亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

一種基于神經(jīng)網(wǎng)絡(luò)模型的腦電放松度識(shí)別方法及裝置與流程

文檔序號(hào):11673373閱讀:458來(lái)源:國(guó)知局
一種基于神經(jīng)網(wǎng)絡(luò)模型的腦電放松度識(shí)別方法及裝置與流程

本發(fā)明涉及放松治療領(lǐng)域,尤其涉及一種基于神經(jīng)網(wǎng)絡(luò)模型的腦電放松度識(shí)別方法及裝置。



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。

現(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),再提取各個(gè)腦電波的特征,將這些特征輸入到分類器進(jìn)行分類識(shí)別。

現(xiàn)有的分類識(shí)別方法中,多采用單一的分類器對(duì)特征進(jìn)行簡(jiǎn)單的二分類,這導(dǎo)致腦電放松度的識(shí)別穩(wěn)定性不高,例如,容易受到外界環(huán)境的干擾或用戶的生理波動(dòng)的影響;而且,二分類無(wú)法實(shí)現(xiàn)放松度的更細(xì)致的分類,進(jìn)而不能提供最有效的生物反饋指導(dǎo)。



技術(shù)實(shí)現(xiàn)要素:

針對(duì)上述問題,本發(fā)明的目的在于提供一種基于神經(jīng)網(wǎng)絡(luò)模型的腦電放松度識(shí)別方法及裝置,可提高對(duì)腦電放松度識(shí)別的穩(wěn)定性和準(zhǔn)確率。

本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)模型的腦電放松度識(shí)別方法,包括如下步驟:

從接收到的腦電切片信號(hào)中提取出對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波;

計(jì)算對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波的特征量;

將計(jì)算得到的所述特征量輸入到至少兩個(gè)由不同學(xué)習(xí)算法訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型,得到所述腦電切片信號(hào)在各個(gè)神經(jīng)網(wǎng)絡(luò)模型下的分類值;

根據(jù)所述腦電切片信號(hào)在各個(gè)神經(jīng)網(wǎng)絡(luò)模型下的分類值獲得所述腦電切片信號(hào)的最終分類值;

根據(jù)所述最終分類值識(shí)別得到所述腦電切片信號(hào)的腦電放松度。

優(yōu)選地,所述學(xué)習(xí)算法包括:levenberg-marquart算法、標(biāo)準(zhǔn)bp算法、增加動(dòng)量項(xiàng)的bp算法、改進(jìn)的ga-bp算法;且神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)時(shí)使用的訓(xùn)練樣本對(duì)由計(jì)算得到的所述特征量和標(biāo)準(zhǔn)設(shè)備同步采集得到的腦電放松度構(gòu)成。

優(yōu)選地,所述對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波的特征量至少包括以下其中之一:對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波在時(shí)域空間的特征量、對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波在相空間的特征量、對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波在頻域空間的特征量。

優(yōu)選地,在所述計(jì)算對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波的特征量之后,在所述將計(jì)算得到的所述特征量輸入到至少兩個(gè)由不同學(xué)習(xí)算法訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型,得到所述腦電切片信號(hào)在各個(gè)神經(jīng)網(wǎng)絡(luò)模型下的分類值之前,還包括:

基于主成分分析法對(duì)所述特征量進(jìn)行降維處理。

優(yōu)選地,所述基于主成分分析法對(duì)所述特征量進(jìn)行降維處理具體包括:

將所述特征量設(shè)置為輸入樣本空間中的特征量,并對(duì)所述輸入樣本空間進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理;

根據(jù)數(shù)據(jù)標(biāo)準(zhǔn)化處理后的所述輸入樣本空間得到協(xié)方差矩陣;

計(jì)算所述協(xié)方差矩陣的特征根和與每個(gè)特征根對(duì)應(yīng)的特征向量;其中,所述特征根的數(shù)量為p個(gè),且所述的p個(gè)特征根按照大小排序;

獲取所述的p個(gè)特征根中,貢獻(xiàn)率之和大于預(yù)定閾值的前m個(gè)特征根;其中,每個(gè)特征根的貢獻(xiàn)率等于所述特征根的值除以全部的p個(gè)特征根的值之和;

根據(jù)與所述的前m個(gè)特征根對(duì)應(yīng)的特征向量及所述輸入樣本空間,得到主成分得分矩陣;其中,所述主成分得分矩陣中的特征量為所述降維后的特征量。

優(yōu)選地,所述根據(jù)所述腦電切片信號(hào)在各個(gè)神經(jīng)網(wǎng)絡(luò)模型下的分類值獲得所述腦電切片信號(hào)的最終分類值具體為:

統(tǒng)計(jì)所述腦電切片信號(hào)在各個(gè)神經(jīng)網(wǎng)絡(luò)模型下的分類值的出現(xiàn)頻率,并將出現(xiàn)頻率最高的分類值設(shè)定為最終分類值。

本發(fā)明還提供了一種基于神經(jīng)網(wǎng)絡(luò)模型的腦電放松度識(shí)別裝置,其特征在于,包括:

