发明内容
为了解决上述技术问题,本发明提供一种脑机接口系统数据优化处理方法,以解决现有的问题。
本发明的一种脑机接口系统数据优化处理方法采用如下技术方案:
本发明一个实施例提供了一种脑机接口系统数据优化处理方法,该方法包括以下步骤:
通过智能穿戴设备电极片采集待检测者脑电信号组成连续脑电信号序列;
采用变分模态分解算法对连续脑电信号序列分解,将频率小的模态分量信号作为波信号序列,频率大的模态分量信号作为/>波信号序列;对于/>波信号序列,采用连续傅里叶变换以频域转换;获取/>波信号频域波形图各周期的关联振幅组;根据各周期内关联振幅组中振幅值以及时间关系构建各周期的振幅变化因子;根据各周期的振幅变化因子、各周期与其下一周期的信号过零次数差异及关联振幅组之间的关系获取各周期的噪声干扰因子;根据各周期的噪声干扰因子及周期内的极大振幅值得到各周期的信号活跃置信指数;采用K-means聚类算法对/>波信号各周期的信号活跃置信指数进行聚类;
根据聚类结果获取波信号序列的/>波信号稳定时序区间;将/>波信号稳定时序区间频域转换后的各周期记为各稳定周期;获取/>波信号稳定时序区间各稳定周期的波谷特征向量;根据各稳定周期频域的基频最大强度值、最小强度值构建各稳定周期的基频信号衰减率;根据稳定周期内各关联振幅组的分布及基频信号衰减率得到稳定周期的信号受扰因子;根据稳定周期的信号受扰因子、稳定周期个数以及稳定周期的波谷特征向量与其余稳定周期波谷特征向量之间的余弦相似度构建/>波阻断受扰指数;将每层小波分量的预设初始阈值与/>波阻断受扰指数的乘积作为每层小波分量调整后的小波阈值,结合小波变换算法对脑电信号序列进行去噪优化处理。
进一步地,所述获取波信号频域波形图各周期的关联振幅组,包括:
对于波信号频域波形图各周期,将周期内每一个极大振幅值与其右侧第一个极小振幅值均作为周期的一个关联振幅组。
进一步地,所述根据各周期内关联振幅组中振幅值以及时间关系构建各周期的振幅变化因子,包括:
将关联振幅组内极大振幅值与极小振幅值的差值为关联振幅差;周期内所有所述关联振幅差组成周期的关联振幅差序列;极大振幅值与极小振幅值之间的时刻数为关联时刻数;周期i的振幅变化因子表达式为:
式中,为/>波信号内第i个周期的振幅变化因子;/>为/>波信号第i个周期中的极大振幅值总个数;/>、/>分别是/>波信号第i个周期中第j、j+1个关联振幅差;/>、/>分别为/>波信号第i个周期内第j、j+1个关联振幅组的关联时刻数。
进一步地,所述各周期的噪声干扰因子,包括:
统计波信号第i、i+1个周期中信号的过零次数,计算两个过零次数的差值绝对值,将所述差值绝对值作为自然常数为底数的指数函数的指数;计算/>波信号内第i、i+1个周期的关联振幅差序列之间的DTW距离;
计算所述指数函数的计算结果与所述DTW距离的乘积,将所述乘积与第i个周期的振幅变化因子的比值作为第i个周期的噪声干扰因子。
进一步地,所述根据各周期的噪声干扰因子及周期内的极大振幅值得到各周期的信号活跃置信指数,表达式为:
式中,为/>波信号内第i个周期的信号活跃置信指数;exp()为以自然常数为底的指数函数;/>、/>分别为/>波信号内第i个周期中第j+1、j个极大振幅值。
进一步地,所述根据聚类结果获取波信号序列的/>波信号稳定时序区间,包括:
计算各聚类簇的信号活跃置信指数均值,将信号活跃置信指数均值最大的聚类簇内各周期作为待选周期,将待选周期所在的波信号时序区间作为/>波信号稳定时序区间。
进一步地,所述获取波信号稳定时序区间各稳定周期的波谷特征向量,包括:
