一种脑电放松度识别方法及装置与流程

本发明涉及放松治疗领域，尤其涉及一种脑电放松度识别方法及装置。
背景技术：
：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，而识别放松度首先需要从用户的原始脑电信号中提取各个频段的脑电波(包括Delta、Theta、Alpha、Beta、Gamma波)，并计算各个脑电波的特征。但实际情况下，原始脑电信号极其微弱，且非常容易受到外界工频、磁场扰动、低频直流、舌电伪迹，出汗伪迹、眼电伪迹、脉搏伪迹以及肌电伪迹等因素的干扰，导致提取的脑电波包含较多的噪声，进而不能获得计算得到准确的特征。其中，工频干扰相对固定，较易去除，低频直流虽然可以通过滤波器滤除，但考虑到滤波器带来的频带衰减，直接通过滤波器精确滤除低频直流信息会对脑电信号产生影响；而伪迹信号中，以眼电伪迹和肌电伪迹最难以去除，这主要是由于其信号幅值较高，是脑电信号的几倍甚至几十倍，而且其频率与原始脑电信号在频域有混叠。技术实现要素：针对上述问题，本发明的目的在于提供一种脑电放松度识别方法及装置，可去除原始脑电信号中的低频信息及伪迹信号，得到纯净的脑电序列信号，从而实现准确的脑电放松度识别。本发明提供了一种脑电放松度识别方法，包括如下步骤：对接收的第一脑电序列信号的各个时刻的脑电信号进行加权移动平均计算，得到第二脑电序列信号；以所述第二脑电序列信号为原始信号，以与所述第二脑电序列信号同步采集得到的伪迹序列信号为参考信号，对所述第二脑电序列信号进行自适应滤波，得到第三脑电序列信号；从所述第三脑电序列信号中提取出各个脑电波；计算各个脑电波的特征，获得所述第三脑电序列信号的特征量；根据所述特征量进行分类识别，得到脑电放松度。优选地，所述对接收的第一脑电序列信号的各个时刻的脑电信号进行加权移动平均计算，得到第二脑电序列信号具体包括：基于当前的第j个时刻的脑电信号，获取第一脑电序列信号中的位于第(j-(N-1)/2)个时刻至第(j+(N-1)/2)个时刻之间的N个脑电信号的能量；其中，N为预设的影响数，且N为奇数，j为大于(N+1)/2的整数；根据预设的权值分布函数为获取的N个脑电信号的能量分配权值；其中，N个脑电信号的能量的权值之和为1；对所述N个脑电信号的能量根据分配的权值进行加权求和，得到新的第j个时刻的脑电信号的能量；依次对所述第一脑电序列信号的各个时刻的脑电信号的能量进行加权求和后，根据所有时刻的新的脑电信号的能量，生成第二脑电序列信号。优选地，所述对接收的第一脑电序列信号的各个时刻的脑电信号进行加权移动平均计算，得到第二脑电序列信号具体包括：基于当前的第j个时刻的脑电信号，获取第一脑电序列信号中的位于第(j-N)个时刻至第(j-1)个时刻之间的N个脑电信号的能量；其中，N为预设的影响数，j为大于N的整数；根据预设的权值分布函数为获取的N个脑电信号的能量分配权值；其中，N个脑电信号的能量的权值之和为1；对所述N个脑电信号的能量根据分配的权值进行加权求和，得到新的第j个时刻的脑电信号的能量；依次对所述第一脑电序列信号的各个时刻的脑电信号的能量进行加权求和后，根据的所有时刻的新的脑电信号的能量，生成第二脑电序列信号。优选地，所述权值分布函数为正态分布函数。优选地，所述自适应滤波器经函数链神经网络优化。优选地，所述从所述第三脑电序列信号中提取出各个脑电波具体包括：根据香农-奈奎斯特采样原理及所述第三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每个脑电波对应的所述多层波形，重构得到各个脑电波。优选地，所述母小波为coif3小波，且所述coif3小波的中心频率-带宽比经小波熵自适应优化。优选地，所述计算各个脑电波的特征，获得所述第三脑电序列信号的特征量，具体包括：计算各个脑电波的能量；根据各个脑电波的能量及各个脑电波的频率范围，计算各个脑电波的中心频率，得到所述第三脑电序列信号的特征量。优选地，在计算各个脑电波的特征，获得所述第三脑电序列信号的特征量之后，在根据所述特征量进行分类识别，得到脑电放松度之前，还包括：基于主成分分析法对所述特征量进行特征选择。