本發(fā)明涉及放松治療領(lǐng)域，尤其涉及一種基于頻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頻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)明提供了一種基于頻域及相空間的腦電放松度識別方法，包括如下步驟：

獲取當(dāng)前的待處理腦電序列信號，并從所述腦電序列信號中提取得到對應(yīng)于各個腦電波的信號波；

計算與各個腦電波對應(yīng)的信號波的能量，并根據(jù)各個信號波的能量及各個腦電波的頻率范圍，計算各個信號波的頻率均方根，獲得所述待處理腦電序列信號在頻域空間的特征量；

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；

利用預(yù)先訓(xùn)練好的分類器對所述待處理腦電序列信號在相空間的特征量及在頻域空間的特征量進行分類，并根據(jù)分類的結(jié)果識別得到腦電放松度。

優(yōu)選地，在從接收到的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之前，還包括：

對接收的用戶的原始腦電信號進行切片，獲得時間長度為30秒的腦電切片信號，并對所述腦電切片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腦電切片信號；

以所述腦電切片信號為原始信號，以與所述腦電切片信號同步采集得到的偽跡序列信號為參考信號，采用經(jīng)函數(shù)鏈神經(jīng)網(wǎng)絡(luò)優(yōu)化的自適應(yīng)濾波器對所述腦電切片信號進行濾波，得到去除偽跡序列信號后的腦電切片信號；

對所述腦電切片信號再次進行切片，獲得時間長度為6秒的待處理腦電序列信號。

優(yōu)選地，在利用預(yù)先訓(xùn)練好的分類器對所述待處理腦電序列信號在相空間的特征量及在頻域空間的特征量進行分類，并根據(jù)分類的結(jié)果識別得到腦電放松度之后，還包括：

從預(yù)先配置的放松引導(dǎo)規(guī)則表查找與所述腦電放松度對應(yīng)的放松引導(dǎo)內(nèi)容，并播放所述放松引導(dǎo)內(nèi)容；其中，所述放松引導(dǎo)規(guī)則表包括至少一個放松引導(dǎo)內(nèi)容及與每個放松引導(dǎo)內(nèi)容對應(yīng)的腦電放松度。

優(yōu)選地，在利用預(yù)先訓(xùn)練好的分類器對所述待處理腦電序列信號在相空間的特征量及在頻域空間的特征量進行分類，并根據(jù)分類的結(jié)果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。

本發(fā)明還提供了一種基于頻域及相空間的腦電放松度識別裝置，包括：

信號提取單元，用于獲取當(dāng)前的待處理腦電序列信號，并從所述腦電序列信號中提取得到對應(yīng)于各個腦電波的信號波；

頻域特征提取單元，用于計算與各個腦電波對應(yīng)的信號波的能量，并根據(jù)各個信號波的能量及各個腦電波的頻率范圍，計算各個信號波的頻率均方根，獲得所述待處理腦電序列信號在頻域空間的特征量；

相空間特征提取單元，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，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；

腦電放松度識別單元，用于利用預(yù)先訓(xùn)練好的分類器對所述待處理腦電序列信號在相空間的特征量及在頻域空間的特征量進行分類，并根據(jù)分類的結(jié)果識別得到腦電放松度。

優(yōu)選地，還包括：

加權(quán)移動平均單元，用于對接收的用戶的原始腦電信號進行切片，獲得時間長度為30秒的腦電切片信號，并對所述腦電切片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腦電切片信號；

自適應(yīng)濾波單元，用于以所述腦電切片信號為原始信號，以與所述腦電切片信號同步采集得到的偽跡序列信號為參考信號，采用經(jīng)函數(shù)鏈神經(jīng)網(wǎng)絡(luò)優(yōu)化的自適應(yīng)濾波器對所述腦電切片信號進行濾波，得到去除偽跡序列信號后的腦電切片信號；

切片單元，用于對所述腦電切片信號再次進行切片，獲得時間長度為6秒的待處理腦電序列信號。

優(yōu)選地，還包括：

放松引導(dǎo)選擇單元，用于從預(yù)先配置的放松引導(dǎo)規(guī)則表查找與所述腦電放松度對應(yīng)的放松引導(dǎo)內(nèi)容，并播放所述放松引導(dǎo)內(nèi)容；其中，所述放松引導(dǎo)規(guī)則表包括至少一個放松引導(dǎo)內(nèi)容及與每個放松引導(dǎo)內(nèi)容對應(yīng)的腦電放松度。

優(yōu)選地，還包括：

特征降維單元，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)；

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。

本發(fā)明提供的基于頻域及相空間的腦電放松度識別方法及裝置，同時從相空間、頻域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)。

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頻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是自適應(yīng)濾波器的工作原理圖。

圖5是svm的最優(yōu)超平面分類的示意圖。

圖6是svm高維映射的示意圖。

圖7是本發(fā)明實施例提供的基于頻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頻域及相空間的腦電放松度識別方法，其可包括如下步驟：

s101，獲取當(dāng)前的待處理腦電序列信號，并從所述腦電序列信號中提取得到對應(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。

s102，計算與各個腦電波對應(yīng)的信號波的能量，并根據(jù)各個信號波的能量及各個腦電波的頻率范圍，計算各個信號波的頻率均方根，獲得所述待處理腦電序列信號在頻域空間的特征量。