信號(hào)提取單元,用于從接收到的腦電切片信號(hào)中提取出對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波;

特征量提取單元,用于計(jì)算對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波的特征量;

分類單元,用于將計(jì)算得到的所述特征量輸入到至少兩個(gè)由不同學(xué)習(xí)算法訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型,得到所述腦電切片信號(hào)在各個(gè)神經(jīng)網(wǎng)絡(luò)模型下的分類值;

最終分類值計(jì)算單元,用于根據(jù)所述腦電切片信號(hào)在各個(gè)神經(jīng)網(wǎng)絡(luò)模型下的分類值獲得所述腦電切片信號(hào)的最終分類值;

腦電放松度識(shí)別單元,用于根據(jù)所述最終分類值識(shí)別得到所述腦電切片信號(hào)的腦電放松度。

優(yōu)選地,所述學(xué)習(xí)算法包括:levenberg-marquart算法、標(biāo)準(zhǔn)bp算法、增加動(dòng)量項(xiàng)的bp算法、改進(jìn)的ga-bp算法;且神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)時(shí)使用的訓(xùn)練樣本對(duì)由計(jì)算得到的所述特征量和標(biāo)準(zhǔn)設(shè)備同步采集得到的腦電放松度構(gòu)成。

優(yōu)選地,還包括:

特征降維單元,用于基于主成分分析法對(duì)所述特征量進(jìn)行降維處理。

優(yōu)選地,所述腦電放松度識(shí)別單元具體用于,統(tǒng)計(jì)所述腦電切片信號(hào)在各個(gè)神經(jīng)網(wǎng)絡(luò)模型下的分類值的出現(xiàn)頻率,并將出現(xiàn)頻率最高的分類值設(shè)定為最終分類值。

本發(fā)明提供的基于神經(jīng)網(wǎng)絡(luò)模型的腦電放松度識(shí)別方法及裝置,通過從腦電切片信號(hào)中提取特征量,并由不同學(xué)習(xí)算法得到的神經(jīng)網(wǎng)絡(luò)模型作為分類器對(duì)這些特征量進(jìn)行識(shí)別,根據(jù)各個(gè)神經(jīng)網(wǎng)絡(luò)模型下識(shí)別得到的分類值獲得所述腦電切片信號(hào)的最終分類值,從而識(shí)別得到所述腦電切片信號(hào)的腦電放松度。本發(fā)明實(shí)施例相對(duì)于由單一分類器識(shí)別得到的腦電放松度,穩(wěn)定性更高,避免因外界環(huán)境的干擾或用戶的生理波動(dòng)對(duì)腦電放松度的識(shí)別結(jié)果,為生物反饋指導(dǎo)反饋治療提供更準(zhǔn)確的依據(jù)。

附圖說明

為了更清楚地說明本發(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)施例提供的基于神經(jīng)網(wǎng)絡(luò)模型的腦電放松度識(shí)別方法的流程示意圖。

圖2是本發(fā)明實(shí)施例提供的神經(jīng)網(wǎng)絡(luò)模型的示意圖。

圖3是通過切片得到腦電序列信號(hào)的示意圖。

圖4是本發(fā)明實(shí)施例提供的對(duì)原始腦電信號(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是對(duì)腦電序列信號(hào)進(jìn)行切片得到腦電切片信號(hào)的示意圖。

圖7是本發(fā)明實(shí)施例提供的基于神經(jīng)網(wǎng)絡(luò)模型的腦電放松度識(shí)別裝置的結(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神經(jīng)網(wǎng)絡(luò)模型的腦電放松度識(shí)別方法,其可包括如下步驟:

s101,從接收到的腦電切片信號(hào)中提取出對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波。

在本發(fā)明實(shí)施例中,所述的各個(gè)腦電波可包括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。

其中,delta波:深度睡眠腦波狀態(tài)。

當(dāng)人的大腦頻率處于delta波時(shí),為深度睡眠、無(wú)意識(shí)狀態(tài)。人的睡眠品質(zhì)好壞與delta波有非常直接的關(guān)系。delta波睡眠是一種很深沉的睡眠狀態(tài),如果在輾轉(zhuǎn)難眠時(shí)自己召喚出近似delta波狀態(tài),就能很快地?cái)[脫失眠而進(jìn)入深沉睡眠。

theta波:深度放松、無(wú)壓力的潛意識(shí)狀態(tài)。

當(dāng)人的大腦頻率處于theta波時(shí),人的意識(shí)中斷,身體深沉放松,對(duì)于外界的信息呈現(xiàn)高度的受暗示狀態(tài),即被催眠狀態(tài)。theta波對(duì)于觸發(fā)深沉記憶、強(qiáng)化長(zhǎng)期記憶等幫助極大,所以theta波被稱為"通往記憶與學(xué)習(xí)的閘門"。

alpha波:學(xué)習(xí)與思考的最佳腦波狀態(tài)。

當(dāng)人的大腦頻率處于alpha波時(shí),人的意識(shí)清醒,但身體卻是放松的,它提供意識(shí)與潛意識(shí)的“橋梁”。在這種狀態(tài)下,身心能量耗費(fèi)最少,相對(duì)的腦部獲得的能量較高,運(yùn)作就會(huì)更加快速、順暢、敏銳。alpha波被認(rèn)為是人們學(xué)習(xí)與思考的最佳腦波狀態(tài)。

