CN115399790A - 基于贝叶斯数据融合脑电ers_erd的分析方法 - Google Patents

基于贝叶斯数据融合脑电ers_erd的分析方法 Download PDF

Info

Publication number
CN115399790A
CN115399790A CN202211345720.2A CN202211345720A CN115399790A CN 115399790 A CN115399790 A CN 115399790A CN 202211345720 A CN202211345720 A CN 202211345720A CN 115399790 A CN115399790 A CN 115399790A
Authority
CN
China
Prior art keywords
ers
sampling
erd
equal
value
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.)
Granted
Application number
CN202211345720.2A
Other languages
English (en)
Other versions
CN115399790B (zh
Inventor
张健
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.)
Shenzhen Lan You Technology Co Ltd
Original Assignee
Shenzhen Lan You 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 Shenzhen Lan You Technology Co Ltd filed Critical Shenzhen Lan You Technology Co Ltd
Priority to CN202211345720.2A priority Critical patent/CN115399790B/zh
Publication of CN115399790A publication Critical patent/CN115399790A/zh
Application granted granted Critical
Publication of CN115399790B publication Critical patent/CN115399790B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • 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
    • A61B5/16—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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis

Abstract

本发明提供了一种基于贝叶斯数据融合脑电ERS_ERD的分析方法，S1，通过脑电实验流程被试操作的任务及任务的试验次数，招募被试完成实验任务，获取脑电波信号数据；­S2，对获取到的脑电波信号数据通过脑电预处理的python工具库MNE进行预处理；通过运用贝叶斯数据融合的算法对多个导联上的采样值进行融合，将ERS_ERD振荡的采样范围从单一导联扩展到附近脑区的多处导联，从而提高了采样信息的利用率，同时通过在移动平均平滑处理中加入平滑度的计算，解决了EWMA指数加权移动平均算法中权重系数存在的平稳性与时效性之间的矛盾，能够在保证EWMA预测序列平稳性的基础上，让EWMA预测序列对数据的实际变动更加敏感，减少了一般平滑处理中存在的时延问题。

