本發(fā)明涉及放松治療領(lǐng)域，尤其涉及一種基于自回歸模型和小波變換的腦電放松度識(shí)別方法及系統(tǒng)。
背景技術(shù)：
：放松訓(xùn)練是行為療法中使用最廣的技術(shù)之一，是在心理學(xué)實(shí)驗(yàn)的基礎(chǔ)上建立和發(fā)展起來(lái)的咨詢和治療方法，其在治療焦慮抑郁癥、神經(jīng)性頭痛、失眠、高血壓病，減輕更年期綜合征和轉(zhuǎn)變不良行為模式等方面取得了較好的療效?，F(xiàn)有的放松訓(xùn)練主要有錄音指導(dǎo)、口頭指導(dǎo)和生物反饋指導(dǎo)。其中，錄音指導(dǎo)方法僵化、沒(méi)有變化，無(wú)法根據(jù)受訓(xùn)者的狀態(tài)變化內(nèi)容；口頭指導(dǎo)則要求對(duì)口頭指導(dǎo)的對(duì)象要求很高，且受到時(shí)間、場(chǎng)地限制；生物反饋指導(dǎo)以腦電反饋為主，能夠結(jié)合前兩種方式的優(yōu)點(diǎn)，因而受到廣泛關(guān)注。進(jìn)行生物反饋指導(dǎo)需要識(shí)別用戶的放松度，而計(jì)算放松度首先需要從用戶的腦電信號(hào)中提取各個(gè)頻段的腦電波(包括Delta、Theta、Alpha、Beta、Gamma波)，腦電波能否準(zhǔn)確提取關(guān)系到最終腦電放松度識(shí)別的精確度。雖然每個(gè)腦電波都有自己的特征頻率，但由于各個(gè)腦電波的特征頻率比較接近，因此如何準(zhǔn)確的分離提取各個(gè)頻段腦電波就顯得至關(guān)重要?，F(xiàn)有方式一般直接采用單一的濾波方式進(jìn)行腦電波的提取，但是這種提取方法提取效果不穩(wěn)定，容易受到外界因素干擾以及濾波器本身的性能或波動(dòng)性的影響，進(jìn)而影響到最終的腦電放松度的識(shí)別精度。技術(shù)實(shí)現(xiàn)要素：針對(duì)上述問(wèn)題，本發(fā)明的目的在于提供一種基于自回歸模型和小波變換的腦電放松度識(shí)別方法及系統(tǒng)，可準(zhǔn)確的分離提取出腦電信號(hào)中的各個(gè)腦電波。本發(fā)明提供了一種基于自回歸模型和小波變換的腦電放松度識(shí)別方法，包括如下步驟：基于構(gòu)建好的自回歸模型對(duì)接收的待處理腦電序列信號(hào)進(jìn)行信號(hào)提取，得到對(duì)應(yīng)于各個(gè)腦電波的第一信號(hào)；根據(jù)各個(gè)腦電波的頻率范圍，對(duì)接收的待處理腦電序列信號(hào)進(jìn)行小波變換，重構(gòu)得到對(duì)應(yīng)于各個(gè)腦電波的第二信號(hào)；基于對(duì)應(yīng)于各個(gè)腦電波的第一信號(hào)及第二信號(hào)的質(zhì)量指數(shù)，計(jì)算得到與各個(gè)腦電波的第一信號(hào)對(duì)應(yīng)的第一權(quán)重因子及與各個(gè)腦電波的第二信號(hào)對(duì)應(yīng)的第二權(quán)重因子；根據(jù)所述各個(gè)腦電波的第一信號(hào)、第一權(quán)重因子、第二信號(hào)及第二權(quán)重因子，計(jì)算得到對(duì)應(yīng)于各個(gè)腦電波的第三信號(hào)；對(duì)所述各個(gè)腦電波的第三信號(hào)進(jìn)行特征提取，并根據(jù)提取得到的特征量進(jìn)行分類識(shí)別，得到腦電放松度。優(yōu)選地，在基于構(gòu)建好的自回歸模型對(duì)接收的待處理腦電序列信號(hào)進(jìn)行信號(hào)提取，得到對(duì)應(yīng)于各個(gè)腦電波的第一信號(hào)之前，還包括：以待處理腦電序列信號(hào)為原始信號(hào)，以與所述待處理腦電序列信號(hào)同步采集得到的偽跡序列信號(hào)為參考信號(hào)，采用經(jīng)函數(shù)鏈神經(jīng)網(wǎng)絡(luò)優(yōu)化的自適應(yīng)濾波器對(duì)所述原始腦電序列信號(hào)進(jìn)行濾波，得到去除偽跡序列信號(hào)后的待處理腦電序列信號(hào)。優(yōu)選地，所述基于構(gòu)建好的自回歸模型對(duì)接收的待處理腦電序列信號(hào)進(jìn)行信號(hào)提取，得到對(duì)應(yīng)于各個(gè)腦電波的第一信號(hào)具體包括：基于待處理腦電序列信號(hào)構(gòu)建得到自回歸模塊；估計(jì)與各個(gè)腦電波對(duì)應(yīng)的自回歸模塊中的加權(quán)參數(shù)，計(jì)算與各個(gè)腦電波對(duì)應(yīng)的系數(shù)矩陣，得到對(duì)應(yīng)的各個(gè)腦電波的特征；根據(jù)各個(gè)腦電波的特征，采用自相關(guān)分離算法，對(duì)待處理腦電序列信號(hào)進(jìn)行抽取，提取得到對(duì)應(yīng)的腦電波的第一信號(hào)。優(yōu)選地，所述自回歸模型經(jīng)滑動(dòng)平均法優(yōu)化。優(yōu)選地，所述根據(jù)各個(gè)腦電波的頻率范圍，對(duì)接收的待處理腦電序列信號(hào)進(jìn)行小波變換，重構(gòu)得到對(duì)應(yīng)于各個(gè)腦電波的第二信號(hào)具體包括：根據(jù)香農(nóng)-奈奎斯特采樣原理及所述待處理腦電序列信號(hào)的采樣頻率進(jìn)行頻段分層，計(jì)算得到每層的頻率范圍；依據(jù)所述頻段分層中每層的頻率范圍及每個(gè)腦電波的頻率范圍，確定與每個(gè)腦電波對(duì)應(yīng)的小波分解和重構(gòu)所需的層數(shù)；根據(jù)與每個(gè)腦電波對(duì)應(yīng)的所述小波分解所需的層數(shù)及預(yù)先選擇的母小波進(jìn)行信號(hào)分解，得到與每個(gè)腦電波對(duì)應(yīng)的按頻段劃分的多層波形；根據(jù)與所述小波重構(gòu)所需的層數(shù)對(duì)應(yīng)的系數(shù)及分解得到的與各個(gè)腦電波對(duì)應(yīng)的所述多層波形，重構(gòu)得到對(duì)應(yīng)于各個(gè)腦電波的第二信號(hào)。