CN116058851A - 脑电数据处理方法、装置、分析系统、电子装置和介质 - Google Patents
脑电数据处理方法、装置、分析系统、电子装置和介质 Download PDFInfo
- Publication number
- CN116058851A CN116058851A CN202310186693.7A CN202310186693A CN116058851A CN 116058851 A CN116058851 A CN 116058851A CN 202310186693 A CN202310186693 A CN 202310186693A CN 116058851 A CN116058851 A CN 116058851A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- determining
- brain
- power
- distribution matrix
- 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
- A61B5/24—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]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/378—Visual stimuli
-
- 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
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种脑电数据处理方法、装置、分析系统、电子装置和介质,其中,该脑电数据处理方法包括:获取测试采集装置发送的目标对象多个脑部区域在多个通道中的脑电数据;根据多个通道的脑电数据确定每一脑部区域对应的功率分布矩阵;基于多个功率分布矩阵,确定多个脑部区域的脑电数据之间的耦合度。通过本申请,解决了相关技术中脑电数据处理方法的准确度低的问题,提高了脑电数据处理的准确度,进而能够客观地评估目标对象的社交焦虑程度。
Description
技术领域
本申请涉及医疗数据处理技术领域,特别是涉及一种脑电数据处理方法、装置、分析系统、电子装置和介质。
背景技术
脑电数据(Electroencephalograph,EEG)是使用精密的电子仪器,通过电极(侵入式或非侵入式)采集由脑细胞群的自发性、节律性电活动产生的生物电位而获得的数据。通常,在脑电数据的采集后,可以直接用于特征提取和分类识别的分析,或者可先本地存储为脑电数据文件以用于后期按需的分析。
脑电数据是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映,并且具有直接客观、难以伪装、容易量化、特征多元等特点,能够有效地反映目标对象的生理和心理信息。根据对脑电数据的研究将脑电数据按照频率和振幅分为以下几类:β波,频率高(在14到30Hz之间,有时高至50Hz),幅值较小(约5μV);d波,最典型的脑电波节律,在8到13Hz之间,幅值比β波稍大;θ波,频率比d波略低,通常为4到7Hz,振幅比d波大;δ波,最慢的脑电波节律,通常低于3.5Hz,其振幅最大,可达300μV。目前常采用的方式是根据四类波所占的比例以及对应波的频率和振幅来判断目标当前的状态,该种脑电数据的处理方法的准确度较低,从而不能准确地反映目标对象当前的状态。
针对相关技术中存在脑电数据处理方法的准确度低的问题,目前还没有提出有效的解决方案。
发明内容
在本实施例中提供了一种脑电数据处理方法、装置、分析系统、电子装置和介质,以解决相关技术中脑电数据处理方法的准确度低的问题。
第一个方面,在本实施例中提供了一种脑电数据处理方法,应用于脑电数据分析系统中的处理装置,所述脑电数据分析系统包括测试采集装置以及所述处理装置,所述测试采集装置与所述处理装置连接,所述脑电数据处理方法包括:
获取所述测试采集装置发送的目标对象多个脑部区域在多个通道中的脑电数据,其中,所述测试采集装置用于对所述目标对象进行表情刺激测试并采集所述目标对象的脑电数据;
根据多个所述通道的所述脑电数据确定每一所述脑部区域对应的功率分布矩阵;
基于多个所述功率分布矩阵,确定多个所述脑部区域的脑电数据之间的耦合度。
在其中的一些实施例中,多个所述脑部区域至少包括脑前额叶区域以及颞叶区域,每一通道的脑电数据包括N个采样频率点在L个测试周期中T个采样时刻对应的功率值,其中,N、L以及T都为正整数,根据多个所述通道的所述脑电数据确定每一所述脑部区域对应的功率分布矩阵,包括:
在多个所述通道中,确定与所述脑前额叶区域对应的第一通道,以及与所述颞叶区域对应的第二通道;
根据所述第一通道在N个所述采样频率点上T个所述采样时刻的功率值,确定第一功率分布矩阵,根据所述第二通道在N个所述采样频率点上T个所述采样时刻的功率值,确定第二功率分布矩阵;
将所述第一功率分布矩阵确定为所述脑前额叶区域对应的功率分布矩阵,将所述第二功率分布矩阵确定为所述颞叶区域对应的功率分布矩阵。
在其中的一些实施例中,所述根据所述第一通道在N个所述采样频率点上T个所述采样时刻的功率值,确定第一功率分布矩阵,根据所述第二通道在N个所述采样频率点上T个所述采样时刻的功率值,确定第二功率分布矩阵,包括:
获取所述目标对象的基准功率值;
根据所述第一通道在N个所述采样频率点上T个所述采样时刻的功率值,确定第一周期平均值;
根据所述第二通道在N个所述采样频率点上T个所述采样时刻的功率值,确定第二周期平均值;
基于所述基准功率值,对所述第一周期平均值进行校正,得到所述第一功率分布矩阵;
基于所述基准功率值,对所述第二周期平均值进行校正,得到所述第二功率分布矩阵。
在其中的一些实施例中,所述第一通道为多个第一子通道,所述第二通道为多个第二子通道,所述根据所述第一通道在N个所述采样频率点上T个所述采样时刻的功率值,确定第一功率分布矩阵,根据所述第二通道在N个所述采样频率点上T个所述采样时刻的功率值,确定第二功率分布矩阵,包括:
确定所有第一子通道第一功率分布矩阵;
将所有的第一子通道第一功率分布矩阵的平均值,确定为所述第一功率分布矩阵;
确定所有第二子通道第二功率分布矩阵;
将所有第二子通道第二功率分布矩阵的平均值,确定为所述第二功率分布矩阵。
在其中的一些实施例中,所述基于所述基准功率值,对所述第一周期平均值进行校正,得到所述第一功率分布矩阵,包括:
根据所述第一周期平均值与所述基准功率值的比值的对数,确定所述第一功率分布矩阵;
所述基于所述基准功率值,对所述第二周期平均值进行校正,得到所述第二功率分布矩阵,包括:
根据所述第二周期平均值与所述基准功率值的比值的对数,确定所述第二功率分布矩阵。
在其中的一些实施例中,所述基于多个所述功率分布矩阵,确定多个所述脑部区域的脑电数据之间的耦合度,包括:
确定所述第一功率分布矩阵的第一期望值,以及所述第二功率分布矩阵的第二期望值;
根据所述第一期望值对所述第一功率分布矩阵进行标准化,得到标准化后的第一功率矩阵;
根据所述第二期望值对所述第二功率分布矩阵进行标准化,得到标准化后的第二功率矩阵;
根据所述标准化后的第一功率矩阵以及所述标准化后的第二功率矩阵,确定所述耦合度。
在其中的一些实施例中,所述根据所述标准化后的第一功率矩阵以及所述标准化后的第二功率矩阵,确定所述耦合度,包括:
基于所述第一期望值、所述第二期望值、所述第一功率分布矩阵以及所述第二功率分布矩阵,确定所述脑前额叶区域的脑电数据与所述颞叶区域的脑电数据之间的相关度;
基于所述标准化后的第一功率矩阵、所述标准化后的第二功率矩阵以及所述相关度,确定所述耦合度。
在其中的一些实施例中,在所述基于多个所述功率分布矩阵,确定多个所述脑部区域的脑电数据之间的耦合度之后,还包括:
根据多个社交焦虑等级对应的耦合度范围,确定与所述耦合度匹配的目标社交焦虑等级;