对于波信号稳定时序区间各稳定周期,将稳定周期中所有的波谷振幅值组成波谷振幅数据序列,并计算波谷振幅数据序列的均值、方差及信息熵,将所述均值、方差及信息熵组成稳定周期的波谷特征向量。
进一步地,所述根据各稳定周期频域的基频最大强度值、最小强度值构建各稳定周期的基频信号衰减率,包括:
将各稳定周期在频域中的基频最大强度值减去最小强度值的结果的二倍与各稳定周期基频3db带宽的比值作为各稳定周期的基频信号衰减率。
进一步地,所述根据稳定周期内各关联振幅组的分布及基频信号衰减率得到稳定周期的信号受扰因子,包括:
计算稳定周期中各关联振幅组中极大振幅值与极小振幅值的均值,记为各关联振幅组的均值;计算稳定周期中所有信号振幅的均值,记为总均值;获取稳定周期中所有关联振幅组的均值与总均值的差值绝对值的和值;
将所述和值与稳定周期的基频信号衰减率的比值作为稳定周期的信号受扰因子。
进一步地,所述波阻断受扰指数,包括:
计算稳定周期的波谷特征向量与其余稳定周期波谷特征向量之间的余弦相似度的和值,获取稳定周期的信号受扰因子与所述和值的比值,将所述比值与稳定周期个数倒数的乘积的归一化结果作为波阻断受扰指数。
本发明至少具有如下有益效果:
本发明通过智能穿戴设备可实现对待检测者脑电信号进行实时采集,具有较高的实时性,可提高便捷性;同时智能穿戴设备的数据处理模块对脑电信号进行处理,根据波信号的相关特征构建每个信号周期的信号活跃置信指数,根据信号活跃置信指数筛选出所需的/>波信号周期,避免待分析信号周期中的/>波信号不活跃且易受到噪声干扰导致后续/>波信号的阻断现象不明显无法进一步分析噪声干扰程度,之后根据筛选出的信号周期内/>波的信号受扰状况以及/>波阻断现象构建/>波阻断受扰指数,能够基于采样区间内获得的/>波阻断受扰指数自适应的调整小波变换算法中的小波阈值,能够对智能穿戴设备所采集的脑电信号数据进行更好的去噪处理,进而获得更精确的脑电信号数据,方便辅助相关人员对脑电信号进行更准确的分析与应用,实现一种脑机接口系统数据优化处理方法。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种脑机接口系统数据优化处理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种脑机接口系统数据优化处理方法的具体方案。
本发明一个实施例提供的一种脑机接口系统数据优化处理方法,具体的,提供了如下的一种脑机接口系统数据优化处理方法,请参阅图1,该方法包括以下步骤:
步骤S001,通过智能穿戴设备对待检测者的脑电信号进行采集,并对采集的脑电信号进行预处理。
首先,让待检测者穿上智能穿戴设备,所述智能穿戴设备包含数据采集电极片以及数据处理模块,通过智能穿戴设备的电极片采集待检测者的头皮上的脑电信号,电极的位置以国际标准导联10-20系统(10-20 electrode system)为标准进行安置,电极的个数设置为21,保证电极与待检测者的头皮紧密接触,通过带通滤波器对待检测者的脑电信号进行采集,设置带通滤波器允许通过的频率范围为8到30Hz,原因在于人脑电波信号中的Alpha波与Beta波的频率范围分别在8-13Hz、13-30Hz,采样区间设为1h。
为避免采集的脑电信号由于环境干扰以及电极接触问题产生缺失现象,需对脑机接口系统采集的脑电信号进行预处理,本发明中使用的预处理算法为小波插值法,原因在于它能够处理非平稳、非线性信号的缺失现象,并且根据不同尺度的信息估计缺失值,能够更准确的填充信号缺失值,小波插值为公知技术,此处不再赘述,实施者也可根据实际情况选择其它算法对脑电信号缺失值进行填充。
