CN114376524A - 基于语音统计学习的意识评估方法及系统 - Google Patents

基于语音统计学习的意识评估方法及系统 Download PDF

Info

Publication number
CN114376524A
CN114376524A CN202210024314.XA CN202210024314A CN114376524A CN 114376524 A CN114376524 A CN 114376524A CN 202210024314 A CN202210024314 A CN 202210024314A CN 114376524 A CN114376524 A CN 114376524A
Authority
CN
China
Prior art keywords
data
electroencephalogram signal
electroencephalogram
signal data
subject
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.)
Pending
Application number
CN202210024314.XA
Other languages
English (en)
Inventor
罗本燕
丁鼐
徐传
高佳欣
何芳萍
俞杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
First Affiliated Hospital of Zhejiang University School of Medicine
Original Assignee
Zhejiang University ZJU
First Affiliated Hospital of Zhejiang University School of Medicine
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU, First Affiliated Hospital of Zhejiang University School of Medicine filed Critical Zhejiang University ZJU
Priority to CN202210024314.XA priority Critical patent/CN114376524A/zh
Publication of CN114376524A publication Critical patent/CN114376524A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • A61B5/24—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
    • A61B5/38—Acoustic or auditory stimuli
    • 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
    • A61B5/7235—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
    • G06F18/24—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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Neurology (AREA)
  • Psychology (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Hospice & Palliative Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Developmental Disabilities (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Neurosurgery (AREA)
  • Acoustics & Sound (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于语音统计学习的意识评估方法及系统，该方法包含：配置语音刺激材料；向受试者多次播放语音刺激材料；采集每个受试者的脑电信号数据；对脑电信号数据进行预处理；对预处理后的脑电信号数据进行计算得到每个受试者的脑电信号数据的特征数据；从特征数据中识别出具有区分度的区别特征数据；通过多个受试者的区别特征数据及其对应的用户类别对SVM分类器进行训练；获取到未知类别的用户的区别特征数据并输入到训练好的SVM分类器中得到该用户对应的用户类别。本发明的基于语音统计学习的意识评估方法及系统，在语音刺激的同时同步记录高精度脑电数据，通过对脑电数据进行解码分析，实现意识障碍患者统计学习能力的量化。

