CN116458901A - 一种神经反馈训练方法、系统、设备及存储介质 - Google Patents
一种神经反馈训练方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116458901A CN116458901A CN202310232247.5A CN202310232247A CN116458901A CN 116458901 A CN116458901 A CN 116458901A CN 202310232247 A CN202310232247 A CN 202310232247A CN 116458901 A CN116458901 A CN 116458901A
- Authority
- CN
- China
- Prior art keywords
- training
- feedback
- module
- electroencephalogram
- nerve
- 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
- 238000012549 training Methods 0.000 title claims abstract description 339
- 210000005036 nerve Anatomy 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000005012 migration Effects 0.000 claims abstract description 27
- 238000013508 migration Methods 0.000 claims abstract description 27
- 210000004556 brain Anatomy 0.000 claims description 36
- 230000007177 brain activity Effects 0.000 claims description 24
- 230000000284 resting effect Effects 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 12
- 238000004070 electrodeposition Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 12
- 230000033228 biological regulation Effects 0.000 abstract description 3
- 230000001537 neural effect Effects 0.000 description 12
- 230000003936 working memory Effects 0.000 description 10
- 208000024827 Alzheimer disease Diseases 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 208000010877 cognitive disease Diseases 0.000 description 6
- 208000027061 mild cognitive impairment Diseases 0.000 description 6
- 230000001105 regulatory effect Effects 0.000 description 6
- 230000003920 cognitive function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 206010012289 Dementia Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 210000001652 frontal lobe Anatomy 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000001152 parietal lobe Anatomy 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003925 brain function Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000003931 cognitive performance Effects 0.000 description 1
- 230000036992 cognitive tasks Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000004399 eye closure Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005184 irreversible process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 229940126585 therapeutic drug Drugs 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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]
