听觉注意状态觉醒度识别方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种基于脑电信号的听觉注意状态觉醒度识别方法、装置及存储介质，包括:采集得到所需要的脑电信号；基于获取的脑电信号，以及训练过程构建的第一级主成分滤波器，进行第一级基于集合经验模态分解和主成分滤波的特征抽取；基于第一级特征提取信号,以及训练过程构建的第二级主成分滤波器，进行第二级基于集合经验模态分解和主成分滤波的特征抽取；基于第二级特征提取信号,对抽取特征信号进行基于方差统计量的特征向量计算；基于特征向量计算结果以及训练过程构建的机器学习分类器，提取测试过程中基于脑电信号的听觉注意状态觉醒度。本发明专利技术实现了听觉注意状态的觉醒度识别，有助于提高听觉注意状态觉醒度识别精度和识别有效性。

【技术实现步骤摘要】
听觉注意状态觉醒度识别方法、装置及存储介质
本专利技术涉及脑电信号特征提取与模式识别
，尤其涉及一种基于脑电信号的听觉注意状态觉醒度识别方法、装置及存储介质。
技术介绍
情感，是人对客观事物是否满足自己的需要而产生的态度体验，它综合了人的感觉、思想和行为的状态。目前，研究者们尚未对情感给出统一的定义，但是普遍同意：情感是在强烈的神经冲动下产生、且与大脑皮层密不可分的主观状态，它能够使人产生积极或是消极的心理反应，从而使相应的机体组织行动起来。情感是复杂的，是对人类有特殊意义的一种意识体验或经历，并包含一组协调的反应，其中可能包括了口头的、生理的、行为上的和神经上的机制。目前，被广泛接受的三种情感模型，分别是离散情感模型、维度情感模型以及基于认知评价的情感模型。然而，随着情感问题研究的深入，学者们发现离散型情感不能反映情感在表达和传递过程中的复杂性和丰富性，例如，人们在日常交往中经常表现出更为复杂细腻的情感，如思考、失望、尴尬、欣赏等。因此，维度情感模型逐渐受到研究者的关注。目前，最常用的维度型情感模型是：觉醒—效价模型(Arousal-Valence模型)。随着情感模型的发展，尽管只有少数几个情感模型现在依然被接受，但是效价—唤醒模型依然占据主要地位。绝大多数的维度模型都承认了效价和唤醒这两个维度的存在。人的听觉，对声音的感知与认识是有一定规律的，可以分为听觉察知、听觉注意、听觉定向、听觉辨别、听觉记忆、听觉选择和听觉反馈，最后形成听觉概念，对声音信息做出正确的反应，这几个阶段是互相联系，互相促进的。听觉注意，是一种与听觉有关的心理活动，是人们为了满足某种心理需要而对声音倾注，聆听的活动，它建立在听觉察知的基础之上，并且这种声音对听者还是具有某种程度的意义，才会产生听觉注意。听觉注意帮助人类从嘈杂的声音环境中快速精确地提取出感兴趣或重要的声音(鸡尾酒会效应)，并据此做出进一步的反应。在听觉注意状态下，听者生理情感与中枢神经系统的觉醒，与特定情感的觉醒程度关系密切，对于人进行聆听特定的听觉事务而言，其听觉行为的成功是需要听者具有高的觉醒度。如果觉醒水平低下，将导致听觉反应迟钝、判断不准，很容易出现听觉行为的失败。因此，如何识别听觉注意状态的觉醒度，是一项非常具有实际应用价值的研究。目前，对觉醒度的检测方法主要包括主观评价、生物反应测试、生理信号检测、生物化学法等四种主要方法。其中生理信号是直接反映人体变化的信号，在觉醒度检测中的应用越来越广泛。由于能够比较准确地反映大脑觉醒度的变化，脑电信号的研究越来越受到学者的关注。但是由于脑电信号一般比较微弱，且容易受到环境的影响，因此对于脑电信号的研究目前还属于实验室研究阶段。现有的基于脑电信号的觉醒度识别算法，其特征表示与提取，主要存在如下几个方面的局限性：识别精度不够，不能有效提取到有用的特征信息；不能有效地提取到脑电信号中的非线性特征；对脑电信号的平稳性有一定要求，脑电信号越不平稳，其提取的有效的特征模式越有限。
技术实现思路