Description

基于贝叶斯数据融合脑电ERS_ERD的分析方法
技术领域
本发明涉及计算机应用技术领域，更具体地说，涉及一种基于贝叶斯数据融合脑电ERS_ERD的分析方法。
背景技术
随着用户体验度量在各行各业的普及，用户研究员寻求更加客观的用户体验度量方法，新兴的神经营销研究就是代表。其中脑电信号中delta频段、alpha频段、theta频段、gamma频段的振荡可以反映用户使用电子产品的体验，也可以反映消费者的购物旅程体验。脑电信号的振荡的隐藏了许多内隐信息，合理利用这些信息，将会为评估认知体验和情感体验带来帮助。
现有技术中有关脑电信号的振荡的分析，往往采用ERS_ERD (事件相关同步/事件相关去同步) 分析方法，它作为最经典的脑电分析方法之一，已得到广泛的实践。经典的ERS_ERD分析流程包括：对原始脑电信号进行带通滤波；计算滤波后的脑电信号每个样本点的平方；对功率采样点做叠加平均；移动平均处理平滑采样值；计算ERS_ERD百分比。但是，该流程的不足之处在于：只能获得单一导联的ERS_ERD振荡情况，而特定频段的脑波ERS_ERD振荡往往分布于特定脑区的多个导联；移动平均处理算法存在平稳性和时效性的矛盾。
发明内容
本发明要解决的技术问题在于，针对上述技术方案存在的不足，提供基于贝叶斯数据融合脑电ERS_ERD的分析方法能够提升分析的适用性与准确性。
本发明提供一种基于贝叶斯数据融合脑电ERS_ERD的分析方法，所述方法包括以下步骤：
S1，通过脑电实验流程被试操作的任务及任务的试验次数，招募被试完成实验任务，获取脑电波信号数据；
S2，对获取到的脑电波信号数据通过脑电预处理的python工具库MNE进行预处理；
S3，通过在脑电波信号数据中选择出现ERS_ERD现象的脑波频段，并确定该频段对应的导联并对预处理的脑电波信号数据进行带通滤波；
S4，对滤波后脑电波信号数据中的每个采样值取平方，获得对应的功率采样值；
S5，通过贝叶斯的数据融合算法将各个导联在相同时间位置的功率采样值进行数据融合后得到带加权的功率采样值；
S6，通过EWMA指数加权移动平均算法，对获得的加权功率采样值序列进行数据平滑处理；
S7，通过选择脑电ERS_ERD分析参考时间段，以该时间段为基准，计算功率值上升或下降的百分比。
在本发明所述的基于贝叶斯数据融合脑电ERS_ERD的分析方法中，在所述步骤S1中，所述脑电波信号数据的采样率为λHz；所述脑电波信号数据包括M个trial，即M次试验；且在每次试验中，每个脑电导联都有N个采样值。
在本发明所述的基于贝叶斯数据融合脑电ERS_ERD的分析方法中，在所述步骤S2中，所述预处理包括进行定位通道位置、设置通道类型、滤波与去伪迹。
在本发明所述的基于贝叶斯数据融合脑电ERS_ERD的分析方法中，在所述步骤S3 中，选择的所述脑波频段为
Figure 687345DEST_PATH_IMAGE001
Hz～
Figure 330815DEST_PATH_IMAGE002
Hz，且该频段对应的导联数目为P，所述
Figure 665982DEST_PATH_IMAGE003
为 低通滤波的参数，所述
Figure 394903DEST_PATH_IMAGE004
为高通滤波的参数。
在本发明所述的基于贝叶斯数据融合脑电ERS_ERD的分析方法中，在所述步骤S4中，滤波后脑电波信号数据中的采样值为：
Figure 785302DEST_PATH_IMAGE005
(1≤i≤M, 1≤j≤P, 1≤k≤N)，其中
Figure 283280DEST_PATH_IMAGE006
表示第i次试验中在第j 个导联上的第k个功率采样值，
Figure 789348DEST_PATH_IMAGE007
表示经过滤波的第i次试验中在第j个导联上的第k个 采样值，M为试验次数，P为导联个数，N为功率采样值个数。
在本发明所述的基于贝叶斯数据融合脑电ERS_ERD的分析方法中，所述步骤S5包括以下子步骤，
S51，将采样值
Figure 5565DEST_PATH_IMAGE006
汇总得到第j个导联上的第
Figure 950387DEST_PATH_IMAGE008
个功率采样值集合
Figure 302871DEST_PATH_IMAGE009
={
Figure 245420DEST_PATH_IMAGE010
| 1≤ i≤M} (1≤j≤P)，其中
Figure 683354DEST_PATH_IMAGE009
表示全部M次试验中第j个导联上的第
Figure 103971DEST_PATH_IMAGE008
个功率采样值所组成的 数集；
S52，通过计算任意两个导联第
Figure 389590DEST_PATH_IMAGE011
个导联和第
Figure 237460DEST_PATH_IMAGE012
个导联，且
Figure 162691DEST_PATH_IMAGE013
，
Figure 386999DEST_PATH_IMAGE014
之间 采样数据的置信距离
Figure 714075DEST_PATH_IMAGE015
和
Figure 60743DEST_PATH_IMAGE016
，其中 (1≤
Figure 473270DEST_PATH_IMAGE008
≤N)；
Figure 235689DEST_PATH_IMAGE017
(1≤p≤P,1≤q≤P)
Figure 417272DEST_PATH_IMAGE018
(1≤p≤P,1≤q≤P)
式中，
Figure 872524DEST_PATH_IMAGE019
和
Figure 86861DEST_PATH_IMAGE020
是条件概率；
Figure 652972DEST_PATH_IMAGE021
其中，
Figure 689061DEST_PATH_IMAGE022
，