将所述目标社交焦虑等级确定为所述目标对象的社交焦虑评估结果。
第二个方面,在本实施例中提供了一种脑电数据处理装置,包括:
数据获取模块,用于获取测试采集装置发送的目标对象多个脑部区域在多个通道中的脑电数据,其中,所述测试采集装置用于对所述目标对象进行表情刺激测试并采集所述目标对象的脑电数据;
矩阵确定模块,用于根据多个所述通道的所述脑电数据确定每一所述脑部区域对应的功率分布矩阵;
耦合度确定模块,用于基于多个所述功率分布矩阵,确定多个所述脑部区域的脑电数据之间的耦合度。
第三个方面,在本实施例中提供了一种脑电数据分析系统,包括:测试采集装置以及处理装置,所述测试采集装置与所述处理装置连接;
所述测试采集装置,用于接收用户发送的测试启动指令,根据所述测试启动指令对目标对象进行表情刺激测试,在所述目标对象进行表情刺激测试时,采集所述目标对象多个脑部区域在多个通道中的脑电数据,并将所述脑电数据发送至所述处理装置;
所述处理装置,用于执行如上述第一方面任一实施例所述的脑电数据处理方法。
第四个方面,在本实施例中提供了一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一个方面所述的脑电数据处理方法。
第五个方面,在本实施例中提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一个方面所述的脑电数据处理方法。
与相关技术相比,在本实施例中提供的脑电数据处理,通过在接收到测试采集装置发送的目标对象多个脑部区域在多个通道中的脑电数据,即在目标对象进行表情刺激测试时,同步获取目标对象的脑电数据,进一步地,根据多个通道的脑电数据确定每一脑部区域对应的功率分布矩阵,从而有效地将脑电数据通过功率分布矩阵的形式反映相应脑部区域的状态,进一步地,根据多个功率分布矩阵,确定多个脑部区域的脑电数据之间的耦合度,从而通过耦合度有效地反映多个脑部区域的脑电数据之间的相关性,进而提高了脑电数据处理的准确度,并且,通过脑电数据的耦合度还能够反映目标对象多个脑部区域之间的相关性,从而通过多个脑部区域之间的相关性准确地确定出目标对象的当前状态。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请实施例提供的一种脑电数据处理方法的流程图;
图2是本申请实施例提供的一种脑电数据处理装置的结构框图;
图3是本申请实施例提供的一种脑电数据分析系统结构示意图;
图4是本申请实施例提供的一种社交焦虑的评估方法的流程图;
图5是本申请实施例提供的一种计算机设备结构示意图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点,下面结合附图和实施例,对本申请进行了描述和说明。
除另作定义外,本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制,它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体,其目的是涵盖不排他的包含;例如,包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元),而可包括未列出的步骤或模块(单元),或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接,而可以包括电气连接,无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。通常情况下,字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等,只是对相似对象进行区分,并不代表针对对象的特定排序。
脑电数据(Electroencephalograph,EEG)是使用精密的电子仪器,通过电极(侵入式或非侵入式)采集由脑细胞群的自发性、节律性电活动产生的生物电位而获得的数据。通常,在脑电数据的采集后,可以直接用于特征提取和分类识别的分析,或者可先本地存储为脑电数据文件以用于后期按需的分析。
脑电数据是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映,并且具有直接客观、难以伪装、容易量化、特征多元等特点,能够有效地反映目标对象的生理和心理信息。根据对脑电数据的研究将脑电数据按照频率和振幅分为以下几类:β波,频率高(在14到30Hz之间,有时高至50Hz),幅值较小(约5μV);d波,最典型的脑电波节律,在8到13Hz之间,幅值比β波稍大;θ波,频率比d波略低,通常为4到7Hz,振幅比d波大;δ波,最慢的脑电波节律,通常低于3.5Hz,其振幅最大,可达300μV。目前常采用的方式是根据四类波所占的比例以及对应波的频率和振幅来判断目标当前的状态,该种脑电数据的处理方法的准确度较低,从而不能准确地反映目标对象当前的状态。
以社交焦虑症(social anxiety disorder)为例,社交焦虑症是一种反复出现的、对社交场合的持续紧张或恐惧,并表现出害怕在他人面前受到关注、评判或批评。社交焦虑症不仅发生在演讲、汇报等正式场合,而且也会发生在日常生活中,例如,在公共场合吃饭、与人会面等场景中。社交焦虑如果不及时施加有效的干预,可能对个体的事业、学业、生活等多个方面产生影响,甚至会导致睡眠障碍、抑郁、酒精成瘾等严重后果。若通过现有对脑电数据的处理方式评估目标对象的社交焦虑情况,容易导致社交焦虑的评估结果的准确度较低。
因此,如何提高脑电数据的处理的准确度,是一个需要解决的问题。
在本实施例中提供了一种脑电数据处理方法,图1是本申请实施例提供的一种脑电数据处理方法的流程图,该方法应用于脑电数据分析系统中的处理装置,脑电数据分析系统包括测试采集装置以及处理装置,测试采集装置与处理装置连接,处理装置可以是电子装置,可选的,电子装置可以是服务器,也可以是终端设备,但本申请不限于此。具体的,如图1所示,该流程包括如下步骤:
步骤S101,获取测试采集装置发送的目标对象多个脑部区域在多个通道中的脑电数据。
其中,测试采集装置用于对目标对象进行表情刺激测试并采集目标对象的脑电数据。
示例性地,脑电数据处理系统包括测试采集装置以及处理装置,其中,测试采集装置与处理装置连接。
通过测试采集装置对目标对象进行表情刺激测试,并在目标对象进行表情刺激测试时,采集目标对象的脑电数据,具体的,测试采集装置可以包括:测试模块和采集模块,测试模块与采集模块连接,采集模块与处理装置连接,测试模块可以包括能够呈现连续多个正-负表情图片的电子装置,采集模块可以包括多通道脑电测量设备,例如,该脑电测量设备可以是32通道,通道配置可以采用国际统一标准的10-20系统。
进一步地,为目标对象佩戴多通道脑电测量设备,并通过测试模块呈现连续多个正-负表情图片,目标对象通过观察测试模块中呈现的连续多个正-负表情图片,从而实现对目标对象进行连续表情刺激测试,并在目标对象进行连续表情刺激测试时,通过采集模块同步采集目标对象多个脑部区域在多个通道中的脑电数据,进一步地,将采集的脑电数据传输至处理装置。
需要说明的是,正表情可以是日常生活中表征积极情绪的表情,例如,微笑、喜悦以及赞同等表情,负表情可以是日常生活中表征消极情绪的表情,例如,轻蔑、瞪眼、厌恶以及愤怒等表情,在此不做限制,本申请实施例中,脑电测量设备仅以32通道为例进行说明,在实际应用中,脑电测量设备也可以是64通道,也可以是其他数量的通道,在此不做限制。
进一步地,处理装置获取到多通道脑电测量设备采集的目标对象多个脑部区域在多个通道中的脑电数据。
进一步地,在对目标对象进行连续表情刺激测试时,可以包括多个试次,每一试次可以确定为一个测试周期,试次间用500毫秒的空屏进行间隔。具体的,连续表情刺激测试的试次数可以大于40次。
