本發(fā)明涉及放松治療領(lǐng)域,尤其涉及一種基于時域及相空間的腦電放松度識別方法及裝置。
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)實驗的基礎(chǔ)上建立和發(fā)展起來的咨詢和治療方法,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)則要求對口頭指導(dǎo)的對象要求很高,且受到時間、場地限制;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,因而受到廣泛關(guān)注。
進行生物反饋指導(dǎo)需要識別用戶的放松度,而計算放松度首先需要從用戶的腦電信號中提取各個頻段的腦電波(包括delta、theta、alpha、beta、gamma波),再提取各個腦電波的特征,將這些特征輸入到分類器進行分類識別。
現(xiàn)有的特征提取方法一般只能從單一角度提取腦電波的特征,評價方式單一,不能保證分類結(jié)果的準(zhǔn)確性。而且現(xiàn)有的特征提取算法的計算和處理過程復(fù)雜,一方面,增加了對硬件的要求,另一方面,由于計算復(fù)雜,也無法及時得到分類結(jié)果,進而影響了放松治療的效果。
技術(shù)實現(xiàn)要素:
針對上述問題,本發(fā)明的目的在于提供一種基于時域及相空間的腦電放松度識別方法及裝置,可全面的提取出各個腦電波的特征。
本發(fā)明提供了一種基于時域及相空間的腦電放松度識別方法,包括如下步驟:
對接收的原始腦電信號進行切片,生成具有指定時間長度的待處理腦電序列信號;
從所述待處理腦電序列信號中提取出對應(yīng)于各個腦電波的信號波;
計算對應(yīng)于各個腦電波的信號波的能量參數(shù),并基于各個信號波的能量參數(shù)的最大值及預(yù)設(shè)的每個腦電波的等電位線能量參數(shù)變化率比率,獲取所述待處理腦電序列信號在時域空間的特征量;
根據(jù)所述各個腦電波的信號波及所述待處理腦電序列信號,形成對應(yīng)的包含有信號的二維圖表,并通過統(tǒng)計各個二維圖表上的信號覆蓋密度,獲得所述待處理腦電序列信號在相空間的特征量;
根據(jù)所述待處理腦電序列信號在時域空間的特征量及在相空間的特征量進行分類識別,得到腦電放松度。
優(yōu)選地,所述計算對應(yīng)于各個腦電波的信號波的能量參數(shù),并基于各個信號波的能量參數(shù)的最大值及預(yù)設(shè)的每個腦電波的等電位線能量參數(shù)變化率比率,獲取所述待處理腦電序列信號在時域空間的特征量具體包括:
計算各個信號波的能量參數(shù),并基于各個信號波的能量參數(shù)的最大值及預(yù)設(shè)的每個腦電波的等電位線能量參數(shù)變化率比率,計算得到每個信號波的等電位線能量參數(shù)變化率基線;其中,所述能量參數(shù)至少包括以下其中之一:能量、能量密度;
基于最小二乘法計算每個信號波在各個時刻的能量參數(shù)變化率;
統(tǒng)計所述每個信號波的能量參數(shù)變化率小于所述等電位線能量參數(shù)變化率基線的個數(shù);
根據(jù)統(tǒng)計得到的對應(yīng)于每個信號波的個數(shù)與對應(yīng)的信號波的總采樣點數(shù)的比值,獲取所述待處理腦電序列信號在時域空間的特征量。
優(yōu)選地,所述根據(jù)所述各個腦電波的信號波及待處理腦電序列信號,形成對應(yīng)的包含有信號的二維圖表,并通過統(tǒng)計各個二維圖表上的信號覆蓋密度,獲得所述待處理腦電序列信號在相空間的特征量具體包括:
根據(jù)所述各個腦電波的信號波及所述待處理腦電序列信號形成對應(yīng)的包含有信號的二維圖表;
在各個二維圖表上覆蓋與所述二維圖表等大小的m*m的網(wǎng)格對應(yīng),并統(tǒng)計覆蓋有信號的網(wǎng)格數(shù);其中,m為大于1的整數(shù);
根據(jù)覆蓋有信號的網(wǎng)格數(shù)與所述網(wǎng)格的全部網(wǎng)格數(shù)的比值,生成各個信號波及待處理腦電序列信號的相空間分布密度,獲得待處理腦電序列信號在相空間的特征量。
優(yōu)選地,在所述根據(jù)所述各個腦電波的信號波及待處理腦電序列信號,形成對應(yīng)的包含有信號的二維圖表,并通過統(tǒng)計各個二維圖表上的信號覆蓋密度,獲得所述待處理腦電序列信號在相空間的特征量之后,所述根據(jù)所述待處理腦電序列信號在時域空間的特征量及在相空間的特征量進行分類識別,得到腦電放松度之前,還包括:
基于方差分析和f檢驗計算每個特征量的顯著性指標(biāo),并選取顯著性指標(biāo)大于預(yù)設(shè)閾值的特征量。
優(yōu)選地,所述基于方差分析和f檢驗計算每個特征量的顯著性指標(biāo),并選取顯著性指標(biāo)大于預(yù)設(shè)閾值的特征量具體包括:
根據(jù)所述特征量、由標(biāo)準(zhǔn)設(shè)備同步采集得到的腦電放松度及預(yù)先擬合的與每個特征量對應(yīng)的線性擬合曲線進行方差分析,計算得到每個特征量的擬合值與期望的平方和及原值與擬合值的平方和;
