CN115886720A - 一种基于脑电信号的可穿戴视力检测装置 - Google Patents
一种基于脑电信号的可穿戴视力检测装置 Download PDFInfo
- Publication number
- CN115886720A CN115886720A CN202211345433.1A CN202211345433A CN115886720A CN 115886720 A CN115886720 A CN 115886720A CN 202211345433 A CN202211345433 A CN 202211345433A CN 115886720 A CN115886720 A CN 115886720A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- signal
- vision
- signals
- subject
- 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
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于脑电信号的可穿戴视力检测装置,包括便携式脑电采集设备、脑电识别模块和视力检测模块;所述便携式脑电采集设备用于播放刺激范式视频,同时从受试者大脑采集脑电信号;脑电识别模块脑电识别模块用于控制便携式脑电采集设备的视频播放,并对脑电信号进行校验和解析;视力检测模块对脑电信号进行预处理,特征分析与提取、特征融合和模型检测;其中,对于受试者的融合特征,通过预构建的模型进行检测,得到受试者的视力范围。本发明以基于视觉‑脑波反应的客观评测系统为基础,可以建立独立于基于视觉分辨率‑认识‑主观表达的视力表系统的视功能评价系统,重新定义视力这一基本概念;同时本发明具有受外界环境影响小、适用人群广、便携等特点。
Description
技术领域
本发明涉及视力检测装置技术,具体涉及一种基于脑电信号的可穿戴视力检测装置。
背景技术
世界卫生组织此前的研究报告显示,中国近视患者人数多达6亿,其背后的原因有近视检测效率不高,防控不及时,忽视前期的视力保护等。面对如此多的近视患者人数,提高近视监测效率和及时防控,并做到早发现、早诊断、早干预是很有必要的。
然而传统的检测方法多为字母视力表,该方法主要存在以下不足之处:1、适用人群有限。传统的字母视力表需要检查者和被检查者充分理解和配合,而沟通障碍人群,婴幼儿等无法与检查者进行良性互动;2、适用的场合有限。传统的视力检查需要被检查者到医院等地在专业人士的指导下进行检查,不适用于行动不便者以及弱视康复训练后的居家自测。并且,传统的视力检测因光亮度,检测距离等因素无法在家自主完成,也需在专业人士的指导下进行视力检测;3、检测结果存在主观性。采用字母视力表做检测时,一方面受检测环境的光亮度的不同,声音的大小等因素所影响,另一方面受被检测者自身的影响,比如当字母变得模糊时,被检测者会开始猜测字母的朝向,有时甚至会通过记忆蒙混过关。而脑电信号作为反应人体大脑客观生理状态的一种信号,它包含了大量的生理与疾病信息,其中也反应了人体视觉方面的信息。
在目前现有的技术中,大多数视力检测方式仍采用传统的检测方法,少部分视力检测方式会基于智能化设备进行视力检测,提高检测的效率,节省时间和人力,如CN202021139491.5一种视力检测仪,为可进行高低调节的装置,便于使用,实用性强。CN201922298567.一种自助视力检测装置,该方案能够自主进行检测,无需人工处理,减少视力检测的成本。
然而,以上检测装置仍存在一定的缺陷:(1)不适用于特殊人群。以上装置检测时仍需要双方互相配合,不适用于聋哑人,婴幼儿、伪盲等人群;(2)不便携。检测装置体积较大,携带不方便,不适用于行动不方便者;(3)检测依据不客观。现有的装置检测依据仍是字母视力表,需要受试者的主观配合,会受检测环境以及被检测者自身因素所影响,从而造成结果主观。
发明内容
本发明的目的是提供一种基于脑电信号的可穿戴视力检测装置,以克服现有技术所存在的问题。
为了实现上述任务,本发明采用以下技术方案:
一种基于脑电信号的可穿戴视力检测装置,包括便携式脑电采集设备、脑电识别模块和视力检测模块;
所述便携式脑电采集设备用于播放刺激范式视频,同时从受试者大脑采集脑电信号;脑电识别模块用于控制便携式脑电采集设备的视频播放,并对脑电信号进行校验和解析;视力检测模块对脑电信号进行预处理,特征分析与提取、特征融合和模型检测;
其中,对于受试者的融合特征,通过预构建的模型进行检测,得到受试者的视力范围。