Figure 315214DEST_PATH_IMAGE023
；
Figure 764650DEST_PATH_IMAGE024
其中，
Figure 868872DEST_PATH_IMAGE025
，
Figure 25047DEST_PATH_IMAGE026
；
S53，通过计算置信距离矩阵
Figure 822102DEST_PATH_IMAGE027
，其中(1≤
Figure 430938DEST_PATH_IMAGE028
≤N)；
Figure 417480DEST_PATH_IMAGE029
确定合适的临界值α，将置信距离矩阵
Figure 428161DEST_PATH_IMAGE027
转化为关系布尔矩阵
Figure 396117DEST_PATH_IMAGE030
(1≤
Figure 492249DEST_PATH_IMAGE008
≤N)；
Figure 938274DEST_PATH_IMAGE031
S54，筛选出
Figure 131358DEST_PATH_IMAGE032
个采样数值有效的导联，对它们的采样数值进行融合，计算
Figure 270215DEST_PATH_IMAGE033
，
Figure 853643DEST_PATH_IMAGE034
，最终的融合结果
Figure 103359DEST_PATH_IMAGE035
为：
Figure 88632DEST_PATH_IMAGE036
其中1≤
Figure 709975DEST_PATH_IMAGE028
≤N；
S55，确定合适的阈值
Figure 780700DEST_PATH_IMAGE037
，对于一处导联的采样
Figure 834106DEST_PATH_IMAGE038
，当它被多 于
Figure 673886DEST_PATH_IMAGE037
个导联的采样支持时认为该导联的采样数值有效，重复执行步骤S52~S54，总共N次，得 到
Figure 216863DEST_PATH_IMAGE039
，
Figure 509304DEST_PATH_IMAGE040
，
Figure 366402DEST_PATH_IMAGE041
，…，
Figure 60688DEST_PATH_IMAGE042
，对应N个采样时刻的加权功率采样值，记加权功率采样集合为
Figure 712249DEST_PATH_IMAGE043
；
在本发明所述的基于贝叶斯数据融合脑电ERS_ERD的分析方法中，所述步骤S6包括以下子步骤，
S61，通过EWMA指数加权移动平均算法对集合
Figure 570615DEST_PATH_IMAGE043
进行数据平滑处 理得到：
Figure 965824DEST_PATH_IMAGE044
，
Figure 514617DEST_PATH_IMAGE045
, 2≤k≤N
其中
Figure 602659DEST_PATH_IMAGE046
为对第k次采样的平滑值，
Figure 869692DEST_PATH_IMAGE047
为第k次的加权功率采样值，
Figure 865330DEST_PATH_IMAGE048
(0<
Figure 534209DEST_PATH_IMAGE048
< 1)是EWMA对于加权功率采样值
Figure 793152DEST_PATH_IMAGE047
的权重系数，其初始值设为
Figure 281902DEST_PATH_IMAGE049
；
S62，通过设定
Figure 284493DEST_PATH_IMAGE050
，并定义动态数据序列
Figure 122393DEST_PATH_IMAGE051
为：
Figure 286658DEST_PATH_IMAGE052
(3≤k≤N)并根据以下公式计算数据 序列
Figure 528283DEST_PATH_IMAGE053
的平均平滑度：
Figure 68986DEST_PATH_IMAGE054
；
S63，若
Figure 446878DEST_PATH_IMAGE055
<0.8，调整
Figure 109940DEST_PATH_IMAGE048
的值，重新计算
Figure 573283DEST_PATH_IMAGE046
，直至数据序列
Figure 917676DEST_PATH_IMAGE053
的平 均平滑度
Figure 415654DEST_PATH_IMAGE055
≥0.8；若
Figure 734771DEST_PATH_IMAGE055
≥0.8，保留数据序列
Figure 950988DEST_PATH_IMAGE053
中的所有EWMA预测值；
S64，以
Figure 833494DEST_PATH_IMAGE056
为起始值，
Figure 185978DEST_PATH_IMAGE057
为步长更新动态数据序列
Figure 862947DEST_PATH_IMAGE053
，重复执行步骤S62~ S63，直至获得调整后的N个EWMA预测值
Figure 363198DEST_PATH_IMAGE058
，
Figure 49394DEST_PATH_IMAGE059
，…，
Figure 256385DEST_PATH_IMAGE060
，
Figure 369834DEST_PATH_IMAGE061
， 获得最终的功率集合
Figure 295065DEST_PATH_IMAGE062
。
在本发明所述的基于贝叶斯数据融合脑电ERS_ERD的分析方法中，其特征在于，所述步骤S7包括以子下步骤：
S71，将所选参考时间段记为
Figure 830957DEST_PATH_IMAGE063
，计算参考时间段reference平均 能量：
Figure 158034DEST_PATH_IMAGE064
。
