CN117838150B - 一种用于评估精神压力的脑电波处理方法及系统 - Google Patents

一种用于评估精神压力的脑电波处理方法及系统 Download PDF

Info

Publication number
CN117838150B
CN117838150B CN202410258046.7A CN202410258046A CN117838150B CN 117838150 B CN117838150 B CN 117838150B CN 202410258046 A CN202410258046 A CN 202410258046A CN 117838150 B CN117838150 B CN 117838150B
Authority
CN
China
Prior art keywords
imf component
component signal
section
segment
brain wave
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
Application number
CN202410258046.7A
Other languages
English (en)
Other versions
CN117838150A (zh
Inventor
刘阿恒
祖国辉
范艳芹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shuntong Information Technology Dalian Co ltd
Original Assignee
Shuntong Information Technology Dalian Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shuntong Information Technology Dalian Co ltd filed Critical Shuntong Information Technology Dalian Co ltd
Priority to CN202410258046.7A priority Critical patent/CN117838150B/zh
Publication of CN117838150A publication Critical patent/CN117838150A/zh
Application granted granted Critical
Publication of CN117838150B publication Critical patent/CN117838150B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • 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]
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Psychology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • Physiology (AREA)
  • Social Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Educational Technology (AREA)
  • Developmental Disabilities (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种用于评估精神压力的脑电波处理方法及系统，包括将脑电波数据以及每个IMF分量信号划分为若干个段；获取脑电波数据的每个段的异常表现程度；获取每个IMF分量信号的每个段的特征表现占比程度，进而得到每个IMF分量信号的每个段的第一调整系数；获取每个IMF分量信号的每个段的相对稳定程度，进而得到每个IMF分量信号的每个段的第二调整系数，根据脑电波数据的每个段的异常表现程度、每个IMF分量信号的第一调整系数以及第二调整系数来自适应每个IMF分量信号的每个段的小波阈值对每个IMF分量信号的每个段进行去噪得到去噪后的脑电波数据，本发明提高了滤波结果。

Description

一种用于评估精神压力的脑电波处理方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及一种用于评估精神压力的脑电波处理方法及系统。
背景技术
精神健康监测和评估的技术一直在不断发展，一般是通过分析和记录脑电波数据来评估人体的精神健康状态，但是在采集人体的脑电波数据时，由于设备的自身问题，可能会使得采集脑电波数据中存在噪声，导致根据存在噪声的脑电波数据进行人体的精神健康状态的评估不准确，因此首先需要对采集的脑电波数据进行去噪。