具体的,连续表情刺激测试的每个试次可以包括以下流程:首先屏幕上出现“+”号提示注意,呈现时间为400至600毫秒随机;随后呈现正性表情图片,呈现时间为1秒;随后呈现时长为1秒的空屏;紧接着随机呈现负性的表情图片,多种负性表情图片在整个测试过程中均匀分布,呈现时间为2秒。
步骤S102,根据多个通道的脑电数据确定每一脑部区域对应的功率分布矩阵。
进一步地,在确定每一脑部区域对应的功率分布矩阵之前,还可以对多个通道的脑电数据进行预处理,具体的,脑电数据的预处理可以包括:电极位置定位、带通滤波(0.5-100Hz)、Notch滤波(48-52Hz)、转换参考、分析段截取(负性表情面孔出现前0.5秒至出现后2秒,以出现前0.5秒的脑电数据作为基线)、伪迹去除(基于独立成分分析去除眼电、心电、肌电等伪迹)以及坏电极插补等。
对脑电数据进行预处理后,并将多通道脑电测量设备获取到的每个试次的时域信号,通过短时傅里叶变换,转换至时频域,从而得到脑电数据,其中,脑电数据可以包括目标对象的多个脑部区域在多个通道中的功率值。
进一步地,根据多个通道的脑电数据确定每一脑部区域对应的功率分布矩阵,从而通过每一脑部区域对应的功率分布矩阵标准相应脑部区域的状态。
步骤S103,基于多个功率分布矩阵,确定多个脑部区域的脑电数据之间的耦合度。
进一步地,根据每个脑部区域对应的功率分布矩阵,确定多个脑部区域的脑电数据之间的耦合度。
在上述实现过程中,通过获取目标对象多个脑部区域在多个通道中的脑电数据,即在目标对象进行表情刺激测试时,同步采集目标对象的脑电数据,并将采集的脑电数据发送至脑电数据处理装置,进一步地,脑电数据处理装置根据多个通道的脑电数据确定每一脑部区域对应的功率分布矩阵,从而有效地将脑电数据通过功率分布矩阵的形式反映相应脑部区域的状态,进一步地,根据多个功率分布矩阵,确定多个脑部区域的脑电数据之间的耦合度,从而通过耦合度有效地反映脑电数据之间的相关性,进而提高了脑电数据处理的准确度,并且,通过脑电数据的耦合度能够准确地确定出目标对象的社交焦虑情况。
在其中的一些实施例中,多个脑部区域至少包括脑前额叶区域以及颞叶区域,每一通道的脑电数据包括N个采样频率点在L个测试周期中T个采样时刻对应的功率值,其中,N、L以及T都为正整数,根据多个通道的脑电数据确定每一脑部区域对应的功率分布矩阵,可以包括以下步骤:
步骤1:在多个通道中,确定与脑前额叶区域对应的第一通道,以及与颞叶区域对应的第二通道。
步骤2:根据第一通道在N个采样频率点上T个采样时刻的功率值,确定第一功率分布矩阵,根据第二通道在N个采样频率点上T个采样时刻的功率值,确定第二功率分布矩阵。
步骤3:将第一功率分布矩阵确定为脑前额叶区域对应的功率分布矩阵,将第二功率分布矩阵确定为颞叶区域对应的功率分布矩阵。
示例性地,在对目标对象进行连续表情刺激测试时,可以包括L个试次,即L个测试周期,每一测试周期中有T个采样时刻,并且,在获取每一通道的脑电数据时,可以获取N个采样频率点上的数据,也就是说,每一通道的脑电数据可以包括N个采样频率点在L个测试周期中T个采样时刻对应的功率值,以z(si,tj,fk)为例,si表示L个测试周期中第i个测试周期,tj表示T个采样时刻中的第j个采样时刻,fk表示N个采样频率点中的第k个采样频率点,即z(si,tj,fk)表征一个通道在第i个测试周期中,第j个采样时刻上,第k个采样频率点上的功率值。
进一步地,在获取目标对象不同的脑部区域的脑电数据时,可以通过不同的通道获取,也可以通过相同的通道获取,本申请实施例中,以不同的通道获取不同脑部区域的脑电数据为例进行说明。
多个脑部区域至少可以包括脑前额叶区域以及颞叶区域,进一地,在多个通道中,确定与脑前额叶区域对应的第一通道,以及与颞叶区域对应的第二通道。
进一步地,根据第一通道中的脑电数据在N个采样频率点上T个采样时刻的功率值,在L个测试周期中的周期平均值,确定为第一功率分布矩阵。
同理,根据第二通道中的脑电数据在N个采样频率点上T个采样时刻的功率值,在L个测试周期中的周期平均值,确定为第二功率分布矩阵。
以任一通道为例,该通道的功率分布矩阵中在第j个采样时刻第k个采样频率点上的功率值为:
其中,表示某一通道在第j个采样时刻第k个采样频率点上,在L个测试周期中的功率平均值,L为测试周期总数;z(si,tj,fk)表示该通道在第i个测试周期中,第j个采样时刻上,第k个采样频率点上的功率值,si表示L个测试周期中第i个测试周期,tj表示T个采样时刻中的第j个采样时刻,T为采样时刻总数,fk表示N个采样频率点中的第k个采样频率点,N为采样频率点总数。
需要说明的是,每一测试周期可以包括多个时刻,当在进行脑电数据采样时,并不是每一时刻都需要进行采样,可能仅有部分时刻需要进行采样,并且,采样时刻点之间可以是连续的时刻,也可以是不连续的时刻,在此不做限制。
对应的,该通道的功率分布矩阵为:
因此,根据上述公式(1)和(2),可以确定出第一通道对应的第一功率分布矩阵为:
第二通道对应的第二功率分布矩阵为:
进一步地,将第一功率分布矩阵确定为脑前额叶区域对应的功率分布矩阵,将第二功率分布矩阵确定为颞叶区域对应的功率分布矩阵。
在上述实现过程中,将第一通道的脑电数据在L个测试周期内的平均值确定为脑前额叶区域对应的功率分布矩阵,将第二通道的脑电数据在L个测试周期内的平均值确定为颞叶区域对应的功率分布矩阵,从而能够有效地通过脑电数据的功率分布矩阵确定目标对象脑部区域的状态,进一步地,可以根据目标对象脑部区域的状态确定目标对象的社交焦虑情况。
在其中的一些实施例中,根据第一通道在N个采样频率点上T个采样时刻的功率值,确定第一功率分布矩阵,根据第二通道在N个采样频率点上T个采样时刻的功率值,确定第二功率分布矩阵,可以包括以下步骤:
步骤1:获取目标对象的基准功率值。
步骤2:根据第一通道在N个采样频率点上T个采样时刻的功率值,确定第一周期平均值。
步骤3:根据第二通道在N个采样频率点上T个采样时刻的功率值,确定第二周期平均值。
步骤4:基于基准功率值,对第一周期平均值进行校正,得到第一功率分布矩阵。
步骤5:基于基准功率值,对第二周期平均值进行校正,得到第二功率分布矩阵。
示例性地,获取目标对象的基准功率值,具体的,目标对象的基准功率值可以是指负性表情出现前500毫秒的时间窗内,第k个频率点的功率均值B(fk)。
进一步地,确定第一通道的第一周期平均值,以及确定第二通道的第二周期平均值。
进一步地,为了避免脑电数据的采样差异,提高功率分布矩阵的准确度,根据基准功率值对第一周期平均值进行校正,得到第一功率分布矩阵,以及根据基准功率值对第二周期平均值进行校正,从而得到第二功率分布矩阵。
在上述实现过程中,根据目标对象的基准功率值,分别对第一通道的第一周期平均值,以及第二通道的第二周期平均值进行校正,从而得到第一功率分布矩阵以及第二功率分布矩阵,能够有效地提高脑前额叶区域,以及颞叶区域对应的脑电数据处理的准确度,进而提高第一功率分布矩阵以及第二功率分布矩阵的准确度。
在其中的一些实施例中,第一通道为多个第一子通道,第二通道为多个第二子通道,根据第一通道在N个采样频率点上T个采样时刻的功率值,确定第一功率分布矩阵,根据第二通道在N个采样频率点上T个采样时刻的功率值,确定第二功率分布矩阵,可以包括以下步骤:
步骤1:确定所有第一子通道第一功率分布矩阵。
步骤2:将所有的第一子通道第一功率分布矩阵的平均值,确定为第一功率分布矩阵。
步骤3:确定所有第二子通道第二功率分布矩阵。
步骤4:将所有第二子通道第二功率分布矩阵的平均值,确定为第二功率分布矩阵。
示例性地,当第一通道可以包括多个子通道,第二通道可以包括多个子通道,具体的,通道配置可以采用国际统一标准的10-20系统,则与脑前额叶区域对应的第一通道可以包括F1、Fz以及F2三个子通道,与颞叶区域对应的第二通道可以包括T7、T8、TP7以及TP8四个子通道,并且,采样频段可以为β频段,其范围可以为:13-30Hz,则与第一通道对应的第一子通道功率分布矩阵可以包括:
进一步地,将所有的第一子通道第一功率分布矩阵的平均值,确定为第一功率分布矩阵,即,第一功率分布矩阵可以为:
