基于前额单导联脑电信号的多状态识别方法技术

本发明专利技术涉及一种基于前额单导联脑电信号的多状态识别方法。适用于脑电领域。本发明专利技术所采用的技术方案是：一种基于前额单导联脑电信号的多状态识别方法，其特征在于：获取经滤除漂移伪迹及高频伪迹的前额叶脑电信号；求取脑电信号的极值点，当依次检测到一个极小值

【技术实现步骤摘要】
基于前额单导联脑电信号的多状态识别方法


[0001]本专利技术涉及一种基于前额单导联脑电信号的多状态识别方法。适用于脑电领域。

技术介绍

[0002]脑电信号具有较高的时间分辨率和精度，能够准确地实时反映人的生理状态，已经在疲劳检测、状态识别、人机交互等方面得到了广泛推广。脑电信号是由大脑神经元放电产生的，极为微弱，在采集过程中容易受到各种噪声的干扰，如低频噪声、高频噪声、工频噪声、眼动伪迹、肌电伪迹等。在大多数的脑电研究中，此类伪迹相对于目标脑电信号而言是无用的，并且为此开发了不少的处理算法而予以降低伪迹，也收获比较好的效果。然而，伪迹本身也是人行为的一种表征，比如检测眨眼伪迹可以研究人的眨眼模式，通过眨眼频率等参数就可以建立起眨眼和疲劳等相关关系；检测低频高幅伪迹可以刻画人的动作行为等。
[0003]已有研究中,如[Ma,J.,et al.,A novel EOG/EEG hybrid human
–
machine interface adopting eye movements and ERPs:Application to robot control.]中，作者结合眼电与脑电开发了一套控制系统获得了比较好的效果，但是由于采用了垂直眼电，眼电电极需要放置在眼睛的正下方，这影响了一定的美观度和佩戴舒适度。
[0004]在文献[姚娟娟,路堃,马兴宇,等.基于脑电和眼电的疲劳检测方法的研究[J].电子设计工程,2020,v.28；No.428(06):121
‑
126]中，作者采用前额单通道脑电信号以及脑电信号中的眼电信号特征来检测疲劳状态，取得93.10％的疲劳识别准确率和3.79％的误报率。这说明合理利用相关伪迹信号可以更多元地获取人的生理信号，从而评估人的行为，更好得解决人机交互问题。
[0005]现实与生理相关信号的处理中，随着人的状态变化及传感器的氧化等问题，不同时间段采集到的信号大多会有差异。尤其是对于非平稳的脑电等信号，受人的状态和所处的环境等影响较大。