传统的对脑电波数据进行去噪时，是使用EMD分解算法将脑电波数据分解出高频分量，再通过人工预设小波阈值对高频分量进行去噪处理，但是脑电波数据存在着各个分量，如果仅对高频分量进行去噪处理，会导致去噪不完全，并且根据人工预设的小波阈值对脑电波数据进行去噪时，对去噪程度也会有影响。
发明内容
为了解决上述问题，本发明一种用于评估精神压力的脑电波处理方法及系统。
本发明的一种用于评估精神压力的脑电波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用于评估精神压力的脑电波处理方法，该方法包括以下步骤：
采集脑电波数据；将脑电波数据分解为若干个IMF分量信号；将脑电波数据以及每个IMF分量信号划分为若干个段；
使用峰值检测算法获取脑电波数据的每个段的若干峰值点；根据脑电波数据的每个段的峰值点，获取脑电波数据的每个段的异常表现程度；获取每个IMF分量信号的每个段的极大值点以及极小值点；根据IMF分量信号的每个段的相邻极大值点之间的距离以及相邻极小值点之间的距离，获取每个IMF分量信号的每个段的特征表现程度；根据每个IMF分量信号的每个段的特征表现程度，获取每个IMF分量信号的每个段的特征表现占比程度；根据每个IMF分量信号的每个段的特征表现占比程度，获取每个IMF分量信号的每个段的第一调整系数；
根据每个IMF分量信号的每个段的特征表现程度，获取每个IMF分量信号的每个段的相对稳定程度；根据每个IMF分量信号的每个段的相对稳定程度，获取每个IMF分量信号的每个段的第二调整系数；
根据每个IMF分量信号的每个段的第一调整系数、第二调整系数以及脑电波数据的每个段的异常表现程度，获取每个IMF分量信号的每个段的小波阈值；根据每个IMF分量信号的每个段的小波阈值对每个IMF分量信号的每个段进行去噪得到去噪后的脑电波数据。
优选的，所述将脑电波数据分解为若干个IMF分量信号；将脑电波数据以及每个IMF分量信号划分为若干个段，包括的具体步骤如下：
使用EMD分解技术对脑电波数据进行分解，获取若干个IMF分量信号；
使用希尔波特变化算法获取每个IMF分量信号的周期对应的时间跨度，根据若干IMF分量信号得到若干个时间跨度，获取若干个时间跨度的最小公倍数记为分段长度，根据分段长度依次将每个IMF分量信号以及脑电波数据划分为各个段，得到每个IMF分量信号的各个段以及脑电波数据的各个段。
优选的，所述根据脑电波数据的每个段的峰值点，获取脑电波数据的每个段的异常表现程度，包括的具体步骤如下：
将脑电波数据的任意一个记为当前段；
式中，代表当前段的异常表现程度；/>代表当前段中第/>个峰值点与第/>个峰值点之间的距离；/>代表当前段中第/>个峰值点与第/>个峰值点之间的斜率的绝对值；/>代表当前段中第/>个峰值点与第/>个峰值点之间的距离；/>代表当前段中第/>个峰值点与第/>个峰值点之间的斜率的绝对值；/>代表绝对值符号；/>代表当前段中的峰值点个数；/>代表当前段中第/>个峰值点对应的数据值；/>代表当前段中所有峰值点对应的数据均值；/>代表当前段中所有峰值点对应的数据最大值；代表当前段中所有峰值点对应的数据最小值；/>代表线性归一化函数。
优选的，所述根据IMF分量信号的每个段的相邻极大值点之间的距离以及相邻极小值点之间的距离，获取每个IMF分量信号的每个段的特征表现程度，包括的具体步骤如下：
式中，代表第/>个IMF分量信号的第/>个段的特征表现程度；/>代表第/>个IMF分量信号的第/>个段的极大值点的数量；/>代表第/>个IMF分量信号的第/>个段的极小值点的数量；/>代表第/>个IMF分量信号的第/>个段的第/>对相邻极大值点之间的距离；/>代表第/>个IMF分量信号的第/>个段的第/>对相邻极小值点之间的距离；/>代表第/>个IMF分量信号的第/>个段的所有相邻极值点之间的距离的方差。
优选的，所述根据每个IMF分量信号的每个段的特征表现程度，获取每个IMF分量信号的每个段的特征表现占比程度，包括的具体步骤如下：
式中，代表第/>个IMF分量信号的第/>个段的特征表现占比程度；/>代表第/>个IMF分量信号的第/>个段的特征表现程度；/>代表第/>个IMF分量信号中段的个数；代表第/>个IMF分量信号的第/>个段的特征表现程度。
优选的，所述根据每个IMF分量信号的每个段的特征表现占比程度，获取每个IMF分量信号的每个段的第一调整系数，包括的具体步骤如下：
式中，代表第/>个IMF分量信号的第/>个段的第一调整系数；/>代表第/>个IMF分量信号的第/>个段的特征表现占比程度；/>代表其他第/>个IMF分量信号的第/>个段的特征表现程度占比程度；/>代表绝对值符号；/>代表IMF分量信号的个数。
