CN117547286B - 一种基于智能修补材料的脑电信号数据分析管理系统 - Google Patents
一种基于智能修补材料的脑电信号数据分析管理系统 Download PDFInfo
- Publication number
- CN117547286B CN117547286B CN202311847307.0A CN202311847307A CN117547286B CN 117547286 B CN117547286 B CN 117547286B CN 202311847307 A CN202311847307 A CN 202311847307A CN 117547286 B CN117547286 B CN 117547286B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- data
- frequency domain
- order
- analysis
- 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.)
- Active
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 25
- 239000000463 material Substances 0.000 title claims abstract description 21
- 230000008439 repair process Effects 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 47
- 230000010354 integration Effects 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 77
- 238000000034 method Methods 0.000 claims description 44
- 230000008685 targeting Effects 0.000 claims description 34
- 210000004556 brain Anatomy 0.000 claims description 30
- 238000007726 management method Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 15
- 206010068051 Chimerism Diseases 0.000 claims description 12
- 238000013523 data management Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000001537 neural effect Effects 0.000 claims description 8
- 210000003625 skull Anatomy 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000006735 deficit Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 230000000638 stimulation Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007177 brain activity Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 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
- 210000005036 nerve Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Psychology (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Fuzzy Systems (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于智能修补材料的脑电信号数据分析管理系统，涉及脑电信号数据分析管理技术领域，包括脑电信号数据仓、样本数据集整合处理模块、脑电信号获取模块、脑电信号解码分析处理模块、脑电信号智能管理模块，本发明通过在脑电信号数据的处理过程中，对脑电信号数据进行深度解码分析处理，同时在数据的分类判决过程中，依据分析的初阶脑电信号数据的综合辨析特征属性值，并生成相应的3个级别分类标签进行管理，有助于降低可能出现的脑电信号数据重复或冗余现象，提高了脑电信号数据管理的便捷性和科学性，并为快速、准确地访问所需脑电信号数据源提供有力的支持基础，充分保障了数据的有效利用率。
Description
技术领域
本发明涉及脑电信号数据分析管理技术领域，具体为一种基于智能修补材料的脑电信号数据分析管理系统。
背景技术
脑电信号是记录人体头部电活动的一种生理信号，这些电活动是由大脑神经元的电化学活动产生的，反映了大脑不同区域神经元集合的电流，分析脑电信号的信息特征，可以帮助了解大脑活动的模式和变化，通过集中处理脑电信号数据，可以进行大规模的脑电数据分析，发现潜在的脑活动模式、关联和趋势等信息，相关领域人员可以利用大规模的脑电信号数据进行比较分析，以提高相关神经疾病的诊断及时性和有效性。
现有技术如公告号为：CN115857701B的发明专利申请公开的一种SSVEP脑电信号处理方法及相关设备，属于脑机接口技术领域，其方法包括：获取用户在当前刺激源刺激下的脑电信号，通过滑窗方式从滤波后的脑电信号中提取多个子信号，识别各个所述子信号的刺激源，并统计识别结果不正确的累计次数，若累计次数大于预设的第一阈值，则提醒所述用户集中注意力或调整相邻两次刺激之间的休息时间，从而在视觉诱发过程中及时发现被试者的注意力不集中并及时提醒用户集中注意力，有利于提高脑电信号的准确性，或者及时发现因休息时间过短而使用户产生视觉疲劳，导致脑电信号受到干扰，及时调整相邻两次刺激之间的休息时间，有利于提高脑电信号的准确性。
