CN117204865A - 基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法 - Google Patents
基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法 Download PDFInfo
- Publication number
- CN117204865A CN117204865A CN202311420641.8A CN202311420641A CN117204865A CN 117204865 A CN117204865 A CN 117204865A CN 202311420641 A CN202311420641 A CN 202311420641A CN 117204865 A CN117204865 A CN 117204865A
- Authority
- CN
- China
- Prior art keywords
- stochastic resonance
- signal
- visual fatigue
- fatigue
- underdamped
- 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
- 208000003464 asthenopia Diseases 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000011002 quantification Methods 0.000 title claims abstract description 49
- 230000000763 evoking effect Effects 0.000 title claims abstract description 17
- 230000000007 visual effect Effects 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 238000013016 damping Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 12
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 description 18
- 238000002474 experimental method Methods 0.000 description 13
- 230000000638 stimulation Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000005574 cross-species transmission Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法，利用单通道脑电图(EEG)信号准确量化SSVEP范例在不同工作模式下引起的视觉疲劳，使用固定步长能量参数进行优化，结合USSR模型，提高了处理信号在目标特征频率下的信噪比；将固定步长能量参数优化方法与欠阻尼二阶随机共振模型相结合，设计基于欠阻尼二阶随机共振噪声增强的单通道脑电信号检测和定量分析评估模型；本发明只处理单通道SSVEP信号，随机共振通过噪声共振增强微弱信号，抑制噪声，提高信噪比，使信号更加有效，更有利于客观量化视觉疲劳。
Description
技术领域
本发明属于生物信号处理大脑状态识别技术领域，特别涉及一种基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法(USSR)。
背景技术
脑机接口的主要方向之一是允许患者通过范式刺激与外界交流，仅使用头部，如脑机拼写脑控轮椅应用等，这些应用中使用的范式是SSVEP范式，但在实际使用中，SSVEP范型会引起明显的视觉疲劳，这会降低信息传输速率，从而降低应用程序的使用效果，甚至会造成读取错误等严重后果。与此同时，流行病学研究表明，多达90％的数字显示器用户存在不同程度的视觉疲劳。因此，基于SSVEP范式的疲劳检测显得尤为重要，传统的视觉疲劳检测包括主观疲劳量表检测、主观与客观(眼球运动和EEG)相结合的视觉疲劳监测等。
以前的许多视觉疲劳评估方法都是基于主观疲劳量表的，在许多情况下，这些主观量表的分数被视为“金标准”，从客观角度来看，现有的疲劳定量方法，如临界闪烁频率、脑电图和眼动，都有一定的效果；其中CCA常用于定性或定量分析脑电信号的疲劳程度。CCA是一种多变量统计分析方法，它使用变量对之间的相关性来反映两组指标之间的总体相关性；为了从整体上把握两组指标之间的相关性，从两组指标中提取了两个线性投影向量(两组中每个指标的线性组合)，并使用两个向量之间的相关性来反映两组指标的总相关性；目前脑电视觉疲劳定量分析常用的指标是CCA的幅度、CCA的信噪比和CCA的能带。不仅对于SSVEP范式，在对各种类型视觉疲劳的客观检测中，研究人员利用测试数据对视觉疲劳进行了一些简单客观的定量分析，然而，由于学术界缺乏公认的客观金标准和相关评价指标，这些定量分析缺乏可比性，研究人员很难比较这些定量方法的优缺点。