优选的，所述根据每个IMF分量信号的每个段的特征表现程度，获取每个IMF分量信号的每个段的相对稳定程度，包括的具体步骤如下：
式中，代表第/>个IMF分量信号的第/>个段的相对稳定程度；/>代表第/>个IMF分量信号中段的个数；/>代表第/>个IMF分量信号的第/>个段的特征表现程度；/>代表第/>个IMF分量信号的其他第/>个段的特征表现程度；/>代表第/>个IMF分量信号的其他第/>个段的序号值；/>代表最大值函数；/>代表绝对值符号；/>代表线性归一化函数。
优选的，所述根据每个IMF分量信号的每个段的相对稳定程度，获取每个IMF分量信号的每个段的第二调整系数，包括的具体步骤如下：
式中，代表第/>个IMF分量信号的第/>个段的第二调整系数；/>代表第/>个IMF分量信号的第/>个段的相对稳定程度；/>代表绝对值符号。
优选的，所述根据每个IMF分量信号的每个段的第一调整系数、第二调整系数以及脑电波数据的每个段的异常表现程度，获取每个IMF分量信号的每个段的小波阈值，包括的具体步骤如下：
式中，代表第/>个IMF分量信号的第/>个段的小波阈值；/>代表第/>个IMF分量信号的第/>个段的第二调整系数；/>代表第/>个IMF分量信号的第/>个段的第一调整系数；/>代表脑电波数据的第/>个段的异常表现程度；/>代表预设的小波阈值。
本发明还提供了一种用于评估精神压力的脑电波处理系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项步骤。
本发明的技术方案的有益效果是：本发明首先将脑电波数据分解为若干个IMF分量信号；将脑电波数据以及每个IMF分量信号划分为若干个段；根据脑电波数据的每个段的突变程度，得到脑电波数据的每个段的异常表现程度，便于后续根据每个段的异常表现程度进行去噪；接着获取每个IMF分量信号的每个段的特征表现程度，根据各个IMF分量信号对应的相同段之间的特征表现程度的差异，得到每个IMF分量信号的每个段的第一调整系数，所述第一调整系数越大，对分量信号的段的去噪程度越大，根据IMF分量信号的每个段的特征表现程度与同一分量信号的其他段的特征表现程度的差异，获取每个IMF分量信号的每个段的相对稳定程度，进而得到每个IMF分量信号的每个段的第二调整系数，所述第一调整系数越大，对分量信号的段的去噪程度越大；最后根据每个IMF分量信号的每个段的第一调整系数、第二调整系数以及脑电波数据的每个段的异常表现程度，自适应每个IMF分量信号的每个段的小波阈值对每个IMF分量信号的每个段进行去噪，提高去噪效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明的一种用于评估精神压力的脑电波处理方法的步骤流程图。
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用于评估精神压力的脑电波处理方法，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用于评估精神压力的脑电波处理方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于评估精神压力的脑电波处理方法的步骤流程图，该方法包括以下步骤：
S001．采集脑电波数据，将脑电波数据分解为多个IMF分量信号，并将脑电波数据以及每个IMF分量信号划分为若干个段。
需要说明的是，本发明的目的是通过对脑电波数据进行去噪后，用来评估人体的精神压力状态，因此需要首先采集脑电波数据，并将脑电波数据分解为若干个IMF分量信号,为了便于后续对每个IMF分量信号进行自适应去噪，本发明实施例中，需要将每个IMF分量信号划分为各个段，自适应每个IMF分量信号的每个段的小波阈值进行去噪，又由于采集的脑电波数据经过EMD分解技术分后，每个IMF分量信号对应的周期不一致的，并且每个IMF分量信号对应的周期与脑电波数据对应的周期不一致，因此本发明需要结合每个IMF分量信号的周期对应的时间跨度，获取分段长度来对每个IMF分量信号以及脑电波数据进行分段。
在本发明实施例中，使用脑电图采集人体的脑电波数据，使用EMD分解技术对脑电波数据进行分解，获取若干个IMF分量信号，在本发明实施例中，EMD分解技术对脑电波数据进行分解为公知技术，在本发明实施例中，不再对其进行过多赘述。
使用希尔波特变化算法获取每个IMF分量信号的周期对应的时间跨度，根据若干IMF分量信号得到若干个时间跨度，获取若干个时间跨度的最小公倍数记为分段长度，根据分段长度依次将每个IMF分量信号以及脑电波数据划分为各个段，得到每个IMF分量信号的各个段以及脑电波数据的各个段，需要说明的是，希尔伯特变化算法获取每个IMF分量信号的周期对应的时间跨度为公知技术，在本发明实施例中，不再对其进行过多赘述。
至此，采集脑电波数据，将脑电波数据分解为多个IMF分量信号，并将脑电波数据以及每个IMF分量信号划分为若干个段。