现有技术如公告号为：CN111259741B的发明专利申请公开的一种脑电信号分类方法及系统，该分类方法包括：获取原始脑电信号数据；所述原始脑电信号数据为用户想象运动时采集的脑电信号数据，利用工空间模式算法对所述原始脑电信号数据进行特征提取，得到所述原始脑电信号数据对应的脑电特征，计算所述脑电特征中单次试验脑电信号对应的判别分数，获取分类器模型，所述分类器模型利用广义二次判别分析算法构建，判断所述判别分数是否大于或等于所述分类器模型中的分类标准，如果是，将所述判别分数对应的脑电信号数据确定为第一运动类别，如果否，将所述判别分数对应的脑电信号数据确定为第二运动类别，可以提高脑电信号分类准确度。
针对上述方案可见，目前在针对脑电信号数据分析中，还存在许多需要进行完善改进的层面，具体体现为：在脑电信号数据的处理过程中，数据的解码剖析并不深度具体，同时在数据的分类判决过程中，未深度根据脑电信号的分析特性形成相应的存储管理体系，导致在后续的调取查验中，增加脑电信号数据找寻的时间成本，并且可能出现脑电信号数据的重复或冗余现象，增加了脑电信号数据管理的复杂性，不利于进一步形成全面合理的脑电信号数据分析管理体系。
发明内容
针对现有技术的不足，本发明提供了一种基于智能修补材料的脑电信号数据分析管理系统，能够有效解决上述背景技术中涉及的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于智能修补材料的脑电信号数据分析管理系统，包括：脑电信号数据仓，用于存储脑电信号样本数据集。
脑电信号获取模块，用于获取颅骨修补材料中内置的智能神经芯片传输的脑电信号数据，并记为初阶脑电信号数据。
脑电信号解码分析处理模块，用于对所述初阶脑电信号数据进行解码分析处理，获取初阶脑电信号数据的综合辨析特征属性值。
脑电信号智能管理模块，用于对初阶脑电信号数据生成一级分类标签、二级分类标签以及三级分类标签，并进行汇聚存储以及智能管理提醒。
还包括样本数据集整合处理模块，用于提取脑电信号数据仓中的脑电信号样本数据集进行整合处理，得到脑电信号参照集，具体过程为：根据所述脑电信号样本数据集，提取各子元素个体对应各类型行为的脑电信号图，通过预设最小二乘法进行多曲线拟合处理，得到各类型行为的参照脑电信号图，记为参照元素1。
从脑电信号样本数据集中提取各子元素个体在各频率带中的脑电信号的持续时长以及平均时长占比，并通过修剪均值处理，得到各频率带中脑电信号的参考持续时长以及参照时长适配占比，记为参照元素2。
将所述参照元素1和参照元素2联合标记为脑电信号参照集。
在上述实施方案的基础上，所述初阶脑电信号数据，具体获取过程为：基于颅骨修补材料中内置的智能神经芯片传输的脑电信号数据，统计各关联靶向电极对应传输的脑电信号数据，包括脑电信号波形图，并通过各频率带的映射定位分割，统计各关联靶向电极传输的脑电信号在各频率带的总汇聚时长。
将各关联靶向电极传输的脑电信号波形图以及各关联靶向电极传输的脑电信号在各频率带的总汇聚时长联合作为初阶脑电信号数据。
在上述实施方案的基础上，所述初阶脑电信号数据的综合辨析特征属性值，具体获取约束指标如下：
其中，ψ为初阶脑电信号数据的综合辨析特征属性值，ψ1为初阶脑电信号数据的频域辨析属性值，ψ2为初阶脑电信号数据的时域辨析属性值，Δψ为预设综合辨析特征属性参照值。
在上述实施方案的基础上，所述初阶脑电信号数据的频域辨析属性值，具体处理过程为：将各关联靶向电极传输的脑电信号波形图联合定义为第一脑电信号波形，并初步预处理第一脑电信号波形与各类型行为的参照脑电信号图的嵌合度，分割嵌合度最高值的参照脑电信号图对应的行为类型，记为预锁定行为类型。
提取预锁定行为类型的参照脑电信号图，并经快速傅里叶变化处理，得到预锁定行为类型的参照脑电信号频域图，同步变化处理得到第一脑电信号频域波形。
提取预锁定行为类型的参照脑电信号频域图中的校核信息集，记为预校核信息集，并提取第一脑电信号频域波形的基准信息集，记为频域基准信息集。
分析初阶脑电信号数据的频域辨析属性值，约束指标如下：
其中，ψ1为初阶脑电信号数据的频域辨析属性值，σ1、σ2为初阶脑电信号的频域辨析第一属性值以及频域辨析第二属性值，Δσ0为预设脑电信号频域辨析属性校核参照值，γ1、γ2分别为预设频域辨析第一属性值以及频域辨析第二属性值的权重因子，e为自然常数，e>2。
在上述实施方案的基础上，所述第一脑电信号波形与各类型行为的参照脑电信号图的嵌合度，具体过程为：依据各关联靶向电极传输的脑电信号波形图，并提取参照元素1中的各类型行为的参照脑电信号图，通过交叠处理，得到各关联靶向电极传输的脑电信号波形图与各类型行为的参照脑电信号图的交叠重合长度，标记为Li→j，并统计交叠处理过程中各关联靶向电极传输的脑电信号波形图与各类型行为的参照脑电信号图的交叠总漂移次数，记为Ci→j，并经均值处理得到单次漂移平均波长，记为Zi→j，其中，i为各关联靶向电极的编号，i＝1,2,...,k，k为关联靶向电极的数量，j为各类型行为的编号，j＝1,2,...,n，n为行为类型总数。
处理第一脑电信号波形与各类型行为的参照脑电信号图的嵌合度，约束指标为：
其中，ωj为第一脑电信号波形与第j个类型行为的参照脑电信号图的嵌合度，Lj为第j个类型行为的参照脑电信号图总长，δ0、δ1依次预设脑电信号图交叠单次漂移的嵌入评估干扰因子以及嵌合度的评估修正系数，χj为第一脑电信号波形与各类型行为的参照脑电信号图的嵌合增补值。
在上述实施方案的基础上，所述初阶脑电信号的频域辨析第一属性值以及频域辨析第二属性值，具体包括：根据所述预校核信息集，并提取所述频域基准信息集。
分析初阶脑电信号的频域辨析第一属性值，约束指标为：σ1＝(η1+η2)*υ，式中：
其中，υ为预设频域辨析第一属性值的修正系数，Xmax、Xmin、 依次为频域基准信息集提取的最高峰值、最低谷值、峰谷振荡间隔频率均差、峰谷振荡幅值均差，X0预设的频域校核谷峰偏差界定值，ΔXmax、ΔXmin、/>依次为预校核信息集中覆盖的最高校核峰值、最低校核谷值、峰谷振荡间隔校核频率均差、峰谷振荡校核幅值均差，ζ1、ζ2分别为预设峰谷振荡间隔频率均差和峰谷振荡幅值均差的修正系数。