在本发明所述的基于贝叶斯数据融合脑电ERS_ERD的分析方法中，所述步骤S7包 括以子下步骤：S72，计算功率值
Figure 442384DEST_PATH_IMAGE065
相对于参考时间段reference的上升/下降百分 比：
Figure 589332DEST_PATH_IMAGE066
。
本发明的基于贝叶斯数据融合脑电ERS_ERD的分析方法通过运用贝叶斯数据融合的算法对多个导联上的采样值进行融合，将ERS_ERD振荡的采样范围从单一导联扩展到附近脑区的多处导联，从而提高了采样信息的利用率，同时通过在移动平均平滑处理中加入平滑度的计算，解决了EWMA指数加权移动平均算法中权重系数存在的平稳性与时效性之间的矛盾，能够在保证EWMA预测序列平稳性的基础上，让EWMA预测序列对数据的实际变动更加敏感，减少了一般平滑处理中存在的“时延”问题。
附图说明
图1是本发明基于贝叶斯数据融合脑电ERS_ERD的分析方法实施例的流程示意图；
图2是本发明参考的脑波各频段ERS_ERD现象与导联的对应关系。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1-2所示，是本发明基于贝叶斯数据融合脑电ERS_ERD的分析方法实施例的流程示意图。
提供一种基于贝叶斯数据融合脑电ERS_ERD的分析方法，包括以下步骤：
在步骤S1中，通过脑电实验流程被试操作的任务及任务的试验次数，招募被试完成实验任务，获取脑电波信号数据；
在步骤S2中，对获取到的脑电波信号数据通过脑电预处理的python工具库MNE进行预处理；
在步骤S3中，通过在脑电波信号数据中选择出现ERS_ERD现象的脑波频段，并确定该频段对应的导联并对预处理的脑电波信号数据进行带通滤波；
在步骤S4中，对滤波后脑电波信号数据中的每个采样值取平方，获得对应的功率采样值；
在步骤S5中，通过贝叶斯的数据融合算法将各个导联在相同时间位置的功率采样值进行数据融合后得到带加权的功率采样值；
在步骤S6中，通过EWMA指数加权移动平均算法，对获得的加权功率采样值序列进行数据平滑处理；
在步骤S7中，通过选择脑电ERS_ERD分析参考时间段，以该时间段为基准，计算功率值上升或下降的百分比。
在一实施例中，在步骤S1中，所述脑电波信号数据的采样率为λHz；脑电波信号数据包括M个trial，即M次试验；且在每次试验中，每个脑电导联都有N个采样值。
在一实施例中，在步骤S2中，预处理包括进行定位通道位置、设置通道类型、滤波与去伪迹。
在一实施例中，在步骤S3中，选择的脑波频段为
Figure 617331DEST_PATH_IMAGE067
Hz～
Figure 861230DEST_PATH_IMAGE068
Hz，且该频段对应 的导联数目为P，
Figure 316482DEST_PATH_IMAGE069
为低通滤波的参数，
Figure 216305DEST_PATH_IMAGE070
为高通滤波的参数。
在一实施例中，在步骤S4中，滤波后
Figure 595465DEST_PATH_IMAGE071
中的采样值为：
Figure 631554DEST_PATH_IMAGE005
(1≤i≤M, 1≤j≤P, 1≤k≤N)，其中
Figure 257708DEST_PATH_IMAGE006
表示第i次试验中在第j 个导联上的第k个功率采样值，
Figure 379247DEST_PATH_IMAGE007
表示经过滤波的第i次试验中在第j个导联上的第k个 采样值，M为试验次数，P为导联个数，N为功率采样值个数。
在一实施例中，步骤S5包括以下子步骤，
S51，定义关于第j个导联上的第
Figure 749049DEST_PATH_IMAGE008
个功率采样值集合
Figure 967541DEST_PATH_IMAGE009
={
Figure 764595DEST_PATH_IMAGE010
| 1≤i≤M} (1≤j ≤P)，其中
Figure 373431DEST_PATH_IMAGE009
表示全部M次试验中第j个导联上的第
Figure 281344DEST_PATH_IMAGE008
个功率采样值所组成的数集；
S52，通过计算任意两个导联第
Figure 606540DEST_PATH_IMAGE072
个导联和第
Figure 574496DEST_PATH_IMAGE012
个导联，且
Figure 670628DEST_PATH_IMAGE013
，
Figure 382232DEST_PATH_IMAGE014
之间 采样数据的置信距离
Figure 512999DEST_PATH_IMAGE015
和
Figure 714173DEST_PATH_IMAGE016
，其中 (1≤
Figure 32022DEST_PATH_IMAGE008
≤N)；
Figure 547317DEST_PATH_IMAGE017
(1≤p≤P,1≤q≤P)
Figure 532591DEST_PATH_IMAGE018
(1≤p≤P,1≤q≤P)
式中，
Figure 842349DEST_PATH_IMAGE019
和
Figure 460543DEST_PATH_IMAGE020
是条件概率；
Figure 513950DEST_PATH_IMAGE021
其中，
Figure 353730DEST_PATH_IMAGE073
，
Figure 834390DEST_PATH_IMAGE074
;
Figure 454727DEST_PATH_IMAGE075
其中，
Figure 46246DEST_PATH_IMAGE025
，
Figure 6111DEST_PATH_IMAGE026
；
S53，通过计算置信距离矩阵
Figure 657673DEST_PATH_IMAGE027
，其中(1≤