S002．获取脑电波数据的每个段的异常表现程度，根据IMF分量信号的每个段的相邻极大值点之间的距离以及相邻极小值点之间的距离，获取每个IMF分量信号的每个段的特征表现程度，得到每个IMF分量信号的每个段的特征表现占比程度；根据每个IMF分量信号的每个段的特征表现占比程度，获取每个IMF分量信号的每个段的第一调整系数。
需要说明的是，上述步骤S001中将脑电波数据划分为了各个段，针对脑电波数据的各个段中的数据，其存在一定范围的规律变化，但是由于采集脑电波的设备等因素的影响，使得脑电波数据的各个段中的数据存在部分突变，因此针对脑电波数据的每个段中数据的突变特征，获取脑电波数据的每个段的异常表现程度。
需要进一步说明的是，在脑电波数据的每个段中的数据中，对应人体的一种生理行为，因此脑电波数据的每个段中的峰值点的变化是存在规律性的，比如峰值点相对处于同一条直线，峰值点相对逐渐降低等规律性表现，因此针对脑电波数据的每个段的异常表现程度进行分析时，需要首先获取脑电波数据的每个段的峰值点，分析脑电波数据的任意一个段的异常表现程度时，已知该段的相邻峰值点之间的斜率绝对值与距离的乘积，可以体现相邻峰值之间的方向，因此当任意一个相邻峰值点之间的斜率绝对值与距离的乘积，与下一个相邻峰值点之间的斜率绝对值与距离的乘积的比值越接近于1时，说明相邻峰值点的方向偏移程度越小，说明脑电波数据的该段受噪声影响的程度越小，其异常表现程度越小，并且每个峰值点的值与所有峰值点的均值的差值绝对值的和，能够反应脑电波数据的该段的峰值点的整体分布情况，其值越大，说明该段的每个峰值点越趋近于峰值点对应数据均值，说明该段中的数据越稳定，脑电波数据的该段越异常。
在本发明实施例中，使用峰值检测算法获取脑电波数据的每个段的若干峰值点。
将脑电波数据的任意一个记为当前段，获取当前段的异常表现程度：
式中，代表当前段的异常表现程度；/>代表当前段中第/>个峰值点与第/>个峰值点之间的距离；/>代表当前段中第/>个峰值点与第/>个峰值点之间的斜率的绝对值；/>代表当前段中第/>个峰值点与第/>个峰值点之间的距离；/>代表当前段中第/>个峰值点与第/>个峰值点之间的斜率的绝对值；/>代表绝对值符号；/>代表当前段中的峰值点个数；/>代表当前段中第/>个峰值点对应的数据值；/>代表当前段中所有峰值点对应的数据均值；/>代表当前段中所有峰值点对应的数据最大值；代表当前段中所有峰值点对应的数据最小值；/>代表相邻峰值点的方向偏移程度，其值越大，说明当前段的各个峰值点发生了偏移，则当前段的异常表现程度越大；/>代表当前段的峰值点的整体分布情况，根据当前段的峰值点对应的数据最大值与数据最小值的差值确定当前段的整体峰值所处的范围，再通过获取每个峰值点对应的数据值与所有峰值点对应的数据均值的差值与当前段的整体峰值所处的范围的比值，得到当前段的峰值点的整体分布情况，其值越小，说明每个峰值点越趋近于峰值点对应数据均值，说明数据越稳定，受到噪声的影响程度越小，则当前段的异常表现程度越大；/>代表线性归一化函数，归一化对象为脑电波数据的所有段的的值。
至此，获取脑电波数据的每个段的异常表现程度。
需要说明的是，脑电波数据的每个段中的数据可能会存在噪声影响，会影响每个IMF分量信号的该段的噪声表现，即每个IMF分量信号的相同段受噪声影响程度是不同的，因此在本发明实施例中，需要首先获取每个IMF分量信号的每个段的特征表现程度，接着根据IMF分量信号的任意一个段的特征表现程度与相同IMF分量信号的所有段的特征表现程度，获取IMF分量信号的每个段的特征表现占比程度；而后根据IMF分量信号的任意一个段与其他IMF分量信号的该段的特征表现程度的差异，来获取IMF分量信号的每个段的第一调整系数。
在本发明实施例中，获取第个IMF分量信号的第/>个段的若干个极大值点以及极小值点。
获取每个IMF分量信号的每个段的特征表现程度：
式中，代表第/>个IMF分量信号的第/>个段的特征表现程度；/>代表第/>个IMF分量信号的第/>个段的极大值点的数量；/>代表第/>个IMF分量信号的第/>个段的极小值点的数量；/>代表第/>个IMF分量信号的第/>个段的第/>对相邻极大值点之间的距离；/>代表第/>个IMF分量信号的第/>个段的第/>对相邻极小值点之间的距离；/>代表第/>个IMF分量信号的第/>个段的所有相邻极值点之间的距离的方差；/>为相邻极值点之间的距离的方差，能够反映第/>个IMF分量信号的第/>个段中的数据的整体波动情况，其值越大，说明相邻极值点之间的距离变化越大，说明第/>个IMF分量信号的第/>个段中的数据的整体波动情况越大；所有相邻极大值点之间的距离之和与所有相邻极小值点之间的距离之和，能够反应相邻波峰和相邻波谷之间的距离变化，进而反应第/>个IMF分量信号的第/>个段中的数据的波动情况，其值越大，说明数据的波动情况越明显。