分析初阶脑电信号的频域辨析第二属性值，约束指标为：
其中，为频域辨析第二属性值的增补系数，Md、Dd分别为频域基准信息集提取的第d次脉冲信号的振幅及其脉冲宽度，/>分别为预校核信息集中覆盖的脉冲信号校核平均振幅及脉冲信号校核平均宽度，/> 分别为预设脉冲信号单位偏差振幅和脉冲信号单位偏差宽度的评估减损因子，d为各次脉冲信号的编号，d＝1,2,...,f，f为脉冲信号总数。
在上述实施方案的基础上，所述初阶脑电信号数据的时域辨析属性值，具体处理过程为：根据各关联靶向电极传输的脑电信号在各频率带的总汇聚时长，并标记为Ti→y，i为各关联靶向电极的编号，i＝1,2,...,k，k为关联靶向电极的数量，y为各频率带的编号，y＝1,2,...,r，r为频率带的数目。
提取参照元素2中的各频率带中脑电信号的参考持续时长以及参照时长适配占比，分别记为ΔTy、Δτy。
分析初阶脑电信号数据的时域辨析属性值，约束指标为：
其中，T0为预设汇聚时长许可偏离值，φy为预设脑电信号在第y个频率带的汇聚时长占比对应单位偏差值的时域辨析属性影响因子。
在上述实施方案的基础上，所述脑电信号数据仓，还包括各类型行为的脑电信号存储空间站，其中脑电信号存储空间站包括：各扩展存储子空间及其既存数据集。
在上述实施方案的基础上，所述对初阶脑电信号数据生成一级分类标签、二级分类标签以及三级分类标签，具体过程为：Q1：统计所述预锁定行为类型作为一级分类标签。
Q2：将初阶脑电信号数据的综合辨析特征属性值与预设各综合辨析特征属性值区间对应的预扩展存储子空间进行匹配，将匹配成功的预扩展存储子空间记为指定空间，并将指定空间作为二级分类标签。
Q3：定位预锁定行为类型的脑电信号存储空间站以及其中指定空间的既存数据集，并根据预设排列机制得到初阶脑电信号数据的预置排列次序，将预置排列次序作为三级分类标签。
相对于现有技术，本发明的实施例至少具有如下有益效果：
(1)本发明通过提供一种基于智能修补材料的脑电信号数据分析管理系统，在脑电信号数据的处理过程中，对脑电信号数据进行深度解码分析处理，同时在数据的分类判决过程中，依据分析的初阶脑电信号数据的综合辨析特征属性值，并生成相应的3个级别分类标签进行管理，既弥补了目前对脑电信号数据存在的解码剖析不够深度具体的局限，也解决了目前未深度根据脑电信号的分析特性形成相应存储管理体系的问题，使得在后续的调取查验中，能够进一步减少脑电信号数据找寻的时间成本。
(2)本发明通过对获取的初阶脑电信号数据依次生成一级分类标签、二级分类标签以及三级分类标签，并进行汇聚存储以及智能管理提醒，有助于降低可能出现的脑电信号数据重复或冗余现象，提高了脑电信号数据管理的便捷性和科学性，并有利于进一步形成全面合理的脑电信号数据分析管理体系，为相关人员快速、准确地访问所需脑电信号数据源提供有力的支持基础，并充分保障数据的有效利用率。
(3)本发明通过评估初阶脑电信号数据的综合辨析特征属性值，将获取的初阶脑电信号数据进行解码并予以深度数值分析处理，一方面有助于确保脑电信号数据的准确性，从而减少存储错误或不准确的脑电信号数据，另一方面，能够充分分析初阶脑电信号数据的特性，便于后续建立有效的标签索引，使得脑电信号数据的存储、管理和查询变得更加快捷有效，并且可以辅助进行脑电信号数据的深度挖掘和研究，为人员提供给更具价值性的脑电信号数据。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1为本发明的系统模块连接示意图。
图2至图4为本发明实施例中涉及的脑电信号波形示意图。
图5为本发明实施例中涉及的脑电信号数据仓的功能结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，需要理解的是，术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。
请参阅图1所示，本发明实施例提供一种技术方案：一种基于智能修补材料的脑电信号数据分析管理系统，包括：脑电信号数据仓、样本数据集整合处理模块、脑电信号获取模块、脑电信号解码分析处理模块、脑电信号智能管理模块。
所述脑电信号数据仓，用于存储脑电信号样本数据集，并存储各类型行为的脑电信号存储空间站，其中脑电信号存储空间站包括：各扩展存储子空间及其既存数据集。
如图5所示，脑电信号数据仓覆盖多个类型行为的脑电信号存储空间站，其中脑电信号存储空间站中又涵盖多个扩展存储子空间，图中脑电信号存储空间站以及其中的扩展存储子空间数量仅为示意性描述，在具体实施例中，并不仅限于图中的示意数量n和N的限制。
本实施例中脑电信号数据仓具备数据持续更新能力以及高数据量存储能力，拥有灵活性和可拓展性的优势，持续的数据采集更新能够完整性、精准性的形成脑电信号数据仓，通过数据的更新存储，能够拥有强大、可靠、高效的脑电信息数据，可以为复杂的脑电数据分析和挖掘提供支持，便于进一步的脑电信号研究。
所述样本数据集整合处理模块，用于提取脑电信号数据仓中的脑电信号样本数据集进行整合处理，得到脑电信号参照集。
具体地，所述脑电信号参照集，具体整合处理过程包括：根据所述脑电信号样本数据集，提取各子元素个体对应各类型行为的脑电信号图，通过预设最小二乘法进行多曲线拟合处理，得到各类型行为的参照脑电信号图，记为参照元素1。
需要明白的是，上述各类型行为的参照脑电信号图，其中各类型行为包括但不限于运动、学习、睡眠和饮食等，示例性地，可参照图2所示，为本实施例中采集的睡眠行为的脑电信号图，参照图3所示，为本实施例中采集的放松行为的脑电信号图，参照图4所示，为本实施例中采集的学习行为的脑电信号图，不同行为状态下的脑电信号图存在差异性，这是因为大脑在执行不同任务或处于不同状态时，会产生不同频率和振幅的脑电活动。
在另一个具体实施例中，本发明还通过机器学习算法，提取脑电信号特征，可以实现多种情绪，如愉悦、悲伤、平静、愤怒、害怕、生气等情绪状态的判别分析，有助于建立情绪分类的脑电数据模型，为相关的脑电数据研究、分析和挖掘提供支持。