研究发现，现有的视觉疲劳的客观量化往往很小，无法更好地与主观量表评分相匹配；同时，现有的CCA方法是针对多通道脑电图数据的，但现在行业迫切需要对单通道脑电图进行疲劳评估，如疲劳驾驶测试，这主要是因为单通道检测成本低、操作简单、易于推广，然而单通道数据往往不够明显，需要加强。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法，只处理单通道SSVEP信号，随机共振通过噪声共振增强微弱信号，抑制噪声，提高信噪比，使信号更加有效，更有利于客观量化视觉疲劳。
为了实现上述目标，本发明采用的技术方案是：
一种基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法(USSR)，利用单通道脑电图(EEG)信号准确量化SSVEP范例在不同工作模式下引起的视觉疲劳，使用固定步长能量参数进行优化，结合USSR模型，提高了处理信号在目标特征频率下的信噪比。
所述的一种基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法(USSR)，将固定步长能量参数优化方法与欠阻尼二阶随机共振模型相结合，设计基于欠阻尼二阶随机共振噪声增强的单通道脑电信号检测和定量分析评估模型；
对应于欠阻尼二阶随机共振模型的微分方程如下：
式中：x表示待处理的信号；a>0、b>0为系统参数；0<β<1表示阻尼系数；s(t)＝Acos(2πft+φ)为输入周期激励信号，ε(t)表示高斯白噪声；
将s(t)带入式(1)得出基于欠阻尼二阶随机共振噪声增强的单通道脑电信号检测和定量分析评估模型是：
式(2)中，a＝1，b＝1，f＝0.05Hz，φ＝0，ε(t)为噪声强度为2的高斯白噪声；在将待处理的信号数据x添加到欠阻尼二阶随机共振模型之前，设置步长参数h以根据采样频率和压缩比来确定压缩采样频率，压缩采样频率是步长参数h的倒数。
所述的步长参数h的范围设置为1/35-1/3，阻尼系数β的范围设定为0.05-0.85。
欠阻尼二阶随机共振模型由于步长参数h和阻尼系数β的不同，会产生不同的随机共振结果，再次对随机共振结果进行筛选，并从满足共振优化结果的所有信号中选择对量化视觉疲劳最准确的信号；最后，对范式视觉疲劳的分析，将信号在特征频率处的幅度定义为受试者在该特定状态下的范式视觉疲劳定量值。
先对获得的单通道脑电图信号进行预处理，并根据疲劳程度对其进行分组；然后，根据预先设置的步长参数和阻尼系数，对获得的信号进行处理，筛选出获得的多组随机共振结果；判断是否存在在特征频率处具有最大振幅的组；如果几个组满足条件，则对这些组中平均功率最小的组进行进一步筛选；如果所有组都不满足特征频率处的振幅最大的条件，则选择在这些组的特征频率处具有随机共振系数的相对最大值的组作为所需组，并将该组的特征频率处的随机共振系数记录为受试者在疲劳状态下的视觉疲劳量化值。
所处理的单通道脑电图(EEG)信号准确量化SSVEP范例获得的范式疲劳定量值与主观疲劳定量金标准无显著差异(P＝0.090)，而传统多通道CCA方法获得的范式疲劳定量值与主观疲劳定量的金标准之间存在显著差异(P<0.001)。
和现有技术相比，本发明的有益效果是：
本发明一种是从节省成本的角度只处理单通道SSVEP信号，另一种是在提高能量利用率的角度提高处理信号的信噪比，从而提高SSVEP范式疲劳客观量化的准确性。它不仅使客观量化程度与主观量表得分更加一致，而且使客观量化结果更有说服力，从客观角度更好地反映了受试者的视疲劳程度，有助于制定客观视疲劳的“金标准”。
由二阶随机微分方程组成的非线性系统称为欠阻尼二阶随机共振模型，当阻尼较小时，输出信号具有较大的随机波动，此时，噪声的随机干扰起主导作用，信号的毛刺较大，随着阻尼的增加，输出信号中的波动分量逐渐被压缩，系统的响应增强，然而，过高的阻尼将使系统输出状态在传输过程中无法跟上输入信号的响应速度，同时，噪声和驱动信号的幅度也被极大地滤除，导致输出信号失真；因此，对于不同的输入信号，会有一个最优的阻尼系数，这使得欠阻尼的二阶随机共振系统具有最佳的滤波效果，光闪烁模式的EEG信号将以特征频率和多个谐波频率响应，然而，如果研究人员想评估视觉疲劳，多种反应会干扰分析结果；因此，为了提高识别精度，本发明研究了一种利用噪声能量来突出有用信息的特征频率提取技术，欠阻尼二阶随机共振利用噪声能量增强弱信号并抑制噪声，而不会损坏有用信号，它的输出频率响应相当于一组非线性带通滤波器，适用于提取SSVEP。
