CN114431879B - 一种基于脑电图的眨眼咬牙判断方法及系统 - Google Patents
一种基于脑电图的眨眼咬牙判断方法及系统 Download PDFInfo
- Publication number
- CN114431879B CN114431879B CN202111600826.8A CN202111600826A CN114431879B CN 114431879 B CN114431879 B CN 114431879B CN 202111600826 A CN202111600826 A CN 202111600826A CN 114431879 B CN114431879 B CN 114431879B
- Authority
- CN
- China
- Prior art keywords
- biting
- blink
- value
- tooth
- reference point
- 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 50
- 230000004397 blinking Effects 0.000 title claims abstract description 17
- 101150050733 Gnas gene Proteins 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000000537 electroencephalography Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 210000003205 muscle Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003784 masticatory muscle Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000000007 visual effect 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]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1103—Detecting eye twinkling
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1107—Measuring contraction of parts of the body, e.g. organ, muscle
-
- 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
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
- A61B5/721—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts using a separate sensor to detect motion or using motion information derived from signals other than the physiological signal to be measured
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ophthalmology & Optometry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
Abstract
本发明公开了一种基于脑电图的眨眼咬牙判断方法及系统，属于脑电信号处理与特征提取领域，包括：获取从脑电图中提取的参考点集并计算其均值和标准差；将当前数据点和咬牙判断阈值比较得到咬牙状态值，若咬牙状态值满足预设的咬牙状态阈值则输出判断结果为咬牙，否则为未咬牙；获取滑动窗口的当前采集窗口数据并计算其与参考点集均值之差的绝对值，将所述绝对值和参考点集标准差的预设门限比较得到眨眼状态值，将眨眼状态值和预设的眨眼状态阈值比较，若眨眼状态值满足预设的眨眼状态阈值则输出判断结果为眨眼，否则为未眨眼；根据预设的控制因子和当前数据点更新参考点集；利用伪迹信号为BCI在工程控制领域的应用提供可能。
Description
技术领域
本发明涉及一种基于脑电图的眨眼咬牙判断方法及系统，属于脑电信号处理与特征提取领域。
背景技术
脑电图(Electroencephalography，EEG)是一种以非静止电位的形式记录大脑电活动的方法，曾广泛应用于癫痫、阿尔茨海默氏症等临床医学诊断；随着近些年可穿戴设备以及传感技术的显著发展，EEG逐渐成为脑机接口(Brain Computer Interface，BCI)研究的主要信号采集方式。
伪迹信号指的是脑电信号采集过程中由于头皮良好的导电性，采集到的眨眼或肌肉活动引起的电位差，针对这些伪迹信号，往往采取的是去除的手段，忽略了其在脑电控制方面的应用潜力。