应说明的是，上述各子元素个体即为归属于脑电信号样本数据集中的每一个元素个体，本实施例中脑电信号样本数据集为第三方脑机接口数据共享平台以及隶属康复诊疗中心的脑电研究实验室共享平台端，所采集的数据仅为后续脑电信号数据进行解码分析处理提供支持，且采集的数据已获得相关研究使用许可，并且严格遵守相关隐私规定，采集的数据使用符合研究分析目的，并充分保障脑电信号样本数据集的机密性。
从脑电信号样本数据集中提取各子元素个体在各频率带中的脑电信号的持续时长以及平均时长占比，并通过修剪均值处理，得到各频率带中脑电信号的参考持续时长以及参照时长适配占比，记为参照元素2。
应明白的是，所述修剪均值是一种统计方法，旨在减少极端值，即最大值和最小值对数据整体均值的影响，通过去除最大值和最小值，然后对剩余的数据进行平均取值处理，修剪均值可以更好地反映数据的中间水平和集中趋势，而不会被极端值过分影响，使得后续的数据分析结果更具鲁棒性，本实施例中，通过依据各子元素个体在各频率带中的脑电信号的持续时长以及平均时长占比，依次统计提取处于各频率带中的最高和最低的脑电信号持续时长以及平均时长占比进行修剪剔除处理，并将剩余的处于各频率带中的脑电信号持续时长以及平均时长占比进行进一步的均值处理，得到最终的各频率带中的脑电信号的参考持续时长以及参照时长适配占比。
需要进一步解释的是，上述各频率带，分别为Delta波、Theta波、Alpha波、Beta波、Gamma波，其中Delta波通常在0.5到4赫兹(HZ)，Theta波通常在4到8赫兹(HZ)，Alpha波通常在8到13赫兹(HZ)，Beta波通常在13到30赫兹(HZ)，Gamma波通常在30赫兹(HZ)以上，这些频率带的变化可以反映出个体大脑不同区域的活动信号状态，以及个体在不同认知和活动状态下的脑电活动。
将所述参照元素1和参照元素2联合标记为脑电信号参照集。
所述脑电信号获取模块，用于获取颅骨修补材料中内置的智能神经芯片传输的脑电信号数据，并记为初阶脑电信号数据，智能神经芯片关联着各个电极，通过长时程记录的脑电信号，进行后续的整合分析。
具体地，所述初阶脑电信号数据，具体获取过程为：基于颅骨修补材料中内置的智能神经芯片传输的脑电信号数，并统计智能神经芯片的各靶向电极，标记为各关联靶向电极。
统计各关联靶向电极对应传输的脑电信号数据，包括脑电信号波形图，脑电信号波形图以时间为横轴，以振幅为纵轴，并通过对脑电信号波形图进行各频率带的映射定位分割，统计各关联靶向电极传输的脑电信号在各频率带的总汇聚时长。
本实施例中，所述通过各频率带的映射定位分割，统计各关联靶向电极传输的脑电信号在各频率带的总汇聚时长，具体过程包括：将各关联靶向电极对应传输的脑电信号波形图进行去噪、滤波的信号预处理后，并通过预置连续小波变换对预处理后的脑电信号波形图进行转换，连续小波变换能够在不同的尺度和时间点上分解脑电信号，从而得到脑电信号的时频信息，由此构建生成脑电信号时频图，其中脑电信号时频图的横轴表示时间，纵轴表示频率，并根据各频率带的预设上限端点取值和下限端点取值，例如Theta波的预设上限端点取值为4赫兹，下限端点取值为8赫兹，并依次从脑电信号时频图中定位分割提取脑电信号在各频率带的总汇聚时长，最终统计各关联靶向电极传输的脑电信号在各频率带的总汇聚时长。
将各关联靶向电极传输的脑电信号波形图以及各关联靶向电极传输的脑电信号在各频率带的总汇聚时长联合作为初阶脑电信号数据。
所述脑电信号解码分析处理模块，用于对所述初阶脑电信号数据进行解码分析处理，获取初阶脑电信号数据的综合辨析特征属性值。
具体地，所述初阶脑电信号数据的综合辨析特征属性值，具体获取约束指标如下：
其中，ψ为初阶脑电信号数据的综合辨析特征属性值，ψ1为初阶脑电信号数据的频域辨析属性值，ψ2为初阶脑电信号数据的时域辨析属性值，Δψ为预设综合辨析特征属性参照值。
在本发明具体实施例中，通过评估初阶脑电信号数据的综合辨析特征属性值，将获取的初阶脑电信号数据进行解码并予以深度数值分析处理，一方面有助于确保脑电信号数据的准确性，从而减少存储错误或不准确的脑电信号数据，另一方面，能够充分分析初阶脑电信号数据的特性，便于后续建立有效的标签索引，使得脑电信号数据的存储、管理和查询变得更加快捷有效，并且可以辅助进行脑电信号数据的深度挖掘和研究，为人员提供给更具价值性的脑电信号数据。
进一步地，所述初阶脑电信号数据的频域辨析属性值，具体处理过程为：将各关联靶向电极传输的脑电信号波形图联合定义为第一脑电信号波形，并初步预处理第一脑电信号波形与各类型行为的参照脑电信号图的嵌合度，分割嵌合度最高值的参照脑电信号图对应的行为类型，记为预锁定行为类型。
提取预锁定行为类型的参照脑电信号图，并经快速傅里叶变化处理，得到预锁定行为类型的参照脑电信号频域图，同步变化处理得到第一脑电信号频域波形，其中参照脑电信号频域图和第一脑电信号频域波形的构建横轴以及纵轴都依次为频率(单位为：赫兹)、振幅(单位为：毫伏)。
在实施例中，脑电信号频域波形能够了解脑电信号中各个频率成分的分布情况，对脑电信号频域进行定量化描述，有助于理解大脑活动信号的频率特征，进一步为后续的脑电信号数据分析处理提供可靠性依据。
提取预锁定行为类型的参照脑电信号频域图中的校核信息集，记为预校核信息集，并提取第一脑电信号频域波形的基准信息集，记为频域基准信息集，其中预校核信息集包括：最高校核峰值、最低校核谷值、峰谷振荡间隔校核频率均差、峰谷振荡校核幅值均差、脉冲信号校核平均振幅及脉冲信号校核平均宽度，频域基准信息集包括：最高峰值、最低谷值、峰谷振荡间隔频率均差、峰谷振荡幅值均差、各次脉冲信号的振幅及其脉冲宽度，脉冲信号为脑电信号频域波形中，出现振幅超出设定振幅参照值的脑电信号波形，脉冲宽度为各次脉冲信号的波形总延伸宽度。
应理解的是，所述峰谷振荡间隔频率均差、峰谷振荡幅值均差，具体为：从脑电信号频域波形中，提取各次振荡的波形间隔的横轴频率差以及纵轴振幅差，进过均值处理，得到峰谷振荡间隔频率均差、峰谷振荡幅值均差。
分析初阶脑电信号数据的频域辨析属性值，约束指标如下：