本发明还提供一种脑电放松度识别装置，包括：加权移动平均单元，用于对接收的第一脑电序列信号的各个时刻的脑电信号进行加权移动平均计算，得到第二脑电序列信号；自适应滤波单元，用于以所述第二脑电序列信号为原始信号，以与所述第二脑电序列信号同步采集得到的伪迹序列信号为参考信号，对所述第二脑电序列信号进行自适应滤波，得到第三脑电序列信号；脑电波提取单元，用于从所述第三脑电序列信号中提取出各个脑电波；特征量计算单元，用于计算各个脑电波的特征，获得所述第三脑电序列信号的特征量；脑电放松度识别单元，用于根据所述特征量进行分类识别，得到脑电放松度。本发明提供的脑电放松度识别方法及装置，通过采用加权移动平均法去除所述脑电序列信号中的低频直流信息，保证了在去除低频直流信息的同时不会对脑袋序列信号本身产生任何干扰及出现信号失真；同时采用自适应滤波滤除脑电序列信号中的伪迹信号，解决了脑电信号中的伪迹信号难以去除的问题。本发明可从脑电信号中提取出纯净的脑电序列信号，进而保证提取的脑电波和基于脑电波计算得到的特征的精确度，从而保证识别得到的脑电放松度的准确性，为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发明的技术方案，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发明的一些实施方式，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是本发明实施例提供的脑电放松度识别方法的流程示意图。图2是本发明实施例提供的对原始脑电信号进行切片得到第一脑电序列信号的示意图。图3是本发明实施例提供的对第一脑电序列信号进行加权移动平均计算的原理图。图4是本发明实施例提供的自适应滤波器的工作原理图。图5是本发明实施例提供的对第三脑电序列信号进行切片的示意图。图6是本发明实施例提供的Shannon小波熵与中心频率-带宽比的关系图。图7是本发明实施例提供的脑电放松度识别装置的结构示意图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。请参阅图1，本发明实施例提供了一种脑电放松度识别方法，其可包括如下步骤：S101，对接收的第一脑电序列信号的各个时刻的脑电信号进行加权移动平均计算，得到第二脑电序列信号。在本发明实施例中，原始脑电序列信号可通过脑电电极采集获得，其中，一般地，所述原始脑电信号的采样频率为500HZ，为了减少后续的小波分解的计算量，需进行降采样，如降采样至100HZ，如图2所示。在本发明实施例中，脑电电极采集的原始脑电信号的持续时间比较长(如数小时甚至更长)，因此需要对原始脑电信号进行切片，以得到适宜长度的第一脑电序列信号，一般地，每个切片的时间长度为30秒(图2中的每个虚线线框表示一个切片)，即每段所述第一脑电序列信号的时间长度为30秒。在本发明实施例中，还可对所述第一脑电序列信号进行高低通滤波。其中，脑电波的目标频段在0.1-60Hz之间，因此可采用FIR低通滤波器滤除所述第一脑电序列信号中的高于100Hz的脑电信息，抑制高频噪声；同时采用FIR高通滤波器滤除所述第一脑电序列信号中低于0.05Hz脑电息，以抑制0.05Hz以下的基线漂移。在本发明实施例中，所述第一脑电序列信号一般包括低频直流信息，这些低频直流信息与各个脑电波存在频段重叠，因此为了保证脑电波提取的准确度，需去除这些低频直流信息。在本发明实施例中，可采用加权移动平均法来去除所述低频直流信息。其中，使用加权移动平均法进行预测能平滑掉突然波动对预测结果的影响，因此能起到去除所述低频直流信息的作用。具体地，在一个实施例中，步骤S101包括：S1011，基于当前的第j个时刻的脑电信号，获取所述第一脑电序列信号中的位于第(j-(N-1)/2)个时刻至第(j+(N-1)/2)个时刻之间的N个脑电信号的能量；其中，N为预设的影响数，且N为奇数，j为大于(N+1)/2的整数。例如，假设当前要预测的脑电信号x(j)的时刻为第10个时刻(即j＝10)，影响数N为5，则对当前要预测的脑电信号有影响的脑电信号为第8个至第12个时刻的脑电信号，即x(8)～x(12)。此时，先获取这5个时刻的脑电信号的能量。S1012，根据预设的权值分布函数为获取的N个脑电信号的能量分配权值；其中，N个脑电信号的能量的权值之和为1。在本发明实施例中，优选地，所述权值分布函数为正态分布函数，如可为：其中，w(i)为第i个时刻的脑电信号的权值，t(i)为第i个时刻的脑电信号的时间，τ表示需要放大的局部信息量。