技術(shù)特征：

1.一種基于卡諾模型的腦電信號標(biāo)定方法，其特征在于包括以下步驟：

步驟1：受試者佩戴電極帽后，在受試者面前呈現(xiàn)具有質(zhì)量特性的聽視覺刺激，在刺激呈現(xiàn)期間連續(xù)記錄腦電圖，獲得EEG數(shù)據(jù)；

步驟2：數(shù)據(jù)預(yù)處理：根據(jù)刺激中的質(zhì)量特性對EEG數(shù)據(jù)進(jìn)行分割，用數(shù)字濾波器對EEG數(shù)據(jù)進(jìn)行濾波；

步驟3：特征提?。河嬎忝總€EEG段的非線性樣本熵的數(shù)值；

步驟4：利用卡諾模型對質(zhì)量特性進(jìn)行分類，并根據(jù)質(zhì)量特性的分類結(jié)果對所有EEG段劃分目錄；

步驟5：采用支持向量機(jī)(SVM)算法，以各個不同目錄的樣本熵作為算法輸入進(jìn)行訓(xùn)練得到模型，完成腦電信號的標(biāo)定。

2.根據(jù)權(quán)利要求1所述的一種基于卡諾模型的腦電信號標(biāo)定方法，其特征在于：所述步驟2中根據(jù)刺激中的質(zhì)量特性對EEG數(shù)據(jù)進(jìn)行分割具體是指根據(jù)質(zhì)量特性對應(yīng)的刺激所呈現(xiàn)的時間段對EEG數(shù)據(jù)進(jìn)行時間上的分割，分為各個不同時間段的EEG段。

3.根據(jù)權(quán)利要求1所述的一種基于卡諾模型的腦電信號標(biāo)定方法，其特征在于：所述步驟3具體為：利用卡諾模型對每一質(zhì)量特性的好壞進(jìn)行分類分為不同程度的五類，將同一質(zhì)量特性且同一種類別的EEG段歸為同一目錄中，由此將所有EEG段分為不同的目錄。

4.根據(jù)權(quán)利要求1所述的一種基于卡諾模型的腦電信號標(biāo)定方法，其特征在于：同一目錄的樣本熵為該目錄中的所有EEG段的樣本熵的平均值。

5.根據(jù)權(quán)利要求1所述的一種基于卡諾模型的腦電信號標(biāo)定方法，其特征在于：所述的數(shù)字濾波器采用30Hz的低通數(shù)字濾波器。

6.根據(jù)權(quán)利要求1所述的一種基于卡諾模型的腦電信號標(biāo)定方法，其特征在于：所述步驟3具體為：

3.1)采用以下公式將EEG片段的相鄰各個采樣點按時間順序組成時間序列，作為m維幅值向量：

X_m(i)＝[x(i),x(i+1),...,x(i+m-1)],1≤i≤N-m+1

其中，m為模式維數(shù)，一般取值為2，N表示所獲得的EEG片段的采樣點總數(shù)，i為采樣點的序數(shù)，x(i)表示第i個采樣點的信號幅值大小，X_m(i)表示第i個采樣點下m維的幅值向量；

采用以下公式計算得到X_m(i)和X_m(j)之間的距離d[X_m(i),X_m(j)]：

d[X_m(i),X_m(j)]＝max|x(i+k)-x(j+k)|1≤k≤m-1；1≤i,j≤N-m+1,i≠j

其中，j為采樣點的序數(shù)，X_m(j)表示第j個采樣點下m維的幅值向量；

3.2)對于每個采樣點i(1≤i≤N-m)，當(dāng)滿足條件d[X_m(i),X_m(j)]<r時進(jìn)行計數(shù)，r表示容差距離，r>0，并表示為num{d[X_m(i),X_m(j)]}，1≤j≤N-m,i≠j；

然后采用以下公式計算得到距離的平均數(shù)：

$B_i^m\left(r\right)=\frac{1}{N-m-1}num\{d\&lsqb;X_m\left(i\right),X_m\left(j\right)\&rsqb;\}$

$B^m\left(r\right)=\frac{1}{N-m}\underset{i=1}{\overset{N-m}{\&Sigma;}}{B}_i^m\left(r\right)$

其中，num{d[X_m(i),X_m(j)]}表示幅值向量X_m(j)和幅值向量X_m(i)之間的采樣點數(shù)量，表示第i個采樣點下m維的幅值向量之間距離的平均數(shù)，B^m(r)表示m維時所有各個采樣點對應(yīng)的幅值向量之間距離的平均數(shù)，

3.3)對于維度m+1，重復(fù)上述步驟3.2)和3.2)，獲得m+1維時所有各個采樣點對應(yīng)的幅值向量之間距離的平均數(shù)B^m+1(r)：

$B^{m+1}\left(r\right)=\frac{1}{N-m}\underset{i=1}{\overset{N-m}{\&Sigma;}}{B}_i^{m+1}\left(r\right)$

3.4)采用以下公式計算樣本熵：

$SampEn(m,r)=\underset{x\&RightArrow;\mathrm{\&infin;}}{lim}\{-ln\&lsqb;B^{m+1}\left(r\right)/B^m\left(r\right)\&rsqb;\}$

其中，B^m(r)表示m維時所有各個采樣點對應(yīng)的幅值向量之間距離的平均數(shù)，B^m+1(r)表示m+1維時所有各個采樣點對應(yīng)的幅值向量之間距離的平均數(shù)。