进一步地,所述便携式脑电采集设备是由两个采集单元、显示单元和绑带组成;其中一个采集单元为脑电采集电极,放置于用受试者的额头,紧贴于额部,用于采集受试者的脑电信号;另一个采集单元作为参考电极夹至受试者耳垂处,显示单元用于显示刺激范式视频,绑带可以进行伸缩,满足受试者不同的头部尺寸。
进一步地,所述脑电识别模块包括TGAM芯片和STM32主控芯片;其中,STM32主控芯片控制显示单元播放刺激范式视频,刺激范式视频刺激受试者产生脑电信号;与此同时,采集单元采集到受试者的脑电信号,并传输至TGAM芯片中;TGAM芯片将脑电信号滤除环境噪声的影响,再进行放大,ADC数模转换,得到数字化的脑电信号,随后判断该信号校验和是否正确,校验和正确则继续解析该信号,校验和错误则放弃该信号;最后,TGAM芯片将采集到的有效数字脑电信号传输至STM32主控芯片;STM32主控芯片将脑电信号通过无线方式传输至视力检测模块3。
进一步地,所述视力检测模块对脑电信号进行预处理,包括粗处理和细处理;
在粗处理中:
将接收到的脑电信号作为原始信号X经过带通滤波器过滤高频信号,提取低频信号F(x);计算低频信号F(x)的极值的众数L=[L1,L2],其中,L1为极大值的众数,L2为极小值的众数;随后,将F(x)通过滑动窗口进行分割,判断分割后的滑动窗口内的信号中各个数据点的极大值和极小值是否分别大于L1和L2的预设倍数;如果大于,则舍去该数据点,如果小于或等于,则保留;
在细处理中:
(a)首先求原始信号X的所有极大值和极小值,并构建极大值的包络线y1(x)和极小值的包络线y2(x);
(b)求y1(x),y2(x)的均值a,并构建该均值的包络线g(a);
(c)求均差信号h=X-g(a),利用滑动窗口将h进行分割,并判断分割后的每个滑动窗口内的极值之差是否均等于0,若不符合均等于0的条件,则将均差信号h作为原始信号X重复(a)~(b)的操作;若符合均等于0的条件,则用原始信号X减去均差信号h得出信号N;
(d)判断信号N是否等于0,如果不等于0,则将N作为原始信号X重复(a)~(c)的操作;如果N等于0,则视为一个ad分量;
(e)用原始信号X减去ad,作为新的原始信号重复(a)~(d),直至将信号分解到只存在一个极大值或一个极小值为止;
最终,将信号分解完后,会得到n个ad分量;则将所有的ad分量构造成集合AD=[ad1,ad2,ad3,...,adn];随后,集合AD与低频信号F(x)求相关系数R=[r1,r2,r3,...,rn];
(f)设置阈值S=R/n,n表示有n个相关系数;判断rn是否小于阈值S,如果大于,则舍去;如果小于,则将ri对应adi分量信号相加,以此重构输出去噪信号DS。
进一步地,所述视力检测模块进行特征分析与提取,包括时域特征Ft的提取和频域特征Ff的提取:
在时域特征提取中,用滑动窗口将DS进行分割,然后构建叠加信号DS(x),其中DS(x)=DS1+DS2+...+DSn;第n秒的滑动窗口的信号表示为DS(n);随后求DS(x)的最大值max和最小值min,并计算其平均值(min+max)/2,作为时域特征Ft;
在频域特征提取中,先对去噪信号DS进行傅里叶变换,得到信号F(ω),并通过带通滤波器对F(ω)提取出多种预设子频段;随后对多种子频段分别求取每1s的加权曲线面积Area;
然后对各个子频段的所有的加权曲线面积Area求其变化频率值freq,最终,每一个频段都将得到n个freq,记为freq=[freq1,freq2,...,freqn],其中freqn=1/(Arean+1-Arean),Arean表示为第n秒的加权曲线面积;基于此,将所有子频段的所有freq作为频域特征Ff。
进一步地,当得到时域特征和频域特征后,构造特征矩阵,其中:
特征矩阵的一行对应着一个样本的时域特征和频域特征,列为特征类别;构造好特征矩阵后,根据样本实测的视力范围,为特征矩阵中的每一个样本打上标签;其中,一种标签对应着相应的视力范围。标签为1,2,3,4。1-视力为0~2.0D,2-视力为2.1~4.0D,3-视力为4.1~6.0D,4-视力为6.1~8.0D。其中,D是视力的单位;
对于特征矩阵中每个样本的所有特征,将每个特征与该样本对应的标签进行皮尔逊相关性分析,筛选出相关性系数小于0.05的时域特征和频域特征,并将筛选出的特征进行特征级融合,得到融合特征F(tf)。
进一步地,所述预构建的模型,包括:
首先,将同一标签的F(tf)求标准偏差值stdf和平均值af,由此得出该标签的范围矩阵[stdf af];同时,构建同一标签的F(tf)的协方差矩阵Sm;M个标签将得出M个范围矩阵和M个协方差矩阵;随后,M个范围矩阵构成小模型,M个协方差矩阵构成大模型。