发明内容
本发明的目的在于提供一种基于脑电图的眨眼咬牙判断方法及系统，解决现有技术中忽略咬牙眨眼等伪迹信号在脑电控制发明应用潜力的问题，能够保证对咬牙眨眼检测的有效性和可靠性，为BCI在工程控制领域的应用提供可能。
为实现以上目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种基于脑电图的眨眼咬牙判断方法，包括：
获取从脑电图中提取的参考点集并计算其均值和标准差；
将当前数据点和咬牙判断阈值比较，得到咬牙状态值，若咬牙状态值满足预设的咬牙状态阈值则输出判断结果为咬牙，否则输出判断结果为未咬牙；
获取滑动窗口的当前采集窗口数据并计算其与参考点集均值之差的绝对值，将所述绝对值和参考点集标准差的预设门限比较，得到眨眼状态值，将眨眼状态值和预设的眨眼状态阈值比较，若眨眼状态值满足预设的眨眼状态阈值则输出判断结果为眨眼，否则输出判断结果为未眨眼；
根据预设的控制因子和当前数据点更新参考点集。
结合第一方面，进一步的，所述参考点集通过以下方法得到：
获取用户的脑电图，从脑电图中提取出参考点集：使用滑动窗口的策略，将第一个采集窗口数据作为初始的参考点集。
结合第一方面，进一步的，所述咬牙判断阈值包括咬牙低阈值和咬牙高阈值，咬牙低阈值为参考点集均值和经验阈值两者的较大值，咬牙高阈值根据实际的咬牙波峰值情况预先设置。
结合第一方面，进一步的，所述咬牙状态值通过以下方法得到：
其中，咬牙状态值包括咬牙开始状态值和咬牙结束状态值，gnashStartCount为咬牙开始状态值，gnashEndCount为咬牙结束状态值，curDatai为当前数据点，gnashLow是咬牙低阈值，gnashHigh是咬牙高阈值。
结合第一方面，进一步的，是否咬牙通过以下方法判断：
其中，isGnash＝true代表出现咬牙信号，输出判断结果为咬牙，isGnash＝false代表未出现咬牙信号，输出判断结果为未咬牙；gnashStartCount为咬牙开始状态值，gnashEndCount为咬牙结束状态值，gnashStartThreshold为咬牙开始判断阈值，gnashEndThreshold为咬牙结束判断阈值。
结合第一方面，进一步的，所述眨眼状态值通过以下方法得到：
其中，blinkCount是眨眼状态值，absDiff为当前采集窗口数据和参考点集均值之差的绝对值，blinkVal为参考点集标准差的预设门限；
是否眨眼通过以下方法判断：
其中，isblink＝true代表出现眨眼信号，输出判断结果为眨眼，isGnash＝false代表未出现咬牙信号，blinkCount是眨眼状态值，blinkThreshold为眨眼判断阈值，gnashStartCount为咬牙开始状态值，gnashEndCount为咬牙结束状态值；眨眼判断结束后重置咬牙状态值。
结合第一方面，进一步的，参考点集通过以下方法更新：
其中，refi是参考点集的第i个元素，refi-1是参考点集的第i-1个元素，rawDatai是当前数据点，γ是更新参考点集的控制因子；将当前数据点纳入参考点集的末尾，并弹出参考点集的开头元素。
第二方面，本发明还提供了一种基于脑电图的眨眼咬牙判断系统，包括：
参考点集获取模块：用于获取从脑电图中提取的参考点集并计算其均值和标准差；
咬牙判断模块：用于将当前数据点和咬牙判断阈值比较，得到咬牙状态值，若咬牙状态值满足预设的咬牙状态阈值则输出判断结果为咬牙，否则输出判断结果为未咬牙；
眨眼判断模块：用于获取滑动窗口的当前采集窗口数据并计算其与参考点集均值之差的绝对值，将所述绝对值和参考点集标准差的预设门限比较，得到眨眼状态值，将眨眼状态值和预设的眨眼状态阈值比较，若眨眼状态值满足预设的眨眼状态阈值则输出判断结果为眨眼，否则输出判断结果为未眨眼；
参考点集更新模块：用于根据预设的控制因子和当前数据点更新参考点集。
与现有技术相比，本发明所达到的有益效果是：
本发明提供的一种基于脑电图的眨眼咬牙判断方法及系统，对于咬牙信号，通过设置咬牙状态阈值的方式，检测由于咬牙引起的大范围高峰段信号，对于眨眼信号，通过引入参考点集滑动窗口动态检测脑电图中脑电信号的峰值失真，本发明提供的方法结合对咬牙和眨眼的检测，保证了检测有效性，也具备充分的可靠性；通过对咬牙和眨眼的在线实时检测，使得用户无需手脚参与就能操作控制外部设备，为BCI在工程控制领域的应用提供可能。
附图说明
图1是本发明实施例提供的一种基于脑电图的眨眼咬牙判断方法的流程图；
图2是本发明实施例提供的包含眨眼信号的EEG脑电图；
图3是本发明实施例提供的包含咬牙信号的EEG脑电图；
图4是本发明实施例提供的一种基于脑电图的眨眼咬牙判断方法的离线仿真结果示意图。
具体实施方式
下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
从EEG脑波信号背景下提取出其中混杂的伪迹信号作为控制信号是BCI研究中实现人机交互实用化的一项关键技术；基于低复杂、低延迟、高可靠的EEG在线检测伪迹信号方法，可满足实时脑波控制系统的设计要求，进一步实现了BCI在工程控制领域的应用。
