CN116226481A - 一种基于脑电的实验数据筛选方法、系统及存储介质 - Google Patents
一种基于脑电的实验数据筛选方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116226481A CN116226481A CN202211729536.8A CN202211729536A CN116226481A CN 116226481 A CN116226481 A CN 116226481A CN 202211729536 A CN202211729536 A CN 202211729536A CN 116226481 A CN116226481 A CN 116226481A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- data
- experimental
- value
- calculating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 113
- 238000012216 screening Methods 0.000 title claims abstract description 54
- 238000011156 evaluation Methods 0.000 claims abstract description 117
- 230000008569 process Effects 0.000 claims abstract description 67
- 230000000694 effects Effects 0.000 claims abstract description 62
- 238000002474 experimental method Methods 0.000 claims description 48
- 210000004556 brain Anatomy 0.000 claims description 33
- 238000007781 pre-processing Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Surgery (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pathology (AREA)
- Computational Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Psychology (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种基于脑电的实验数据筛选方法、系统及存储介质,获取所有被试者在实验过程中的脑电数据,并将脑电数据进行处理得到覆盖整个实验过程连续时间区间内的第一脑电评价曲线;获取目标被试者在实验过程中的脑电数据,通过对目标被试者的脑电数据分析得到覆盖整个实验过程连续时间区间内的第二脑电评价曲线;计算第一脑电评价曲线和第二脑电评价曲线的相关性得到第一实验效果评价数值;根据得到的第一实验效果评价数值与预设阈值对实验数据进行筛除。本申请通过脑电数据对被试者在实验过程中操作的有效性进行判断和筛选。
Description
技术领域
本发明涉及数据分析技术领域,特别涉及一种基于脑电的实验数据筛选方法、系统及存储介质。
背景技术
在心理学等学科的科学研究中,研究者通常需要设计一些标准的实验范式,然后招募被试者按照实验范式的要求进行操作,通过收集被试者的行为数据来进行分析和研究。但由于受被试者招募难度、实验场地以及实验时间的限制,此类实验很难招募大量被试者来参加实验,通常一个实验参加项目的被试者就只能有几十人或上百人。一方面,依靠研究者自身很难招募到大量的被试者,另外一方面,即使招募了大量被试者,由于需要安排被试者在研究者实验室轮流进行实验,也会需要很长时间才能完成所有实验。
随着大数据技术的发展,机器学习等算法也逐渐的应用到此类研究中,这就意味着如果能有大量被试者参加实验,不仅可以采集到更多的数据,而且还可以基于年龄、性别、区域、种族等不同纬度进行更全面的分析和研究。为实现大样本量的采集,可以采用线上系统的数据采集方式,即被试者可以在电脑、手机等智能终端上远程参加实验,此方式突破了人数和实验场所的限制。但由于此类实验为了保证实验数据的有效性,需要被试者能够按照实验要求认真操作,在实验室环境中,可以通过人为监督的方式保证操作的正确性和有效性,而通过线上系统进行远程实验,由于缺乏人为监督,则很难保证操作的正确性和有效性。
发明内容
基于此,本申请实施例提供了一种基于脑电的实验数据筛选方法、系统及存储介质,能够通过脑电数据对被试者在实验过程中操作的有效性进行判断和筛选,一方面,实现了通过远程实验进行大样本采集的功能,另外一方面,通过脑电对数据进行筛选,可以剔除因为不满足操作要求而产生的无效数据,从而保证了所采集的实验数据的可靠性和有效性。
