CN114587357A - 基于脑电频谱特征的太极桩精神状态检测方法 - Google Patents
基于脑电频谱特征的太极桩精神状态检测方法 Download PDFInfo
- Publication number
- CN114587357A CN114587357A CN202210177178.8A CN202210177178A CN114587357A CN 114587357 A CN114587357 A CN 114587357A CN 202210177178 A CN202210177178 A CN 202210177178A CN 114587357 A CN114587357 A CN 114587357A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- wavelet
- data
- sample
- taiji
- 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
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
- A61B5/16—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
- A61B5/7253—Details of waveform analysis characterised by using transforms
Abstract
本发明公开了基于脑电频谱特征的太极桩精神状态检测方法。本发明方法首先获取太极桩脑电数据,包括站桩前、站桩中和站桩后的脑电数据,然后进行中值滤波去噪;对脑电数据进行小波包变换,提取频段,再进行数据分析,包括统计学指标分析、阶段相关性检验、包络分析;最后通过综合分析,在相应数据集上的进行数据验证,得到太极桩训练的治疗效果的定量表达方法。本发明方法在脑电检测任务上易于实现,可减少后续研究环境误差,可对实时测量的站桩前、站桩中和站桩后的脑电信号进行分析,定量地研究太极站桩对人体大脑和精神状态的调节作用。
Description
技术领域
本发明属于信息技术领域,涉及定量衡量太极桩运动效果,具体涉及一种基于小波包变换、包络理论分析、特征z检验的方法对太极桩运动时的精神状态检测的方法。
背景技术
人体大脑的神经元动作电位主要是利用钠、钾、钙等离子相关的通道开闭传递电讯号实现神经元之间的信号传递。大脑活动过程中,宏观表现为有不同频率的电信号产生。现代研究表明按照不同的波段及其对应的大脑工作状态,可以将脑电信号按如下表进行分类:
除上表所示的主要频段外,σ[12~16Hz],EMG[>32Hz]及AF[0.5~7Hz]也与人脑的活跃程度有关。
太极桩中国古代养生术的一种,也是太极拳的一种基本功训练方法。据中医医学的相关文献所述,站桩的目的是养神,能得到保养从而使经络脏腑、四肢都可以得到益处,对调节生理机能、控制疾病发展起着至关重要作用。传统的太极拳教学实践表明,太极站桩对人体放松治疗具有显著的作用,但目前仅限于定性的宏观判断。为证明太极桩的有效性,有必要设计一种更加精细、能定性判断状态的脑电识别检测的方法。
发明内容
本发明的目的就是提供一种基于脑电频谱特征的太极桩精神状态检测方法,对实时测量的站桩前、站桩中和站桩后的脑电信号进行分析,定量地研究太极站桩对人体大脑和精神状态的调节作用。
本发明方法具体如下:
步骤(1)获取太极桩脑电数据;
在测试地点使用脑电采集装置采集实时太极桩脑电数据;所述的测试地点为隔音、避光的电磁屏蔽室,温度为22℃~26℃,湿度为30%~42%;所述的实时数据包括站桩前安静状态T时长的脑电数据、站桩时T时长的脑电数据、站桩后T时长的脑电数据,T=90~180s;
步骤(2)中值滤波;
通过以下中值滤波消除此类误差:
步骤(3)对脑电数据进行小波包变换,具体是:
(3-1)对脑电数据进行小波变换,得到一组小波分解系数:原始太极桩脑电信号电压幅值序列为 表示第n个原始脑电波信号的电压幅值,n=1,2,…,N,N表示原始脑电信号包含的幅值数量;采用Db4小波基将原始脑电波信号用一组正交的不同频率的小波基进行展开,得到Db4小波基对应的小波分解系数:其中,τ为平移量,尺度a控制小波函数的伸缩,与小波的频率成反比;
(3-2)设定噪声阈值thr,对小波变换后得到的小波分解系数WT4(a,τ)与该阈值进行比较:若小波分解系数小于阈值thr,则去除该小波分解系数;若小波系数大于等于阈值thr,则保留该小波分解系数;采用软阈值法对分解后的小波系数进行处理,得到小波估计系数WT′4(a,τ):
