CN117918863A - 一种脑电信号实时伪迹处理与特征提取的方法和系统 - Google Patents
一种脑电信号实时伪迹处理与特征提取的方法和系统 Download PDFInfo
- Publication number
- CN117918863A CN117918863A CN202311775102.6A CN202311775102A CN117918863A CN 117918863 A CN117918863 A CN 117918863A CN 202311775102 A CN202311775102 A CN 202311775102A CN 117918863 A CN117918863 A CN 117918863A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- time
- data stream
- artifact
- real time
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 96
- 210000004556 brain Anatomy 0.000 title claims abstract description 40
- 238000001914 filtration Methods 0.000 claims abstract description 77
- 238000000605 extraction Methods 0.000 claims abstract description 63
- 238000004458 analytical method Methods 0.000 claims abstract description 59
- 238000005070 sampling Methods 0.000 claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 230000005540 biological transmission Effects 0.000 claims description 35
- 230000033764 rhythmic process Effects 0.000 claims description 15
- 238000012880 independent component analysis Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 208000019901 Anxiety disease Diseases 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 5
- 238000012896 Statistical algorithm Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012916 structural analysis Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims 2
- 239000000758 substrate Substances 0.000 claims 2
- 230000009467 reduction Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 8
- 230000036506 anxiety Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 6
- 230000008451 emotion Effects 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 238000005312 nonlinear dynamic Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000001149 cognitive effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 210000004761 scalp Anatomy 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000003925 brain function Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000002570 electrooculography Methods 0.000 description 3
- 230000000763 evoking effect Effects 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 2
- 230000036624 brainpower Effects 0.000 description 2
- 239000012267 brine Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004424 eye movement Effects 0.000 description 2
- 206010016256 fatigue Diseases 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000019914 Mental Fatigue Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000027288 circadian rhythm Effects 0.000 description 1
- 230000006998 cognitive state Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 210000004087 cornea Anatomy 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000002001 electrophysiology Methods 0.000 description 1