其中，ψ1为初阶脑电信号数据的频域辨析属性值，σ1、σ2为初阶脑电信号的频域辨析第一属性值以及频域辨析第二属性值，Δσ0为预设脑电信号频域辨析属性校核参照值，γ1、γ2分别为预设频域辨析第一属性值以及频域辨析第二属性值的权重因子，e为自然常数，e>2。
在实施例中，本发明通过分析初阶脑电信号数据的频域辨析属性值，可以更加深度、客观地揭示脑电信号的特征，为后续的脑电信号数据分析管理提供前期基础，有助于为人员对初阶脑电信号数据的正确解读和分析提供保障。
更加进一步地，所述第一脑电信号波形与各类型行为的参照脑电信号图的嵌合度，具体过程为：依据各关联靶向电极传输的脑电信号波形图，并提取参照元素1中的各类型行为的参照脑电信号图，通过交叠处理，得到各关联靶向电极传输的脑电信号波形图与各类型行为的参照脑电信号图的交叠重合长度，标记为Li→j，并统计交叠处理过程中各关联靶向电极传输的脑电信号波形图与各类型行为的参照脑电信号图的交叠总漂移次数，记为Ci→j，并将各次漂移对应的波长进行求和，并除以交叠总漂移次数，经均值处理得到单次漂移平均波长，记为Zi→j，其中，i为各关联靶向电极的编号，i＝1,2,...,k，k为关联靶向电极的数量，j为各类型行为的编号，j＝1,2,...,n，n为行为类型总数。
处理第一脑电信号波形与各类型行为的参照脑电信号图的嵌合度，约束指标为：
其中，ωj为第一脑电信号波形与第j个类型行为的参照脑电信号图的嵌合度，Lj为第j个类型行为的参照脑电信号图总长，δ0、δ1依次预设脑电信号图交叠单次漂移的嵌入评估干扰因子以及嵌合度的评估修正系数，χj为第一脑电信号波形与各类型行为的参照脑电信号图的嵌合增补值。
进一步要解释的是，上述第一脑电信号波形与各类型行为的参照脑电信号图的嵌合增补值，具体处理过程如下：
其中，χj为第一脑电信号波形与第j个类型行为的参照脑电信号图的嵌合增补值，A1、A2、A3依次为预设脑电信号图的交叠重合长度、漂移次数以及漂移平均波长的嵌合增补权值因子。
本实施例中，纳入所述第一脑电信号波形与各类型行为的参照脑电信号图的嵌合增补值的分析，能够进一步提高第一脑电信号波形与各类型行为的参照脑电信号图的嵌合度的分析全面性和精确性，增加脑电信号数据处理的价值性和高效性，为后期预锁定行为类型的定位确认提供保障。
更加进一步地，所述初阶脑电信号的频域辨析第一属性值以及频域辨析第二属性值，具体包括：根据所述预校核信息集，并提取所述频域基准信息集。
分析初阶脑电信号的频域辨析第一属性值，约束指标为：σ1＝(η1+η2)*υ，式中：
其中，υ为预设频域辨析第一属性值的修正系数，Xmax、Xmin、 依次为频域基准信息集提取的最高峰值、最低谷值、峰谷振荡间隔频率均差、峰谷振荡幅值均差，X0预设的频域校核谷峰偏差界定值，ΔXmax、ΔXmin、/>依次为预校核信息集中覆盖的最高校核峰值、最低校核谷值、峰谷振荡间隔校核频率均差、峰谷振荡校核幅值均差，ζ1、ζ2分别为预设峰谷振荡间隔频率均差和峰谷振荡幅值均差的修正系数。
分析初阶脑电信号的频域辨析第二属性值，约束指标为：
其中，为频域辨析第二属性值的增补系数，Md、Dd分别为频域基准信息集提取的第d次脉冲信号的振幅及其脉冲宽度，/>分别为预校核信息集中覆盖的脉冲信号校核平均振幅及脉冲信号校核平均宽度，/> 分别为预设脉冲信号单位偏差振幅和脉冲信号单位偏差宽度的评估减损因子，d为各次脉冲信号的编号，d＝1,2,...,f，f为脉冲信号总数。
进一步要补充的是，上述频域辨析第二属性值的增补系数，具体执行表达式为：
上式中，分别为预设脉冲信号振幅及脉冲信号宽度的增补权值因子，Md、Dd分别为频域基准信息集提取的第d次脉冲信号的振幅及其脉冲宽度。
本实施例中，通过分析初阶脑电信号的频域辨析第一属性值以及频域辨析第二属性值，对频域中的脑电信号特征进行了深度的解析和处理，将初阶脑电信号数据予以统一的数值核验，进一步为后续的存储管理提供数据分析基础。
进一步地，所述初阶脑电信号数据的时域辨析属性值，具体处理过程为：根据各关联靶向电极传输的脑电信号在各频率带的总汇聚时长，并标记为Ti→y，i为各关联靶向电极的编号，i＝1,2,...,k，k为关联靶向电极的数量，y为各频率带的编号，y＝1,2,...,r，r为频率带的数目。
提取参照元素2中的各频率带中脑电信号的参考持续时长以及参照时长适配占比，分别记为ΔTy、Δτy。
分析初阶脑电信号数据的时域辨析属性值，约束指标为：
其中，T0为预设汇聚时长许可偏离值，φy为预设脑电信号在第y个频率带的汇聚时长占比对应单位偏差值的时域辨析属性影响因子。
本实施例中，分析初阶脑电信号数据的时域辨析属性值，能够定量评估脑电信号时域特性以及与参照元素的相似特性，便于后续的数据分级管理，不仅提高了脑电信号数据分析的一致性，也有助于提高数据查验的效率和准确性，为人员的调阅提供保障。
所述脑电信号智能管理模块，用于对初阶脑电信号数据生成一级分类标签、二级分类标签以及三级分类标签，并进行汇聚存储以及智能管理提醒。
进一步要补充的是，上述智能管理提醒，具体包括：将初阶脑电信号数据的综合辨析特征属性值与预定义的综合辨析特征属性参照界定值进行核验，若初阶脑电信号数据的综合辨析特征属性值低于综合辨析特征属性参照界定值，则生成管理提醒信息进行提示，有助于及时发现存在异常的脑电信号数据，进而利于相关人员做出及时的分析和干预处理，促进脑电信号数据分析的进一步有效应用。
在本发明具体实施例中，通过对获取的初阶脑电信号数据依次生成一级分类标签、二级分类标签以及三级分类标签，并进行汇聚存储以及智能管理提醒，有助于降低可能出现的脑电信号数据重复或冗余现象，提高了脑电信号数据管理的便捷性和科学性，并有利于进一步形成全面合理的脑电信号数据分析管理体系，为相关人员快速、准确地访问所需脑电信号数据源提供有力的支持基础，并充分保障数据的有效利用率。
具体地，所述对初阶脑电信号数据生成一级分类标签、二级分类标签以及三级分类标签，具体过程为：Q1：统计所述预锁定行为类型作为一级分类标签。
Q2：将初阶脑电信号数据的综合辨析特征属性值与预设各综合辨析特征属性值区间对应的预扩展存储子空间进行匹配，将匹配成功的预扩展存储子空间记为指定空间，并将指定空间作为二级分类标签。