優(yōu)選地，所述根據(jù)所述各個(gè)腦電波的第一信號(hào)、第一權(quán)重因子、第二信號(hào)及第二權(quán)重因子，計(jì)算得到對(duì)應(yīng)于各個(gè)腦電波的第三信號(hào)具體包括：當(dāng)判斷一個(gè)腦電波的第一權(quán)重因子大于預(yù)設(shè)的基準(zhǔn)值且該腦電波的第二權(quán)重因子小于所述基準(zhǔn)值時(shí)，將該腦電波的第三信號(hào)設(shè)置為該腦電波的第一信號(hào)；當(dāng)判斷所述腦電波的第二權(quán)重因子小于預(yù)設(shè)的基準(zhǔn)值且所述腦電波的第二權(quán)重因子大于所述基準(zhǔn)值時(shí)，將該腦電波的第三信號(hào)設(shè)置為該腦電波的第二信號(hào)；當(dāng)判斷所述腦電波的第一權(quán)重因子及所述第二權(quán)重因子均大于預(yù)設(shè)的基準(zhǔn)值時(shí)，根據(jù)所述第一權(quán)重因子及所述第二權(quán)重因子對(duì)所述第一信號(hào)和第二信號(hào)進(jìn)行加權(quán)求和，計(jì)算得到對(duì)應(yīng)于各個(gè)腦電波的第三信號(hào)。優(yōu)選地，所述基于所述各個(gè)腦電波進(jìn)行特征提取，并根據(jù)提取得到的特征量進(jìn)行分類識(shí)別，得到當(dāng)前的腦電放松度，具體包括：根據(jù)對(duì)應(yīng)于各個(gè)腦電波的第三信號(hào)，計(jì)算得到所述待處理腦電序列信號(hào)的特征量；基于預(yù)先訓(xùn)練好的基于支持向量機(jī)對(duì)所述特征量進(jìn)行分類，識(shí)別得到與所述待處理腦電序列信號(hào)對(duì)應(yīng)的腦電放松度。優(yōu)選地，所述根據(jù)對(duì)應(yīng)于各個(gè)腦電波的第三信號(hào)，計(jì)算得到所述待處理腦電序列信號(hào)的特征量，具體包括：根據(jù)所述各個(gè)腦電波的第三信號(hào)及待處理腦電序列信號(hào)形成對(duì)應(yīng)的二維圖表；用m*m的網(wǎng)格完整覆蓋在各個(gè)二維圖表上，并統(tǒng)計(jì)覆蓋有信號(hào)的格子數(shù)；其中，m為大于1的整數(shù)，且m的取值由信號(hào)的長(zhǎng)度決定；根據(jù)覆蓋有信號(hào)的格子數(shù)與總格子數(shù)計(jì)算各個(gè)腦電波及待處理腦電序列信號(hào)的相空間分布密度，得到待處理腦電序列信號(hào)的特征量。本發(fā)明還提供了一種基于自回歸模型和小波變換的腦電放松度識(shí)別系統(tǒng)，包括：自回歸提取單元，用于基于構(gòu)建好的自回歸模型對(duì)接收的待處理腦電序列信號(hào)進(jìn)行信號(hào)提取，得到對(duì)應(yīng)于各個(gè)腦電波的第一信號(hào)；小波變換單元，用于根據(jù)各個(gè)腦電波的頻率范圍，對(duì)接收的待處理腦電序列信號(hào)進(jìn)行小波變換，重構(gòu)得到對(duì)應(yīng)于各個(gè)腦電波的第二信號(hào)；權(quán)重計(jì)算單元，用于基于對(duì)應(yīng)于各個(gè)腦電波的第一信號(hào)及第二信號(hào)的質(zhì)量指數(shù)，計(jì)算得到與各個(gè)腦電波的第一信號(hào)對(duì)應(yīng)的第一權(quán)重因子及與各個(gè)腦電波的第二信號(hào)對(duì)應(yīng)的第二權(quán)重因子；加權(quán)單元，用于根據(jù)所述各個(gè)腦電波的第一信號(hào)、第一權(quán)重因子、第二信號(hào)及第二權(quán)重因子，計(jì)算得到對(duì)應(yīng)于各個(gè)腦電波的第三信號(hào)；放松度識(shí)別單元，用于對(duì)所述各個(gè)腦電波的第三信號(hào)進(jìn)行特征提取，并根據(jù)提取得到的特征量進(jìn)行分類識(shí)別，得到腦電放松度。本發(fā)明提供的基于自回歸模型和小波變換的腦電放松度識(shí)別方法及系統(tǒng)，通過(guò)利用自回歸技術(shù)與小波變換技術(shù)相結(jié)合的方式處理腦電信號(hào)，得到各個(gè)腦電波的第一信號(hào)及第二信號(hào)，并根據(jù)與所述第一信號(hào)對(duì)應(yīng)的第一權(quán)重因子和與所述第二信號(hào)對(duì)應(yīng)的第二權(quán)重因子得到最終用于特征提取的第三信號(hào)，如此，可避免由于單一方式提取時(shí)出現(xiàn)偏差過(guò)大而導(dǎo)致的提取分離的腦電波不夠準(zhǔn)確，進(jìn)而影響了最終腦電放松度識(shí)別的精確性的問(wèn)題。即通過(guò)本發(fā)明提取的各個(gè)腦電波，其信號(hào)穩(wěn)定性更高，從而保證了腦電放松度的準(zhǔn)確識(shí)別，為準(zhǔn)確的生物反饋指導(dǎo)提供了數(shù)據(jù)基礎(chǔ)和依據(jù)。附圖說(shuō)明為了更清楚地說(shuō)明本發(fā)明的技術(shù)方案，下面將對(duì)實(shí)施方式中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施方式，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1是本發(fā)明實(shí)施例提供的基于自回歸模型和小波變換的腦電放松度識(shí)別方法的流程示意圖。圖2是本發(fā)明實(shí)施例提供的Shannon小波熵與中心頻率-帶寬比的關(guān)系圖。圖3是通過(guò)切片得到待處理腦電序列信號(hào)的示意圖。圖4是本發(fā)明實(shí)施例提供的對(duì)對(duì)原始腦電序列信號(hào)進(jìn)行加權(quán)移動(dòng)平均計(jì)算的原理圖。