- A61B5/384—Recording apparatus or displays specially adapted therefor
-
- 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]
- A61B5/386—Accessories or supplementary instruments therefor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请实施例涉及神经调控技术领域，特别涉及一种神经反馈训练方法、系统、设备及存储介质，该方法包括：首先，获取训练对象的个体化alpha峰值频率；然后，基于所述个体化alpha峰值频率，设置反馈参数；接下来，基于所述反馈参数，对所述训练对象进行神经反馈训练，得到神经反馈训练经验；最后，基于所述神经反馈训练经验，对所述训练对象进行神经反馈迁移训练。本申请能够针对训练对象及其当前状态个性化地调整训练特征及训练难度，使神经反馈训练更具有针对性；并且能够提高训练对象在训练过程中的积极性和主动性，增强神经反馈训练的训练效果。
Description
技术领域
本申请实施例涉及神经调控技术领域，特别涉及一种神经反馈训练方法、系统、设备及存储介质。
背景技术
神经反馈训练是生物反馈训练的一种，它实时地监测脑的活动状态，如脑电波，脑部的血氧量等，通过计算机系统辅助，给受训者适当的声音，图像，触觉等反馈，使训练对象通过主观地感受、自觉地改变自身生物信号来改变脑的活动状态，增强脑的自我调节能力，改善脑的功能。
目前的神经反馈训练系统大都是使用一套固定的训练特征对所有训练对象进行训练，不能根据训练对象的状态及时调整训练难度，缺乏训练的针对性，并且反馈形式较为单一，难以吸引训练对象的兴趣，导致训练效果较差。
发明内容
本申请实施例提供一种神经反馈训练方法、系统、设备及存储介质，能够针对训练对象及其当前状态个性化地调整训练特征及训练难度，使神经反馈训练更具有针对性；并且能够提高训练对象在训练过程中的积极性和主动性，增强神经反馈训练的训练效果。
为解决上述技术问题，第一方面，本申请实施例提供一种神经反馈训练方法，包括：首先，获取训练对象的个体化alpha峰值频率；然后，基于个体化alpha峰值频率，设置反馈参数；接下来，基于反馈参数，对训练对象进行神经反馈训练，得到神经反馈训练经验；最后，基于神经反馈训练经验，对训练对象进行神经反馈迁移训练。
一些示例性实施例中，获取训练对象的个体化alpha峰值频率包括：在一段时间内，采集训练对象的静息态脑电数据；对静息态脑电数据进行预处理；对静息态脑电数据进行功率谱密度估计，得到功率谱密度的频率分辨率以及在特定电极位置处的个体化alpha峰值频率与功率谱密度的频率分辨率的对应关系；在静息态脑电数据中选取若干个通道处的alpha频段的脑电信号，基于对应关系，计算训练对象的个体化alpha峰值频率。
一些示例性实施例中，基于所述个体化alpha峰值频率，设置反馈参数，包括：基于个体化alpha峰值频率，计算若干电极对之间在训练对象的个体化alpha峰值频率上的脑电相干性数值；基于脑电相干性数值，选择初始训练电极对以及初始反馈阈值。
一些示例性实施例中，在脑电相干性数值中，选择脑电相干性最低的一组电极对作为初始训练电极对；在脑电相干性数值的计算结果中，选择出现概率为60％～70％的脑电相干性数值，作为初始反馈阈值。
一些示例性实施例中，采用虚拟现实赛车游戏的形式对训练对象进行神经反馈训练，包括：将计算得到的脑电相干性数值与反馈阈值进行比较，若脑电相干性数值高于反馈阈值，赛车会往前行驶；若脑电相干性数值低于反馈阈值，赛车会停止前进。
一些示例性实施例中，基于神经反馈训练经验，调节训练对象的大脑活动，对训练对象进行神经反馈迁移训练。
第二方面，本申请实施例还提供了一种神经反馈训练系统，包括依次连接的个体化alpha峰值频率获取模块、反馈参数设置模块、神经反馈训练模块以及神经反馈迁移训练模块；个体化alpha峰值频率获取模块用于获取训练对象的个体化alpha峰值频率；反馈参数设置模块用于根据个体化alpha峰值频率，设置反馈参数；神经反馈训练模块用于根据反馈参数，对训练对象进行神经反馈训练，得到神经反馈训练经验；神经反馈迁移训练模块根据神经反馈训练经验，对训练对象进行神经反馈迁移训练。
一些示例性实施例中，个体化alpha峰值频率获取模块包括脑电信号采集模块、脑电信号预处理模块和计算模块；脑电信号采集模块用于采集训练对象的脑电信号；脑电信号预处理模块用于对采集到的脑电信号进行预处理；计算模块用于对静息态脑电数据进行功率谱密度估计，得到功率谱密度的频率分辨率以及在特定电极位置处的个体化alpha峰值频率与功率谱密度的频率分辨率的对应关系；并在静息态脑电数据中选取若干个通道处的alpha频段的脑电信号，基于对应关系，计算训练对象的个体化alpha峰值频率；反馈参数设置模块包括脑电相干性计算模块和参数设置模块；脑电相干性计算模块用于计算预处理后的脑电信号的脑电相干性指标；参数设置模块用于设置训练参数，训练参数包括训练电极对以及反馈阈值；神经反馈训练模块包括训练模块和比较模块；训练模块用于采用虚拟现实赛车游戏的形式对训练对象进行神经反馈训练；比较模块用于比较训练的电极对之间的脑电相干性和反馈阈值的相对大小；神经反馈迁移训练模块包括调节模块和反馈输出模块；调节模块用于根据神经反馈训练经验，调节训练对象的大脑活动；反馈输出模块用于向训练对象展示其大脑活动的信息。
