一种裸眼3D显示视觉诱导晕动症检测方法技术

本发明专利技术公开了一种基于EEG的裸眼3D显示视觉诱导晕动症检测方法。首先对EEG数据进行预处理；然后对预处理后的数据进行特征提取，并通过特征选择得到与VIMS级别(VIMS Level,VIMSL)数据相关性高的特征子集；最后，通过构造分类器对VIMS的状态进行分类，判断是否有视觉诱导晕动症症状产生，从而实现对视觉诱导晕动症(VIMS)的检测，判断是否有视觉诱导晕动症症状产生，从而实现对视觉诱导晕动症(VIMS)的检测，从而为裸眼3D显示技术的改进提供支持判断机制。

【技术实现步骤摘要】
一种裸眼3D显示视觉诱导晕动症检测方法
本专利技术涉及裸眼3D视频显示领域，更为具体地讲，尤其涉及一种裸眼3D显示视觉诱导晕动症检测方法。
技术介绍
裸眼3D显示由于无需佩戴任何辅助设备(如3D眼镜、头盔等)的情况下，通过柱状透镜等先进光学技术与信号处理算法即可观看到具有冲击力的立体视觉效果，代表了3D显示技术未来的发展方向，可广泛用于传媒广告、展览展示、科研教育、影视娱乐等领域，能够给人们的生产、生活各方面带来全新的体验和视觉享受。近几年，随着4K及8K显示技术的快速发展，裸眼3D技术日渐成熟、软硬件不断完善，目前裸眼3D观看效果比过去有了很大的提高。随着3D技术的进一步发展、成本的降低、内容的逐步完善，裸眼3D显示将成为最新的显示和终极视频产品普及到家庭和各个应用领域。在新兴产业发展规划中，裸眼3D显示被重点列入了新型显示专栏，并明确指出需掌握其相关的节目源、发射、传输、接收、显示等集成技术。市场预测机构IDC在一项研究数据中指出，裸眼3D显示技术逐渐成熟，预计到2020年出货比重将达到18.4％。现阶段，大屏裸眼3D显示应用于家用市场还有一些技术及内容瓶颈，仅以裸眼3D手机、裸眼3DPAD为例，该产业有上千亿的市场规模。然而，人们在长时间使用裸眼3D显示设备观看3D视频的过程中，往往会产生眩晕、恶心甚至呕吐等症状，我们把这些症状统称为视觉诱导晕动症(VisuallyInducedMotionSickness,VIMS)，这些症状严重影响着裸眼3D显示产品的用户体验，极大地制约着裸眼3D产品的推广与应用。因此，开展对VIMS的检测研究具有重要的意义。关于VIMS的检测，以前有学者提出了一种动态驾驶环境中基于脑电波(Electroencephalogram,EEG)的在线晕动评估系统。该系统需要更复杂的脑电采集设备以获得更多通道数的EEG数据的支持，然后进行通道选择和时频转换之后直接进行频带选择两个步骤，直接抛弃了较多通道和频带的信息；并且在时频分析的处理流程之后，该系统并没有进一步的对频域的特征进行充分利用。而本专利技术提出的VIMS检测算法则避免了上述问题，可以采用相对简单的脑电采集设备在仅有4个通道的EEG数据的情况下，仍能达到较高的检测准确率，适用于较少通道可穿戴无线设备条件下VIMS检测系统的构建。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于EEG的视觉诱导晕动症检测算法，可以在较少通道数据EEG信号的情况下有效检测出VIMS的产生，丰富人们对VIMS的研究，从而为裸眼3D显示技术的改进与发展提供参考。为实现上述专利技术目的，本专利技术提出一种基于EEG的裸眼3D显示视觉诱导晕动症检测算法，其特征在于，包括以下三大模块：预处理、特征提取与选择和VIMS状态分类，其中每个模块又分若干步骤，下面将做详细介绍：S1：预处理模块：S101：数据去重：我们发现在采集的原始EEG数据中，有极少量的重复数据(相邻的记录中4个通道的浮点数完全相同视为重复)。平均每个受试者40万条记录中约有500条记录是重复的。这部分数据可能是由于Muse的量化位数较少以及采样频率较低导致的，其中Muse设备用是来采集EEG数据，完成基本的生理数据的采集。重复数据并不能准确表征即时的脑部状态，因此要予以去除。S102：归一化：由于原始EEG数据的数值波动较大，如果使用原始的数值进行分析，就会夸大数值较高的数据的作用。此外，在机器学习中有部分模型在各个维度进行不均匀伸缩后，最优解与原来不等价，例如支持向量机(SupportVectorMachine,SVM)和人工神经网络(ArtificialNeuralnetwork,ANN)等。为了使得不同的数值具有可比性，并且不改变原始数据的分布，我们需要对原始EEG数据进行归一化处理。S103：数据滤波：科学研究表明，正常人的有效脑电信号频率涵盖0.5Hz到50Hz，而在脑电信号采集的过程中又不可避免的受到高功率的工频信号的影响。本专利技术实验数据是在美国哈佛医学院采集得到的，考虑到美国标准电压频率为60Hz，故本专利技术设计选取上限为50Hz的低通滤波器来去除脑电信号中的工频干扰。同时，考虑到既要保持带通区(50Hz以下)EEG信号的良好特性，又希望能在带阻区(50Hz以上)尽可能的衰减工频干扰，因此选择了带通区最平坦，阻带下降慢，但是最终能衰减至0的巴特沃斯滤波器。最终，本专利技术选择使用上限为50Hz的巴特沃斯(Butterworth)低通滤波器来去除EEG信号中的工频干扰。其中，Butterworth滤波器是一种电子滤波器，它的特点是通频带内的频率响应曲线平坦，没有波形起伏变化，且在阻频带内则单调下降直至为零。S2：特征提取与选择模块：S201：特征提取：在本专利技术的特征提取阶段，我们使用了两种不同方法从原始EEG信号中提取特征，包括基于EEG的小波特性得到的小波熵、各小波子带系数均值和统计特性计算出的最大值、最小值、均值和标准差。然后再对所有得到的44个候选特征与VIMSL列作相关性分析，选取有显著性差异的22个特征作为最终的检测特征。本阶段主要是提取候选特征，是特征提取和选择的第一步。本专利技术中共采集了4个通道(TP9、FP1、FP2、TP10)的EEG数据，对各通道的每个滑动窗口内的数据分别进行6阶小波变换求得小波系数和小波熵，因为正常人EEG信号的频率低于50Hz，所以本专利技术中在对小波变换特征进行处理的时候，去掉了55Hz～110Hz的子带。因此对每个通道的每个滑动窗口数据就可以得到1个小波熵、6个子带系数均值和最大值、最小值、均值、标准差等11个候选特征，4个通道则一共有44(11*4)个候选特征。S202：特征选择：特征选择也被称为“特征子集选择”或则“属性选择”，一般是指从已有的候选特征集中选取一个最相关特征子集进行训练使得特定目标函数最优化，是改善学习模型性能的重要方法，更是模式识别过程中尤为关键的数据处理过程。从某种意义上来说，使用更精致的学习样本就能得到更优的实验结果。在本专利技术中，我们采用的是计算每一个特征与响应变量的相关性的方法来进行特征选择。在步骤S201的特征提取过程中，算法综合了小波特征和统计特征共44个属性作为候选特征，但这些候选特征中有一些特征与实验的响应变量做相关性分析发现没有显著性差异产生，如果保留这些候选特征则会对训练结果有不好影响，因此应该把这些没有显著性差异的特征予以去除，提升算法精确度。在本过程，对步骤S201提取出的44个特征数据分别与VIMSL列作斯皮尔曼等级相关性分析(因为是连续型数据与等级分类型的数据做相关性分析，选择斯皮尔曼等级相关性分析更为合理)。根据斯皮尔曼等级相关性分析结果，我们最终选择了具有显著性差异(sig<0.05)的22个相关特征作为最终的训练特征，分别是：TP9_entro、TP9_1、TP9_max、TP9_min、TP9_mean、TP9_std、FP1_entro、FP1_1、FP1_max、FP1_min、FP1_mean、FP1_std、FP2_entro、FP2_max、FP2_min、FP2_std、TP10_entro、TP10_1、TP10_max、TP10_min、TP10_本文档来自技高网...

