类准确度较低的问题，从而导致临床使用率低，用户体验度差。
发明内容
本发明实施例提供了一种运动想象脑电信号分类方法、装置、设备和存储介质，以提高分类准确度。
第一方面，本发明实施例提供了一种运动想象脑电信号分类方法，包括：
向被试者展示肢体动作画面，以刺激所述被试者专注所述肢体动作画面进行相应地运动想象；
采集所述被试者在专注当前展示的所述肢体动作画面时产生的当前脑电信号；
基于预设学习模型对所述当前脑电信号进行运动想象分类识别，确定当前识别结果；
基于所述当前脑电信号确定所述被试者的当前专注度；
基于所述当前专注度，对所述当前识别结果进行校正处理，确定目标识别结果。
第二方面，本发明实施例还提供了一种运动想象脑电信号分类装置，包括：
肢体动作画面展示模块，用于向被试者展示肢体动作画面，以刺激所述被试者专注所述肢体动作画面进行相应地运动想象；
当前脑电信号采集模块，用于采集所述被试者在专注当前展示的所述肢体动作画面时产生的当前脑电信号；
当前识别结果确定模块，用于基于预设学习模型对所述当前脑电信号进行运动想象分类识别，确定当前识别结果；
当前专注度确定模块，用于基于所述当前脑电信号确定所述被试者的当前专注度；
当前识别结果校正模块，用于基于所述当前专注度，对所述当前识别结果进行校正处理，确定目标识别结果。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所提供的运动想象脑电信号分类方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的运动想象脑电信号分类方法。
本发明实施例通过向被试者展示肢体动作画面，以刺激被试者专注肢体动作画面进行相应地运动想象；采集被试者在专注当前展示的肢体动作画面时产生的当前脑电信号；基于预设学习模型对当前脑电信号进行运动想象分类识别，确定当前识别结果；基于当前脑电信号确定被试者的当前专注度，从而可以基于被试者的当前专注度对当前识别结果进行校正处理，获得校正后的目标识别结果，进而提高了运动想象脑电信号的分类准确度。
附图说明
图1是本发明实施例一提供的一种运动想象脑电信号分类方法的流程图；
图2是本发明实施例二提供的一种运动想象脑电信号分类方法的流程图；
图3是本发明实施例三提供的一种运动想象脑电信号分类装置的结构示意图；
图4是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种运动想象脑电信号分类方法的流程图，本实施例可适用于在运动想象期间，对被试者产生的脑电信号进行分类的情况。该方法可以由运动想象脑电信号分类装置来执行，该装置可以由软件和/或硬件的方式来实现，集成于电子设备中。如图1所示，该方法具体包括以下步骤：
S110、向被试者展示肢体动作画面，以刺激被试者专注肢体动作画面进行相应地运动想象。
其中，被试者可以是指被测试的对象。例如，被试者可以是指运动障碍者，他们具有完整的大脑但因外周神经受到损伤而无法控制自己肢体。基于运动想象的BCI(BrainComputer Interface，脑机接口)系统，通过被试者的运动想象可以实现对外部设备的控制，代替肢体运动。BCI系统可以是在大脑和外部设备之间建立通讯和控制的不依赖于常规大脑信息输出通路的系统。
其中，肢体动作画面可以是基于被试者的运动障碍，向被试者展示相应的肢体运动的动作画面。例如，若被试者左手无法运动，则可以向该被试者展示左手运动的动作画面，从而可以刺激被试者专注于左手运动并利用大脑意念想象左手运动。
具体地，可以在位于被试者前方的显示屏幕上，向被试者展示出实际生活中的肢体动作画面，以刺激被试者专注于肢体动作画面并进行肢体动作画面所呈现的相应肢体的运动想象，从而通过展示肢体动作画面可以激发被试者的主动参与意念。
S120、采集被试者在专注当前展示的肢体动作画面时产生的当前脑电信号。
具体地，可以利用被试者所佩戴的脑电采集设备，在当前展示肢体动作画面期间，采集被试者产生的当前脑电信号。例如，可以采集前额叶与顶叶运动脑区产生的当前脑电信号。
S130、基于预设学习模型对当前脑电信号进行运动想象分类识别，确定当前识别结果。
其中，预设学习模型可以是预先设置的，基于机器学习或者深度学习的分类网络模型。例如，预设学习模型可以是但不限于：EEGNet卷积神经网络模型或者SVM(SupportVector Machines)支持向量机模型。预设学习模型中的特征提取方式可以是但不限于CSP(Common Spatial Pattern)共空间模式或者FBCSP(Filter Bank Common SptialPattern)滤波器组共空间模式。本实施例中的预设学习模型可以是预先基于样本数据训练获得的。运动想象分类的识别结果可以包括：被试者进行了运动想象和被试者没有进行运动想象两种识别结果。
具体地，可以将当前脑电信号输入至预先训练好的预设学习模型中进行运行想象的分类识别，确定出被试者当前是否进行了运动想象，并将识别出的结果进行输出，从而基于预设学习模型的输出，可以获得当前识别结果。