根據(jù)擬合值與期望的平方和、原值與擬合值的平方和及自由度,計算得到每個特征量的顯著性指標(biāo);
根據(jù)每個特征量的顯著性指標(biāo),選取出顯著性指標(biāo)大于預(yù)設(shè)閾值的特征量。
優(yōu)選地,在所述根據(jù)所述各個腦電波的信號波及待處理腦電序列信號,形成對應(yīng)的包含有信號的二維圖表,并通過統(tǒng)計各個二維圖表上的信號覆蓋密度,獲得所述待處理腦電序列信號在相空間的特征量之后,所述根據(jù)所述待處理腦電序列信號在時域空間的特征量及在相空間的特征量進行分類識別,得到腦電放松度之前還包括:
基于主成分分析法對所述待處理腦電序列信號在時域空間的特征量及在相空間的特征量進行降維處理,獲得降維后的特征量;
其中,所述基于主成分分析法對所述待處理腦電序列信號在時域空間的特征量及在相空間的特征量進行降維處理,獲得降維后的特征量具體包括:
將所述待處理腦電序列信號在時域空間的特征量及在相空間的特征量設(shè)置為輸入樣本空間中的特征量,并對所述輸入樣本空間進行數(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;
計算所述協(xié)方差矩陣的特征根和與每個特征根對應(yīng)的特征向量;其中,所述特征根的數(shù)量為p個,且所述的p個特征根按照大小排序;
獲取所述的p個特征根中,貢獻率之和大于預(yù)定閾值的前m個特征根;其中,每個特征根的貢獻率等于所述特征根的值除以全部的p個特征根的值之和;
根據(jù)與所述的前m個特征根對應(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)所述待處理腦電序列信號在時域空間的特征量及在相空間的特征量進行分類識別,得到腦電放松度具體包括:
基于由不同學(xué)習(xí)算法訓(xùn)練得到的至少兩個神經(jīng)網(wǎng)絡(luò)模型對輸入的所有特征量進行分類,得到待處理腦電序列信號在各個神經(jīng)網(wǎng)絡(luò)模型下的分類;
將出現(xiàn)次數(shù)最多的分類設(shè)置為所述待處理腦電序列信號的分類;
根據(jù)所述分類與腦電放松度的對應(yīng)關(guān)系,識別得到與所述待處理腦電序列信號對應(yīng)的腦電放松度。
本發(fā)明還提供了一種基于時域及相空間的腦電放松度識別裝置,包括:
信號切片單元,用于對接收的原始腦電信號進行切片,生成具有指定時間長度的待處理腦電序列信號;
信號提取單元,用于從所述待處理腦電序列信號中提取出對應(yīng)于各個腦電波的信號波;
第一特征提取單元,用于計算對應(yīng)于各個腦電波的信號波的能量參數(shù),并基于各個信號波的能量參數(shù)的最大值及預(yù)設(shè)的每個腦電波的等電位線能量參數(shù)變化率比率,獲取所述待處理腦電序列信號在時域空間的特征量;
第二特征提取單元,用于根據(jù)所述各個腦電波的信號波及待處理腦電序列信號,形成對應(yīng)的包含有信號的二維圖表,并通過統(tǒng)計各個二維圖表上的信號覆蓋密度,獲得所述待處理腦電序列信號在相空間的特征量;以及,
腦電放松度識別單元,用于根據(jù)所述待處理腦電序列信號在時域空間的特征量及在相空間的特征量進行分類識別,得到腦電放松度。
優(yōu)選地,所述第一特征提取單元具體包括:
變化率基線計算模塊,用于計算各個信號波的能量參數(shù),并基于各個信號波的能量參數(shù)的最大值及每個腦電波的等電位線能量參數(shù)變化率比率,計算得到每個信號波的等電位線能量參數(shù)變化率基線;
能量參數(shù)變化率計算模塊,用于基于最小二乘法計算每個信號波在各個時刻的能量參數(shù)變化率;
統(tǒng)計模塊,用于統(tǒng)計所述每個信號波的能量參數(shù)變化率小于所述等電位線能量參數(shù)變化率基線的個數(shù);以及,
比值計算模塊,用于根據(jù)統(tǒng)計得到的對應(yīng)于每個信號波的個數(shù)與對應(yīng)的信號波的總采樣點數(shù)的比值,獲取所述待處理腦電序列信號在時域空間的特征量。
優(yōu)選地,所述第二特征提取單元具體包括:
二維圖表生成模塊,用于根據(jù)所述各個腦電波的信號波及所述待處理腦電序列信號形成對應(yīng)的包含有信號的二維圖表;
網(wǎng)格數(shù)統(tǒng)計模塊,用于在各個二維圖表上覆蓋與所述二維圖表等大小的m*m的網(wǎng)格對應(yīng),并統(tǒng)計覆蓋有信號的網(wǎng)格數(shù);其中,m為大于1的整數(shù);以及,
特征量計算模塊,用于根據(jù)覆蓋有信號的網(wǎng)格數(shù)與所述網(wǎng)格的全部網(wǎng)格數(shù)的比值,生成各個信號波及待處理腦電序列信號的相空間分布密度,獲得待處理腦電序列信號在相空間的特征量。
優(yōu)選地,所述基于時域及相空間的腦電放松度識別裝置還包括:
特征選取單元,用于基于方差分析和f檢驗計算每個特征量的顯著性指標(biāo),并選取顯著性指標(biāo)大于預(yù)設(shè)閾值的特征量。
優(yōu)選地,所述特征選取單元具體包括:
方差分析模塊,用于根據(jù)所述特征量、由標(biāo)準(zhǔn)設(shè)備同步采集得到的腦電放松度及預(yù)先擬合的與每個特征量對應(yīng)的線性擬合曲線進行方差分析,計算得到每個特征量的擬合值與期望的平方和及原值與擬合值的平方和;
顯著性指標(biāo)計算模塊,用于根據(jù)擬合值與期望的平方和、原值與擬合值的平方和及自由度,計算得到每個特征量的顯著性指標(biāo);以及,
選取模塊,用于根據(jù)每個特征量的顯著性指標(biāo),選取出顯著性指標(biāo)大于預(yù)設(shè)閾值的特征量。
優(yōu)選地,所述基于時域及相空間的腦電放松度識別裝置還包括:
特征降維單元,用于基于主成分分析法對所述待處理腦電序列信號在時域空間的特征量及在相空間的特征量進行降維處理,獲得降維后的特征量;
其中,所述特征降維單元具體包括:
標(biāo)準(zhǔn)化處理模塊,用于將所述待處理腦電序列信號在時域空間的特征量及在相空間的特征量設(shè)置為輸入樣本空間中的特征量,并對所述輸入樣本空間進行數(shù)據(jù)標(biāo)準(zhǔn)化處理;
協(xié)方差矩陣計算模塊,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;
特征計算模塊,用于計算所述協(xié)方差矩陣的特征根和與每個特征根對應(yīng)的特征向量;其中,所述特征根的數(shù)量為p個,且所述的p個特征根按照大小排序;
篩選模塊,用于獲取所述的p個特征根中,貢獻率之和大于預(yù)定閾值的前m個特征根;其中,每個特征根的貢獻率等于所述特征根的值除以全部的p個特征根的值之和;以及,
降維特征量獲得模塊,用于根據(jù)與所述的前m個特征根對應(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,所述腦電放松度識別單元具體包括:
分類模塊,用于基于由不同學(xué)習(xí)算法訓(xùn)練得到的至少兩個神經(jīng)網(wǎng)絡(luò)模型對輸入的所有特征量進行分類,得到待處理腦電序列信號在各個神經(jīng)網(wǎng)絡(luò)模型下的分類;
分類統(tǒng)計模塊,用于將出現(xiàn)次數(shù)最多的分類設(shè)置為所述待處理腦電序列信號的分類;以及,
放松度識別模塊,用于根據(jù)所述分類與腦電放松度的對應(yīng)關(guān)系,識別得到與所述待處理腦電序列信號對應(yīng)的腦電放松度。
本發(fā)明提供的基于時域及相空間的腦電放松度識別方法及裝置,同時從時域空間、相空間兩個角度提取腦電序列序號的特征量,并基于提取得到的特征量進行分類識別得到最終的腦電放松度。相比于單一角度的特征提取,對信號的評價方式更多樣化,能更全面的體現(xiàn)信號的特性,避免了單一角度的特征提取容易導(dǎo)致的特征過于片面的問題而影響最終識別精度的問題。本發(fā)明可以提高識別分類的精度和準(zhǔn)確度,為放松治療提供準(zhǔn)確、快速的依據(jù)。
附圖說明
為了更清楚地說明本發(fā)明的技術(shù)方案,下面將對實施方式中所需要使用的附圖作簡單地介紹,顯而易見地,下面描述中的附圖僅僅是本發(fā)明的一些實施方式,對于本領(lǐng)域普通技術(shù)人員來講,在不付出創(chuàng)造性勞動的前提下,還可以根據(jù)這些附圖獲得其他的附圖。
圖1是本發(fā)明實施例提供的基于時域及相空間的腦電放松度識別方法的流程示意圖。
圖2是通過切片得到待處理腦電序列信號的示意圖。
圖3是本發(fā)明實施例提供的對對原始腦電序列信號進行加權(quán)移動平均計算的原理圖。
圖4是本發(fā)明實施例提供的基于時域及相空間的腦電放松度識別裝置的結(jié)構(gòu)示意圖。
具體實施方式
下面將結(jié)合本發(fā)明實施例中的附圖,對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述,顯然,所描述的實施例僅僅是本發(fā)明一部分實施例,而不是全部的實施例?;诒景l(fā)明中的實施例,本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例,都屬于本發(fā)明保護的范圍。
請參閱圖1,本發(fā)明實施例提供了一種基于時域及相空間的腦電放松度識別方法,其可包括如下步驟:
s101,對接收的原始腦電信號進行切片,生成具有指定時間長度的待處理腦電序列信號。
具體地:對原始腦電信號進行切片,獲得時間長度為30秒的待處理腦電序列信號,并對所述待處理腦電序列信號的各個時刻的腦電信號進行加權(quán)移動平均計算,得到去除低頻直流信息后的待處理腦電序列信號。
如圖2所示,在本發(fā)明實施例中,所述待處理腦電序列信號可通過對原始腦電信號進行切片獲得。其中,所述原始腦電信號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的持續(xù)時間比較長(如數(shù)小時甚至更長),因此進行需要對原始腦電信號進行切片,例如,每個切片的片段為30秒,即每段所述待處理腦電序列信號的長度為30秒。