第一方面,提供了一种基于脑电的实验数据筛选方法,该方法包括:
获取所有被试者在实验过程中的脑电数据,并将所述脑电数据进行处理得到覆盖整个实验过程连续时间区间内的第一脑电评价曲线;
获取目标被试者在实验过程中的脑电数据,通过对目标被试者的脑电数据分析得到覆盖整个实验过程连续时间区间内的第二脑电评价曲线;
计算第一脑电评价曲线和第二脑电评价曲线的相关性得到第一实验效果评价数值;
根据得到的第一实验效果评价数值与预设阈值对实验数据进行筛除。
可选地,所述获取实验过程中的脑电数据,并将所述脑电数据进行处理得到覆盖整个实验过程连续时间区间内的第一脑电评价曲线,包括:
对第一被试者实验过程中的脑电数据进行分析,得到第一被试者覆盖整个实验过程连续时间区间内的第一脑电特征曲线;其中,所述第一脑电特征曲线由实验过程中每一个时刻的第一脑电特征数值组成;
遍历所有被试者,得到所有被试者的第一脑电特征曲线;
根据所有被试者的第一脑电特征曲线,计算实验过程中每个时刻的第二脑电特征数值;
连续计算在整个实验过程连续时间区间内的第二脑电特征数值,组成覆盖整个实验过程连续时间区间内的第一脑电评价曲线。
可选地,所述根据所有被试者的第一脑电特征曲线,计算实验过程中每个时刻的第二脑电特征数值,包括:
从每名被试者的第一脑电特征曲线中提取其在同一时刻的第一脑电特征数值;
计算所有被试者在该时刻的第一脑电特征数值的平均值,得到第二脑电特征数值。
可选地,所述计算所有被试者在该时刻的第一脑电特征数值的平均值,得到第二脑电特征数值,还包括:
提取所有被试者在该时刻的第一脑电特征数值,计算所得所有数值平均值和标准差,分别得到第一预处理数据和第二预处理数据;
根据第一预处理数据和第二预处理数据,经过第一公式计算得到每个被试者的第三预处理数据,所述第一公式具体包括:
去掉第三预处理数据大于第一预设阈值或者小于第二预设阈值的所对应的数据;计算筛除后的被试者的第一脑电特征数值的平均值,得到第二脑电特征数值。
可选地,所述计算第一脑电评价曲线和第二脑电评价曲线的相关性得到第一实验效果评价数值,包括:
根据第二公式确定相关性结果,所述第二公式具体包括:
其中,X表示第一脑电评价曲线数据组成的数组,Y表示第二脑电评价曲线数据组成的数组,N表示数组中数据的数量,P表示相关性结果,用于表征第一实验效果评价数值。
可选地,根据得到的第一实验效果评价数值与预设阈值对实验数据进行筛除,包括:
如果第一实验效果评价数值小于预设阈值,则目标用户的实验数据为无效数据,进行筛除;
如果第一实验效果评价数值大于或等于预设阈值,则目标用户的实验数据有效数据。
可选地,所述实验过程包括有监督的实验过程或无监督的实验过程。
可选地,所述方法还包括:
将实验划分为多个时间片段,分别根据每个实验时间片段中的第一实验效果评价数值,计算得到整个实验过程中的第二实验效果评价数值;
其中,根据第三公式确定第二实验效果评价数值,所述第三公式具体包括:
其中,Q为第二实验效果评价数值,Pi为第i个时间片段的第一实验效果评价数值,Ki为第i个时间片段的预设权重值,N为时间片段的数量。
第二方面,提供了一种基于脑电的实验数据筛选系统,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面任一所述的基于脑电的实验数据筛选方法。
第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一所述的基于脑电的实验数据筛选方法。
本申请的有益效果在于:
传统的心理学实验的研究中,由于被试者招募、实验场地以及实验时间等原因,无法进行大样本量数据的采集,而基于线上的实验数据采集,虽然可以在短期内采集大量的数据,但由于在实验过程中,被试者的操作缺乏人员监督,会导致实验数据的可靠性降低。
本发明提出的方法,即通过对被试者实验过程中脑电数据的分析,实现对线上采集的实验数据的有效筛查,可以剔除因为不满足操作要求而产生的无效数据,既可以大样本量数据的采集,也保障了所采集的数据的可靠性和有效性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1为本申请实施例提供的一种基于脑电的实验数据筛选方法的步骤流程图;
图2为本申请实施例提供的第一脑电评价曲线获取的步骤流程图;
图3为本申请实施例提供的一种基于脑电的实验数据筛选装置的框图;
图4为本申请实施例提供的一种电子设备的示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,除非另有说明“多个”的含义是两个或两个以上。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”、“第三”“第四”等旨在区别指代的对象。对于具有时序流程的方案,这种术语表述方式不必理解为描述特定的顺序或先后次序,对于装置结构的方案,这种术语表述方式也不存在对重要程度、位置关系的区分等。