具體地，各個信號波的能量函數(shù)公式如下：

ω＝2πf(2)

接著，根據(jù)各個信號波的能量及各個腦電波的頻率范圍，計算各個信號波的頻率均方根，獲得所述待處理腦電序列信號在頻域空間的特征量。

如公式3所示，頻率均方根fc：

其中，fh為對應(yīng)的腦電波的上限頻率，fl為對應(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)明實施例中，依次計算各個信號波的頻率均方根，就得到所述待處理腦電序列信號在頻域空間的特征量。

s103，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：

s1031，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。

s1032，用與二維圖表等大小的m*m的網(wǎng)格對應(yīng)覆蓋在各個二維圖表上，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)，且m的取值由信號的長度決定。

s1033，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)。

s104，利用預(yù)先訓(xùn)練好的分類器對所述待處理腦電序列信號在相空間的特征量及在頻域空間的特征量進行分類，并根據(jù)分類的結(jié)果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相空間的特征量及在頻域空間的特征量之后，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，可從預(yù)先配置的放松引導(dǎo)規(guī)則表查找與所述腦電放松度對應(yīng)的放松引導(dǎo)內(nèi)容，并播放所述放松引導(dǎo)內(nèi)容；其中，所述放松引導(dǎo)規(guī)則表包括至少一個放松引導(dǎo)內(nèi)容及與每個放松引導(dǎo)內(nèi)容對應(yīng)的腦電放松度。如此，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頻域及相空間的腦電放松度識別方法，同時從相空間、頻域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，在步驟s103之后，步驟s104之前，還可以包括：

s105，基于主成分分析法對所述待處理腦電序列信號在相空間的特征量及在頻域空間的特征量進行降維處理，獲得降維后的特征量。

具體地：

s1051，將所述待處理腦電序列信號在相空間的特征量及在頻域空間的特征量設(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相空間的特征量及在頻域空間的特征量設(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，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。

s1052，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＝x^tx，即：

其中：

s1053，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(9)

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。

s1054，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10所述。累計貢獻率即前m個貢獻率的累積和，如公式11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)累計貢獻率大于dmax時，停止計算，此時累計計算的特征根λ的數(shù)目為m，則只需要選取前m個主成分即可。

s1055，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：得到各主成分的載荷以后，就可以知道選取的每一個主成分分別對應(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相空間和頻域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相空間和頻域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。

優(yōu)選地，在步驟s103之后，步驟s104之前，還可以包括：

s106，結(jié)合方差分析和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s101之前，還包括：

s01，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：其中，w(i)為第i個時刻的腦電信號的權(quán)值值，t(i)為第i個時刻的腦電信號的時間，τ表示需要放大的局部信息量。如圖3所示，采用這種權(quán)值分布，避免了將第j點附近所有點都看成是一樣的比重，而是按照距離(時間差)賦予其一個比重，實現(xiàn)局部信息量的放大，減弱了距離太遠的信息對當(dāng)前點的影響。

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。

優(yōu)選地，在步驟s101之前，還可以包括：

s02，以待處理腦電序列信號為原始信號，以與所述待處理腦電序列信號同步采集得到的偽跡序列信號為參考信號，采用經(jīng)函數(shù)鏈神經(jīng)網(wǎng)絡(luò)優(yōu)化的自適應(yīng)濾波器對所述原始腦電序列信號進行濾波，得到去除偽跡序列信號后的待處理腦電序列信號。

需要說明的是，在s101之前，可以單獨采用步驟s01對待處理腦電序列信號進行處理，也可以單獨采用步驟s02對待處理腦電序列信號進行處理，還可以同時采用步驟s01和步驟s02對待處理腦電序列信號進行處理。當(dāng)同時采用步驟s01和步驟s02對待處理腦電序列信號進行處理時，步驟s01與步驟s02無特定的先后順序。

在本優(yōu)選實施例中，考慮到待處理腦電序列信號中還包含有各種偽跡序列信號，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的幅值較高，是腦電信號的幾倍甚至幾十倍，而且與腦電信號在頻域有混疊。

本優(yōu)選實施例提出一種經(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中的各種偽跡信號。

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4所示，其由原始信號(即所述待處理腦電序列信號)和參考信號(與所述待處理腦電序列信號同步采集得到的偽跡序列信號，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)兩個輸入組成。濾波時，參考信號經(jīng)自適應(yīng)濾波后，與原始信號進行比較，得到所需腦電序列信號的預(yù)估信號(較為純凈的腦電序列信號)，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)將原輸入矢量進行維數(shù)擴展，將線性參數(shù)擴展為非線性，來增強自適應(yīng)濾波器的非線性處理能力。flnn由函數(shù)擴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flnn實現(xiàn)了對輸入的非線性擴展，更有助于描述腦電信號的非線性特性。