另外，本申请还提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述神经反馈训练方法。
另外，本申请还提供了一种计算机可读存储介质，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上述神经反馈训练方法。
本申请实施例提供的技术方案至少具有以下优点：
本申请实施例提供一种神经反馈训练方法、系统、设备及存储介质，该方法包括：首先，获取训练对象的个体化alpha峰值频率；然后，基于个体化alpha峰值频率，设置反馈参数；接下来，基于反馈参数，对训练对象进行神经反馈训练，得到神经反馈训练经验；最后，基于神经反馈训练经验，对训练对象进行神经反馈迁移训练。
本申请提供的神经反馈训练方法及系统，通过提出一种基于个体化alpha峰值频率脑电相干性进行神经反馈训练的训练模式，一方面，能够改善训练者大脑的功能连接，可以帮助训练者改善工作记忆。另一方面，本申请针对训练对象及其当前状态个性化地调整训练特征及训练难度，使得神经反馈训练更有针对性。此外，本申请采用基于虚拟现实(VR)游戏的更加丰富的视听觉反馈模式，让训练对象在训练过程中拥有沉浸式的体验，提高训练对象在训练过程中的积极性和主动性，可以增强神经反馈训练的训练效果。最后，本申请提供的神经反馈训练方法及系统增加了迁移训练环节，有助于训练对象将调节大脑活动的能力迁移到日常没有反馈的情境中去。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，除非有特别申明，附图中的图不构成比例限制。
图1为神经反馈的总体流程图；
图2为本申请一实施例提供的一种神经反馈训练方法的流程示意图；
图3为本申请另一实施例提供的一种神经反馈训练方法的流程示意图；
图4为本申请一实施例提供的一种神经反馈训练系统的结构示意图；
图5为本申请另一实施例提供的一种神经反馈训练系统的结构示意图；
图6为本申请一实施例提供的用于计算个体化alpha峰值频率的电极位置图：
图7为本申请一实施例提供的用于计算脑电相干性的电极位置图；
图8为本申请一实施例提供的一种电子设备的结构示意图。
具体实施方式
由背景技术可知，目前现有的神经反馈训练方法存在不能根据训练对象的状态及时调整训练难度导致的缺乏训练的针对性，以及反馈形式较为单一、难以吸引训练对象的兴趣导致的训练效果较差的问题。
阿尔茨海默病(Alzheimer’s disease，AD)是一种严重影响记忆、思考、行为和日常活动能力的神经退行性疾病，其病程是一个不可逆的过程，迄今为止尚且没有能够治愈或改变其病程发展的治疗药物和手段。根据世界卫生组织的统计，目前全世界有超过5500万人患有痴呆症，这一数字到2050年时将达到1.39亿人，其中阿尔茨海默病是痴呆症最常见的形式，可能占痴呆症病例的60-70％，对患者本人、家庭和社会都产生了巨大影响。
轻度认知障碍(Mild Cognitive impairment，MCI)是介于正常衰老和痴呆之间的一种中间状态，与年龄和受教育程度相仿的正常老年人相比，轻度认知障碍患者认知功能衰退更明显，已经超出正常衰老的范围，但尚未影响到日常生活能力。轻度认知障碍发展为阿尔茨海默病的概率是正常人的7倍，被认为是阿尔茨海默病发作的先兆，及时对轻度认知障碍患者进行干预治疗，可以降低其向阿尔茨海默病转化的概率。
工作记忆(Working Memory，WM)是指个体在执行认知任务的过程中，暂时储存与加工信息的能量有限的系统，在人们解决问题、学习新知识的过程中扮演关键角色，被认为是认知功能的核心。阿尔茨海默病(AD)最常见的症状为短期记忆的丧失，工作记忆包括短期记忆和处理短期记忆存储的信息的相关机制。因此，提升工作记忆即有助于缓解阿尔茨海默病等工作记忆缺陷个体的症状，也有助于改善健康个体的认知表现。
如图1所示，神经反馈(Neuro Feed Back，NFB)是生物反馈(Bio Feed Back，BFB)的一种，是通过测量大脑活动(如脑电等)并将其转换成人们可以理解的形式(如声音、动画等)反馈给受试者，使受试者可以对自身的大脑活动进行自主调节，以达到提高个体的认知功能和改善个体的行为表现的目的。作为一种非药物、非侵入式的干预手段，神经反馈具有安全性高、使用方便等优点。
目前，神经反馈至少有三个方面的应用：一是作为一种治疗工具，使患者偏离正常的大脑活动正常化，从而达到缓解疾病症状的目的；二是作为一种提升表现的手段，用来提高健康训练对象的认知功能表现；三是作为一种研究工具，用于研究特定大脑活动与认知及行为之间的因果关系。
神经反馈训练的关键主要包括四个部分：一是训练特征的选择，如基于脑电信号的alpha频段能量，基于功能性近红外光谱成像的氧合血红蛋白浓度等，选择合适的特征并训练用户调节自身大脑活动在这些特征上的表现有助于改善其认知功能或行为表现；二是反馈模式的选择，如视觉反馈、听觉反馈等，合适的反馈模式可以吸引训练对象的兴趣，提高训练对象的积极性，使训练对象更加专注的调节自身的大脑活动；三是训练难度的选择，过高的训练难度会让训练对象失去训练的兴趣，而过低的训练难度难以达到好的训练效果；四是能否帮助训练对象将自主调节大脑活动的能力迁移到日常没有反馈的情境中去，以保持神经反馈训练的长期有效性。
