CN114391854A - 基于偏侧化指数的脑电信号处理装置、方法及介质 - Google Patents

基于偏侧化指数的脑电信号处理装置、方法及介质 Download PDF

Info

Publication number
CN114391854A
CN114391854A CN202210142605.9A CN202210142605A CN114391854A CN 114391854 A CN114391854 A CN 114391854A CN 202210142605 A CN202210142605 A CN 202210142605A CN 114391854 A CN114391854 A CN 114391854A
Authority
CN
China
Prior art keywords
channels
lateralization
index
determining
attention deficit
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
CN202210142605.9A
Other languages
English (en)
Inventor
张善廷
王晓岸
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.)
Beijing Brain Up Technology Co ltd
Original Assignee
Beijing Brain Up Technology Co ltd
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 Beijing Brain Up Technology Co ltd filed Critical Beijing Brain Up Technology Co ltd
Priority to CN202210142605.9A priority Critical patent/CN114391854A/zh
Publication of CN114391854A publication Critical patent/CN114391854A/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
    • A61B5/24—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
    • A61B5/16—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
    • A61B5/16—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
    • A61B5/72—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/06—Children, e.g. for attention deficit diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • 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

Landscapes

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

Abstract

本申请公开了一种基于偏侧化指数的脑电信号处理装置、方法、终端及介质。其中方法包括：脑电信号获取模块、频域信号转换模块、量化指标确定模块、偏侧矩阵确定模块、偏侧图谱生成模块以及用户类型确定模块。本申请通过偏侧化指数矩阵来对用户的不同脑区的不对称度进行量化的方式，不仅起到了将用户不同脑区功能状态进行数字化的效果，使转换得到的图谱全保留脑区的不对称特征，提供全面反映不同脑区的功能现状的直观图，利用图像识别技术达到对用户类型快速筛查目的。