同理,与第二通道对应的第二子通道功率分布矩阵可以包括:
进一步地,将所有的第二子通道第二功率分布矩阵的平均值,确定为第二功率分布矩阵,即,第二功率分布矩阵可以为:
在上述实现过程中,当第一通道与第二通道包括多个子通道时,根据对应的所有子通道对应的功率分布矩阵的平均值确定为第一功率分布矩阵,以及第二功率分布矩阵,从而能够提高每一脑部区域对应的功率分布矩阵的准确度。
在其中的一些实施例中,基于基准功率值,对第一周期平均值进行校正,得到第一功率分布矩阵,可以包括:根据第一周期平均值与基准功率值的比值的对数,确定第一功率分布矩阵。
示例性地,目标对象的基准功率值为B(fk),根据基准功率值对第一通道的脑电数据在L个测试周期内的平均值进行校正,则第一通道中在第j个采样时刻第k个采样频率点上校正后的功率值为:
其中,Z1(tj,fk)表示第一通道中第j个采样时刻第k个采样频率点上的校正后功率值。
进一步地,第一功率分布矩阵包括第一通道中第T个采样时刻第N个采样频率点上的校正后功率值,即第一功率分布矩阵为:
同理,基于基准功率值,对第二周期平均值进行校正,得到第二功率分布矩阵,可以包括:根据第二周期平均值与基准功率值的比值的对数,确定第二功率分布矩阵。
具体的,根据基准功率值对第二通道的脑电数据在L个测试周期内的平均值进行校正,则第二通道中在第j个采样时刻第k个采样频率点上校正后的功率值为:
其中,Z2(tj,fk)表示第二通道中第j个采样时刻第k个采样频率点上的校正后功率值。
进一步地,第二功率分布矩阵包括第二通道中第T个采样时刻第N个采样频率点上的校正后功率值,即第一功率分布矩阵为:
在上述实现过程中,根据相应通道的脑电数据在L个测试周期内的平均值与基准功率值的比值的对数,确定对应的功率分布矩阵,能够有效地对目标对象的每一脑部区域对应的功率分布矩阵进行校正,进而提高了每一脑部区域对应的功率分布矩阵的准确度。
在其中的一些实施例中,基于多个功率分布矩阵,确定多个脑部区域的脑电数据之间的耦合度,可以包括以下步骤:
步骤1:确定第一功率分布矩阵的第一期望值,以及第二功率分布矩阵的第二期望值。
步骤2:根据第一期望值对第一功率分布矩阵进行标准化,得到标准化后的第一功率矩阵。
步骤3:根据第二期望值对第二功率分布矩阵进行标准化,得到标准化后的第二功率矩阵。
步骤4:根据标准化后的第一功率矩阵以及标准化后的第二功率矩阵,确定耦合度。
示例性地,在确定出第一功率分布矩阵以及第二功率分布矩阵后,分别确定出第一功率分布矩阵的第一期望值UØ1,以及第二功率分布矩阵的第二期望值UØ2。
进一步地,根据第一期望值对第一功率分布矩阵进行标准化,以及根据第二期望值对第二功率分布矩阵进行标准化,从而得到标准化后的第一功率矩阵,以及标准化后的第二功率矩阵。
具体的,标准化后的第一功率矩阵可以为第一功率分布矩阵的方差矩阵,标准化后的第二功率矩阵可以为第二功率分布矩阵的方差矩阵,即标准化后的第一功率矩阵为:
标准化后的第二功率矩阵为:
其中,Q(Ø1)表示标准化后的第一功率矩阵,Q(Ø2)表示标准化后的第二功率矩阵,Z1(tj,fk)代表Ø1中第j个采样时刻第k个采样频率点上的校正后功率值,Z2(tj,fk)代表Ø2中第j个采样时刻第k个采样频率点上的校正后功率值,UØ1表示Ø1的第一期望值,UØ2表示Ø2的第二期望值。
进一步地,根据标准化后的第一功率矩阵Q(Ø1),以及标准化后的第二功率矩阵Q(Ø2)确定脑前额叶区域以及颞叶区域的脑电数据之间的耦合度。
在上述实现过程中,根据分别对第一功率分布矩阵以及第二功率分布矩阵进行标准化,从而得到标准化后的第一功率矩阵以及标准化后的第二功率矩阵,便于进一步地,根据标准化后的第一功率矩阵以及标准化后的第二功率矩阵确定多个脑部区域的脑电数据之间的耦合度。
在其中的一些实施例中,根据标准化后的第一功率矩阵以及标准化后的第二功率矩阵,确定耦合度,可以包括以下步骤:
步骤1:基于第一期望值、第二期望值、第一功率分布矩阵以及第二功率分布矩阵,确定脑前额叶区域的脑电数据与颞叶区域的脑电数据之间的相关度。
步骤2:基于标准化后的第一功率矩阵、标准化后的第二功率矩阵以及相关度,确定耦合度。
示例性地,根据第一功率分布矩阵以及第二功率分布矩阵的协方差确定脑前额叶区域以及颞叶区域的脑电数据之间的相关度。
具体的,脑前额叶区域以及颞叶区域的脑电数据之间的相关度可以为:
其中,Q(Ø12)表示脑前额叶区域以及颞叶区域的脑电数据之间的相关度。
进一步地,确定第一功率分布矩阵与第二功率分布矩阵之间的矩阵乘积,根据相关度的平方与矩阵乘积之比,确定脑前额叶区域的脑电数据与颞叶区域的脑电数据之间的耦合度。
具体的,脑前额叶区域的脑电数据与颞叶区域的脑电数据之间的耦合度可以为:
其中,C表示脑前额叶区域的脑电数据与颞叶区域的脑电数据之间的耦合度,且C∈[0,1],当C的取值越接近1表示脑前额叶区域的脑电数据与颞叶区域的脑电数据之间的耦合程度越高,当C取值越接近0表示脑前额叶区域的脑电数据与颞叶区域的脑电数据之间的耦合程度越低。
在上述实现过程,根据标准化后的第一功率矩阵、标准化后的第二功率矩阵以及多个脑部区域的脑电数据之间的相关度,确定多个脑部区域的脑电数据之间的耦合度,从而将多个脑部区域的脑电数据进行有效地关联,提高了脑电数据处理的准确度。
在其中的一些实施例中,在基于多个功率分布矩阵,确定多个脑部区域的脑电数据之间的耦合度之后,还可以包括:
步骤1:根据多个社交焦虑等级对应的耦合度范围,确定与耦合度匹配的目标社交焦虑等级。
步骤2:将目标社交焦虑等级确定为目标对象的社交焦虑评估结果。
当确定出多个脑部区域的脑电数据之间的耦合度之后,还可以根据多个脑部区域的脑电数据之间的耦合度确定出目标对象的社交焦虑程度。
具体的,根据相关研究,社交焦虑可以包括社交焦虑障碍或社交恐惧、社交回避以及社交无畏或正常三个社交焦虑等级,并且,社交焦虑障碍或社交恐惧对应的耦合度范围为[0,0.3],社交回避对应的耦合度范围为(0.3,0.6],社交无畏或正常对应的耦合度范围为(0.6,1],进一步地,根据每一社交焦虑对应的耦合度范围,确定出与脑前额叶区域的脑电数据与颞叶区域的脑电数据之间的耦合度匹配的目标社交焦虑等级。
例如,当脑前额叶区域的脑电数据与颞叶区域的脑电数据之间的耦合度为0.5时,则与脑前额叶区域的脑电数据与颞叶区域的脑电数据之间的耦合度匹配的目标社交焦虑等级为社交回避。
进一步地,将社交回避确定为目标对象的社交焦虑评估结果。
在上述实现过程中,根据脑前额叶区域的脑电数据与颞叶区域的脑电数据之间的耦合度确定目标对象的社交焦虑评估结果,从而有效地根据目标对象的脑电数据确定出目标对象的社交焦虑评估结果,提高了社交焦虑评估的准确度。
需要说明的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在本实施例中还提供了一种脑电数据处理装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图2是本申请实施例提供的一种脑电数据处理装置的结构框图,如图2所示,该装置包括:
数据获取模块201,用于获取测试采集装置发送的目标对象多个脑部区域在多个通道中的脑电数据,其中,测试采集装置用于对目标对象进行表情刺激测试并采集目标对象的脑电数据;
矩阵确定模块202,用于根据多个通道的脑电数据确定每一脑部区域对应的功率分布矩阵;
耦合度确定模块203,用于基于多个功率分布矩阵,确定多个脑部区域的脑电数据之间的耦合度。
在其中的一些实施例中,多个脑部区域至少包括脑前额叶区域以及颞叶区域,每一通道的脑电数据包括N个采样频率点在L个测试周期中T个采样时刻对应的功率值,其中,N、L以及T都为正整数,矩阵确定模块202具体用于:
在多个通道中,确定与脑前额叶区域对应的第一通道,以及与颞叶区域对应的第二通道;
根据第一通道在N个采样频率点上T个采样时刻的功率值,确定第一功率分布矩阵,根据第二通道在N个采样频率点上T个采样时刻的功率值,确定第二功率分布矩阵;