在本優(yōu)選實施例中,為了保證提取和濾波的效率和準(zhǔn)確性,還可對腦電序列信號進行相應(yīng)的預(yù)處理,例如,通過預(yù)處理去除待處理腦電序列信號中的低頻直流信息,以避免這些低頻直流信息對腦電波提取的干擾。
在本優(yōu)選實施例中,為了去除原始腦電序列信號中的低頻直流信息,可基于加權(quán)移動平均算法對降采樣后的原始腦電序列信號的各個時刻的腦電信號進行計算,得到所述待處理腦電序列信號。具體地:
首先,基于當(dāng)前的第j個時刻的腦電信號,獲取所述原始腦電序列信號中的位于第(j-(n-1)/2)個時刻至第(j+(n-1)/2)個時刻之間的n個腦電信號的能量;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)測的腦電信號x(j)的時刻為第10個時刻(即j=10),影響數(shù)n為5,則對當(dāng)前要預(yù)測的腦電信號有影響的腦電信號為第8個至第12個時刻的腦電信號,即x(8)~x(12)。此時,先獲取這5個時刻的腦電信號的能量。
接著,根據(jù)預(yù)設(shè)的權(quán)值分布函數(shù)為獲取的n個腦電信號的能量分配權(quán)值;其中,n個腦電信號的能量的權(quán)值之和為1。
在本優(yōu)選實施例中,所述權(quán)值分布函數(shù)為正態(tài)分布函數(shù),如可為:
需要說明的是,在計算得到各個腦電信號的能量的權(quán)值后,還需要進行歸一化,保證n個腦電信號的能量的權(quán)值之和為1。
然后,對所述n個腦電信號的能量根據(jù)分配的權(quán)值進行加權(quán)求和,得到新的第j個時刻的腦電信號的能量。
即:
最后,依次對所述原始腦電序列信號的各個時刻的腦電信號的能量進行加權(quán)求和后,根據(jù)所有時刻的新的腦電信號的能量,生成待處理腦電序列信號。
在本發(fā)明實施例中,一般地,需要將所述待處理腦電序列信號進行再次切片,如切成時間長度為6秒的片段。
本優(yōu)選實施例中,對腦電信號進行去低頻直流信息,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,而且對待處理腦電序列信號的各個時刻的腦電信號進行加權(quán)移動平均計算,可以避免去除低頻直流信息時,造成信號失真,保證信號的真實度。
s102,從所述待處理腦電序列信號中提取出對應(yīng)于各個腦電波的信號波。
在本發(fā)明實施例中,所述的各個腦電波可包括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,為深度睡眠、無意識狀態(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)難眠時自己召喚出近似delta波狀態(tài),就能很快地擺脫失眠而進入深沉睡眠。
theta波:深度放松、無壓力的潛意識狀態(tài)。
當(dāng)人的大腦頻率處于theta波時,人的意識中斷,身體深沉放松,對于外界的信息呈現(xiàn)高度的受暗示狀態(tài),即被催眠狀態(tài)。theta波對于觸發(fā)深沉記憶、強化長期記憶等幫助極大,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,人的意識清醒,但身體卻是放松的,它提供意識與潛意識的“橋梁”。在這種狀態(tài)下,身心能量耗費最少,相對的腦部獲得的能量較高,運作就會更加快速、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、腦疲勞時的腦波狀態(tài)。
人們清醒時,大部分時間大腦頻率處于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)明實施例中,在獲得所述待處理腦電序列信號后,可根據(jù)每個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待處理腦電序列信號中提取出對應(yīng)于各個腦電波的信號波。其中,提取時可僅用一個算法提取得到對應(yīng)于各個腦電波的信號波,也可同時通過多個算法進行提取,再對不同算法提取得到的結(jié)果進行加權(quán)求和,得到最終的信號波。利用多個提取算法進行信號波的提取,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。
s103,計算對應(yīng)于各個腦電波的信號波的能量參數(shù),并基于各個信號波的能量參數(shù)的最大值及預(yù)設(shè)的每個腦電波的等電位線能量參數(shù)變化率比率,獲取所述待處理腦電序列信號在時域空間的特征量。
在本發(fā)明實施例中,在獲得與各個腦電波對應(yīng)的信號波后,即可提取其在時域空間的特征。
本發(fā)明實施例中,可通過等電位線變化率算法提取各個信號波的等電位線能量變化率和等電位線能量密度變化率,從而獲得各個信號波的時域特征。