beta波:緊張、壓力、腦疲勞時(shí)的腦波狀態(tài)。

人們清醒時(shí),大部分時(shí)間大腦頻率處于beta波狀態(tài)。隨著beta波的增加,身體逐漸呈緊張狀態(tài),因而削減了體內(nèi)免疫系統(tǒng)能力,此時(shí)人的能量消耗加劇,容易疲倦,若不充分休息,容易堆積壓力。適當(dāng)?shù)腷eta波對(duì)注意力提升以及認(rèn)知行為的發(fā)展有積極作用。

在本發(fā)明實(shí)施例中,當(dāng)人的大腦處于不同的放松度時(shí),各個(gè)腦電波具有不同的比重或者幅度,因此可通過對(duì)所述腦電切片信號(hào)中的各個(gè)腦電波進(jìn)行分離,再依次分析(即提取特征量)來(lái)獲得人的大腦當(dāng)前所處的腦電放松度。

在本發(fā)明實(shí)施例中,在獲得所述腦電切片信號(hào)后,可根據(jù)每個(gè)腦電波的頻率范圍通過濾波(如卡爾曼濾波)、小波變換或者自回歸模型等提取算法從所述腦電切片信號(hào)中提取出對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波。其中,提取時(shí)可僅用一個(gè)算法提取得到對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波,也可同時(shí)通過多個(gè)算法進(jìn)行提取,再對(duì)不同算法提取得到的結(jié)果進(jìn)行加權(quán)求和,得到最終的信號(hào)波。利用多個(gè)提取算法進(jìn)行信號(hào)波的提取,可避免單一算法提取出現(xiàn)的誤差偏大或穩(wěn)定性不高的問題。

s102,計(jì)算對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波的特征量。

在本發(fā)明實(shí)施例中,所述對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波的特征量至少包括以下其中之一:對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波在時(shí)域空間的特征量、對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波在相空間的特征量、對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波在頻域空間的特征量。

其中,對(duì)于信號(hào)波在時(shí)域空間的特征量可采用如下方法計(jì)算得到:

在一個(gè)實(shí)現(xiàn)方式中,可通過等電位線變化率算法提取各個(gè)信號(hào)波的等電位線能量變化率和等電位線能量密度變化率,從而獲得各個(gè)信號(hào)波在時(shí)域空間的特征量。

具體地:

首先,計(jì)算各個(gè)信號(hào)波的能量參數(shù),并基于各個(gè)信號(hào)波的能量的最大值及每個(gè)腦電波的等電位線能量參數(shù)變化率比率,計(jì)算得到每個(gè)信號(hào)波的等電位線能量參數(shù)變化率基線。

在本發(fā)明實(shí)施例中,所述能量參數(shù)至少包括其中之一:能量、能量密度。以所述能量參數(shù)為能量為例:

1、對(duì)于一個(gè)信號(hào)波a(t),其能量及能量密度的計(jì)算公式如下:

在本發(fā)明實(shí)施例中,等電位線能量變化率比率xlepsrate可通過大量數(shù)據(jù)參數(shù)自學(xué)習(xí)得到(如通過大量學(xué)習(xí)各個(gè)腦電波的能量變化率基線與能量最大值的比值,求得一個(gè)平均的比值作為等電位線能量變化率比率xlepsrate),且針對(duì)delta、theta、alpha、beta、gamma波的等電位線能量變化率比率xlepsrate值都不一樣。

2、計(jì)算等電位線能量變化率基線xleps。

xleps=max(p)*xlepsrate(3)

其中,max(p)為每個(gè)信號(hào)波的能量的最大值。

然后,基于最小二乘法計(jì)算每個(gè)信號(hào)波在各個(gè)時(shí)刻的能量參數(shù)變化率。

具體地:

1、構(gòu)造關(guān)于能量的函數(shù)表達(dá)式p(t)=at+b;其中,a為能量參數(shù)變化率,b為截距,t為時(shí)刻。

2、計(jì)算使得所述函數(shù)表達(dá)式的殘差平方和最小時(shí)的能量變化率,獲得每個(gè)時(shí)刻的能量變化率。

在本發(fā)明實(shí)施例中,要想利用最小二乘算法求得所述函數(shù)表達(dá)式的參數(shù)a,b,就要使殘差平方和最小,具體的求解參數(shù)a,b的過程如公式4至公式6所示:

其次,統(tǒng)計(jì)所述每個(gè)信號(hào)波的能量參數(shù)變化率小于所述等電位線能量參數(shù)變化率基線的個(gè)數(shù)。

即統(tǒng)計(jì)a<xleps的個(gè)數(shù)xlcount。

最后,根據(jù)統(tǒng)計(jì)得到的對(duì)應(yīng)于每個(gè)信號(hào)波的個(gè)數(shù)與對(duì)應(yīng)的信號(hào)波的總采樣點(diǎn)數(shù)的比值,獲取所述腦電切片信號(hào)在時(shí)域空間的特征量。