圖5是自適應(yīng)濾波器的工作原理圖。圖6是SVM的最優(yōu)超平面分類的示意圖。圖7是SVM高維映射的示意圖。圖8是本發(fā)明實(shí)施例提供的基于自回歸模型和小波變換的腦電放松度識(shí)別系統(tǒng)的結(jié)構(gòu)示意圖。具體實(shí)施方式下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。請(qǐng)參閱圖1，本發(fā)明實(shí)施例提供了一種基于自回歸模型和小波變換的腦電放松度識(shí)別方法，其可包括如下步驟：S101，基于構(gòu)建好的自回歸模型對(duì)接收的待處理腦電序列信號(hào)進(jìn)行信號(hào)提取，得到對(duì)應(yīng)于各個(gè)腦電波的第一信號(hào)。在本發(fā)明實(shí)施例中，一般地，所述待處理腦電序列信號(hào)為6秒長(zhǎng)度的國(guó)際通用切片。具體地，步驟S101可包括如下步驟：S1011，基于待處理腦電序列信號(hào)構(gòu)建得到自回歸模塊。在本發(fā)明實(shí)施例中，首先需要構(gòu)建與自回歸模型(AutoregressiveModel，ARM)。其中，自回歸模型是用自身做回歸變量的過(guò)程，即利用前期若干時(shí)刻的隨機(jī)變量的線性組合來(lái)描述以后某時(shí)刻隨機(jī)變量的線性回歸模型，它是時(shí)間序列中的一種常見形式。如公式(1)所示，對(duì)于一個(gè)自回歸模型，B為延遲算子，且滿足Byt＝y(tǒng)t-1；p為模型的階數(shù)，表示自回歸項(xiàng)數(shù)，yt為時(shí)間序列的當(dāng)前值，yt-1為時(shí)間序列的上一個(gè)時(shí)刻的值，at為隨機(jī)干擾。φ(B)＝1-φ1B-...-φpBp，且滿足平穩(wěn)性條件。在ARM中，當(dāng)前時(shí)刻的觀測(cè)yt由過(guò)去p個(gè)歷史時(shí)刻的觀測(cè)值和一個(gè)當(dāng)前時(shí)刻的隨機(jī)干擾來(lái)表示，即：φ(B)yt＝at(1)在本發(fā)明實(shí)施例中，為了更好的進(jìn)行降噪，尤其是降低白噪聲，還可利用滑動(dòng)平均法來(lái)優(yōu)化自回歸模型，優(yōu)化手段是使ARM的殘差最小。假設(shè)滑動(dòng)平均法的階數(shù)為q，則θ(B)＝1-θ1-...-θqBq，滑動(dòng)平均模型MA(q)如公式2所示，當(dāng)前時(shí)刻的觀測(cè)yt由過(guò)去q個(gè)歷史時(shí)刻的觀測(cè)值和一個(gè)當(dāng)前時(shí)刻的隨機(jī)干擾來(lái)表示，yt為時(shí)間序列的當(dāng)前值；at為隨機(jī)干擾。利用該模型對(duì)自回歸模型進(jìn)行優(yōu)化，則可得到如公式3所示的自回歸-滑動(dòng)平均模型ARMA(p，q)，其中，p、q為模型階數(shù)(p為自回歸項(xiàng)數(shù)，q為滑動(dòng)平均項(xiàng)數(shù))。yt＝θ(B)·at(2)φ(B)yt＝θ(B)·at(3)S1012，估計(jì)與各個(gè)腦電波對(duì)應(yīng)的自回歸模塊中的加權(quán)參數(shù)，計(jì)算與各個(gè)腦電波對(duì)應(yīng)的系數(shù)矩陣，得到對(duì)應(yīng)的各個(gè)腦電波的特征。S1013，根據(jù)各個(gè)腦電波的特征，采用自相關(guān)分離算法，對(duì)待處理腦電序列信號(hào)進(jìn)行抽取，提取得到對(duì)應(yīng)的腦電波的第一信號(hào)。在本發(fā)明實(shí)施例中，構(gòu)建好自回歸模型后，就可以進(jìn)行腦電波提取了，其中，所述的各個(gè)腦電波包括頻率范圍Delta波、Theta波、Alpha波、Beta波、Gamma波。其中一般地，Delta波的頻率范圍為0.5～3Hz，Theta波的頻率范圍為3～7Hz、Alpha波的頻率范圍為8～13Hz、Beta波的頻率范圍為14～17Hz、Gamma波的頻率范圍為34～50Hz。具體地，以Delta波提取為例，通過(guò)估計(jì)與Delta波對(duì)應(yīng)的加權(quán)參數(shù)，并計(jì)算待處理腦電序列信號(hào)的ARMA(p，q)模型的系數(shù)矩陣，作為Delta波的特征，然后，結(jié)合估計(jì)得到的Delta波的特征，采用自相關(guān)分離算法，對(duì)待處理腦電序列信號(hào)進(jìn)行抽取，就可以提取得到Delta波了。在本發(fā)明實(shí)施例中，使用同樣的方法就可以提取到其他腦電波的第一信號(hào)，本發(fā)明在此不做贅述。S102，根據(jù)各個(gè)腦電波的頻率范圍，對(duì)接收的待處理腦電序列信號(hào)進(jìn)行小波變換，重構(gòu)得到對(duì)應(yīng)于各個(gè)腦電波的第二信號(hào)。具體地，可包括如下步驟：S1021，根據(jù)香農(nóng)-奈奎斯特采樣原理及所述待處理腦電序列信號(hào)的采樣頻率進(jìn)行頻段分層，計(jì)算得到每層的頻率范圍。S1022，依據(jù)所述頻段分層中每層的頻率范圍及每個(gè)腦電波的頻率范圍，確定與每個(gè)腦電波對(duì)應(yīng)的小波分解和重構(gòu)所需的層數(shù)。根據(jù)香農(nóng)-奈奎斯特采樣原理，設(shè)所述待處理腦電序列信號(hào)的采樣頻率為fs，目標(biāo)頻段為f1-f2(Hz)，運(yùn)用小波變換分解的層數(shù)為N，由奈奎斯特定律可知：f1＝(fs/2)/N1(4)f2＝(fs/2)/N2(5)N>N1(N1>N2)(6)即需要重構(gòu)的小波的層數(shù)為N2～N1層。