基于自回归模型和小波变换的脑电放松度识别方法及系统技术方案

本发明专利技术公开了一种基于自回归模型和小波变换的脑电放松度识别方法，包括：基于构建好的自回归模型对接收的待处理脑电序列信号进行信号提取，得到对应于各个脑电波的第一信号；根据脑电波的频率范围，对接收的待处理脑电序列信号进行小波变换，得到各个脑电波的第二信号；基于对应于各个脑电波的第一信号及第二信号的质量指数，计算得到与各个脑电波的第一信号对应的第一权重因子及与所述第二信号对应的第二权重因子；根据第一信号、第一权重因子、第二信号及第二权重因子，计算得到第三信号；对各个脑电波的第三信号进行特征提取，并根据特征量进行分类识别，得到脑电放松度。本发明专利技术还提供了一种基于自回归模型和小波变换的脑电放松度识别系统，可准确提取脑电波，从而实现准确的脑电放松度识别。

Loose and system identification method of autoregressive model and wavelet transform based on brain release

The present invention discloses a kind of recognition method, loose autoregressive model and the wavelet transform of the brain including: Construction of the telex release based on autoregressive model for processing EEG signal receiving the signal extraction based on the first signal corresponding to various brain waves; according to the frequency range of EEG wave, wavelet transform the pending EEG signal receiving, second signals of different brain waves; the quality index of the first signal and the two signal corresponding to various brain waves based on the second weighting factor weighting factor calculated by a first signal corresponding to the respective brain waves and the second signal corresponding to the signal according to the first; first, second, and two signal weighting factor weighting factor, calculated by the third signal; the third signal for each EEG feature extraction, and according to the Feature classification, brain release looseness. The invention also provides an autoregressive model and wavelet transform based on the loose degree recognition system of brain electricity, can accurately extract the brain waves, so as to realize the accurate identification of brain electricity pine.