(3-4)对去噪后的脑电波信号序列x={x1,x2,…,xN},采用Db4小波基函数按照二叉树方法进行W层分解,对于第w层的第μ个节点(w,μ)对应的Db4小波基函数记为w=1,2,…,W,μ=1,2,…,2w;
(3-5)脑电信号重构:
如果第n-1层的某个节点为低频信号,则此节点在第n层上做分解:低频段分到此节点的左子节点,高频段分到右子节点;
如果第n-1层的某个节点为高频信号,则此节点的高频段分到此节点的左子节点,低频段分到右子节点;
(3-6)对各频段的信号进行提取,记录在一个矩阵中;
步骤(4)数据分析,包括:
(4-1)统计学指标分析:
对每个频段的波分别计算多个特征,时间间隔为t,t=5~10s,即每间隔时间t对应一组特征,每个频段在每个特征下都有一段随时间变化的特征序列,针对这些特征,对不同太极桩,及不同的站桩阶段进行分析;
(4-2)相关性检验:
将站桩前后隶属于同一个特征的特征序列之间做z检验,判断站桩前的特征序列的平均值与站桩后是否有显著性差异;
(4-3)包络分析:
获取信号的上下包络l1和l2,上下包络差值Xarc=l1-l2综合反应脑电活动的周期性;
对于上下包络差值使用表二的指标提取特征,记录数据,得到重构后的脑电信号按照通道和频段并列排放时的二维矩阵S′;
对矩阵S′计算相关性,判断站桩前与站桩后各个频段间的数据是否有显著性差异;
步骤(5)综合分析;
在相应数据集上的进行数据验证,得到太极桩训练的治疗效果的定量表达方法。
本发明和现有技术相比有如下效果:
(1)本发明提出了一种基于小波包变换、包络理论分析、特征z检验的脑电信号处理方法,实现对太极桩运动的放松效果的定量判别。
(2)本发明提出了一种脑电的综合测量实验方式,在对环境的需求和人员的方式提出统一的规定,在脑电检测任务上易于实现,可减少后续研究环境误差。
附图说明
图1为本发明方法的流程简图;
图2为小波包变换示意图。
具体实施方式
如图1所示,基于脑电频谱特征的太极桩精神状态检测方法,具体是:
步骤(1)获取太极桩脑电数据。
当神经系统受到外界刺激时,膜电位产生的动作电位可以形成电位发放。这种电位发放和人体的思维与运动有一定的相关性,外部表现为神经基团或头皮电位电位变换。
人脑按原有的机构及活动类型被分为了四块区域:额叶(frontallobe)、顶叶(parietal lobe)、枕叶(occipital lobe)和颞叶(temporal lobe)。它们对应于额骨、顶骨、枕骨和颞骨等部位。普通人的注意力对应的脑电变换主要由前额叶的脑电细胞控制,故选取前额叶的脑电信号进行分析。
准备测试测试地点在一电磁屏蔽室内,内部专业隔音,避光板避光。要求测试人员和受试者均关闭手机,测试正式开始后,除受试者感觉不适告知检测人员外,不允许有交谈。测试环境干净、整洁,测试人员通过空调对室内温度、湿度进行调节,使温度维持在22℃~26℃,湿度维持在30%~42%。
使用脑电采集装置采集实时太极桩脑电数据,包括站桩前安静状态T时长的脑电数据、站桩时T时长的脑电数据、站桩后T时长的脑电数据,T=90~180s。本实施例采集练习者站桩前安静状态下开展2分钟的站桩前脑电数据采集,之后进行2分钟的站桩中脑电数据采集,站桩之后开展2分钟的站桩后脑电数据采集。
步骤(2)中值滤波。
在实际测量中,测量系统会存在环境误差,导致尖峰突起状的误差,中值滤波可消除此类误差:
步骤(3)小波包变换。
因为脑电信号的幅度比较微弱,只有50pV,有效频率范围在0.5~50Hz,为了通过脑电特征研究大脑的状态,需要将不同频段的脑电解析,并提取各频段的特点来表征人体大脑不同的生理活动状态。对脑电数据进行小波包变换,具体如下:
(3-1)对脑电数据进行小波变换,得到一组小波分解系数:原始太极桩脑电信号电压幅值序列为 表示第n个原始脑电波信号的电压幅值,n=1,2,…,N,N表示原始脑电信号包含的幅值数量。采用Db4小波基,即一种有限长会衰减的小波基函数,记为将原始脑电波信号用一组正交的不同频率的小波基进行展开,得到Db4小波基对应的小波分解系数:其中,τ为平移量,尺度a控制小波函数的伸缩,与小波的频率成反比。
(3-2)设定噪声阈值thr,对小波变换后得到的小波分解系数WT4(a,τ)与该阈值进行比较:若小波分解系数小于阈值thr,则认为该小波分解系数主要由噪声引起,去除该小波分解系数;若小波系数大于等于阈值thr,则认为是由脑电数据信号引起,需要该小波分解系数。阈值处理小波分解系数WT4(a,τ),得到小波估计系数WT′4(a,τ):本实施例使用通用阈值,在最大最小估计的限制下,其最优阈值σz表示噪声标准方差;采用软阈值法对分解后的小波系数进行如下处理,得到小波估计系数WT′4(a,τ):