在本發(fā)明實(shí)施例中,將統(tǒng)計(jì)得到的個(gè)數(shù)xlcount除以對(duì)應(yīng)的信號(hào)波的總采樣點(diǎn)數(shù)(或全部采樣時(shí)刻),得到比值xlcountp,即得到各個(gè)信號(hào)波的等電位線能量變化率特征。

在本發(fā)明實(shí)施例中,根據(jù)上述方法分別計(jì)算得到每個(gè)信號(hào)波(delta、theta、alpha、beta、gamma波)的等電位線能量變化率xlcountp1~xlcountp5,此后,再按照同樣的方法計(jì)算每個(gè)腦電波(delta、theta、alpha、beta、gamma波)的等電位線能量密度變化率xlcounts1~xlcounts5,就獲取得到腦電切片信號(hào)在時(shí)域空間的特征量。

需要說明的是,還可同時(shí)計(jì)算所述腦電切片信號(hào)的等電位線能量變化率和等電位線能量密度變化率,并將這兩個(gè)變化率也作為腦電切片信號(hào)在時(shí)域空間的特征量,其具體計(jì)算方法跟計(jì)算各個(gè)信號(hào)波的等電位線能量變化率和等電位線能量密度變化率基本一致,在此不做贅述。

在一個(gè)實(shí)現(xiàn)方式中,可通過柵條投影變異度算法提取各個(gè)信號(hào)波的柵條投影變異度來(lái)獲取各個(gè)信號(hào)波在時(shí)域空間的特征量。

具體地:

首先,將各個(gè)信號(hào)波按相同時(shí)間間隔分為至少兩個(gè)切片。

其中,每個(gè)切片就是一個(gè)柵條,時(shí)間間隔就是柵條寬度。

其次,計(jì)算每一信號(hào)波(delta、theta、alpha、beta、gamma波)在每個(gè)柵條內(nèi)的覆蓋范圍,即在柵條y軸上的投影shadow。

然后,統(tǒng)計(jì)所有投影shadow的最大值最小值,在最大值和最小值之間,劃分為若干個(gè)等長(zhǎng)度的區(qū)間histnum。

例如,最大值為a,最小值為b,需要?jiǎng)澐譃閚個(gè)區(qū)間,則每個(gè)區(qū)間的長(zhǎng)度為(a-b)/n。

最后,如公式7,8所示統(tǒng)計(jì)落在各區(qū)間histnum中投影的數(shù)量shadow_hist,計(jì)算各區(qū)間投影的數(shù)量shadow_hist的標(biāo)準(zhǔn)差shadow_stdhist,即得到需要的柵條投影變異度。

在本發(fā)明實(shí)施例中,分別計(jì)算得到每個(gè)信號(hào)波(delta、theta、alpha、beta、gamma波)的柵條投影變異度shadow_stdhistp1~shadow_stdhistp5,并可按照同樣的方法可以計(jì)算腦電切片信號(hào)的柵條投影變異度shadow_stdhisteeg,即得到了腦電切片信號(hào)在時(shí)域空間的特征量。其中,柵條投影變異度體現(xiàn)了波形的分散離散程度。

需要說明的是,在本發(fā)明實(shí)施例中,在獲得各個(gè)信號(hào)波的時(shí)域特征時(shí),可僅用上述的一種算法計(jì)算得到的時(shí)域特征,也可同時(shí)采用多種算法同時(shí)得到的時(shí)域特征,本發(fā)明不做具體限定。此外,還有其他計(jì)算各個(gè)信號(hào)波的時(shí)域特征,如計(jì)算各個(gè)信號(hào)波的能量變化率、能量密度變化率、等電位線能量變化率、等電位線能量密度變化率、等電位線時(shí)長(zhǎng)、幅度概率密度等,這些時(shí)域特征及其任意組合都在本發(fā)明的保護(hù)范圍之內(nèi),在此不做贅述。

在本發(fā)明實(shí)施例中,對(duì)于信號(hào)波在相空間的特征量可采用如下方法計(jì)算得到:

首先,根據(jù)所述各個(gè)腦電波的信號(hào)波及腦電切片信號(hào)形成對(duì)應(yīng)的包含有信號(hào)的二維圖表。

其中,二維圖表的橫坐標(biāo)為時(shí)間,縱坐標(biāo)為信號(hào)的幅值。

然后,用與二維圖表等大小的m*m的網(wǎng)格對(duì)應(yīng)覆蓋在各個(gè)二維圖表上,并統(tǒng)計(jì)覆蓋有信號(hào)的網(wǎng)格數(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)的網(wǎng)格數(shù)與所述網(wǎng)格的全部網(wǎng)格數(shù),計(jì)算各個(gè)信號(hào)波及腦電切片信號(hào)的相空間分布密度,獲得腦電切片信號(hào)在相空間的特征量。