具體地:
s1031,計算各個信號波的能量參數(shù),并基于各個信號波的能量參數(shù)的最大值及預(yù)設(shè)的每個腦電波的等電位線能量參數(shù)變化率比率,計算得到每個信號波的等電位線能量參數(shù)變化率基線。
在本發(fā)明實施例中,所述能量參數(shù)至少包括以下其中之一:能量、能量密度。以所述能量參數(shù)為能量為例:
首先,對于一個信號波a(t),其能量及能量密度的計算公式如下:
在本發(fā)明實施例中,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)各個腦電波的能量變化率基線與能量最大值的比值,求得一個平均的比值作為等電位線能量變化率比率xlepsrate),且針對delta、theta、alpha、beta、gamma波的等電位線能量變化率比率xlepsrate值都不一樣。
然后,計算等電位線能量變化率基線xleps。
xleps=max(p)*xlepsrate(3)
其中,max(p)為每個信號波的能量的最大值。
s1032,基于最小二乘法計算每個信號波在各個時刻的能量參數(shù)變化率。
具體地:
首先,構(gòu)造關(guān)于能量的函數(shù)表達式p(t)=at+b;其中,a為能量參數(shù)變化率,b為截距,t為時刻。
然后,計算使得所述函數(shù)表達式的殘差平方和最小時的能量變化率,獲得每個時刻的能量變化率。
在本發(fā)明實施例中,要想利用最小二乘算法求得所述函數(shù)表達式的參數(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:
s1033,統(tǒng)計所述每個信號波的能量參數(shù)變化率小于所述等電位線能量參數(shù)變化率基線的個數(shù)。
即統(tǒng)計a<xleps的個數(shù)xlcount。
s1034,根據(jù)統(tǒng)計得到的對應(yīng)于每個信號波的個數(shù)與對應(yīng)的信號波的總采樣點數(shù)的比值,獲取所述待處理腦電序列信號在時域空間的特征量。
在本發(fā)明實施例中,將統(tǒng)計得到的個數(shù)xlcount除以對應(yīng)的信號波的總采樣點數(shù)(或全部采樣時刻),得到比值xlcountp,即得到各個信號波的等電位線能量變化率特征。
在本發(fā)明實施例中,根據(jù)上述方法分別計算得到每個信號波(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算每個腦電波(delta、theta、alpha、beta、gamma波)的等電位線能量密度變化率xlcounts1~xlcounts5,就獲取得到待處理腦電序列信號在時域空間的特征量。
s104,根據(jù)所述各個腦電波的信號波及所述待處理腦電序列信號,形成對應(yīng)的包含有信號的二維圖表,并通過統(tǒng)計各個二維圖表上的信號覆蓋密度,獲得所述待處理腦電序列信號在相空間的特征量。
具體地:
首先,根據(jù)所述各個腦電波的信號波及待處理腦電序列信號形成對應(yīng)的包含有信號的二維圖表。
其中,二維圖表的橫坐標(biāo)為時間,縱坐標(biāo)為信號的幅值。
其次,在各個二維圖表上覆蓋與所述二維圖表等大小的m*m的網(wǎng)格對應(yīng),并統(tǒng)計覆蓋有信號的網(wǎng)格數(shù);其中,m為大于1的整數(shù)。
其中,m為大于1的整數(shù),且m的取值由信號的長度決定。
最后,根據(jù)覆蓋有信號的網(wǎng)格數(shù)與所述網(wǎng)格的全部網(wǎng)格數(shù),計算各個信號波及待處理腦電序列信號的相空間分布密度,獲得待處理腦電序列信號在相空間的特征量。
即,相空間分布密度=md/m2。其中,md為覆蓋有信號的網(wǎng)格數(shù)。
在本發(fā)明實施例中,在得到各個信號波及所述待處理腦電序列信號的相空間分布密度后,就得到了所述待處理腦電序列信號在相空間的特征量。
s105,根據(jù)所述待處理腦電序列信號在時域空間的特征量及在相空間的特征量進行分類識別,得到腦電放松度。
在本發(fā)明實施例中,在得到所述待處理腦電序列信號在時域空間的特征量及在相空間的特征量之后,將其輸入到預(yù)先設(shè)置好的分類器中,就可以得到當(dāng)前的腦電放松度。
在本發(fā)明實施例中,在得到腦電放松度后,就可以根據(jù)腦電放松度進行放松治療,如可以根據(jù)腦電放松度進行放松引導(dǎo)內(nèi)容的選擇、標(biāo)記和播放,能夠精準(zhǔn)地選取最適合用戶的放松引導(dǎo)內(nèi)容,搭配耳機,播放給用戶;同時伴隨著基于放松度的放松引導(dǎo)內(nèi)容播放音量調(diào)制,幫助使用者放松身心,緩解焦慮抑郁,陶冶情操、改善個性弱點、消除心理行為障礙、保持心理和軀體健康。