- 230000007831 electrophysiology Effects 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004399 eye closure Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003447 ipsilateral effect Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001936 parietal effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 210000000106 sweat gland Anatomy 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种脑电信号实时伪迹处理与特征提取的方法和系统,所述方法包括:实时接收通过脑电设备采集的脑电信号数据流;采用滑动窗口的方式对脑电信号数据流进行实时分段;获取脑电设备的包含通道数和采样率在内的参数信息,基于参数信息对脑电信号数据流分段进行相适应的滤波处理步骤和伪迹去除步骤;对于预先选定的一个或多个输出指标匹配特征提取策略,按照匹配的特征提取策略在包括时域、频域、时频域和/或非线性分析在内的角度从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取得到符合输出指标的特征值。本发明能够一体化、自动化的针对不同类型脑电设备和不同的输出指标提取相应的特征值,方便后续分析处理。
Description
技术领域
本发明涉及脑电信号处理技术领域,尤其涉及一种脑电信号实时伪迹处理与特征提取的方法和系统。
背景技术
脑电信号采集的是大脑皮层的电活动,具有毫秒级的时间分辨率,能够提取出丰富多样的特征值,反应灵敏。并且随着传感器技术的发展,便携式脑电设备的种类逐渐多样化,在生物反馈、情绪检测、状态识别和脑机接口等领域有着广泛的应用。脑电源于大脑皮层大量神经元突触后膜的同步放电,根据是否接受外界刺激可以分为诱发性脑电和自发性脑电,前者是由外界刺激诱发的,具有明显的锁时锁相性,通过叠加可以获得中事件相关电位(Event Related Potential,ERP)来反应大脑的认知加工过程。自发性脑电具有特定的生理节律,可以分为δ、θ、α、β和γ5个频段,每个频段都有其特定的头皮分布和生理学意义,且会受到刺激的调制而产生特定频段能量的增加和减少,可以反映个体的身心状态。
然而脑电数据受噪音和伪迹的影响比较大,且其特征值复杂多样,反映了脑电信号的不同方面,因此正确地分析数据和提取有效的特征值成为应用灵敏度的关键。这就需要研究者具有丰富的脑电数据处理经验和强大的代码基础,给脑电设备跨领域的广泛应用设置了屏障。同时,已有应用多基于单一类型的特征值展开,缺乏各维度数据整合的能力,引起大脑活动信息表征的缺失,数据量变小,降低了情绪检测、状态识别和脑机接口等领域应用的准确率。脑电信号的随机性很强,振幅微弱,极易被无关噪音污染,从而形成各种伪迹,如眼电伪迹、肌电伪迹、汗水伪迹和市电干扰。因此,从头皮电极点上直接记录的脑电信号往往还不能准确地代表大脑神经信号,需要对采集的原始脑电数据进行预处理和降噪,尽可能减少或者消除这些伪迹的影响。脑电信号中的伪迹大致可以分为两类:生理伪迹和非生理伪迹。生理伪迹通常由靠近头部的身体部位的活动造成,最常见的是因眨眼、眼动、舌动、心跳、呼吸、肌肉运动和汗腺兴奋等产生的电生理信号。如眼电是因为眼球运动时,角膜和视网膜之间的偶极子移动产生的电位差,这些电位差会改变眼睛周围的电场,从而影响头皮电场,心电伪迹通常是由于选用与电极之间距离较大的同侧耳作为参考时产生的,额肌主要是由于用力闭眼造成的。非生理伪迹通常来自外界环境的干扰,最常见的市电干扰。电极点与头皮接触不良或者脑电记录系统故障时也会产生。如电极点移动时,双电层会受到干扰,产生直流电。电线松动或电路板松动也是非生理伪迹产生的重要原因,可能会导致部分信号的丢失和间歇性故障。
在现有技术中,缺乏对脑电信号进行实时处理的技术方案,同时,对于不同脑电设备来源的脑电信号缺少一体化、自动化的解决方案。
发明内容
鉴于此,本发明实施例提供了一种脑电信号实时伪迹处理与特征提取的方法和系统,以消除或改善现有技术中存在的一个或更多个缺陷。
本发明的一个方面提供了一种脑电信号实时伪迹处理与特征提取的方法,该方法包括以下步骤:
实时接收通过脑电设备采集的脑电信号数据流;
采用滑动窗口的方式对脑电信号数据流进行实时分段;
获取脑电设备的包含通道数和采样率在内的参数信息,基于参数信息对脑电信号数据流分段进行相适应的滤波处理步骤和伪迹去除步骤;
对于预先选定的一个或多个输出指标匹配特征提取策略,按照匹配的特征提取策略在包括时域、频域、时频域和/或非线性分析在内的角度从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取得到符合输出指标的特征值。
在本发明的一些实施例中,在接收脑电信号数据流并进行伪迹处理与特征提取之前,该方法还包括:获取各个输入脑电信号数据流的脑电设备的设备信息,所述设备信息包含通道数和采样率。
在本发明的一些实施例中,该方法还包括获取实时伪迹处理与特征提取的用户配置的步骤,所述用户配置包括滑动窗口的时间窗口大小、滤波处理策略、伪迹去除策略、特征值输出指标和特征值传输支持协议选择。
在本发明的一些实施例中,对通过脑电设备采集的脑电信号数据流和提取到的特征值分别进行传输的支持协议包括TCP协议、UDP协议、无线蓝牙协议、MQTT协议、RS-232/RS-485协议和LSL协议中的一种或多种。
在本发明的一些实施例中,所述滤波处理步骤包含低通滤波、高通滤波、带通滤波和凹陷滤波中的一种或多种;所述伪迹去除步骤包含独立成分分析、基于网格的自然语言结构分析、盲源信号分离和SVM伪迹去除中的一种或多种。
在本发明的一些实施例中,在脑电信号识别焦虑状态场景中,以α频段、θ频段和γ的能量值作为输出指标,所使用的伪迹去除步骤中包含独立成分分析和基于网格的自然语言结构分析处理;在采集脑电信号以控制假肢的场景中,按照匹配的特征提取策略在时频域分析角度从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取得到相应的μ节律和β节律的事件相关同步化和去同步化输出指标的特征值。
在本发明的一些实施例中,在所述按照匹配的特征提取策略在包括时域、频域、时频域和/或非线性分析在内的角度从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取得到符合输出指标的特征值步骤中,包括:在时域分析角度,基于统计算法或Hjorth算法从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取均值、方差、标准差、峰度、偏度和自相关系数中的一种或多种;在频域分析角度,基于快速傅里叶变换算法、周期图法、Welch法、多窗口法和自回归模型中的任一种从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取能量值和/或功率值;在时频域分析角度,基于短时傅里叶变换方式或连续小波变换方式从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取特征值;在非线性分析角度,基于递归变量分析和复杂度从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取香农熵、近似熵、样本熵和排序熵中的一种或多种。
在本发明的一些实施例中,基于参数信息对脑电信号数据流分段进行相适应的滤波处理步骤和伪迹去除步骤包括:在脑电设备采集的脑电信号通道数少于预设阈值的情况下,使用预先训练的神经网络模型对脑电信号数据流分段进行相适应的滤波处理步骤和伪迹去除,其中,所述神经网络模型使用大数据规模包含不同类型伪迹和/或不同信噪比的脑电信号进行有监督的学习训练得到。