即,相空間分布密度=md/m2。其中,md為覆蓋有信號(hào)的網(wǎng)格數(shù)。

在本發(fā)明實(shí)施例中,在得到各個(gè)信號(hào)波及所述腦電切片信號(hào)的相空間分布密度后,就得到了所述腦電切片信號(hào)在相空間的特征量。

在本發(fā)明實(shí)施例中,對(duì)于信號(hào)波在頻域空間的特征量可采用如下方法計(jì)算得到:

在一個(gè)實(shí)現(xiàn)方式中,可通過能量密度比率算法提取各個(gè)腦電波的信號(hào)波的頻域特征,獲得所述腦電切片信號(hào)在頻域空間的特征量。

具體地:

首先,計(jì)算與各個(gè)腦電波對(duì)應(yīng)的信號(hào)波的能量。

其中,各個(gè)信號(hào)波的能量函數(shù)公式如下:

ω=2πf(10)

然后,根據(jù)各個(gè)腦電波的頻率范圍及對(duì)應(yīng)的信號(hào)波的能量,計(jì)算任意兩個(gè)信號(hào)波之間的能量比率,獲得所述腦電切片信號(hào)在頻域空間的特征量。

以計(jì)算alpha和delta的能量比率為例,如公式11所示。

在本發(fā)明實(shí)施例中,以此類推,通過計(jì)算兩兩信號(hào)波之間的能量比率,就獲得所述腦電切片信號(hào)在頻域空間的特征量。

在一個(gè)實(shí)現(xiàn)方式中,可通過中心頻率算法提取各個(gè)信號(hào)波的中心頻率,得到所述腦電切片信號(hào)在頻域空間的特征量。

具體地:

首先,計(jì)算與各個(gè)腦電波對(duì)應(yīng)的信號(hào)波的能量。

然后,根據(jù)各個(gè)信號(hào)波的能量及各個(gè)腦電波的頻率范圍,計(jì)算各個(gè)信號(hào)波的中心頻率,獲得所述腦電切片信號(hào)在頻域空間的特征量。

如公式12所示,中心頻率fc:

其中,fh為與信號(hào)波對(duì)應(yīng)的腦電波的上限頻率,fl為對(duì)應(yīng)的腦電波的下限頻率,例如delta波的上限頻率為3hz,下限頻率為0.5hz。

在本發(fā)明實(shí)施例中,依次計(jì)算各個(gè)信號(hào)波的中心頻率,就得到所述腦電切片信號(hào)在頻域空間的特征量。

s103,將計(jì)算得到的所述特征量輸入到至少兩個(gè)由不同學(xué)習(xí)算法訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型,得到所述腦電切片信號(hào)在各個(gè)神經(jīng)網(wǎng)絡(luò)模型下的分類值。

s104,根據(jù)所述腦電切片信號(hào)在各個(gè)神經(jīng)網(wǎng)絡(luò)模型下的分類值獲得所述腦電切片信號(hào)的最終分類值。

s105,根據(jù)所述最終分類值識(shí)別得到所述腦電切片信號(hào)的腦電放松度。

在本發(fā)明實(shí)施例中,首先需要先構(gòu)造神經(jīng)網(wǎng)絡(luò)模型。具體地,如圖2所示,一個(gè)神經(jīng)網(wǎng)絡(luò)模型一般包括輸入層、隱含層及輸出層,因此構(gòu)造的步驟可包括神經(jīng)網(wǎng)絡(luò)選取、隱含層數(shù)和隱含層節(jié)點(diǎn)數(shù)選擇、輸入輸出層的節(jié)點(diǎn)數(shù)確定。

(1)隱層數(shù)選擇。單隱層前饋網(wǎng)絡(luò)能夠處理大部分非線性問題。只有在隱層節(jié)點(diǎn)數(shù)過多,但仍無(wú)法滿足收斂精度要求時(shí),采用雙隱層,后者能處理所有非線性問題,但網(wǎng)絡(luò)訓(xùn)練速度有所下降,收斂時(shí)間長(zhǎng),故選用一個(gè)隱含層。

(2)隱含層節(jié)點(diǎn)數(shù)選擇??刹捎迷嚋惙ㄟM(jìn)行隱含層節(jié)點(diǎn)數(shù)(一下簡(jiǎn)稱隱節(jié)點(diǎn)數(shù))的確定。用同一樣本集來(lái)訓(xùn)練,先將隱節(jié)點(diǎn)數(shù)目設(shè)置在inum/2+1附近,逐漸增加隱節(jié)點(diǎn)數(shù)至2*inum+1,并繼續(xù)增加直至不收斂,通過分析誤差性能曲線來(lái)確定最合適的隱節(jié)點(diǎn)數(shù),其中inum是輸入層節(jié)點(diǎn)數(shù)目,即輸入的特征量的維數(shù)。

(3)輸入層節(jié)點(diǎn)數(shù)為特征樣本的維數(shù),即有幾個(gè)特征量就有幾個(gè)輸入節(jié)點(diǎn)。輸出層只有一個(gè)節(jié)點(diǎn),就是腦電放松度。