本发明提出了一种基于固定步长能量参数优化和欠阻尼二阶随机共振算法的SSVEP范式视觉疲劳定量模型，与传统的相关视觉疲劳定量模型相比，受试者的主观疲劳特征可以得到很大程度的反馈；该模型可以从SSVEP范式引起的视觉疲劳的定量分析扩展到电子产品用户视觉疲劳的量化分析。与传统的定性或定量分析相比，该模型得到的结果更符合实验者的真实反馈。
基于SSVEP的固定步长能量参数优化和欠阻尼二阶随机共振相结合的SSVEP范式诱导的视疲劳评估模型可以提高客观量化视疲劳的脑电信号的信噪比，从而更准确地反映客观视疲劳。传统的主观方法与客观方法在定量程度上存在较大差异。因此，与传统的主观方法相比，目前主流的客观方法如CCA的可信度并不强。与传统的主客观定量方法相比，本发明方法能够更好地匹配被试的主观疲劳程度，定量结果与受试者主观金标准的视疲劳程度无显著差异，具有较强的可信度，通过这个定量模型，可以更直观、更清晰地表达视觉疲劳。
同时，基于SSVEP的固定步长能量参数优化和欠阻尼二阶随机共振相结合的SSVEP范式诱导的视疲劳评估模型只需要单通道脑电图数据，与传统定量模型的多通道脑电图数据需求相比，它可以大大降低采集成本，改善用户体验。基于SSVEP范式的视觉疲劳精确客观量化也可以扩展到显示器不同参数和不同光环境组合下的视觉疲劳量化，为显示器相关参数的优化设计提供更多参考；除了视觉疲劳，利用脑电图检测传统驾驶疲劳也越来越受到学术界的关注，使用本发明方法也可以更准确地量化大脑疲劳的相应客观量化。
综上所述，与现有方法相比，本发明大大提高了视觉疲劳的客观量化，对通道数量的要求较低。
附图说明
图1是本发明实施例方法的流程图。
图2是本发明实施例的实验流程图。
图3是一段模拟SSVEP信号的USSR方法和CCA方法处理后的对比。
图4是基于EEG比较的USSR方法和CCA方法在视觉疲劳量化方面的差异图。
图5是15名受试者在12种不同范式环境模式下采用5种视觉疲劳量化方法的平均表现；-C表示专注状态，-F表示疲劳状态。
图6是15名受试者在12种不同范式环境模式下采用5种视觉疲劳量化方法的具体表现；-C表示专注状态，-F表示疲劳状态。
具体实施方式
下面结合附图和实施例，对本发明的技术方案作进一步的详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
参照图1，一种基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法(USSR)，基于随机共振，通过噪声共振增强微弱信号，抑制噪声，提高信噪比，使信号更加有效，更有利于客观量化视觉疲劳；将固定步长能量参数优化方法与欠阻尼二阶随机共振模型相结合，设计基于欠阻尼二阶随机共振噪声增强的单通道脑电信号检测和定量分析评估模型；
对应于欠阻尼二阶随机共振模型的微分方程如下：
式中：x表示待处理的信号；a>0、b>0为系统参数；0<β<1表示阻尼系数；s(t)＝Acos(2πft+φ)为输入周期激励信号，ε(t)表示高斯白噪声；
将s(t)带入式(1)得出基于欠阻尼二阶随机共振噪声增强的单通道脑电信号检测和定量分析评估模型是：
式(2)中，a＝1，b＝1，f＝0.05Hz，φ＝0，ε(t)为噪声强度为2的高斯白噪声；在将待处理的信号数据x添加到欠阻尼二阶随机共振模型之前，设置步长参数h以根据采样频率和一定的压缩比来确定压缩采样频率，压缩采样频率是步长参数h的倒数；尽管步长参数h不在式(2)单通道脑电信号评估模型中，但对于欠阻尼二阶随机共振模型，输出频率响应的等效中心频率和带宽也与数值计算的步长h近似正相关，数值计算的步长h决定了欠阻尼二阶随机共振模型的通带范围。
当使用随机共振来提取SSVEP在特征频率下的响应幅度时，有必要结合分析信号的频率范围来选择最佳步长参数h，以获得更好的随机共振效果；根据经验、压缩采样频率和阻尼因子的定义，步长参数h的范围设置为1/35-1/3，阻尼因子β的范围设定为0.05-0.85。
欠阻尼二阶随机共振模型由于步长参数h和阻尼系数β的不同，会产生不同的共振结果，这些共振结果是在增强所需信号和减弱噪声之后的数据，在这些数据中，将再次对其进行筛选，并从满足共振优化结果的所有信号中选择对量化视觉疲劳最准确的信号；最后，根据CCA方法对范式视觉疲劳的分析，将该CCA方法处理的信号在特征频率处的幅度定义为受试者在该特定状态下的范式视觉疲劳定量值。
参照图1，所述的一种基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法，先对获得的单通道脑电图信号进行预处理，并根据疲劳程度对其进行分组；然后，根据预先设置的步长参数(1/35，1/34，…，1/3)和阻尼系数(0.05,0.45,0.85)，对获得的信号进行处理，筛选出获得的99组随机共振结果；随机共振响应振幅被映射在0到1000的范围内，判断是否存在在特征频率处具有最大振幅(＝1000)的组；如果几个组满足条件，则对这些组中平均功率最小的组进行进一步筛选；这组结果是必需的一组，并返回到上一步；如果所有组都不满足特征频率处的振幅最大(＝1000)的条件，则选择在这些组的特征频率处具有随机共振系数的相对最大值的组作为所需组，此时，获得唯一需要的组，并将该组的特征频率处的随机共振系数记录为受试者在疲劳状态下的视觉疲劳量化值，并且该过程结束。