在面向可穿戴便携式脑电信号控制系统设备中，为满足低时延、高可靠的系统性能要求，本发明实施例提出一种可在线实时检测咬牙和眨眼行为的基于脑电图的眨眼咬牙判断方法，该方法为单线程时域处理方法，使用户能够仅通过眼睛和牙齿，无需手脚参与就可以操作控制外部设备，为BCI在工程控制领域的应用提供可能。
如图1所示，本发明提供的一种基于脑电图的眨眼咬牙判断方法，包括：
S1、获取从脑电图中提取的参考点集并计算其均值和标准差。
眨眼是一个眼轮匝肌和提上睑肌的配合作用下完成闭和睁的肌肉运动过程，由于靠近采集电极，其信号振幅在脑电信号振幅尺度上表现非常明显，如图2所示。
咬牙是一个主要由咀嚼肌参与的个体主动行为，因咀嚼肌的发力程度大，而由皮肤传导到采集电极进而引起脑电信号的大幅畸变，形成时间段内的强噪声现象，如图3所示。
本发明通过检测与参考点集数值差异较大的点来判断时域波形畸变的到来并同时判断畸变的方式，以此判定眨眼信号；同时将参考点集均值与经验阈值两者的较大值作为咬牙低阈值，并根据实际的咬牙波峰值情况设置咬牙高阈值，通过高低阈值的区间判断是否为咬牙信号。
设定脑电图采集到的用户脑电数据为无界流式数据，采集窗口大小为winLag，基于Z-score标准化分析，使用滑动窗口的采集策略。
首先取无界数据的第一个采集窗口数据，作为初始参考点集，参考点集记为reference，并计算其均值μref和标准差σref：
其中，ref是参考点集的元素。
S2、将当前数据点和咬牙判断阈值比较，得到咬牙状态值，若咬牙状态值满足预设的咬牙状态阈值则输出判断结果为咬牙，否则输出判断结果为未咬牙。
取参考点集均值μref和经验阈值ξ两者的较大值作为咬牙低阈值，gnashLow＝max(μref,ξ)，根据实际的咬牙波峰值情况预先设定咬牙高阈值。
咬牙状态值通过以下方法得到：
其中，咬牙状态值包括咬牙开始状态值和咬牙结束状态值，gnashStartCount为咬牙开始状态值(判断咬牙信号开始的统计点)，gnashEndCount为咬牙结束状态值(判断咬牙信号结束的统计点)，curDatai为当前数据点，gnashLow是咬牙低阈值，gnashHigh是咬牙高阈值。
是否咬牙通过以下方法判断：
其中，isGnash＝true代表出现咬牙信号，输出判断结果为咬牙，isGnash＝false代表未出现咬牙信号，输出判断结果为未咬牙；gnashStartCount为咬牙开始状态值，gnashEndCount为咬牙结束状态值，gnashStartThreshold为咬牙开始判断阈值，gnashEndThreshold为咬牙结束判断阈值。
S3、获取滑动窗口的当前采集窗口数据并计算其与参考点集均值之差的绝对值，将所述绝对值和参考点集标准差的预设门限比较，得到眨眼状态值，将眨眼状态值和预设的眨眼状态阈值比较，若眨眼状态值满足预设的眨眼状态阈值则输出判断结果为眨眼，否则输出判断结果为未眨眼。
若当前不是咬牙信号，即isGnash＝false，那么计算当前采集窗口数据与参考点集均值之差的绝对值，absDiff＝|curDatai-μref|，若该绝对值大于标准值的预设门限，那么认为波形出现畸变，并判断畸变的方向，否则认为波形没有出现畸变。
blinkVal＝β*σref，blinkVal为参考点集标准差的预设门限，其中β是预设门限的加权因子。
眨眼状态值通过以下方法得到：
其中，blinkCount是眨眼状态值，absDiff为当前采集窗口数据和参考点集均值之差的绝对值，blinkVal为参考点集标准差的预设门限。
是否眨眼通过以下方法判断：
其中，isblink＝true代表出现眨眼信号，输出判断结果为眨眼，isGnash＝false代表未出现咬牙信号，blinkCount是眨眼状态值，blinkThreshold为眨眼判断阈值，gnashStartCount为咬牙开始状态值，gnashEndCount为咬牙结束状态值；眨眼判断结束后重置咬牙状态值。
S4、根据预设的控制因子和当前数据点更新参考点集。
随着窗口的滑动重复步骤S2和S3，同时在得到眨眼状态值的过程中更新参考点集；具体步骤为：将当前数据点纳入参考点集的末尾，并弹出参考点集的开头元素，γ为更新参考点集的控制因子，ref是参考点集元素。
参考点集通过以下方法更新：
其中，refi是参考点集的第i个元素，refi-1是参考点集的第i-1个元素，rawDatai是当前数据点。
综合以上分析，在输入为无界流式脑电图中脑电信号的情况下，给出保留状态的在线检测算法来实现眨眼与咬牙行为实时检测。
实施例2
如图1所示，本发明实施例提供的一种基于脑电图的眨眼咬牙判断方法，包括：
获取从脑电图中提取的参考点集并计算其均值和标准差；
将当前数据点和咬牙判断阈值比较，得到咬牙状态值，若咬牙状态值满足预设的咬牙状态阈值则输出判断结果为咬牙，否则输出判断结果为未咬牙；
获取滑动窗口的当前采集窗口数据并计算其与参考点集均值之差的绝对值，将所述绝对值和参考点集标准差的预设门限比较，得到眨眼状态值，将眨眼状态值和预设的眨眼状态阈值比较，若眨眼状态值满足预设的眨眼状态阈值则输出判断结果为眨眼，否则输出判断结果为未眨眼；
根据预设的控制因子和当前数据点更新参考点集。
本实施例提供了一种在MATLAB仿真平台的基于EEG的眨眼与咬牙伪迹信号检测系统设计。