Description

基于语音统计学习的意识评估方法及系统
技术领域
本发明涉及一种基于语音统计学习的意识评估方法及系统。
背景技术
现有针对意识障碍患者的意识评估方法以行为学量表为主。行为学评估相对主观，评估人员的个人能力影响评估结果。此外，患者脑实质及认知损伤范围的差异，以及潜在的中枢及周围神经系统的损伤，患者觉醒状态的波动，导致意识障碍患者的误诊率高达40％。
近年来，行为学、电生理、神经影像相结合的多模态评估应用于意识评估中，然而多模态评估评估操作复杂，耗时耗力，准确性低，需要探寻客观准确简便的意识评估方法。
发明内容
本发明提供了一种基于语音统计学习的意识评估方法及系统解决上述提到的技术问题，具体采用如下的技术方案：
一种基于语音统计学习的意识评估方法，包含以下步骤：
配置语音刺激材料；
分别向多个受试者按照一定间隔重复播放多次语音刺激材料，其中，多个受试者来自不同的用户类别，用户类别根据受试者的意识状态的不同被划分为第一类型、第二类型和第三类型；
采集每个受试者在接收语音刺激时的脑电信号数据，脑电信号数据包含每个受试者在多个试次下的所有数据；
对脑电信号数据进行预处理；
对预处理后的脑电信号数据进行计算得到每个受试者的脑电信号数据的特征数据；
从特征数据中识别出具有区分度的区别特征数据；
通过多个受试者的区别特征数据及其对应的用户类别对SVM分类器进行训练；
获取到未知类别的用户的区别特征数据并输入到训练好的SVM分类器中得到该用户对应的用户类别。
进一步地，配置语音刺激材料的具体方法为：
设置一组伪词组，伪词组包含多个伪词；
设置播放语速。
进一步地，对脑电信号数据进行预处理的具体方法为：
对脑电信号数据进行高通滤波。
进一步地，在对脑电信号数据进行高通滤波之后，再降低脑电信号数据的采样率。
进一步地，在降低脑电信号数据的采样率之后，再通过最小二乘法对脑电信号数据进行处理去除眼电信号的干扰。
进一步地，在通过最小二乘法对脑电信号数据进行处理后，再将每个受试者对应的脑电信号数据中的每批次的前1秒的数据去除。
进一步地，对预处理后的脑电信号数据进行计算得到每个受试者对应的特征数据的具体方法为：
将每个受试者的脑电信号数据中的每个试次的数据分别进行离散傅里叶变换；
按照下述公式计算每个受试者的脑电信号数据的试次间的相位相关系数：
Figure BDA0003460943310000021
其中，αft指在频率f的离散傅里叶变换的相位，Cf指频率f时的相位相关系数，T为试次的数量。
进一步地，从特征数据中选择区别特征数据的具体方法为：
从计算出的相位相关系数中选择具有区分度的数据作为区别特征数据。
一种基于语音统计学习的意识评估系统，包含：
配置模块，用于配置语音刺激材料；
语音播放模块，用于分别向多个受试者按照一定间隔重复播放多次语音刺激材料，其中，多个受试者来自不同的用户类别，用户类别根据受试者的意识状态的不同被划分为第一类型、第二类型和第三类型；
脑电信号采集模块，用于采集每个受试者在接收语音刺激时的脑电信号数据，脑电信号数据包含每个受试者在多个试次下的所有数据；
信号预处理模块，用于对脑电信号采集模块采集到的脑电信号数据进行预处理；
特征信号计算模块，用于对信号预处理模块预处理后的脑电信号数据进行计算得到每个受试者对应的特征数据；
SVM分类器，用于通过从特征数据中识别出的具有区分度的区别特征数据及其对应的用户类别进行训练；
在SVM分类器训练好后，将未知类别的用户的区别特征数据并输入到训练好的SVM分类器中得到该用户对应的用户类别。
进一步地，通过配置模块配置语音刺激材料的具体方法为：
设置一组伪词组，伪词组包含多个伪词；
设置播放语速。
进一步地，信号预处理模块包含：
高通滤波子模块，用于对脑电信号数据进行高通滤波。
进一步地，信号预处理模块还包含：
数据压缩子模块，用于降低高通滤波子模块滤波后的脑电信号数据的采样率。
进一步地，信号预处理模块还包含：
去干扰子模块，用于对数据压缩子模块处理后的脑电信号数据进行最小二乘法以去除眼电信号的干扰。
进一步地，信号预处理模块还包含：
数据裁剪子模块，用于去除去干扰子模块处理后的每个受试者对应的脑电信号数据中的每批次的前1秒的数据。