本發(fā)明實施例提供的基于時域及相空間的腦電放松度識別方法,同時從時域空間、相空間兩個角度提取各個腦電波的信號波的特征,得到待處理腦電序列序號的特征量并基于提取得到的特征量進行分類識別得到最終的腦電放松度。相比于單一角度的特征提取,對信號的評價方式更多樣化,能更全面的體現(xiàn)信號的特性,避免了單一角度的特征提取容易導(dǎo)致的特征過于片面的問題而影響最終識別精度的問題。本發(fā)明可以大大提高識別分類的精度和準(zhǔn)確度,為放松治療提供準(zhǔn)確的依據(jù)。此外,本發(fā)明實施例提供的特征提取方法計算簡單、快速,對硬件要求低,因而能及時輸出分類結(jié)果,便于實時的放松治療。
優(yōu)選地,所述步驟s105具體包括:
s1051,基于由不同學(xué)習(xí)算法訓(xùn)練得到的至少兩個神經(jīng)網(wǎng)絡(luò)模型對輸入的所有特征量進行分類,得到待處理腦電序列信號在各個神經(jīng)網(wǎng)絡(luò)模型下的分類。
s1052,將出現(xiàn)次數(shù)最多的分類設(shè)置為所述待處理腦電序列信號的分類。
s1053,根據(jù)所述分類與腦電放松度的對應(yīng)關(guān)系,識別得到與所述待處理腦電序列信號對應(yīng)的腦電放松度。
在本優(yōu)選實施例中,所述的至少兩個神經(jīng)網(wǎng)絡(luò)模型可采用levenberg-marquart算法、標(biāo)準(zhǔn)bp算法、增加動量項的bp算法、改進的ga-bp算法進行訓(xùn)練得到,其中,每個算法訓(xùn)練得到一個神經(jīng)網(wǎng)絡(luò)模型,即對應(yīng)一個分類器。
訓(xùn)練時,將提取得到的各個特征量作為訓(xùn)練神經(jīng)網(wǎng)絡(luò)的輸入樣本x,將神念設(shè)備(或其他標(biāo)準(zhǔn)設(shè)備)同步采集得到的“放松度”作為金標(biāo)準(zhǔn),也就是神經(jīng)網(wǎng)絡(luò)的輸出y。(x,y)共同組成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本對,再根據(jù)相應(yīng)的訓(xùn)練算法進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。
在本優(yōu)選實施例中,利用訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型,就可以作為分類器進行腦電放松度識別,識別得到腦電放松度的等級,如可以分別為弱、較弱、中、較強、強五級(即1~5級)。當(dāng)前也可以分為更其他等級數(shù),如4級,7級等,本發(fā)明不做具體限定。
在本優(yōu)選實施例中,可將提取得到的所有特征量輸入到各個分類器,每個分類器都將識別得到一個分類,在確定最終分類時,將出現(xiàn)次數(shù)最多的分類設(shè)置為所述待處理腦電序列信號的分類,根據(jù)所述分類與腦電放松度的對應(yīng)關(guān)系,識別得到與所述待處理腦電序列信號對應(yīng)的腦電放松度。
本優(yōu)選實施例中,通過多個分類器同步識別分類的方法,并將出現(xiàn)最多的分類作為最終的分類,可避免單一分類器不穩(wěn)定或出現(xiàn)偏差而導(dǎo)致的放松度識別結(jié)果不準(zhǔn)確,進而影響放松治療的效果。
優(yōu)選地,在步驟s104之后,步驟s105之前,還可以包括:
s106,基于方差分析和f檢驗計算每個特征量的顯著性指標(biāo),并選取顯著性指標(biāo)大于預(yù)設(shè)閾值的特征量。
具體地:
首先,根據(jù)所述特征量、由標(biāo)準(zhǔn)設(shè)備同步采集得到的腦電放松度及預(yù)先擬合的與每個特征量對應(yīng)的線性擬合曲線進行方差分析,計算得到每個特征量的擬合值與期望的平方和及原值與擬合值的平方和。
在本發(fā)明實施例中,在準(zhǔn)備階段,在采集腦電切片信號的同時,還會利用標(biāo)準(zhǔn)設(shè)備(如神念設(shè)備)同步采集腦電放松度作為標(biāo)準(zhǔn)的腦電放松度。這樣當(dāng)采集一系列腦電切片信號(a1,a2,a3…an)后,就可以同時得到一系列標(biāo)準(zhǔn)腦電放松度(y1,y2….yn)。其中,在采集腦電切片信號時,可從所述腦電切片信號提取多個特征量,例如,對于腦電切片信號a1,其可提取特征量(x11,x11,x11….),對于腦電切片信號a2,其可提取特征量(x21,x21,x21….)。這樣,對于同一種特征量(例如,這里設(shè)x11,x21,…xn1是同一種特征量),可擬合出其與腦電放松度的函數(shù)關(guān)系,即對坐標(biāo)點(x11,y1)、(x21,y2)、…(xn1,yn)進行擬合,這里假設(shè)放松度與特征量的關(guān)系均是線性關(guān)系的,因此每種特征量對應(yīng)的線性擬合曲線可表示為yi=xβi+εi。
在選取特征量階段,在計算得到特征量后,將當(dāng)前的所述特征量及由標(biāo)準(zhǔn)設(shè)備同步采集得到的腦電放松度代入到與每個特征量對應(yīng)的線性擬合曲線中進行方差分析,即可分別計算得到對應(yīng)的擬合值與期望的平方和(ssr),原值與擬合值的平方和(sse)。