将第一功率分布矩阵确定为脑前额叶区域对应的功率分布矩阵,将第二功率分布矩阵确定为颞叶区域对应的功率分布矩阵。
在其中的一些实施例中,矩阵确定模块202具体用于:
获取目标对象的基准功率值;
根据第一通道在N个采样频率点上T个采样时刻的功率值,确定第一周期平均值;
根据第二通道在N个采样频率点上T个采样时刻的功率值,确定第二周期平均值;
基于基准功率值,对第一周期平均值进行校正,得到第一功率分布矩阵;
基于基准功率值,对第二周期平均值进行校正,得到第二功率分布矩阵。
在其中的一些实施例中,第一通道为多个第一子通道,第二通道为多个第二子通道,矩阵确定模块202具体用于:
确定所有第一子通道第一功率分布矩阵;
将所有的第一子通道第一功率分布矩阵的平均值,确定为第一功率分布矩阵;
确定所有第二子通道第二功率分布矩阵;
将所有第二子通道第二功率分布矩阵的平均值,确定为第二功率分布矩阵。
在其中的一些实施例中,矩阵确定模块202具体用于:根据第一周期平均值与基准功率值的比值的对数,确定第一功率分布矩阵。
矩阵确定模块202具体用于:根据第二周期平均值与基准功率值的比值的对数,确定第二功率分布矩阵。
在其中的一些实施例中,耦合度确定模块203具体用于:
确定第一功率分布矩阵的第一期望值,以及第二功率分布矩阵的第二期望值;
根据第一期望值对第一功率分布矩阵进行标准化,得到标准化后的第一功率矩阵;
根据第二期望值对第二功率分布矩阵进行标准化,得到标准化后的第二功率矩阵;
根据标准化后的第一功率矩阵以及标准化后的第二功率矩阵,确定耦合度。
在其中的一些实施例中,耦合度确定模块203具体用于:
基于第一期望值、第二期望值、第一功率分布矩阵以及第二功率分布矩阵,确定脑前额叶区域的脑电数据与颞叶区域的脑电数据之间的相关度;
基于标准化后的第一功率矩阵、标准化后的第二功率矩阵以及相关度,确定耦合度。
在其中的一些实施例中,耦合度确定模块203还用于:
根据多个社交焦虑等级对应的耦合度范围,确定与耦合度匹配的目标社交焦虑等级;
将目标社交焦虑等级确定为目标对象的社交焦虑评估结果。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在本实施例中还提供了一种脑电数据分析系统,图3是本申请实施例提供的一种脑电数据分析系统结构示意图,如图3所示,该脑电数据分析系统300包括,测试采集装置301以及处理装置302,测试采集装置301与处理装置302连接。
测试采集装置301,用于接收用户发送的测试启动指令,根据测试启动指令对目标对象进行表情刺激测试,在目标对象进行表情刺激测试时,采集目标对象多个脑部区域在多个通道中的脑电数据,并将脑电数据发送至处理装置302;
处理装置302,用于执行如上述任一实施例的脑电数据处理方法。
示例性地,该测试采集装置可以包括:测试模块和采集模块,测试模块与采集模块连接,采集模块与脑电数据处理装置连接,测试模块可以包括能够呈现连续多个正-负表情图片的电子装置,采集模块可以包括多通道脑电测量设备,该脑电测量设备可以在目标对象进行正-负连续表情刺激测试时,同步采集目标对象的脑电数据,并对采集的脑电数据发送至处理装置。
作为一可选实施例,可以使用脑电采集系统(NeuroScan)采集目标对象的脑电数据,具体的,脑电采集系统(NeuroScan)包括32导电极帽(即32个通道)、接线盒、放大器、电脑主机等,在测量过程中,电压误差不超过±10%,输入噪声≤0.5uV RMS,共模抑制比大于110dB,要求灵敏度高且抗干扰能力强,不发生时间延迟,采样数据在放大器中进行模数转化后,将数据进行存储备份。
正-负连续表情刺激测试的测试模块可以通过主机并基于TCP/IP协议,传递时间戳到采集模块,从而使得刺激和脑电数据得以同步,可以用于后续脑电数据的导出和离线分析。系统所用主机的配置可以为:CPU:Intel Core i7-9700同等或更高配置;GPU:NVIDIAGeForce GTX2080 Ti同等或更高配置;内存:64GB RAM或以上;1TB可用磁盘空间。
图4是本申请实施例提供的一种社交焦虑的评估方法的流程图,如图4所示,该流程图的执行主体可以是脑电数据处理装置,具体的,脑电数据处理装置可以是终端或服务器,在此不做限制,该流程图包括:
步骤S1:为目标对象佩戴多通道脑电测量设备。
具体的,为目标对象佩戴的多通道脑电测量设备的电极通道数为32导,通道配置采用国际统一标准的10-20系统。
步骤S2:为目标对象进行正-负连续表情刺激测试,并同步采集多通道的脑电数据。
具体的,为目标对象进行多个测试周期的正-负连续表情刺激测试,并且,在目标对象在家进行正-负连续表情刺激测试时,同步采集多通道的脑电数据。
步骤S3:对采集的脑电数据进行预处理,并针对每个测试周期的脑电数据,分别进行短时傅里叶变换,将时域信号转换至时频域。
进一步地,对采集的脑电数据进行预处理,以及对每个测试周期的脑电数据进行短时傅里叶变换,从而转换至时频域。
步骤S4:确定脑前额叶区域对应的校正功率分布矩阵,以及颞叶区域对应的校正功率分布矩阵。
具体的,通过表达式(1)和表达式(14)确定单一通道的校正功率分布矩阵Ø:
其中,Ø表示单一通道的校正功率分布矩阵。
进一步地,将通道配置采用国际统一标准的10-20系统中F1、Fz以及F2作为脑前额叶区域对应的通道,将T7、T8、TP7、TP8作为颞叶区域对应的通道。
分别确定出F1、Fz以及F2通道在β频段(13-30Hz)在负性表情出现后1秒内对应的校正功率分布矩阵,并将F1、Fz以及F2通道对应的校正功率分布矩阵的平均值确定为脑前额叶区域对应的功率分布矩阵Ø1。
分别确定出T7、T8、TP7以及TP8通道在beta频段(13-30Hz)在负性表情出现后1秒内对应的校正功率分布矩阵,并将T7、T8、TP7以及TP8通道对应的校正功率分布矩阵的平均值确定为颞叶区域对应的功率分布矩阵Ø2。
步骤S5:确定脑前额叶区域的脑电数据与颞叶区域的脑电数据的耦合度。
进一步地,根据上述公式(18)、(19)、(20)以及(21)确定出脑前额叶区域的脑电数据与颞叶区域的脑电数据的耦合度C,C∈[0,1]。
步骤S6:根据耦合度确定目标对象的评估社交焦虑程度。
进一步地,根据耦合度,确定出目标对象的评估社交焦虑程度。
具体的,当C的取值越接近1表示脑前额叶区域的脑电数据与颞叶区域的脑电数据之间的耦合程度越高,表明目标对象的社交焦虑程度越低;当C取值越接近0表示脑前额叶区域的脑电数据与颞叶区域的脑电数据之间的耦合程度越低,表明目标对象的社交焦虑程度越高。
并且,当C取值为[0,0.3]时,则目标对象存在临床社交焦虑障碍或社交恐惧,当C取值为(0.3,0.6]时,则目标对象存在社交回避,当C取值为(0.6,1],则目标对象社交无畏或正常。
在上述实现过程中,通过目标对象在进行正-负连续表情刺激测试时的脑电数据确定目标对象的社交焦虑程度,有效地效避免了传统问卷测量手段事后采样、主观性强、社会期许偏差等问题,从而提高了社交焦虑的准确度。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。图5是本申请实施例提供的一种计算机设备结构示意图,该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种脑电数据处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种电子装置,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(FerroelectricRandom Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(DynamicRandom AccessMemory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对专利保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种脑电数据处理方法,其特征在于,应用于脑电数据分析系统中的处理装置,所述脑电数据分析系统包括测试采集装置以及所述处理装置,所述测试采集装置与所述处理装置连接,所述脑电数据处理方法包括:
获取所述测试采集装置发送的目标对象多个脑部区域在多个通道中的脑电数据,其中,所述测试采集装置用于对所述目标对象进行表情刺激测试并采集所述目标对象的脑电数据;
根据多个所述通道的所述脑电数据确定每一所述脑部区域对应的功率分布矩阵;
基于多个所述功率分布矩阵,确定多个所述脑部区域的脑电数据之间的耦合度。
2.根据权利要求1所述的脑电数据处理方法,其特征在于,多个所述脑部区域至少包括脑前额叶区域以及颞叶区域,每一通道的脑电数据包括N个采样频率点在L个测试周期中T个采样时刻对应的功率值,其中,N、L以及T都为正整数,根据多个所述通道的所述脑电数据确定每一所述脑部区域对应的功率分布矩阵,包括:
在多个所述通道中,确定与所述脑前额叶区域对应的第一通道,以及与所述颞叶区域对应的第二通道;
根据所述第一通道在N个所述采样频率点上T个所述采样时刻的功率值,确定第一功率分布矩阵,根据所述第二通道在N个所述采样频率点上T个所述采样时刻的功率值,确定第二功率分布矩阵;
将所述第一功率分布矩阵确定为所述脑前额叶区域对应的功率分布矩阵,将所述第二功率分布矩阵确定为所述颞叶区域对应的功率分布矩阵。
3.根据权利要求2所述的脑电数据处理方法,其特征在于,所述根据所述第一通道在N个所述采样频率点上T个所述采样时刻的功率值,确定第一功率分布矩阵,根据所述第二通道在N个所述采样频率点上T个所述采样时刻的功率值,确定第二功率分布矩阵,包括:
获取所述目标对象的基准功率值;
根据所述第一通道在N个所述采样频率点上T个所述采样时刻的功率值,确定第一周期平均值;
根据所述第二通道在N个所述采样频率点上T个所述采样时刻的功率值,确定第二周期平均值;
基于所述基准功率值,对所述第一周期平均值进行校正,得到所述第一功率分布矩阵;
基于所述基准功率值,对所述第二周期平均值进行校正,得到所述第二功率分布矩阵。
4.根据权利要求2或权利要求3所述的脑电数据处理方法,其特征在于,所述第一通道为多个第一子通道,所述第二通道为多个第二子通道,所述根据所述第一通道在N个所述采样频率点上T个所述采样时刻的功率值,确定第一功率分布矩阵,根据所述第二通道在N个所述采样频率点上T个所述采样时刻的功率值,确定第二功率分布矩阵,包括:
确定所有第一子通道第一功率分布矩阵;
将所有的第一子通道第一功率分布矩阵的平均值,确定为所述第一功率分布矩阵;
确定所有第二子通道第二功率分布矩阵;
将所有第二子通道第二功率分布矩阵的平均值,确定为所述第二功率分布矩阵。
5.根据权利要求3所述的脑电数据处理方法,其特征在于,
所述基于所述基准功率值,对所述第一周期平均值进行校正,得到所述第一功率分布矩阵,包括:
根据所述第一周期平均值与所述基准功率值的比值的对数,确定所述第一功率分布矩阵;
所述基于所述基准功率值,对所述第二周期平均值进行校正,得到所述第二功率分布矩阵,包括:
根据所述第二周期平均值与所述基准功率值的比值的对数,确定所述第二功率分布矩阵。
6.根据权利要求2所述的脑电数据处理方法,其特征在于,所述基于多个所述功率分布矩阵,确定多个所述脑部区域的脑电数据之间的耦合度,包括:
确定所述第一功率分布矩阵的第一期望值,以及所述第二功率分布矩阵的第二期望值;
根据所述第一期望值对所述第一功率分布矩阵进行标准化,得到标准化后的第一功率矩阵;
根据所述第二期望值对所述第二功率分布矩阵进行标准化,得到标准化后的第二功率矩阵;
根据所述标准化后的第一功率矩阵以及所述标准化后的第二功率矩阵,确定所述耦合度。
7.根据权利要求6所述的脑电数据处理方法,其特征在于,所述根据所述标准化后的第一功率矩阵以及所述标准化后的第二功率矩阵,确定所述耦合度,包括:
基于所述第一期望值、所述第二期望值、所述第一功率分布矩阵以及所述第二功率分布矩阵,确定所述脑前额叶区域的脑电数据与所述颞叶区域的脑电数据之间的相关度;
基于所述标准化后的第一功率矩阵、所述标准化后的第二功率矩阵以及所述相关度,确定所述耦合度。
8.根据权利要求1所述的脑电数据处理方法,其特征在于,在所述基于多个所述功率分布矩阵,确定多个所述脑部区域的脑电数据之间的耦合度之后,还包括:
根据多个社交焦虑等级对应的耦合度范围,确定与所述耦合度匹配的目标社交焦虑等级;
将所述目标社交焦虑等级确定为所述目标对象的社交焦虑评估结果。
9.一种脑电数据处理装置,其特征在于,包括:
数据获取模块,用于获取测试采集装置发送的目标对象多个脑部区域在多个通道中的脑电数据,其中,所述测试采集装置用于对所述目标对象进行表情刺激测试并采集所述目标对象的脑电数据;
矩阵确定模块,用于根据多个所述通道的所述脑电数据确定每一所述脑部区域对应的功率分布矩阵;
耦合度确定模块,用于基于多个所述功率分布矩阵,确定多个所述脑部区域的脑电数据之间的耦合度。
10.一种脑电数据分析系统,其特征在于,包括:测试采集装置以及处理装置,所述测试采集装置与所述处理装置连接;
所述测试采集装置,用于接收用户发送的测试启动指令,根据所述测试启动指令对目标对象进行表情刺激测试,在所述目标对象进行表情刺激测试时,采集所述目标对象多个脑部区域在多个通道中的脑电数据,并将所述脑电数据发送至所述处理装置;
所述处理装置,用于执行如权利要求1至权利要求8中任一项所述的脑电数据处理方法。
11.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至权利要求8中任一项所述的脑电数据处理方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至权利要求8中任一项所述的脑电数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310186693.7A CN116058851B (zh) | 2023-02-20 | 2023-02-20 | 脑电数据处理方法、装置、分析系统、电子装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310186693.7A CN116058851B (zh) | 2023-02-20 | 2023-02-20 | 脑电数据处理方法、装置、分析系统、电子装置和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116058851A true CN116058851A (zh) | 2023-05-05 |
CN116058851B CN116058851B (zh) | 2023-07-04 |
Family
ID=86169863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310186693.7A Active CN116058851B (zh) | 2023-02-20 | 2023-02-20 | 脑电数据处理方法、装置、分析系统、电子装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116058851B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117298448A (zh) * | 2023-10-31 | 2023-12-29 | 首都医科大学宣武医院 | 脑电异常捕捉及节律调控方法、系统、设备和存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150088024A1 (en) * | 2012-03-19 | 2015-03-26 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