S140、基于当前脑电信号确定被试者的当前专注度。
其中，当前专注度可以是指被试者对所展示的肢体动作画面的专注程度，其可以用于衡量被试者进行运行想象的可能性大小。例如，当前专注度越高，被试者当前进行运行想象的可能性越大。
具体地，可以基于当前脑电信号中的脑电波的节律能量变化程度，确定出被试者的当前专注度。
S150、基于当前专注度，对当前识别结果进行校正处理，确定目标识别结果。
具体地，通过当前专注度可以对识别不准确的当前识别结果进行校正处理，从而提高分类准确性，并且基于校正后的目标识别结果可以对外界设备进行准确控制，提高被试者的体验程度，进一步激发被试者的主动参与意图。
示例性地，S150可以包括：若当前识别结果为被试者没有进行运动想象，则将当前专注度与预设专注度阈值进行比较；基于比较结果对当前识别结果进行校正处理，确定目标识别结果。
其中，预设专注度阈值可以是预先设置的，用于表征被试者进行运行想象时的最小专注度。
具体地，在向被试者展示肢体动作画面时所获得的当前识别结果为被试者没有进行运动想象，此时可能存在被试者通过当前展示的肢体动作画面的刺激进行了运动想象，但因预设学习模型识别不准确等原因而导致获得的当前识别结果不准确的情况，从而可以将被试者的当前专注度与预设专注度阈值进行比较，基于比较结果确定当前识别结果是否准确，若不准确，则需要对当前识别结果进行校正处理，进而提高分类的准确性。
示例性地，基于比较结果对当前识别结果进行校正处理，确定目标识别结果，可以包括：若当前专注度大于或等于预设专注度阈值，则对当前识别结果进行校正处理，确定目标识别结果为被试者进行了运动想象。
具体地，若当前专注度大于或等于预设专注度阈值，则表明被试者当前进行了运行想象，当前识别结果识别不准确，此时可以对当前识别结果进行校正处理，将被试者进行了运动想象确定为最终识别结果，从而可以利用专注度校正运动想象的识别结果，解决临床使用过程中，运动想象分类准确度不高的问题，并且避免了因被试者实际进行了运动想象但外界设备未相应执行而导致的被试者体验较差的情况，从而可以进一步激发被试者的主动参与意图。
需要说明的是，若当前识别结果为被试者进行了运动想象，则表明被试者因当前展示的肢体动作画面刺激进行了运动想象，此时可以直接将当前识别结果作为目标识别结果。若当前识别结果为被试者没有进行运动想象，且当前专注度小于预设专注度阈值，则表明被试者当前确实未进行运动想象，此时可以直接将当前识别结果作为目标识别结果。
本实施例的技术方案，通过向被试者展示肢体动作画面，以刺激被试者专注肢体动作画面进行相应地运动想象；采集被试者在专注当前展示的肢体动作画面时产生的当前脑电信号；基于预设学习模型对当前脑电信号进行运动想象分类识别，确定当前识别结果；基于当前脑电信号确定被试者的当前专注度，从而可以基于被试者的当前专注度对当前识别结果进行校正处理，获得校正后的目标识别结果，进而提高了运动想象脑电信号的分类准确度。
在上述技术方案的基础上，在S130之前，还可以包括：基于预设去噪方式，对当前脑电信号进行去噪处理，获取去噪后的当前脑电信号。
其中，预设去噪方式可以包括但不限于：利用50Hz频率的陷波滤波器去除工频干扰、利用带通滤波器去除高低频噪声、以及预设去除眼电和运动伪迹方式。预设去除眼电和运动伪迹方式可以包括但不限于：利用独立分量分析方式、利用小波包变换方式或者利用经验模态分解方式。
具体地，通过预设去噪方式，可以去除当前脑电信号中的噪音杂质，获得去噪后干净的当前脑电信号，从而后续可以基于去噪后的当前脑电信号进行分类识别和确定当前专注度，进而可以进一步提高分类的准确性。
实施例二
图2为本发明实施例二提供的一种运动想象脑电信号分类方法的流程图，本实施例在上述实施例的基础上，对步骤“基于当前脑电信号确定被试者的当前专注度”进行了进一步优化。其中与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图2，本实施例提供的运动想象脑电信号分类方法具体包括以下步骤：
S210、向被试者展示肢体动作画面，以刺激被试者专注肢体动作画面进行相应地运动想象。
S220、采集被试者在专注当前展示的肢体动作画面时产生的当前脑电信号。
S230、基于预设学习模型对当前脑电信号进行运动想象分类识别，确定当前识别结果。
S240、确定当前脑电信号中的至少两种脑电波的节律能量值。
其中，脑电波可以包括但不限于：脑电alpha波、脑电beta波、脑电theta波和脑电delta波。其中，脑电alpha波可以用于衡量被试者的清醒和安静程度。脑电beta波可以用于衡量被试者的思维活动、忙碌和紧张程度。脑电theta波可以用于衡量被试者的困倦和深度放松程度。脑电delta波可以用于衡量被试者的睡眠和疲劳程度。
具体地，可以采用频域法和时域法，从当前脑电信号中提取出每种脑电波的节律信息，并确定出相应的节律能量值。例如，本实施例可以将平均能量值作为节律能量值，以进一步提高专注度确定的准确性。