Description

基于偏侧化指数的脑电信号处理装置、方法及介质
技术领域
本申请涉及脑机接口数据的处理技术领域，具体而言，本申请涉及一种基于偏侧化指数的脑电信号处理装置、方法及介质。
背景技术
注意缺陷多动障碍(Attention deficit and hyperactivity disorder，ADHD)是一种儿童时期常见的一类心理障碍，表现为与年龄和发育水平不相称的注意力不集中，注意的时间短暂，活动过度冲动，常伴有学习障碍，品行障碍和适应不良等问题。目前对注意缺陷多动障碍的用户类型的确定方式为：一、依赖父母、医护人员等人工方式进行诊断，这种方式存在精确度低，易受主观因素影响且无法早发现的问题；二、通过电信号的匹配方式来进行辅助，但这种方式要求前期采集海量数据，因而存在采集成本高的技术问题，且还存在辅助识别失败的问题。
发明内容
本申请提供了一种基于偏侧化指数的脑电信号处理装置、方法、电子设备及计算机可读存储介质，可以解决上述问题。所述技术方案如下：
第一方面，提供了一种基于偏侧化指数的脑电信号处理装置，该装置包括：
脑电信号获取模块，用于获取针对被测用户的待识别的多个通道各自对应的脑电信号；
频域信号转换模块，用于对多个通道各自对应的脑电信号进行频域转换，得到多个通道各自对应的功率能量谱；
量化指标确定模块，用于根据多个通道各自对应的功率能量谱，确定多个通道各自对应的注意缺陷多动障碍ADHD量化指标；
偏侧化指数确定模块，用于对多个通道各自对应的注意缺陷多动障碍ADHD量化指标进行偏侧化计算，得到针对多个通道的偏侧化指数矩阵；
偏侧图谱生成模块，用于基于偏侧化指数矩阵，确定多通道偏侧指数图谱；
用户类型确定模块，用于依据所述多通道偏侧指数图谱，确定所述被测用户对应的用户类型。
根据本申请的第一方面，量化指标确定模块包括：
比值计算子模块，用于基于多个通道各自对应的功率能量谱，对多个通道各自对应的针对预设的第一频带的功率谱能量值与针对预设的第二频带的功率谱能量值进行比值计算，得到多个通道各自对应的注意缺陷多动障碍ADHD量化指标。
根据本申请的第一方面，偏侧矩阵确定模块包括：
差值计算子模块，用于计算任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的差值；
和统计子模块，用于计算该任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的和；
指数确定子模块，用于对该任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的差值，与该任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的和，进行比值计算，得到该任两个通道对应的偏侧化指数。
根据本申请的第一方面，偏侧图谱生成模块包括：
像素确定子模块，用于基于预构建的偏侧化指数与图像像素的对应关系，确定多个通道各自对应的偏侧化指数的图像像素；
图谱转换子模块，用于依据多个通道各自对应的偏侧化指数的图像像素，生成针对偏侧化指数矩阵的多通道偏侧化指数图谱。
根据本申请的第一方面，用户类型确定模块包括：
数据导入子模块，用于将多通道偏侧指数图谱输入至预构建的针对注意缺陷多动障碍ADHD的分类器；
结果确定子模块，用于依据分类器的输出结果，确定对被测用户的注意缺陷多动障碍ADHD的识别结果。
根据本申请的第一方面，该装置还包括：
个人信息确定模块，用于确定被测用户的个人信息；
云端数据查询模块，用于将个人信息和对被测用户的注意缺陷多动障碍ADHD的识别结果发送至服务器；
指导信息获取模块，用于获取来自服务器对的反馈信息，以依据反馈信息对被测用户进行干预。
第二方面，提供了一种基于偏侧化指数的脑电信号处理方法，该方法包括：
获取针对被测用户的待识别的多个通道各自对应的脑电信号；
对多个通道各自对应的脑电信号进行频域转换，得到多个通道各自对应的功率能量谱；
根据多个通道各自对应的功率能量谱，确定多个通道各自对应的注意缺陷多动障碍ADHD量化指标；
对多个通道各自对应的注意缺陷多动障碍ADHD量化指标进行偏侧化计算，得到针对多个通道的偏侧化指数矩阵；
基于偏侧化指数矩阵，确定多通道偏侧指数图谱；
依据所述多通道偏侧指数图谱，确定所述被测用户对应的用户类型。
根据本申请的第二方面，根据多个通道各自对应的功率能量谱，确定多个通道各自对应的注意缺陷多动障碍ADHD量化指标的步骤，包括：
基于多个通道各自对应的功率能量谱，对多个通道各自对应的针对预设的第一频带的功率谱能量值与针对预设的第二频带的功率谱能量值进行比值计算，得到多个通道各自对应的注意缺陷多动障碍ADHD量化指标。
根据本申请的第二方面，对多个通道各自对应的注意缺陷多动障碍ADHD量化指标进行偏侧化指数计算，得到针对多个通道的偏侧化指数矩阵的步骤，包括：
计算任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的差值；
计算该任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的和；
对该任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的差值，与该任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的和，进行比值计算，得到该任两个通道对应的偏侧化指数。
根据本申请的第二方面，基于偏侧化指数矩阵，确定多通道偏侧指数图谱的步骤，包括：