第一步，参数校验：根据受试者在当前状态及周围环境下的脑波数据通过算法的默认值进行预先测试，测试开始时先短暂保持不眨眼行为，目的是形成初始参考集，而后正常开始测试流程；利用可视化的交互界面，受试者可手动操控各个参数值的变化，直到界面反馈的检测结果与实际受试者的主动行为一致为止。
第二步，通过第一步的参数校验后，即可开始伪迹信号检测系统的实时在线实施。
图4是本发明实施例提供的一种基于脑电图的眨眼咬牙判断方法的离线仿真结果示意图，在峰值失真处检测到眨眼信号，从而判断出现眨眼行为；咬牙开始状态值(判断咬牙信号开始的统计点)和咬牙结束状态值(判断咬牙信号结束的统计点)结合用以判断是否出现咬牙行为，并提供咬牙开始点和咬牙结束点。
实施例3
本发明实施例提供了一种基于脑电图的眨眼咬牙判断系统，包括：
参考点集获取模块：用于获取从脑电图中提取的参考点集并计算其均值和标准差；
咬牙判断模块：用于将当前数据点和咬牙判断阈值比较，得到咬牙状态值，若咬牙状态值满足预设的咬牙状态阈值则输出判断结果为咬牙，否则输出判断结果为未咬牙；
眨眼判断模块：用于获取滑动窗口的当前采集窗口数据并计算其与参考点集均值之差的绝对值，将所述绝对值和参考点集标准差的预设门限比较，得到眨眼状态值，将眨眼状态值和预设的眨眼状态阈值比较，若眨眼状态值满足预设的眨眼状态阈值则输出判断结果为眨眼，否则输出判断结果为未眨眼；
参考点集更新模块：用于根据预设的控制因子和当前数据点更新参考点集。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种基于脑电图的眨眼咬牙判断方法，其特征在于，包括：
获取从脑电图中提取的参考点集并计算其均值和标准差；
将当前数据点和咬牙判断阈值比较，得到咬牙状态值，若咬牙状态值满足预设的咬牙状态阈值则输出判断结果为咬牙，否则输出判断结果为未咬牙；
获取滑动窗口的当前采集窗口数据并计算其与参考点集均值之差的绝对值，将所述绝对值和参考点集标准差的预设门限比较，得到眨眼状态值，将眨眼状态值和预设的眨眼状态阈值比较，若眨眼状态值满足预设的眨眼状态阈值则输出判断结果为眨眼，否则输出判断结果为未眨眼；
根据预设的控制因子和当前数据点更新参考点集。
2.根据权利要求1所述的一种基于脑电图的眨眼咬牙判断方法，其特征在于，所述参考点集通过以下方法得到：
获取用户的脑电图，从脑电图中提取出参考点集：使用滑动窗口的策略，将第一个采集窗口数据作为初始的参考点集。
3.根据权利要求1所述的一种基于脑电图的眨眼咬牙判断方法，其特征在于，所述咬牙判断阈值包括咬牙低阈值和咬牙高阈值，咬牙低阈值为参考点集均值和经验阈值两者的较大值，咬牙高阈值根据实际的咬牙波峰值情况预先设置。
4.根据权利要求3所述的一种基于脑电图的眨眼咬牙判断方法，其特征在于，所述咬牙状态值通过以下方法得到：
gnashStartCount+1 CurDatai≥gmashHigh
gnashEndCount+1 isGnash＝true&&curDatai≤gnashLow
gnashEndCount＝0 isGnash＝true&&curDatai≥gnas
其中，咬牙状态值包括咬牙开始状态值和咬牙结束状态值，gnashStartCount为咬牙开始状态值，gnashEndCount为咬牙结束状态值，curDatai为当前数据点，gnashLow是咬牙低阈值，gnashHigh是咬牙高阈值，isGnash＝true代表出现咬牙信号，isGnash＝false代表未出现咬牙信号。
5.根据权利要求4所述的一种基于脑电图的眨眼咬牙判断方法，其特征在于，是否咬牙通过以下方法判断：
isGnash＝true，gnashEndCount＝0 gnashStartCount＞gnashStart
isGnash＝false，gnashStartCount＝0 gnashEndCount＞gnashEndThre
其中，isGnash＝true代表出现咬牙信号，输出判断结果为咬牙，isGnash＝false代表未出现咬牙信号，输出判断结果为未咬牙；gnashStartCount为咬牙开始状态值，gnashEndCount为咬牙结束状态值，gnashStartThreshold为咬牙开始判断阈值，gnashEndThreshold为咬牙结束判断阈值。
6.根据权利要求5所述的一种基于脑电图的眨眼咬牙判断方法，其特征在于，所述眨眼状态值通过以下方法得到：
blinkCount+1 absDiff≥blinkVal
blinkCount＝0 else
其中，blinkCount是眨眼状态值，absDiff为当前采集窗口数据和参考点集均值之差的绝对值，blinkVal为参考点集标准差的预设门限；
是否眨眼通过以下方法判断：
其中，isblink＝true代表出现眨眼信号，输出判断结果为眨眼，isGnash＝false代表未出现咬牙信号，blinkCount是眨眼状态值，blinkThreshold为眨眼判断阈值，gnashStartCount为咬牙开始状态值，gnashEndCount为咬牙结束状态值；眨眼判断结束后重置咬牙状态值。
7.根据权利要求6所述的一种基于脑电图的眨眼咬牙判断方法，其特征在于，参考点集通过以下方法更新：