进一步地,所述对于受试者的融合特征,通过预构建的模型进行检测,得到受试者的视力范围,包括:
当一位受试者测得脑电信号时,该受试者的脑电信号经过预处理和特征分析与提取、特征融合,得到受试者的脑电信号的融合特征,记为F;然后,将特征F先放入小模型中,进行匹配;若其F的值属于某一个范围矩阵里的范围,则该范围矩阵的标签对应的视力范围即为受试者检测出的视力范围;
如果不是,则将该特征F放入大模型中,分别计算该特征与每个协方差矩阵Sm的马氏距离;找出特征F与所有协方差矩阵Sm的马氏距离最小的协方差矩阵Sm,则该协方差矩阵的标签对应的视力范围即为受试者检测出的视力范围。
与现有技术相比,本发明具有以下技术特点:
1.适用人群广。即可用于普通人群的检测,也可用于沟通障碍人群,婴幼儿等;
2.装置便携,实用。该装置可穿戴,使用环境不仅适用于常规场合,如医院,学校,社区;还适用于非常规场合,如家庭等场所;
3.受外界影响小。检测依据是脑电信号且该装置的视频播放源为密闭式,不受环境的灯光,声音以及检测距离所影响,也不受受试者自身的因素所影响。如,受试者通过记忆对视力表的进行猜测等。
4.以基于视觉-脑波反应的客观评测系统为基础,可以建立独立于基于视觉分辨率-认识-主观表达的视力表系统的视功能评价系统,重新定义视力这一基本概念。
附图说明
图1为本发明的系统框架示意图;
图2为本发明的视力检测流程图;
图3为本发明装置的内部原理框图;
图4为视力检测装置实物图;
图5为视力检测模块的处理流程图;
图6为信号预处理的流程示意图;
图7为特征分析与提取的示意图;
图8为模型训练的流程示意图;
图9为受试者实际应用的流程示意图。
具体实施方式
本发明提供了一种基于脑电信号的便携式可穿戴的视力检测装置,受试者将视力检测装置佩戴至头上,通过观看刺激范式视频,促使受试者产生相应的脑电信号;通过对脑电信号进行初步识别处理、进一步传输到上位机,上位机处理数据进而得出受试者的视力程度。该装置适用于各种人群,检测依据客观,并且更便携,实用性强。
本发明的系统框图如图1所示,包括便携式脑电采集设备1,脑电识别模块2和视力检测模块3;所述便携式脑电采集设备1用于播放刺激范式视频,同时从受试者大脑采集脑电信号,脑电识别模块2脑电识别模块用于控制便携式脑电采集设备的视频播放,并对脑电信号进行校验和解析,视力检测模块3对脑电信号进行进一步的分析并得出受试者的视力。其中,刺激范式视频是由黑图,白图,黑白格子图,白黑格子图,清晰黑白格子图和模糊黑白格子图交替显示构成的。
如图4所示,便携式脑电采集设备1是由采集单元11和12,显示单元13和绑带14组成;采集单元11为脑电采集电极,放置于用受试者的额头,紧贴于额部;采集单元11用于采集受试者的脑电信号,采集单元12作为参考电极夹至受试者耳垂处,显示单元13用于显示刺激范式视频,绑带14可以进行伸缩,满足受试者不同的头部尺寸。
如图3所示,脑电识别模块2包括TGAM芯片和STM32主控芯片;其中,电源给TGAM芯片和STM32主控芯片供电,STM32主控芯片控制显示单元13播放刺激范式视频,刺激范式视频刺激受试者产生脑电信号;与此同时,采集单元11采集到受试者的脑电信号,并传输至TGAM芯片中;TGAM芯片将脑电信号滤除环境噪声的影响,再进行放大,ADC数模转换,得到数字化的脑电信号,随后判断该信号校验和是否正确,校验和正确则继续解析该信号,校验和错误则放弃该信号。最后,TGAM芯片将采集到的有效可靠的数字脑电信号传输至STM32主控芯片;STM32主控芯片将脑电信号通过蓝牙模块传输至视力检测模块3,对脑电信号进行下一步的处理,如预处理,特征提取,分类。最终输出分析结果。
本发明的检测流程如图2所示,受试者将耳垂以及额部擦拭干净后,即可佩戴视力检测装置。检查者检查设备佩戴是否正确,采集处是否有出汗,头发等干扰物。检查完后,受试者观看刺激范式视频并开始采集脑电信号;观看完毕后,停止采集脑电信号。装置将采集到的原始脑电信号通过蓝牙传输出至视力检测模块3并进行分析,最终得出检测结果。
本发明的视力检测模块3处理脑电信号的具体流程如图5所示,视力检测模块的处理流程分为3步骤,分别是预处理,特征分析与提取和模型检测。预处理是将接收到的脑电识别模块2的STM32主控芯片发送来的脑电信进行去噪去伪影;特征分析与提取是对预处理过的脑电信号进行特征提取,模型检测则是对提取的特征进行分类并得出结果,其中:
预处理流程如图6所示,信号预处理分为粗处理和细处理。
