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 PDFInfo
- 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
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
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S4中,滤波后脑电波信号数据中的采样值为:
(1≤i≤M, 1≤j≤P, 1≤k≤N),其中表示第i次试验中在第j
个导联上的第k个功率采样值,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,
S55,确定合适的阈值,对于一处导联的采样,当它被多
于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,,,…,,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;
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,
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:
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。
(1≤i≤M, 1≤j≤P, 1≤k≤N),其中表示第i次试验中在第j
个导联上的第k个功率采样值,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,
S55,确定合适的阈值,对于一处导联的采样,当它被多
于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,,,…,,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;
在一实施例中,步骤S6包括以下子步骤,
在一实施例中,步骤S7包括以子下步骤:
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。
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,
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,
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)
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 |
-
2022
- 2022-10-31 CN CN202211345720.2A patent/CN115399790B/zh active Active
Patent Citations (7)
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)
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 |