此外,术语“包括”、“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,包括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已明确列出的那些步骤或单元,而是还可包含虽然并未明确列出的但对于这些过程、方法、产品或设备固有的其它步骤或单元,或者基于本发明构思进一步的优化方案所增加的步骤或单元。
本发明的主要目的在于提供一种基于脑电的实验数据筛选方法、系统及存储介质,旨在通过脑电数据对被试者在实验过程中操作的有效性进行判断和筛选,一方面,实现了通过远程实验进行大样本采集的功能,另外一方面,通过脑电对数据进行筛选,可以剔除因为不满足操作要求而产生的无效数据,从而保证了所采集的实验数据的可靠性和有效性。
请参考图1,其示出了本申请实施例提供的一种基于脑电的实验数据筛选方法的流程图,应用于基于脑电的实验数据筛选系统,该方法可以包括以下步骤:
步骤101,获取所有被试者在实验过程中的脑电数据,并将脑电数据进行处理得到覆盖整个实验过程连续时间区间内的第一脑电评价曲线。
其中,脑电数据可以为EEG数据,在实验过程中,每个被试者佩戴一个脑电仪,通过脑电仪同时采集脑电数据。
本实施例采用线上无监督的实验过程,在本步骤中,组织多名被试者基于互联网进行线上的实验,在实验的同时,采集这些被试者在实验过程中的脑电数据,对这些被试者在整个实验过程中的脑电数据进行计算,得到覆盖整个实验过程连续时间区间内的第一脑电评价曲线。
具体地,如图2,其具体包括:
步骤1011,通过对单个人的脑电数据分析,得到单个人的覆盖整个实验过程连续时间区间内的第一脑电特征曲线,第一脑电特征曲线由每一个时刻的第一脑电特征数值组成;
步骤1012,通过对多名被试者的脑电数据分析,得到多个人的第一脑电特征曲线;
步骤1013,依据多名被试者的第一脑电特征曲线,依次计算从实验过程开始到实验过程结束期间,每个时刻的第二脑电特征数值,步骤具体如下:
(a)从每名被试者的第一脑电特征曲线中提取其在同一时刻的第一脑电特征数值
(b)计算所有被试者在该时刻的第一脑电特征数值的平均值,得到第二脑电特征数值。进一步的,在得到第二脑电特征数值的过程中,做如下数据预处理:
提取所有被试者在该时刻的第一脑电特征数值,计算这些数值的平均值,得到第一预处理数据;
提取所有被试者在该时刻的第一脑电特征数值,计算这些数值的标准差,得到第二预处理数据;
根据第一预处理数据和第二预处理数据,经过计算分别得到每个被试者的第三预处理数据,公式如下:
根据第一预处理数据和第二预处理数据,经过第一公式计算得到每个被试5者的第三预处理数据,所述第一公式具体包括:
根据第一预设阈值和第二预设阈值对所有被试者的第一脑电特征数值进行筛除,筛除方法是:去掉第三预处理数据大于第一预设阈值或者小于第二预设阈值的被试者的数据;
计算筛除后剩余被试者的第一脑电特征数值的平均值,得到第二脑电特征数值。
步骤1014,连续计算在整个实验过程连续时间区间内的第二脑电特征数值,由这些第二脑电特征数值组成覆盖整个实验过程连续时间区间内的第一脑电评价曲线。
步骤102,获取目标被试者在实验过程中的脑电数据,通过对目标被试者的脑电数据分析得到覆盖整个实验过程连续时间区间内的第二脑电评价曲线。
其中,该目标被试者是指当前待进行数据筛选的被试。在本步骤中确定出所有被试者中的目标被试者,得到目标被试者在实验过程中的脑电数据。
在本步骤中,通过对单个目标被试者的脑电数据分析,得到该名被试者的覆盖整个实验过程连续时间区间内的每一个时刻的第一脑电特征数值,这些第一脑电特征数值组成了该名被试者的覆盖整个实验过程连续时间区间内的第二脑电评价曲线。
步骤103,计算第一脑电评价曲线和第二脑电评价曲线的相关性得到第一实验效果评价数值。
依据第一脑电评价曲线和第二脑电评价曲线,计算得到第一实验效果评价数值
方法如下:采用如下算法计算第一脑电评价曲线和第二脑电评价曲线的相关性数值,得到该被试者的第一实验效果评价数值。
根据第二公式确定相关性结果,所述第二公式具体包括:
其中,X表示第一脑电评价曲线数据组成的数组,Y表示第二脑电评价曲线数据组成的数组,N表示数组中数据的数量,P表示相关性结果,用于表征第一实验效果评价数值。
步骤104,根据得到的第一实验效果评价数值与预设阈值对实验数据进行筛除。
依据预设阈值和第一实验效果评价数值对本次实验进行筛除,筛除方法是:如果第一实验效果评价数值小于预设阈值,则此目标被试者的本次测评的数据为无效数据,如果第一实验效果评价数值大于或等于预设阈值,则认为本次数据为有效数据。
在本申请可选的实施例中,有些实验在实施过程中,由于被试者的能力和操作习惯不同,每个人完成实验的时间并不是等长的。本发明还提供一种方法,通过将整个实验过程分解为不同的时间片段,分别计算不同时间片段的第一实验效果评价数值,得到第二实验效果评价数值,并通过第二实验效果评价数值对实验效果进行评价。具体步骤如下:
(1)根据实验的特点,将实验划分为多个时间片段;
(2)分别计算每个时间片段的第一脑电评价曲线;
(3)针对单个被试者,分别依据每个时间片段的第一脑电评价曲线和第二脑电评价曲线计算得到每个时间片段的第一实验效果评价数值;
(4)依据每个时间片段的第一实验效果评价数值,计算得到整个实验过程中的第二实验效果评价数值,根据第三公式确定第二实验效果评价数值,第二实验效果评价数值对应的第三公式具体包括:
其中,Q为第二实验效果评价数值,Pi为第i个时间片段的第一实验效果评价数值,Ki为第i个时间片段的预设权重值,N为时间片段的数量。
(5)依据预设阈值和第二实验效果评价数值对本次实验进行筛除,筛除方法是:如果第二实验效果评价数值小于预设阈值,则本次测评的数据为无效数据,如果第二实验效果评价数值大于或等于预设阈值,则认为本次数据为有效数据。
以下给出应用本方法的另一个具体实施例:
本发明实施例中,实验内容为颜色选择反应时的测评项目,整个实验包括3个Block,每个block包含36个Trial,每个Trial需要做一个操作,操作的要求如下:
在屏幕中央会始终呈现一个“+”,在每个Trial开始后,在“+”两侧会依次出现蓝色或红色圆点。请平视中央的“+”,如果出现蓝色圆点,则需要尽快按下键盘左方向键,如果出现红色圆点,则需要尽快按下键盘右方向键,操作中忽略圆点出现的位置。操作结束后圆点会消失,本次Trial即结束。
本发明实施例步骤如下:
1.首先采用有监督实验的方式,组织多名被试在固定场所进行线下的实验,在实验的同时,采集并记录这些被试在实验过程中的脑电数据,并且同时记录每个Block的开始时间和结束时间。
2.根据记录的每个Block的开始时间和结束时间,将脑电数据分为3个时间片段,每个Block对应一个时间片段。
3.分别计算每个时间片段的第一脑电评价曲线。
(1)通过对单个人的脑电数据分析,得到单个人的覆盖时间片段1的连续时间区间内的第一脑电特征曲线,第一脑电特征曲线由每一个时刻的第一脑电特征数值组成。
所述的每一个时刻的第一脑电特征数值的步骤如下:
(a)获取每个被试的脑电数据中,对脑电数据进行快速富立叶分析(FFT),得到theta波强度(4Hz-7Hz)和beta波强度(12Hz-30Hz)2个频域参数。
(b)根据预设的多变量回归方程,从theta波强度和beta波强度这2个参数得到第一脑电特征数值。
(c)所述的预设的多变量回归方程为
其中At为t时刻的第一脑电特征数值,θt为t时刻的theta波强度参数,βt为t时刻的beta波强度参数。
(2)通过对多名被试的脑电数据分析,得到多个人的时间片段1的第一脑电特征曲线
(3)依据多名被试的第一脑电特征曲线,依次计算从时间片段1开始到时间片段1结束期间,每个时刻的第二脑电特征数值,步骤如下:
(a)从每名被试的第一脑电特征曲线中提取其在同一时刻的第一脑电特征数值;
(b)计算所有被试在该时刻的第一脑电特征数值的平均值,得到第二脑电特征数值。进一步的,在得到第二脑电特征数值的过程中,做如下数据预处理:
提取所有被试在该时刻的第一脑电特征数值,计算这些数值的平均值,得到第一预处理数据;
提取所有被试在该时刻的第一脑电特征数值,计算这些数值的标准差,得到第二预处理数据;
根据第一预处理数据和第二预处理数据,经过计算分别得到每个被试的第三预处理数据,公式如下:
根据第一预设阈值和第二预设阈值对所有被试的第一脑电特征数值进行筛除,筛除方法是:去掉第三预处理数据大于第一预设阈值或者小于第二预设阈值的被试的数据。本实施例中,第一预设阈值为1,第二预设阈值为-1。
计算筛除后剩余被试的第一脑电特征数值的平均值,得到第二脑电特征数值
(4)连续计算在时间片段1连续时间区间内的第二脑电特征数值,由这些第二脑电特征数值组成时间片段1连续时间区间内的第一脑电评价曲线
(5)按上述方法再依次计算得到时间片段2和时间片段3的第一脑电评价曲线。
2.在后续进行的线上无监督实验过程中,在实验的同时,采集单个被试在实验过程中的脑电数据,并且同时记录每个Block的开始时间和结束时间,通过对单个人的脑电数据分析,得到该名被试时间片段1、时间片段2和时间片段3的第二脑电评价曲线。
3.依据时间片段1的第一脑电评价曲线和第二脑电评价曲线,计算得到时间片段1的第一实验效果评价数值
采用如下算法计算第一脑电评价曲线和第二脑电评价曲线的相关性数值,得到该被试的时间片段1的第一实验效果评价数值
在上述公式中,X是第一脑电评价曲线数据组成的数组,Y是第二脑电评价曲线数据组成的数组,N是数组中数据的数量。P为该被试的时间片段1的第一实验效果评价数值。
4.依次计算分别得到时间片段2和时间片段3的第一实验效果评价数值
5.依据时间片段1、时间片段2和时间片段3的第一实验效果评价数值,计算得到整个实验过程中的第二实验效果评价数值,方法如下:
在上述公式中,Q为第二实验效果评价数值,Pi为第i个时间片段的第一实验效果评价数值,Ki为第i个时间片段的预设权重值,N为时间片段的数量。本实施例中,N为3,预设权重值Ki均为1。
6.依据预设阈值和第二实验效果评价数值对本次实验进行筛除,筛除方法是:如果第二实验效果评价数值小于预设阈值0.6,则本次测评的数据为无效数据,如果第二实验效果评价数值大于或等于预设阈值0.6,则认为本次数据为有效数据。
综上可以看出,在线上实验过程中,为保障被试能够按照要求认真完成实验,在被试做实验的过程中,同步采集被试的脑电数据,通过脑电数据来对本次实验是否有效进行判断,进而剔除无效的实验数据,既实现了大样本量的实验数据的采集,也保证了所采集实验数据的可靠性。
请参考图3,其示出了本申请实施例提供的一种实验数据筛选装置200的框图。如图3所示,该装置200可以包括:
第一处理模块201,用于获取所有被试者在实验过程中的脑电数据,并将所述脑电数据进行处理得到覆盖整个实验过程连续时间区间内的第一脑电评价曲线;
第二处理模块202,用于采集目标被试者在实验过程中的脑电数据,通过对目标被试者的脑电数据分析得到覆盖整个实验过程连续时间区间内的第二脑电评价曲线;
计算模块203,用于计算第一脑电评价曲线和第二脑电评价曲线的相关性得到第一实验效果评价数值;
筛除模块204,用于根据得到的第一实验效果评价数值与预设阈值对实验数据进行筛除。
关于实验数据筛选装置的具体限定可以参见上文中对于实验数据筛选方法的限定,在此不再赘述。上述实验数据筛选装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种基于脑电的实验数据筛选系统,该电子设备可以是计算机,其内部结构图可以如图4所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该设备的处理器用于提供计算和控制能力。该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、计算机程序和数据库。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。该计算机设备的数据库用于基于脑电的实验数据筛选数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于脑电的实验数据筛选方法。
本领域技术人员可以理解,如图4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。
在本申请的一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述基于脑电的实验数据筛选方法的步骤。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以M种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(SyMchliMk)DRAM(SLDRAM)、存储器总线(RaMbus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述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申请专利范围的限制。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,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于脑电的实验数据筛选方法,其特征在于,所述方法包括:
获取所有被试者在实验过程中的脑电数据,并将所述脑电数据进行处理得到覆盖整个实验过程连续时间区间内的第一脑电评价曲线;
获取目标被试者在实验过程中的脑电数据,通过对目标被试者的脑电数据分析得到覆盖整个实验过程连续时间区间内的第二脑电评价曲线;
计算第一脑电评价曲线和第二脑电评价曲线的相关性得到第一实验效果评价数值;
根据得到的第一实验效果评价数值与预设阈值对实验数据进行筛除。
2.根据权利要求1所述的方法,其特征在于,所述获取实验过程中的脑电数据,并将所述脑电数据进行处理得到覆盖整个实验过程连续时间区间内的第一脑电评价曲线,包括:
对第一被试者实验过程中的脑电数据进行分析,得到第一被试者覆盖整个实验过程连续时间区间内的第一脑电特征曲线;其中,所述第一脑电特征曲线由实验过程中每一个时刻的第一脑电特征数值组成;
遍历所有被试者,得到所有被试者的第一脑电特征曲线;
根据所有被试者的第一脑电特征曲线,计算实验过程中每个时刻的第二脑电特征数值;
连续计算在整个实验过程连续时间区间内的第二脑电特征数值,组成覆盖整个实验过程连续时间区间内的第一脑电评价曲线。
3.根据权利要求2所述的方法,其特征在于,所述根据所有被试者的第一脑电特征曲线,计算实验过程中每个时刻的第二脑电特征数值,包括:
从每名被试者的第一脑电特征曲线中提取其在同一时刻的第一脑电特征数值;