US20160113545A1 (en) * | 2014-10-23 | 2016-04-28 | Foundation Of Soongsil University-Industry Cooperation | System and method for analyzing electroencephalogram in response to image stimulus of media facade |
WO2018087763A1 (en) * | 2016-11-10 | 2018-05-17 | Hadasit Medical Research Services & Development Limited | Methods and systems for diagnostics |
US20190069841A1 (en) * | 2017-09-05 | 2019-03-07 | Korea University Research And Business Foundation | Method and apparatus of monitoring anaesthesia and consciousness depth through brain network analysis |
CN109522873A (zh) * | 2018-12-06 | 2019-03-26 | 华东师范大学 | 一种脑间同步性分析方法、装置及存储介质 |
CN112057089A (zh) * | 2020-08-31 | 2020-12-11 | 五邑大学 | 情绪识别方法、装置及存储介质 |
CN112401907A (zh) * | 2020-11-18 | 2021-02-26 | 江苏海洋大学 | 基于傅里叶同步压缩变换可靠划分脑低频波动子区域方法 |
CN112426161A (zh) * | 2020-11-17 | 2021-03-02 | 浙江大学 | 一种基于领域自适应的时变脑电特征提取方法 |
CN112515685A (zh) * | 2020-11-10 | 2021-03-19 | 上海大学 | 基于时频共融的多通道脑电信号通道选择方法 |
CN112545519A (zh) * | 2021-02-22 | 2021-03-26 | 之江实验室 | 一种群体情感同质性的实时评估方法和评估系统 |
CN113317804A (zh) * | 2021-05-28 | 2021-08-31 | 清华大学 | 一种康复效率预测方法、及其训练装置和计算机设备 |
CN114098765A (zh) * | 2021-11-23 | 2022-03-01 | 燕山大学 | 多通道高频脑电波耦合的脑网络参数特征提取方法及装置 |
CN114145754A (zh) * | 2021-12-13 | 2022-03-08 | 杭州电子科技大学 | 基于eeg交叉频率耦合的卒中脑功能评估装置 |
CN114533066A (zh) * | 2022-04-28 | 2022-05-27 | 之江实验室 | 基于复合表情加工脑网络的社交焦虑评估方法和系统 |
-
2023
- 2023-02-20 CN CN202310186693.7A patent/CN116058851B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150088024A1 (en) * | 2012-03-19 | 2015-03-26 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
US20160113545A1 (en) * | 2014-10-23 | 2016-04-28 | Foundation Of Soongsil University-Industry Cooperation | System and method for analyzing electroencephalogram in response to image stimulus of media facade |
WO2018087763A1 (en) * | 2016-11-10 | 2018-05-17 | Hadasit Medical Research Services & Development Limited | Methods and systems for diagnostics |
US20190069841A1 (en) * | 2017-09-05 | 2019-03-07 | Korea University Research And Business Foundation | Method and apparatus of monitoring anaesthesia and consciousness depth through brain network analysis |
CN109522873A (zh) * | 2018-12-06 | 2019-03-26 | 华东师范大学 | 一种脑间同步性分析方法、装置及存储介质 |
CN112057089A (zh) * | 2020-08-31 | 2020-12-11 | 五邑大学 | 情绪识别方法、装置及存储介质 |
CN112515685A (zh) * | 2020-11-10 | 2021-03-19 | 上海大学 | 基于时频共融的多通道脑电信号通道选择方法 |
CN112426161A (zh) * | 2020-11-17 | 2021-03-02 | 浙江大学 | 一种基于领域自适应的时变脑电特征提取方法 |
CN112401907A (zh) * | 2020-11-18 | 2021-02-26 | 江苏海洋大学 | 基于傅里叶同步压缩变换可靠划分脑低频波动子区域方法 |
CN112545519A (zh) * | 2021-02-22 | 2021-03-26 | 之江实验室 | 一种群体情感同质性的实时评估方法和评估系统 |
CN113317804A (zh) * | 2021-05-28 | 2021-08-31 | 清华大学 | 一种康复效率预测方法、及其训练装置和计算机设备 |
CN114098765A (zh) * | 2021-11-23 | 2022-03-01 | 燕山大学 | 多通道高频脑电波耦合的脑网络参数特征提取方法及装置 |
CN114145754A (zh) * | 2021-12-13 | 2022-03-08 | 杭州电子科技大学 | 基于eeg交叉频率耦合的卒中脑功能评估装置 |
CN114533066A (zh) * | 2022-04-28 | 2022-05-27 | 之江实验室 | 基于复合表情加工脑网络的社交焦虑评估方法和系统 |
Non-Patent Citations (6)
Title |
---|
FUMIKAZU MIWAKEICHI ET AL.: "Decomposing EEG data into space–time–frequency components using Parallel Factor Analysis", 《NEUROIMAGE》, pages 1035 - 1045 * |
KALYANI P. WAGH ET AL.: "Performance evaluation of multi-channel electroencephalogram signal (EEG) based time frequency analysis for human emotion recognition", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》, pages 103966 * |