目前的神经反馈训练系统大都是使用一套固定的训练特征对所有训练对象进行训练，不能根据训练对象的状态及时调整训练难度，缺乏训练的针对性，并且反馈形式较为单一，难以吸引训练对象的兴趣，导致训练效果较差。
为解决上述技术问题，本申请实施例提供一种神经反馈训练方法及系统，该方法包括：首先，获取训练对象的个体化alpha峰值频率；然后，基于个体化alpha峰值频率，设置反馈参数；接下来，基于反馈参数，对训练对象进行神经反馈训练，得到神经反馈训练经验；最后，基于神经反馈训练经验，对训练对象进行神经反馈迁移训练。
本申请实施例旨在提供一种神经反馈训练方法及系统，该系统使用个体化alpha峰值频率上的脑电相干性作为训练特征，旨在帮助训练对象改善大脑的功能连接，进而改善其工作记忆。该系统不但可以针对训练对象状态个性化地调整训练难度，而且采用了基于虚拟现实(VR)游戏的更加丰富的视听觉反馈模式，让训练对象在训练过程中拥有沉浸式的体验，增强训练对象在训练过程中的积极性和主动性，提高训练效果。同时，在常规的神经反馈训练模块之外增加不向训练对象提供反馈的迁移训练环节，帮助训练对象将调节大脑活动的能力迁移到日常没有反馈的情境中去。
下面将结合附图对本申请的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。
参看图2，本申请实施例提供了一种神经反馈训练方法，包括以下步骤：
步骤S1、获取训练对象的个体化alpha峰值频率。
步骤S2、基于个体化alpha峰值频率，设置反馈参数。
步骤S3、基于反馈参数，对训练对象进行神经反馈训练，得到神经反馈训练经验。
步骤S4、基于神经反馈训练经验，对训练对象进行神经反馈迁移训练。
需要说明的是，步骤S1中采用个体化alpha峰值频率作为神经反馈训练的特征频率。个体化alpha峰值频率(Individual Alpha Peak Frequency，IAPF)表示的是个体静息态闭眼状态下扩展alpha频段(extended alpha range,7-13Hz)范围内能量最高的频率，其单位是Hz。通常，脑电信号可以被划分为五个固定的频段：delta(1～3hz),theta(4～7hz),alpha(8～12hz),beta(13～30hz)和gamma(30～100hz)，但是脑电信号的频率会受年龄、脑容量、认知能力等因素的影响，因此与固定的频段划分相比，更好的方式是采取个体化的频段划分。个体化alpha峰值频率和记忆等认知功能表现密切相关，因此选用个体化alpha峰值频率作为训练的特征频率。
在一些示例性实施例中，步骤S1中获取训练对象的个体化alpha峰值频率包括以下步骤：
步骤S101、在一段时间内，采集训练对象的静息态脑电数据。
步骤S102、对静息态脑电数据进行预处理。
步骤S103、对静息态脑电数据进行功率谱密度估计，得到功率谱密度的频率分辨率以及在特定电极位置处的个体化alpha峰值频率与功率谱密度的频率分辨率的对应关系。
步骤S104、在静息态脑电数据中选取若干个通道处的alpha频段的脑电信号，基于对应关系，计算训练对象的个体化alpha峰值频率。
需要说明的是，步骤S102中对静息态脑电数据进行预处理包括对静息态脑电数据进行滤波处理。
具体的，获取个体化alpha峰值频率(IAP.F)，具体操作如下：
首先，提示训练对象闭上眼睛，保持安静；采集2分钟静息态脑电数据，alpha频段的脑电信号在枕区最为明显，如图6所示，因此选取的O1,OZ,O2(图6所示)三个通道处的脑电信号计算个体化alpha峰值频率(IAPF)。
然后，对采集到的静息态脑电数据进行预处理，使用0.5～30Hz的带通滤波器进行带通滤波，并降采样到250Hz。然后使用Matlab的pwelch函数进行功率谱密度估计。本实施例中选用窗长为1024点的汉明窗，相邻窗口之间重叠设置为50％，计算得到的功率谱密度的频率分辨率约为0.24Hz以及在特定电极位置处的个体化alpha峰值频率与功率谱密度的频率分辨率的对应关系，即特定电极位置处的个体化alpha峰值频率(IAPF)的表达式为：
其中，a(f)为频率f处的功率谱密度估计，f在7～14Hz范围内。
最后，计算训练对象的个体化alpha峰值频率。本实施例中选用O1，OZ，O2三个通道的个体化alpha峰值频率的平均值作为训练对象的个体化alpha峰值频率，也可以使用其它方式计算训练对象的个体化alpha峰值频率，在此不作具体限定。
在一些实施例中，步骤S2中基于所述个体化alpha峰值频率，设置反馈参数，包括：基于个体化alpha峰值频率，计算若干电极对之间在训练对象的个体化alpha峰值频率上的脑电相干性数值；基于脑电相干性数值，选择初始训练电极对以及初始反馈阈值。
需要说明的是，脑电相干性是衡量成对脑电信号在某一频率范围上波动形式的一致程度的参数，可以间接反映相应通道间的合作程度。相干性越高，表示信号间的线性相关程度越强，相应通道间的功能连接也越好。大脑的功能并不是由一个大脑区域独立决定的，而是由多个不同的区域协同实现的，额叶与顶叶之间的功能连接和记忆功能密切相关，改善额叶与顶叶之间的功能连接，有助于改善工作记忆，因此选择额叶与顶叶的通道之间的脑电相干性作为训练指标。
给定两个通道的脑电时间序列X和Y，它们在频率f处的相干性Cxy(f)定义为：
其中，Pxx(f)和Pyy(f)分别表示为X、Y在频率f处的自谱，而Pxy(f)表示X和Y在频率f处的互谱。X和Y的自谱Pxx(f)和Pyy(f)的计算方式如下：