至此,获得待检测者基于采样区间的连续脑电信号序列记为A。
步骤S002:智能穿戴设备的数据处理模块对脑电信号进行处理,构建每个信号周期的信号活跃置信指数,并筛选出所需的波信号周期,根据筛选出的信号周期内/>波的信号受扰状况以及/>波阻断现象构建/>波阻断受扰指数。
对于智能穿戴设备的数据处理模块,主要对所采集的脑电信号进行处理分析,以实现对脑机接口系统的数据优化。首先,考虑到脑电信号中的、/>波在各自的频段上均具有独特的节律特征,/>节律即/>波具有尖锐的负波,当待检测者脑电信号中的/>波受噪声干扰越大时,其负波收敛率越慢,/>波的负波越平滑,此时越应该减小小波阈值,尽可能保留/>波信号中的细节;/>节律即/>波的振动幅度较低,其幅值一般小于20uv,当/>波较为活跃时,/>波会减弱(即/>阻断现象)。因此,若/>波越活跃,但/>波的阻断现象越轻微时,/>波受到噪声干扰的程度越大,此时越应该调高小波阈值,削弱脑电信号受噪声的干扰程度,基于上述特征构建阻断受扰指数,用于后续对小波变换算法中的小波阈值进行调整。
首先,通过VMD变分模态分解算法对连续脑电信号序列A进行信号分解,VMD变分模态分解算法的输入为采样区间内的连续脑电信号序列A,设置VMD算法中的分解模态数为2,惩罚系数为3000,输出为连续脑电信号序列A的两个模态分量信号序列即、/>波信号序列,由于/>波频率大于/>波,而VMD模态分解算法获得的模态分量中,越靠后的模态分量对应越高的频率,选择频率大的模态分量信号序列作为/>波信号序列,频率小的模态分量信号序列作为/>波信号序列,由于VMD变分模态分解算法为公知技术,本发明实施例不再过多赘述。将获得的/>、/>波信号序列分别记为/>波信号序列B、/>波信号序列C,以此绘制相应的时域波形图。
通过连续傅里叶变换将波信号转换到频域上,确定主要的频率成分,通过频率倒数求得/>波信号的周期大小,记为/>,根据周期大小将/>波信号划分为不同的周期。由于脑电信号为周期性信号,因此一个周期中极大振幅值与极小振幅值的个数相等,将时域波形图中每一个极大振幅值与其右侧第一个极小振幅值设为一个关联振幅组,通过关联振幅组内的极大振幅值与极小振幅值的差值可获得所述关联振幅组的关联振幅差,其次将关联振幅组内极大振幅值与极小振幅值之间的时刻数设为所述关联振幅组的关联时刻数,将/>波信号内第i个周期中的所有关联振幅差所构成的序列记为/>波信号内第i个周期的关联振幅差序列,根据上述分析获得/>波信号内第i个周期的信号活跃置信指数/>:
公式中,为/>波信号内第i个周期的振幅变化因子;/>为/>波信号第i个周期中的极大振幅值总个数;/>、/>分别是/>波信号第i个周期中第j、j+1个关联振幅差;/>、/>分别为波信号第i个周期内第j、j+1个关联振幅组的关联时刻数;
为/>波信号内第i个周期的噪声干扰因子;/>、/>分别为/>波信号内第i、i+1个周期的关联振幅差序列;/>为/>波信号内第i、i+1个周期的关联振幅差序列之间的DTW距离;/>、/>分别为/>波信号内第i、i+1个周期中信号的过零次数,需要说明的是,过零次数统计获取即可,实施者对此不做特殊限制;
为/>波信号内第i个周期的信号活跃置信指数;exp()为以自然常数为底的指数函数;/>、/>分别为/>波信号内第i个周期中第j+1、j个极大振幅值;加1是为了避免分母为零。