如图3所示，采用这种权值分布，不是将第j点附近所有点都视为一样的比重，而是按照距离(时间差)赋予其一个比重，实现局部信息量的放大，减弱了距离太远的信息对当前点的影响。需要说明的是，在计算得到各个脑电信号的能量的权值后，还需要进行归一化，保证N个脑电信号的能量的权值之和为1。S1013，对所述N个脑电信号的能量根据分配的权值进行加权求和，得到新的第j个时刻的脑电信号的能量。即：S1014，依次对所述第一脑电序列信号的各个时刻的脑电信号的能量进行加权求和后，根据所有时刻的新的脑电信号的能量，生成第二脑电序列信号。本发明实施例中，对脑电信号进行去低频直流时，同时考虑了位于其时刻前与时刻后的脑电信号对自身的影响，因此，在去除直流信息的同时，还能起到避免时刻后的脑电信号对当前时刻的信号起不到影响的作用，无法体现信号的变化的问题。在另一个实施例中，步骤S101具体包括：S1015，基于当前的第j个时刻的脑电信号，获取所述第一脑电序列信号中的位于第(j-N)个时刻至第(j-1)个时刻之间的N个脑电信号的能量；其中，N为预设的影响数，j为大于N的整数。例如，假设当前要修正的脑电信号x(j)的时刻为第10个时刻(即j＝10)，影响数N为5，则对当前要修正的脑电信号有影响的脑电信号为第5个至第9个时刻的脑电信号，即x(5)～x(9)。此时，先获取这5个时刻的脑电信号的能量。S1016，根据预设的权值分布函数为获取的N个脑电信号的能量分配权值；其中，N个脑电信号的能量的权值之和为1。S1017，对所述N个脑电信号的能量根据分配的权值进行加权求和，得到新的第j个时刻的脑电信号的能量。S1018，依次对所述第一脑电序列信号的各个时刻的脑电信号的能量进行加权求和后，根据所有时刻的新的脑电信号的能量，生成第二脑电序列信号。本发明实施例中，对脑电信号进行去低频直流时，仅考虑了其时刻前的脑电信号对自身的影响，因此，保证信号的平滑。S102，以所述第二脑电序列信号为原始信号，以与所述第二脑电序列信号同步采集得到的伪迹序列信号为参考信号，采用自适应滤波器对所述第二脑电序列信号进行滤波，得到第三脑电序列信号。在本发明实施例中，考虑到第二脑电序列信号中还包含有各种伪迹序列信号，如舌电伪迹，出汗伪迹，眼电伪迹，脉搏伪迹以及肌电伪迹等干扰。这些伪迹信号的幅值较高，是脑电信号的几倍甚至几十倍，而且与脑电信号在频域有混叠，因此需要进行去除。具体地，本发明可采用自适应滤波滤除这些伪迹信号。首先，构造自适应滤波器，其中自适应滤波器的原理框图如图4所示，其由原始信号(即所述第二脑电序列信号)和参考信号(与所述第二脑电序列信号同步采集得到的伪迹序列信号，如舌电伪迹，出汗伪迹，眼电伪迹，脉搏伪迹以及肌电伪迹中的任意一种)两个输入组成。滤波时，参考信号经自适应滤波后，与原始信号进行比较，得到所需脑电序列信号的预估信号(较为纯净的脑电序列信号)，其中，滤波器不断地自我重新调整其权值，从而使目标误差达到最小，最终得到的脑电序列信号也更纯净。需要说明的是，在本发明实施例中，为了增强自适应滤波器的非线性处理能力，提高滤波的效果，本发明实施例还将函数链神经网络(FunctionLinkNeuralNetwork，FLNN)应用到上述的自适应滤波器中，FLNN的原理是利用一组正交基函数对原输入进行维数扩展，将线性参数扩展为非线性。其中，FLNN由函数扩展和单层感知器两部分组成，函数链神经网络的正交基采用切比雪夫正交多项式，如公式1所示。FLNN的基函数T如公式2所示，网络输出如公式3所示，通过FLNN实现了对输入的非线性扩展，更有助于描述第二脑电序列信号的非线性特性，从而滤波效果更佳。需要说明的是，在本发明实施例中，如图5所示，在进行上述的预处理后，还需要对30s的第三脑电序列信号再次进行切片操作，切片的移动窗口为6s，这是国际上通用的切片长度，能够更好地分析信号。S103，从所述第三脑电序列信号中提取出各个脑电波。具体地，可包括如下步骤：S1031，根据香农-奈奎斯特采样原理及所述第三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。根据香农-奈奎斯特采样原理，设所述第三脑电序列信号的采样频率为fs，目标频段为f1-f2(Hz)，运用小波变换分解的层数为N，由奈奎斯特定律可知：f1＝(fs/2)/N1(4)f2＝(fs/2)/N2(5)N>N1(N1>N2)(6)即需要重构的小波的层数为N2～N1层。