基于预构建的偏侧化指数与图像像素的对应关系，确定多个通道各自对应的偏侧化指数的图像像素；
依据多个通道各自对应的偏侧化指数的图像像素，生成针对偏侧化指数矩阵的多通道偏侧化指数图谱。
根据本申请的第二方面，依据多通道偏侧指数图谱，确定对被测用户的注意缺陷多动障碍ADHD的识别结果的步骤，包括：
将多通道偏侧指数图谱输入至预构建的针对注意缺陷多动障碍ADHD的分类器；
依据分类器的输出结果，确定被测用户对应的用户类型。
根据本申请的第二方面，该方法还包括：
确定所述被测用户的个人信息；
将个人信息和被测用户对应的用户类型发送至服务器；
获取来自服务器对的反馈信息，以依据反馈信息对被测用户进行干预。
第三方面，提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行上述基于偏侧化指数的脑电信号处理方法。
第四方面，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上述基于偏侧化指数的脑电信号处理方法。
本申请实施例提供的技术方案带来的有益效果是：通过获取针对被测用户的待识别的多个通道各自对应的脑电信号，对多个通道各自对应的脑电信号进行频域转换，得到多个通道各自对应的功率能量谱，以根据多个通道各自对应的功率能量谱，确定多个通道各自对应的注意缺陷多动障碍ADHD量化指标，从而对多个通道各自对应的注意缺陷多动障碍ADHD量化指标进行偏侧化计算，得到针对多个通道的偏侧化指数矩阵，基于偏侧化指数矩阵，确定多通道偏侧指数图谱，从而对多通道偏侧指数图谱识别，得到被测用户对应的用户类型，这种通过偏侧化指数矩阵来对用户的不同脑区的不对称度进行量化的方式，不仅起到了将用户不同脑区功能状态进行数字化的效果，使转换得到的图谱全保留脑区的不对称特征，提供全面反映不同脑区的功能现状的直观图，利用图像识别技术达到对用户类型进行快速筛查目的。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种基于偏侧化指数的脑电信号处理装置的结构示意图；
图2为本申请实施例提供的一种基于偏侧化指数的脑电信号处理装置提供的偏侧化指数矩阵一个实施例的示意图；
图3为本申请实施例提供的一种基于偏侧化指数的脑电信号处理装置提供的对偏侧化指数矩的转换依据示意图；
图4为本申请实施例提供的一种基于偏侧化指数的脑电信号处理方法的流程示意图。
具体实施方式
下面详细描述本申请的实施例，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，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
本申请的又一实施例提供了一种基于偏侧化指数的脑电信号处理装置，如图1所示，该装置40包括：脑电信号获取模块401、频域信号转换模块402、量化指标确定模块403、偏侧矩阵确定模块404、偏侧图谱生成模块405以及用户类型确定模块406。
脑电信号获取模块401，用于获取针对被测用户的待识别的多个通道各自对应的脑电信号。
具体地，注意缺陷多动障碍ADHD的识别装置确定针对被测用户的待识别的多个通道各自对应的脑电信号。应用时，电子设备可以为与具有多通道的脑机接口BCI设备连接的PC机、服务器等，以获取来自该脑机接口BCI设备的多通道信号。
频域信号转换模块402，用于对多个通道各自对应的脑电信号进行频域转换，得到多个通道各自对应的功率能量谱。
应用时，频域信号转换模块可以对多个通道各自对应的脑电信号进行傅里叶变换，从而得到各个通道各自在频域上特征。
具体地，频域信号转换模块在对多个通道各自对应的脑电信号进行频域转换之前，还可以对多个通道各自对应的脑电信号进行预处理，其中，预处理包括滤波、去燥等。应用时，可以通过预设的高通滤波器和低通滤波器进行过滤，以得到符合预定频带(如0.5Hz-45Hz)的脑电信号。
量化指标确定模块403，用于根据多个通道各自对应的功率能量谱，确定多个通道各自对应的注意缺陷多动障碍ADHD量化指标。
在本申请实施例中，注意缺陷多动障碍ADHD量化指标用于表征对功率能量谱进行统计分析得到的能量谱的特征，如A频带的能量值的比值、两个频带的能量值的差值等。
偏侧矩阵确定模块404，用于对多个通道各自对应的注意缺陷多动障碍ADHD量化指标进行偏侧化计算，得到针对多个通道的偏侧化指数矩阵。
在本申请实施例中，偏侧化指数用于表征脑区的不对称程度。
具体地，各个通道采用国际脑电图学会建议采用的标准电极安放法，即FP为额极，Z代表中线电极，FZ为额，CZ为中央点，PZ为顶点，O为枕点，T为颞点，A为耳垂电极等。应用时，在国际脑电图学会建议采用的标准电极安放法中，对任两个电极采集到的脑电信号执行步骤S101至步骤S04，从而得到偏侧化指数矩阵。例如，若用于采集脑电信号的脑机接口BCI为32通道设备，那么电子设备确定出32个通道的脑电信号，按照该步骤得到的偏侧化指数矩阵的规格为32*32。
偏侧图谱生成模块405，用于基于偏侧化指数矩阵，确定多通道偏侧指数图谱。
具体地，偏侧图谱生成模块生成的多通道偏侧指数图谱可以为RGB图像、HIS图像、二值化图像等。应用时，若多通道偏侧指数图谱为RGB图像，则通过为不同的偏侧化指数确定对应的RGB像素值，将偏侧化指数矩阵转换为相应的图谱。
用户类型确定模块406，用于依据多通道偏侧指数图谱，确定被测用户对应的用户类型。
具体地，用户类型确定模块可以通过预构建的支持向量机SVM，来作为对多通道偏侧指数图谱进行识别的分类器。应用前，可以业务需求来都支持向量机SVM进行训练。