当相邻周期之间的波信号振幅衰减率差值较小,即/>越小,说明/>波信号在第i个信号周期内的振幅变化越小,则振幅变化因子/>越小。当/>波信号中第i个周期关联振幅差序列与下一个周期的关联振幅差序列之间的相似性越小,即/>越大,说明对整体序列而言,/>波信号中相邻信号周期的关联振幅差序列之间的差异越大,同时当/>波信号相邻周期之间过零点的次数差异越大时,即/>越大,表示越有可能是噪声对/>波信号的过零率造成了改变,同时当振幅变化程度越小,即振幅变化因子/>越小,表示越有可能是噪声对/>波信号的振幅变化产生影响,则/>波信号受到噪声干扰的可能性越大,即/>越大。当/>波信号中每个相邻周期之间的极大振幅值差异越大,即/>越大时,说明/>波信号的活跃程度越高,同时当/>波信号受到噪声干扰的可能性越小,即/>越小时,说明越不可能是由于噪声干扰而引起较大的/>波信号的活跃程度,则信号的活跃程度越可靠,越不可能是由噪声干扰引起的,即信号活跃置信指数/>越大。
至此,可获得采样区间内波信号每个周期的信号活跃置信指数,通过K-means聚类算法对采样区间内/>波信号中的各个周期的信号活跃置信指数进行聚类,K-means聚类算法的输入为采样区间内/>波信号中的每个信号周期的信号活跃置信指数,聚类数D设置为3,将两个周期的信号活跃置信指数之间差值的绝对值作为聚类过程中两个周期之间的度量距离,当聚类中心的位置不再移动时,停止算法迭代,算法的输出为采样区间内/>波信号的聚类结果。由于K-means聚类算法为公知技术,本发明不再过多赘述。信号活跃置信指数表示/>波信号受到噪声干扰的可能性以及/>波信号的活跃程度,进一步,选择最活跃且受噪声干扰可能性低的信号周期作为待选周期,计算各聚类簇的信号活跃置信指数均值,将信号活跃置信指数均值最大的聚类簇内各周期作为待选周期。
当波信号越活跃且受噪声干扰可能性越低时,/>波信号的阻断现象越明显,将待选周期所在的时序区间记为/>波信号稳定时序区间,基于所述时序区间内的/>波信号特征进一步分析其阻断受扰状况。
同样的,波信号稳定时序区间内的/>波信号进行连续傅里叶变换,并采用/>波信号序列周期大小的获取方法,对/>波信号稳定区间内的/>波信号进行周期划分,获取/>波信号稳定区间内的/>波信号的各信号周期,将划分之后的信号周期总个数记为U,将/>波信号稳定区间内的/>波信号的各周期记为稳定周期。根据/>波信号稳定时序区间内第u个稳定周期中所有的波谷振幅值(即极小振幅值)构建波谷振幅数据序列,并计算波谷振幅数据序列的均值、方差以及信息熵分别记为/>、/>、/>,通过所述均值、方差、信息熵构建/>波信号稳定时序区间内第u个稳定周期的波谷特征向量记为/>。
为进一步分析波信号在稳定周期中的阻断受扰状况,需对上述获得的所有稳定周期的波谷特征向量之间的相似性进行分析,若各稳定周期的波谷特征向量之间的相似性较大,则表示稳定周期中的/>波信号阻断受扰状况较为轻微。将每个稳定周期中的/>波信号内每一个极大振幅值与其右侧第一个极小振幅值设为一个关联振幅组,仅通过时域振幅特征无法准确分析/>波信号受到噪声的干扰程度,通过连续傅里叶变换将所有稳定周期的/>波信号转换到频域上,获取/>波信号在频域上的相关特征,根据上述分析获得采样区间内/>波的阻断受扰指数Bdf:
公式中,为/>波第u个稳定周期的基频信号衰减率;/>、/>分别为/>波第u个稳定周期在频域中的基频最大强度值以及最小强度值;/>为/>波第u个稳定周期在频域中的基频3db带宽;
为/>波第u个稳定周期的信号受扰因子;/>为/>波第u个稳定周期中关联振幅组的总个数;/>为/>波第u个稳定周期中第x个关联振幅组的均值,所述第x个关联振幅组的均值为:第x个关联振幅组中极大振幅值与极小振幅值的均值;/>为/>波第u个稳定周期所有信号振幅的均值;/>为避免分母为零的参数,本实施例设定为0.01;