在本發(fā)明實(shí)施例中，假設(shè)所述待處理腦電信號(hào)的采樣頻率為100Hz，即fs為100Hz，信號(hào)最高頻率為50Hz，根據(jù)公式(4)、(5)、(6)可知，每一層對(duì)應(yīng)的頻段如下：頻段頻率范圍/Hz頻段頻率范圍/HzA10～25D125～50A21～12.5D212.5～25A30～6.25D36.25～12.5A40～3.125D43.125～6.25A50～1.625D51.625～3.125A60～0.8125D60.8125～1.625A70～0.40625D70.40625～0.8125A80～0.203125D80.203125～0.40625A90～0.10156D90.10156～0.203125以Delta波為例，其頻段范圍為0.5～3Hz。因此，選用第5、6、7層的近似系數(shù)(D5/D6/D7)來(lái)重構(gòu)信號(hào)。若是Theta波(3～7Hz)，則選用第3、4層的近似系數(shù)(D3/D4)來(lái)重構(gòu)信號(hào)、若是Alpha波(8～13Hz)，則選用第2、3層的近似系數(shù)(D2/D3)來(lái)重構(gòu)信號(hào)，以此類推。S1023，根據(jù)與每個(gè)腦電波對(duì)應(yīng)的所述小波分解所需的層數(shù)及預(yù)先選擇的母小波進(jìn)行信號(hào)分解，得到與每個(gè)腦電波對(duì)應(yīng)的按頻段劃分的多層波形。在本發(fā)明實(shí)施例中，經(jīng)驗(yàn)證，coifN小波和dmey小波的提取效果較佳，且優(yōu)選地，以coif3小波基作為母小波時(shí)，具有最佳的提取效果。因而本發(fā)明實(shí)施例采用coif3小波基作為母小波進(jìn)行小波分解。當(dāng)然，可以理解的是，在本發(fā)明的其他實(shí)施例中，也可選取其他的母小波，如db小波等，本發(fā)明不做具體限定。需要說(shuō)明的是，當(dāng)以coif3小波作為母小波時(shí)，中心頻率和帶寬是影響coif3小波時(shí)頻分辨率關(guān)鍵因素。改變中心頻率-帶寬比就可以改變coif3小波變換的時(shí)頻分辨率。當(dāng)中心頻率-帶寬比達(dá)到最優(yōu)時(shí)，coif3小波變換的時(shí)頻分辨率最高。具體地，優(yōu)化過(guò)程如下：首先，coif3小波的母小波表達(dá)式如公式(7)所示。其中，fc表示母波ψ(t)的特征頻率，也是中心頻率，σt為高斯窗的標(biāo)準(zhǔn)差，通常取值為1，σf為帶寬，通常σf＝1/2π·σt。分析coif3小波的母小波可知，小波波形振蕩衰減的快慢由帶寬σf決定，波形的振蕩頻率由中心頻率fc決定。根據(jù)公式(7)可以計(jì)算coif3小波的頻率分辨率(公式8)和時(shí)間分辨率(公式9)，其中，fs為采樣頻率，fc為中心頻率，σf為帶寬，fi為信號(hào)分析頻率。接著，利用Shannon熵優(yōu)化coif3小波變換中心頻率-帶寬比的核心思想，就是用概率分布序列pi來(lái)表示小波系數(shù)，然后計(jì)算pi的值，表達(dá)式如公式10所示。其中，pi是一個(gè)概率分布序列，通過(guò)小波系數(shù)轉(zhuǎn)換得到，具有不確定性。其轉(zhuǎn)換公式如公式11所示，X(fi,t)為小波系數(shù)。中心頻率-帶寬比f(wàn)c/σf和Shannon小波熵之間的曲線關(guān)系，如圖2所示。在本發(fā)明實(shí)施例中，當(dāng)中心頻率-帶寬比f(wàn)c/σf＝4.43時(shí)，基于Shannon小波熵概率最優(yōu)理論，可知當(dāng)Shannon小波熵達(dá)到最小值時(shí)，coif3小波中心頻率-帶寬比參數(shù)達(dá)到最優(yōu)，對(duì)應(yīng)的基小波就是與特征成分最匹配的小波。S1024，根據(jù)與所述小波重構(gòu)所需的層數(shù)對(duì)應(yīng)的系數(shù)及分解得到的與各個(gè)腦電波對(duì)應(yīng)的所述多層波形，重構(gòu)得到對(duì)應(yīng)于各個(gè)腦電波的第二信號(hào)。由步驟S1022可知，Delta波進(jìn)行小波重構(gòu)所需的層數(shù)為第5、6、7層，此時(shí)，即可根據(jù)與所述小波重構(gòu)所需的層數(shù)對(duì)應(yīng)的小波系數(shù)及分解得到的所述多層波形進(jìn)行信號(hào)重構(gòu)，得到Delta波的第二信號(hào)。在本發(fā)明實(shí)施例中，只需要根據(jù)各個(gè)腦電波的頻率范圍選擇相應(yīng)的層數(shù)即可用重構(gòu)得到各個(gè)腦電波的第二信號(hào)，本發(fā)明在此不做贅述。S103，基于對(duì)應(yīng)于各個(gè)腦電波的第一信號(hào)及第二信號(hào)的質(zhì)量指數(shù)，計(jì)算得到與各個(gè)腦電波的第一信號(hào)對(duì)應(yīng)的第一權(quán)重因子及與各個(gè)腦電波的第二信號(hào)對(duì)應(yīng)的第二權(quán)重因子。在本發(fā)明實(shí)施例中，具體的，可通過(guò)對(duì)各個(gè)腦電波的第一信號(hào)及第二信號(hào)進(jìn)行功率譜分析，分析其譜分布，得到與所述第一信號(hào)對(duì)應(yīng)的第一權(quán)重因子及與所述第二信號(hào)對(duì)應(yīng)的第二權(quán)重因子。當(dāng)然，也可通過(guò)分析所述第一信號(hào)及所述第二信號(hào)的峰值譜或其他譜的分布來(lái)計(jì)算得到相應(yīng)的權(quán)重因子，本發(fā)明不做具體限定。S104，根據(jù)所述各個(gè)腦電波的第一信號(hào)、第一權(quán)重因子、第二信號(hào)及第二權(quán)重因子，計(jì)算得到對(duì)應(yīng)于各個(gè)腦電波的第三信號(hào)。在本發(fā)明實(shí)施例中，可通過(guò)加權(quán)平均來(lái)計(jì)算得到當(dāng)前時(shí)刻的各個(gè)腦電波的第三信號(hào)。