在本發(fā)明實(shí)施例中,在構(gòu)造完所述神經(jīng)網(wǎng)絡(luò)后,需要進(jìn)行訓(xùn)練來(lái)實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)中各個(gè)隱含層節(jié)點(diǎn)的權(quán)值的調(diào)整。其中,在訓(xùn)練時(shí),將提取得到的腦電切片信號(hào)的特征量(訓(xùn)練階段提取)作為訓(xùn)練神經(jīng)網(wǎng)絡(luò)的輸入樣本x,將標(biāo)準(zhǔn)設(shè)備(如神念設(shè)備)同步采集得到的“腦電放松度”作為金標(biāo)準(zhǔn),即神經(jīng)網(wǎng)絡(luò)的輸出y。然后根據(jù)輸入樣本x、輸出y和學(xué)習(xí)算法對(duì)各個(gè)節(jié)點(diǎn)的權(quán)值進(jìn)行調(diào)整。

在本發(fā)明實(shí)施例中,例如,可采用levenberg-marquart算法作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法,進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練,實(shí)現(xiàn)權(quán)值的調(diào)整。levenberg-marquart算法借助于jacobian矩陣,如公式13所示;矩陣的梯度表示如公式14所示,其中,h表示雅克比矩陣,e表示誤差。因此權(quán)值調(diào)整如公式15所示。q表示訓(xùn)練樣本數(shù),n是全部權(quán)值閾值的個(gè)數(shù)之和。levenberg-marquart算法的優(yōu)勢(shì)主要是權(quán)值較少時(shí)收斂速度快。

h=j(luò)tj(13)

g=j(luò)te(14)

w(k+1)=w(k)-[jtj+μi]-1je(15)

此外,在本發(fā)明實(shí)施例中,還可采用標(biāo)準(zhǔn)bp算法、增加動(dòng)量項(xiàng)的bp算法、改進(jìn)的ga-bp算法等學(xué)習(xí)算法進(jìn)行訓(xùn)練得到。

對(duì)于標(biāo)準(zhǔn)bp算法,其權(quán)值調(diào)整的計(jì)算公式如公式16所示:

對(duì)于增加動(dòng)量項(xiàng)的bp算法,其在標(biāo)準(zhǔn)bp算法的基礎(chǔ)上,考慮用動(dòng)量因子η來(lái)進(jìn)行算法的調(diào)整(參見公式17、18),其中η∈(0,1):

w(k+1)=w(k)+δw(k+1)(18)

式中:α表示網(wǎng)絡(luò)的學(xué)習(xí)率;表示第k次反向傳遞的誤差偏微分;w(k)表示第k次反向傳遞的閾值或權(quán)值;e(k)表示第k次反向傳遞的誤差總和,隨設(shè)定的誤差性能函數(shù)而定。算法中下一次的權(quán)值調(diào)整幅度取決于上一次的調(diào)整效果,調(diào)整量一般沿同一偏微分方向減少或增加。當(dāng)上一次的調(diào)整幅度太大時(shí),則前后兩式反號(hào);當(dāng)上一次調(diào)整量較小時(shí),前后兩式符號(hào)相同。動(dòng)量bp算法較標(biāo)準(zhǔn)bp算法收斂效果好,收斂時(shí)間短,預(yù)測(cè)效果更好。

對(duì)于改進(jìn)的ga-bp算法,其權(quán)值調(diào)整的計(jì)算公式如公式19所示,其中α為自適應(yīng)學(xué)習(xí)率,g(k-1)為當(dāng)前誤差函數(shù)對(duì)權(quán)值的梯度,η為動(dòng)量因子,k為迭代的次數(shù)。bp網(wǎng)絡(luò)的權(quán)值和閾值通過隨機(jī)函數(shù)來(lái)初始化。

δw(k+1)=-αg(k-1)+ηδw(k)(19)

優(yōu)選地,在步驟s101之前,還包括:

s01,對(duì)接收的用戶的原始腦電信號(hào)進(jìn)行切片,獲得時(shí)間長(zhǎng)度為30秒的腦電序列信號(hào),并基于加權(quán)移動(dòng)平均算法對(duì)所述腦電序列信號(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腦電序列信號(hào)。

如圖3所示,在本發(fā)明實(shí)施例中,所述腦電切片信號(hào)可通過對(duì)原始腦電信號(hào)進(jìn)行切片獲得。其中,所述原始腦電信號(hào)可通過腦電電極采集獲得。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,每個(gè)切片的片段為30秒,即每段所述腦電切片信號(hào)的長(zhǎng)度為30秒。

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,例如,通過預(yù)處理去除腦電切片信號(hào)中的低頻直流信息,以避免這些低頻直流信息對(duì)腦電波提取的干擾。

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,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,得到所述腦電切片信號(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,生成腦電切片信號(hào)。

s02,以所述腦電序列信號(hào)為原始信號(hào),以與所述腦電序列信號(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)后的腦電序列信號(hào)。