Q3：定位预锁定行为类型的脑电信号存储空间站以及其中指定空间的既存数据集，并根据预设排列机制得到初阶脑电信号数据的预置排列次序，将预置排列次序作为三级分类标签。
在实施例中，上述根据预设排列机制得到初阶脑电信号数据的预置排列次序，具体为：提取指定空间的既存数据集中的各分支子数据，统计所述各分支子数据的既存综合辨析特征属性值，并纳入初阶脑电信号数据的综合辨析特征属性值进行从高到低的顺序排列，得到初阶脑电信号数据的预置排列次序，最终将预置排列次序作为三级分类标签。
应理解的是，根据上述一级分类标签、二级分类标签、三级分类标签，即可将初阶脑电信号数据存储至预锁定行为类型对应的脑电信号存储空间站，以及预锁定行为类型对应的脑电信号存储空间站下的指定空间，同时以预置排列次序进行存储，实现初阶脑电信号数据的汇聚存储。
在本发明具体实施例中，通过提供一种基于智能修补材料的脑电信号数据分析管理系统，在脑电信号数据的处理过程中，对脑电信号数据进行深度解码分析处理，同时在数据的分类判决过程中，依据分析的初阶脑电信号数据的综合辨析特征属性值，并生成相应的3个级别分类标签进行管理，既弥补了目前对脑电信号数据存在的解码剖析不够深度具体的局限，也解决了目前未深度根据脑电信号的分析特性形成相应存储管理体系的问题，使得在后续的调取查验中，能够进一步减少脑电信号数据找寻的时间成本。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明，只要不偏离本发明的结构或者超越本发明所定义的范围，均应属于本发明的保护范围。
Claims (6)
1.一种基于智能修补材料的脑电信号数据分析管理系统，其特征在于，包括：
脑电信号数据仓，用于存储脑电信号样本数据集；
脑电信号获取模块，用于获取颅骨修补材料中内置的智能神经芯片传输的脑电信号数据，并记为初阶脑电信号数据；
脑电信号解码分析处理模块，用于对所述初阶脑电信号数据进行解码分析处理，获取初阶脑电信号数据的综合辨析特征属性值；
脑电信号智能管理模块，用于对初阶脑电信号数据生成一级分类标签、二级分类标签以及三级分类标签，并进行汇聚存储以及智能管理提醒；
所述初阶脑电信号数据，具体获取过程为：
基于颅骨修补材料中内置的智能神经芯片传输的脑电信号数据，统计各关联靶向电极对应传输的脑电信号数据，包括脑电信号波形图，并通过各频率带的映射定位分割，统计各关联靶向电极传输的脑电信号在各频率带的总汇聚时长；
将各关联靶向电极传输的脑电信号波形图以及各关联靶向电极传输的脑电信号在各频率带的总汇聚时长联合作为初阶脑电信号数据；
所述初阶脑电信号数据的综合辨析特征属性值，具体获取约束指标如下：
其中，ψ为初阶脑电信号数据的综合辨析特征属性值，ψ1为初阶脑电信号数据的频域辨析属性值，ψ2为初阶脑电信号数据的时域辨析属性值，Δψ为预设综合辨析特征属性参照值；
所述初阶脑电信号数据的频域辨析属性值，具体处理过程为：
将各关联靶向电极传输的脑电信号波形图联合定义为第一脑电信号波形，并初步预处理第一脑电信号波形与各类型行为的参照脑电信号图的嵌合度，分割嵌合度最高值的参照脑电信号图对应的行为类型，记为预锁定行为类型；
提取预锁定行为类型的参照脑电信号图，并经快速傅里叶变化处理，得到预锁定行为类型的参照脑电信号频域图，同步变化处理得到第一脑电信号频域波形；
提取预锁定行为类型的参照脑电信号频域图中的校核信息集，记为预校核信息集，并提取第一脑电信号频域波形的基准信息集，记为频域基准信息集；
分析初阶脑电信号数据的频域辨析属性值，约束指标如下：
其中，ψ1为初阶脑电信号数据的频域辨析属性值，σ1、σ2为初阶脑电信号的频域辨析第一属性值以及频域辨析第二属性值，Δσ0为预设脑电信号频域辨析属性校核参照值，γ1、γ2分别为预设频域辨析第一属性值以及频域辨析第二属性值的权重因子，e为自然常数，e>2；
所述初阶脑电信号数据的时域辨析属性值，具体处理过程为：
根据各关联靶向电极传输的脑电信号在各频率带的总汇聚时长，并标记为Ti→y，i为各关联靶向电极的编号，i＝1,2,...,k，k为关联靶向电极的数量，y为各频率带的编号，y＝1,2,...,r，r为频率带的数目；
提取参照元素2中的各频率带中脑电信号的参考持续时长以及参照时长适配占比，分别记为ΔTy、Δτy；
分析初阶脑电信号数据的时域辨析属性值，约束指标为：
其中，T0为预设汇聚时长许可偏离值，φy为预设脑电信号在第y个频率带的汇聚时长占比对应单位偏差值的时域辨析属性影响因子。
2.根据权利要求1所述的一种基于智能修补材料的脑电信号数据分析管理系统，其特征在于：还包括样本数据集整合处理模块，用于提取脑电信号数据仓中的脑电信号样本数据集进行整合处理，得到脑电信号参照集，具体过程为：
根据所述脑电信号样本数据集，提取各子元素个体对应各类型行为的脑电信号图，通过预设最小二乘法进行多曲线拟合处理，得到各类型行为的参照脑电信号图，记为参照元素1；
从脑电信号样本数据集中提取各子元素个体在各频率带中的脑电信号的持续时长以及平均时长占比，并通过修剪均值处理，得到各频率带中脑电信号的参考持续时长以及参照时长适配占比，记为参照元素2；
将所述参照元素1和参照元素2联合标记为脑电信号参照集。
3.根据权利要求1所述的一种基于智能修补材料的脑电信号数据分析管理系统，其特征在于：所述第一脑电信号波形与各类型行为的参照脑电信号图的嵌合度，具体过程为：
依据各关联靶向电极传输的脑电信号波形图，并提取参照元素1中的各类型行为的参照脑电信号图，通过交叠处理，得到各关联靶向电极传输的脑电信号波形图与各类型行为的参照脑电信号图的交叠重合长度，标记为Li→j，并统计交叠处理过程中各关联靶向电极传输的脑电信号波形图与各类型行为的参照脑电信号图的交叠总漂移次数，记为Ci→j，并经均值处理得到单次漂移平均波长，记为Zi→j，其中，i为各关联靶向电极的编号，i＝1,2,...,k，k为关联靶向电极的数量，j为各类型行为的编号，j＝1,2,...,n，n为行为类型总数；
处理第一脑电信号波形与各类型行为的参照脑电信号图的嵌合度，约束指标为：