S250、基于各种脑电波的节律能量值，确定当前节律能量的比值。
示例性地，S250可以包括：基于脑电alpha波的节律能量值和脑电beta波的节律能量值，确定当前节律能量的比值；或者，基于脑电alpha波的节律能量值、脑电beta波的节律能量值和脑电theta波的节律能量值，确定当前节律能量的比值；或者，基于alpha波的节律能量值、脑电beta波的节律能量值、脑电theta波的节律能量值和脑电delta波的节律能量值，确定当前节律能量的比值。
具体地，若提取出的是脑电alpha波和脑电beta波，则可以将脑电beta波的节律能量信息Eβ与脑电alpha波的节律能量信息Eα之间的能量比值R1＝Eβ/Eα确定为当前节律能量的比值。
若提取出的是脑电alpha波、脑电beta波和脑电theta波，则可以将脑电alpha波的节律能量信息Eα和脑电beta波的节律能量信息Eβ进行相加，并将相加结果与脑电theta波的节律能量信息Eθ之间的能量比值R2＝(Eα+Eβ)/Eθ确定为当前节律能量的比值。或者，也可以对能量比值R1和能量比值R2进行平均处理，获得的平均值作为当前节律能量的比值。
若提取出的是脑电alpha波、脑电beta波、脑电theta波和脑电delta波，则可以基于脑电alpha波的节律能量值和脑电beta波的节律能量值，确定第一能量值；基于脑电theta波的节律能量值和脑电delta波的节律能量值，确定第二能量值；确定第一能量值与第二能量值之间的比值，作为当前节律能量的比值。具体地，可以将脑电alpha波的节律能量值与脑电beta波的节律能量值进行相加，获得第一能量值，即E1＝Eα+Eβ。将脑电theta波的节律能量值和脑电delta波的节律能量值进行相加，获得第二能量值，即E2＝Eθ+Eδ。将第一能量值与第二能量值之间的能量比值R3＝E1/E2作为当前节律能量的比值。或者，也可以对能量比值R1、能量比值R2和能量比值R3进行平均处理，获得的平均值作为当前节律能量的比值，从而可以进一步提高专注度确定的准确性。
S260、基于当前节律能量的比值，确定被试者的当前专注度。
示例性地，可以基于如下公式，确定被试者的当前专注度：
其中，a为被试者的当前专注度；amax为预设最大专注度；amin为预设最小专注度；Rmin为被试者对应的最小能量比值；Rmax为被试者对应的最大能量比值；R为当前节律能量的比值。
其中，预设最大专注度amax可以是指专注度归一化后的上限值。预设最小专注度amin可以是指专注度归一化后的下限值。被试者对应的最小能量比值Rmin和最大能量比值Rmax可以对基于预先采集的该被试者脑电信号数据所确定出的多个节律能量的比值进行统计获得的。
S270、基于当前专注度，对当前识别结果进行校正处理，确定目标识别结果。
本实施例的技术方案，通过确定被试者的当前脑电信号中的至少两种脑电波的节律能量值，并基于各种脑电波的节律能量值，确定当前节律能量的比值，并基于当前节律能量的比值，可以准确地确定出被试者的当前专注度，进一步提高后续结果校正的准确性，从而也进一步提高了分类的准确性。
以下是本发明实施例提供的运动想象脑电信号分类装置的实施例，该装置与上述各实施例的运动想象脑电信号分类方法属于同一个发明构思，在运动想象脑电信号分类装置的实施例中未详尽描述的细节内容，可以参考上述运动想象脑电信号分类方法的实施例。
实施例三
图3为本发明实施例三提供的一种运动想象脑电信号分类装置的结构示意图，本实施例可适用于在运动想象期间，对被试者产生的脑电信号进行分类的情况。如图3所示，该装置具体包括：肢体动作画面展示模块310、当前脑电信号采集模块320、当前识别结果确定模块330、当前专注度确定模块340和当前识别结果校正模块350。
其中，肢体动作画面展示模块310，用于向被试者展示肢体动作画面，以刺激被试者专注肢体动作画面进行相应地运动想象；当前脑电信号采集模块320，用于采集被试者在专注当前展示的肢体动作画面时产生的当前脑电信号；当前识别结果确定模块330，用于基于预设学习模型对当前脑电信号进行运动想象分类识别，确定当前识别结果；当前专注度确定模块340，用于基于当前脑电信号确定被试者的当前专注度；当前识别结果校正模块350，用于基于当前专注度，对当前识别结果进行校正处理，确定目标识别结果。
可选地，当前专注度确定模块340，包括：
节律能量值确定单元，用于确定当前脑电信号中的至少两种脑电波的节律能量值；
比值确定单元，用于基于各种脑电波的节律能量值，确定当前节律能量的比值；
当前专注度确定单元，用于基于当前节律能量的比值，确定被试者的当前专注度。
可选地，比值确定单元，具体用于：基于脑电alpha波的节律能量值和脑电beta波的节律能量值，确定当前节律能量的比值；或者，基于脑电alpha波的节律能量值、脑电beta波的节律能量值和脑电theta波的节律能量值，确定当前节律能量的比值；或者，基于alpha波的节律能量值、脑电beta波的节律能量值、脑电theta波的节律能量值和脑电delta波的节律能量值，确定当前节律能量的比值。