Figure 437410DEST_PATH_IMAGE028
≤N)；
Figure 144203DEST_PATH_IMAGE029
确定合适的临界值α，将置信距离矩阵
Figure 958576DEST_PATH_IMAGE027
转化为关系布尔矩阵
Figure 781038DEST_PATH_IMAGE030
(1≤
Figure 48071DEST_PATH_IMAGE008
≤N)；
Figure 309289DEST_PATH_IMAGE076
S54，筛选出
Figure 978167DEST_PATH_IMAGE032
个采样数值有效的导联，对它们的采样数值进行融合，计算
Figure 971531DEST_PATH_IMAGE033
，
Figure 725860DEST_PATH_IMAGE034
，最终的融合结果
Figure 728451DEST_PATH_IMAGE035
为：
Figure 64886DEST_PATH_IMAGE036
其中1≤
Figure 229151DEST_PATH_IMAGE028
≤N；
S55，确定合适的阈值
Figure 470777DEST_PATH_IMAGE037
，对于一处导联的采样
Figure 11479DEST_PATH_IMAGE038
，当它被多 于
Figure 389371DEST_PATH_IMAGE037
个导联的采样支持时认为该导联的采样数值有效，重复执行步骤S52~S54，总共N次，得 到
Figure 52434DEST_PATH_IMAGE039
，
Figure 515776DEST_PATH_IMAGE040
，
Figure 860170DEST_PATH_IMAGE041
，…，
Figure 92568DEST_PATH_IMAGE042
，对应N个采样时刻的加权功率采样值，记加权功率采样集合为
Figure 864215DEST_PATH_IMAGE043
；
在一实施例中，步骤S6包括以下子步骤，
S61，通过EWMA指数加权移动平均算法对集合
Figure 117649DEST_PATH_IMAGE043
进行数据平滑处 理得到：
Figure 154DEST_PATH_IMAGE044
，
Figure 352638DEST_PATH_IMAGE045
, 2≤k≤N
其中
Figure 295186DEST_PATH_IMAGE046
为对第k次采样的平滑值，
Figure 733121DEST_PATH_IMAGE047
为第k次的加权功率采样值，
Figure 481634DEST_PATH_IMAGE048
(0<
Figure 688624DEST_PATH_IMAGE048
< 1)是EWMA对于加权功率采样值
Figure 802074DEST_PATH_IMAGE047
的权重系数，其初始值设为
Figure 727305DEST_PATH_IMAGE049
；
S62，通过设定
Figure 764662DEST_PATH_IMAGE050
，并定义动态数据序列
Figure 91738DEST_PATH_IMAGE051
为：
Figure 110510DEST_PATH_IMAGE052
(3≤k≤N)并根据以下公式 计算数据序列
Figure 523036DEST_PATH_IMAGE053
的平均平滑度：
Figure 613352DEST_PATH_IMAGE077
(3≤k≤N)；
S63，若
Figure 794935DEST_PATH_IMAGE055
<0.8，调整
Figure 250187DEST_PATH_IMAGE048
的值，重新计算
Figure 884430DEST_PATH_IMAGE046
，直至数据序列
Figure 762125DEST_PATH_IMAGE053
的平 均平滑度
Figure 63794DEST_PATH_IMAGE055
≥0.8；若
Figure 689947DEST_PATH_IMAGE055
≥0.8，保留数据序列
Figure 811487DEST_PATH_IMAGE053
中的所有EWMA预测值；
S64，
Figure 181288DEST_PATH_IMAGE056
为起始值，
Figure 399780DEST_PATH_IMAGE078
，重复执行步骤S62~S63， 直至获得调整后的N个EWMA预测值
Figure 196835DEST_PATH_IMAGE058
，
Figure 805671DEST_PATH_IMAGE059
，…，
Figure 713584DEST_PATH_IMAGE060
，
Figure 724265DEST_PATH_IMAGE061
，获得 最终的功率集合
Figure 505271DEST_PATH_IMAGE062
。
在一实施例中，步骤S7包括以子下步骤：
S71，将所选参考时间段记为
Figure 601403DEST_PATH_IMAGE063
，计算参考时间段reference平均 能量：
Figure 313007DEST_PATH_IMAGE079
。
在一实施例中，步骤S7包括以子下步骤：S72，计算功率值
Figure 178194DEST_PATH_IMAGE065
相对于参考时 间段reference的上升/下降百分比：
Figure 379369DEST_PATH_IMAGE080
,1≤k≤N。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如 ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