具体地，用户类型确定模块输出的用户类型可以包括健康提示结果和具有患注意缺陷多动障碍ADHD的高度可能的提示结果，即本申请实施例提供的能够表征用户是否患有注意缺陷多动障碍ADHD的是二分类的识别结果；或用户类型可以包括四种结果：健康、轻度症状、中度症状和重度症状，即本申请实施例提供的方法提供的是四分类的能够表征用户是否患有注意缺陷多动障碍ADHD或者患有注意缺陷多动障碍ADHD的严重程度的分类结果。
本申请实施例通过获取针对被测用户的待识别的多个通道各自对应的脑电信号，对多个通道各自对应的脑电信号进行频域转换，得到多个通道各自对应的功率能量谱，以根据多个通道各自对应的功率能量谱，确定多个通道各自对应的注意缺陷多动障碍ADHD量化指标，从而对多个通道各自对应的注意缺陷多动障碍ADHD量化指标进行偏侧化计算，得到针对多个通道的偏侧化指数矩阵，基于偏侧化指数矩阵，确定多通道偏侧指数图谱，从而对多通道偏侧指数图谱识别，得到被测用户对应的用户类型，这种通过偏侧化指数矩阵来对用户的不同脑区的不对称度进行量化的方式，不仅起到了将用户不同脑区功能状态进行数字化的效果，使转换得到的图谱全保留脑区的不对称特征，提供全面反映不同脑区的功能现状的直观图，利用图像识别技术达到对用户类型快速筛查目的。
进一步地，量化指标确定模块包括：
比值计算子模块，用于基于多个通道各自对应的功率能量谱，对多个通道各自对应的针对预设的第一频带的功率谱能量值与针对预设的第二频带的功率谱能量值进行比值计算，得到多个通道各自对应的注意缺陷多动障碍ADHD量化指标。
由于存在注意缺陷多动障碍ADHD的儿童的θ波活动较多，而β波活动较弱。因此，可以将第一频带设置为θ波对应的频带，将第二频带设置为β波对应的频带，即通过计算θ波的功率谱能量值与β波的功率谱能量值的比值来，作为注意缺陷多动障碍ADHD量化指标。应用时，按照步骤S1031和步骤S1032计算任两个通道的注意缺陷多动障碍ADHD量化指标，从而得到注意缺陷多动障碍ADHD量化指标矩阵，完成脑电特征的提取，为后续的不对称度计算提供数据依据。
进一步地，偏侧矩阵确定模块包括：
差值计算子模块，用于计算任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的差值；
和统计子模块，用于计算该任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的和；
指数确定子模块，用于对该任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的差值，与该任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的和，进行比值计算，得到该任两个通道对应的偏侧化指数。
应用时，偏侧化指数的计算公式如下：
Figure BDA0003507643990000071
其中,ch1、ch2分别表示通道1、通道2，RPch1表示通道1的注意缺陷多动障碍ADHD量化指标，RPch2表示通道2的注意缺陷多动障碍ADHD量化指标，A(ch1,ch2)表示通道1与通道2的偏侧化指数。
本申请实施例提供的偏侧化指数通过对两个通道的注意缺陷多动障碍ADHD量化指标的差值计算，实现了对两个通道信号间微小差异进行分析的目的，相比较直接计算注意缺陷多动障碍ADHD量化指标与两个通道的注意缺陷多动障碍ADHD量化指标之和的比值，来确定偏侧化指数的方式，本申请实施例提供的方法，起到了通过对不同通道间信号的微小变化进行分析，提高对不同脑区是否对称的分析精度的目的。
进一步地，偏侧图谱生成模块包括：
像素确定子模块，用于基于预构建的偏侧化指数与图像像素的对应关系，确定多个通道各自对应的偏侧化指数的图像像素；
图谱转换子模块，用于依据多个通道各自对应的偏侧化指数的图像像素，生成针对偏侧化指数矩阵的多通道偏侧化指数图谱。
具体地，可以先将偏侧化指数矩阵标参照图2所示的网格图进行表示，通过偏侧矩阵确定模块来计算网格图中各个网格的数值，即偏侧化指数。偏侧化指数与图像像素的对应关系则可以采用图3所示的色彩条状图进行表示，因此，通过图3为将偏侧化指数矩阵提供转换图谱的依据。接着在该对应关系表中进行查询，可以按照网格图中各个网格的偏侧化指数所对应的图像像素进行着色处理，得到图3所示的多通道偏侧化指数图谱，这样就完成了偏侧化指数矩阵至图谱的转换，以将该图谱作为对注意缺陷多动障碍ADHD进行识别的输入。
进一步地，用户类型确定模块包括：
数据导入子模块，用于将多通道偏侧指数图谱输入至预构建的针对注意缺陷多动障碍ADHD的分类器；
结果确定子模块，用于依据分类器的输出结果，确定被测用户对应的用户类型。
具体地，结果确定子模块的分类器的输出结果可以采用数值“0”和“1”进行表示，分别表示患病或者未患病。应用时，该分类器可以采用二分类的支持向量机，也可以采用四分类的支持向量机，具体可以根据业务需求来对支持向量机进行训练，以满足不同筛查精度的需求。
具体地，若分类器为四分类器的支持向量机，那么该分类器可以由级联的一对多模式的OVR-SVM和一对一模式的OVO-SVM组成。这样通过OVR-SVM的输出结果为患病的情形下，利用OVO-SVM进行患病程度的分类。例如，OVR-SVM和OVO-SVM的应用可以参照表1。
表1
Figure BDA0003507643990000091