获取每个IMF分量信号的每个段的特征表现占比程度：
式中，代表第/>个IMF分量信号的第/>个段的特征表现占比程度；/>代表第/>个IMF分量信号的第/>个段的特征表现程度；/>代表第/>个IMF分量信号中段的个数；代表第/>个IMF分量信号的第/>个段的特征表现程度。
需要说明的是，已知脑电波数据的每个段中的数据可能会存在噪声影响，会影响每个IMF分量信号的该段的噪声表现，而当任意一个IMF分量信号的任意一个段的特征表现占比程度相较于其他IMF分量信号的该段的特征表现占比程度越大时，说明该IMF分量信号的该段受噪声的影响程度越大，因此该IMF分量信号的该段的第一调整系数越大。
获取每个IMF分量信号的每个段的第一调整系数：
式中，代表第/>个IMF分量信号的第/>个段的第一调整系数；/>代表第/>个IMF分量信号的第/>个段的特征表现程度占比程度；/>代表其他第/>个IMF分量信号的第/>个段的特征表现程度占比程度；/>代表绝对值符号；/>代表IMF分量信号的个数。
S003．获取每个IMF分量信号的每个段的相对稳定程度，根据每个IMF分量信号的每个段的相对稳定程度，获取每个IMF分量信号的每个段的第二调整系数。
需要说明的是，通过分析任意一个IMF分量信号的任意一个段的特征表现程度与该IMF分量信号的其他段的特征表现程度的差异，来获取该IMF分量信号的该段的相对稳定程度，相对稳定程度越小说明该IMF分量信号的该段与其他段的差异性较大，说明该IMF分量信号的该段越可能受噪声影响，越应该对该IMF分量信号的该段进行调整，因此该IMF分量信号的该段的第二调整系数越大。
在本发明实施例中，获取每个IMF分量信号的每个段的相对稳定程度：
式中，代表第/>个IMF分量信号的第/>个段的相对稳定程度；/>代表第/>个IMF分量信号中段的个数；/>代表第/>个IMF分量信号的第/>个段的特征表现程度；/>代表第/>个IMF分量信号的其他第/>个段的特征表现程度；/>代表第/>个IMF分量信号的其他第/>个段的序号值；/>代表最大值函数；/>代表绝对值符号；/>代表第/>个IMF分量信号的第/>个段与其他第/>个段的特征表现程度的差值绝对值，其值越大，说明第/>个IMF分量信号的第/>个段与其他第/>个段的差异性较大，说明第/>个IMF分量信号的第/>个段的相对稳定程度越小；/>代表第/>个IMF分量信号的第/>个段与其他第/>个段的邻近程度，其值越大，说明第/>个IMF分量信号的第/>个段与其他第/>个段越接近，此时更关注第/>个IMF分量信号的第/>个段与其他第/>个段的特征表现程度的差值绝对值；/>代表线性归一化函数，归一化对象为第/>个IMF分量信号的所有段的的值。
获取每个IMF分量信号的每个段的第二调整系数：
式中，代表第/>个IMF分量信号的第/>个段的第二调整系数；/>代表第/>个IMF分量信号的第/>个段的相对稳定程度；当第/>个IMF分量信号的第/>个段的相对稳定程度越大时，说明第/>个IMF分量信号的第/>个段越稳定，受噪声的程度越小，因此第/>个IMF分量信号的第/>个段的第二调整系数越小；当第/>个IMF分量信号的第/>个段的相对稳定程度越小时，说明第/>个IMF分量信号的第/>个段越不稳定，受噪声的程度越大，因此第/>个IMF分量信号的第/>个段的第二调整系数越大。
至此，获取每个IMF分量信号的每个段的相对稳定程度，根据每个IMF分量信号的每个段的相对稳定程度，获取每个IMF分量信号的每个段的第二调整系数。
S004．根据每个IMF分量信号的每个段的第一调整系数、第二调整系数以及脑电波数据的每个段的异常表现程度，获取每个IMF分量信号的每个段的小波阈值，根据每个IMF分量信号的每个段的小波阈值对每个IMF分量信号的每个段进行去噪处理。
需要说明的是，本发明的目的是通过自适应每个IMF分量信号的每个段的小波阈值对每个IMF分量信号的每个段进行去噪，已知当脑电波数据的任意一个段的异常表现程度越大，任意一个IMF分量信号的该段存在噪声的可能性越大，因此以脑电波数据的该段的异常表现为程度对预设小波阈值进行调整，又由于该IMF分量信号的该段的第一调整系数越大时，说明该IMF分量信号的该段存在噪声的可能性越大，且第一调整系数是根据该IMF分量信号的该段与其他IMF分量信号的该段进行比较得到的，因此根据脑电波数据的异常表现程度对该段的第一调整系数进行加权，脑电波数据的该段的异常表现程度越大且该IMF分量信号的该段的第一调整系数越大时，对预设小波阈值的调整程度越大，已知该IMF分量信号的该段的第二调整系数越大时，说明该IMF分量信号的该段存在噪声的可能性也越大，但是第二调整系数是根据该IMF分量信号的该段与同种IMF分量信号的其他段进行比较得到的，此时将该IMF分量信号的该段与同分量的其他段进行比较是不合理的，因此该IMF分量信号的该段的第二调整系数不合理，故对于该IMF分量信号的该段的第二调整系数的权重较小。