进一步地，特征信号计算模块包含：
第一计算子模块，用于将将每个受试者的脑电信号数据中的每个试次的数据分别进行离散傅里叶变换运算；
第二计算子模块，用于根据下述公式计算每个受试者的脑电信号数据的试次间的相位相关系数：
Figure BDA0003460943310000031
其中，αft指在频率f的离散傅里叶变换的相位，Cf指频率f时的相位相关系数，T为试次的数量。
本发明的有益之处在于所提供的基于语音统计学习的意识评估方法及系统，构建富含统计规律的语音，在语音刺激的同时同步记录高精度脑电数据，通过对脑电数据进行解码分析，实现意识障碍患者统计学习能力的量化。并以此作为意识障碍患者意识评估的尺度，实现意识障碍患者统计学习能力与意识水平匹配。
附图说明
图1是本发明的一种基于语音统计学习的意识评估方法的示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
如图1所示为本申请的一种基于语音统计学习的意识评估方法，主要包含以下步骤：S1：配置语音刺激材料。S2：分别向多个受试者按照一定间隔重复播放多次语音刺激材料。S3：采集每个受试者在接收语音刺激时的脑电信号数据。S4：对脑电信号数据进行预处理。S5：对预处理后的脑电信号数据进行计算得到每个受试者的脑电信号数据的特征数据。S6：从特征数据中识别出具有区分度的区别特征数据。S7：通过多个受试者的区别特征数据及其对应的用户类别对SVM分类器进行训练。S8：获取到未知类别的用户的区别特征数据并输入到训练好的SVM分类器中得到该用户对应的用户类别。通过以上步骤，构建富含统计规律的语音，在语音刺激的同时同步记录高精度脑电数据，通过对脑电数据进行解码分析，实现意识障碍患者统计学习能力的量化。以下具体介绍上述步骤。
对于步骤S1：配置语音刺激材料。
配置语音刺激材料的具体方法为：设置一组伪词组，伪词组包含多个伪词。设置播放语速。
可以理解的是，为了提高受试者的反应，选取的语音刺激为伪词。具体的，采用4组伪词“床起”“家回”“饭吃”“走快”，按照1Hz词组(2Hz字)的语速合成语音，每个试次包括11个伪词。
对于步骤S2：分别向多个受试者按照一定间隔重复播放多次语音刺激材料。
具体地，试验一共包括108个试次，每个试次包括11个伪词，随机播放108个试次。
其中，受试者来自不同的用户类别，用户类别根据受试者的意识状态的不同被划分为第一类型、第二类型和第三类型。在本申请中，第一类型、第二类型和第三类型分别指诊断为植物人(VS)最小意识障碍(MCS)和健康受试者(HC)。
对于步骤S3：采集每个受试者在接收语音刺激时的脑电信号数据。
其中，脑电信号数据包含每个受试者在多个试次下的所有数据。
具体而言，给予意识障碍患者及健康受试者语音刺激，在语音刺激的过程中，运用64通道脑电图按照国际10-20系统中标准位置的通道信息收集脑电信号数据。以FCZ为参考电极，眼电电极放置在右侧眼睛下方，设置1000Hz采样率，采集脑电信号数据。
对于步骤S4：对脑电信号数据进行预处理。
在本申请中，脑电信号数据进行预处理的具体方法为：对脑电信号数据进行高通滤波。具体地，对采集的信号进行0.3Hz的高通滤波。
优选的，在对脑电信号数据进行高通滤波之后，再降低脑电信号数据的采样率。在本申请中，将数据采样率从1000Hz降至80Hz。
优选的，在降低脑电信号数据的采样率之后，再通过最小二乘法对脑电信号数据进行处理去除眼电信号的干扰。
优选的，在通过最小二乘法对脑电信号数据进行处理后，再将每个受试者对应的脑电信号数据中的每批次的前1秒的数据去除，以移除大脑的起始反应造成的影响。
对于步骤S5：对预处理后的脑电信号数据进行计算得到每个受试者的脑电信号数据的特征数据。
在本申请中，对预处理后的脑电信号数据进行计算得到每个受试者对应的特征数据的具体方法为：
将每个受试者的脑电信号数据中的特征数据。每个试次的数据分别进行离散傅里叶变换。
再将离散傅里叶变换后得到数据按照下述公式进行计算，得到每个受试者的脑电信号数据的试次间的相位相关系数，即前述的特征数据：
Figure BDA0003460943310000051