应用时，若OVR-SVM的输出为{+1,+1,-1,-1}，那么采用OVO-SVM中用于区分分类1和分类2的二分类器，最终得到输出结果为分类1或分类2；若OVR-SVM的输出为{+1,+1,+1,-1}，那么采用OVO-SVM中用于区分分类1和分类2的二分类器、用于区分分类1和分类3的二分类器、以及用于区分分类2和分类3的二分类器，最后进行投票，得到最终的输出结果。
进一步地，该装置还包括：
个人信息确定模块，用于确定被测用户的个人信息；
云端数据查询模块，用于将个人信息和被测用户对应的用户类型发送至服务器；
指导信息获取模块，用于获取来自服务器对的反馈信息，以依据反馈信息对被测用户进行干预。
具体地，个人信息可以包括年龄、性别、生活习惯等。
具体地，反馈信息可以包括治疗方案、训练方案等。
本申请实施例通过个人信息确定模块、云端数据查询模块和指导信息获取模块的设置，使得患者无需出门即可得到专业指导，既无需用户经常性医院就医，又起到了保护患者及其家人隐私的问题。
本申请实施例提供了一种基于偏侧化指数的脑电信号处理方法，如图4所示，该方法包括：步骤S101至步骤S106。
步骤S101、确定针对被测用户的待识别的多个通道各自对应的脑电信号。
具体地，电子设备确定针对被测用户的待识别的多个通道各自对应的脑电信号。应用时，电子设备可以为与具有多通道的脑机接口BCI设备连接的PC机、服务器等，以获取来自该脑机接口BCI设备的多通道信号。
步骤S102、对多个通道各自对应的脑电信号进行频域转换，得到多个通道各自对应的功率能量谱。
应用时，可以对多个通道各自对应的脑电信号进行傅里叶变换，从而得到各个通道各自在频域上特征。
具体地，在对多个通道各自对应的脑电信号进行频域转换之前，还可以对多个通道各自对应的脑电信号进行预处理，其中，预处理包括滤波、去燥等。应用时，可以通过预设的高通滤波器和低通滤波器进行过滤，以得到符合预定频带(如0.5Hz-45Hz)的脑电信号。
步骤S103、根据多个通道各自对应的功率能量谱，确定多个通道各自对应的注意缺陷多动障碍ADHD量化指标。
在本申请实施例中，注意缺陷多动障碍ADHD量化指标用于表征对功率能量谱进行统计分析得到的能量谱的特征，如A频带的能量值的比值、两个频带的能量值的差值等。
步骤S104、对多个通道各自对应的注意缺陷多动障碍ADHD量化指标进行偏侧化计算，得到针对多个通道的偏侧化指数矩阵。
在本申请实施例中，偏侧化指数用于表征脑区的不对称程度。
具体地，各个通道采用国际脑电图学会建议采用的标准电极安放法，即FP为额极，Z代表中线电极，FZ为额，CZ为中央点，PZ为顶点，O为枕点，T为颞点，A为耳垂电极等。应用时，在国际脑电图学会建议采用的标准电极安放法中，对任两个电极采集到的脑电信号执行步骤S101至步骤S04，从而得到偏侧化指数矩阵。例如，若用于采集脑电信号的脑机接口BCI为32通道设备，那么电子设备确定出32个通道的脑电信号，按照该步骤得到的偏侧化指数矩阵的规格为32*32。
步骤S105、基于偏侧化指数矩阵，确定多通道偏侧指数图谱。
具体地，多通道偏侧指数图谱可以为RGB图像、HIS图像、二值化图像等。应用时，若多通道偏侧指数图谱为RGB图像，则通过为不同的偏侧化指数确定对应的RGB像素值，将偏侧化指数矩阵转换为相应的图谱。
步骤S106、依据多通道偏侧指数图谱，确定被测用户对应的用户类型。
具体地，可以通过预构建的支持向量机SVM来，作为对通道到偏侧指数图谱进行识别的分类器。应用前，可以业务需求来都支持向量机SVM进行训练。
具体地，注意缺陷多动障碍ADHD的识别结果可以包括健康提示结果和具有患注意缺陷多动障碍ADHD的高度可能的提示结果，即本申请实施例提供的是二分类的识别结果；或注意缺陷多动障碍ADHD的识别结果可以包括四种结果：健康、轻度症状、中度症状和重度症状，即本申请实施例提供的方法提供的是四分类的识别结果。
本申请实施例通过获取针对被测用户的待识别的多个通道各自对应的脑电信号，对多个通道各自对应的脑电信号进行频域转换，得到多个通道各自对应的功率能量谱，以根据多个通道各自对应的功率能量谱，确定多个通道各自对应的注意缺陷多动障碍ADHD量化指标，从而对多个通道各自对应的注意缺陷多动障碍ADHD量化指标进行偏侧化计算，得到针对多个通道的偏侧化指数矩阵，基于偏侧化指数矩阵，确定多通道偏侧指数图谱，从而对多通道偏侧指数图谱识别，得到被测用户对应的用户类型，这种通过偏侧化指数矩阵来对用户的不同脑区的不对称度进行量化的方式，不仅起到了将用户不同脑区功能状态进行数字化的效果，使转换得到的图谱全保留脑区的不对称特征，提供全面反映不同脑区的功能现状的直观图，利用图像识别技术达到对用户类型的快速筛查目的。
在一些实现方式中，步骤S103进一步包括：
步骤S1031(图中未示出)、基于多个通道各自对应的功率能量谱，确定多个通道各自对应的针对预设的第一频带的功率谱能量值与针对预设的第二频带的功率谱能量值的比值；
步骤S1032(图中未示出)、将多个通道各自对应的针对预设的第一频带的功率谱能量值与针对预设的第二频带的功率谱能量值的比值，确定为多个通道各自对应的注意缺陷多动障碍ADHD量化指标。
由于存在注意缺陷多动障碍ADHD的儿童的θ波活动较多，而β波活动较弱。因此，可以将第一频带设置为θ波对应的频带，将第二频带设置为β波对应的频带，即通过计算θ波的功率谱能量值与β波的功率谱能量值的比值来，作为注意缺陷多动障碍ADHD量化指标。应用时，按照步骤S1031和步骤S1032计算任两个通道的注意缺陷多动障碍ADHD量化指标，从而得到注意缺陷多动障碍ADHD量化指标矩阵，完成脑电特征的提取，为后续的不对称度计算提供数据依据。
在一些实现方式中，步骤S104进一步包括：步骤S1041至步骤S1043(图中未示出)。