首先，对X和Y做快速傅里叶变换，分别得到它们的频谱X(f)和Y(f)：
X(f)＝fft(X)＝A(f)+jB(f)
Y(f)＝fft(Y)＝C(f)+jD(f)
接下来，便可分别计算X和Y的自谱Pxx(f)和Pyy(f)：
Pxx(f)＝X*(f)X(f)
Pyy(f)＝Y*(f)Y(f)
其中，X*(f)和Y*(f)分别是X(f)和Y(f)的共轭复数。
X和Y的互谱Pxy(f)的计算方式如下：
Pxy(f)＝X*(f)Y(f)
在一些实施例中，在脑电相干性数值中，选择脑电相干性最低的一组电极对作为初始训练电极对；在脑电相干性数值的计算结果中，选择出现概率为60％～70％的脑电相干性数值，作为初始反馈阈值。
具体的，使用步骤S1中预处理后的静息态脑电数据计算FC1-CP1，FC2-CP2，FC3-CP3，FC4-CP4，FC5-CP5，FC6-CP6，FT7-TP7，FT8-TP8电极对(如图7所示)之间在训练对象的个体化alpha峰值频率上的脑电相干性，计算窗长为2s。选择相干性最低的一组电极对作为初始训练电极对，选择计算结果中出现概率能够达到60％-70％的脑电相干性数值作为初始反馈阈值。
在一些实施例中，步骤S3中采用虚拟现实赛车游戏的形式对训练对象进行神经反馈训练，包括：将计算得到的脑电相干性数值与反馈阈值进行比较，若脑电相干性数值高于反馈阈值，赛车会往前行驶；若脑电相干性数值低于反馈阈值，赛车会停止前进。
虚拟现实(Virtual Reality，VR)是一种综合计算机图形学、多媒体技术、显示技术、传感器技术等多种信息技术生成一种对真实世界的模拟的技术，该技术可以为用户创造一种身临其境的感觉，增强用户的沉浸感。虚拟现实一般由专业图形处理计算机、应用软件系统、输入输出设备和数据库组成。虚拟现实系统可以生成立体的音视频效果，并且优化了人机交互，能够为用户创造一种身临其境的感觉，具有沉浸感、交互性以及构想性的特征。头戴式显示器(Head-Mounted Display，HMD)的出现让用户可以拥有更加便携的沉浸式互动体验。
需要说明的是，每次训练完成后需要重新进行步骤S2中反馈参数的设置，以适应训练对象的状态变化。
具体的，步骤S3是进行神经反馈训练的过程。训练对象佩戴虚拟现实头戴式显示器，注视屏幕，自行调节大脑活动以控制虚拟现实(VR)赛车游戏中赛车的行驶，在此过程中，实时采集到的脑电数据首先会通过一个0.5～30Hz的带通滤波器，然后降采样到250Hz，经过上述处理后用来计算训练电极对在个体化alpha峰值频率上的脑电相干性，计算窗长为2s，相邻窗间重叠50％，数据更新时间不超过1s。计算得到的脑电相干性数值在比较模块用来和反馈阈值进行比较，比较结果用来控制反馈输出模块赛车的运动，具体来说，如果超过反馈阈值，赛车会向前行驶，否则赛车将停止前进。
需要说明的是，本实施例中设置单次训练时长为10分钟，可根据需要延长或缩短训练时长，在此不作具体限定。
在一些实施例中，步骤S4中基于神经反馈训练经验，调节训练对象的大脑活动，对训练对象进行神经反馈迁移训练。
步骤S4主要是进行神经反馈迁移训练的过程。训练过程中训练对象不再佩戴虚拟现实头戴式显示器，而是根据步骤S3中神经反馈训练的经验自行调节大脑活动。具体的训练流程图如图3所示。本实施例中设置单次训练时长为10分钟，可根据需要延长或缩短训练时长，在此不作具体限定。
参看图4，本申请实施例还提供了一种神经反馈训练系统，包括依次连接的个体化alpha峰值频率获取模块101、反馈参数设置模块102、神经反馈训练模块103以及神经反馈迁移训练模块104；个体化alpha峰值频率获取模块101用于获取训练对象的个体化alpha峰值频率；反馈参数设置模块102用于根据个体化alpha峰值频率，设置反馈参数；神经反馈训练模块103用于根据反馈参数，对训练对象进行神经反馈训练，得到神经反馈训练经验；神经反馈迁移训练模块104根据神经反馈训练经验，对训练对象进行神经反馈迁移训练。
在一些实施例中，请继续参看图4，个体化alpha峰值频率获取模块101包括脑电信号采集模块1011、脑电信号预处理模块1012和计算模块1013；其中，脑电信号采集模块1011用于采集训练对象的脑电信号；脑电信号预处理模块1012用于对采集到的脑电信号进行预处理；计算模块1013用于对静息态脑电数据进行功率谱密度估计，得到功率谱密度的频率分辨率以及在特定电极位置处的个体化alpha峰值频率与功率谱密度的频率分辨率的对应关系；并在静息态脑电数据中选取若干个通道处的alpha频段的脑电信号，基于对应关系，计算训练对象的个体化alpha峰值频率。
反馈参数设置模块102包括脑电相干性计算模块1021和参数设置模块1022；其中，脑电相干性计算模块1021用于计算预处理后的脑电信号的脑电相干性指标；该数值用于给参数设置模块1022的参数设置提供参考(图5路径1)，或者用于在比较模块1032和反馈阈值进行比较(图5路径2)参数设置模块1022用于设置训练参数，训练参数包括训练电极对以及反馈阈值。
神经反馈训练模块103包括训练模块1031和比较模块1032；训练模块1031用于采用虚拟现实赛车游戏的形式对训练对象进行神经反馈训练；比较模块1032用于比较训练的电极对之间的脑电相干性和反馈阈值的相对大小。
神经反馈迁移训练模块104包括调节模块1041和反馈输出模块1042；调节模块1041用于根据神经反馈训练经验，调节训练对象的大脑活动；反馈输出模块1042用于向训练对象展示其大脑活动的信息。