因此，以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内，本发明的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种基于贝叶斯数据融合脑电ERS_ERD的分析方法，其特征在于，所述方法包括以下步骤：
S1，通过脑电实验流程被试操作的任务及任务的试验次数，招募被试完成实验任务，获取脑电波信号数据；
S2，对获取到的脑电波信号数据通过脑电预处理的python工具库MNE进行预处理；
S3，通过在脑电波信号数据中选择出现ERS_ERD现象的脑波频段，并确定该频段对应的导联并对预处理的脑电波信号数据进行带通滤波；
S4，对滤波后脑电波信号数据中的每个采样值取平方，获得对应的功率采样值；
S5，通过贝叶斯的数据融合算法将各个导联在相同时间位置的功率采样值进行数据融合后得到带加权的功率采样值；
S6，通过EWMA指数加权移动平均算法，对获得的加权功率采样值序列进行数据平滑处理；
S7，通过选择脑电ERS_ERD分析参考时间段，以该时间段为基准，计算功率值上升或下降的百分比。
2.根据权利要求1所述的基于贝叶斯数据融合脑电ERS_ERD的分析方法，其特征在于，在所述步骤S1中，所述脑电波信号数据的采样率为λHz；所述脑电波信号数据包括M个trial，即M次试验；且在每次试验中，每个脑电导联都有N个采样值。
3.根据权利要求2所述的基于贝叶斯数据融合脑电ERS_ERD的分析方法，其特征在于，在所述步骤S2中，所述预处理包括进行定位通道位置、设置通道类型、滤波与去伪迹。
4.根据权利要求3所述的基于贝叶斯数据融合脑电ERS_ERD的分析方法，其特征在于， 在所述步骤S3中，选择的所述脑波频段为
Figure 796959DEST_PATH_IMAGE001
Hz～
Figure 948323DEST_PATH_IMAGE002
Hz，且该频段对应的导联数目为 P，所述
Figure 428983DEST_PATH_IMAGE003
为低通滤波的参数，所述
Figure 987003DEST_PATH_IMAGE004
为高通滤波的参数。
5.根据权利要求4所述的基于贝叶斯数据融合脑电ERS_ERD的分析方法，其特征在于，在所述步骤S4中，滤波后脑电波信号数据中的采样值为：
Figure 578522DEST_PATH_IMAGE005
(1≤i≤M, 1≤j≤P, 1≤k≤N)，其中
Figure 335125DEST_PATH_IMAGE006
表示第i次试验中在第j个导联 上的第k个功率采样值，
Figure 252266DEST_PATH_IMAGE007
表示经过滤波的第i次试验中在第j个导联上的第k个采样 值，M为试验次数，P为导联个数，N为功率采样值个数。
6.根据权利要求5所述的基于贝叶斯数据融合脑电ERS_ERD的分析方法，其特征在于，所述步骤S5包括以下子步骤，
S51，将采样值
Figure 32003DEST_PATH_IMAGE006
汇总得到第j个导联上的第
Figure 427212DEST_PATH_IMAGE008
个功率采样值集合
Figure 241584DEST_PATH_IMAGE009
={
Figure 877096DEST_PATH_IMAGE010
| 1≤i≤M} (1≤j≤P)，其中
Figure 144129DEST_PATH_IMAGE009
表示全部M次试验中第j个导联上的第
Figure 343029DEST_PATH_IMAGE008
个功率采样值所组成的数集；
S52，通过计算任意两个导联第
Figure 11908DEST_PATH_IMAGE011
个导联和第
Figure 67589DEST_PATH_IMAGE012
个导联，
Figure 821918DEST_PATH_IMAGE013
，
Figure 558930DEST_PATH_IMAGE014
之间采样数 据的置信距离
Figure 82315DEST_PATH_IMAGE015
和
Figure 512160DEST_PATH_IMAGE016
，其中 (1≤
Figure 80018DEST_PATH_IMAGE008
≤N)；
Figure 355142DEST_PATH_IMAGE017
(1≤p≤P,1≤q≤P)
Figure 998613DEST_PATH_IMAGE018
(1≤p≤P,1≤q≤P)
式中，
Figure 333779DEST_PATH_IMAGE019
和
Figure 62701DEST_PATH_IMAGE020
是条件概率；
Figure 203832DEST_PATH_IMAGE021
其中，
Figure 701809DEST_PATH_IMAGE022
，
Figure 473456DEST_PATH_IMAGE023
；
Figure 424095DEST_PATH_IMAGE024
其中，
Figure 119649DEST_PATH_IMAGE025
，
Figure 472133DEST_PATH_IMAGE026
；
S53，通过计算置信距离矩阵
Figure 414682DEST_PATH_IMAGE027
，其中(1≤
Figure 852616DEST_PATH_IMAGE028
≤N)；
Figure 273233DEST_PATH_IMAGE029
确定合适的临界值α，将置信距离矩阵
Figure 808120DEST_PATH_IMAGE027
转化为关系布尔矩阵
Figure 921569DEST_PATH_IMAGE030
(1≤
Figure 846800DEST_PATH_IMAGE008
≤N)；
Figure 71108DEST_PATH_IMAGE031
S54，筛选出
Figure 132605DEST_PATH_IMAGE032
个采样数值有效的导联，对它们的采样数值进行融合，计算