步骤S1041、计算任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的差值；
步骤S1042、计算该任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的和；
步骤S1043、对该任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的差值，与该任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的和，进行比值计算，得到该任两个通道对应的偏侧化指数。
应用时，偏侧化指数的计算公式如下：
Figure BDA0003507643990000111
其中,ch1、ch2分别表示通道1、通道2，RPch1表示通道1的注意缺陷多动障碍ADHD量化指标，RPch2表示通道2的注意缺陷多动障碍ADHD量化指标，A(ch1,ch2)表示通道1与通道2的偏侧化指数。
本申请实施例提供的偏侧化指数通过对两个通道的注意缺陷多动障碍ADHD量化指标的差值计算，实现了对两个通道信号间微小差异进行分析的目的，相比较直接计算注意缺陷多动障碍ADHD量化指标与两个通道的注意缺陷多动障碍ADHD量化指标之和的比值，来确定偏侧化指数的方式，本申请实施例提供的方法，起到了通过对不同通道间信号的微小变化进行分析，提高对不同脑区是否对称的分析精度的目的。
在一些实现方式中，步骤S105进一步包括：
基于预构建的偏侧化指数与图像像素的对应关系，确定多个通道各自对应的偏侧化指数的图像像素；
依据多个通道各自对应的偏侧化指数的图像像素对偏侧化指数矩阵进行转换，得到多通道偏侧化指数图谱。
具体地，可以先将偏侧化指数矩阵标参照图2所示的网格图进行表示，通过执行步骤S1041至步骤S1043，来计算网格图中各个网格的数值，即偏侧化指数。偏侧化指数与图像像素的对应关系则可以采用图3所示的色彩条状图进行表示，因此，通过图3为将偏侧化指数矩阵提供转换图谱的依据。接着在该对应关系表中进行查询，可以按照网格图中各个网格的偏侧化指数所对应的图像像素进行着色处理，得到图3所示的多通道偏侧化指数图谱，这样就完成了偏侧化指数矩阵至图谱的转换，以将该图谱作为对注意缺陷多动障碍ADHD进行识别的输入。
在一些实现方式中，如图1所示，步骤S106进一步包括：
步骤S1061(图中未示出)、将多通道偏侧指数图谱输入至预构建的针对注意缺陷多动障碍ADHD的分类器；
步骤S1062(图中未示出)、依据分类器的输出结果，确定被测用户对应的用户类型。
具体地，分类器的输出结果可以采用数值“0”和“1”进行表示，分别表示患病或者未患病。应用时，该分类器可以采用二分类的支持向量机，也可以采用四分类的支持向量机，具体可以根据业务需求来对支持向量机进行训练，以满足不同筛查精度的需求。
具体地，若分类器为四分类器的支持向量机，那么该分类器可以由级联的一对多模式的OVR-SVM和一对一模式的OVO-SVM组成。这样通过OVR-SVM的输出结果为患病的情形下，利用OVO-SVM进行患病程度的分类。例如，OVR-SVM和OVO-SVM的应用可以参照上述表1。
应用时，若OVR-SVM的输出为{+1,+1,-1,-1}，那么采用OVO-SVM中用于区分分类1和分类2的二分类器，最终得到输出结果为分类1或分类2；若OVR-SVM的输出为{+1,+1,+1,-1}，那么采用OVO-SVM中用于区分分类1和分类2的二分类器、用于区分分类1和分类3的二分类器、以及用于区分分类2和分类3的二分类器，最后件投票，得到最终的输出结果。
在一些实现方式中，该方法还包括：
确定被测用户的个人信息；
将个人信息和被测用户对应的用户类型发送至服务器；
获取来自服务器对的反馈信息，以依据反馈信息对被测进行干预。
具体地，个人信息可以包括年龄、性别、生活习惯等。
具体地，反馈信息可以包括治疗方案、训练方案等。
本申请实施例通过服务器设置，使得患者无需出门即可得到专业指导，既无需用户经常性医院就医，又起到了保护患者及其家人隐私的问题。
本申请又一实施例提供了一种终端，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行计算机程序时以实现上述基于偏侧化指数的脑电信号处理方法。
具体地，处理器可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
具体地，处理器通过总线与存储器连接，总线可包括一通路，以用于传送信息。总线可以是PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。
存储器可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
可选的，存储器用于存储执行本申请方案的计算机程序的代码，并由处理器来控制执行。处理器用于执行存储器中存储的应用程序代码，以实现上述实施例提供的基于偏侧化指数的脑电信号处理装置的动作。
本申请又一实施例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上述基于偏侧化指数的脑电信号处理方法。
以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本申请的较佳实施进行了具体说明，但本申请并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (12)