S1032，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。在本发明实施例中，所述脑电波包括频率范围为0.5～3Hz的Delta波、频率范围为3～7Hz的Theta波、频率范围为8～13Hz的Alpha波、频率范围为14～17Hz的Beta波、频率范围为34～50Hz的Gamma波。其中，Delta波：深度睡眠脑波状态：当人们的大脑频率处于Delta波时，为深度睡眠、无意识状态。人的睡眠品质好坏与Delta波有非常直接的关系。Delta波睡眠是一种很深沉的睡眠状态，如果在辗转难眠时自己召唤出近似Delta波状态，就能很快地摆脱失眠而进入深沉睡眠。Theta波：深度放松、无压力的潜意识状态当人们的大脑频率处于Theta波时，人的意识中断，身体深沉放松，对于外界的信息呈现高度的受暗示状态，即被催眠状态。Theta波对于触发深沉记忆、强化长期记忆等帮助极大，所以Theta波被称为"通往记忆与学习的闸门"。Alpha波：学习与思考的最佳脑波状态当人们的大脑频率处于Alpha波时，人的意识清醒，但身体却是放松的，它提供意识与潜意识的“桥梁”。在这种状态下，身心能量耗费最少，相对的脑部获得的能量较高，运作就会更加快速、顺畅、敏锐。Alpha波被认为是人们学习与思考的最佳脑波状态。Beta波：紧张、压力、脑疲劳时的脑波状态人们清醒时，大部分时间大脑频率处于Beta波状态。随着Beta波的增加，身体逐渐呈紧张状态，因而削减了体内免疫系统能力，此时人的能量消耗加剧，容易疲倦，若不充分休息，容易堆积压力。适当的Beta波对注意力提升以及认知行为的发展有积极作用。在本发明实施例中，假设所述待处理心电信号已被降采样至100Hz，则fs为100Hz，信号最高频率为50Hz，根据公式(4)、(5)、(6)可知，每一层对应的频段如下：频段频率范围/Hz频段频率范围/HzA10～25D125～50A21～12.5D212.5～25A30～6.25D36.25～12.5A40～3.125D43.125～6.25A50～1.625D51.625～3.125A60～0.8125D60.8125～1.625A70～0.40625D70.40625～0.8125A80～0.203125D80.203125～0.40625A90～0.10156D90.10156～0.203125以Delta波为例，其频段范围为0.5～3Hz。因此，选用第5、6、7层的近似系数(D5/D6/D7)来重构信号。S1033，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。在本发明实施例中，经验证，coifN小波和dmey小波的提取效果较佳，且优选地，以coif3小波基作为母小波时，具有最佳的提取效果。因而本发明实施例采用coif3小波基作为母小波进行小波分解。当然，可以理解的是，在本发明的其他实施例中，也可选取其他的母小波，如db小波等，本发明不做具体限定。需要说明的是，当以coif3小波基作为母小波时，中心频率和带宽是影响coif3小波时频分辨率关键因素。改变中心频率-带宽比就可以改变coif3小波变换的时频分辨率。当中心频率-带宽比达到最优时，coif3小波变换的时频分辨率最高。具体地，优化过程如下：首先，coif3小波的母小波表达式如公式(7)所示。其中，fc表示母波ψ(t)的特征频率，也是中心频率，σt为高斯窗的标准差，通常取值为1，σf为带宽，通常σf＝1/2π·σt。分析coif3小波的母小波可知，小波波形振荡衰减的快慢由带宽σf决定，波形的振荡频率由中心频率fc决定。根据公式1可以计算coif3小波的频率分辨率(公式8)和时间分辨率(公式9)，其中，fs为采样频率，fc为中心频率，σf为带宽，fi为信号分析频率。接着，利用Shannon熵优化coif3小波变换中心频率-带宽比的核心思想，就是用概率分布序列pi来表示小波系数，然后计算pi的值，表达式如公式10所示。其中，pi是一个概率分布序列，通过小波系数转换得到，具有不确定性。其转换公式如公式11所示，X(fi,t)为小波系数。中心频率-带宽比fc/σf和Shannon小波熵之间的曲线关系，如图6所示。