即：R＝μ1*R1+μ2*R2(12)其中，R1為任一個(gè)腦電波的第一信號(hào)，μ1為該腦電波的第一權(quán)重因子，R2為該腦電波的第二信號(hào)，μ2為其第二權(quán)重因子。需要說(shuō)明的是，在進(jìn)行加權(quán)平均之前，需先對(duì)μ1和μ2進(jìn)行歸一化處理，具體地，假設(shè)μ1+μ2＝a，則需要分別對(duì)μ1和μ2乘以歸一化系數(shù)1/a進(jìn)行歸一化，保證歸一化后的μ1+μ2＝1。S106，對(duì)所述各個(gè)腦電波的第三信號(hào)進(jìn)行特征提取，并根據(jù)提取得到的特征量進(jìn)行分類識(shí)別，得到腦電放松度。本發(fā)明實(shí)施例提供的基于自回歸模型和小波變換的腦電放松度識(shí)別方法，通過(guò)利用自回歸技術(shù)與小波變換技術(shù)相結(jié)合的方式處理腦電信號(hào)，得到各個(gè)腦電波的第一信號(hào)及第二信號(hào)，并根據(jù)與所述第一信號(hào)對(duì)應(yīng)的第一權(quán)重因子和與所述第二信號(hào)對(duì)應(yīng)的第二權(quán)重因子得到最終用于特征提取的第三信號(hào)，如此，可避免由于單一方式提取時(shí)出現(xiàn)偏差過(guò)大而導(dǎo)致的提取分離的腦電波不夠準(zhǔn)確，進(jìn)而影響了最終腦電放松度識(shí)別的精確性的問(wèn)題。即通過(guò)發(fā)明實(shí)施例提取的各個(gè)腦電波，其信號(hào)穩(wěn)定性更高，從而保證了腦電放松度的準(zhǔn)確識(shí)別，為準(zhǔn)確的生物反饋指導(dǎo)提供了數(shù)據(jù)基礎(chǔ)和依據(jù)。優(yōu)選地，在步驟S101之前，還包括：S01，對(duì)接收的原始腦電序列信號(hào)進(jìn)行降采樣。S02，基于加權(quán)移動(dòng)平均算法對(duì)降采樣后的原始腦電序列信號(hào)的各個(gè)時(shí)刻的腦電信號(hào)進(jìn)行計(jì)算，得到去除低頻直流信息后的待處理腦電序列信號(hào)。在本優(yōu)選實(shí)施例中，為了保證提取和濾波的效率和準(zhǔn)確性，還可對(duì)腦電序列信號(hào)進(jìn)行相應(yīng)的預(yù)處理。在本優(yōu)選實(shí)施例中，原始腦電序列信號(hào)可通過(guò)腦電電極采集獲得，其中，一般地，腦電電極采集的原始腦電信號(hào)的持續(xù)時(shí)間比較長(zhǎng)(如數(shù)小時(shí)甚至更長(zhǎng))，因此進(jìn)行需要對(duì)原始腦電信號(hào)進(jìn)行切片，例如，如圖3所示，每個(gè)切片的片段為30秒，即每段所述原始腦電序列信號(hào)的長(zhǎng)度為30秒。在本優(yōu)選實(shí)施例中，一般地，所述原始腦電序列信號(hào)的采樣頻率為500HZ，為了減少后續(xù)的小波分解的計(jì)算量，需進(jìn)行降采樣，如將采樣至100HZ。在本優(yōu)選實(shí)施例中，為了去除原始腦電序列信號(hào)中的低頻直流信息，還可基于加權(quán)移動(dòng)平均算法對(duì)降采樣后的原始腦電序列信號(hào)的各個(gè)時(shí)刻的腦電信號(hào)進(jìn)行計(jì)算，得到所述待處理腦電序列信號(hào)。具體地：首先，基于當(dāng)前的第j個(gè)時(shí)刻的腦電信號(hào)，獲取所述原始腦電序列信號(hào)中的位于第(j-(N-1)/2)個(gè)時(shí)刻至第(j+(N-1)/2)個(gè)時(shí)刻之間的N個(gè)腦電信號(hào)的能量；其中，N為預(yù)設(shè)的影響數(shù)，且N為奇數(shù)，j為大于(N+1)/2的整數(shù)。例如，假設(shè)當(dāng)前要預(yù)測(cè)的腦電信號(hào)x(j)的時(shí)刻為第10個(gè)時(shí)刻(即j＝10)，影響數(shù)N為5，則對(duì)當(dāng)前要預(yù)測(cè)的腦電信號(hào)有影響的腦電信號(hào)為第8個(gè)至第12個(gè)時(shí)刻的腦電信號(hào)，即x(8)～x(12)。此時(shí)，先獲取這5個(gè)時(shí)刻的腦電信號(hào)的能量。接著，根據(jù)預(yù)設(shè)的權(quán)值分布函數(shù)為獲取的N個(gè)腦電信號(hào)的能量分配權(quán)值；其中，N個(gè)腦電信號(hào)的能量的權(quán)值之和為1。在本優(yōu)選實(shí)施例中，所述權(quán)值分布函數(shù)為正態(tài)分布函數(shù)，如可為：其中，w(i)為第i個(gè)時(shí)刻的腦電信號(hào)的權(quán)值，t(i)為第i個(gè)時(shí)刻的腦電信號(hào)的時(shí)間，τ表示需要放大的局部信息量。如圖4所示，采用這種權(quán)值分布，避免了將第j點(diǎn)附近所有點(diǎn)都看成是一樣的比重，而是按照距離(時(shí)間差)賦予其一個(gè)比重，實(shí)現(xiàn)局部信息量的放大，減弱了距離太遠(yuǎn)的信息對(duì)當(dāng)前點(diǎn)的影響。需要說(shuō)明的是，在計(jì)算得到各個(gè)腦電信號(hào)的能量的權(quán)值后，還需要進(jìn)行歸一化，保證N個(gè)腦電信號(hào)的能量的權(quán)值之和為1。然后，對(duì)所述N個(gè)腦電信號(hào)的能量根據(jù)分配的權(quán)值進(jìn)行加權(quán)求和，得到新的第j個(gè)時(shí)刻的腦電信號(hào)的能量。即：最后，依次對(duì)所述原始腦電序列信號(hào)的各個(gè)時(shí)刻的腦電信號(hào)的能量進(jìn)行加權(quán)求和后，根據(jù)所有時(shí)刻的新的腦電信號(hào)的能量，生成待處理腦電序列信號(hào)。在本發(fā)明實(shí)施例中，一般地，還需要對(duì)30秒的待處理腦電序列信號(hào)進(jìn)行再次切片，如切成6秒的待處理腦電序列信號(hào)切片。