Figure 728540DEST_PATH_IMAGE033
，
Figure 141067DEST_PATH_IMAGE034
，最终的融合结果
Figure 169066DEST_PATH_IMAGE035
为：
Figure 350648DEST_PATH_IMAGE036
其中1≤
Figure 540321DEST_PATH_IMAGE028
≤N；
S55，确定合适的阈值
Figure 502461DEST_PATH_IMAGE037
，对于一处导联的采样
Figure 68572DEST_PATH_IMAGE038
，当它被多于
Figure 370240DEST_PATH_IMAGE037
个导联的采样支持时认为该导联的采样数值有效，重复执行步骤S52~S54，总共N次，得到
Figure 730814DEST_PATH_IMAGE039
，
Figure 930982DEST_PATH_IMAGE040
，
Figure 300784DEST_PATH_IMAGE041
，…，
Figure 191379DEST_PATH_IMAGE042
，对应N个采样时刻的加权功率采样值，记加权功率采样集合为
Figure 988434DEST_PATH_IMAGE043
。
7.根据权利要求6所述的脑电ERS_ERD的分析方法，其特征在于，所述步骤S6包括以下子步骤，
S61，通过EWMA指数加权移动平均算法对集合
Figure 597270DEST_PATH_IMAGE043
进行数据平滑处理得 到：
Figure 833079DEST_PATH_IMAGE044
，
Figure 843761DEST_PATH_IMAGE045
, 2≤k≤N
其中
Figure 811717DEST_PATH_IMAGE046
为对第k次采样的平滑值，
Figure 907849DEST_PATH_IMAGE047
为第k次的加权功率采样值，
Figure 619453DEST_PATH_IMAGE048
(0<
Figure 799155DEST_PATH_IMAGE048
<1)是 EWMA对于加权功率采样值
Figure 938012DEST_PATH_IMAGE047
的权重系数，其初始值设为
Figure 521440DEST_PATH_IMAGE049
；
S62，通过设定
Figure 771156DEST_PATH_IMAGE050
，并定义动态数据序列
Figure 818746DEST_PATH_IMAGE051
为：
Figure 128505DEST_PATH_IMAGE052
(3≤k≤N)并根据以下公式计算数据 序列
Figure 199229DEST_PATH_IMAGE053
的平均平滑度：
Figure 252636DEST_PATH_IMAGE054
；
S63，若
Figure 92416DEST_PATH_IMAGE055
<0.8，调整
Figure 386125DEST_PATH_IMAGE048
的值，重新计算
Figure 678566DEST_PATH_IMAGE046
，直至数据序列
Figure 535664DEST_PATH_IMAGE053
的平均平滑 度
Figure 229950DEST_PATH_IMAGE055
≥0.8；若
Figure 881511DEST_PATH_IMAGE055
≥0.8，保留数据序列
Figure 989145DEST_PATH_IMAGE053
中的所有EWMA预测值；
S64，以
Figure 384354DEST_PATH_IMAGE056
为起始值，
Figure 933147DEST_PATH_IMAGE057
为步长更新动态数据序列
Figure 21189DEST_PATH_IMAGE053
，重复执行步骤S62~S63，直 至获得调整后的N个EWMA预测值
Figure 288222DEST_PATH_IMAGE058
，
Figure 798707DEST_PATH_IMAGE059
，…，
Figure 202006DEST_PATH_IMAGE060
，
Figure 460949DEST_PATH_IMAGE061
，获得最 终的功率集合
Figure 215278DEST_PATH_IMAGE062
。
8.根据权利要求7所述的基于贝叶斯数据融合脑电ERS_ERD的分析方法，其特征在于，所述步骤S7包括以子下步骤：
S71，将所选参考时间段记为
Figure 14607DEST_PATH_IMAGE063
，计算参考时间段reference平均能 量：
Figure 537992DEST_PATH_IMAGE064
。
9.根据权利要求8所述的基于贝叶斯数据融合脑电ERS_ERD的分析方法，其特征在于， 所述步骤S7包括以子下步骤：S72，计算功率值
Figure 967837DEST_PATH_IMAGE065
相对于参考时间段reference的上 升/下降百分比：
Figure 943883DEST_PATH_IMAGE066
。
CN202211345720.2A 2022-10-31 2022-10-31 基于贝叶斯数据融合脑电ers_erd的分析方法 Active CN115399790B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211345720.2A CN115399790B (zh) 2022-10-31 2022-10-31 基于贝叶斯数据融合脑电ers_erd的分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211345720.2A CN115399790B (zh) 2022-10-31 2022-10-31 基于贝叶斯数据融合脑电ers_erd的分析方法