本发明的另一方面提供了一种脑电信号实时伪迹处理与特征提取的系统,该系统包括:
用户配置模块,用于接收预先选定的一个或多个输出指标匹配特征提取策略和设定的输出指标,获取脑电设备的包含通道数和采样率在内的参数信息;
内置处理模块,用于基于参数信息对脑电信号数据流分段进行相适应的滤波处理步骤和伪迹去除步骤,对于预先选定的一个或多个输出指标匹配特征提取策略,按照匹配的特征提取策略在包括时域、频域、时频域和/或非线性分析在内的角度从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取得到符合输出指标的特征值;
数据传输模块,用于实时接收通过脑电设备采集的脑电信号数据流,并对实时提取得到的符合输出指标的特征值进行传输。
本发明的另一方面提供了一种脑电信号实时伪迹处理与特征提取的装置,包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该装置实现如上实施例中任一项所述方法的步骤。
本发明的另一方面提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上实施例中任一项所述方法的步骤。
本发明所提出的脑电信号实时伪迹处理与特征提取的方法和系统,能够基于脑电设备包含的通道数和采样率等参数信息,对脑电信号数据流进行相适应的滤波处理和伪迹去除,并基于预先选定的输出指标匹配特征提取策略,实时提取符合输出指标的特征值。一方面能够对脑电信号进行实时的伪迹去除与特征提取,另一方面可以一体化、自动化的针对不同类型脑电设备和不同的输出指标提取相应的特征值,方便后续针对脑电数据进行的分析处理等。
本发明的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是,能够用本发明实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1为本发明一实施例中实时伪迹处理与特征提取的方法流程图。
图2为本发明一实施例中实时伪迹处理与特征提取的系统工作流程图。
图3为本发明一实施例中实时伪迹处理与特征提取的系统内置算法模块示意图。
图4为本发明一实施例中使用FastICA+GFP结合技术去除伪迹方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此,还需要说明的是,如果没有特殊说明,术语“连接”在本文不仅可以指直接连接,也可以表示存在中间物的间接连接。
在下文中,将参考附图描述本发明的实施例。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤。
为了解决现有技术中对于脑电信号的实时伪迹处理与特征提取方法存在的问题,本发明提供了一种脑电信号实时伪迹处理与特征提取的方法。
现有技术存在的问题包括:(1)无法进行实时数据分析:现有的EEGLAB和MNE等脑电数据分析软件,无法实时的接收数据并进行处理,只能对脑电数据进行事后分析,通常以若干分钟的片段为单位,无法输出若干秒的数据,难以满足实时的状态识别、情绪检测等领域的应用需求。(2)数据分析和导出困难:脑电数据结构复杂多维,在进行特征提取时,每类特征的提取均需要依靠大量的代码基础,且很难逐个被试逐个通道进行特征值的导出,数据应用极为不便。(3)自动化程度低:现有的伪迹去除方式多采用独立成分分析(Independent Component Analysis,ICA)的方式进行,该方法一方面对研究者的经验要求较高,需要研究者能够自行辨别眼电等伪迹成分并去除,无法实现自动化,费时费力。(4)无法满足多样化设备的处理需求:在进行ICA处理时,需要脑电的通道数足够多,脑电数据的持续时间足够长,因此无法对单通道或者较少通道的脑电数据进行伪迹去除,也无法在若干毫秒的数据段上执行。现有的关于自动伪迹检测和去除的研究,有的仅能针对多通道进行,有的仅能针对单通道进行,缺乏整合的方法。(5)应用开发需求高:分析后的特征值在各领域进行应用时,均需要自行开发实时的API或者TCP/UDP等数据传输功能,应用复杂。
图1为本发明一实施例中实时伪迹处理与特征提取的方法流程图,该方法包含以下步骤:
步骤S110:实时接收通过脑电设备采集的脑电信号数据流。
在具体实施过程中,脑电信号的实时伪迹处理与特征提取的系统支持无线蓝和LSL(Lab streaming layer)等多种协议传输方式,能够实时接收来自脑电设备的数据流,根据用户配置,对实时采集的数据进行读取和缓存,采用自适应滑动窗口的范式,进行实时的降噪、去伪迹和特征提取。
在具体实施过程中,脑电设备是用于记录大脑活动的设备,包含放置在头皮上的电极、用于将电极捕获的微弱信号放大到可以被计算机处理水平的放大器和用于将发大器输出的信号转换为图形或数字格式信号的计算机等。而且,采集的脑电信号数据流包含预设通道数,不同通道的脑电信号数据流能够以电极放置区域作为分类标签加以区分。
步骤S120:采用滑动窗口的方式对脑电信号数据流进行实时分段。
在具体实施过程中,采用滑动窗口的方式对脑电信号数据流进行实时分段,是指将脑电信号数据流分割成多个连续的、固定长度的片段,每个片段称为一个窗口。首先,将脑电信号数据流按照时间顺序进行排列。然后,设定窗口的长度。从头开始,依次将脑电信号数据流的连续窗口长度的片段取出,作为一个窗口。重复上一步骤,直到脑电信号数据流全部被分割成多个窗口。
步骤S130:获取脑电设备的包含通道数和采样率在内的参数信息,基于参数信息对脑电信号数据流分段进行相适应的滤波处理步骤和伪迹去除步骤。
在具体实施过程中,系统对标准实验室、生物反馈、情绪脑机、医疗类型的脑机接口等不同场景下使用的脑电仪类型进行调研,围绕高精度、高分辨率及高密度的凝胶电极脑电仪,便携式可穿戴的高密度盐水(semi-dry半干式)电极脑电仪及不同形态(不同通道数)的便携式可穿戴干电极脑电仪进行了个性化滤波方案的设计,将传统的频域滤波、小波降噪与创新型的深度学习,盲源分离与机器学习等混合方法相融合,实现全自动化的信号降噪和伪迹去除。用户仅需要简单配置,整个伪迹去除过程即可自动完成,无需进行大量代码撰写。
其中,所述滤波处理步骤包含低通滤波、高通滤波、带通滤波和凹陷滤波中的一种或多种。所述伪迹去除步骤包含独立成分分析(FastICA)、基于网格的自然语言结构分析(GPF)、盲源信号分离和SVM伪迹去除中的一种或多种。
步骤S140:对于预先选定的一个或多个输出指标匹配特征提取策略,按照匹配的特征提取策略在包括时域、频域、时频域和/或非线性分析在内的角度从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取得到符合输出指标的特征值。
在具体实施过程中,可以整合多个来源的脑电信号特征提取算法,整合时域、频域、时频域、非线性以及脑功能连接相应的特征值计算算法,特征值多样,灵敏度高。通过接收用户配置选定输出指标和特征提取策略和滤波处理步骤等,以适应不同的场景。