在本发明实施例中，获取每个IMF分量信号的每个段的小波阈值：
式中，代表第/>个IMF分量信号的第/>个段的小波阈值；/>代表第/>个IMF分量信号的第/>个段的第二调整系数；/>代表第/>个IMF分量信号的第/>个段的第一调整系数；/>代表脑电波数据的第/>个段的异常表现程度；/>代表预设的小波阈值，在本发明实施例中，预设小波阈值/>，在其他实施例中，实施人员可根据具体实施情况设置/>的值。
根据每个IMF分量信号的每个段的小波阈值，对每个IMF分量信号的每个段进行去噪操作，得到去噪后的各个IMF分量信号，根据去噪后的各个IMF分量信号，利用EMD算法对去噪后的所有IMF分量信号进行逆变换得到去噪后的脑电波数据。
本实施例提供了一种用于评估精神压力的脑电波处理系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现步骤S001至步骤S004。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种用于评估精神压力的脑电波处理方法，其特征在于，该方法包括以下步骤：
采集脑电波数据；将脑电波数据分解为若干个IMF分量信号；将脑电波数据以及每个IMF分量信号划分为若干个段；
使用峰值检测算法获取脑电波数据的每个段的若干峰值点；根据脑电波数据的每个段的峰值点，获取脑电波数据的每个段的异常表现程度；
所述根据脑电波数据的每个段的峰值点，获取脑电波数据的每个段的异常表现程度，包括的具体步骤如下：
将脑电波数据的任意一个记为当前段；
式中，代表当前段的异常表现程度；/>代表当前段中第/>个峰值点与第/>个峰值点之间的距离；/>代表当前段中第/>个峰值点与第/>个峰值点之间的斜率的绝对值；/>代表当前段中第/>个峰值点与第/>个峰值点之间的距离；/>代表当前段中第/>个峰值点与第/>个峰值点之间的斜率的绝对值；/>代表绝对值符号；/>代表当前段中的峰值点个数；/>代表当前段中第/>个峰值点对应的数据值；/>代表当前段中所有峰值点对应的数据均值；/>代表当前段中所有峰值点对应的数据最大值；/>代表当前段中所有峰值点对应的数据最小值；/>代表线性归一化函数；
获取每个IMF分量信号的每个段的极大值点以及极小值点；根据IMF分量信号的每个段的相邻极大值点之间的距离以及相邻极小值点之间的距离，获取每个IMF分量信号的每个段的特征表现程度；
所述根据IMF分量信号的每个段的相邻极大值点之间的距离以及相邻极小值点之间的距离，获取每个IMF分量信号的每个段的特征表现程度，包括的具体步骤如下：
式中，代表第/>个IMF分量信号的第/>个段的特征表现程度；/>代表第/>个IMF分量信号的第/>个段的极大值点的数量；/>代表第/>个IMF分量信号的第/>个段的极小值点的数量；/>代表第/>个IMF分量信号的第/>个段的第/>对相邻极大值点之间的距离；/>代表第/>个IMF分量信号的第/>个段的第/>对相邻极小值点之间的距离；/>代表第/>个IMF分量信号的第/>个段的所有相邻极值点之间的距离的方差；
根据每个IMF分量信号的每个段的特征表现程度，获取每个IMF分量信号的每个段的特征表现占比程度；
所述根据每个IMF分量信号的每个段的特征表现程度，获取每个IMF分量信号的每个段的特征表现占比程度，包括的具体步骤如下：
式中，代表第/>个IMF分量信号的第/>个段的特征表现占比程度；/>代表第/>个IMF分量信号中段的个数；/>代表第/>个IMF分量信号的第/>个段的特征表现程度；
根据每个IMF分量信号的每个段的特征表现占比程度，获取每个IMF分量信号的每个段的第一调整系数；
所述根据每个IMF分量信号的每个段的特征表现占比程度，获取每个IMF分量信号的每个段的第一调整系数，包括的具体步骤如下：
式中，代表第/>个IMF分量信号的第/>个段的第一调整系数；/>代表其他第/>个IMF分量信号的第/>个段的特征表现程度占比程度；/>代表绝对值符号；/>代表IMF分量信号的个数；
根据每个IMF分量信号的每个段的特征表现程度，获取每个IMF分量信号的每个段的相对稳定程度；
所述根据每个IMF分量信号的每个段的特征表现程度，获取每个IMF分量信号的每个段的相对稳定程度，包括的具体步骤如下：
式中，代表第/>个IMF分量信号的第/>个段的相对稳定程度；/>代表第/>个IMF分量信号的其他第/>个段的特征表现程度；/>代表第/>个IMF分量信号的其他第/>个段的序号值；/>代表最大值函数；
根据每个IMF分量信号的每个段的相对稳定程度，获取每个IMF分量信号的每个段的第二调整系数；
所述根据每个IMF分量信号的每个段的相对稳定程度，获取每个IMF分量信号的每个段的第二调整系数，包括的具体步骤如下：
式中，代表第/>个IMF分量信号的第/>个段的第二调整系数；