技术实现思路

[0006]本专利技术要解决的技术问题是：针对上述存在的问题，提供一种基于前额单导联脑电信号的多状态识别方法。
[0007]本专利技术所采用的技术方案是：一种基于前额单导联脑电信号的多状态识别方法，其特征在于：
[0008]获取经滤除漂移伪迹及高频伪迹的前额叶脑电信号；
[0009]求取脑电信号的极值点，当依次检测到一个极小值
‑
极大值
‑
极小值对时记录该极大值的位置、幅值以及前后极小值之间的宽度，形成一个特征点；
[0010]采用经训练的分类模型对特征点进行粗分类；
[0011]当粗分类检测到特征点是眨眼或头动伪迹后，采用模板匹配算法精确的区分头动信号和眼电信号；
[0012]所述分类模型的训练，包括：
[0013]获取用户分别完成放松、咀嚼、眨眼和头动动作任务时的前额叶脑电信号，并对脑电信号进行滤除漂移伪迹及高频伪迹的处理；
[0014]求取信号极值点，当依次检测到一个极小值
‑
极大值
‑
极小值对时且该极大值在相应动作任务进行过程中时记录该极大值的位置、幅值以及前后极小值之间的宽度，形成一个与该相应动作任务对应的特征点；
[0015]基于各动作任务对应的特征点训练所述分类模型。
[0016]所述分类模型采用混合高斯模型，基于各动作任务对应的特征点使用EM算法估计所述混合高斯模型的参数。
[0017]所述采用模板匹配算法精确的区分头动信号和眼电信号，包括：
[0018]选取放松任务对应特征点中的幅值组成数组A，对A中幅值从小到大进行排序，选取其中数组A长度95％的位置点的数值为阈值Thr1；
[0019]对属于眨眼任务的特征点进行筛选，去掉其中幅值小于Thr1的特征点；
[0020]基于筛选后的眨眼任务特征点生成眼电模板，如下：
[0021]1)选取特征点对应脑电信号段的前0.15秒至特征点后0.15秒为可能的眨眼信号段；
[0022]2)将第一个特征点形成的信号段为类似眼电模板，并记此模型的计数值为1；
[0023]当第二个特征点形成的信号段与类似眼电模板的相似度大于预先设定的相似度阈值Thr_sim，则认为这两段信号为同一类信号，此时对模板进行更新，同时计数值加1；
[0024]当相似度不大于Thr_sim时，则认为这两段信号分属不同的模板，此时把这段信号当做一个新的眼电模板；
[0025]3)对所有特征点对应脑电信号段按步骤2)对特征点依次进行处理后再对得到的模板进行更新，直到任意两个模板之间的相似度小于Thr_sim则停止模板的更新；
[0026]4)将步骤3)得到的计数值最大的眼电模板作为最终的眼电模板。
[0027]所述相似度的计算包括：
[0028]假设存在两同长度的一维数组，A和B；数据的下标从1开始，特征点的下标为i；
[0029]a.上下平移使得将两数组的特征点位置处重叠，假设对A数组进行平移，则平移后的数组A
’
有：
[0030]A
’
＝A
‑
(A(i)
–
B(i))
[0031]b.计算Sshare，Sshare为A
’
与B两曲线围成的面积；
[0032]c.计算Stotal，Stotal为A
’
与B两曲线围成的面积以及两曲线处于同侧时与横坐标围成的公共区域面积之和；
[0033]d.则相似度的计算为sim＝(Stotal
‑
Sshare)/Stotal。
[0034]所述模板进行更新，包括：
[0035]假设源模板数组A，模板的计数为idx，目标模板数组B；
[0036]For ii＝1:length(A)
[0037]A(ii)＝[A(ii)*idx+B(ii)]/(idx+1)
[0038]Idx＝idx+1。
[0039]所述混合高斯模型的训练发生在该识别方法执行开始时、用户主动选择训练时、
按期定时训练时。
[0040]一种基于前额单导联脑电信号的多状态识别装置，其特征在于：包括模型训练模块和实时检测模块；
[0041]其中，实时检测模块包括：
[0042]信号获取模块，用于获取经滤除漂移伪迹及高频伪迹的前额叶脑电信号；
[0043]特征提取模块，用于求取脑电信号的极值点，当依次检测到一个极小值
‑
极大值
‑
极小值对时记录该极大值的位置、幅值以及前后极小值之间的宽度，形成一个特征点；
[0044]粗分类模块，用于采用经训练的混合高斯模型对特征点进行粗分类；
[0045]精分类模块，用于当粗分类检测到特征点是眨眼或头动伪迹后，采用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于前额单导联脑电信号的多状态识别方法，其特征在于：获取经滤除漂移伪迹及高频伪迹的前额叶脑电信号；求取脑电信号的极值点，当依次检测到一个极小值
‑
极大值
‑
极小值对时记录该极大值的位置、幅值以及前后极小值之间的宽度，形成一个特征点；采用经训练的分类模型对特征点进行粗分类；当粗分类检测到特征点是眨眼或头动伪迹后，采用模板匹配算法精确的区分头动信号和眼电信号；所述分类模型的训练，包括：获取用户分别完成放松、咀嚼、眨眼和头动动作任务时的前额叶脑电信号，并对脑电信号进行滤除漂移伪迹及高频伪迹的处理；求取信号极值点，当依次检测到一个极小值
‑
极大值
‑
极小值对时且该极大值在相应动作任务进行过程中时记录该极大值的位置、幅值以及前后极小值之间的宽度，形成一个与该相应动作任务对应的特征点；基于各动作任务对应的特征点训练所述分类模型。2.根据权利要求1所述的基于前额单导联脑电信号的多状态识别方法，其特征在于：所述分类模型采用混合高斯模型，基于各动作任务对应的特征点使用EM算法估计所述混合高斯模型的参数。3.根据权利要求1所述的基于前额单导联脑电信号的多状态识别方法，其特征在于，所述采用模板匹配算法精确的区分头动信号和眼电信号，包括：选取放松任务对应特征点中的幅值组成数组A，对A中幅值从小到大进行排序，选取其中数组A长度95％的位置点的数值为阈值Thr1；对属于眨眼任务的特征点进行筛选，去掉其中幅值小于Thr1的特征点；基于筛选后的眨眼任务特征点生成眼电模板，如下：1)选取特征点对应脑电信号段的前0.15秒至特征点后0.15秒为可能的眨眼信号段；2)将第一个特征点形成的信号段为类似眼电模板，并记此模型的计数值为1；当第二个特征点形成的信号段与类似眼电模板的相似度大于预先设定的相似度阈值Thr_sim，则认为这两段信号为同一类信号，此时对模板进行更新，同时计数值加1；当相似度不大于Thr_sim时，则认为这两段信号分属不同的模板，此时把这段信号当做一个新的眼电模板；3)对所有特征点对应脑电信号段按步骤2)对特征点依次进行处理后再对得到的模板进行更新，直到任意两个模板之间的相似度小于Thr_sim则停止模板的更新；4)将步骤3)得到的计数值最大的眼电模板作为最终的眼电模板。4.根据权利要求3所述的基于前额单导联脑电信号的多状态识别方法，其特征在于，所述相似度的计算包括：假设存在两同长度的一维数组，A和B；数据的下标从1开始，特征点的下标为i；a.上下平移使得将两数组的特征点位置处重叠，假设对A数组进行平移，则平移后的数组A
’
有：A
’
＝A
‑
(A(i)
...

【专利技术属性】
技术研发人员：万小姣，傅向向，朱威灵，寿梦婕，
申请(专利权)人：浙江迈联医疗科技有限公司，
类型：发明
国别省市：