其中，refi是参考点集的第i个元素，refi-1是参考点集的第i-1个元素，rawDatai是当前数据点，γ是更新参考点集的控制因子；将当前数据点纳入参考点集的末尾，并弹出参考点集的开头元素。
8.一种基于脑电图的眨眼咬牙判断系统，其特征在于，包括：
参考点集获取模块：用于获取从脑电图中提取的参考点集并计算其均值和标准差；
咬牙判断模块：用于将当前数据点和咬牙判断阈值比较，得到咬牙状态值，若咬牙状态值满足预设的咬牙状态阈值则输出判断结果为咬牙，否则输出判断结果为未咬牙；
眨眼判断模块：用于获取滑动窗口的当前采集窗口数据并计算其与参考点集均值之差的绝对值，将所述绝对值和参考点集标准差的预设门限比较，得到眨眼状态值，将眨眼状态值和预设的眨眼状态阈值比较，若眨眼状态值满足预设的眨眼状态阈值则输出判断结果为眨眼，否则输出判断结果为未眨眼；
参考点集更新模块：用于根据预设的控制因子和当前数据点更新参考点集。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111600826.8A CN114431879B (zh) | 2021-12-24 | 2021-12-24 | 一种基于脑电图的眨眼咬牙判断方法及系统 |
| PCT/CN2022/131978 WO2023116263A1 (zh) | 2021-12-24 | 2022-11-15 | 一种基于脑电图的眨眼咬牙判断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111600826.8A CN114431879B (zh) | 2021-12-24 | 2021-12-24 | 一种基于脑电图的眨眼咬牙判断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114431879A CN114431879A (zh) | 2022-05-06 |
| CN114431879B true CN114431879B (zh) | 2024-04-16 |
Family
ID=81364629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111600826.8A Active CN114431879B (zh) | 2021-12-24 | 2021-12-24 | 一种基于脑电图的眨眼咬牙判断方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114431879B (zh) |
| WO (1) | WO2023116263A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114431879B (zh) * | 2021-12-24 | 2024-04-16 | 南京邮电大学 | 一种基于脑电图的眨眼咬牙判断方法及系统 |
| CN115067944B (zh) * | 2022-08-22 | 2022-11-11 | 深圳市心流科技有限公司 | 一种眼动状态评估方法、装置、终端设备及存储介质 |
| CN116671900B (zh) * | 2023-05-17 | 2024-03-19 | 安徽理工大学 | 一种基于脑波仪的眨眼识别与控制方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005018167A (ja) * | 2003-06-23 | 2005-01-20 | Softopia Japan Foundation | 生体反応利用機器制御装置及び機器の制御方法 |
| KR100851413B1 (ko) * | 2007-07-18 | 2008-08-08 | 연세대학교 산학협력단 | 안구전도에 기반한 졸음방지장치 |
| WO2013017985A1 (en) * | 2011-08-03 | 2013-02-07 | Koninklijke Philips Electronics N.V. | Command detection device and method |
| CN106455989A (zh) * | 2014-05-07 | 2017-02-22 | 太阳星瑞士有限公司 | 咬牙和/或磨牙的自动检测 |
| CN106510641A (zh) * | 2016-12-19 | 2017-03-22 | 姚健欣 | 一种检测人体不同睡眠阶段的方法及系统 |
| WO2017150148A1 (ja) * | 2016-03-03 | 2017-09-08 | アルプス電気株式会社 | 瞬目検出装置、眼鏡型電子機器、瞬目検出方法およびプログラム |
| CN110051351A (zh) * | 2019-03-28 | 2019-07-26 | 深圳市宏智力科技有限公司 | 咬牙信号获取方法以及电子设备的控制方法及装置 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7684856B2 (en) * | 2005-12-12 | 2010-03-23 | General Electric Company | Detection of artifacts in bioelectric signals |
