【技术实现步骤摘要】
本专利技术涉及脑机接口，尤其涉及一种基于原始脑电信号的注意力评估方法、终端及介质。
技术介绍
1、注意力是认知过程中重要的心理能力之一，广泛应用于医学、教育、人机交互等领域。传统的注意力评估方法往往依赖于主观问卷或行为表现，存在主观性和不准确性的问题。近年来，基于脑电信号的注意力评估方法受到越来越多的关注，通过分析脑电信号可以直接观察和量化个体的注意力水平，具有客观性和准确性的优势。早期提出的一些方法借助了脑电信号在特征波段匹配上的巨大优势，例如alpha、beta、theta、gamma等，都是在传统频段功率特征提取算法中引入机器学习方法进行改进，通过knn、k-means、支持向量机、自回归模型等经典框架去优化算法的处理过程和结果。利用人工神经网络自动地捕捉脑电信号信号的时域和频域特征，并可以对这些特征进行有效的提取和分析，从而直接学习脑电信号原始信号和生理特征之间复杂的非线性关系；同时，这些技术可以通过大量的数据来进行训练，因此具有较高的预测准确度。deepconvnet是基于深度递归卷积神经网络（rcnn）直接从一系列原始脑电信号特征中推断出姿态。shallowconvnet适用于脑电信号分类，其适用于在振荡信号（如脑电信号等）中提取与对数频带功率相关的特征，以便训练出更好的卷积神经网络模型，从而简化分类任务中的后端优化过程。eegnet则是通过紧凑神经网络提取出若干个基函数来表示场景的深度，这些基函数可以简化传统几何方法的优化问题。目前注意力评估的方法有比值判别、传统机器学习和深度学习。比值判别在多尺度标准下略为单一，
技术实现思路
1、本专利技术的目的在于克服现有技术中的不足，提供一种基于原始脑电信号的注意力评估方法，实现通过非侵入式采集的脑电信号信号来实现准确、可靠地评估个体的注意力水平。本专利技术主要解决以下技术问题：一是对自主采集的含噪原始脑电信号进行工频滤波，零相滤波、去除噪声和坏道插值；二是提供了一种根据处理后脑电信号空间频域特征来评估当前使用者注意力状态的模型。
2、为实现上述目的，本专利技术提供了如下技术方案：
3、第一方面，本专利技术提供一种基于原始脑电信号的注意力评估方法，包括以下步骤：
4、采集原始脑电信号；
5、对采集到的原始脑电信号进行去噪、滤波和伪影去除，并对检测到的坏道进行插值处理，生成初始可处理脑电信号；
6、对初始可处理脑电信号进行小波变换，得到时域特征和频域特征；结合所述时域特征和频域特征对初始可处理脑电信号进行分析，作离散傅里叶变换，取功率谱密度作为约束后的信号特征；
7、将约束后的信号特征输入预先训练好的注意力评估分类模型，输出评估指标结果。
8、进一步地，所述采集原始脑电信号，包括：
9、基于国际10-20导联标准部署干电极装置，通过干电极装置采集8通道原始脑电信号。
10、进一步地，所述基于国际10-20导联标准部署干电极装置，通过干电极装置采集8通道原始脑电信号，包括：基于国际10-20导联系统标准，选取左前额叶fp1、右前额叶fp2、左中央c3、右中央c4、左顶叶p3、右顶叶p4、左枕叶o1及右枕叶o2作为8通道部署干电极装置，并采用干-湿电极混合方式采集原始脑电信号；采集原始脑电信号的串口波特率设定9600 bps，采样频率设定250hz。
11、进一步地，所述去噪包括：利用陷波滤波器进行去噪，去除交流电产生的工频干扰噪声；
12、所述对检测到的坏道进行插值处理，包括：通过视觉检查或设定相关阈值，计算原始脑电信号中相关的电极的通道所产生的异常活动或信号缺失坏值点，采用球面插值法生成新的数据点；
13、所述滤波，包括：使用了基于贝塞尔传递函数的零相位带通滤波器，用于过滤出0.5hz-40hz的信号，贝塞尔传递函数通过以下公式实现：
14、；
15、式中为贝塞尔多项式，代表复频率，为=0时贝塞尔多项式值如下：
16、；
17、系数的表达式为：
18、；
19、式中为贝塞尔滤波器阶数，处理类型为非平稳数字信号的脑电信号采用4阶贝塞尔滤波器来观察信号特征，为贝塞尔多项式次数，为阶乘；
20、所述伪影去除，包括：基于原始脑电信号的独立成分进行分析，观察独立成分的波形与干电极装置中电极的分布关系，识别出伪影，从原始脑电信号中删除伪影。
21、进一步地，所述结合时域特征和频域特征对初始可处理脑电信号进行分析，包括如下步骤：
22、对信号进行基于汉明窗的加窗分析，通过以下公式实现：
23、加窗后脑电信号时序序列：
24、；