優(yōu)選地，所述步驟s104具體包括：

s1041，利用至少兩個訓(xùn)練好的支持向量機對所述特征量進行分類，得到所述待處理腦電序列信號在各個支持向量機下的分類；其中，不同的支持向量機的誤差懲罰參數(shù)和核函數(shù)的寬度參數(shù)由不同的參數(shù)尋優(yōu)算法進行優(yōu)化得到。

s1042，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。

s1043，根據(jù)所述分類與腦電放松度的對應(yīng)關(guān)系，識別得到當(dāng)前的腦電放松度。

在本發(fā)明實施例中，在得到待處理腦電序列信號的特征量后，將其輸入到支持向量機(supportvectormachine，svm)，對所述特征量進行分類，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。

具體地，支持向量機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，從而達到最大的泛化能力，如圖5所示。

下面將介紹svm的原理。

首先，針對給定二分類樣本對{(xi，yi)，xi∈rn，yi＝±1}(以此類推五分類樣本對為{(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，需引入非負松馳變量αi，i＝1,2，......，l；分類超平面的優(yōu)化問題轉(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題，通過函數(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，從而達到最大的泛化能力，如圖6所示。

在本發(fā)明實施例中，構(gòu)造好svm后，就可以進行訓(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，進行svm訓(xùn)練。

在訓(xùn)練好svm后，就可以利用該svm進行分類，從而實現(xiàn)放松度的分類識別。

需要說明的是，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，表示對錯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)機器置信范圍和經(jīng)驗風(fēng)險比例，使學(xué)習(xí)機器的推廣能力最好。核函數(shù)及參數(shù)的選擇也直接影響到svm分類好壞。

在本發(fā)明實施例中，為了保證所述svm分類的效果，在進行分類識別時，同時將所述特征量輸入到多個svm中，其中，不同的支持向量機的誤差懲罰參數(shù)和核函數(shù)的寬度參數(shù)由不同的參數(shù)尋優(yōu)算法進行優(yōu)化得到，如此，每個支持向量機都將識別得到一個分類的結(jié)果，在確定最終分類時，將出現(xiàn)次數(shù)最多的分類設(shè)置為所述特征量的分類，根據(jù)所述分類與腦電放松度的對應(yīng)關(guān)系，識別得到當(dāng)前的腦電放松度。

其中，優(yōu)選地，所述參數(shù)尋優(yōu)算法包括：結(jié)合交叉驗證法與網(wǎng)格搜索算法、結(jié)合留一法與遺傳算法、結(jié)合交叉驗證法與遺傳算法、結(jié)合交叉驗證法與粒子群算法。

本優(yōu)選實施例中，通過多個支持向量機進行特征量的識別分類，并將出現(xiàn)最多的分類作為最終的分類，可避免單一支持向量機不穩(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。

請參閱圖7，本發(fā)明還提供一種基于頻域及相空間的腦電放松度識別裝置100，包括：

信號提取單元10，用于獲取當(dāng)前的待處理腦電序列信號，并從所述腦電序列信號中提取得到對應(yīng)于各個腦電波的信號波。

頻域特征提取單元20，用于計算與各個腦電波對應(yīng)的信號波的能量，并根據(jù)各個信號波的能量及各個腦電波的頻率范圍，計算各個信號波的頻率均方根，獲得所述待處理腦電序列信號在頻域空間的特征量。

相空間特征提取單元30，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，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

腦電放松度識別單元40，用于根據(jù)所述待處理腦電序列信號在相空間的特征量及在頻域空間的特征量進行分類識別，得到腦電放松度。

優(yōu)選地，還包括：

加權(quán)移動平均單元，用于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；

自適應(yīng)濾波單元，用于以待處理腦電序列信號為原始信號，以與所述待處理腦電序列信號同步采集得到的偽跡序列信號為參考信號，采用經(jīng)函數(shù)鏈神經(jīng)網(wǎng)絡(luò)優(yōu)化的自適應(yīng)濾波器對所述原始腦電序列信號進行濾波，得到去除偽跡序列信號后的待處理腦電序列信號；

切片單元，用于對所述腦電切片信號再次進行切片，獲得時間長度為6秒的待處理腦電序列信號。

優(yōu)選地，所述相空間特征提取單元30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，用與二維圖表等大小的m*m的網(wǎng)格對應(yīng)覆蓋在各個二維圖表上，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)。

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)，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。

優(yōu)選地，所述基于頻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相空間的特征量及在頻域空間的特征量進行降維處理，獲得降維后的特征量。

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相空間的特征量及在頻域空間的特征量設(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。

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，還包括：

特征選取單元，用于結(jié)合方差分析和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。

其中，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)；

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，所述腦電放松度識別單元40具體包括：

分類模塊，用于用至少兩個訓(xùn)練好的支持向量機對所述特征量進行分類，得到所述待處理腦電序列信號在各個支持向量機下的分類；其中，不同的支持向量機的誤差懲罰參數(shù)和核函數(shù)的寬度參數(shù)由不同的參數(shù)尋優(yōu)算法進行優(yōu)化得到；

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；

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。

本優(yōu)選實施例中，通過多個支持向量機進行特征量的識別分類，并將出現(xiàn)最多的分類作為最終的分類，可避免單一支持向量機不穩(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。

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。