在本優(yōu)選實(shí)施例中,考慮到腦電切片信號(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)(即所述腦電序列信號(hào))和參考信號(hào)(與所述腦電序列信號(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20所示。flnn的基函數(shù)t如公式21所示,網(wǎng)絡(luò)輸出如公式22所示,通過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。

s03,對(duì)所述腦電序列信號(hào)再次進(jìn)行切片,獲得時(shí)間長(zhǎng)度為6秒的腦電切片信號(hào)。

如圖6所示,在進(jìn)行上述的預(yù)處理后,還需要對(duì)30s的腦電序列信號(hào)再次進(jìn)行切片操作,切片的移動(dòng)窗口為6s,這是國(guó)際上通用的切片長(zhǎng)度,能夠更好地分析信號(hào)。

優(yōu)選地,由于計(jì)算得到的特征量維度較多,且含有線性相關(guān)的輸入項(xiàng),因此考慮進(jìn)行特征選擇和降維來(lái)降低識(shí)別所需的計(jì)算量。

具體地,在步驟s102之后,在步驟s103之前,還包括:

s1021,基于主成分分析法對(duì)所述特征量進(jìn)行降維處理。

首先,將所述特征量設(shè)置為輸入樣本空間中的特征量,并對(duì)所述輸入樣本空間進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理。

具體地,將所述特征量設(shè)置為輸入樣本空間x中的元素。對(duì)該樣本空間x進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理具體為:

其中:

其中,xi'j是標(biāo)準(zhǔn)化后的新數(shù)據(jù);mj、sj分別表示原始數(shù)據(jù)某一列的算術(shù)平均值和標(biāo)準(zhǔn)(偏)差。

然后,根據(jù)數(shù)據(jù)標(biāo)準(zhǔn)化處理后的所述輸入樣本空間得到協(xié)方差矩陣。

其中,協(xié)方差矩陣d=xtx,即:

其中:

其次,計(jì)算所述協(xié)方差矩陣的特征根和與每個(gè)特征根對(duì)應(yīng)的特征向量;其中,所述特征根的數(shù)量為p個(gè),且所述的p個(gè)特征根按照大小排序。

其中,dp=pλ(28)

當(dāng)只考慮第j個(gè)特征值時(shí),有dpj=pjλj,即求解|d-λji|=0。依次解出各個(gè)λ,并使其按大小順序排列,即λ1≥λ2≥…,≥λp≥0;然后可求出各特征值對(duì)應(yīng)的特征向量p,進(jìn)而特征方程求解完成。

再次,獲取所述的p個(gè)特征根中,貢獻(xiàn)率之和大于預(yù)定閾值的前m個(gè)特征根。

其中,每個(gè)特征根的貢獻(xiàn)率等于所述特征根的值除以全部的p個(gè)特征根的值之和。

具體計(jì)算時(shí),依次計(jì)算單個(gè)主成分的貢獻(xiàn)率并進(jìn)行累計(jì),根據(jù)累計(jì)貢獻(xiàn)率確定主成分的個(gè)數(shù)m,從而確定所需要選取的主成分。貢獻(xiàn)率的計(jì)算公式如公式29所述。累計(jì)貢獻(xiàn)率即前m個(gè)貢獻(xiàn)率的累積和,如公式30所示。所述閾值dmax一般取在85%~95%之間。根據(jù)上一步驟中的特征根排序可知,λ1≥λ2≥…,≥λp≥0,從前往后(也是從大到小)依次對(duì)特征根進(jìn)行累加,當(dāng)累計(jì)貢獻(xiàn)率大于dmax時(shí),停止計(jì)算,此時(shí)累計(jì)計(jì)算的特征根λ的數(shù)目為m,則只需要選取前m個(gè)主成分即可。

最后,根據(jù)與所述的前m個(gè)特征根對(duì)應(yīng)的特征向量及所述輸入樣本空間,得到主成分得分矩陣。

其中,所述主成分得分矩陣

其中,該主成分得分矩陣t中的各個(gè)元素即為經(jīng)過降維后的特征量。

需要說明的是,在本發(fā)明實(shí)施例中,還可計(jì)算主成分的載荷,其中,所述主成分載荷主要反映主成分得分與原變量xj的關(guān)聯(lián)程度,計(jì)算公式為:得到各主成分的載荷以后,就可以知道選取的每一個(gè)主成分分別對(duì)應(yīng)的原始特征,如有需要,可以根據(jù)原始特征的量綱轉(zhuǎn)換回去。

在本發(fā)明實(shí)施例中,在采用主成分分析法篩選出所獲得的腦電切片信號(hào)的特征量中較為重要且線性不相關(guān)的特征量后,即可得到降維后的腦電切片信號(hào)的特征量,由于經(jīng)過降維減少了特征量的數(shù)目,因此降低了進(jìn)行識(shí)別分類所需的計(jì)算量,加快了識(shí)別的速度,而且由于去除了比較不重要的特征量,也增加了分類的準(zhǔn)確度。

請(qǐng)參閱圖7,本發(fā)明還提供一種基于神經(jīng)網(wǎng)絡(luò)模型的腦電放松度識(shí)別裝置100,包括:

信號(hào)提取單元10,用于從接收到的腦電切片信號(hào)中提取出對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波。