在粗处理中:
将接收到的脑电信号作为原始信号X经过带通滤波器过滤高频信号,提取低频信号F(x);计算低频信号F(x)的极值的众数L=[L1,L2],其中,L1为极大值的众数,L2为极小值的众数;随后,将F(x)通过长度为1s的滑动窗口进行分割,判断分割后的滑动窗口内的信号中各个数据点的极大值和极小值是否分别大于L1和L2的1.5倍;如果大于,则舍去该数据点,如果小于或等于,则保留。
在细处理中:
(a)首先求原始信号X的所有极大值和极小值,并构建极大值的包络线y1(x)和极小值的包络线y2(x);
(b)求y1(x),y2(x)的均值a,并构建该均值的包络线g(a);
(c)求均差信号h=X-g(a),利用1s的滑动窗口将h进行分割,并判断分割后的每个滑动窗口内的极值之差(极大值-极小值)是否均等于0,若不符合均等于0的条件,则将均差信号h作为原始信号X重复(a)~(b)的操作;若符合均等于0的条件,则用原始信号X减去均差信号h得出信号N;
(d)判断信号N是否等于0,如果不等于0,则将N作为原始信号X重复(a)~(c)的操作;如果N等于0,则视为一个ad分量;
(e)用原始信号X减去ad,作为新的原始信号重复(a)~(d),直至将信号分解到只存在一个极大值或一个极小值为止。
最终,将信号分解完后,会得到n个ad分量;则将所有的ad分量构造成集合AD=[ad1,ad2,ad3,...,adn];随后,集合AD与低频信号F(x)求相关系数R=[r1,r2,r3,...,rn];相关系数其中,是低频信号F(x)的平均值,是第n个AD分量信号adi的平均值。
(f)设置阈值S=R/n,n表示有n个相关系数;判断rn是否小于阈值S,如果大于,则舍去;如果小于,则将ri对应adi分量信号相加,以此重构输出去噪信号DS。
本发明的特征分析与提取具体流程如图7所示,在特征分析与提取中,分别对去噪信号DS进行时域特征Ft的提取和频域特征Ff的提取:
在时域特征提取中,设1s的滑动窗口将DS进行分割,然后构建叠加信号DS(x),其中DS(x)=DS1+DS2+...+DSn;第n秒的滑动窗口的信号表示为DS(n);随后求DS(x)的最大值max和最小值min,并计算其平均值(min+max)/2,作为时域特征Ft。
在频域特征提取中,先对去噪信号DS进行傅里叶变换,得到信号F(ω),并通过带通滤波器对F(ω)提取出4种子频段f(δ),f(θ),f(α),f(β);其中,f(δ)的频段是0.5-4Hz,f(θ)的频段是4-7Hz,f(α)的频段是8-12Hz,f(β)的频段是12-28Hz;随后对4种子频段分别求取每1s的加权曲线面积Area,其中第i秒的加权曲线面积表示为:
然后对各个子频段的所有的加权曲线面积Area求其变化频率值freq,最终,每一个频段都将得到n个freq,记为freq=[freq1,freq2,...,freqn],其中freqn=1/(Arean+1-Arean),Arean表示为第n秒的加权曲线面积;基于此,将4个子频段的所有freq作为频域特征Ff。
得出时域和频域特征后,构造特征矩阵,其中:
特征矩阵的一行对应着一个样本的时域特征和频域特征,列为特征类别;构造好特征矩阵后,根据样本实测的视力范围,为特征矩阵中的每一个样本打上标签。其中,一种标签对应着相应的视力范围。标签为1,2,3,4。1-视力为0~2.0D,2-视力为2.1~4.0D,3-视力为4.1~6.0D,4-视力为6.1~8.0D。其中,D是视力的单位。
对于特征矩阵中每个样本的所有特征(包括时域特征和频域特征),将每个特征与该样本对应的标签进行皮尔逊相关性分析,筛选出相关性系数P小于0.05的时域特征和频域特征,并将筛选出的特征进行特征级融合,即时域特征Ft与频域特征Ff进行同尺度拼接,得到融合特征F(tf)。
本发明的模型构建具体流程如图8所示,在模型构建中:
首先,将同一标签的F(tf)求标准偏差值stdf和平均值af,由此得出该标签的范围矩阵[stdf af];同时,构建同一标签的F(tf)的协方差矩阵Sm。4个标签将得出4个范围矩阵和4个协方差矩阵;随后,4个范围矩阵构成小模型,4个协方差矩阵构成大模型。
本发明的受试者实际应用具体流程图如图9所示,在实际应用中,
当一位受试者测得脑电信号时,该受试者的脑电信号会经过预处理和特征分析与提取、特征融合,得到受试者的脑电信号的融合特征,记为F;然后,将特征F先放入小模型中,进行匹配;若其F的值属于某一个范围矩阵里的范围,则该范围矩阵的标签对应的视力范围即为受试者检测出的视力范围。