本次实验中，当中心频率-带宽比fc/σf＝4.43时，基于Shannon小波熵概率最优理论，可知当Shannon小波熵达到最小值时，coif3小波中心频率-带宽比参数达到最优，对应的基小波就是与特征成分最匹配的小波。S1034，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每个脑电波对应所述多层波形，重构得到各个脑电波。由步骤S1032可知，小波重构所需的层数为第5、6、7层，此时，即可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所述多层波形进行信号重构，得到Delta波。在本发明实施例中，只需要根据各个脑电波的频率范围选择相应的层数即可用重构得到各个脑电波，本发明在此不做赘述。此外，需要说明的是，在本发明的其他实施例中，还可采用卡尔曼滤波器或者自回归模型从所述第三脑电序列信号中提取出各个脑电波，本发明在此不做赘述。S104，计算各个脑电波的特征，获得所述第三脑电序列信号的特征量。在本发明实施例中，在得到各个脑电波之后，就可以计算各个脑电波的特征，从而获得所述第三脑电序列信号的特征量。其中，所述脑电波的特征包括其在时域的特征，其在频域的特征以及其在相空间的特征。以计算所述脑电波在频域的特征为例，具体地，S104可包括：S1041，计算各个脑电波的能量。S1042，根据各个脑电波的能量及各个脑电波的频率范围，计算各个脑电波的中心频率，得到所述第三脑电序列信号的特征量。如公式12所示，中心频率FC：其中，fH为与信号波对应的脑电波的上限频率，fL为对应的脑电波的下限频率，例如Delta波的上限频率为3Hz，下限频率为0.5Hz。在本发明实施例中，依次计算各个脑电波的中心频率(及各个脑电波的特征)，就得到所述第三脑电序列信号在频域空间的特征量。S105，根据所述特征量进行分类识别，得到脑电放松度。在本发明实施例中，将所述特征量输入到预先训练好的分类器(如神经网络模型或支持向量机中)，就可以识别出其分类，并根据分类得到脑电放松度。在得到脑电放松度后，就可以根据脑电放松度进行放松治疗，如可以根据脑电放松度进行放松引导内容的选择、标记和播放，能够精准地选取最适合用户的放松引导内容，搭配耳机，播放给用户；同时伴随着基于放松度的放松引导内容播放音量调制，帮助使用者放松身心，缓解焦虑抑郁，陶冶情操、改善个性弱点、消除心理行为障碍、保持心理和躯体健康。本发明实施例提供的脑电放松度识别方法，通过采用加权移动平均算法去除所述脑电序列信号中的低频直流信息，保证了在去低频直流信息的同时不会对脑袋序列信号产生任何影响；同时采用自适应滤波器滤除脑电序列信号中的伪迹信号，解决了伪迹信号难以去除的问题。本发明可提取出纯净的脑电序列信号，进而保证提取的脑电波和基于脑电波计算得到的特征的精确度，为生物反馈指导提供了数据基础和依据。优选地，在步骤S104之后，步骤S105之前，还包括：基于主成分分析法对所述特征量进行特征选择。在本发明实施例中，有些时候脑电序列信号的特征量的维数较多，而且含有线性相关项，这会影响分类的速度和准确度，因此考虑进行特征选择和降维。在本优选实施例中，可采用主成分分析算法实现特征选择和降维。具体地：首先，对所述特征量进行数据标准化处理。其中：其中，X'ij是标准化后的特征量；Mj、Sj分别表示原始数据某一列的算术平均值和标准(偏)差。然后，根据数据标准化处理后的所述特征量得到协方差矩阵。其中，协方差矩阵D＝XTX，即：其中：其次，计算所述协方差矩阵的特征根和与每个特征根对应的特征向量；其中，所述特征根的数量为p个，且所述的p个特征根按照大小排序。其中，DP＝Pλ(18)当只考虑第j个特征值时，有DPj＝Pjλj，即求解|D-λjI|＝0。依次解出各个λ，并使其按大小顺序排列，即λ1≥λ2≥…,≥λp≥0；然后可求出各特征值对应的特征向量P，进而特征方程求解完成。接着，获取所述的p个特征根中，贡献率之和大于预定阈值的前m个特征根；其中，每个特征根的贡献率等于所述特征根的值除以全部的p个特征根的值之和。先计算单个主成分的贡献率并进行累计，根据累计贡献率确定主成分的个数m，从而确定所需要选取的主成分。贡献率的计算公式如公式(19)所述。累计贡献率即前m个贡献率的累积和，如公式(20)所示。所述阈值Dmax一般取在85％～95％之间。