其中，αft指在频率f的离散傅里叶变换的相位，Cf指频率f时的相位相关系数，T为试次的数量。在本申请中，对数据的显著性检验采用偏差校正和bootstrap方法。在bootstrap程序中，所有受试者从新采样10000次，每个目标频率上的机会水平相位相干性是0.6-39.5Hz相位相干性的均值。如果目标频率的相位相干性大于从采样数据中N次平均相位相干性，则显著性水平是(N+1)/10001。
对于步骤S6：从特征数据中识别出具有区分度的区别特征数据。
可以理解的是，所得到的特征数据并非都能用于区分意识状态不同的人群。因此，还需要从特征数据中识别挑选出对于不同意识状态的人来说，明显存在差异数据，即区别特征数据。
具体地，若被试者发生统计学习过程，则在1Hz频率及其谐波(2Hz、3Hz、4Hz、5Hz、6Hz...)出现显著神经响应。将1Hz及其谐波的神经响应在HC组、MCS、VS患者中进行组间比较，并与CRS-R量表进行相关性分析，确定能够量化意识水平的神经响应。
对于步骤S7：通过多个受试者的区别特征数据及其对应的用户类别对SVM分类器进行训练。
构建SVM分类器，并通过挑选出的区别特征数据以及对应的用户类别作为训练数据输入到SVM分类器中对其进行训练。
对于步骤S8：获取到未知类别的用户的区别特征数据并输入到训练好的SVM分类器中得到该用户对应的用户类别。
对于一个未知类别的用户，想要识别出其属于哪一类人群，则首先通过前述的方法也获取到这个用户的区别特征数据，再将区别特征数据输入到训练好的SVM分类器中，SVM分类器对输入的数据进行处理后输出该用户的用户类别。
本申请还揭示了一种基于语音统计学习的意识评估系统，用于实现前述的基于语音统计学习的意识评估方法。该基于语音统计学习的意识评估系统包含：配置模块、语音播放模块、语音播放模块、脑电信号采集模块、信号预处理模块、特征信号计算模块和SVM分类器。
具体而言，配置模块用于配置语音刺激材料。语音播放模块用于分别向多个受试者按照一定间隔重复播放多次语音刺激材料，其中，多个受试者来自不同的用户类别，用户类别根据受试者的意识状态的不同被划分为第一类型、第二类型和第三类型。脑电信号采集模块用于采集每个受试者在接收语音刺激时的脑电信号数据，脑电信号数据包含每个受试者在多个试次下的所有数据。信号预处理模块用于对脑电信号采集模块采集到的脑电信号数据进行预处理。特征信号计算模块用于对信号预处理模块预处理后的脑电信号数据进行计算得到每个受试者对应的特征数据。SVM分类器用于通过从特征数据中识别出的具有区分度的区别特征数据及其对应的用户类别进行训练。在SVM分类器训练好后，将未知类别的用户的区别特征数据并输入到训练好的SVM分类器中得到该用户对应的用户类别。
其中，通过配置模块配置语音刺激材料的具体方法为：设置一组伪词组，伪词组包含多个伪词。设置播放语速。
优选的，信号预处理模块包含高通滤波子模块。高通滤波子模块用于对脑电信号数据进行高通滤波。
优选的，信号预处理模块还包含数据压缩子模块。数据压缩子模块用于降低高通滤波子模块滤波后的脑电信号数据的采样率。
优选的，信号预处理模块还包含去干扰子模块。去干扰子模块用于对数据压缩子模块处理后的脑电信号数据进行最小二乘法以去除眼电信号的干扰。
优选的，信号预处理模块还包含数据裁剪子模块。数据裁剪子模块用于去除去干扰子模块处理后的每个受试者对应的脑电信号数据中的每批次的前1秒的数据。
其中，特征信号计算模块包含：第一计算子模块和第二计算子模块。
第一计算子模块用于将将每个受试者的脑电信号数据中的每个试次的数据分别进行离散傅里叶变换运算。
第二计算子模块用于根据下述公式计算每个受试者的脑电信号数据的试次间的相位相关系数：
Figure BDA0003460943310000061
其中，αft指在频率f的离散傅里叶变换的相位，Cf指频率f时的相位相关系数，T为试次的数量。
其中，各模块的更为具体的执行方式参考前述的基于语音统计学习的意识评估方法中的对应的部分，此处不在赘述。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (10)