计算所有被试者在该时刻的第一脑电特征数值的平均值,得到第二脑电特征数值。
4.根据权利要求3所述的方法,其特征在于,所述计算所有被试者在该时刻的第一脑电特征数值的平均值,得到第二脑电特征数值,还包括:
提取所有被试者在该时刻的第一脑电特征数值,计算所得所有数值平均值和标准差,分别得到第一预处理数据和第二预处理数据;
根据第一预处理数据和第二预处理数据,经过第一公式计算得到每个被试者的第三预处理数据,所述第一公式具体包括:
去掉第三预处理数据大于第一预设阈值或者小于第二预设阈值的所对应的数据;计算筛除后的被试者的第一脑电特征数值的平均值,得到第二脑电特征数值。
6.根据权利要求1所述的方法,其特征在于,根据得到的第一实验效果评价数值与预设阈值对实验数据进行筛除,包括:
如果第一实验效果评价数值小于预设阈值,则目标用户的实验数据为无效数据,进行筛除;
如果第一实验效果评价数值大于或等于预设阈值,则目标用户的实验数据有效数据。
7.根据权利要求1所述的方法,其特征在于,所述实验过程包括有监督的实验过程或无监督的实验过程。
9.一种基于脑电的实验数据筛选系统,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至8任一所述的基于脑电的实验数据筛选方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8任一所述的基于脑电的实验数据筛选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211729536.8A CN116226481B (zh) | 2022-12-30 | 2022-12-30 | 一种基于脑电的实验数据筛选方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211729536.8A CN116226481B (zh) | 2022-12-30 | 2022-12-30 | 一种基于脑电的实验数据筛选方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116226481A true CN116226481A (zh) | 2023-06-06 |
CN116226481B CN116226481B (zh) | 2023-11-21 |
Family
ID=86570771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211729536.8A Active CN116226481B (zh) | 2022-12-30 | 2022-12-30 | 一种基于脑电的实验数据筛选方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116226481B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590445A (zh) * | 2017-08-25 | 2018-01-16 | 西安电子科技大学 | 基于脑电信号的美学图像质量评价方法 |
CN110516711A (zh) * | 2019-07-25 | 2019-11-29 | 安徽大学 | Mi-bci系统的训练集质量评估方法和单次训练样本的优化方法 |
CN111258428A (zh) * | 2020-01-20 | 2020-06-09 | 西安臻泰智能科技有限公司 | 脑电控制系统及方法 |
CN111436957A (zh) * | 2019-12-31 | 2020-07-24 | 秒针信息技术有限公司 | 一种心理状态信息处理方法及装置 |
CN112084935A (zh) * | 2020-09-08 | 2020-12-15 | 南京邮电大学 | 一种基于扩充高质量脑电样本的情绪识别方法 |
CN112115856A (zh) * | 2020-09-17 | 2020-12-22 | 浙江迈联医疗科技有限公司 | 脑电质量评估方法、存储介质及系统 |
CN112637688A (zh) * | 2020-12-09 | 2021-04-09 | 北京意图科技有限公司 | 视频内容评价方法及视频内容评价系统 |
WO2021073390A1 (zh) * | 2019-10-16 | 2021-04-22 | 平安科技(深圳)有限公司 | 数据筛选方法、装置、设备及计算机可读存储介质 |
CN113288175A (zh) * | 2021-05-31 | 2021-08-24 | 量心科技(深圳)有限公司 | 脑电信号的质量检测方法、装置、电子设备及存储介质 |
CN114159064A (zh) * | 2022-02-11 | 2022-03-11 | 深圳市心流科技有限公司 | 基于脑电信号的专注力评估方法、装置、设备及存储介质 |