其中，ωj为第一脑电信号波形与第j个类型行为的参照脑电信号图的嵌合度，Lj为第j个类型行为的参照脑电信号图总长，δ0、δ1依次预设脑电信号图交叠单次漂移的嵌入评估干扰因子以及嵌合度的评估修正系数，χj为第一脑电信号波形与各类型行为的参照脑电信号图的嵌合增补值。
4.根据权利要求1所述的一种基于智能修补材料的脑电信号数据分析管理系统，其特征在于：所述初阶脑电信号的频域辨析第一属性值以及频域辨析第二属性值，具体包括：
根据所述预校核信息集，并提取所述频域基准信息集；
分析初阶脑电信号的频域辨析第一属性值，约束指标为：σ1＝(η1+η2)*υ，式中：
其中，υ为预设频域辨析第一属性值的修正系数，Xmax、Xmin、依次为频域基准信息集提取的最高峰值、最低谷值、峰谷振荡间隔频率均差、峰谷振荡幅值均差，X0预设的频域校核谷峰偏差界定值，ΔXmax、ΔXmin、/>依次为预校核信息集中覆盖的最高校核峰值、最低校核谷值、峰谷振荡间隔校核频率均差、峰谷振荡校核幅值均差，ζ1、ζ2分别为预设峰谷振荡间隔频率均差和峰谷振荡幅值均差的修正系数；
分析初阶脑电信号的频域辨析第二属性值，约束指标为：
其中，为频域辨析第二属性值的增补系数，Md、Dd分别为频域基准信息集提取的第d次脉冲信号的振幅及其脉冲宽度，/> 分别为预校核信息集中覆盖的脉冲信号校核平均振幅及脉冲信号校核平均宽度，/>分别为预设脉冲信号单位偏差振幅和脉冲信号单位偏差宽度的评估减损因子，d为各次脉冲信号的编号，d＝1,2,...,f，f为脉冲信号总数。
5.根据权利要求1所述的一种基于智能修补材料的脑电信号数据分析管理系统，其特征在于：所述脑电信号数据仓，还包括各类型行为的脑电信号存储空间站，其中脑电信号存储空间站包括：各扩展存储子空间及其既存数据集。
6.根据权利要求5所述的一种基于智能修补材料的脑电信号数据分析管理系统，其特征在于：所述对初阶脑电信号数据生成一级分类标签、二级分类标签以及三级分类标签，具体过程为：
Q1：统计所述预锁定行为类型作为一级分类标签；
Q2：将初阶脑电信号数据的综合辨析特征属性值与预设各综合辨析特征属性值区间对应的预扩展存储子空间进行匹配，将匹配成功的预扩展存储子空间记为指定空间，并将指定空间作为二级分类标签；
Q3：定位预锁定行为类型的脑电信号存储空间站以及其中指定空间的既存数据集，并根据预设排列机制得到初阶脑电信号数据的预置排列次序，将预置排列次序作为三级分类标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311847307.0A CN117547286B (zh) | 2023-12-29 | 2023-12-29 | 一种基于智能修补材料的脑电信号数据分析管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311847307.0A CN117547286B (zh) | 2023-12-29 | 2023-12-29 | 一种基于智能修补材料的脑电信号数据分析管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117547286A CN117547286A (zh) | 2024-02-13 |
| CN117547286B true CN117547286B (zh) | 2024-05-28 |
Family
ID=89823425
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311847307.0A Active CN117547286B (zh) | 2023-12-29 | 2023-12-29 | 一种基于智能修补材料的脑电信号数据分析管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117547286B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7299088B1 (en) * | 2002-06-02 | 2007-11-20 | Nitish V Thakor | Apparatus and methods for brain rhythm analysis |
| KR20190030612A (ko) * | 2017-09-14 | 2019-03-22 | 고려대학교 산학협력단 | 사용자 독립적 뇌-컴퓨터 인터페이스 제공 시스템 및 그 방법 |
| CN109620218A (zh) * | 2019-01-29 | 2019-04-16 | 杭州妞诺科技有限公司 | 脑电波智能筛查方法及系统 |
| WO2021107310A1 (ko) * | 2019-11-29 | 2021-06-03 | 서울대학교병원 | 뇌파 분석 기반 환자진단 지원 시스템 및 방법 |
| CN115017960A (zh) * | 2022-07-19 | 2022-09-06 | 合肥工业大学 | 一种基于时空联合mlp网络的脑电信号分类方法及应用 |
| CN115299963A (zh) * | 2022-07-29 | 2022-11-08 | 广东工业大学 | 基于波形特征模板的高频振荡信号自动检测算法及系统 |
| CN116712086A (zh) * | 2023-05-22 | 2023-09-08 | 武汉大学 | 一种基于隐马尔可夫的大脑微状态辨析方法及装置 |
-
2023
- 2023-12-29 CN CN202311847307.0A patent/CN117547286B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7299088B1 (en) * | 2002-06-02 | 2007-11-20 | Nitish V Thakor | Apparatus and methods for brain rhythm analysis |
| KR20190030612A (ko) * | 2017-09-14 | 2019-03-22 | 고려대학교 산학협력단 | 사용자 독립적 뇌-컴퓨터 인터페이스 제공 시스템 및 그 방법 |