1.一种基于偏侧化指数的脑电信号处理装置，其特征在于，包括：
脑电信号获取模块，用于获取针对被测用户的待识别的多个通道各自对应的脑电信号；
频域信号转换模块，用于对多个通道各自对应的脑电信号进行频域转换，得到多个通道各自对应的功率能量谱；
量化指标确定模块，用于根据多个通道各自对应的功率能量谱，确定多个通道各自对应的注意缺陷多动障碍ADHD量化指标；
偏侧化指数确定模块，用于对多个通道各自对应的注意缺陷多动障碍ADHD量化指标进行偏侧化计算，得到针对多个通道的偏侧化指数矩阵；
偏侧图谱生成模块，用于基于所述偏侧化指数矩阵，确定多通道偏侧指数图谱；
用户类型确定模块，用于依据所述多通道偏侧指数图谱，确定所述被测用户对应的用户类型。
2.根据权利要求1所述的装置，其特征在于，所述量化指标确定模块包括：
比值计算子模块，用于基于多个通道各自对应的功率能量谱，对多个通道各自对应的针对预设的第一频带的功率谱能量值与针对预设的第二频带的功率谱能量值进行比值计算，得到多个通道各自对应的注意缺陷多动障碍ADHD量化指标。
3.根据权利要求1所述的装置，其特征在于，所述偏侧矩阵确定模块包括：
差值计算子模块，用于计算任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的差值；
和统计子模块，用于计算该任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的和；
指数确定子模块，用于对该任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的差值，与该任两个通道各自对应的注意缺陷多动障碍ADHD量化指标的和，进行比值计算，得到该任两个通道对应的偏侧化指数。
4.根据权利要求1所述的装置，其特征在于，所述偏侧图谱生成模块包括：
像素确定子模块，用于基于预构建的偏侧化指数与图像像素的对应关系，确定多个通道各自对应的偏侧化指数的图像像素；
图谱转换子模块，用于依据多个通道各自对应的偏侧化指数的图像像素，生成针对偏侧化指数矩阵的多通道偏侧化指数图谱。
5.根据权利要求1所述的装置，其特征在于，所述用户类型确定模块包括：
数据导入子模块，用于将所述多通道偏侧指数图谱输入至预构建的针对注意缺陷多动障碍ADHD的分类器；
结果确定子模块，用于依据所述分类器的输出结果，确定所述被测用户对应的用户类型。
6.根据权利要求1所述的装置，其特征在于，该装置还包括：
个人信息确定模块，用于确定被测用户的个人信息；
云端数据查询模块，用于将个人信息和被测用户对应的用户类型发送至服务器；
指导信息获取模块，用于获取来自服务器对的反馈信息，以依据反馈信息对被测用户进行干预。
7.一种基于偏侧化指数的脑电信号处理方法，其特征在于，包括：
获取针对被测用户的待识别的多个通道各自对应的脑电信号；
对多个通道各自对应的脑电信号进行频域转换，得到多个通道各自对应的功率能量谱；
根据多个通道各自对应的功率能量谱，确定多个通道各自对应的注意缺陷多动障碍ADHD量化指标；
对多个通道各自对应的注意缺陷多动障碍ADHD量化指标进行偏侧化指数计算，得到针对多个通道的偏侧化指数矩阵；
基于所述偏侧化指数矩阵，确定多通道偏侧指数图谱；
依据所述多通道偏侧指数图谱，确定所述被测用户对应的用户类型。
8.根据权利要求7所述的方法，其特征在于，所述根据多个通道各自对应的功率能量谱，确定多个通道各自对应的注意缺陷多动障碍ADHD量化指标的步骤，包括：
基于多个通道各自对应的功率能量谱，确定多个通道各自对应的针对预设的第一频带的功率谱能量值与针对预设的第二频带的功率谱能量值的比值；
将多个通道各自对应的针对预设的第一频带的功率谱能量值与针对预设的第二频带的功率谱能量值的比值，确定为多个通道各自对应的注意缺陷多动障碍ADHD量化指标。
9.一种电子设备，其特征在于，其包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序配置用于：执行根据权利要求7或8所述的方法。
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，该程序被处理器执行时实现权利要求7或8所述的方法。
11.一种芯片，其特征在于，用于执行根据权利要求7或8所述的方法。
12.一种脑机接口，其特征在于，包括应用用于执行根据权利要求7或8所述的方法的芯片的可穿戴设备。
CN202210142605.9A 2022-02-16 2022-02-16 基于偏侧化指数的脑电信号处理装置、方法及介质 Pending CN114391854A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210142605.9A CN114391854A (zh) 2022-02-16 2022-02-16 基于偏侧化指数的脑电信号处理装置、方法及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210142605.9A CN114391854A (zh) 2022-02-16 2022-02-16 基于偏侧化指数的脑电信号处理装置、方法及介质