本優(yōu)選實(shí)施例中，一方面，通過(guò)降采樣減少了小波變換所需的時(shí)間，加快了變換的速度，并減輕了數(shù)據(jù)處理量；另一方面，對(duì)腦電信號(hào)進(jìn)行去低頻直流信息，避免了這些低頻直流信息與腦電波的頻率發(fā)生重疊而影響提取的效果。優(yōu)選地，在步驟S101之前，還包括：S03，以待處理腦電序列信號(hào)為原始信號(hào)，以與所述待處理腦電序列信號(hào)同步采集得到的偽跡序列信號(hào)為參考信號(hào)，采用經(jīng)函數(shù)鏈神經(jīng)網(wǎng)絡(luò)優(yōu)化的自適應(yīng)濾波器對(duì)所述原始腦電序列信號(hào)進(jìn)行濾波，得到去除偽跡序列信號(hào)后的待處理腦電序列信號(hào)。在本優(yōu)選實(shí)施例中，考慮到待處理腦電序列信號(hào)中還包含有各種偽跡序列信號(hào)，如舌電偽跡，出汗偽跡，眼電偽跡，脈搏偽跡以及肌電偽跡等干擾。其中，以眼電偽跡和肌電偽跡難以去除的問(wèn)題，這主要是由于其偽跡信號(hào)的幅值較高，是腦電信號(hào)的幾倍甚至幾十倍，而且與腦電信號(hào)在頻域有混疊。本優(yōu)選實(shí)施例提出一種經(jīng)函數(shù)鏈神經(jīng)網(wǎng)絡(luò)優(yōu)化的自適應(yīng)濾波器，濾除待處理腦電信號(hào)中的各種偽跡信號(hào)。具體地，首先，構(gòu)造自適應(yīng)濾波器，其中自適應(yīng)濾波器的原理框圖如圖5所示，其由原始信號(hào)(即所述待處理腦電序列信號(hào))和參考信號(hào)(與所述待處理腦電序列信號(hào)同步采集得到的偽跡序列信號(hào)，如舌電偽跡，出汗偽跡，眼電偽跡，脈搏偽跡以及肌電偽跡中的任意一種)兩個(gè)輸入組成。濾波時(shí)，參考信號(hào)經(jīng)自適應(yīng)濾波后，與原始信號(hào)進(jìn)行比較，得到所需腦電序列信號(hào)的預(yù)估信號(hào)(較為純凈的腦電序列信號(hào))，其中，濾波器不斷地自我重新調(diào)整其權(quán)值，從而使目標(biāo)誤差達(dá)到最小。其次，將函數(shù)鏈神經(jīng)網(wǎng)絡(luò)(FLNN)應(yīng)用到自適應(yīng)濾波器，利用一組正交基函數(shù)將原輸入矢量進(jìn)行維數(shù)擴(kuò)展，將線性參數(shù)擴(kuò)展為非線性，來(lái)增強(qiáng)自適應(yīng)濾波器的非線性處理能力。FLNN由函數(shù)擴(kuò)展和單層感知器兩部分組成，函數(shù)鏈神經(jīng)網(wǎng)絡(luò)的正交基采用切比雪夫正交多項(xiàng)式，如公式13所示。FLNN的基函數(shù)T如公式14所示，網(wǎng)絡(luò)輸出如公式15所示，通過(guò)FLNN實(shí)現(xiàn)了對(duì)輸入的非線性擴(kuò)展，更有助于描述腦電信號(hào)的非線性特性。優(yōu)選地，步驟S105具體包括：S1051，當(dāng)判斷一個(gè)腦電波的第一權(quán)重因子大于預(yù)設(shè)的基準(zhǔn)值且該腦電波的第二權(quán)重因子小于所述基準(zhǔn)值時(shí)，將該腦電波的第三信號(hào)設(shè)置為該腦電波的第一信號(hào)；S1052，當(dāng)判斷所述腦電波的第二權(quán)重因子小于預(yù)設(shè)的基準(zhǔn)值且所述腦電波的第二權(quán)重因子大于所述基準(zhǔn)值時(shí)，將該腦電波的第三信號(hào)設(shè)置為該腦電波的第二信號(hào)；S1053，當(dāng)判斷所述腦電波的第一權(quán)重因子及所述第二權(quán)重因子均大于預(yù)設(shè)的基準(zhǔn)值時(shí)，根據(jù)所述第一權(quán)重因子及所述第二權(quán)重因子對(duì)所述第一信號(hào)和第二信號(hào)進(jìn)行加權(quán)求和，計(jì)算得到對(duì)應(yīng)于各個(gè)腦電波的第三信號(hào)。本優(yōu)選實(shí)施例中，如果某個(gè)權(quán)重因子歸一化后小于預(yù)設(shè)的基準(zhǔn)值，則說(shuō)明這個(gè)權(quán)重因子對(duì)應(yīng)的信號(hào)可能信號(hào)質(zhì)量比較差，為了避免影響最終的放松度識(shí)別結(jié)果，直接去掉這個(gè)權(quán)重因子對(duì)應(yīng)的信號(hào)，而采用另一個(gè)信號(hào)作為最終輸出的信號(hào)，這樣，可以保證提取分離的腦電波具有較高的準(zhǔn)確度，保證最終放松度的準(zhǔn)確識(shí)別。優(yōu)選地，所述步驟S106具體包括：S1061，根據(jù)對(duì)應(yīng)于各個(gè)腦電波的第三信號(hào)，計(jì)算得到所述待處理腦電序列信號(hào)的特征量。具體地：首先，根據(jù)所述各個(gè)腦電波的第三信號(hào)及待處理腦電序列信號(hào)形成對(duì)應(yīng)的二維圖表。其次，用m*m的網(wǎng)格完整覆蓋在各個(gè)二維圖表上，并統(tǒng)計(jì)覆蓋有信號(hào)的格子數(shù)；其中，m為大于1的整數(shù)，且m的取值由信號(hào)的長(zhǎng)度決定。最后，根據(jù)覆蓋有信號(hào)的格子數(shù)與總格子數(shù)計(jì)算各個(gè)腦電波及待處理腦電序列信號(hào)的相空間分布密度，得到待處理腦電序列信號(hào)的特征量。S1062，基于預(yù)先訓(xùn)練好的支持向量機(jī)對(duì)所述特征量進(jìn)行分類，識(shí)別得到與所述待處理腦電序列信號(hào)對(duì)應(yīng)的腦電放松度。在本發(fā)明實(shí)施例中，在得到待處理腦電序列信號(hào)的特征量后，將其輸入到基于支持向量機(jī)(SupportVectorMachine，SVM)，對(duì)所述特征量進(jìn)行分類，識(shí)別得到與所述待處理腦電序列信號(hào)對(duì)應(yīng)的腦電放松度。