本申请实施例提供的神经反馈训练方法及系统，提出一种基于个体化alpha峰值频率脑电相干性进行神经反馈训练的训练模式，同时，也提出一种基于虚拟现实技术改善工作记忆的神经反馈训练方法及系统搭建方案。本申请实施例提出的神经反馈训练系统，采用个体化alpha峰值频率上的脑电相干性作为训练特征，旨在帮助训练对象改善大脑的功能连接，进而改善其工作记忆。
另外，该系统不但可以针对训练对象状态个性化地调整训练难度，而且采用了基于VR游戏的更加丰富的视听觉反馈模式，让训练对象在训练过程中拥有沉浸式的体验，增强训练对象在训练过程中的积极性和主动性，提高训练效果。同时，在常规的神经反馈训练模块之外增加不向训练对象提供反馈的迁移训练环节，帮助训练对象将调节大脑活动的能力迁移到日常没有反馈的情境中去。
本申请实施例实施的系统参数：
使用多通道脑电采集系统采集脑电数据，编写计算处理模块进行脑电信号的预处理及分析，选用虚拟现实头戴式显示器作为反馈输出模块。
举例来说，可以使用博睿康公司(Neuracle)生产的64导脑电采集系统采集脑电数据，使用Matlab搭配第三方工具箱EEGLAB完成脑电信号预处理及分析程序的开发，使用Pico Neo Eye2型号虚拟现实头戴式显示器中进行反馈输出。
本申请实施例不局限于上述实施方式，如前文中提到的脑电采集设备、虚拟现实头戴式显示器等可以选择其他设备进行代替。
参考图8，本申请另一实施例提供了一种电子设备，包括：至少一个处理器110；以及，与至少一个处理器通信连接的存储器111；其中，存储器111存储有可被至少一个处理器110执行的指令，指令被至少一个处理器110执行，以使至少一个处理器110能够执行上述任一方法实施例。
其中，存储器111和处理器110采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器110和存储器111的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器110处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器110。
处理器110负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器111可以被用于存储处理器110在执行操作时所使用的数据。
本申请另一实施例涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
由以上技术方案，本申请实施例提供一种神经反馈训练方法、系统、设备及存储介质，该方法包括：首先，获取训练对象的个体化alpha峰值频率；然后，基于个体化alpha峰值频率，设置反馈参数；接下来，基于反馈参数，对训练对象进行神经反馈训练，得到神经反馈训练经验；最后，基于神经反馈训练经验，对训练对象进行神经反馈迁移训练。
本申请提供的神经反馈训练方法及系统，通过提出一种基于个体化alpha峰值频率脑电相干性进行神经反馈训练的训练模式，一方面，能够改善训练者大脑的功能连接，可以帮助训练者改善工作记忆。另一方面，本申请针对训练对象及其当前状态个性化地调整训练特征及训练难度，使得神经反馈训练更有针对性。此外，本申请采用基于虚拟现实(VR)游戏的更加丰富的视听觉反馈模式，让训练对象在训练过程中拥有沉浸式的体验，提高训练对象在训练过程中的积极性和主动性，可以增强神经反馈训练的训练效果。最后，本申请提供的神经反馈训练方法及系统增加了迁移训练环节，有助于训练对象将调节大脑活动的能力迁移到日常没有反馈的情境中去。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施方式是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各自更动与修改，因此本申请的保护范围应当以权利要求限定的范围为准。
Claims (10)
1.一种神经反馈训练方法，其特征在于，包括：
获取训练对象的个体化alpha峰值频率；
基于所述个体化alpha峰值频率，设置反馈参数；
基于所述反馈参数，对所述训练对象进行神经反馈训练，得到神经反馈训练经验；
基于所述神经反馈训练经验，对所述训练对象进行神经反馈迁移训练。
2.根据权利要求1所述的神经反馈训练方法，其特征在于，所述获取训练对象的个体化alpha峰值频率包括：
在一段时间内，采集所述训练对象的静息态脑电数据；
对所述静息态脑电数据进行预处理；
对所述静息态脑电数据进行功率谱密度估计，得到功率谱密度的频率分辨率以及在特定电极位置处的个体化alpha峰值频率与功率谱密度的频率分辨率的对应关系；
在所述静息态脑电数据中选取若干个通道处的alpha频段的脑电信号，基于所述对应关系，计算训练对象的个体化alpha峰值频率。
3.根据权利要求1所述的神经反馈训练方法，其特征在于，所述基于所述个体化alpha峰值频率，设置反馈参数，包括：
基于所述个体化alpha峰值频率，计算若干电极对之间在训练对象的个体化alpha峰值频率上的脑电相干性数值；
基于所述脑电相干性数值，选择初始训练电极对以及初始反馈阈值。
4.根据权利要求3所述的神经反馈训练方法，其特征在于，在所述脑电相干性数值中，选择脑电相干性最低的一组电极对作为初始训练电极对；
在所述脑电相干性数值的计算结果中，选择出现概率为60％～70％的脑电相干性数值，作为初始反馈阈值。
5.根据权利要求1所述的神经反馈训练方法，其特征在于，采用虚拟现实赛车游戏的形式对所述训练对象进行神经反馈训练，包括：