其中,对通过脑电设备采集的脑电信号数据流和提取到的特征值分别进行传输的支持协议包括TCP协议、UDP协议、无线蓝牙协议、MQTT协议、RS-232/RS-485协议和LSL协议中的一种或多种。
本发明所提出的脑电信号实时伪迹处理与特征提取的方法和系统,能够基于脑电设备包含的通道数和采样率等参数信息,对脑电信号数据流进行相适应的滤波处理和伪迹去除,并基于预先选定的输出指标匹配特征提取策略,实时提取符合输出指标的特征值。一方面能够对脑电信号进行实时的伪迹去除与特征提取,另一方面可以一体化、自动化的针对不同类型脑电设备和不同的输出指标提取相应的特征值,方便后续针对脑电数据进行的分析处理等。
在本发明一些实施例中,在接收脑电信号数据流并进行伪迹处理与特征提取之前,该方法还包括:获取各个输入脑电信号数据流的脑电设备的设备信息,所述设备信息包含通道数和采样率。
进一步的,在本发明一具体实施例中,该方法还包括获取实时伪迹处理与特征提取的用户配置的步骤,所述用户配置包括滑动窗口的时间窗口大小、滤波处理策略、伪迹去除策略、特征值输出指标和特征值传输支持协议选择。
在本发明一些实施例中,在脑电信号识别焦虑状态场景中,以α频段、θ频段和γ的能量值作为输出指标,所使用的伪迹去除步骤中包含独立成分分析和基于网格的自然语言结构分析处理。在采集脑电信号以控制假肢的场景中,按照匹配的特征提取策略在时频域分析角度从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取得到相应的μ节律和β节律的事件相关同步化和去同步化输出指标的特征值。
在本发明一些实施例中,在所述按照匹配的特征提取策略在包括时域、频域、时频域和/或非线性分析在内的角度从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取得到符合输出指标的特征值步骤中,包括:(1)在时域分析角度,基于统计算法或Hjorth算法从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取均值、方差、标准差、峰度、偏度和自相关系数中的一种或多种;(2)在频域分析角度,基于快速傅里叶变换算法、周期图法、Welch法、多窗口法和自回归模型中的任一种从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取能量值和/或功率值;(3)在时频域分析角度,基于短时傅里叶变换方式或连续小波变换方式从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取特征值;(4)在非线性分析角度,基于递归变量分析和复杂度从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取香农熵、近似熵、样本熵和排序熵中的一种或多种。
采用该发明实施例,可以整合多种特征提取方法,面向不同场景下的脑电特征提取需求提取相应的特征值。
在本发明一些实施例中,基于参数信息对脑电信号数据流分段进行相适应的滤波处理步骤和伪迹去除步骤包括:在脑电设备采集的脑电信号通道数少于预设阈值的情况下,使用预先训练的神经网络模型对脑电信号数据流分段进行相适应的滤波处理步骤和伪迹去除,其中,所述神经网络模型使用大数据规模包含不同类型伪迹和/或不同信噪比的脑电信号进行有监督的学习训练得到。例如,该通道数阈值可以是3、5或10中的任一,利用预训练的模型基于提取的特征值,得到目标结果。
采用该发明实施例,可以针对不同的脑电信号基于历史数据进行训练,从而对脑电信号的伪迹去除和特征提取更具代表性,获得更为纯净的脑电数据。
本发明的另一方面提供了一种脑电信号实时伪迹处理与特征提取的系统,该系统包括:(1)用户配置模块,用于接收预先选定的一个或多个输出指标匹配特征提取策略和设定的输出指标,获取脑电设备的包含通道数和采样率在内的参数信息;(2)内置处理模块,用于基于参数信息对脑电信号数据流分段进行相适应的滤波处理步骤和伪迹去除步骤,对于预先选定的一个或多个输出指标匹配特征提取策略,按照匹配的特征提取策略在包括时域、频域、时频域和/或非线性分析在内的角度从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取得到符合输出指标的特征值;(3)数据传输模块,用于实时接收通过脑电设备采集的脑电信号数据流,并对实时提取得到的符合输出指标的特征值进行传输。
本发明所提出的脑电信号实时伪迹处理与特征提取的系统基于一个融合的脑电数据分析平台ErgoLAB,旨在解决现有脑电数据分析中的诸多困难和不足,使脑电数据的实时处理和特征提取变得更加高效、自动化和便捷。ErgoLAB指的是ErgoLAB人机环境同步云平台,该云平台基于云架构与同步技术,专业用于“以人为中心”的多模态数据同步采集与定量化分析,突出智能、可穿戴特点。结合VR虚拟现实与仿真技术、光环境模拟技术、脑认知神经科学与电生理技术、视觉追踪技术、动作捕捉技术、行为分析技术、面部表情与状态识别技术等,客观定量化分析人-机-环境三者交互影响的关系,提升纵向研究的深度与横向研究的外延性。与许多认知神经科学、人因工程、人工智能领域科研设备相兼容,提供人因工程与工效学、建筑与环境行为学、人机交互与人工智能、心理学与认知科学以及交通驾驶行为研究等领域的完整解决方案。
该系统主要包含用户配置模块、内置算法模块和数据传输模块三个部分。其中,(1)用户配置模块允许用户根据需求选择降噪方式、伪迹去除算法、特征值类型和数据传输方式,也可以输入所使用的设备的采样率、通道数等信息,系统自动推荐算法(通道数和采样率等信息影响去伪迹算法及能够提取的特征值的类型),实现个性化的数据处理设置。(2)内置算法模块是本工具箱的核心部分。首先,它集成了多种经典和先进的噪音及伪迹去除方法,如滤波、小波降噪、FastICA+GFP、SOBI+SVM以及复杂神经网络和卷积神经网络等,旨在自动去除眼电等伪迹。其次,内置算法模块还包含各类特征值提取算法,涵盖了时域、频域、时频和非线性等多维度的特征值计算,使脑电数据的特征提取变得简单高效。同时,内置算法模块还针对不同特征值的组合,设计不同的特征融合方案,例如利用CNN对空域的脑电特征和频域的脑电特征等进行融合。(3)数据传输模块提供多种传输方式,包括TCP传输、UDP传输和API传输,为分析后的特征值提供便捷的输出和应用接口。通过适当的滤波,可以有效减少脑电数据中的噪音,常见的滤波方式包括低通滤波、高通滤波、带通滤波和凹陷滤波。低(高)通滤波器允许低(高)于某个截止频率的信号通过,并削弱或消除高(低)于该频率的信号。带通滤波器仅允许特定频率通过,同时对其他频率的信号进行有效抑制。凹陷滤波器削弱或消除某个特定频率的信号成分,凹陷滤波器削弱或消除某个特定频率的信号成分。滤波器直观且易于理解,能够快速实时处理,但是其无法完全适应复杂的信号结构和频谱特征,如,无法去除眼电等混淆在真实信号中的伪迹。小波降噪是一种常用的信号降噪方法,基于小波变换的原理。它通过将信号分解为不同尺度的频带,并根据信号的统计特性进行噪声估计和消除,从而降低信号中的噪声成分。小波降噪能够同时捕捉信号的局部和全局特征,自适应的选择阈值进行噪声估计和消除,有效的保留信号细节特征,但其计算复杂度较高,小波基函数和阈值选择对噪音去除效果影响较大。经验模式分解(EmpiricalMode Decomposition,EMD)是一种自适应的信号分解方法,将非线性和非平稳信号分解为一组固有模态函数(Intrinsic Mode Functions,IMF)。该方法通过构造信号的局部极值点、插值得到上下包络,计算局部平均线,并将信号减去局部平均得到细节曲线。重复这个过程直到细节曲线满足IMF的条件,即在曲线上的极大值和极小值点的个数相等或相差最多一个。经过迭代过程,最后得到的IMF相加即可近似重构原始信号。经验模式分解具有自适应性、多尺度分解和无需预设参数的优势,但对数据依赖性较高,可能存在模态混叠问题,并对初始点的选择和插值方法敏感。独立成分分析(Independent ComponentAnalysis,ICA)用于将混合信号分解成独立的成分。它通过假设混合信号是源信号的线性组合,并利用独立性的统计特性,对源信号进行分离。