(3-3)利用小波估计系数WT′4(a,τ)进行小波重构,得到去噪后的脑电信号:根据处理后的小波系数WT′4(a,τ)与小波基中的尺度a和平移量τ,对原始脑电波信号进行重构,去完噪后的原始脑电波信号的第n个幅值为:
(3-4)小波包分解计算小波系数:对去噪后的脑电波信号序列x={x1,x2,…,xN},采用Db4小波基函数按照二叉树方法进行W层分解,对于第w层的第μ个节点(w,μ)对应的Db4小波基函数记为w=1,2,…,W,μ=1,2,…,2w。
(3-5)脑电信号重构:
由图2可以看出,小波包变换得到的各节点频率范围顺序不是按从小到大排序的,而是以格雷码的顺序。如果第n-1层的某个节点为低频信号,则此节点在第n层上做分解:低频段分到此节点的左子节点,高频段分到右子节点;如果第n-1层的某个节点为高频信号,则此节点的高频段分到此节点的左子节点,低频段分到右子节点;与运动想象有关的脑电信号频率分布在α(8~13Hz)和β(14~30Hz)频段,对于两个频段的脑电波信号,选择二叉树中对应节点组合Uλ,λ∈(α,β),将Uλ内包含的小波系数与小波基进行重构,λ频段原始脑电波信号幅值
(3-6)对各个频段的信号进行提取,记录在一个矩阵中。
步骤(4)数据分析,包括:
(4-1)统计学指标分析:
对每个频段的波分别计算15个特征,时间间隔为t,t=5~10s,即每间隔时间t对应一组特征,每个频段在每个特征下都有一段随时间变化的特征序列,本实施例间隔时间为6秒。针对这些特征,对不同太极桩,及不同的站桩阶段进行分析。
15个特征具体是:平均值均方根RMS(x)、标准三次方偏度skew(x)、Hjorth迁移率HM(x)、方差var(x)、绝对值平均ARV(x)、Hjorth复杂度HC(x)、标准四次方偏度kurt(x)、最大功率谱密度max(P)、平均功率谱密度mean(P)、平均频率MNF、Renyi熵RE、功率谱、谱熵、能量。
(4-2)阶段相关性检验:
将站桩前后隶属于同一个特征的特征序列之间做z检验,判断站桩前的特征序列的平均值与站桩后是否有显著性差异。z检验,也称“U检验”,是为了检验在零假设情况下测试数据能否可以接近正态分布的一种统计测试。根据中心极限定理,在大样本条件下许多测验可以被贴合为正态分布。方法如下:
当已知的样本数据量小于设定值时,z检验的公式为:当已知的样本数据量大于等于时,z检验的公式为:其中,为样本均值;μ′为总体样本显著性表征常数,σ为总体标准差,S为样本标准差,np为样本容量。通过公式计算得到的数列为z值,z值用于检测此样本与整体的分布的差异性。
具体的z值对应不同的p值,若p≥0.05,表示样本间存在显著性差异,若p<0.05,表示样本间不存在显著性差异。
(4-3)包络分析:
在对于一些非平稳的复杂信号的分析中,采用提取信号包络线的方式,进行后续分析,为使用包络理论分析原始信号。从神经基团信号传递理论上来说,突触信息传递需要满足阈值电位,导致神经元对信号的处理有一定的时延和累积效应,这种简化分析方法已经在脑电睡眠有大量的研究和应用。但从任意信号的角度来说,比如说在对频谱幅度和相位均敏感的神经频段研究中,直接提取包络基本上可以毁掉频谱上的定位信息。具体如下:
获取信号的上下包络l1和l2,上下包络差值Xarc=l1-l2综合反应脑电活动的周期性。为避免包络信息对频谱上的信息的破坏,预先提取频段内的信号,再对信号提取包络,使得损失的频域信息为并不重要的频段内部信息。
对于上下包络差值使用表二的指标提取特征,记录数据;直接提取包络基本上可以毁掉频谱上的定位信息,得到特征矩阵:S′表示将重构后的脑电信号按照通道和频段并列排放时的二维矩阵,xq,g表示第q个频段第g个脑电信号的电压幅值,q=1,2,…,Q,g=1,2,…,G。
对矩阵S′计算相关性,得到各个频段间的数据的相关系数记录矩阵:其中,和分别为样本和样本的均值,和分别为样本和样本的标准差,和分别为样本和样本的容量。K表征不同频段下的样本差异性,具体的K值对应不同的p值,若p≥0.05,表示样本间存在显著性差异,若p<0.05,表示样本间不存在显著性差异。
步骤(5)综合分析。
在相应数据集上的进行数据验证,得到太急桩训练的治疗效果的定量表达方法。
Claims (6)
1.基于脑电频谱特征的太极桩精神状态检测方法,其特征在于,具体是:
步骤(1)获取太极桩脑电数据;
在测试地点使用脑电采集装置采集实时太极桩脑电数据;所述的测试地点为隔音、避光的电磁屏蔽室,温度为22℃~26℃,湿度为30%~42%;所述的实时数据包括站桩前安静状态T时长的脑电数据、站桩时T时长的脑电数据、站桩后T时长的脑电数据,T=90~180s;
步骤(2)中值滤波;
通过以下中值滤波消除此类误差:
步骤(3)对脑电数据进行小波包变换,具体是:
(3-1)对脑电数据进行小波变换,得到一组小波分解系数:原始太极桩脑电信号电压幅值序列为 表示第n个原始脑电波信号的电压幅值,n=1,2,…,N,N表示原始脑电信号包含的幅值数量;采用Db4小波基将原始脑电波信号用一组正交的不同频率的小波基进行展开,得到Db4小波基对应的小波分解系数:其中,τ为平移量,尺度a控制小波函数的伸缩,与小波的频率成反比;
(3-2)设定噪声阈值thr,对小波变换后得到的小波分解系数WT4(a,τ)与该阈值进行比较:若小波分解系数小于阈值thr,则去除该小波分解系数;若小波系数大于等于阈值thr,则保留该小波分解系数;采用软阈值法对分解后的小波系数进行处理,得到小波估计系数WT′4(a,τ):
(3-5)脑电信号重构:
如果第n-1层的某个节点为低频信号,则此节点在第n层上做分解:低频段分到此节点的左子节点,高频段分到右子节点;
如果第n-1层的某个节点为高频信号,则此节点的高频段分到此节点的左子节点,低频段分到右子节点;
(3-6)对各频段的信号进行提取,记录在一个矩阵中;
步骤(4)数据分析,包括:
(4-1)统计学指标分析:
对每个频段的波分别计算多个特征,时间间隔为t,t=5~10s,即每间隔时间t对应一组特征,每个频段在每个特征下都有一段随时间变化的特征序列,针对这些特征,对不同太极桩,及不同的站桩阶段进行分析;
(4-2)阶段相关性检验:
将站桩前后隶属于同一个特征的特征序列之间做z检验,判断站桩前的特征序列的平均值与站桩后是否有显著性差异;
(4-3)包络分析:
获取信号的上下包络l1和l2,上下包络差值Xarc=l1-l2综合反应脑电活动的周期性;
对于上下包络差值使用表二的指标提取特征,记录数据,得到重构后的脑电信号按照通道和频段并列排放时的二维矩阵S′;
对矩阵S′计算相关性,判断站桩前与站桩后各个频段间的数据是否有显著性差异;
步骤(5)综合分析;
在相应数据集上的进行数据验证,得到太极桩训练的治疗效果的定量表达方法。
4.如权利要求1所述的基于脑电频谱特征的太极桩精神状态检测方法,其特征在于,(4-2)中所述的z检验具体是:
当已知的样本数据量小于设定值时,z检验的公式为:当已知的样本数据量大于等于时,z检验的公式为:其中,为样本均值;μ′为总体样本显著性表征常数,σ为总体标准差,S为样本标准差,np为样本容量;通过公式计算得到的数列为z值,z值用于检测此样本与整体的分布的差异性;
具体的z值对应不同的p值,若p≥0.05,表示样本间存在显著性差异,若p<0.05,表示样本间不存在显著性差异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210177178.8A CN114587357A (zh) | 2022-02-25 | 2022-02-25 | 基于脑电频谱特征的太极桩精神状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210177178.8A CN114587357A (zh) | 2022-02-25 | 2022-02-25 | 基于脑电频谱特征的太极桩精神状态检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114587357A true CN114587357A (zh) | 2022-06-07 |
Family
ID=81805481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210177178.8A Pending CN114587357A (zh) | 2022-02-25 | 2022-02-25 | 基于脑电频谱特征的太极桩精神状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114587357A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115349861A (zh) * | 2022-08-23 | 2022-11-18 | 山东大学 | 一种基于单通道脑电信号的精神压力检测系统及方法 |
-
2022
- 2022-02-25 CN CN202210177178.8A patent/CN114587357A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115349861A (zh) * | 2022-08-23 | 2022-11-18 | 山东大学 | 一种基于单通道脑电信号的精神压力检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102835955B (zh) | 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 | |