CN114492501A (zh) * | 2021-12-13 | 2022-05-13 | 重庆邮电大学 | 基于改进smote算法的脑电信号样本扩充方法、介质及系统 |
CN114601474A (zh) * | 2021-12-31 | 2022-06-10 | 杭州电子科技大学 | 一种运动想象迁移学习的源域样本筛选方法 |
-
2022
- 2022-12-30 CN CN202211729536.8A patent/CN116226481B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590445A (zh) * | 2017-08-25 | 2018-01-16 | 西安电子科技大学 | 基于脑电信号的美学图像质量评价方法 |
CN110516711A (zh) * | 2019-07-25 | 2019-11-29 | 安徽大学 | Mi-bci系统的训练集质量评估方法和单次训练样本的优化方法 |
WO2021073390A1 (zh) * | 2019-10-16 | 2021-04-22 | 平安科技(深圳)有限公司 | 数据筛选方法、装置、设备及计算机可读存储介质 |
CN111436957A (zh) * | 2019-12-31 | 2020-07-24 | 秒针信息技术有限公司 | 一种心理状态信息处理方法及装置 |
CN111258428A (zh) * | 2020-01-20 | 2020-06-09 | 西安臻泰智能科技有限公司 | 脑电控制系统及方法 |
CN112084935A (zh) * | 2020-09-08 | 2020-12-15 | 南京邮电大学 | 一种基于扩充高质量脑电样本的情绪识别方法 |
CN112115856A (zh) * | 2020-09-17 | 2020-12-22 | 浙江迈联医疗科技有限公司 | 脑电质量评估方法、存储介质及系统 |
CN112637688A (zh) * | 2020-12-09 | 2021-04-09 | 北京意图科技有限公司 | 视频内容评价方法及视频内容评价系统 |
CN113288175A (zh) * | 2021-05-31 | 2021-08-24 | 量心科技(深圳)有限公司 | 脑电信号的质量检测方法、装置、电子设备及存储介质 |
CN114492501A (zh) * | 2021-12-13 | 2022-05-13 | 重庆邮电大学 | 基于改进smote算法的脑电信号样本扩充方法、介质及系统 |
CN114601474A (zh) * | 2021-12-31 | 2022-06-10 | 杭州电子科技大学 | 一种运动想象迁移学习的源域样本筛选方法 |
CN114159064A (zh) * | 2022-02-11 | 2022-03-11 | 深圳市心流科技有限公司 | 基于脑电信号的专注力评估方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
MANZHEN MA 等: "Classification of motor imagery EEG signals based on wavelet transform and sample entropy", 2017 IEEE 2ND ADVANCED INFORMATION TECHNOLOGY, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IAEAC), pages 905 - 910 * |
刘慧 等: "基于模糊熵的脑电睡眠分期特征提取与分类", 数据采集与处理, vol. 25, no. 04, pages 484 - 489 * |
刘锦 等: "单次样本对的CSP滤波器设计及其在脑电训练样本优化中的应用", 信号处理, vol. 33, no. 07, pages 993 - 1001 * |
Also Published As
Publication number | Publication date |
---|---|
CN116226481B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389059B (zh) | 一种基于cnn-lstm网络的p300检测方法 | |
Hu et al. | Real-time sensing of trust in human-machine interactions | |
Sabeti et al. | Entropy and complexity measures for EEG signal classification of schizophrenic and control participants | |