可选地，基于如下公式，确定被试者的当前专注度：
其中，a为被试者的当前专注度；amax为预设最大专注度；amin为预设最小专注度；Rmin为被试者对应的最小能量比值；Rmax为被试者对应的最大能量比值；R为当前节律能量的比值。
可选地，当前识别结果校正模块350，包括：
专注度比较单元，用于若当前识别结果为被试者没有进行运动想象，则将当前专注度与预设专注度阈值进行比较；
当前识别结果校正单元，用于基于比较结果对当前识别结果进行校正处理，确定目标识别结果。
可选地，当前识别结果校正单元，具体用于：若当前专注度大于或等于预设专注度阈值，则对当前识别结果进行校正处理，确定目标识别结果为被试者进行了运动想象。
可选地，该装置还包括：
去噪模块，用于在对当前脑电信号进行分类识别，确定当前识别结果之前，基于预设去噪方式，对当前脑电信号进行去噪处理，获取去噪后的当前脑电信号。
本发明实施例所提供的运动想象脑电信号分类装置可执行本发明任意实施例所提供的运动想象脑电信号分类方法，具备执行运动想象脑电信号分类方法相应的功能模块和有益效果。
值得注意的是，上述运动想象脑电信号分类装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例四
图4为本发明实施例四提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图4显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发实施例所提供的一种运动想象脑电信号分类方法步骤，该方法包括：
向被试者展示肢体动作画面，以刺激被试者专注肢体动作画面进行相应地运动想象；
采集被试者在专注当前展示的肢体动作画面时产生的当前脑电信号；
基于预设学习模型对当前脑电信号进行运动想象分类识别，确定当前识别结果；
基于当前脑电信号确定被试者的当前专注度；
基于当前专注度，对当前识别结果进行校正处理，确定目标识别结果。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的脑电信号分类方法的技术方案。
实施例五
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的运动想象脑电信号分类方法步骤，该方法包括：
向被试者展示肢体动作画面，以刺激被试者专注肢体动作画面进行相应地运动想象；
采集被试者在专注当前展示的肢体动作画面时产生的当前脑电信号；
基于预设学习模型对当前脑电信号进行运动想象分类识别，确定当前识别结果；
基于当前脑电信号确定被试者的当前专注度；
基于当前专注度，对当前识别结果进行校正处理，确定目标识别结果。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Matlab、Python、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种运动想象脑电信号分类方法，其特征在于，包括：
向被试者展示肢体动作画面，以刺激所述被试者专注所述肢体动作画面进行相应地运动想象；
采集所述被试者在专注当前展示的所述肢体动作画面时产生的当前脑电信号；
基于预设学习模型对所述当前脑电信号进行运动想象分类识别，确定当前识别结果；
基于所述当前脑电信号确定所述被试者的当前专注度，其中，所述当前专注度是所述被试者对所展示的所述肢体动作画面的专注程度，所述当前专注度用于衡量所述被试者进行运动想象的可能性大小；
若所述当前识别结果为被试者没有进行运动想象，则将所述当前专注度与预设专注度阈值进行比较；
基于比较结果对所述当前识别结果进行校正处理，确定目标识别结果；其中，所述预设专注度阈值是预先设置的，用于表征所述被试者进行运动想象时的最小专注度；
其中，所述基于比较结果对所述当前识别结果进行校正处理，确定目标识别结果，包括：
若所述当前专注度大于或等于所述预设专注度阈值，则对所述当前识别结果进行校正处理，确定目标识别结果为被试者进行了运动想象。
2.根据权利要求1所述的方法，其特征在于，所述基于所述当前脑电信号确定所述被试者的当前专注度，包括：
确定所述当前脑电信号中的至少两种脑电波的节律能量值；
基于各种所述脑电波的节律能量值，确定当前节律能量的比值；
基于所述当前节律能量的比值，确定所述被试者的当前专注度。
3.根据权利要求2所述的方法，其特征在于，所述基于各种所述脑电波的节律能量值，确定当前节律能量的比值，包括：
基于脑电alpha波的节律能量值和脑电beta波的节律能量值，确定当前节律能量的比值；或者，
基于脑电alpha波的节律能量值、脑电beta波的节律能量值和脑电theta波的节律能量值，确定当前节律能量的比值；或者，
基于alpha波的节律能量值、脑电beta波的节律能量值、脑电theta波的节律能量值和脑电delta波的节律能量值，确定当前节律能量的比值。