| CN102835955B (zh) * | 2012-09-08 | 2014-02-26 | 北京工业大学 | 一种无需设定阈值的脑电信号中眼电伪迹自动去除的方法 |
| US20170311870A1 (en) * | 2014-11-14 | 2017-11-02 | Neurochip Corporation, C/O Zbx Corporation | Method and apparatus for processing electroencephalogram (eeg) signals |
| CN107095672B (zh) * | 2017-06-10 | 2020-11-03 | 深圳创达云睿智能科技有限公司 | 一种去除脑电信号中伪迹信号的方法 |
| CN108236464B (zh) * | 2017-12-29 | 2021-02-23 | 重庆邮电大学 | 基于脑电信号的特征提取方法及其检测提取系统 |
| CN111603161A (zh) * | 2020-05-28 | 2020-09-01 | 苏州小蓝医疗科技有限公司 | 一种脑电分类方法 |
| CN111956217B (zh) * | 2020-07-15 | 2022-06-24 | 山东师范大学 | 一种面向实时脑电信号的眨眼伪迹识别方法及系统 |
| CN112401906B (zh) * | 2020-11-10 | 2021-12-14 | 河北省科学院应用数学研究所 | 一种基于幅值的自动脑电去伪迹方法 |
| CN112464902B (zh) * | 2020-12-16 | 2024-02-09 | 杭州电子科技大学 | 基于多通道多维特征优化的脑电眨眼伪迹检测方法 |
| CN113080971A (zh) * | 2021-04-12 | 2021-07-09 | 北京交通大学 | 一种通过检测眨眼信号判断疲劳状态的方法和系统 |
| CN113693605B (zh) * | 2021-09-03 | 2022-07-26 | 复旦大学 | 一种神经信号实时去除刺激伪迹的方法、装置及介质 |
| CN114431879B (zh) * | 2021-12-24 | 2024-04-16 | 南京邮电大学 | 一种基于脑电图的眨眼咬牙判断方法及系统 |
-
2021
- 2021-12-24 CN CN202111600826.8A patent/CN114431879B/zh active Active
-
2022
- 2022-11-15 WO PCT/CN2022/131978 patent/WO2023116263A1/zh unknown
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005018167A (ja) * | 2003-06-23 | 2005-01-20 | Softopia Japan Foundation | 生体反応利用機器制御装置及び機器の制御方法 |
| KR100851413B1 (ko) * | 2007-07-18 | 2008-08-08 | 연세대학교 산학협력단 | 안구전도에 기반한 졸음방지장치 |
| WO2013017985A1 (en) * | 2011-08-03 | 2013-02-07 | Koninklijke Philips Electronics N.V. | Command detection device and method |
| CN106455989A (zh) * | 2014-05-07 | 2017-02-22 | 太阳星瑞士有限公司 | 咬牙和/或磨牙的自动检测 |
| WO2017150148A1 (ja) * | 2016-03-03 | 2017-09-08 | アルプス電気株式会社 | 瞬目検出装置、眼鏡型電子機器、瞬目検出方法およびプログラム |
| CN106510641A (zh) * | 2016-12-19 | 2017-03-22 | 姚健欣 | 一种检测人体不同睡眠阶段的方法及系统 |
| CN110051351A (zh) * | 2019-03-28 | 2019-07-26 | 深圳市宏智力科技有限公司 | 咬牙信号获取方法以及电子设备的控制方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| Design and Verification of a Dry Sensor-Based Multi-Channel Digital Active Circuit for Human Brain Electroencephalography Signal Acquisition Systems;Lin ChinTeng 等;Micromachines;第1-15页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114431879A (zh) | 2022-05-06 |