如果不是,则将该特征F放入大模型中,分别计算该特征与4个协方差矩阵Sm的马氏距离;马氏距离的表达式为F是受试者的特征,Faf是特征F的均值,S是特征F的协方差。找出特征F与4个协方差矩阵Sm的马氏距离最小的协方差矩阵Sm,则该协方差矩阵的标签对应的视力范围即为受试者检测出的视力范围。
本发明的视力检测依据是脑电信号,脑电信号是反应人体大脑客观生理状态的一种信号,它包含了大量的生理与疾病信息,其中也反应了人体视觉方面的信息,并且该装置的视频播放源为密闭式。因此,该装置不受环境的灯光,声音以及检测距离的影响,也不受受试者自身的因素影响。且该装置适用人群广,更便携。可应用于普通人群的检查,也可用于沟通障碍人群,婴幼儿和伪盲患者等。因此,本发明具有适用人群广,便携,受外界环境影响小的优点。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于脑电信号的可穿戴视力检测装置,其特征在于,包括便携式脑电采集设备、脑电识别模块和视力检测模块;
所述便携式脑电采集设备用于播放刺激范式视频,同时从受试者大脑采集脑电信号;脑电识别模块用于控制便携式脑电采集设备的视频播放,并对脑电信号进行校验和解析;视力检测模块对脑电信号进行预处理,特征分析与提取、特征融合和模型检测;
其中,对于受试者的融合特征,通过预构建的模型进行检测,得到受试者的视力范围。
2.根据权利要求1所述的基于脑电信号的可穿戴视力检测装置,其特征在于,所述便携式脑电采集设备是由两个采集单元、显示单元和绑带组成;其中一个采集单元为脑电采集电极,放置于用受试者的额头,紧贴于额部,用于采集受试者的脑电信号;另一个采集单元作为参考电极夹至受试者耳垂处,显示单元用于显示刺激范式视频,绑带可以进行伸缩,满足受试者不同的头部尺寸。
3.根据权利要求1所述的基于脑电信号的可穿戴视力检测装置,其特征在于,所述脑电识别模块包括TGAM芯片和STM32主控芯片;其中,STM32主控芯片控制显示单元播放刺激范式视频,刺激范式视频刺激受试者产生脑电信号;与此同时,采集单元采集到受试者的脑电信号,并传输至TGAM芯片中;TGAM芯片将脑电信号滤除环境噪声的影响,再进行放大,ADC数模转换,得到数字化的脑电信号,随后判断该信号校验和是否正确,校验和正确则继续解析该信号,校验和错误则放弃该信号;最后,TGAM芯片将采集到的有效数字脑电信号传输至STM32主控芯片;STM32主控芯片将脑电信号通过无线方式传输至视力检测模块3。
4.根据权利要求1所述的基于脑电信号的可穿戴视力检测装置,其特征在于,所述视力检测模块对脑电信号进行预处理,包括粗处理和细处理;
在粗处理中:
将接收到的脑电信号作为原始信号X经过带通滤波器过滤高频信号,提取低频信号F(x);计算低频信号F(x)的极值的众数L=[L1,L2],其中,L1为极大值的众数,L2为极小值的众数;随后,将F(x)通过滑动窗口进行分割,判断分割后的滑动窗口内的信号中各个数据点的极大值和极小值是否分别大于L1和L2的预设倍数;如果大于,则舍去该数据点,如果小于或等于,则保留;
在细处理中:
(a)首先求原始信号X的所有极大值和极小值,并构建极大值的包络线y1(x)和极小值的包络线y2(x);
(b)求y1(x),y2(x)的均值a,并构建该均值的包络线g(a);
(c)求均差信号h=X-g(a),利用滑动窗口将h进行分割,并判断分割后的每个滑动窗口内的极值之差是否均等于0,若不符合均等于0的条件,则将均差信号h作为原始信号X重复(a)~(b)的操作;若符合均等于0的条件,则用原始信号X减去均差信号h得出信号N;
(d)判断信号N是否等于0,如果不等于0,则将N作为原始信号X重复(a)~(c)的操作;如果N等于0,则视为一个ad分量;
(e)用原始信号X减去ad,作为新的原始信号重复(a)~(d),直至将信号分解到只存在一个极大值或一个极小值为止;
最终,将信号分解完后,会得到n个ad分量;则将所有的ad分量构造成集合AD=[ad1,ad2,ad3,...,adn];随后,集合AD与低频信号F(x)求相关系数R=[r1,r2,r3,...,rn];
(f)设置阈值S=R/n,n表示有n个相关系数;判断rn是否小于阈值S,如果大于,则舍去;如果小于,则将ri对应adi分量信号相加,以此重构输出去噪信号DS。
5.根据权利要求1所述的基于脑电信号的可穿戴视力检测装置,其特征在于,所述视力检测模块进行特征分析与提取,包括时域特征Ft的提取和频域特征Ff的提取:
在时域特征提取中,用滑动窗口将DS进行分割,然后构建叠加信号DS(x),其中DS(x)=DS1+DS2+...+DSn;第n秒的滑动窗口的信号表示为DS(n);随后求DS(x)的最大值max和最小值min,并计算其平均值(min+max)/2,作为时域特征Ft;
在频域特征提取中,先对去噪信号DS进行傅里叶变换,得到信号F(ω),并通过带通滤波器对F(ω)提取出多种预设子频段;随后对多种子频段分别求取每1s的加权曲线面积Area;
然后对各个子频段的所有的加权曲线面积Area求其变化频率值freq,最终,每一个频段都将得到n个freq,记为freq=[freq1,freq2,...,freqn],其中freqn=1/(Arean+1-Arean),Arean表示为第n秒的加权曲线面积;基于此,将所有子频段的所有freq作为频域特征Ff。
6.根据权利要求1所述的基于脑电信号的可穿戴视力检测装置,其特征在于,当得到时域特征和频域特征后,构造特征矩阵,其中:
特征矩阵的一行对应着一个样本的时域特征和频域特征,列为特征类别;构造好特征矩阵后,根据样本实测的视力范围,为特征矩阵中的每一个样本打上标签;其中,一种标签对应着相应的视力范围。标签为1,2,3,4。1-视力为0~2.0D,2-视力为2.1~4.0D,3-视力为4.1~6.0D,4-视力为6.1~8.0D。其中,D是视力的单位;
对于特征矩阵中每个样本的所有特征,将每个特征与该样本对应的标签进行皮尔逊相关性分析,筛选出相关性系数小于0.05的时域特征和频域特征,并将筛选出的特征进行特征级融合,得到融合特征F(tf)。
7.根据权利要求1所述的基于脑电信号的可穿戴视力检测装置,其特征在于,所述预构建的模型,包括:
首先,将同一标签的F(tf)求标准偏差值stdf和平均值af,由此得出该标签的范围矩阵[stdf af];同时,构建同一标签的F(tf)的协方差矩阵Sm;M个标签将得出M个范围矩阵和M个协方差矩阵;随后,M个范围矩阵构成小模型,M个协方差矩阵构成大模型。
8.根据权利要求1所述的基于脑电信号的可穿戴视力检测装置,其特征在于,所述对于受试者的融合特征,通过预构建的模型进行检测,得到受试者的视力范围,包括:
当一位受试者测得脑电信号时,该受试者的脑电信号经过预处理和特征分析与提取、特征融合,得到受试者的脑电信号的融合特征,记为F;然后,将特征F先放入小模型中,进行匹配;若其F的值属于某一个范围矩阵里的范围,则该范围矩阵的标签对应的视力范围即为受试者检测出的视力范围;
如果不是,则将该特征F放入大模型中,分别计算该特征与每个协方差矩阵Sm的马氏距离;找出特征F与所有协方差矩阵Sm的马氏距离最小的协方差矩阵Sm,则该协方差矩阵的标签对应的视力范围即为受试者检测出的视力范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211345433.1A CN115886720A (zh) | 2022-10-31 | 2022-10-31 | 一种基于脑电信号的可穿戴视力检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211345433.1A CN115886720A (zh) | 2022-10-31 | 2022-10-31 | 一种基于脑电信号的可穿戴视力检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115886720A true CN115886720A (zh) | 2023-04-04 |
Family
ID=86477003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211345433.1A Pending CN115886720A (zh) | 2022-10-31 | 2022-10-31 | 一种基于脑电信号的可穿戴视力检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115886720A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186502A (zh) * | 2023-04-27 | 2023-05-30 | 华南理工大学 | 一种多模态视觉神经功能检测方法及其系统 |
-
2022