4.根据权利要求2所述的方法，其特征在于，基于如下公式，确定所述被试者的当前专注度：
其中，a为所述被试者的当前专注度；amax为预设最大专注度；amin为预设最小专注度；Rmin为所述被试者对应的最小能量比值；Rmax为所述被试者对应的最大能量比值；R为所述当前节律能量的比值。
5.根据权利要求1-4任一项所述的方法，其特征在于，在对所述当前脑电信号进行分类识别，确定当前识别结果之前，还包括：
基于预设去噪方式，对所述当前脑电信号进行去噪处理，获取去噪后的脑电信号。
6.一种运动想象脑电信号分类装置，其特征在于，包括：
肢体动作画面展示模块，用于向被试者展示肢体动作画面，以刺激所述被试者专注所述肢体动作画面进行相应地运动想象；
当前脑电信号采集模块，用于采集所述被试者在专注当前展示的所述肢体动作画面时产生的当前脑电信号；
当前识别结果确定模块，用于基于预设学习模型对所述当前脑电信号进行运动想象分类识别，确定当前识别结果；
当前专注度确定模块，用于基于所述当前脑电信号确定所述被试者的当前专注度，其中，所述当前专注度是所述被试者对所展示的所述肢体动作画面的专注程度，所述当前专注度用于衡量所述被试者进行运动想象的可能性大小；
当前识别结果校正模块，包括：
专注度比较单元，用于若当前识别结果为被试者没有进行运动想象，则将当前专注度与预设专注度阈值进行比较；
当前识别结果校正单元，用于基于比较结果对当前识别结果进行校正处理，确定目标识别结果，其中，所述预设专注度阈值是预先设置的，用于表征所述被试者进行运动想象时的最小专注度；
其中，所述基于比较结果对所述当前识别结果进行校正处理，确定目标识别结果，包括：若所述当前专注度大于或等于所述预设专注度阈值，则对所述当前识别结果进行校正处理，确定目标识别结果为被试者进行了运动想象。
7.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的运动想象脑电信号分类方法。
8.一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，该程序被处理器执行时实现如权利要求1-5中任一所述的运动想象脑电信号分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111665569.6A CN114366101B (zh) | 2021-12-31 | 2021-12-31 | 运动想象脑电信号分类方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111665569.6A CN114366101B (zh) | 2021-12-31 | 2021-12-31 | 运动想象脑电信号分类方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114366101A CN114366101A (zh) | 2022-04-19 |
| CN114366101B true CN114366101B (zh) | 2024-05-03 |
Family
ID=81143117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111665569.6A Active CN114366101B (zh) | 2021-12-31 | 2021-12-31 | 运动想象脑电信号分类方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114366101B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104984535A (zh) * | 2015-06-13 | 2015-10-21 | 常州大学 | 一种基于脑波控制的乒乓球发球机的应用系统 |
| CN107981997A (zh) * | 2017-11-23 | 2018-05-04 | 郑州布恩科技有限公司 | 一种基于人脑运动意图的智能轮椅控制方法及系统 |
| CN108245763A (zh) * | 2017-12-28 | 2018-07-06 | 中国科学院宁波材料技术与工程研究所 | 脑机交互康复训练系统和方法 |
| CN108348181A (zh) * | 2015-07-31 | 2018-07-31 | 艾腾媞乌有限责任公司 | 用于监测和提高注意力的方法和系统 |
| CN108887961A (zh) * | 2018-06-20 | 2018-11-27 | 新华网股份有限公司 | 座椅和基于座椅的专注度评测方法 |
| CN109481164A (zh) * | 2018-11-29 | 2019-03-19 | 江苏理工学院 | 一种基于脑电信号的电动轮椅控制系统 |
