用于脑状态监测的头戴式智能穿戴电极数量优化法及应用制造技术

一种用于脑状态监测的头戴式智能穿戴电极数量优化法及应用：对智能穿戴设备测得的多通道信号进行预处理，得到多尺度多通道信号；对所有尺度下的多通道信号构建多尺度加权递归网络；在每个尺度下，对交叉递归率矩阵选取阈值；采用基于贪婪优化策略的鲁文算法探寻多尺度无权递归网络的社团结构；通过比较不同脑状态下的社团结构的演化，同时结合复杂网络的关键节点探寻算法，确定网络中的关键节点，关键节点对应的电极即为可监测脑状态变化的关键电极；针对关键电极测得的多通道信号，构建多元多尺度复杂网络；针对关键电极所得信号构建的多元多尺度复杂网络提取复杂网络指标；训练深度学习模型和进行脑状态监测。本发可提高智能穿戴设备的便携性和实用性。

【技术实现步骤摘要】

本专利技术涉及一种电极优化方法。特别是涉及一种用于脑状态监测的头戴式智能穿戴电极数量优化法及应用。
技术介绍
脑电信号是脑神经细胞生理活动在大脑皮层或头皮表面的总体反映。脑电信号中包含了大量的生理与疾病信息，在临床医学方面，对脑状态的准确监测不仅可为某些脑疾病提供诊断依据，同时也能够为某些脑疾病提供有效的治疗手段。在工程应用方面，人们也尝试利用脑电信号实现脑-计算机接口，利用人对不同的感觉、运动或认知活动的脑电的不同，通过对脑电信号特征的有效的提取和分类实现意念控制等。但由于脑电信号是不具备各态历经性的非平稳随机信号，而且其背景噪声也很强，因此脑电信号的分析和处理具有十分重要的意义但同时也具备相当大的难度。众多的智能穿戴设备在市场上涌现，它们可以对用户的脑电信号进行实时监测，实现某些脑状态的监测与分类。对于智能穿戴设备来说，如何使其更加便携并节约成本是在设计过程中两个非常值得思考的问题。由此，如何在众多的脑电极中找到关键的脑电极对于实现便捷性和节约成本具有十分重要的意义。另外，目前大多数时间序列分析方法只能实现对一元数据的分析，如何融合多通道信息实现更加准确的辨别并为疾病的诊断提供重要依据依然存在较大局限性，同时对于实现更为复杂的意念控制依然是个值得探索的问题。复杂网络理论自创立以来，如今已在多领域得到了蓬勃发展，是研究复杂系统的一个重要工具，尤其是近年来其在时间序列分析中领域作出了重大贡献。实践表明，复杂网络对于挖掘包含在非线性时间序列中和非线性动力学系统中的重要信息具有明显的优势，效果显著。其在单通道时间序列上的得到成功应用的同时，也使得科研人员开始关注如何将其应用到多通道数据的融合分析中。递归网络作为复杂网络研究中的一个重要分支，在多领域得到广泛应用，尤其是对于不稳定的、短的时间序列，其分析效果十分显著。它可以用于探究复杂系统和时间序列中的动力学特性。
技术实现思路
本专利技术所要解决的技术问题是，提供一种可提高智能穿戴设备的便携性和实用性的用于脑状态监测的头戴式智能穿戴电极数量优化法及应用。本专利技术所采用的技术方案是：一种用于脑状态监测的头戴式智能穿戴设备电极数量优化方法，包括如下步骤：1)对智能穿戴设备测得的多通道信号进行预处理，预处理中的带通滤波范围是根据特定的任务选取特定的脑电节律波确定，对预处理后的脑电信号进行多尺度变换，得到多尺度多通道信号；2)在一个固定尺度因子β下构建交叉递归率矩阵和多尺度加权递归网络；3)对所有尺度下的多通道信号进行步骤2)所述的构建多尺度加权递归网络，得到多尺度加权递归网络；在每个尺度下，对所述的交叉递归率矩