根据每个IMF分量信号的每个段的第一调整系数、第二调整系数以及脑电波数据的每个段的异常表现程度，获取每个IMF分量信号的每个段的小波阈值；
所述根据每个IMF分量信号的每个段的第一调整系数、第二调整系数以及脑电波数据的每个段的异常表现程度，获取每个IMF分量信号的每个段的小波阈值，包括的具体步骤如下：
式中，代表第/>个IMF分量信号的第/>个段的小波阈值；/>代表脑电波数据的第/>个段的异常表现程度；/>代表预设的小波阈值；
根据每个IMF分量信号的每个段的小波阈值对每个IMF分量信号的每个段进行去噪得到去噪后的脑电波数据。
2.根据权利要求1所述的一种用于评估精神压力的脑电波处理方法，其特征在于，所述将脑电波数据分解为若干个IMF分量信号；将脑电波数据以及每个IMF分量信号划分为若干个段，包括的具体步骤如下：
使用EMD分解技术对脑电波数据进行分解，获取若干个IMF分量信号；
使用希尔波特变化算法获取每个IMF分量信号的周期对应的时间跨度，根据若干IMF分量信号得到若干个时间跨度，获取若干个时间跨度的最小公倍数记为分段长度，根据分段长度依次将每个IMF分量信号以及脑电波数据划分为各个段，得到每个IMF分量信号的各个段以及脑电波数据的各个段。
3.一种用于评估精神压力的脑电波处理系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-2任意一项所述一种用于评估精神压力的脑电波处理方法的步骤。
CN202410258046.7A 2024-03-07 2024-03-07 一种用于评估精神压力的脑电波处理方法及系统 Active CN117838150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410258046.7A CN117838150B (zh) 2024-03-07 2024-03-07 一种用于评估精神压力的脑电波处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410258046.7A CN117838150B (zh) 2024-03-07 2024-03-07 一种用于评估精神压力的脑电波处理方法及系统

Publications (2)

Publication Number Publication Date
CN117838150A CN117838150A (zh) 2024-04-09
CN117838150B true CN117838150B (zh) 2024-05-07

Family

ID=90534823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410258046.7A Active CN117838150B (zh) 2024-03-07 2024-03-07 一种用于评估精神压力的脑电波处理方法及系统

Country Status (1)

Country Link
CN (1) CN117838150B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101658425A (zh) * 2009-09-11 2010-03-03 西安电子科技大学 基于心率变异分析的注意力集中程度的检测装置及方法
CN101869477A (zh) * 2010-05-14 2010-10-27 北京工业大学 一种自适应脑电信号中眼电伪迹的自动去除方法
CN105677035A (zh) * 2016-01-26 2016-06-15 杭州电子科技大学 基于eemd和小波阈值的运动想象脑电信号消噪方法
CN114259240A (zh) * 2021-09-28 2022-04-01 大连大学 基于改进经验小波变换的脑电信号字典学习方法
CN117390380A (zh) * 2023-12-12 2024-01-12 泰安金冠宏食品科技有限公司 一种油渣分离系统中的数据分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101658425A (zh) * 2009-09-11 2010-03-03 西安电子科技大学 基于心率变异分析的注意力集中程度的检测装置及方法
CN101869477A (zh) * 2010-05-14 2010-10-27 北京工业大学 一种自适应脑电信号中眼电伪迹的自动去除方法
CN105677035A (zh) * 2016-01-26 2016-06-15 杭州电子科技大学 基于eemd和小波阈值的运动想象脑电信号消噪方法
CN114259240A (zh) * 2021-09-28 2022-04-01 大连大学 基于改进经验小波变换的脑电信号字典学习方法