【技术实现步骤摘要】
基于自回归模型和小波变换的脑电放松度识别方法及系统
本专利技术涉及放松治疗领域，尤其涉及一种基于自回归模型和小波变换的脑电放松度识别方法及系统。
技术介绍
放松训练是行为疗法中使用最广的技术之一，是在心理学实验的基础上建立和发展起来的咨询和治疗方法，其在治疗焦虑抑郁症、神经性头痛、失眠、高血压病，减轻更年期综合征和转变不良行为模式等方面取得了较好的疗效。现有的放松训练主要有录音指导、口头指导和生物反馈指导。其中，录音指导方法僵化、没有变化，无法根据受训者的状态变化内容；口头指导则要求对口头指导的对象要求很高，且受到时间、场地限制；生物反馈指导以脑电反馈为主，能够结合前两种方式的优点，因而受到广泛关注。进行生物反馈指导需要识别用户的放松度，而计算放松度首先需要从用户的脑电信号中提取各个频段的脑电波(包括Delta、Theta、Alpha、Beta、Gamma波)，脑电波能否准确提取关系到最终脑电放松度识别的精确度。虽然每个脑电波都有自己的特征频率，但由于各个脑电波的特征频率比较接近，因此如何准确的分离提取各个频段脑电波就显得至关重要。现有方式一般直接采用单一的滤波方式进行脑电波的提取，但是这种提取方法提取效果不稳定，容易受到外界因素干扰以及滤波器本身的性能或波动性的影响，进而影响到最终的脑电放松度的识别精度。
技术实现思路
针对上述问题，本专利技术的目的在于提供一种基于自回归模型和小波变换的脑电放松度识别方法及系统，可准确的分离提取出脑电信号中的各个脑电波。本专利技术提供了一种基于自回归模型和小波变换的脑电放松度识别方法，包括如下步骤：基于构建好的自回归模型对接收的待处理脑电序列信号进行信号提取，得到对应于各个脑电波的第一信号；根据各个脑电波的频率范围，对接收的待处理脑电序列信号进行小波变换，重构得到对应于各个脑电波的第二信号；基于对应于各个脑电波的第一信号及第二信号的质量指数，计算得到与各个脑电波的第一信号对应的第一权重因子及与各个脑电波的第二信号对应的第二权重因子；根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子，计算得到对应于各个脑电波的第三信号；对所述各个脑电波的第三信号进行特征提取，并根据提取得到的特征量进行分类识别，得到脑电放松度。优选地，在基于构建好的自回归模型对接收的待处理脑电序列信号进行信号提取，得到对应于各个脑电波的第一信号之前，还包括：以待处理脑电序列信号为原始信号，以与所述待处理脑电序列信号同步采集得到的伪迹序列信号为参考信号，采用经函数链神经网络优化的自适应滤波器对所述原始脑电序列信号进行滤波，得到去除伪迹序列信号后的待处理脑电序列信号。优选地，所述基于构建好的自回归模型对接收的待处理脑电序列信号进行信号提取，得到对应于各个脑电波的第一信号具体包括：基于待处理脑电序列信号构建得到自回归模块；估计与各个脑电波对应的自回归模块中的加权参数，计算与各个脑电波对应的系数矩阵，得到对应的各个脑电波的特征；根据各个脑电波的特征，采用自相关分离算法，对待处理脑电序列信号进行抽取，提取得到对应的脑电波的第一信号。优选地，所述自回归模型经滑动平均法优化。优选地，所述根据各个脑电波的频率范围，对接收的待处理脑电序列信号进行小波变换，重构得到对应于各个脑电波的第二信号具体包括：根据香农-奈奎斯特采样原理及所述待处理脑电序列信号的采样频率进行频段分层，计算得到每层的频率范围；依据所述频段分层中每层的频率范围及每个脑电波的频率范围，确定与每个脑电波对应的小波分解和重构所需的层数；根据与每个脑电波对应的所述小波分解所需的层数及预先选择的母小波进行信号分解，得到与每个脑电波对应的按频段划分的多层波形；根据与所述小波重构所需的层数对应的系数及分解得到的与各个脑电波对应的所述多层波形，重构得到对应于各个脑电波的第二信号。优选地，所述根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子，计算得到对应于各个脑电波的第三信号具体包括：当判断一个脑电波的第一权重因子大于预设的基准值且该脑电波的第二权重因子小于所述基准值时，将该脑电波的第三信号设置为该脑电波的第一信号；当判断所述脑电波的第二权重因子小于预设的基准值且所述脑电波的第二权重因子大于所述基准值时，将该脑电波的第三信号设置为该脑电波的第二信号；当判断所述脑电波的第一权重因子及所述第二权重因子均大于预设的基准值时，根据所述第一权重因子及所述第二权重因子对所述第一信号和第二信号进行加权求和，计算得到对应于各个脑电波的第三信号。优选地，所述基于所述各个脑电波进行特征提取，并根据提取得到的特征量进行分类识别，得到当前的脑电放松度，具体包括：根据对应于各个脑电波的第三信号，计算得到所述待处理脑电序列信号的特征量；基于预先训练好的基于支持向量机对所述特征量进行分类，识别得到与所述待处理脑电序列信号对应的脑电放松度。优选地，所述根据对应于各个脑电波的第三信号，计算得到所述待处理脑电序列信号的特征量，具体包括：根据所述各个脑电波的第三信号及待处理脑电序列信号形成对应的二维图表；用m*m的网格完整覆盖在各个二维图表上，并统计覆盖有信号的格子数；其中，m为大于1的整数，且m的取值由信号的长度决定；根据覆盖有信号的格子数与总格子数计算各个脑电波及待处理脑电序列信号的相空间分布密度，得到待处理脑电序列信号的特征量。本专利技术还提供了一种基于自回归模型和小波变换的脑电放松度识别系统，包括：自回归提取单元，用于基于构建好的自回归模型对接收的待处理脑电序列信号进行信号提取，得到对应于各个脑电波的第一信号；小波变换单元，用于根据各个脑电波的频率范围，对接收的待处理脑电序列信号进行小波变换，重构得到对应于各个脑电波的第二信号；权重计算单元，用于基于对应于各个脑电波的第一信号及第二信号的质量指数，计算得到与各个脑电波的第一信号对应的第一权重因子及与各个脑电波的第二信号对应的第二权重因子；加权单元，用于根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子，计算得到对应于各个脑电波的第三信号；放松度识别单元，用于对所述各个脑电波的第三信号进行特征提取，并根据提取得到的特征量进行分类识别，得到脑电放松度。本专利技术提供的基于自回归模型和小波变换的脑电放松度识别方法及系统，通过利用自回归技术与小波变换技术相结合的方式处理脑电信号，得到各个脑电波的第一信号及第二信号，并根据与所述第一信号对应的第一权重因子和与所述第二信号对应的第二权重因子得到最终用于特征提取的第三信号，如此，可避免由于单一方式提取时出现偏差过大而导致的提取分离的脑电波不够准确，进而影响了最终脑电放松度识别的精确性的问题。即通过本专利技术提取的各个脑电波，其信号稳定性更高，从而保证了脑电放松度的准确识别，为准确的生物反馈指导提供了数据基础和依据。附图说明为了更清楚地说明本专利技术的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的基于自回归模型和小波变换的脑电放松度识别方法的流程示意图。图2是本专利技术实施例提供的Shannon小波熵与中心频率本文档来自技高网...