25、式中为时域脑电信号的编号，为序列长度，为脑电信号幅值，加窗分析后得到时-频信号成分；
26、采用小波变换对初始可处理脑电信号进行时-频分析：
27、；
28、式中表示小波系数，为待分析信号，表示小波基函数，表示时间点；小波变换中变量含有位移和尺度，尺度控制初始可处理脑电信号的波形收缩，位移控制初始可处理脑电信号的均线平移，相应地，小波基函数选择小波；
29、在非平稳过程中计算瞬态响应下的均方值，由于初始可处理脑电信号为非平稳离散信号集，对加窗后的脑电信号序列，进行离散傅里叶变换，其中，离散傅里叶变换计算公式如下：
30、；
31、式中为复数，为脑电信号序列，为时域脑电信号以及频域脑电信号的点数，为时域脑电信号的编号，取值范围为0~-1，为频域脑电信号的编号，取值范围为0~-1，为离散傅里叶变换后的结果；
32、对结果进行平方运算后再除以长度，得到约束后的信号特征，所述约束后的信号特征表示为功率谱密度：
33、。
34、进一步地，获取所述训练好的注意力评估分类模型，包括：
35、构建神经网络模型，通过调整神经网络模型参数直到达到精度阈值要求，得到注意力评估分类模型。
36、进一步地，所述神经网络模型，包括特征输入层、二维卷积块、本文档来自技高网...
【技术保护点】
1.一种基于原始脑电信号的注意力评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于原始脑电信号的注意力评估方法，其特征在于，所述采集原始脑电信号，包括：
3.根据权利要求2所述的基于原始脑电信号的注意力评估方法，其特征在于，所述基于国际10-20导联标准部署干电极装置，通过干电极装置采集8通道原始脑电信号，包括：基于国际10-20导联系统标准，选取左前额叶Fp1、右前额叶Fp2、左中央C3、右中央C4、左顶叶P3、右顶叶P4、左枕叶O1及右枕叶O2作为8通道部署干电极装置，并采用干-湿电极混合方式采集原始脑电信号；采集原始脑电信号的串口波特率设定9600 bps，采样频率设定250Hz。
4.根据权利要求1所述的基于原始脑电信号的注意力评估方法，其特征在于，
5.根据权利要求1所述的基于原始脑电信号的注意力评估方法，其特征在于，所述结合时域特征和频域特征对初始可处理脑电信号进行分析，包括如下步骤：
6.根据权利要求1所述的基于原始脑电信号的注意力评估方法，其特征在于，获取所述训练好的注意力评估分类模型，包
7.根据权利要求6所述的基于原始脑电信号的注意力评估方法，其特征在于，所述神经网络模型，包括特征输入层、二维卷积块、标准差层、Flatten降维层、Dense全连接层以及Softmax层；特征输入层中包含脑电信号特征组，维度为1*256；二维卷积块包括第一二维卷积块和第二二维卷积块，所述第一二维卷积块含有一个二维卷积层，卷积核长度设置为1*128，第一二维卷积块使用一个时间卷积层，用于学习得到频率滤波器；所述第二二维卷积块中使用一个深度卷积层，用于学习得到特定频率的空间滤波器；
8.一种电子终端，其特征在于，包括处理器及存储介质；
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1~7任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于原始脑电信号的注意力评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于原始脑电信号的注意力评估方法，其特征在于，所述采集原始脑电信号，包括：
3.根据权利要求2所述的基于原始脑电信号的注意力评估方法，其特征在于，所述基于国际10-20导联标准部署干电极装置，通过干电极装置采集8通道原始脑电信号，包括：基于国际10-20导联系统标准，选取左前额叶fp1、右前额叶fp2、左中央c3、右中央c4、左顶叶p3、右顶叶p4、左枕叶o1及右枕叶o2作为8通道部署干电极装置，并采用干-湿电极混合方式采集原始脑电信号；采集原始脑电信号的串口波特率设定9600 bps，采样频率设定250hz。
4.根据权利要求1所述的基于原始脑电信号的注意力评估方法，其特征在于，
5.根据权利要求1所述的基于原始脑电信号的注意力评估方法，其特征在于，所述结合时域特征和频域特征对初始可处理脑电信号...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。