采用该脑电信号实时伪迹处理与特征提取的系统,能够使研究者和应用开发者将不再受限于传统脑电数据分析软件,能够快速、准确地处理实时数据,提取有效的特征值,为脑电设备在生物反馈、情绪检测、状态识别和脑机接口等领域的广泛应用提供了全新的解决方案。该系统的开发将大幅提高脑电数据分析的效率和自动化程度,为脑电研究和应用带来更广阔的发展前景。
在本发明又一实施例中,该脑电信号实时伪迹处理与特征提取的系统包含实时脑电数据采集与分析模块、智能化噪音及伪迹去除模块、自动化多维度特征提取模块和数据传输模块。具体地:(1)该系统的实时脑电数据采集与分析模块能够实时接收来自脑电设备的数据流,支持无线蓝牙,LSL(Lab streaming layer)等多种协议传输方式,根据用户配置,对实时采集的数据进行读取和缓存,采用自适应滑动窗口的范式,进行实时的降噪、去伪迹和特征提取。(2)该系统的智能化噪音及伪迹去除模块对标准实验室、生物反馈、情绪脑机、医疗类型的脑机接口等不同场景下使用的脑电仪类型进行调研,围绕高精度、高分辨率及高密度的凝胶电极脑电设备,便携式可穿戴的高密度盐水(semi-dry半干式)电极脑电设备及不同形态(不同通道数)的便携式可穿戴干电极脑电设备进行了个性化滤波方案的设计,将传统的频域滤波、小波降噪与创新型的深度学习,盲源分离与机器学习等混合方法相融合,实现全自动化的信号降噪和伪迹去除。用户仅需要简单配置,整个伪迹去除过程即可自动完成,无需进行大量代码撰写。(3)经过大量相关领域论文和算法的调研,系统整合了时域、频域、时频域、非线性以及脑功能连接相应的特征值计算算法,特征值多样,灵敏度高。(4)该系统的数据传输模块能够兼容TCP、UDP、无线蓝牙、MQTT、RS-232/RS-485等多种数据传输协议,能够与不同的系统、不同的设备和不同的应用间实现便捷的数据传输,研究者根据需求进行选择即可,无需代码撰写。
进一步地,可以利用FastICA+GFP的形式对8通道及以上的脑电进行眼电伪迹的去除,其大致做法如下,如运用FastICA算法分别计算各导联的独立分量,同时计算出所选取的N个导联的GFP值,计算出独立分量与GFP的相关系数,输出相关系数最大值对应的独立分量,并将该最大分量,将其他成分重组,获得干净的信号。该方法对前额叶较少通道的脑电设备并不适用,此时系统会自动推荐事先训练好的神经网络模型,实现端到端的脑电信号降噪。在训练此类型模型时,首先输入大量包含不同伪迹(如眼电、肌电),不同信噪比的脑电信号,利用该脑电信号进行有监督的学习,获得最优的参数,部署与系统中用于实时或离线的噪音识别和去除。
在本发明一些实施例中,在自动化多维度特征提取模块中包含多个角度的特征提取。具体列举如下:
(1)在时域分析角度,时域分析揭示振幅随时间的变化,通常通过统计学的方法对各种特征值进行计算。
表1脑电信号时域特征指标举例
(2)在频域分析角度,频域分析描述脑电的能量、相位等信息在频率点上的分布,它能够反映个体的认知状态。频域分析常用的方法包括傅里叶变换、周期图法、welch法、多窗口法、自回归模型等。
其中,傅里叶变换是一种基本的频域分析方法,用于将时域信号转换为频域。它可以分解信号为不同频率成分的振幅和相位信息。傅里叶变换通常适用于稳态信号。周期图法是一种用于研究信号的周期性成分的方法。它包括自相关函数、互相关函数和功率谱密度等工具,可用于识别信号中的周期性。Welch法是一种信号处理方法,将信号分为多个重叠窗口,并计算每个窗口上的功率谱密度。然后,这些功率谱密度估计值被平均以得到最终的估计,以减小估计的方差。多窗口法涉及使用不同类型的窗口函数,如矩形窗、汉明窗、汉宁窗等,来分析信号的频谱特性。不同窗口函数适用于不同的应用和信号类型。自回归模型是一种用于建模时间序列数据的方法,通常用于估计信号的频率成分。自回归模型包括自回归(AR)模型和自回归移动平均(ARMA)模型。
在频谱分析角度,EEG频谱分析中包含经典的直接法(周期图法)和最常用的改进直接法(Welch法)。其中,Welch方法的思路是:先把长度为N的信号分成L段,每段数据长为M,则N=LM;然后把窗函数w加到每段数据上,求出每段数据的功率谱;最后对每段数据的功率谱进行平均,得到整个信号的功率谱。各个数据段之间可以有重叠,窗函数w可以选择如Hanning、Hamming等任意一种窗口。
表2脑电信号频域特征指标的举例
/>
(4)在时频分析角度,估计信号在时频上每一个特定时间和频率点的的功率值,在进行频谱分析的时候保留了时间信息,通常采用短时傅里叶变换或者是连续小波变换的方式进行。时频分析的结果用于表示某刺激出现后相应的ROI区域出现了特定频段信号功率的增加(ERS)或者减弱(ERD)。
(5)在非线性动力学分析角度,利用非线性动力学分析的结果反映大脑的动力学特征的改变,包括复杂度、熵、Lyapunov指数等指标,复杂度衡量脑电片段的信息容量,从而反映神经元的潜在活动特征,表示时间序列随着序列长度的增加出现新模式的速度,复杂度指标包括Lempel-Ziv复杂度,Lempel-Ziv排序复杂度等。熵值表明了脑电信号的混乱程度,不同的熵算法从不同的角度描述了信息的容量,熵值降低意味着脑内信息的交互能力降低。熵指标包括基于时域的香农熵、近似熵、样本熵及排序熵,基于时频的熵包括小波熵和希尔伯特-黄谱熵。最大李雅普诺夫指数可以定量地刻画相空间中相邻轨道的平均发散速率,系统中微小的初态扰动如何随着时间的推移逐渐增大。
(6)脑功能连接指标用于评估脑区之间的信息连通性,大脑的每个部位在人类行为中都具有其独特的功能,即使最简单的任务也需要多个大脑区域共同协作完成,常用的指标包括基于相干的指标,基于相位同步的指标、基于广义同步的指标及基于格兰杰因果的指标。
在此基础上,本发明所提出的脑电信号实时伪迹处理与特征提取的系统会根据用户设置的设备的通道、采样率等信息限制能够选择的特征类型,同时系统也可以接收研究者进一步在特征值中根据自己的实验需求进行的筛选指令,并且,提取得到的特征值支持一键方式导出。