CN110584649B (zh) | 一种动态单导心电图中异常心电信号识别方法及系统 | |
Ahirwal et al. | Power spectrum analysis of EEG signals for estimating visual attention | |
Gurve et al. | Separation of fetal-ECG from single-channel abdominal ECG using activation scaled non-negative matrix factorization | |
CN102697493A (zh) | 一种快速的脑电信号中眼电伪迹自动识别和去除的方法 | |
CN103110418A (zh) | 一种脑电信号特征提取方法 | |
CN113786204A (zh) | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 | |
CN112603332A (zh) | 一种基于脑电信号特征分析的情感认知方法 | |
CN111096745B (zh) | 基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法 | |
CN113723557B (zh) | 一种基于多频带时空卷积网络的抑郁脑电分类系统 | |
Stevenson et al. | A nonparametric feature for neonatal EEG seizure detection based on a representation of pseudo-periodicity | |
EP3197351A1 (en) | System, method and apparatus for detecting an evoked response signal | |
CN104473660A (zh) | 一种基于子带能量包络自相关特征的异常心音识别方法 | |
CN114190944A (zh) | 基于脑电信号的鲁棒情绪识别方法 | |
CN112998704A (zh) | 一种可穿戴设备血氧饱和度计算方法 | |
CN114587357A (zh) | 基于脑电频谱特征的太极桩精神状态检测方法 | |
Walters-Williams et al. | Performance comparison of known ICA algorithms to a wavelet-ICA merger | |
Islam et al. | Probability mapping based artifact detection and wavelet denoising based artifact removal from scalp EEG for BCI applications | |
Mustafa et al. | GLCM texture feature reduction for EEG spectrogram image using PCA | |
Signorini et al. | Applying nonlinear noise reduction in the analysis of heart rate variability | |
CN115251845A (zh) | 基于TB-TF-BiGRU模型处理脑电波信号的睡眠监测方法 | |
Jaffino et al. | Expectation-maximization extreme machine learning classifier for epileptic seizure detection | |
Janusauskas et al. | Detection of transient-evoked otoacoustic emissions and the design of time windows | |
Naik et al. | Limitations and applications of ICA for surface electromyogram | |
CN107440687B (zh) | 一种疼痛等级评估方法及采用其的疼痛等级评估装置 |
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 |