【技术保护点】
1.一种裸眼3D显示视觉诱导晕动症检测方法，其特征在于，包括以下步骤：S1：预处理模块：S101：数据去重：我们发现在采集的原始EEG数据中，有极少量的重复数据(相邻的记录中4个通道的浮点数完全相同视为重复)。平均每个受试者40万条记录中约有500条记录是重复的。这部分数据可能是由于Muse的量化位数较少以及采样频率较低导致的，其中Muse设备用是来采集EEG数据，完成基本的生理数据的采集。重复数据并不能准确表征即时的脑部状态，因此要予以去除。S102：归一化：由于原始EEG数据的数值波动较大，如果使用原始的数值进行分析，就会夸大数值较高的数据的作用。此外，在机器学习中有部分模型在各个维度进行不均匀伸缩后，最优解与原来不等价，例如SVM、ANN等。为了使得不同的数值具有可比性，并且不改变原始数据的分布，我们需要对原始EEG数据进行归一化处理。。S103：数据滤波：科学研究表明，正常人的有效脑电信号频率涵盖0.5Hz到50Hz，而在脑电信号采集的过程中又不可避免的受到高功率的工频信号的影响。本文的实验数据在美国哈佛医学院采集得到，考虑到美国标准电压频率为60Hz，故本文设计选取上限为50Hz的低通滤波器来去除脑电信号中的工频干扰。同时，考虑到既要保持带通区(50Hz以下)EEG信号的良好特性，又希望能在带阻区(50Hz以上)尽可能的衰减工频干扰，因此选择了带通区最平坦，阻带下降慢，但是最终能衰减至0的巴特沃斯滤波器。最终，本算法实验选择使用上限为50Hz的Butterworth低通滤波器来去除EEG信号中的工频干扰。S2：特征提取与选择模块：S201：特征提取：在本专利技术的特征提取阶段，我们使用了两种不同方法从原始EEG信号中提取特征，包括基于EEG的小波特性得到的小波熵、各小波子带系数均值和统计特性计算出的最大值、最小值、均值和标准差。然后再对所有得到的44个候选特征与VIMSL列作相关性分析，选取有显著性差异的22个特征作为最终的检测特征。本阶段主要是提取候选特征，是特征提取和选择的第一步。S202：特征选择：在本专利技术中，我们采用的是计算每一个特征与响应变量的相关性的方法来进行特征选择。在步骤S201的特征提取过程中，算法综合了小波特征和统计特征共44个属性作为候选特征，但这些候选特征中有一些特征与实验的响应变量做相关性分析发现没有显著性差异产生，如果保留这些候选特征则会对训练结果有不好影响，因此应该把这些没有显著性差异的特征予以去除，提升算法精确度。S3：VIMS状态分类模块：本专利技术中使用模式识别(模式分类)的算法模型来进行晕动特征检测。模式识别(Pattern Recognition,PR)，就是使用电脑把数学技术方法用于研究特征模式的自动处理和判读。而模式分类是使用分类函数或分类模型将特征集映射到某个或多个已知的类别，它是模式识别的重要组成部分，直接影响到其识别的效果，目前模式分类已经被运用到科学研究的各个方面。...