US10499823B2 (en) | Selection of electroencephalography (EEG) channels valid for determining cognitive load of a subject | |
Gruszczyńska et al. | Epilepsy identification based on EEG signal using RQA method | |
Ponce-Alvarez et al. | Comparison of local measures of spike time irregularity and relating variability to firing rate in motor cortical neurons | |
Al-Qazzaz et al. | Effective EEG channels for emotion identification over the brain regions using differential evolution algorithm | |
CN113052113A (zh) | 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统 | |
CN109498037B (zh) | 基于深度学习提取特征和多重降维算法的脑认知测量方法 | |
Baldassano et al. | A novel seizure detection algorithm informed by hidden Markov model event states | |
CN116226481B (zh) | 一种基于脑电的实验数据筛选方法、系统及存储介质 | |
CN109684296A (zh) | 脑纹识别数据库构建方法、装置、计算机设备和存储介质 | |
CN117883082A (zh) | 一种异常情绪识别方法、系统、设备及介质 | |
Wadhera et al. | Autism spectrum disorder prediction using bidirectional stacked gated recurrent unit with time-distributor wrapper: an EEG study | |
CN116138780B (zh) | 一种学生注意力评价方法、终端及计算机可读存储介质 | |
CN110179451B (zh) | 心电信号质量检测方法、装置、计算机设备和存储介质 | |
CN115969392A (zh) | 基于张量化频空注意力域适应网络的跨时段脑纹识别方法 | |
Esquivel-Frausto et al. | Activity pattern detection in electroneurographic and electromyogram signals through a heteroscedastic change-point method | |
Rutkowski et al. | Cross-cultural evaluation of dementia passive BCI neuro-biomarker candidates | |
DE102018117484A1 (de) | Verfahren und Vorrichtung zur Erfassung von Herzflimmern basierend auf einem hochempfindlichen Photopletysmogramm unter Verwendung einer tragbaren Vorrichtung | |
CN114764581B (zh) | 一种基于rr间期空间特征的房颤分类方法、装置及系统 | |
Coman et al. | Experimental Research for the Analysis and Classification of EEG Signals With the Aim of Identifying Brain Activity Under the Mental Calculation Tasks | |
CN115429272B (zh) | 基于多模态生理信号的心理健康状态评估方法及系统 | |
Ammar et al. | Automated patient-specific seizure detection system with self-parameters adaptation | |
Ramadan et al. | Multimodal machine learning approach for emotion recognition using physiological signals |
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 |