| CN109907941A (zh) * | 2019-04-02 | 2019-06-21 | 西安交通大学 | 一种基于专注度水平的手腕康复控制装置 |
| CN112869743A (zh) * | 2021-01-15 | 2021-06-01 | 北京理工大学 | 一种考虑认知分心的运动起始意图神经解析方法 |
| CN113080998A (zh) * | 2021-03-16 | 2021-07-09 | 北京交通大学 | 一种基于脑电的专注状态等级评定方法和系统 |
| CN113220120A (zh) * | 2021-04-27 | 2021-08-06 | 武汉理工大学 | 一种融合主客观评估的自适应运动想象脑机接口训练方法 |
| CN113577495A (zh) * | 2021-07-21 | 2021-11-02 | 大连民族大学 | 一种基于bci-vr的儿童多动症辅助治疗系统 |
| KR20210154694A (ko) * | 2020-06-12 | 2021-12-21 | 고려대학교 산학협력단 | 집중 레벨에 따른 뇌 활성도에 기반하여 사용자의 의도를 판단하는 뇌 컴퓨터 인터페이스 장치 및 동작 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8290341B2 (en) * | 2006-05-15 | 2012-10-16 | Nec Corporation | Video playing device, video playing method, and video playing program having automatic video selections based upon user concentration |
| SG192175A1 (en) * | 2011-01-28 | 2013-08-30 | Agency Science Tech & Res | A method and system for detecting attention |
-
2021
- 2021-12-31 CN CN202111665569.6A patent/CN114366101B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104984535A (zh) * | 2015-06-13 | 2015-10-21 | 常州大学 | 一种基于脑波控制的乒乓球发球机的应用系统 |
| CN108348181A (zh) * | 2015-07-31 | 2018-07-31 | 艾腾媞乌有限责任公司 | 用于监测和提高注意力的方法和系统 |
| CN107981997A (zh) * | 2017-11-23 | 2018-05-04 | 郑州布恩科技有限公司 | 一种基于人脑运动意图的智能轮椅控制方法及系统 |
| CN108245763A (zh) * | 2017-12-28 | 2018-07-06 | 中国科学院宁波材料技术与工程研究所 | 脑机交互康复训练系统和方法 |
| CN108887961A (zh) * | 2018-06-20 | 2018-11-27 | 新华网股份有限公司 | 座椅和基于座椅的专注度评测方法 |
| CN109481164A (zh) * | 2018-11-29 | 2019-03-19 | 江苏理工学院 | 一种基于脑电信号的电动轮椅控制系统 |
| CN109907941A (zh) * | 2019-04-02 | 2019-06-21 | 西安交通大学 | 一种基于专注度水平的手腕康复控制装置 |
| KR20210154694A (ko) * | 2020-06-12 | 2021-12-21 | 고려대학교 산학협력단 | 집중 레벨에 따른 뇌 활성도에 기반하여 사용자의 의도를 판단하는 뇌 컴퓨터 인터페이스 장치 및 동작 방법 |
| CN112869743A (zh) * | 2021-01-15 | 2021-06-01 | 北京理工大学 | 一种考虑认知分心的运动起始意图神经解析方法 |
| CN113080998A (zh) * | 2021-03-16 | 2021-07-09 | 北京交通大学 | 一种基于脑电的专注状态等级评定方法和系统 |
| CN113220120A (zh) * | 2021-04-27 | 2021-08-06 | 武汉理工大学 | 一种融合主客观评估的自适应运动想象脑机接口训练方法 |
| CN113577495A (zh) * | 2021-07-21 | 2021-11-02 | 大连民族大学 | 一种基于bci-vr的儿童多动症辅助治疗系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114366101A (zh) | 2022-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107157477B (zh) | 脑电信号特征识别系统及方法 | |