图2为本发明一实施例中实时伪迹处理与特征提取的系统工作流程图。系统首先接收用户配置,所述用户配置在时效性角度包含实时处理时间窗口大小,在设备特点角度进行滤波算法、降噪算法和去除伪迹方式选择,在特征用途角度选择需要提取的合适的特征值,在传输协议角度选择应用层接口类型。在确定用户配置后进行实时脑电数据传输,电极排布在被试人员的头部不同位置,采集设备将采集的脑电信号传输到本发明我提出的系统中,通过内置算法对采集的原始脑电信号进行包含数据分段、去除噪音和去除伪迹的数据预处理,然后在时域、频域、时频和非线性动力学等角度中的一种或多种提取特征值,按照预先选定的合适的特征值进行提取,然后对提取到的特征值通过TCP、UDP或API进行实时数据传输,最后,在应用层,基于所面对的不同脑电信号应用场景,进行情绪识别、生物反馈、脑机接口、状态监测等行为。
图3为本发明一实施例中实时伪迹处理与特征提取的系统内置算法模块示意图。图3在图2的基础上列举了数据预处理和特征提取可以采取的不同内置算法,例如:(1)对于数据分段,采用滑动窗口和实时分段;(2)对于去除噪音,采取滤波和/或小波降噪算法;(3)对于去除伪迹,采用Fastica+GPF、BSS+SVM、神经网络等算法;(4)对于时域特征提取,采用统计学或Hjorth算法;(5)对于频域特征提取,采用快速傅里叶变换;(6)对于时频特征提取,采用短时傅里叶或小波变换算法;(7)对于非线性角度的特征提取,采用熵、复杂度或递归变量分析算法。在经过降噪等方式,去除掉眼电、肌电、市电、噪音、漂移等生理和非生理伪迹,获得干净的EEG信号后,可以经过快速傅里叶变换,短时傅里叶变换,小波变换等方式提取脑电信号的时域、频域、时频域及非线性等多个维度的特征。
本发明的一具体实施例在脑电信号识别情绪领域进行了应用,通过采集脑电信号识别焦虑状态,从而引导冥想放松。焦虑情绪会影响个体的生活及工作状态,持续性焦虑的情况下人的免疫力系统还会受到影响,产生疼痛和疾病。在焦虑情况下,大脑的α频段和θ频段的能量值会下降,在经过冥想放松等正念训练后,γ频段会有所增强。实时可视化α频段、θ频段和γ的能量值,指导焦虑个体进行冥想放松。
具体地,在该具体实施例中的详细流程包括:
①步骤一:用户配置。在配置界面选定实时数据的传输方式为无线网传输(可以是无线蓝牙传输,以传输的效率优先选择,这里不做具体限定),输入设备的参数信息,通道数为12道(脑电就是叫导联,可以说12导),采样率为250Hz,ErgoLAB实时伪迹去除与特征提取系统根据设备信息,推荐进行0.1-70Hz的高低通滤波及50Hz的凹陷滤波,在去伪迹时推荐选择FastICA+GPF等的多通道伪迹检测算法(如下图),呈现能提取的所有特征值类型,用户从中选择频域特征下的α频段、θ频段和γ的能量值作为输出的指标,时间窗口设置为2S,特征值传输方式为TCP协议。时间窗口是指在一定时间范围内的数据集。在流处理场景下,数据以源源不断的流的形式存在,数据一直在产生,没有始末。采用时间窗口可以将数据流切分成多个数据块,在时间窗口的基础上对数据流。这个属于脑电信号的频域特征分析时的常规设置。图4为本发明一实施例中使用FastICA+GFP结合技术去除伪迹方法的流程图。
②步骤二:特征值提取。将实时传输的脑电数据进行暂时的储存,采用滑动窗口的方式,从当前时刻点向前取以若干秒时间窗口进行噪音和伪迹的去除(不同的伪迹去除算法有所不同),获得干净的信号,然后取当前时刻点的前2S进行频域特征提取,步长为1S。
③步骤三:生物反馈系统设计。系统中内置呼吸冥想训练课程,个体经过引导掌握呼吸放松的方法。采集个体在安静无压力状态下的5min数据作为基线,利用α频段、θ频段和γ3个频段的能量值进行可视化的设计。可视化的图形为花蕾,低焦虑情况下花蕾打开,高焦虑情况下花蕾关闭。
表3依据脑电信号不同频段对焦虑程度的划分表
④步骤四:实时反馈调节。ErgoLAB实时伪迹处理与特征提取系统将每2S提取出来的α频段、θ频段和γ3个频段,通过TCP协议实时发动给生物反馈系统,生物反馈系统界面的花蕾开始动弹变化,个体需要运用呼吸放松学习到的方法尽可能的让花蕾绽放。
本发明的一具体实施例在采集脑电信号以控制假肢的情境进行了应用。通过实时采集右侧肢体残疾人在进行向前、向后、向左、向右运动想象期间的EEG信号,采用时频分析方法提取出相应的μ节律和β节律的事件相关同步化和去同步化(ERS和ERD),运用机器学习的方法进行分类,根据分类结果实现对假肢的控制。
具体地,在该实施例中技术实现的详细流程包括:
①步骤一:用户配置。
用户在配置界面选定实时数据的传输方式为无线蓝牙传输,输入设备的参数信息,通道数为32导,采样率为512Hz,ErgoLAB实时伪迹去除与特征提取系统根据设备信息,推荐进行01-70Hz的高低通滤波及50Hz的凹陷滤波,在去伪迹时推荐SOBI+SVM算法,选择时频分析,设置关注的频率范围μ节律8-13Hz,β节律13-30赫兹Hz。
②步骤二:特征值提取。
将实时传输的脑电数据进行暂时的储存,采用滑动窗口的方式,从当前时刻点向前取以若干秒时间窗口进行噪音和伪迹的去除(不同的伪迹去除算法有所不同),获得干净的信号,然后根据运动想象开始的事件编码,取其后1000ms和之前200ms的时间分别作为事件相关时间窗口和基线进行短时傅里叶变换,提取μ节律和β节律的ERS和ERD。
③步骤三:分类。
标签设置:根据想象时的要求,对数据进行标记,将标记好的数据划分为训练集和测试集,创建4分类模型,在训练集上进行模型创建,在验证集上对模型的参数进行调整,用测试集评估训练的结果,选择精确度最佳的模型用于实时的手臂控制。
④步骤四:实时控制。
实时提取的μ节律和β节律的ERS和ERD采用TCP协议的方式发送到模型中,输出模型的分类结果进行肢体控制。
本发明的一具体实施例在采集脑电信号以评估操纵员的综合效能情境下进行了应用。在该情境下,采集操纵员在进行不同难度任务时的脑电信号,利用特征提取算法从时域、频域、时频和非线性分析等维度提取多样化的特征值,结合问卷量表信息对特征值进行标记,运用机器学习方法对不同难度任务下的脑电数据进行分类,对操纵员的脑力疲劳,工作负荷和应激状态进行分类,并根据分类的结果对三个维度进行加权,求出操纵员的综合效能,减少事故的发生。
具体地,该实施例中技术实现的详细流程包括:
①步骤一:用户配置
用户在配置界面选择实时数据传输方式为无线蓝牙传输,输入设备的参数信息,通道数为64导,采样率为1024Hz。ErgoLAB实时伪迹去除与特征提取系统根据设备信息,推荐进行0.1-70Hz的高低通滤波及50Hz的凹陷滤波,在去伪迹时推荐采用小波降噪算法,选择多样化的特征值类型,包括时域上的均值、方差、峰度、偏度等;频域上的功率谱密度、频带能量等;时频上的短时傅里叶变换等;非线性分析上的样本熵、Lyapunov指数等,时间窗口设置为2S,特征值传输方式为TCP协议。李雅普诺夫指数,表示相空间相邻轨迹的平均指数发散率的数值特征。又称李雅普诺夫特征指数,是用于识别混沌运动若干数值的特征之一。
时频分析是对脑电信号在时域和频域上的联合分析,它旨在研究信号在时间和频率上的动态变化,如μ(感知运动)节律在运动想象任务后的一段时间内前额叶和顶叶(感觉运动区)电极点上出现的事件相关同步化(ERS)。
非线性分析是对脑电信号中非线性动力学特征进行分析。脑电信号具有复杂的非线性动力学特性,非线性分析旨在揭示信号中的非线性相互作用、非线性动力学行为和混沌特征。常用的非线性分析方法包括相空间重构、Lyapunov指数、非线性预测等。