阵，选取阈值，若交叉递归率大于所述阈值，则网络中的两节点之间有连边，否则无连边，由此得到多尺度无权递归网络和它的邻接矩阵；4)采用基于贪婪优化策略的鲁文算法探寻多尺度无权递归网络的社团结构；通过比较不同脑状态下的社团结构的演化，同时结合复杂网络的关键节点探寻算法，确定网络中的关键节点，关键节点对应的电极即为可监测脑状态变化的关键电极；5)针对关键节点所在的电极即关键电极测得的多通道信号，构建多元多尺度复杂网络；6)针对关键电极所得信号构建的多元多尺度复杂网络提取复杂网络指标；7)训练深度学习模型和进行脑状态监测。步骤1)所述的预处理中的带通滤波范围是根据特定的任务选取特定的脑电节律波确定，具体是：深度睡眠、缺氧以及大脑出现器质性病变时出现的δ波，频率范围为1-4Hz；在意愿受到挫折和抑郁时出现的θ波，频率范围为4-8Hz；人在清醒、安静或闭眼时最为明显的是α波，频率范围为8-13Hz；人精神紧张和情绪激动或兴奋时出现的β波，频率范围为13-30Hz；若无特定的节律波要求，则去除高低频干扰即可。步骤1)所述的对预处理后的脑电信号进行多尺度变换，包括：(1)对于长度均为C具有p通道的信号中的每一通道的信号分别进行粗粒化得到：其中，μxk,i(β)是粗粒化后得到的信号的任意一点，yk,b是信号Y中的任意一点，β是固定尺度因子，μ表示数据是求均值得到的，表示对进行取整，其中粗粒化后的单通道的数据长度为L,(2)对每一通道的原始信号计算粗粒化方差，得到每一通道的多尺度信号xk,i(β)：由此，得到多尺度多通道信号步骤2)所述的在每一个固定尺度因子β下构建多尺度加权递归网络，包括：(1)对一个固定尺度因子β下得到的多通道信号进行相空间重构：其中，N是进行相空间重构后相空间轨迹上向量点的数目，m为嵌入维数，采用错误最近邻法确定，τ为延迟时间，采用互信息法确定，为通道k经过相空间重构后得到的相空间轨迹；(2)对于任意两通道m和n的信号xm,i(β)和xn,i(β)，其中m≠n，在进行第(1)步后得到相空间轨迹其中u＝1,....,N和其中v＝1,....,N；通过对这两个相空间轨迹进行交叉递归，得到一个大小为N×N的交叉递归图：其中，ε为阈值，采用15％的两通道信号标准偏差和选取，表示两相空间轨迹中任意两向量点之间的距离；表示如果则其值为1，如果则其值为0；这样一来，若的值为1，则在递归图中为黑色，若的值为0，则在递归图中为白色；(3)为了量化每一个交叉递归图中递归点的密度，计算交叉递归率：(4)对于固定尺度因子β下得到的多通道信号对每两通道信号采用第(3)步，得到一个大小为p×p的交叉递归率矩阵；(5)将每一通道信号视作节点，将两通道间形成的交叉递归图的交叉递归率作为节点间连边的权重；由此，得到在任一固定尺度下的加权递归网络。步骤5)包括：(1)获得p组长度皆为L的多通道信号并进行粗粒化，获得多通道粗粒化信号其中，e是尺度因子且(2)对于每一个获得多通道粗粒化信号在每一固定个尺度因子e下建立多元复杂网络，方法如下：(a)一个固定尺度因子e下得到多通道信号其中，L1是该固定尺度因子e下粗粒化得到的多通道信号的长度；(b)对多通道信号进行多元相空间重构，得到其中，τ＝[τ1,τ2,…,τp]是延迟时间矢量且M＝[m1,m2,…,mp]∈Rp是嵌入维数矢量，从而得到(L1-n)个复合延迟矢量Ym(s)∈Rm，其中，n＝max{M本文档来自技高网...