| CN111329474B (zh) | 基于深度学习的脑电身份识别方法、系统及信息更新方法 | |
| CN103019383B (zh) | 一种稳态视觉诱发电位脑—机接口信号识别方法 | |
| US20070060830A1 (en) | Method and system for detecting and classifying facial muscle movements | |
| CN108310759B (zh) | 信息处理方法及相关产品 | |
| Groen et al. | The time course of natural scene perception with reduced attention | |
| US20180279960A1 (en) | Method and apparatus for real-time discriminative ocular artefact removal from eeg signals | |
| CN109770900B (zh) | 基于卷积神经网络的脑机接口指令下发方法、系统、装置 | |
| CN112488002B (zh) | 基于n170的情绪识别方法及识别系统 | |
| Dong et al. | A WPCA-based method for detecting fatigue driving from EEG-based internet of vehicles system | |
| CN111671420B (zh) | 一种从静息态脑电数据中提取特征的方法及终端设备 | |
| Schwarz et al. | Direct comparison of supervised and semi-supervised retraining approaches for co-adaptive BCIs | |
| Peng et al. | Early screening of children with autism spectrum disorder based on electroencephalogram signal feature selection with L1-norm regularization | |
| Tamburro et al. | Is brain dynamics preserved in the EEG after automated artifact removal? A validation of the fingerprint method and the automatic removal of cardiac interference approach based on microstate analysis | |
| CN113208614A (zh) | 脑电降噪的方法及装置、可读存储介质 | |
| CN114366101B (zh) | 运动想象脑电信号分类方法、装置、设备和存储介质 | |
| CN112842363A (zh) | 一种睡眠脑电检测方法及系统 | |
| CN116870360A (zh) | 一种经颅电刺激效果的评估方法 | |
| Hu et al. | Variance entropy: a method for characterizing perceptual awareness of visual stimulus | |
| Wang et al. | A novel model based on a 1D-ResCNN and transfer learning for processing EEG attenuation | |
| CN115670480A (zh) | 一种生物特征分析方法、装置、电子设备及存储介质 | |
| Huang et al. | Automatic artifact removal in EEG using independent component analysis and one-class classification strategy | |
| CN115206489A (zh) | 一种基于神经反馈系统的冥想训练方法、装置及电子设备 | |
| Gao et al. | An adaptive joint CCA-ICA method for ocular artifact removal and its application to emotion classification | |
| CN114795247A (zh) | 脑电信号分析方法、装置、电子设备和存储介质 |
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 |