| CN109620218A (zh) * | 2019-01-29 | 2019-04-16 | 杭州妞诺科技有限公司 | 脑电波智能筛查方法及系统 |
| WO2021107310A1 (ko) * | 2019-11-29 | 2021-06-03 | 서울대학교병원 | 뇌파 분석 기반 환자진단 지원 시스템 및 방법 |
| CN115017960A (zh) * | 2022-07-19 | 2022-09-06 | 合肥工业大学 | 一种基于时空联合mlp网络的脑电信号分类方法及应用 |
| CN115299963A (zh) * | 2022-07-29 | 2022-11-08 | 广东工业大学 | 基于波形特征模板的高频振荡信号自动检测算法及系统 |
| CN116712086A (zh) * | 2023-05-22 | 2023-09-08 | 武汉大学 | 一种基于隐马尔可夫的大脑微状态辨析方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于信息约简的脑电信号特征提取;穆振东;肖丹;;中国组织工程研究与临床康复;20100226(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117547286A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Oweiss | Statistical signal processing for neuroscience and neurotechnology | |
| Liu et al. | Automatic seizure detection using wavelet transform and SVM in long-term intracranial EEG | |
| 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 | |
| Chiang et al. | A hidden Markov, multivariate autoregressive (HMM-mAR) network framework for analysis of surface EMG (sEMG) data | |
| Liu et al. | Automatic extracellular spike detection with piecewise optimal morphological filter | |
| CN111329474A (zh) | 基于深度学习的脑电身份识别方法、系统及信息更新方法 | |
| CN111523601A (zh) | 一种基于知识引导和生成对抗学习的潜在情绪识别方法 | |
| CN104978035A (zh) | 基于体感电刺激诱发p300的脑机接口系统及其实现方法 | |
| CN110289097A (zh) | 一种基于Xgboost神经网络堆叠模型的模式识别诊断系统 | |
| CN112185493A (zh) | 人格偏好诊断装置及基于该装置的项目推荐系统 | |
| Parsaei et al. | SVM-based validation of motor unit potential trains extracted by EMG signal decomposition | |
| Xiong et al. | An unsupervised compressed sensing algorithm for multi-channel neural recording and spike sorting | |
| Wu et al. | Robust ecg biometrics using two-stage model | |
| CN115211858A (zh) | 一种基于深度学习的情绪识别方法、系统及可存储介质 | |
| CN113951903A (zh) | 基于脑电数据测定的高速铁路调度员超负荷状态识别方法 | |
| CN113069117A (zh) | 一种基于时间卷积神经网络的脑电情绪识别方法及系统 | |
| Kuila et al. | Feature extraction of electrocardiogram signal using machine learning classification | |
| CN111067513A (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 | |
| CN117547286B (zh) | 一种基于智能修补材料的脑电信号数据分析管理系统 | |
| CN115429292A (zh) | 基于频谱分析的脑电信号质量的检测装置及系统 | |
| CN113040788A (zh) | 基于频谱分析的脑电信号质量的检测方法 | |
| CN111613338A (zh) | 棘慢复合波检测模型构建方法、系统 | |
| Cheng et al. | Multilevel feature learning method for accurate interictal epileptiform spike detection | |
| Kouchaki et al. | A new feature selection method for classification of EMG signals | |
| Li et al. | An IoT-Based Intelligent Selection of Multidomain Feature for Smart Healthcare Using Reinforcement Learning in Schizophrenia |
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 |