1.一种基于语音统计学习的意识评估方法，其特征在于，包含以下步骤：
配置语音刺激材料；
分别向多个受试者按照一定间隔重复播放多次所述语音刺激材料，其中，多个受试者来自不同的用户类别，所述用户类别根据受试者的意识状态的不同被划分为第一类型、第二类型和第三类型；
采集每个受试者在接收语音刺激时的脑电信号数据，所述脑电信号数据包含每个受试者在多个试次下的所有数据；
对所述脑电信号数据进行预处理；
对预处理后的所述脑电信号数据进行计算得到每个受试者的脑电信号数据的特征数据；
从所述特征数据中识别出具有区分度的区别特征数据；
通过多个受试者的区别特征数据及其对应的用户类别对SVM分类器进行训练；
获取到未知类别的用户的区别特征数据并输入到训练好的所述SVM分类器中得到该用户对应的用户类别。
2.根据权利要求1所述的基于语音统计学习的意识评估方法，其特征在于，
所述配置语音刺激材料的具体方法为：
设置一组伪词组，所述伪词组包含多个伪词；
设置播放语速。
3.根据权利要求1所述的基于语音统计学习的意识评估方法，其特征在于，
所述对所述脑电信号数据进行预处理的具体方法为：
对所述脑电信号数据进行高通滤波。
4.根据权利要求3所述的基于语音统计学习的意识评估方法，其特征在于，
在对所述脑电信号数据进行高通滤波之后，再降低所述脑电信号数据的采样率。
5.根据权利要求4所述的基于语音统计学习的意识评估方法，其特征在于，
在降低所述脑电信号数据的采样率之后，再通过最小二乘法对所述脑电信号数据进行处理去除眼电信号的干扰。
6.根据权利要求5所述的基于语音统计学习的意识评估方法，其特征在于，
在通过最小二乘法对所述脑电信号数据进行处理后，再将每个受试者对应的脑电信号数据中的每批次的前1秒的数据去除。
7.根据权利要求1所述的基于语音统计学习的意识评估方法，其特征在于，
所述对预处理后的所述脑电信号数据进行计算得到每个受试者对应的特征数据的具体方法为：
将每个受试者的脑电信号数据中的每个试次的数据分别进行离散傅里叶变换；
按照下述公式计算每个受试者的脑电信号数据的试次间的相位相关系数：
Figure FDA0003460943300000021
其中，αft指在频率f的离散傅里叶变换的相位，Cf指频率f时的相位相关系数，T为试次的数量。
8.根据权利要求7所述的基于语音统计学习的意识评估方法，其特征在于，
从所述特征数据中选择区别特征数据的具体方法为：
从计算出的所述相位相关系数中选择具有区分度的数据作为区别特征数据。
9.一种基于语音统计学习的意识评估系统，其特征在于，包含：
配置模块，用于配置语音刺激材料；
语音播放模块，用于分别向多个受试者按照一定间隔重复播放多次所述语音刺激材料，其中，多个受试者来自不同的用户类别，所述用户类别根据受试者的意识状态的不同被划分为第一类型、第二类型和第三类型；
脑电信号采集模块，用于采集每个受试者在接收语音刺激时的脑电信号数据，所述脑电信号数据包含每个受试者在多个试次下的所有数据；
信号预处理模块，用于对所述脑电信号采集模块采集到的所述脑电信号数据进行预处理；
特征信号计算模块，用于对所述信号预处理模块预处理后的所述脑电信号数据进行计算得到每个受试者对应的特征数据；
SVM分类器，用于通过从所述特征数据中识别出的具有区分度的区别特征数据及其对应的用户类别进行训练；
在所述SVM分类器训练好后，将未知类别的用户的区别特征数据并输入到训练好的所述SVM分类器中得到该用户对应的用户类别。
10.根据权利要求9所述的基于语音统计学习的意识评估系统，其特征在于，
所述信号预处理模块包含：
高通滤波子模块，用于对所述脑电信号数据进行高通滤波。
CN202210024314.XA 2022-01-07 2022-01-07 基于语音统计学习的意识评估方法及系统 Pending CN114376524A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210024314.XA CN114376524A (zh) 2022-01-07 2022-01-07 基于语音统计学习的意识评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210024314.XA CN114376524A (zh) 2022-01-07 2022-01-07 基于语音统计学习的意识评估方法及系统