本专利技术提供一种基于脑电信号的听觉注意状态觉醒度识别方法、装置及存储介质，利用认知脑电信号实现听觉注意状态的觉醒度识别，能有效地提高识别精度和识别有效性。为实现上述目的，本专利技术提供一种基于脑电信号的听觉注意状态觉醒度识别方法，包括以下步骤：获取待测试的脑电信号；基于所述测试的脑电信号，以及训练过程构建的第一级主成分滤波器，进行第一级基于集合经验模态分解和主成分滤波的特征抽取；基于第一级特征提取信号信号，以及训练过程构建的第二级主成分滤波器，进行第二级基于集合经验模态分解和主成分滤波的特征抽取；基于第二级特征提取信号，对抽取特征信号进行基于方差统计量的特征向量计算；基于特征向量计算结果以及训练过程构建的机器学习分类器，提取测试过程中基于脑电信号的听觉注意状态觉醒度。其中，所述获取待测试的脑电信号的步骤之前还包括：获取训练过程中的脑电信号；基于所述训练过程中的脑电信号，进行第一级基于集合经验模态分解、构建第一级主成分滤波器和主成分滤波的特征抽取，以及进行第二级基于集合经验模态分解、构建第二级主成分滤波器和主成分滤波的特征抽取；对抽取特征信号进行基于方差统计量的特征向量计算；基于特征向量计算结果构建机器学习分类器。其中，基于集合经验模态分解、构建主成分滤波器和主成分滤波的特征抽取的步骤包括：获取训练过程中脑电信号的时间序列信号；对时间序列信号进行集合经验模态分解，得到高觉醒度和低觉醒度下时间序列信号的前四阶(第1,2,3,4阶)本征模函数成分；利用高觉醒度和低觉醒度下时间序列信号的前四阶(第1,2,3,4阶)本征模函数成分，构造主成分滤波器；使用构建完成的主成分滤波器，对前四阶本征模函数成分进行主成分滤波处理，得到特征抽取出的四个时间序列信号。其中，所述对时间序列信号进行集合经验模态分解的步骤包括：假定脑电信号相空间重构的窗口长度w初始化值为1，对于长度为N一维时间序列信号t(n)，n＝1,2,3,···,N，添加白噪声和零均值化处理，得到信号x(n)；确定信号x(n)所有的局部极大值和极小值；利用三次样条曲线分别对信号x(n)所有的局部极大值进行拟合，形成上包络线env_max(n)；对信号x(n)所有的局部极小值点进行拟合，形成下包络线env_min(n)；计算上下包络线的均值m(n)＝(env_max(n)+env_min(n))/2；提取细节信号h(n)＝t(n)–m(n)；检查h(n)是否满足本征模函数的迭代终止条件；在满足筛选迭代终止条件后，w＝w+1；得到第一个本征模函数IMF1(n)＝h1,k(n)，剩余信号r(n)＝x(n)-IMF1(n)；判断剩余信号r(n)是否满足停止条件；如果最终得到剩余信号r(n)为一常量或变化满足预设条件，则终止所有的迭代过程，否则，基于r(n)，重复上述流程的第二步到第七步，进入下一轮迭代，直到满足迭代停止的条件；在满足迭代停止条件后，完成时间序列信号的集合经验模态分解，得到各阶本征模函数分量。其中，所述利用高觉醒度和低觉醒度下时间序列信号的前四阶本征模函数成分，构造主成分滤波器的步骤包括：获取高觉醒度和低觉醒度下时间序列信号的前四阶本征模函数成分；根据高觉醒度和低觉醒度下时间序列信号的前四阶本征模函数成分，求出混合空间协方差矩阵；对所述混合空间协方差矩阵进行矩阵特征分解，得到白化特征值矩阵；基于所述白化特征值矩阵构造主成分滤波器。其中，所述对抽取特征进行基于方差统计量的特征向量计算的步骤包括：第二级特征提取的输入有四个时间序列信号，每个时间序列信号经过集合经验模态分解后，提取前四阶本征模函数成分进行主成分滤波器降维滤波，变为两个时间序列信号；分别计算此两个时间序列信号的方差Z；根据数学公式F＝log10(1+Var(Z))计算得到八个特征值，组成特征向量，送给下一级的机器学习分类器。其中，所述机器学习分类器采用的模型包括：支持向量机、线性判决器、神经网络模型。本专利技术还提出一种基于脑电信号的听觉注意状态觉醒度识别装置，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时实现如上所述的方法的步骤。本专利技术还提出一种计算机可读存储介质，所述计算机可读存储本文档来自技高网...