特征量提取單元20,用于計(jì)算對(duì)應(yīng)于各個(gè)腦電波的信號(hào)波的特征量;

分類單元30,用于將計(jì)算得到的所述特征量輸入到至少兩個(gè)由不同學(xué)習(xí)算法訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型,得到所述腦電切片信號(hào)在各個(gè)神經(jīng)網(wǎng)絡(luò)模型下的分類值;

最終分類值計(jì)算單元40,用于根據(jù)所述腦電切片信號(hào)在各個(gè)神經(jīng)網(wǎng)絡(luò)模型下的分類值獲得所述腦電切片信號(hào)的最終分類值。

腦電放松度識(shí)別單元50,用于根據(jù)所述最終分類值識(shí)別得到所述腦電切片信號(hào)的腦電放松度。

優(yōu)選地,還包括:

加權(quán)移動(dòng)平均單元,用于對(duì)接收的用戶的原始腦電信號(hào)進(jìn)行切片,獲得時(shí)間長(zhǎng)度為30秒的腦電序列信號(hào),并基于加權(quán)移動(dòng)平均算法對(duì)所述腦電序列信號(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腦電序列信號(hào);

自適應(yīng)濾波單元,用于以所述腦電序列信號(hào)為原始信號(hào),以與所述腦電序列信號(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)后的腦電序列信號(hào);

切片單元,用于對(duì)所述腦電序列信號(hào)再次進(jìn)行切片,獲得時(shí)間長(zhǎng)度為6秒的腦電切片信號(hào)。

優(yōu)選地,還包括:

降維單元,用于基于主成分分析法對(duì)所述特征量進(jìn)行降維處理。

優(yōu)選地,所述降維單元具體包括:

標(biāo)準(zhǔn)化模塊,用于將所述特征量設(shè)置為輸入樣本空間中的特征量,并對(duì)所述輸入樣本空間進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理;

協(xié)方差矩陣獲取模塊,用于根據(jù)數(shù)據(jù)標(biāo)準(zhǔn)化處理后的所述輸入樣本空間得到協(xié)方差矩陣;

特征向量計(jì)算模塊,用于計(jì)算所述協(xié)方差矩陣的特征根和與每個(gè)特征根對(duì)應(yīng)的特征向量;其中,所述特征根的數(shù)量為p個(gè),且所述的p個(gè)特征根按照大小排序;

特征根獲取模塊,獲取所述的p個(gè)特征根中,貢獻(xiàn)率之和大于預(yù)定閾值的前m個(gè)特征根;其中,每個(gè)特征根的貢獻(xiàn)率等于所述特征根的值除以全部的p個(gè)特征根的值之和;

主成分得分矩陣計(jì)算模塊,用于根據(jù)與所述的前m個(gè)特征根對(duì)應(yīng)的特征向量及所述輸入樣本空間,得到主成分得分矩陣;其中,所述主成分得分矩陣中的特征量為所述降維后的特征量。

優(yōu)選地,所述最終分類值計(jì)算單元40具體用于,統(tǒng)計(jì)所述腦電切片信號(hào)在各個(gè)神經(jīng)網(wǎng)絡(luò)模型下的分類值的出現(xiàn)頻率,并將出現(xiàn)頻率最高的分類值設(shè)定為最終分類值。

優(yōu)選地,所述學(xué)習(xí)算法包括:levenberg-marquart算法、標(biāo)準(zhǔn)bp算法、增加動(dòng)量項(xiàng)的bp算法、改進(jìn)的ga-bp算法;且神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)時(shí)使用的訓(xùn)練樣本對(duì)由計(jì)算得到的所述特征量和標(biāo)準(zhǔn)設(shè)備同步采集得到的腦電放松度構(gòu)成。

優(yōu)選地,還包括:

放松引導(dǎo)單元,用于根據(jù)識(shí)別得到的腦電放松度選擇與所述腦電放松度對(duì)應(yīng)的放松引導(dǎo)內(nèi)容,以利用所述放松引導(dǎo)內(nèi)容對(duì)用戶進(jìn)行放松引導(dǎo)。

本發(fā)明實(shí)施例提供的基于神經(jīng)網(wǎng)絡(luò)模型的腦電放松度識(shí)別裝置100,通過從腦電切片信號(hào)中提取特征量,并由不同學(xué)習(xí)算法得到的神經(jīng)網(wǎng)絡(luò)模型作為分類器對(duì)這些特征量進(jìn)行識(shí)別,根據(jù)各個(gè)神經(jīng)網(wǎng)絡(luò)模型下識(shí)別得到的分類值獲得所述腦電切片信號(hào)的最終分類值,從而識(shí)別得到所述腦電切片信號(hào)的腦電放松度。本發(fā)明實(shí)施例相對(duì)于由單一分類器識(shí)別得到的腦電放松度,穩(wěn)定性更高,避免因外界環(huán)境的干擾或用戶的生理波動(dòng)對(duì)腦電放松度的識(shí)別結(jié)果,為生物反饋指導(dǎo)反饋治療提供更準(zhǔn)確的依據(jù)。

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 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1