具體地，支持向量機(jī)的基本思想是在樣本空間或特征空間中構(gòu)造出最優(yōu)超平面，使得超平面與不同類樣本集之間的距離最大，從而達(dá)到最大的泛化能力，如圖6所示。下面將介紹SVM的原理。首先，針對(duì)給定二分類樣本對(duì){(xi，yi)，xi∈RN，yi＝±1}(以此類推五分類樣本對(duì)為{(xi，yi)，xi∈RN，yi＝1,2,3,4,5})，xi為訓(xùn)練樣本，x為待判決樣本。訓(xùn)練樣本集為線性不可分時(shí)，需引入非負(fù)松馳變量αi，i＝1,2，......，l；分類超平面的優(yōu)化問(wèn)題轉(zhuǎn)化為公式16所示。其中，2/||w||表示分類間隔，使分類間隔最大等價(jià)于使||w||2最小。使||w||2最小的分類就成為最優(yōu)分類面。C為誤差懲罰參數(shù)，是SVM中最重要的可調(diào)參數(shù)之一。其次，選取徑向基(RadialBasisFunctionRBF)核函數(shù)，如公式17所示。其中γ為RBF核函數(shù)的寬度，是SVM中另一個(gè)重要的可調(diào)參數(shù)。Kx,xi＝exp(-γ*||x-xi||2)(17)最后，應(yīng)用核函數(shù)技術(shù)，將輸入空間中的非線性問(wèn)題，通過(guò)函數(shù)映射到高維特征空間中，在高維空間中構(gòu)造線性判別函數(shù)，求解最優(yōu)超平面，使得超平面與不同類樣本集之間的距離最大，從而達(dá)到最大的泛化能力，如圖7所示。在本發(fā)明實(shí)施例中，構(gòu)造好SVM后，就可以進(jìn)行訓(xùn)練了，具體地，將提取得到的特征量作為訓(xùn)練SVM的輸入樣本X，將神念設(shè)備同步采集得到的“放松度”作為金標(biāo)準(zhǔn)，也就是SVM的輸出Y。(X，Y)共同組成SVM的訓(xùn)練樣本對(duì)，進(jìn)行SVM訓(xùn)練。在訓(xùn)練好SVM后，就可以利用該SVM進(jìn)行分類，從而實(shí)現(xiàn)放松度的分類識(shí)別。需要說(shuō)明的是，SVM的分類性能受到諸多因素影響，其中誤差懲罰參數(shù)C和RBF核函數(shù)的寬度γ兩個(gè)因素最為關(guān)鍵。C為誤差懲罰參數(shù)，是SVM中最重要的可調(diào)參數(shù)之一，表示對(duì)錯(cuò)分樣本比例和算法復(fù)雜度折衷，即在確定的特征子空間中調(diào)節(jié)學(xué)習(xí)機(jī)器置信范圍和經(jīng)驗(yàn)風(fēng)險(xiǎn)比例，使學(xué)習(xí)機(jī)器的推廣能力最好。核函數(shù)及參數(shù)的選擇也直接影響到SVM分類好壞。在具體使用時(shí)，可對(duì)這兩個(gè)參數(shù)進(jìn)行參數(shù)尋優(yōu)，如通過(guò)結(jié)合交叉驗(yàn)證法與網(wǎng)格搜索算法、結(jié)合留一法與遺傳算法、結(jié)合交叉驗(yàn)證法與遺傳算法、結(jié)合交叉驗(yàn)證法與粒子群算法進(jìn)行參數(shù)尋優(yōu)，這些技術(shù)方案均在本發(fā)明的保護(hù)范圍之內(nèi)，本發(fā)明在此不做贅述。請(qǐng)參閱圖6，本發(fā)明還提供一種基于自回歸模型和小波變換的腦電放松度識(shí)別系統(tǒng)100，包括：自回歸提取單元10，用于基于構(gòu)建好的自回歸模型對(duì)接收的待處理腦電序列信號(hào)進(jìn)行信號(hào)提取，得到對(duì)應(yīng)于各個(gè)腦電波的第一信號(hào)；小波變換單元20，用于根據(jù)各個(gè)腦電波的頻率范圍，對(duì)接收的待處理腦電序列信號(hào)進(jìn)行小波變換，重構(gòu)得到對(duì)應(yīng)于各個(gè)腦電波的第二信號(hào)；權(quán)重計(jì)算單元30，用于基于對(duì)應(yīng)于各個(gè)腦電波的第一信號(hào)及第二信號(hào)的質(zhì)量指數(shù)，計(jì)算得到與各個(gè)腦電波的第一信號(hào)對(duì)應(yīng)的第一權(quán)重因子及與各個(gè)腦電波的第二信號(hào)對(duì)應(yīng)的第二權(quán)重因子；加權(quán)單元40，用于根據(jù)所述各個(gè)腦電波的第一信號(hào)、第一權(quán)重因子、第二信號(hào)及第二權(quán)重因子，計(jì)算得到對(duì)應(yīng)于各個(gè)腦電波的第三信號(hào)；放松度識(shí)別單元50，用于對(duì)所述各個(gè)腦電波的第三信號(hào)進(jìn)行特征提取，并根據(jù)提取得到的特征量進(jìn)行分類識(shí)別，得到腦電放松度。優(yōu)選地，還包括：降采樣單元，用于對(duì)接收的原始腦電序列信號(hào)進(jìn)行降采樣；加權(quán)移動(dòng)平均計(jì)算單元，用于基于加權(quán)移動(dòng)平均算法對(duì)降采樣后的原始腦電序列信號(hào)的各個(gè)時(shí)刻的腦電信號(hào)進(jìn)行計(jì)算，得到去除低頻直流信息后的待處理腦電序列信號(hào)。本優(yōu)選實(shí)施例中，一方面，通過(guò)降采樣單元進(jìn)行降采樣減少了小波變換所需的時(shí)間，加快了變換的速度，并減輕了數(shù)據(jù)處理量；另一方面，通過(guò)加權(quán)移動(dòng)平均計(jì)算單元對(duì)腦電信號(hào)進(jìn)行去低頻直流信息，避免了這些低頻直流信息與腦電波的頻率發(fā)生重疊而影響提取的效果。優(yōu)選地，還包括：自適應(yīng)濾波單元，用于以待處理腦電序列信號(hào)為原始信號(hào)，以與所述待處理腦電序列信號(hào)同步采集得到的偽跡序列信號(hào)為參考信號(hào)，采用經(jīng)函數(shù)鏈神經(jīng)網(wǎng)絡(luò)優(yōu)化的自適應(yīng)濾波器對(duì)所述原始腦電序列信號(hào)進(jìn)行濾波，得到去除偽跡序列信號(hào)后的待處理腦電序列信號(hào)。