然后,根據(jù)擬合值與期望的平方和、原值與擬合值的平方和及自由度,計算得到每個特征量的顯著性指標(biāo)。
其中,顯著性指標(biāo)f=msr/mse,且msr=ssr/1;mse=sse/n-2;其中,1和n-2表示自由度。
最后,根據(jù)每個特征量的顯著性指標(biāo),選取出顯著性指標(biāo)大于預(yù)設(shè)閾值的特征量。
在本發(fā)明實施中,設(shè)定顯著性指標(biāo)的閾值fmin。選取所述特征量中,f>fmin的特征量作為需要輸入的特征量。
本優(yōu)選實施例中,結(jié)合方差分析與f檢驗對所述特征量進行選取,選出較為顯著的特征,從而可以提高分類的精確度和速度。
優(yōu)選地,在步驟s104之后,步驟s105之前,還可以包括:
s107,基于主成分分析法對所述待處理腦電序列信號在時域空間的特征量及在相空間的特征量進行降維處理,獲得降維后的特征量。
具體地:
s1071,將所述待處理腦電序列信號在時域空間的特征量及在相空間的特征量設(shè)置為輸入樣本空間中的特征量,并對所述輸入樣本空間進行數(shù)據(jù)標(biāo)準(zhǔn)化處理。
具體地,將待處理腦電序列信號在時域空間的特征量及在相空間的特征量設(shè)置為輸入樣本空間x中的元素。對該樣本空間x進行數(shù)據(jù)標(biāo)準(zhǔn)化處理具體為:
其中:
其中,x′ij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。
s1072,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:
s1073,計算所述協(xié)方差矩陣的特征根和與每個特征根對應(yīng)的特征向量;其中,所述特征根的數(shù)量為p個,且所述的p個特征根按照大小排序。
其中,dp=pλ(12)
當(dāng)只考慮第j個特征值時,有dpj=pjλj,即求解|d-λji|=0。依次解出各個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應(yīng)的特征向量p,進而特征方程求解完成。
s1074,獲取所述的p個特征根中,貢獻率之和大于預(yù)定閾值的前m個特征根。
其中,每個特征根的貢獻率等于所述特征根的值除以全部的p個特征根的值之和。
首先,計算單個主成分的貢獻率并進行累計,根據(jù)累計貢獻率確定主成分的個數(shù)m,從而確定所需要選取的主成分。貢獻率的計算公式如公式15所述。累計貢獻率即前m個貢獻率的累積和,如公式16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)依次對特征根進行累加,當(dāng)累計貢獻率
s1075,根據(jù)與所述的前m個特征根對應(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。
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)明實施例中,還可計算主成分的載荷,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,計算公式為:
在本優(yōu)選實施例中,在采用主成分分析法篩選出所獲得的待處理腦電序列信號在時域空間和相空間的特征量中較為重要的特征量后,即可得到降維后的待處理腦電序列信號的特征量。通過對待處理腦電序列信號在時域空間和相空間的特征量進行降維處理,使得后續(xù)進行腦電放松度識別時的數(shù)據(jù)計算量減小,從而提高腦電放松度識別的速度,實現(xiàn)腦電放松度的實時識別。
此外,需要說明的是,上述的基于方差分析和f檢驗的降維方法與本優(yōu)選實施例的主成分分析法可同時使用,本發(fā)明不做具體限定。
請參閱圖4,本發(fā)明還提供一種基于時域及相空間的腦電放松度識別裝置100,包括:
信號切片單元10,用于對接收的原始腦電信號進行切片,生成具有指定時間長度的待處理腦電序列信號;
信號提取單元20,用于從所述待處理腦電序列信號中提取出對應(yīng)于各個腦電波的信號波;
第一特征提取單元30,用于計算對應(yīng)于各個腦電波的信號波的能量參數(shù),并基于各個信號波的能量參數(shù)的最大值及預(yù)設(shè)的每個腦電波的等電位線能量參數(shù)變化率比率,獲取所述待處理腦電序列信號在時域空間的特征量;
第二特征提取單元40,用于根據(jù)所述各個腦電波的信號波及待處理腦電序列信號,形成對應(yīng)的包含有信號的二維圖表,并通過統(tǒng)計各個二維圖表上的信號覆蓋密度,獲得所述待處理腦電序列信號在相空間的特征量;以及,
腦電放松度識別單元50,用于根據(jù)所述待處理腦電序列信號在時域空間的特征量及在相空間的特征量進行分類識別,得到腦電放松度。
優(yōu)選地,所述第一特征提取單元30具體包括:
變化率基線計算模塊,用于計算各個信號波的能量參數(shù),并基于各個信號波的能量參數(shù)的最大值及每個腦電波的等電位線能量參數(shù)變化率比率,計算得到每個信號波的等電位線能量參數(shù)變化率基線;
能量參數(shù)變化率計算模塊,用于基于最小二乘法計算每個信號波在各個時刻的能量參數(shù)變化率;
統(tǒng)計模塊,用于統(tǒng)計所述每個信號波的能量參數(shù)變化率小于所述等電位線能量參數(shù)變化率基線的個數(shù);以及,
比值計算模塊,用于根據(jù)統(tǒng)計得到的對應(yīng)于每個信號波的個數(shù)與對應(yīng)的信號波的總采樣點數(shù)的比值,獲取所述待處理腦電序列信號在時域空間的特征量。
優(yōu)選地,所述第二特征提取單元40具體包括:
二維圖表生成模塊,用于根據(jù)所述各個腦電波的信號波及所述待處理腦電序列信號形成對應(yīng)的包含有信號的二維圖表;
網(wǎng)格數(shù)統(tǒng)計模塊,用于在各個二維圖表上覆蓋與所述二維圖表等大小的m*m的網(wǎng)格對應(yīng),并統(tǒng)計覆蓋有信號的網(wǎng)格數(shù);其中,m為大于1的整數(shù);以及,
特征量計算模塊,用于根據(jù)覆蓋有信號的網(wǎng)格數(shù)與所述網(wǎng)格的全部網(wǎng)格數(shù)的比值,生成各個信號波及待處理腦電序列信號的相空間分布密度,獲得待處理腦電序列信號在相空間的特征量。
優(yōu)選地,所述基于時域及相空間的腦電放松度識別裝置還包括:
特征選取單元,用于基于方差分析和f檢驗計算每個特征量的顯著性指標(biāo),并選取顯著性指標(biāo)大于預(yù)設(shè)閾值的特征量。
優(yōu)選地,所述特征選取單元具體包括:
方差分析模塊,用于根據(jù)所述特征量、由標(biāo)準(zhǔn)設(shè)備同步采集得到的腦電放松度及預(yù)先擬合的與每個特征量對應(yīng)的線性擬合曲線進行方差分析,計算得到每個特征量的擬合值與期望的平方和及原值與擬合值的平方和;
顯著性指標(biāo)計算模塊,用于根據(jù)擬合值與期望的平方和、原值與擬合值的平方和及自由度,計算得到每個特征量的顯著性指標(biāo);以及,
選取模塊,用于根據(jù)每個特征量的顯著性指標(biāo),選取出顯著性指標(biāo)大于預(yù)設(shè)閾值的特征量。
優(yōu)選地,所述基于時域及相空間的腦電放松度識別裝置還包括:
特征降維單元,用于基于主成分分析法對所述待處理腦電序列信號在時域空間的特征量及在相空間的特征量進行降維處理,獲得降維后的特征量;
其中,所述特征降維單元具體包括:
標(biāo)準(zhǔn)化處理模塊,用于將所述待處理腦電序列信號在時域空間的特征量及在相空間的特征量設(shè)置為輸入樣本空間中的特征量,并對所述輸入樣本空間進行數(shù)據(jù)標(biāo)準(zhǔn)化處理;
協(xié)方差矩陣計算模塊,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;
特征計算模塊,用于計算所述協(xié)方差矩陣的特征根和與每個特征根對應(yīng)的特征向量;其中,所述特征根的數(shù)量為p個,且所述的p個特征根按照大小排序;
篩選模塊,用于獲取所述的p個特征根中,貢獻率之和大于預(yù)定閾值的前m個特征根;其中,每個特征根的貢獻率等于所述特征根的值除以全部的p個特征根的值之和;以及,
降維特征量獲得模塊,用于根據(jù)與所述的前m個特征根對應(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,所述腦電放松度識別單元50具體包括:
分類模塊,用于基于由不同學(xué)習(xí)算法訓(xùn)練得到的至少兩個神經(jīng)網(wǎng)絡(luò)模型對輸入的所有特征量進行分類,得到待處理腦電序列信號在各個神經(jīng)網(wǎng)絡(luò)模型下的分類;
分類統(tǒng)計模塊,用于將出現(xiàn)次數(shù)最多的分類設(shè)置為所述待處理腦電序列信號的分類;以及,
放松度識別模塊,用于根據(jù)所述分類與腦電放松度的對應(yīng)關(guān)系,識別得到與所述待處理腦電序列信號對應(yīng)的腦電放松度。
以上所揭露的僅為本發(fā)明一種較佳實施例而已,當(dāng)然不能以此來限定本發(fā)明之權(quán)利范圍,本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實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)人員可以理解實現(xiàn)上述實施例方法中的全部或部分流程,是可以通過計算機程序來指令相關(guān)的硬件來完成,所述的程序可存儲于一計算機可讀取存儲介質(zhì)中,該程序在執(zhí)行時,可包括如上述各方法的實施例的流程。其中,所述的存儲介質(zhì)可為磁碟、光盤、只讀存儲記憶體(read-onlymemory,rom)或隨機存儲記憶體(randomaccessmemory,ram)等。