将计算得到的脑电相干性数值与反馈阈值进行比较，若脑电相干性数值高于反馈阈值，赛车会往前行驶；若脑电相干性数值低于反馈阈值，赛车会停止前进。
6.根据权利要求1所述的神经反馈训练方法，其特征在于，基于所述神经反馈训练经验，调节所述训练对象的大脑活动，对所述训练对象进行神经反馈迁移训练。
7.一种神经反馈训练系统，其特征在于，包括依次连接的个体化alpha峰值频率获取模块、反馈参数设置模块、神经反馈训练模块以及神经反馈迁移训练模块；
所述个体化alpha峰值频率获取模块用于获取训练对象的个体化alpha峰值频率；
所述反馈参数设置模块用于根据所述个体化alpha峰值频率，设置反馈参数；
所述神经反馈训练模块用于根据所述反馈参数，对所述训练对象进行神经反馈训练，得到神经反馈训练经验；
所述神经反馈迁移训练模块根据所述神经反馈训练经验，对所述训练对象进行神经反馈迁移训练。
8.根据权利要求7所述的神经反馈训练系统，其特征在于，所述个体化alpha峰值频率获取模块包括脑电信号采集模块、脑电信号预处理模块和计算模块；其中，
所述脑电信号采集模块用于采集训练对象的脑电信号；
所述脑电信号预处理模块用于对采集到的脑电信号进行预处理；
所述计算模块用于对所述静息态脑电数据进行功率谱密度估计，得到功率谱密度的频率分辨率以及在特定电极位置处的个体化alpha峰值频率与功率谱密度的频率分辨率的对应关系；并在所述静息态脑电数据中选取若干个通道处的alpha频段的脑电信号，基于所述对应关系，计算训练对象的个体化alpha峰值频率；
所述反馈参数设置模块包括脑电相干性计算模块和参数设置模块；其中，
所述脑电相干性计算模块用于计算预处理后的脑电信号的脑电相干性指标；
所述参数设置模块用于设置训练参数，所述训练参数包括训练电极对以及反馈阈值；
所述神经反馈训练模块包括训练模块和比较模块；其中，
所述训练模块用于采用虚拟现实赛车游戏的形式对所述训练对象进行神经反馈训练；
所述比较模块用于比较训练的电极对之间的脑电相干性和反馈阈值的相对大小；
所述神经反馈迁移训练模块包括调节模块和反馈输出模块；其中，
所述调节模块用于根据所述神经反馈训练经验，调节所述训练对象的大脑活动；
所述反馈输出模块用于向训练对象展示其大脑活动的信息。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一所述的神经反馈训练方法。
10.一种计算机可读存储介质，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6中任一所述的神经反馈训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310232247.5A CN116458901A (zh) | 2023-03-01 | 2023-03-01 | 一种神经反馈训练方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310232247.5A CN116458901A (zh) | 2023-03-01 | 2023-03-01 | 一种神经反馈训练方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116458901A true CN116458901A (zh) | 2023-07-21 |
Family
ID=87176110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310232247.5A Pending CN116458901A (zh) | 2023-03-01 | 2023-03-01 | 一种神经反馈训练方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116458901A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117796821A (zh) * | 2024-02-29 | 2024-04-02 | 北京万物成理科技有限公司 | 神经反馈干预方法、装置及系统 |
| JP7496571B1 (ja) | 2023-10-19 | 2024-06-07 | 株式会社メディアシーク | 情報処理装置、情報処理方法及びプログラム |
-
2023
- 2023-03-01 CN CN202310232247.5A patent/CN116458901A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7496571B1 (ja) | 2023-10-19 | 2024-06-07 | 株式会社メディアシーク | 情報処理装置、情報処理方法及びプログラム |
| CN117796821A (zh) * | 2024-02-29 | 2024-04-02 | 北京万物成理科技有限公司 | 神经反馈干预方法、装置及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mehmood et al. | Optimal feature selection and deep learning ensembles method for emotion recognition from human brain EEG sensors | |