②步骤二:特征值提取
将实时传输的脑电数据进行暂时存储,采用滑动窗口的方式,从当前时刻点向前取以若干秒时间窗口进行噪音和伪迹的去除(不同的伪迹去除算法有所不同),获得干净的信号,然后取当前时刻点的前2S进行多样化的特征提取。
③步骤三:分类与评估
根据问卷量表数据对脑电数据进行进行标记,将数据划分为训练集和测试集。针对负荷、疲劳和应激分别创建二分类模型,使用训练集进行模型训练,通过交叉验证等方法对模型进行优化和参数调整,用测试集评估模型性能。重复多次,选择精确度、召回率等评价指标较高的模型。
采用专家评价法评出每个模型的权重,分别为W1、W2、W3,综合效能的总分值F=(W1*负荷(0,100)+W2*疲劳(0,100)+W3*应激(0,100))/3。
④步骤四:实时特征传输与状态预警
实时提取的多样化的特征值通过TCP协议发送到模型中,分别输出模型的分类结果,根据模型的结果和权重计算出综合效能的分值,综合效能分值越高,操纵员的工作状态越差,当综合效能的分值高于80分,则进行预警。
本发明所提出的脑电信号实时伪迹处理与特征提取的方法和系统,能够基于脑电设备包含的通道数和采样率等参数信息,对脑电信号数据流进行相适应的滤波处理和伪迹去除,并基于预先选定的输出指标匹配特征提取策略,实时提取符合输出指标的特征值。一方面能够对脑电信号进行实时的伪迹去除与特征提取,另一方面可以一体化、自动化的针对不同类型脑电设备和不同的输出指标提取相应的特征值,方便后续针对脑电数据进行的分析处理等。本发明所提出的方法能够支持逐个通道逐个特征值的导出,数据应用更为便利。通过多种伪迹去除方法,能够实现较高的自动化处理,无需研究者费时费力的进行危机成分的识别,对研究者的经验不做要求。对不同的伪迹去除方式进行了整合,既能够对单通道或较少通道的脑电数据进行伪迹去除,也能够对多通道的脑电数据进行伪迹去除。
与上述方法相应地,本发明还提供了一种脑电信号实时伪迹处理与特征提取的装置,该装置包括计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该装置实现如前所述方法的步骤。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以实现如前所述方法的步骤。该计算机可读存储介质可以是有形存储介质,诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白,结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法,能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
本发明中,针对一个实施方式描述和/或例示的特征,可以在一个或更多个其它实施方式中以相同方式或以类似方式使用,和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,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 (12)
1.一种脑电信号实时伪迹处理与特征提取的方法,其特征在于,所述方法包含:
实时接收通过脑电设备采集的脑电信号数据流;
采用滑动窗口的方式对脑电信号数据流进行实时分段;
获取脑电设备的包含通道数和采样率在内的参数信息,基于参数信息对脑电信号数据流分段进行相适应的滤波处理步骤和伪迹去除步骤;
对于预先选定的一个或多个输出指标匹配特征提取策略,按照匹配的特征提取策略在包括时域、频域、时频域和/或非线性分析在内的角度从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取得到符合输出指标的特征值。
2.根据权利要求1所述的方法,其特征在于,在接收脑电信号数据流并进行伪迹处理与特征提取之前,该方法还包括:获取各个输入脑电信号数据流的脑电设备的设备信息,所述设备信息包含通道数和采样率。
3.根据权利要求2所述的方法,其特征在于,该方法还包括获取实时伪迹处理与特征提取的用户配置的步骤,所述用户配置包括滑动窗口的时间窗口大小、滤波处理策略、伪迹去除策略、特征值输出指标和特征值传输支持协议选择。
4.根据权利要求1所述的方法,其特征在于,
对通过脑电设备采集的脑电信号数据流和提取到的特征值分别进行传输的支持协议包括TCP协议、UDP协议、无线蓝牙协议、MQTT协议、RS-232/RS-485协议和LSL协议中的一种或多种。
5.根据权利要求1所述的方法,其特征在于,
所述滤波处理步骤包含低通滤波、高通滤波、带通滤波和凹陷滤波中的一种或多种;
所述伪迹去除步骤包含独立成分分析、基于网格的自然语言结构分析、盲源信号分离和SVM伪迹去除中的一种或多种。
6.根据权利要求5所述的方法,其特征在于,
在脑电信号识别焦虑状态场景中,以α频段、θ频段和γ的能量值作为输出指标,所使用的伪迹去除步骤中包含独立成分分析和基于网格的自然语言结构分析处理;
在采集脑电信号以控制假肢的场景中,按照匹配的特征提取策略在时频域分析角度从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取得到相应的μ节律和β节律的事件相关同步化和去同步化输出指标的特征值。
7.根据权利要求1所述的方法,其特征在于,在所述按照匹配的特征提取策略在包括时域、频域、时频域和/或非线性分析在内的角度从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取得到符合输出指标的特征值步骤中,包括:
在时域分析角度,基于统计算法或Hjorth算法从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取均值、方差、标准差、峰度、偏度和自相关系数中的一种或多种;
在频域分析角度,基于快速傅里叶变换算法、周期图法、Welch法、多窗口法和自回归模型中的任一种从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取能量值和/或功率值;
在时频域分析角度,基于短时傅里叶变换方式或连续小波变换方式从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取特征值;
在非线性分析角度,基于递归变量分析和复杂度从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取香农熵、近似熵、样本熵和排序熵中的一种或多种。
8.根据权利要求1所述的方法,其特征在于,基于参数信息对脑电信号数据流分段进行相适应的滤波处理步骤和伪迹去除步骤包括:
在脑电设备采集的脑电信号通道数少于预设阈值的情况下,使用预先训练的神经网络模型对脑电信号数据流分段进行相适应的滤波处理步骤和伪迹去除,其中,所述神经网络模型使用大数据规模包含不同类型伪迹和/或不同信噪比的脑电信号进行有监督的学习训练得到。
9.一种脑电信号实时伪迹处理与特征提取的系统,其特征在于,该系统包括:
用户配置模块,用于接收预先选定的一个或多个输出指标匹配特征提取策略和设定的输出指标,获取脑电设备的包含通道数和采样率在内的参数信息;