Publications (2)

Publication Number Publication Date
CN115399790A true CN115399790A (zh) 2022-11-29
CN115399790B CN115399790B (zh) 2023-02-03

Family

ID=84167768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211345720.2A Active CN115399790B (zh) 2022-10-31 2022-10-31 基于贝叶斯数据融合脑电ers_erd的分析方法

Country Status (1)

Country Link
CN (1) CN115399790B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101259015A (zh) * 2007-03-06 2008-09-10 李小俚 一种脑电信号分析监测方法及其装置
CN101352337A (zh) * 2007-12-25 2009-01-28 天津大学 站起想象动作脑电的信号采集和特征提取方法
CN103870686A (zh) * 2014-03-07 2014-06-18 中国民航大学 一种基于信息融合的超声相控阵方法
CN104586387A (zh) * 2015-01-19 2015-05-06 秦皇岛市惠斯安普医学系统有限公司 一种时、频、空域多参数脑电特征提取与融合方法
US20170296048A1 (en) * 2014-12-11 2017-10-19 Indian Institute of Technology, Gandhinagar Smart eye system for Visuomotor dysfunction diagnosis and its operant conditioning
WO2020113221A1 (en) * 2018-11-30 2020-06-04 Mahon Bradford Data processing system for generating predictions of cognitive outcome in patients
US20210196182A1 (en) * 2018-05-24 2021-07-01 Health Tech Connex Inc. Quantifying motor function using eeg signals

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101259015A (zh) * 2007-03-06 2008-09-10 李小俚 一种脑电信号分析监测方法及其装置
CN101352337A (zh) * 2007-12-25 2009-01-28 天津大学 站起想象动作脑电的信号采集和特征提取方法
CN103870686A (zh) * 2014-03-07 2014-06-18 中国民航大学 一种基于信息融合的超声相控阵方法
US20170296048A1 (en) * 2014-12-11 2017-10-19 Indian Institute of Technology, Gandhinagar Smart eye system for Visuomotor dysfunction diagnosis and its operant conditioning
CN104586387A (zh) * 2015-01-19 2015-05-06 秦皇岛市惠斯安普医学系统有限公司 一种时、频、空域多参数脑电特征提取与融合方法
US20210196182A1 (en) * 2018-05-24 2021-07-01 Health Tech Connex Inc. Quantifying motor function using eeg signals
WO2020113221A1 (en) * 2018-11-30 2020-06-04 Mahon Bradford Data processing system for generating predictions of cognitive outcome in patients

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ANNALISA CADONNA ET AL: "bayesian spectral modeling for multiple time series", 《JOURNAL OF THE AMERICAN STATISITCAL ASSOCIATION》 *
豆丁网: "信息融合技术-基于Bayes估计的数据融合方法及应用", 《HTTP://WWW.DOCIN.COM/P-2266680632.HTML》 *

Also Published As

Publication number Publication date
CN115399790B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
WO2020087974A1 (zh) 生成模型的方法和装置
CN111368980B (zh) 状态检测方法、装置、设备及存储介质
JP2001502831A (ja) 測定可能な時系列の統計的依存性の分類方法
CN111526119B (zh) 异常流量检测方法、装置、电子设备和计算机可读介质
US11103193B2 (en) Detecting and predicting an epileptic seizure
CN115184193B (zh) 线缆的自动化测试方法、装置、设备及存储介质
CN112596016A (zh) 基于多个一维卷积神经网络集成的互感器故障诊断方法
CN112415329A (zh) 电压暂降辨识方法、装置、计算机设备和存储介质
Wani et al. Detection of epileptic seizure using wavelet transform and neural network classifier
CN113971437B (zh) 一种基于商用Wi-Fi设备的跨域手势识别方法
CN115399790B (zh) 基于贝叶斯数据融合脑电ers_erd的分析方法
CN117112336B (zh) 智能通信设备异常检测方法、设备、存储介质及装置
CN116552306B (zh) 直流桩的监控系统及其方法
CN110879821A (zh) 评分卡模型衍生标签生成方法、装置、设备及存储介质
KR101181326B1 (ko) 채프에코 식별 시스템 및 그 방법
CN111798237B (zh) 基于应用日志的异常交易诊断方法及系统
Aggoune et al. Modeling of a distillation column based on NARMAX and Hammerstein models
CN111383721B (zh) 预测模型的构建方法、多肽合成难度的预测方法及装置
Aldosari et al. Image-Based Partial Discharge Identification in High Voltage Cables Using Hybrid Deep Network
CN114167189A (zh) 一种焊接缺陷检测方法、电子设备及存储介质
CN112765219A (zh) 一种跳过平稳区域的流数据异常检测方法
CN102117380A (zh) 简化基于矩阵的Boosting算法的系统及方法
JPH05204407A (ja) プロセスの特性予測方法ならびにその予測方法を用いたプロセスの監視方法およびプロセスの制御方法
CN115953724B (zh) 一种用户数据分析以及管理方法、装置、设备及存储介质
CN117407666B (zh) 基于人工智能的智能垃圾桶参数分析和控制方法及装置

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
GR01 Patent grant
GR01 Patent grant