優(yōu)選地，所述自回歸提取單元10具體包括：自回歸模型構(gòu)建模塊，用于基于待處理腦電序列信號(hào)構(gòu)建得到自回歸模塊；特征計(jì)算模塊，用于估計(jì)與各個(gè)腦電波對(duì)應(yīng)的自回歸模塊中的加權(quán)參數(shù)，計(jì)算與各個(gè)腦電波對(duì)應(yīng)的系數(shù)矩陣，得到對(duì)應(yīng)的各個(gè)腦電波的特征；自相關(guān)分離模塊，用于根據(jù)各個(gè)腦電波的特征，采用自相關(guān)分離算法，對(duì)待處理腦電序列信號(hào)進(jìn)行抽取，提取得到對(duì)應(yīng)的腦電波的第一信號(hào)。優(yōu)選地，所述小波變換單元20具體包括：頻段分層模塊，用于根據(jù)香農(nóng)-奈奎斯特采樣原理及所述待處理腦電序列信號(hào)的采樣頻率進(jìn)行頻段分層，計(jì)算得到每層的頻率范圍。層數(shù)確定模塊，用于依據(jù)所述頻段分層中每層的頻率范圍及每個(gè)腦電波的頻率范圍，確定與每個(gè)腦電波對(duì)應(yīng)的小波分解和重構(gòu)所需的層數(shù)。信號(hào)分解模塊，用于根據(jù)與每個(gè)腦電波對(duì)應(yīng)的所述小波分解所需的層數(shù)及預(yù)先選擇的母小波進(jìn)行信號(hào)分解，得到與每個(gè)腦電波對(duì)應(yīng)的按頻段劃分的多層波形；重構(gòu)模塊，用于根據(jù)與所述小波重構(gòu)所需的層數(shù)對(duì)應(yīng)的系數(shù)及分解得到的與各個(gè)腦電波對(duì)應(yīng)的所述多層波形，重構(gòu)得到對(duì)應(yīng)于各個(gè)腦電波的第二信號(hào)。優(yōu)選的，所述母小波為coif3小波，且所述coif3小波的中心頻率-帶寬比經(jīng)小波熵自適應(yīng)優(yōu)化。優(yōu)選地，所述加權(quán)單元40具體包括：第一判斷模塊，用于當(dāng)判斷一個(gè)腦電波的第一權(quán)重因子大于預(yù)設(shè)的基準(zhǔn)值且該腦電波的第二權(quán)重因子小于所述基準(zhǔn)值時(shí)，將該腦電波的第三信號(hào)設(shè)置為該腦電波的第一信號(hào)；第二判斷模塊，用于當(dāng)判斷所述腦電波的第二權(quán)重因子小于預(yù)設(shè)的基準(zhǔn)值且所述腦電波的第二權(quán)重因子大于所述基準(zhǔn)值時(shí)，將該腦電波的第三信號(hào)設(shè)置為該腦電波的第二信號(hào)；第三判斷模塊，用于當(dāng)判斷所述腦電波的第一權(quán)重因子及所述第二權(quán)重因子均大于預(yù)設(shè)的基準(zhǔn)值時(shí)，根據(jù)所述第一權(quán)重因子及所述第二權(quán)重因子對(duì)所述第一信號(hào)和第二信號(hào)進(jìn)行加權(quán)求和，計(jì)算得到對(duì)應(yīng)于各個(gè)腦電波的第三信號(hào)。本優(yōu)選實(shí)施例中，如果某個(gè)權(quán)重因子歸一化后小于預(yù)設(shè)的基準(zhǔn)值，則說(shuō)明這個(gè)權(quán)重因子對(duì)應(yīng)的信號(hào)可能信號(hào)質(zhì)量比較差，為了避免影響最終的放松度識(shí)別結(jié)果，直接去掉這個(gè)權(quán)重因子對(duì)應(yīng)的信號(hào)，而采用另一個(gè)信號(hào)作為最終輸出的信號(hào)，這樣，可以保證提取分離的腦電波具有較高的準(zhǔn)確度，保證最終放松度的準(zhǔn)確識(shí)別。優(yōu)選地，所述放松度識(shí)別單元50具體包括：特征量計(jì)算模塊，用于根據(jù)對(duì)應(yīng)于各個(gè)腦電波的第三信號(hào)，計(jì)算得到所述待處理腦電序列信號(hào)的特征量；分類模塊，用于基于預(yù)先訓(xùn)練好的基于支持向量機(jī)對(duì)所述特征量進(jìn)行分類，識(shí)別得到與所述待處理腦電序列信號(hào)對(duì)應(yīng)的腦電放松度。優(yōu)選地，所述特征量計(jì)算模塊具體包括：二維圖表生成子模塊，用于根據(jù)所述各個(gè)腦電波的第三信號(hào)及待處理腦電序列信號(hào)形成對(duì)應(yīng)的二維圖表；格子數(shù)統(tǒng)計(jì)子模塊，用于用m*m的網(wǎng)格完整覆蓋在各個(gè)二維圖表上，并統(tǒng)計(jì)覆蓋有信號(hào)的格子數(shù)；其中，m為大于1的整數(shù)，且m的取值由信號(hào)的長(zhǎng)度決定；特征量生成子模塊，用于根據(jù)覆蓋有信號(hào)的格子數(shù)與總格子數(shù)計(jì)算各個(gè)腦電波及待處理腦電序列信號(hào)的相空間分布密度，得到待處理腦電序列信號(hào)的特征量。以上所揭露的僅為本發(fā)明一種較佳實(shí)施例而已，當(dāng)然不能以此來(lái)限定本發(fā)明之權(quán)利范圍，本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例的全部或部分流程，并依本發(fā)明權(quán)利要求所作的等同變化，仍屬于發(fā)明所涵蓋的范圍。本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分流程，是可以通過(guò)計(jì)算機(jī)程序來(lái)指令相關(guān)的硬件來(lái)完成，所述的程序可存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，可包括如上述各方法的實(shí)施例的流程。其中，所述的存儲(chǔ)介質(zhì)可為磁碟、光盤、只讀存儲(chǔ)記憶體(Read-OnlyMemory，ROM)或隨機(jī)存儲(chǔ)記憶體(RandomAccessMemory，RAM)等。當(dāng)前第1頁(yè)1 2 3