CN117390380A (zh) * 2023-12-12 2024-01-12 泰安金冠宏食品科技有限公司 一种油渣分离系统中的数据分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"用于脑控系统的一种去噪脑电疲劳检测方法";俞康;《现代电子技术》;20230115;全文 *

Also Published As

Publication number Publication date
CN117838150A (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
US10361680B2 (en) Fuzzy entropy based noisy signal processing method and iterative singular spectrum analysis soft threshold de-noising method
Smital et al. Adaptive wavelet wiener filtering of ECG signals
Latka et al. Wavelet analysis of epileptic spikes
US9386951B2 (en) Method and apparatus for monitoring sleep apnea severity
CN116861354A (zh) 电力变压器监测数据的异常识别及模式区分方法及系统
Micó et al. Automatic segmentation of long-term ECG signals corrupted with broadband noise based on sample entropy
CN116626408B (zh) 基于机器学习的电源纹波噪声检测方法
CN117668684B (zh) 基于大数据分析的电网电能数据异常检测方法
CN117727313B (zh) 用于野外鸟类声音数据的智能降噪方法
CN117235652B (zh) 一种基于大数据的钢丝加工环境监管方法及系统
CN115120248B (zh) 基于直方图的自适应阈值r峰检测、心律分类方法及装置
Yadav et al. Smoothening and segmentation of ecg signals using total variation denoising–minimization-majorization and bottom-up approach
CN118069998B (zh) 一种基于物联网的食用菌生产环境智能调控方法
CN107320097B (zh) 利用肌电信号边际谱熵提取肌肉疲劳特征的方法和装置
Pravin et al. A novel ecg signal denoising filter selection algorithm based on conventional neural networks
CN117860273A (zh) 脑电信号智能降噪方法、系统、设备及介质
CN117838150B (zh) 一种用于评估精神压力的脑电波处理方法及系统
Tulyakova Locally-adaptive Myriad Filters for Processing ECG Signals in Real Time.
CN114947850A (zh) 基于脉搏波高斯模型特征的脑力负荷等级客观检测方法
CN112446307B (zh) 基于局部约束的非负矩阵分解的心电身份识别方法及系统
Azami et al. Automatic signal segmentation based on singular spectrum analysis and imperialist competitive algorithm
Azami et al. MEMD-enhanced multivariate fuzzy entropy for the evaluation of complexity in biomedical signals
Anisheh et al. Adaptive segmentation with optimal window length scheme using fractal dimension and wavelet transform
Bhobhriya et al. W-NLM: a proficient EMG denoising technique
CN117290709B (zh) 用于连续动态意图解码的方法、系统、设备及存储介质

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