| CN110765920B (zh) | 基于卷积神经网络的运动想象分类方法 | |
| Frantzidis et al. | Toward emotion aware computing: an integrated approach using multichannel neurophysiological recordings and affective visual stimuli | |
| CN111068159A (zh) | 一种基于脑电信号的音乐反馈抑郁情绪调节系统 | |
| CN107402635B (zh) | 结合脑电波与虚拟现实的心理健康调节方法及系统 | |
| Hosseini et al. | Emotional stress recognition using a new fusion link between electroencephalogram and peripheral signals | |
| CN116458901A (zh) | 一种神经反馈训练方法、系统、设备及存储介质 | |
| Kosmyna et al. | AttentivU: Designing EEG and EOG compatible glasses for physiological sensing and feedback in the car | |
| Abdulwahab et al. | A Systematic Review of Brain-Computer Interface Based EEG | |
| KR102420359B1 (ko) | 감정맞춤형 cbt용 ai제어모듈을 통한 메타버스공간에서의 1:1 감정맞춤형 인지적행동치료 생성장치 및 방법 | |
| Kawala-Janik | Efficiency evaluation of external environments control using bio-signals | |
| Zeng et al. | Classifying driving fatigue by using EEG signals | |
| De Jesus Jr et al. | Quantifying multisensory immersive experiences using wearables: is (stimulating) more (senses) always merrier? | |
| Morales et al. | An adaptive model to support biofeedback in AmI environments: a case study in breathing training for autism | |
| CN112426608A (zh) | 一种现代冥想沉浸式心理康复系统和方法 | |
| EP4151263A1 (en) | Method and device for updating sleep aid audio signal | |
| Pei et al. | EEG-based affective computing in virtual reality with a balancing of the computational efficiency and recognition accuracy | |
| CN116419778A (zh) | 具有交互辅助特征的训练系统、训练装置和训练 | |
| Drozdenko et al. | The Influence of a Low-Frequency Musical Fragment on the Neural Oscillations | |
| Alimardani et al. | Robot-Assisted Language Learning Increases Functional Connectivity in Children's Brain | |
| Suviseshamuthu et al. | EEG-Based Spectral Analysis Showing Brainwave Changes Related to Modulating Progressive Fatigue During a Prolonged Intermittent Motor Task | |
| Islam et al. | A Review on Emotion Recognition with Machine Learning Using EEG Signals | |
| Tian et al. | Comparison of VR movies and traditional 2D movies: a study on brain waves | |
| Mangia | Cognitive assessment and rehabilitation of subjects with traumatic brain injury | |
| Çetin et al. | A novel wearable ERP-based BCI approach to explicate hunger necessity |
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 |