YAO DEZHONG: "High-resolution EEG mappings: a spherical harmonic spectra theory and simulation results", 《CLINICAL NEUROPHYSIOLOGY》, pages 81 - 92 * |
杨硕;冀亚坤;王磊;郝鹏茹;徐桂芝;: "基于脑疲劳的Delta-Gamma相位幅值耦合研究", 中国生物医学工程学报, no. 04, pages 64 - 69 * |
武侠等: "利用时频分析研究非相位锁定脑电活", 心理科学进展, vol. 26, no. 8, pages 1349 - 1364 * |
赵丽娜;王保强;尧德中;: "基于信号处理的脑电相位同步性分析方法研究", 生物医学工程学杂志, no. 02, pages 250 - 254 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117298448A (zh) * | 2023-10-31 | 2023-12-29 | 首都医科大学宣武医院 | 脑电异常捕捉及节律调控方法、系统、设备和存储介质 |
CN117298448B (zh) * | 2023-10-31 | 2024-04-19 | 首都医科大学宣武医院 | 脑电异常捕捉及节律调控方法、系统、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116058851B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Morlet et al. | MMN and novelty P3 in coma and other altered states of consciousness: a review | |
Selvakumari et al. | Patient-specific seizure detection method using hybrid classifier with optimized electrodes | |
Kramer et al. | Emergence of persistent networks in long-term intracranial EEG recordings | |
Debener et al. | What is novel in the novelty oddball paradigm? Functional significance of the novelty P3 event-related potential as revealed by independent component analysis | |
Sinha | Artificial neural network and wavelet based automated detection of sleep spindles, REM sleep and wake states | |
US4699153A (en) | System for assessing verbal psychobiological correlates | |
Mayya et al. | Continuous monitoring of stress on smartphone using heart rate variability | |
Palomäki et al. | Brain oscillatory 4–35 Hz EEG responses during an n-back task with complex visual stimuli | |
CN116058851B (zh) | 脑电数据处理方法、装置、分析系统、电子装置和介质 | |
Smith et al. | Moving beyond self‐report data collection in the natural environment: A review of the past and future directions for ambulatory assessment in eating disorders | |
Tseng et al. | Comparison of head elevation versus rotation methods for eliciting cervical vestibular-evoked myogenic potentials via bone-conducted vibration | |
Sharma et al. | Modeling stress recognition in typical virtual environments | |
Pasinski et al. | How modality specific is processing of auditory and visual rhythms? | |
Tlumak et al. | Steady-state analysis of auditory evoked potentials over a wide range of stimulus repetition rates: Profile in adults | |
Qian et al. | Simultaneous recording and analysis of uterine and abdominal muscle electromyographic activity in nulliparous women during labor | |
Kertesz et al. | Event-related potentials during the transition to sleep for individuals with sleep-onset insomnia | |
CN114533066B (zh) | 基于复合表情加工脑网络的社交焦虑评估方法和系统 | |
CN110569968B (zh) | 基于电生理信号的创业失败恢复力评估方法及评估系统 | |
CN112155577A (zh) | 一种社会压力检测方法、装置、计算机设备及存储介质 | |
Polich | On the correlation between P300 amplitude and latency | |
Fingelkurts et al. | Topographic mapping of rapid transitions in EEG multiple frequencies: EEG frequency domain of operational synchrony | |
CN108937925A (zh) | 一种诱发脑电信号提取的方法、装置、设备及存储介质 | |
Maby et al. | Scalp localization of human auditory cortical activity modified by GSM electromagnetic fields | |
Prabhakara et al. | Real time analysis of EEG signals on Android application | |
Paluš et al. | EEG connectivity in treatment of major depressive disorder: Tackling the conductivity effects |
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 |