【技术保护点】
一种用于脑状态监测的头戴式智能穿戴设备电极数量优化方法，其特征在于，包括如下步骤：1)对智能穿戴设备测得的多通道信号进行预处理，预处理中的带通滤波范围是根据特定的任务选取特定的脑电节律波确定，对预处理后的脑电信号进行多尺度变换，得到多尺度多通道信号；2)在一个固定尺度因子β下构建交叉递归率矩阵和多尺度加权递归网络；3)对所有尺度下的多通道信号进行步骤2)所述的构建多尺度加权递归网络，得到多尺度加权递归网络；在每个尺度下，对所述的交叉递归率矩阵，选取阈值，若交叉递归率大于所述阈值，则网络中的两节点之间有连边，否则无连边，由此得到多尺度无权递归网络和它的邻接矩阵；4)采用基于贪婪优化策略的鲁文算法探寻多尺度无权递归网络的社团结构；通过比较不同脑状态下的社团结构的演化，同时结合复杂网络的关键节点探寻算法，确定网络中的关键节点，关键节点对应的电极即为可监测脑状态变化的关键电极；5)针对关键节点所在的电极即关键电极测得的多通道信号，构建多元多尺度复杂网络；6)针对关键电极所得信号构建的多元多尺度复杂网络提取复杂网络指标；7)训练深度学习模型和进行脑状态监测。

【技术特征摘要】
1.一种用于脑状态监测的头戴式智能穿戴设备电极数量优化方法，其特征在于，包括如下步骤：1)对智能穿戴设备测得的多通道信号进行预处理，预处理中的带通滤波范围是根据特定的任务选取特定的脑电节律波确定，对预处理后的脑电信号进行多尺度变换，得到多尺度多通道信号；2)在一个固定尺度因子β下构建交叉递归率矩阵和多尺度加权递归网络；3)对所有尺度下的多通道信号进行步骤2)所述的构建多尺度加权递归网络，得到多尺度加权递归网络；在每个尺度下，对所述的交叉递归率矩阵，选取阈值，若交叉递归率大于所述阈值，则网络中的两节点之间有连边，否则无连边，由此得到多尺度无权递归网络和它的邻接矩阵；4)采用基于贪婪优化策略的鲁文算法探寻多尺度无权递归网络的社团结构；通过比较不同脑状态下的社团结构的演化，同时结合复杂网络的关键节点探寻算法，确定网络中的关键节点，关键节点对应的电极即为可监测脑状态变化的关键电极；5)针对关键节点所在的电极即关键电极测得的多通道信号，构建多元多尺度复杂网络；6)针对关键电极所得信号构建的多元多尺度复杂网络提取复杂网络指标；7)训练深度学习模型和进行脑状态监测。2.根据权利要求1所述的用于脑状态监测的头戴式智能穿戴设备电极数量优化方法，其特征在于，步骤1)所述的预处理中的带通滤波范围是根据特定的任务选取特定的脑电节律波确定，具体是：深度睡眠、缺氧以及大脑出现器质性病变时出现的δ波，频率范围为1-4Hz；在意愿受到挫折和抑郁时出现的θ波，频率范围为4-8Hz；人在清醒、安静或闭眼时最为明显的是α波，频率范围为8-13Hz；人精神紧张和情绪激动或兴奋时出现的β波，频率范围为13-30Hz；若无特定的节律波要求，则去除高低频干扰即可。3.根据权利要求1所述的用于脑状态监测的头戴式智能穿戴设备电极数量优化方法，其特征在于，步骤1)所述的对预处理后的脑电信号进行多尺度变换，包括：(1)对于长度均为C具有p通道的信号中的每一通道的信号分别进行粗粒化得到：其中，是粗粒化后得到的信号的任意一点，yk,b是信号Y中的任意一点，β是固定尺度因子，μ表示数据是求均值得到的，表示对进行取整，其中粗粒化后的单通道的数据长度为L,(2)对每一通道的原始信号计算粗粒化方差，得到每一通道的多尺度信号xk,i(β)：由此，得到多尺度多通道信号4.根据权利要...

【专利技术属性】
技术研发人员：高忠科，杨宇轩，蔡清，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12