参照图2，一种基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法(USSR)，利用单通道脑电图(EEG)信号准确量化SSVEP范例在不同工作模式下引起的视觉疲劳，使用设计的固定步长能量参数进行优化，结合USSR模型，显著提高处理信号在目标特征频率下的信噪比，不仅与CCA进行了比较，还将其与传统的主观定量视觉疲劳金标准Likert疲劳量表进行了比较。
一种基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法，提出的基于欠阻尼二阶随机共振噪声增强的单通道脑电信号检测和定量分析评估模型从节省成本的角度只处理单通道SSVEP信号，在提高能量利用率的角度提高处理信号的信噪比，从而提高SSVEP范式疲劳客观量化的准确性，它不仅使客观量化程度与主观量表得分更加一致，而且使客观量化结果更有说服力，从客观角度更好地反映了受试者的视疲劳程度，有助于制定客观视疲劳的“金标准”；为了提高识别精度，利用噪声能量来突出有用信息的特征频率提取，欠阻尼二阶随机共振利用噪声能量增强弱信号并抑制噪声，而不会损坏有用信号，它的输出频率响应相当于一组非线性带通滤波器，适用于提取SSVEP。
所述的欠阻尼二阶随机共振模型，当阻尼较小时，输出信号具有较大的随机波动，此时，噪声的随机干扰起主导作用，信号的毛刺较大，随着阻尼的增加，输出信号中的波动分量逐渐被压缩，系统的响应增强，然而，过高的阻尼将使系统输出状态在传输过程中无法跟上输入信号的响应速度；同时，噪声和驱动信号的幅度也被极大地滤除，导致输出信号失真，对于不同的输入信号，有一个最优的阻尼系数，这使得欠阻尼的二阶随机共振系统具有最佳的滤波效果。
参照图3，为了验证本发明方法是否能够减少特征频率下的能量溢出并提高信噪比，首先在叠加白噪声的正弦信号的模拟信号模型上测试了本发明方法USSR，并将其性能与原始CCA方法进行了比较；然后，将本发明方法USSR应用于SSVEP实验中的真实脑电图记录，以评估该方法在检测参与者注意力变化程度方面的性能，CCA方法可以有效地识别四个频率分量，SSVEP范式的疲劳量化探索是基于该范式特征频率处的能量；USSR的能量主要集中在主频率(特征频率)，仅针对主频的实验分析，USSR可以有效地提高信噪比，更有利于研究SSVEP实验中受试者注意力的变化，从而探索受试者视觉感知的变化。
参照图1、图3，本实施例实验由主观量化和客观量化两部分组成；根据顺序，本实施例实验前有一个主观的Likert量表测量，作为主观检测中实验前的疲劳状态值；然后开始脑电图实验，实验刺激范式由12种不同模式的SSVEP范式组成，每种模式有20次刺激，1到5次刺激的平均值代表疲劳状态1，6到10次刺激的平均值代表疲劳状态2，11到15次刺激的平均值代表疲劳状态3，16到20次刺激的平均值代表疲劳状态4；当USSR方法应用于实际模型时，n表示1到5次刺激，m表示16到20次刺激；在客观检测中，前五个刺激的客观响应平均值和后五个刺激的客观响应平均值被用作实验前后的疲劳状态值；在20次范式刺激之后，再次进行主观量表测量，作为主观检测中实验之后的疲劳状态值。
参照图4，比较了本发明USSR方法与传统CCA方法在视觉疲劳脑电客观量化方面的差异，传统的CCA方法是一种多通道方法，而本发明USSR方法是一种单通道方法，传统的多通道方法是为了提高信噪比，本发明方法不仅可以从单个通道实现这一目的，而且还考虑了单个通道易于布置和低成本的优点；由于所使用的范式是国际公认的光闪烁范式，其他研究人员可以方便地复制，但光闪烁范式会诱发除特征频率之外的倍频特性。使用CCA方法分析可以看出，除了在特征频率(7.5Hz)处的响应之外，在二次谐波(15Hz)、三次谐波(22.5Hz)、四次谐波(30Hz)和五次谐波(37.5Hz)处也有强响应。USSR的分析表明，在特征频率(7.5Hz)下只有强烈的响应。本发明方法很好地将EEG响应稳定在特征频率，并最大限度地减少能量溢出这一要求。使用USSR方法分析得到的特征频率处的响应值作为视疲劳量化值，极大地保证量化精度，提高了基于EEG的视疲劳量化的客观性和准确性。
参照图5、图6，图5和图6是五种定量视觉疲劳方法的比较方框图，其中金标准(GS)是一种主观方法，其他四种是客观方法。这里的GS指的是金标准，即学术界用来评估视觉疲劳的最主观的评分方法。GS采用Likert量表进行评估。在每组实验前后给受试者打分，实验前评分是为了确认受试者休息良好，以便进行下一组实验。如果实验前的任何一个分数不是1(表示被试眼睛依然有疲劳)，将让受试者继续休息眼睛，直到所有项目都得到1分，这也从侧面解释了图5和图6中的GS-C相同，平均值归一化为0。测试后评分是从主观角度获得他们视觉疲劳程度的相应分数，这也是学术界最主流的方法之一。本发明将主观获得的视疲劳评估分数作为后续比较分析的金标准。本发明方法很好地将EEG响应稳定在特征频率，并最大限度地减少能量溢出这一要求。使用USSR方法分析得到的特征频率处的响应值作为视疲劳量化值，极大地保证量化精度，提高了基于EEG的视疲劳量化的客观性和准确性。