【技术保护点】
1.一种基于脑电信号的听觉注意状态觉醒度识别方法，其特征在于，包括以下步骤：获取待测试的脑电信号；基于所述待测试的脑电信号，进行第一级基于集合经验模态分解，再利用训练过程构建的第一级主成分滤波器，对第一级集合经验模态分解本征模函数分量进行主成分滤波的特征抽取；基于第一级特征提取信号,进行第二级基于集合经验模态分解，再利用训练过程构建的第二级主成分滤波器，对第二级集合经验模态分解本征模函数分量进行主成分滤波的特征抽取；基于第二级特征提取信号,对抽取特征信号进行基于方差统计量的特征向量计算；基于特征向量计算结果以及训练过程构建的机器学习分类器，提取测试过程中基于脑电信号的听觉注意状态觉醒度。

【技术特征摘要】
1.一种基于脑电信号的听觉注意状态觉醒度识别方法，其特征在于，包括以下步骤：获取待测试的脑电信号；基于所述待测试的脑电信号，进行第一级基于集合经验模态分解，再利用训练过程构建的第一级主成分滤波器，对第一级集合经验模态分解本征模函数分量进行主成分滤波的特征抽取；基于第一级特征提取信号,进行第二级基于集合经验模态分解，再利用训练过程构建的第二级主成分滤波器，对第二级集合经验模态分解本征模函数分量进行主成分滤波的特征抽取；基于第二级特征提取信号,对抽取特征信号进行基于方差统计量的特征向量计算；基于特征向量计算结果以及训练过程构建的机器学习分类器，提取测试过程中基于脑电信号的听觉注意状态觉醒度。2.根据权利要求1所述的方法，其特征在于，所述获取待测试的脑电信号的步骤之前还包括：获取训练过程中的脑电信号；基于所述训练过程中的脑电信号，进行第一级基于集合经验模态分解、构建第一级主成分滤波器和主成分滤波的特征抽取，以及进行第二级基于集合经验模态分解、构建第二级主成分滤波器和主成分滤波的特征抽取；对抽取特征信号进行基于方差统计量的特征向量计算；基于特征向量计算结果构建机器学习分类器。3.根据权利要求2所述的方法，其特征在于，基于集合经验模态分解、构建主成分滤波器和主成分滤波的特征抽取的步骤包括：获取训练过程中脑电信号的时间序列信号；对时间序列信号进行集合经验模态分解，得到高觉醒度和低觉醒度下时间序列信号的前四阶(第1,2,3,4阶)本征模函数成分；利用高觉醒度和低觉醒度下时间序列信号的前四阶(第1,2,3,4阶)本征模函数成分，构造主成分滤波器；使用构建完成的主成分滤波器，对前四阶本征模函数成分进行主成分滤波处理，得到特征抽取出的四个时间序列信号。4.根据权利要求3所述的方法，其特征在于，所述对时间序列信号进行集合经验模态分解的步骤包括：假定脑电信号相空间重构的窗口长度w初始化值为1，对于长度为N一维时间序列信号t(n)，n＝1,2,3,···,N，添加白噪声和零均值化处理，得到信号x(n)；确定信号x(n)所有的局部极大值和极小值；利用三次样条曲线分别对信号x(n)所有的局部极大值进行拟合，形成上包络线env_max(n)；对信号x(n)所有的局部极小值点进行...

【专利技术属性】
技术研发人员：陆云，王明江，韩宇菲，张啟权，
申请(专利权)人：哈尔滨工业大学深圳，
类型：发明
国别省市：广东,44