| WO2023116263A1 (zh) | 2023-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114431879B (zh) | 一种基于脑电图的眨眼咬牙判断方法及系统 | |
| Gao et al. | Relative wavelet entropy complex network for improving EEG-based fatigue driving classification | |
| CN110338786B (zh) | 一种癫痫样放电的识别与分类方法、系统、装置和介质 | |
| US20070179396A1 (en) | Method and System for Detecting and Classifying Facial Muscle Movements | |
| Khamis et al. | Frequency–moment signatures: a method for automated seizure detection from scalp EEG | |
| Khalili et al. | Emotion detection using brain and peripheral signals | |
| EP2111156A1 (en) | A system and method for processing brain signals in a bci system | |
| CN110135285B (zh) | 一种使用单导设备的脑电静息态身份认证方法及装置 | |
| Sahayadhas et al. | A physiological measures-based method for detecting inattention in drivers using machine learning approach | |
| WO2019230528A1 (ja) | 咀嚼側を判定するための学習モデル生成装置、その方法およびプログラム、ならびに咀嚼側判定装置、その方法およびプログラム | |
| KR100742296B1 (ko) | 환자의 의식 수준을 나타내는 신호를 추출하는 장치 | |
| Fickling et al. | Good data? The EEG quality index for automated assessment of signal quality | |
| CN107510451B (zh) | 一种基于脑干听觉诱发电位的音高感知能力客观评估方法 | |
| US20190146580A1 (en) | Apparatus, systems and methods for using pupillometry parameters for assisted communication | |
| Majmudar et al. | Autonomous OA removal in real-time from single channel EEG data on a wearable device using a hybrid algebraic-wavelet algorithm | |
| CN113208631A (zh) | 一种基于eeg脑波的眨眼检测方法及系统 | |
| CN116098634A (zh) | 一种基于刺激事件的脑功能检测评估方法、装置及系统 | |
| CN111671419A (zh) | 一种基于脑电信号的癫痫早期检测与识别方法及系统 | |
| Radhakrishnan et al. | Investigating EEG Signals of Autistic Individuals Using Detrended Fluctuation Analysis. | |
| Cecotti et al. | Suboptimal sensor subset evaluation in a p300 brain-computer interface | |
| JP3661512B2 (ja) | 脳波信号処理装置及び方法 | |
| CN110234272B (zh) | 麻醉阶段识别与麻醉深度计算方法及装置 | |
| Traitruengsakul et al. | Automatic localization of epileptic spikes in eegs of children with infantile spasms | |
| Keshri et al. | LDASpike for recognizing epileptic spikes in EEG | |
| JP3799889B2 (ja) | 瞬目動作解析装置及び方法 |
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 |