【技术特征摘要】
1.一种裸眼3D显示视觉诱导晕动症检测方法，其特征在于，包括以下步骤：S1：预处理模块：S101：数据去重：我们发现在采集的原始EEG数据中，有极少量的重复数据(相邻的记录中4个通道的浮点数完全相同视为重复)。平均每个受试者40万条记录中约有500条记录是重复的。这部分数据可能是由于Muse的量化位数较少以及采样频率较低导致的，其中Muse设备用是来采集EEG数据，完成基本的生理数据的采集。重复数据并不能准确表征即时的脑部状态，因此要予以去除。S102：归一化：由于原始EEG数据的数值波动较大，如果使用原始的数值进行分析，就会夸大数值较高的数据的作用。此外，在机器学习中有部分模型在各个维度进行不均匀伸缩后，最优解与原来不等价，例如SVM、ANN等。为了使得不同的数值具有可比性，并且不改变原始数据的分布，我们需要对原始EEG数据进行归一化处理。。S103：数据滤波：科学研究表明，正常人的有效脑电信号频率涵盖0.5Hz到50Hz，而在脑电信号采集的过程中又不可避免的受到高功率的工频信号的影响。本文的实验数据在美国哈佛医学院采集得到，考虑到美国标准电压频率为60Hz，故本文设计选取上限为50Hz的低通滤波器来去除脑电信号中的工频干扰。同时，考虑到既要保持带通区(50Hz以下)EEG信号的良好特性，又希望能在带阻区(50Hz以上)尽可能的衰减工频干扰，因此选择了带通区最平坦，阻带下降慢，但是最终能衰减至0的巴特沃斯滤波器。最终，本算法实验选择使用上限为50Hz的Butterworth低通滤波器来去除EEG信号中的工频干扰。S2：特征提取与选择模块：S201：特征提取：在本发明的特征提取阶段，我们使用了两种不同方法从原始EEG信号中提取特征，包括基于EEG的小波特性得到的小波熵、各小波子带系数均值和统计特性计算出的最大值、最小值、均值和标准差。然后再对所有得到的44个候选特征与VIMSL列作相关性分析，选取有显著性差异的22个特征作为最终的检测特征。本阶段主要是提取候选特征，是特征提取和选择的第一步。S202：特征选择：在本发明中，我们采用的是计算每一个特征与响应变量的相关性的方法来进行特征选择。在步骤S201的特征提取过程中，算法综合了小波特征和...

【专利技术属性】
技术研发人员：李万钟，
申请(专利权)人：成都泰和万钟科技有限公司，
类型：发明
国别省市：四川,51