Publications (1)

Publication Number Publication Date
CN114376524A true CN114376524A (zh) 2022-04-22

Family

ID=81199019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210024314.XA Pending CN114376524A (zh) 2022-01-07 2022-01-07 基于语音统计学习的意识评估方法及系统

Country Status (1)

Country Link
CN (1) CN114376524A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116269447A (zh) * 2023-05-17 2023-06-23 之江实验室 一种基于语音调制和脑电信号的言语认知评估系统
CN116421187A (zh) * 2023-03-30 2023-07-14 之江实验室 一种基于言语层级序列的注意力缺陷多动障碍的分析系统
CN117838147A (zh) * 2023-12-19 2024-04-09 天津大学 一种基于chirp信号的意识状态检测方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116421187A (zh) * 2023-03-30 2023-07-14 之江实验室 一种基于言语层级序列的注意力缺陷多动障碍的分析系统
CN116421187B (zh) * 2023-03-30 2023-10-13 之江实验室 一种基于言语层级序列的注意力缺陷多动障碍的分析系统
CN116269447A (zh) * 2023-05-17 2023-06-23 之江实验室 一种基于语音调制和脑电信号的言语认知评估系统
CN116269447B (zh) * 2023-05-17 2023-08-29 之江实验室 一种基于语音调制和脑电信号的言语认知评估系统
CN117838147A (zh) * 2023-12-19 2024-04-09 天津大学 一种基于chirp信号的意识状态检测方法及系统

Similar Documents

Publication Publication Date Title
Khatun et al. A single-channel EEG-based approach to detect mild cognitive impairment via speech-evoked brain responses
CN114376524A (zh) 基于语音统计学习的意识评估方法及系统
Rakotomamonjy et al. Ensemble of SVMs for improving brain computer interface P300 speller performances
US9149719B2 (en) Device and method for generating a representation of a subject's attention level
WO2015111331A1 (ja) 認知機能評価装置、方法、システム及びプログラム
CN111091074A (zh) 最优区域共空间模式的运动想象脑电信号分类方法
Chen et al. Scalp EEG-based pain detection using convolutional neural network
Salvaris et al. Wavelets and ensemble of FLDs for P300 classification
CN115359909A (zh) 一种基于注意力机制的癫痫发作检测系统
CN112884063A (zh) 基于多元时空卷积神经网络的p300信号检测识别方法
Kaur et al. Using virtual reality to examine the neural and physiological anxiety-related responses to balance-demanding target-reaching leaning tasks
CN115188448A (zh) 一种基于脑电波的中医医生诊疗经验记录方法
CN111671445A (zh) 一种意识障碍程度分析方法
Hurtado-Rincon et al. Motor imagery classification using feature relevance analysis: An Emotiv-based BCI system
Huang et al. Deep neural network with attention mechanism for classification of motor imagery EEG
Combaz et al. Feature extraction and classification of EEG signals for rapid P300 mind spelling
Dai et al. Electrode channel selection based on backtracking search optimization in motor imagery brain–computer interfaces
Coyle et al. Extracting features for a brain-computer interface by self-organising fuzzy neural network-based time series prediction
Alom et al. Classification for the P300-based brain computer interface (BCI)
CN111671421A (zh) 一种基于脑电图的儿童需求感知方法
CN112861629B (zh) 一种多窗口判别典型模式匹配方法及脑-机接口应用
Kha et al. Brainwave-controlled applications with the Emotiv EPOC using support vector machine
Vařeka et al. Guess the number-applying a simple brain-computer interface to school-age children
Zakrzewski et al. VR-oriented EEG signal classification of motor imagery tasks
Rostami et al. Evidential multi-band common spatial pattern in brain computer interface

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