为采样区间内/>波阻断受扰指数;/>为/>波稳定周期总个数;/>为/>波第u个稳定周期的波谷特征向量与其余所有稳定周期的波谷特征向量之间的余弦相似度之和;norm()为归一化函数,使得Bdf的值域处于[0,1]的范围内。
当波第u个周期的信号在频域中的基频信号最大强度值与最小强度值之差越大,基频信号的3db带宽越小,即/>越大时,表示/>波第u个周期的基频信号收敛越快,基频信号衰减率越大,/>越大;当/>波第u个周期的所有关联振幅均值与所有信号振幅均值之间的差值越大时,即/>越大,表示/>波第u个周期的信号节律(规律)程度越小,同时当基频信号衰减率越小,即/>越小时,表示噪声干扰使得基频信号收敛越慢,/>波第u个周期的信号受到噪声的干扰程度越大,即/>越大;当/>波第u个周期的信号受扰因子越大时,即/>越大,表示/>波第u个周期的信号在频域中的基频信号衰减率越小,信号节律规律程度越小,同时当/>波每个稳定周期的波谷特征向量与其余信号周期的波谷特征向量之间的余弦相似度越大时,即/>越大,表示/>波中各个稳定周期的波谷特征向量之间的相似度越大,进一步的,各个稳定周期对应的波谷振幅数据序列的均值、方差、以及序列信息熵差异越小,/>波信号波谷振幅数据越规律,/>波阻断现象受到噪声干扰的程度越大,越大。
至此,已获得波阻断受扰指数/>,用于后续对小波阈值进行调整,改进小波变换算法。
步骤S003,通过采样区间内的获取的波阻断受扰指数/>对小波阈值进行自适应调整,根据调整后的小波阈值对智能穿戴设备采集到的脑电信号进行去噪处理。
将上述步骤中获得的脑电信号序列A作为小波变换算法的输入,小波变换算法的小波分量层数设置为2,通过VisuShrink算法预设小波变换算法中每层小波分量的初始阈值,实施者也可采用其他方法对小波初始阈值进行预设,实施者自行设定。根据/>波阻断受扰指数/>对每层小波分量的初始阈值进行自适应调整,由于VisuShrink算法为公知技术,本发明不再进行赘述。
公式中,为每层小波分量调整后的小波阈值;/>为每层小波分量的初始阈值;/>为调整参数,经验值为0.5;/>为采样区间内的/>波阻断受扰指数/>。
当采样区间内的波阻断受扰指数/>越大时,表示/>波阻断现象受到噪声干扰的程度越大,/>波第u个周期的信号在频域中的基频信号衰减率越小,信号节律规律程度越小,此时越应该调大每层小波分量中的小波阈值大小,增强对脑电信号的去噪效果。
至此,可通过小波变换算法对智能穿戴设备采集的脑电信号序列A进行去噪处理,获得更准确的脑电信号序列,用于后续辅助相关人员更好的分析脑电信号特征,实现一种脑机接口系统数据优化处理方法。
综上所述,本发明实施例通过波信号的相关特征构建每个信号周期的信号活跃置信指数,根据信号活跃置信指数筛选出所需的/>波信号周期,避免待分析信号周期中的/>波信号不活跃且易受到噪声干扰导致后续/>波信号的阻断现象不明显无法进一步分析噪声干扰程度,之后根据筛选出的信号周期内/>波的信号受扰状况以及/>波阻断现象构建/>波阻断受扰指数,能够基于采样区间内获得的/>波阻断受扰指数自适应的调整小波变换算法中的小波阈值,能够对智能穿戴设备的电极片采集的脑电信号数据进行更好的去噪处理,进而获得更精确的脑电信号数据,方便辅助相关人员对脑电信号进行更准确的分析与应用,实现一种脑机接口系统数据优化处理方法。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。