以上实施方式仅用于说明本发明，而非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。
Claims (6)
1.一种基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法(USSR)，其特征在于：利用单通道脑电图(EEG)信号准确量化SSVEP范例在不同工作模式下引起的视觉疲劳，使用固定步长能量参数进行优化，结合USSR模型，提高了处理信号在目标特征频率下的信噪比。
2.根据权利要求1所述的一种基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法(USSR)，其特征在于：将固定步长能量参数优化方法与欠阻尼二阶随机共振模型相结合，设计基于欠阻尼二阶随机共振噪声增强的单通道脑电信号检测和定量分析评估模型；
对应于欠阻尼二阶随机共振模型的微分方程如下：
式中：x表示待处理的信号；a>0、b>0为系统参数；0<β<1表示阻尼系数；s(t)＝Acos(2πft+φ)为输入周期激励信号，ε(t)表示高斯白噪声；
将s(t)带入式(1)得出基于欠阻尼二阶随机共振噪声增强的单通道脑电信号检测和定量分析评估模型是：
式(2)中，a＝1，b＝1，f＝0.05Hz，φ＝0，ε(t)为噪声强度为2的高斯白噪声；在将待处理的信号数据x添加到欠阻尼二阶随机共振模型之前，设置步长参数h以根据采样频率和压缩比来确定压缩采样频率，压缩采样频率是步长参数h的倒数。
3.根据权利要求2所述的一种基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法(USSR)，其特征在于：所述的步长参数h的范围设置为1/35-1/3，阻尼因子β的范围设定为0.05-0.85。
4.根据权利要求2所述的一种基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法(USSR)，其特征在于：欠阻尼二阶随机共振模型由于步长参数h和阻尼系数β的不同，会产生不同的随机共振结果，再次对随机共振结果进行筛选，并从满足共振优化结果的所有信号中选择对量化视觉疲劳最准确的信号；最后，对范式视觉疲劳的分析，将信号在特征频率处的幅度定义为受试者在该特定状态下的范式视觉疲劳定量值。
5.根据权利要求1所述的一种基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法(USSR)，其特征在于：先对获得的单通道脑电图信号进行预处理，并根据疲劳程度对其进行分组；然后，根据预先设置的步长参数和阻尼系数，对获得的信号进行处理，筛选出获得的多组随机共振结果；判断是否存在在特征频率处具有最大振幅的组；如果几个组满足条件，则对这些组中平均功率最小的组进行进一步筛选；如果所有组都不满足特征频率处的振幅最大的条件，则选择在这些组的特征频率处具有随机共振系数的相对最大值的组作为所需组，并将该组的特征频率处的随机共振系数记录为受试者在疲劳状态下的视觉疲劳量化值。
6.根据权利要求1所述的一种基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法(USSR)，其特征在于：所处理的单通道脑电图(EEG)信号准确量化SSVEP范例获得的范式疲劳定量值与主观疲劳定量金标准无显著差异，P＝0.090。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311420641.8A CN117204865A (zh) | 2023-10-30 | 2023-10-30 | 基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311420641.8A CN117204865A (zh) | 2023-10-30 | 2023-10-30 | 基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117204865A true CN117204865A (zh) | 2023-12-12 |
Family