【技术保护点】
一种基于自回归模型和小波变换的脑电放松度识别方法，其特征在于，包括如下步骤：基于构建好的自回归模型对接收的待处理脑电序列信号进行信号提取，得到对应于各个脑电波的第一信号；根据各个脑电波的频率范围，对接收的待处理脑电序列信号进行小波变换，重构得到对应于各个脑电波的第二信号；基于对应于各个脑电波的第一信号及第二信号的质量指数，计算得到与各个脑电波的第一信号对应的第一权重因子及与各个脑电波的第二信号对应的第二权重因子；根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子，计算得到对应于各个脑电波的第三信号；对所述各个脑电波的第三信号进行特征提取，并根据提取得到的特征量进行分类识别，得到脑电放松度。

【技术特征摘要】
1.一种基于自回归模型和小波变换的脑电放松度识别方法，其特征在于，包括如下步骤：基于构建好的自回归模型对接收的待处理脑电序列信号进行信号提取，得到对应于各个脑电波的第一信号；根据各个脑电波的频率范围，对接收的待处理脑电序列信号进行小波变换，重构得到对应于各个脑电波的第二信号；基于对应于各个脑电波的第一信号及第二信号的质量指数，计算得到与各个脑电波的第一信号对应的第一权重因子及与各个脑电波的第二信号对应的第二权重因子；根据所述各个脑电波的第一信号、第一权重因子、第二信号及第二权重因子，计算得到对应于各个脑电波的第三信号；对所述各个脑电波的第三信号进行特征提取，并根据提取得到的特征量进行分类识别，得到脑电放松度。2.根据权利要求1所述的基于自回归模型和小波变换的脑电放松度识别方法，其特征在于，在基于构建好的自回归模型对接收的待处理脑电序列信号进行信号提取，得到对应于各个脑电波的第一信号之前，还包括：以待处理脑电序列信号为原始信号，以与所述待处理脑电序列信号同步采集得到的伪迹序列信号为参考信号，采用经函数链神经网络优化的自适应滤波器对所述原始脑电序列信号进行滤波，得到去除伪迹序列信号后的待处理脑电序列信号。3.根据权利要求1所述的基于自回归模型和小波变换的脑电放松度识别方法，其特征在于，所述基于构建好的自回归模型对接收的待处理脑电序列信号进行信号提取，得到对应于各个脑电波的第一信号具体包括：基于待处理脑电序列信号构建得到自回归模块；估计与各个脑电波对应的自回归模块中的加权参数，计算与各个脑电波对应的系数矩阵，得到对应的各个脑电波的特征；根据各个脑电波的特征，采用自相关分离算法，对待处理脑电序列信号进行抽取，提取得到对应的脑电波的第一信号。4.根据权利要求3所述的基于自回归模型和小波变换的脑电放松度识别方法，其特征在于，所述自回归模型经滑动平均法优化。5.根据权利要求1所述的基于自回归模型和小波变换的脑电放松度识别方法，其特征在于，所述根据各个脑电波的频率范围，对接收的待处理脑电序列信号进行小波变换，重构得到对应于各个脑电波的第二信号具体包括：根据香农-奈奎斯特采样原理及所述待处理脑电序列信号的采样频率进行频段分层，计算得到每层的频率范围；依据所述频段分层中每层的频率范围及每个脑电波的频率范围，确定与每个脑电波对应的小波分解和重构所需的层数；根据与每个脑电波对应的所述小波分解所需的层数及预先选择的母小波进行信号分解，得到与每个脑电波对应的按频段划分的多层波形；根据与所述小波重构所需的层数对应的系数及分解得到的与各个脑电波对应的所述多层波形，重构得到对应于各个脑电波的第二信号。6.根据权利要求1所述的基于自回归模型和小波变换的脑电放松度识别方法，其特征在于，所述根据所述各个脑电波的第一信号、第一权重因子、第二信号及第...

【专利技术属性】
技术研发人员：胡静，赵巍，韩志，
申请(专利权)人：广州视源电子科技股份有限公司，
类型：发明
国别省市：广东,44