根据上一步骤中的特征根排序可知，λ1≥λ2≥…,≥λp≥0，从前往后(也是从大到小)依次对特征根进行累加，当累计贡献率大于Dmax时，停止计算，此时累计计算的特征根λ的数目为m，则只需要选取前m个主成分即可。最后，根据与所述的前m个特征根对应的特征向量及所述输入样本空间，得到主成分得分矩阵。其中，所述主成分得分矩阵本优选实施例中，利用主成分分析法去除了特征量中贡献不明显和具有线性关联的特征量，在不影响分类识别的准确度的前提下，减少了输入特征量的维度，从而实现了更快速的识别。请参阅图7，本发明实施例还提供一种脑电放松度识别装置100，包括：加权移动平均单元10，用于对接收的第一脑电序列信号的各个时刻的脑电信号进行加权移动平均计算，得到第二脑电序列信号。自适应滤波单元20，用于以所述第二脑电序列信号为原始信号，以与所述第二脑电序列信号同步采集得到的伪迹序列信号为参考信号，对所述第二脑电序列信号进行自适应滤波，得到第三脑电序列信号。脑电波提取单元30，用于从所述第三脑电序列信号中提取出各个脑电波。特征量计算单元40，用于计算各个脑电波的特征，获得所述第三脑电序列信号的特征量。脑电放松度识别单元50，用于根据所述特征量进行分类识别，得到脑电放松度。优选地，在一个实施例中，所述加权移动平均单元10，具体包括：第一脑电信号获取模块，用于基于当前的第j个时刻的脑电信号，获取所述第一脑电序列信号中的位于第(j-(N-1)/2)个时刻至第(j+(N-1)/2)个时刻之间的N个脑电信号的能量；其中，N为预设的影响数，且N为奇数，j为大于(N+1)/2的整数；第一权值分配模块，用于根据预设的权值分布函数为获取的N个脑电信号的能量分配权值；其中，N个脑电信号的能量的权值之和为1；第一加权求和模块，用于对所述N个脑电信号的能量根据分配的权值进行加权求和，得到新的第j个时刻的脑电信号的能量，其中，依次对所述第一脑电序列信号的各个时刻的脑电信号的能量进行加权求和后，根据所有时刻的新的脑电信号的能量，生成第二脑电序列信号。优选地，在另一个实施例中，所述加权移动平均单元10，具体包括：第二脑电信号获取模块，基于当前的第j个时刻的脑电信号，获取所述第一脑电序列信号中的位于第(j-N)个时刻至第(j-1)个时刻之间的N个脑电信号的能量；其中，N为预设的影响数，j为大于N的整数；第二权值分配模块，根据预设的权值分布函数为获取的N个脑电信号的能量分配权值；其中，N个脑电信号的能量的权值之和为1；第二加权求和模块，对所述N个脑电信号的能量根据分配的权值进行加权求和，得到新的第j个时刻的脑电信号的能量；其中，依次对所述第一脑电序列信号的各个时刻的脑电信号的能量进行加权求和后，根据的所有时刻的新的脑电信号的能量，生成第二脑电序列信号。优选地，所述权值分布函数为正态分布函数。优选地，所述脑电波提取单元30具体为：频率分层模块，用于根据香农-奈奎斯特采样原理及所述第三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；层数确定模块，用于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；分解模块，用于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；重构模块，用于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每个脑电波对应的所述多层波形，重构得到各个脑电波。优选地，所述特征量计算单元40具体包括：能量计算模块，用于计算各个脑电波的能量。中心频率计算模块，用于根据各个脑电波的能量及各个脑电波的频率范围，计算各个脑电波的中心频率，得到所述第三脑电序列信号的特征量。优选地，还包括：特征选取单元，用于基于主成分分析法对所述特征量进行特征选择。本发明实施例提供的脑电放松度识别装置100，通过采用加权移动平均法去除所述脑电序列信号中的低频直流信息，保证了在去低频直流信息的同时不会对脑袋序列信号产生任何影响；同时采用自适应滤波器滤除脑电序列信号中的伪迹信号，解决了伪迹信号难以去除的问题。本发明可提取出纯净的脑电序列信号，进而保证提取的脑电波和基于脑电波计算得到的特征的精确度，为生物反馈指导提供了数据基础和依据。以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。当前第1页1 2 3