ID=89035571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311420641.8A Pending CN117204865A (zh) | 2023-10-30 | 2023-10-30 | 基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117204865A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117493779A (zh) * | 2024-01-03 | 2024-02-02 | 小舟科技有限公司 | 一种降低视觉疲劳的ssvep信号处理方法、装置、设备及介质 |
-
2023
- 2023-10-30 CN CN202311420641.8A patent/CN117204865A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117493779A (zh) * | 2024-01-03 | 2024-02-02 | 小舟科技有限公司 | 一种降低视觉疲劳的ssvep信号处理方法、装置、设备及介质 |
| CN117493779B (zh) * | 2024-01-03 | 2024-03-15 | 小舟科技有限公司 | 一种降低视觉疲劳的ssvep信号处理方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111311070B (zh) | 联合脑电和眼动并结合用户相似度的产品设计方案决策方法 | |
| CN109646022B (zh) | 儿童注意力评估系统及其方法 | |
| CN117204865A (zh) | 基于欠阻尼二阶随机共振的稳态视觉诱发电位视觉疲劳量化方法 | |
| CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
| Deng et al. | Complexity extraction of electroencephalograms in Alzheimer's disease with weighted-permutation entropy | |
| CN111166327A (zh) | 基于单通道脑电信号和卷积神经网络的癫痫诊断装置 | |
| CN113191395B (zh) | 一种基于双脑的多层次信息融合的目标检测方法 | |
| CN110059232B (zh) | 一种基于用户体验度量的数据可视化方法 | |
| CN113080998B (zh) | 一种基于脑电的专注状态等级评定方法和系统 | |
| CN108549875A (zh) | 一种基于深度通道注意力感知的脑电癫痫发作检测方法 | |
| CN110251124A (zh) | 一种有效性脑网络的确定方法及系统 | |
| CN114391846A (zh) | 一种基于过滤式特征选择的情绪识别方法及系统 | |
| CN109480870B (zh) | 一种面向rsvp脑-机接口的脑力负荷识别方法 | |
| CN113749619A (zh) | 一种基于k-trca的脑力疲劳评估方法 | |
| CN111067513B (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
| CN108470182B (zh) | 一种用于非对称脑电特征增强与识别的脑-机接口方法 | |
| CN109567831A (zh) | 一种视觉认知神经机制下产品的偏好意象识别系统和方法 | |
| CN113100786A (zh) | 一种稳态视觉诱发电位信号的频率识别方法 | |
| Wu et al. | Fast, accurate localization of epileptic seizure onset zones based on detection of high-frequency oscillations using improved wavelet transform and matching pursuit methods | |
| CN117883082A (zh) | 一种异常情绪识别方法、系统、设备及介质 | |
| CN111985351B (zh) | 一种基于眼动的疲劳检测方法 | |
| Zhou et al. | A smart universal single-channel blind source separation method and applications | |
| CN115067878A (zh) | 基于EEGNet的静息态脑电意识障碍分类方法及系统 | |
| CN115844425A (zh) | 一种基于Transformer脑区时序分析的DRDS脑电信号识别方法 | |
| CN110516711B (zh) | 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 |
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 |