- 2022-10-31 CN CN202211345433.1A patent/CN115886720A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186502A (zh) * | 2023-04-27 | 2023-05-30 | 华南理工大学 | 一种多模态视觉神经功能检测方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110811609B (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 | |
Chapotot et al. | Automated sleep–wake staging combining robust feature extraction, artificial neural network classification, and flexible decision rules | |
CN110897639A (zh) | 一种基于深度卷积神经网络的脑电睡眠分期方法 | |
US20190343457A1 (en) | Pain assessment method and apparatus for patients unable to self-report pain | |
CN111466876B (zh) | 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断系统 | |
CN114781465B (zh) | 一种基于rPPG的非接触式疲劳检测系统及方法 | |
CN112741638B (zh) | 一种基于eeg信号的医疗诊断辅助系统 | |
WO2008116318A1 (en) | Breathing sound analysis for estimation of air flow rate | |
CN109363670A (zh) | 一种基于睡眠监测的抑郁症智能检测方法 | |
Kuo et al. | Automatic stage scoring of single-channel sleep EEG based on multiscale permutation entropy | |
Zhao et al. | An IoT-based wearable system using accelerometers and machine learning for fetal movement monitoring | |
CN113723557B (zh) | 一种基于多频带时空卷积网络的抑郁脑电分类系统 | |
CN111616681A (zh) | 基于便携式脑电采集设备和深度学习的麻醉状态监测系统 | |
CN115886720A (zh) | 一种基于脑电信号的可穿戴视力检测装置 | |
CN111783715A (zh) | 基于脉搏信号特征提取的身份识别方法 | |
CN114587288A (zh) | 一种睡眠监测方法、装置以及设备 | |
KR101996027B1 (ko) | 동공 크기 변화를 이용한 심장 주파수 영역의 정보 추출 방법 및 그 장치 | |
CN111671421A (zh) | 一种基于脑电图的儿童需求感知方法 | |
CN116369853A (zh) | 一种基于脑机交互技术的嗅觉功能标准化评估装置及方法 | |
CN113208615B (zh) | 一种用于心肺复苏仪的连续脑电监测及反馈系统与方法 | |
Quintero-Rincón et al. | A visual EEG epilepsy detection method based on a wavelet statistical representation and the Kullback-Leibler divergence | |
Currey et al. | Cross-site epileptic seizure detection using convolutional neural networks | |
US20240074691A1 (en) | Devices, system, and methods for performing electroretinography | |
CN114748072A (zh) | 一种基于脑电的抑郁症辅助诊断的信息分析及康复训练系统及方法 | |
Helal et al. | A hybrid approach for artifacts removal from EEG recordings |
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 |