内置处理模块,用于基于参数信息对脑电信号数据流分段进行相适应的滤波处理步骤和伪迹去除步骤,对于预先选定的一个或多个输出指标匹配特征提取策略,按照匹配的特征提取策略在包括时域、频域、时频域和/或非线性分析在内的角度从经过滤波处理步骤和伪迹去除步骤的脑电信号数据流分段中实时提取得到符合输出指标的特征值;
数据传输模块,用于实时接收通过脑电设备采集的脑电信号数据流,并对实时提取得到的符合输出指标的特征值进行传输。
10.一种脑电信号实时伪迹处理与特征提取的装置,包括处理器和存储器,其特征在于,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该装置实现如权利要求1至8中任一项所述方法的步骤。
11.一种终端设备,其特征在于,所述终端设备应用如权利要求1至8中任一项所述方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311775102.6A CN117918863A (zh) | 2023-12-21 | 2023-12-21 | 一种脑电信号实时伪迹处理与特征提取的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311775102.6A CN117918863A (zh) | 2023-12-21 | 2023-12-21 | 一种脑电信号实时伪迹处理与特征提取的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117918863A true CN117918863A (zh) | 2024-04-26 |
Family
ID=90754780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311775102.6A Pending CN117918863A (zh) | 2023-12-21 | 2023-12-21 | 一种脑电信号实时伪迹处理与特征提取的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117918863A (zh) |
-
2023
- 2023-12-21 CN CN202311775102.6A patent/CN117918863A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mazher et al. | An EEG-based cognitive load assessment in multimedia learning using feature extraction and partial directed coherence | |
JP7372358B2 (ja) | 脳の状態の意図的および非意図的な変化と脳信号との関連付け | |
CN110070105B (zh) | 基于元学习实例快速筛选的脑电情绪识别方法、系统 | |
US20070179396A1 (en) | Method and System for Detecting and Classifying Facial Muscle Movements | |
CN106691474A (zh) | 融合脑电信号与生理信号的疲劳检测系统 | |
Hosseini et al. | Emotional stress recognition system for affective computing based on bio-signals | |
CN106413541B (zh) | 用于诊断睡眠的系统和方法 | |
CN110135285B (zh) | 一种使用单导设备的脑电静息态身份认证方法及装置 | |
Narayan | Motor-imagery eeg signals classificationusing svm, mlp and lda classifiers | |
CN113951903B (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 | |
Fatima et al. | Towards a low cost Brain-computer Interface for real time control of a 2 DOF robotic arm | |
CN111920420A (zh) | 一种基于统计学习的患者行为多模态分析与预测系统 | |
CN113723557A (zh) | 一种基于多频带时空卷积网络的抑郁脑电分类系统 | |
Miao et al. | Automated CCA-MWF algorithm for unsupervised identification and removal of EOG artifacts from EEG | |
CN116092641A (zh) | 一种睡眠感官应激水平动态调节的方法、系统和装置 | |
CN114237383B (zh) | 基于前额单导联脑电信号的多状态识别方法 | |
CN117918863A (zh) | 一种脑电信号实时伪迹处理与特征提取的方法和系统 | |
Szczuko | Rough set-based classification of EEG signals related to real and imagery motion | |
Wei et al. | Automatic recognition of chewing noises in epileptic EEG based on period segmentation | |
Radhakrishnan et al. | Investigating EEG Signals of Autistic Individuals Using Detrended Fluctuation Analysis. | |
Thi et al. | Identification of some brain waves signal and applications | |
Matsuno et al. | Machine learning using brain computer interface system | |
Vadivu et al. | An Novel Versatile Inspiring Wavelet Transform and Resilient Direct Neural Network Classification Techniques for Monitoring Brain Activity System Based on EEG Signal | |
CN111736690A (zh) | 基于贝叶斯网络结构辨识的运动想象脑机接口 | |
CN117158970B (zh) | 一种情绪识别方法、系统、介质及计算机 |
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 |