Publications (1)

Publication Number Publication Date
CN114391854A true CN114391854A (zh) 2022-04-26

Family

ID=81234181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210142605.9A Pending CN114391854A (zh) 2022-02-16 2022-02-16 基于偏侧化指数的脑电信号处理装置、方法及介质

Country Status (1)

Country Link
CN (1) CN114391854A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102573619A (zh) * 2008-12-19 2012-07-11 新加坡科技研究局 用于生成注意力水平表示的设备和方法
CN102770066A (zh) * 2009-12-01 2012-11-07 纽诺维有限公司 多通道大脑或大脑皮层活动监测及方法
KR20150030498A (ko) * 2013-09-12 2015-03-20 세종대학교산학협력단 전두엽 뇌파를 이용한 우울증 심도 측정 방법
WO2018004028A1 (ko) * 2016-06-28 2018-01-04 주식회사 소소 뇌파 기반 주의력 결핍 과잉 행동 장애 진단 시스템
CN109984759A (zh) * 2019-03-15 2019-07-09 北京数字新思科技有限公司 个体情绪信息的获取方法和装置
CN110960233A (zh) * 2019-11-21 2020-04-07 唐延智 一种基于脑电波的抑郁状态检测方法及系统
KR102151497B1 (ko) * 2019-12-02 2020-09-04 가천대학교 산학협력단 사용자의 뇌 질환을 진단하는 방법, 시스템 및 컴퓨터-판독가능 매체
CN112546390A (zh) * 2020-11-23 2021-03-26 苏州中科先进技术研究院有限公司 一种注意力训练方法、装置、计算机设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102573619A (zh) * 2008-12-19 2012-07-11 新加坡科技研究局 用于生成注意力水平表示的设备和方法
CN102770066A (zh) * 2009-12-01 2012-11-07 纽诺维有限公司 多通道大脑或大脑皮层活动监测及方法
KR20150030498A (ko) * 2013-09-12 2015-03-20 세종대학교산학협력단 전두엽 뇌파를 이용한 우울증 심도 측정 방법
WO2018004028A1 (ko) * 2016-06-28 2018-01-04 주식회사 소소 뇌파 기반 주의력 결핍 과잉 행동 장애 진단 시스템
CN109984759A (zh) * 2019-03-15 2019-07-09 北京数字新思科技有限公司 个体情绪信息的获取方法和装置
CN110960233A (zh) * 2019-11-21 2020-04-07 唐延智 一种基于脑电波的抑郁状态检测方法及系统
KR102151497B1 (ko) * 2019-12-02 2020-09-04 가천대학교 산학협력단 사용자의 뇌 질환을 진단하는 방법, 시스템 및 컴퓨터-판독가능 매체
CN112546390A (zh) * 2020-11-23 2021-03-26 苏州中科先进技术研究院有限公司 一种注意力训练方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
US20210358611A1 (en) Method for Detecting Epileptic Spike, Method for Training Network Model, and Computer Device
Al-Qazzaz et al. Automatic artifact removal in EEG of normal and demented individuals using ICA–WT during working memory tasks
Mammone et al. Enhanced automatic wavelet independent component analysis for electroencephalographic artifact removal
Zhang et al. Integration of 24 feature types to accurately detect and predict seizures using scalp EEG signals
CN101259015B (zh) 一种脑电信号分析监测方法及其装置
Asghar et al. AI inspired EEG-based spatial feature selection method using multivariate empirical mode decomposition for emotion classification
Alù et al. Approximate entropy of brain network in the study of hemispheric differences
CN110960233A (zh) 一种基于脑电波的抑郁状态检测方法及系统
Liu et al. Classification of EEG signals for epileptic seizures using feature dimension reduction algorithm based on LPP
CN111671420A (zh) 一种从静息态脑电数据中提取特征的方法及终端设备
Požar et al. Effective differentiation of mild cognitive impairment by functional brain graph analysis and computerized testing
WO2024040797A1 (zh) 基于脑电数据的自闭症评估装置、方法、终端设备和介质
Cleatus et al. Epileptic seizure detection using spectral transformation and convolutional neural networks
Chikkankod et al. On the dimensionality and utility of convolutional Autoencoder’s latent space trained with topology-preserving spectral EEG head-maps
Ru et al. Epilepsy detection based on variational mode decomposition and improved sample entropy
Mera-Gaona et al. An ensemble feature selection approach to identify relevant features from EEG signals
CN115414043A (zh) 基于脑电信号分析的抑郁障碍识别系统、装置及存储介质
Lerga et al. Rule-based EEG classifier utilizing local entropy of time–frequency distributions
CN114391854A (zh) 基于偏侧化指数的脑电信号处理装置、方法及介质
Manta et al. Development and evaluation of automated tools for auditory-brainstem and middle-auditory evoked potentials waves detection and annotation
CN113397563A (zh) 抑郁分类模型的训练方法、装置、终端及介质
CN116719926B (zh) 基于智慧医疗的先天性心脏病报告数据筛选方法及系统
CN114403901A (zh) 对脑电信号的处理装置、方法及介质
KR20130101903A (ko) 전전두엽 뇌파를 활용한 집중력 분석 방법 및 장치
CN113925517A (zh) 基于脑电信号的认知障碍识别方法、装置及介质

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220426

WD01 Invention patent application deemed withdrawn after publication