基于时域及频域空间的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，尤其涉及一种基于时域及频域空间的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)，再提取各个脑电波的特征，将这些特征输入到分类器进行分类识别。

现有的特征提取方法一般只能从单一角度提取脑电波的特征，评价方式单一，不能保证分类结果的准确性。而且现有的特征提取算法的计算和处理过程复杂，一方面，增加了对硬件的要求，另一方面，由于计算复杂，也无法及时得到分类结果，进而影响了放松治疗的效果。

技术实现要素：

针对上述问题，本发明的目的在于提供一种基于时域及频域空间的脑电放松度识别方法及装置，可全面的提取出各个脑电波的特征。

本发明提供了一种基于时域及频域空间的脑电放松度识别方法，包括如下步骤：

对接收到的待处理脑电序列信号进行滤波，提取出对应于各个脑电波的信号波；

对所述各个信号波进行切片，计算每个信号波在与其对应的每个切片的y轴上的投影的最大值和最小值，根据最大值及最小值形成至少两个等长度的区间，并根据位于各个区间的投影的数量，得到各个信号波的栅条投影变异度，获得所述待处理脑电序列信号在时域空间的特征量；

计算对应于各个脑电波的信号波的能量，根据各个脑电波的频率范围及对应的信号波的能量，计算任意两个信号波之间的能量比率，获得所述待处理脑电序列信号在频域空间的特征量；

对所述待处理脑电序列信号在时域空间的特征量及在频域空间的特征量进行分类识别，得到脑电放松度。

优选地，所述对所述各个信号波进行切片，计算每个信号波在与其对应的每个切片的y轴上的投影的最大值和最小值，根据最大值及最小值形成至少两个等长度的区间，并根据位于各个区间的投影的数量，得到各个信号波的栅条投影变异度，获得所述待处理脑电序列信号在时域空间的特征量具体包括：

将各个信号波切成具有相同时间间隔的至少两个切片；

计算每个信号波在与其对应的每个切片的y轴上的投影；

统计所有投影的最大值和最小值，并根据最大值及最小值形成至少两个等长度的区间；

统计位于各个区间的投影的数量，并计算各个区间的投影的数量的标准差，得到各个信号波的栅条投影变异度，获得所述待处理脑电序列信号在时域空间的特征量。

优选地，所述对所述待处理脑电序列信号在时域空间的特征量及在频域空间的特征量进行分类识别，得到脑电放松度具体包括：

基于预先训练好的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，在所述根据所述待处理脑电序列信号在时域空间的特征量及在频域空间的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待处理脑电序列信号在时域空间的特征量及在频域空间的特征量进行降维处理，获得降维后的特征量。

优选地，所述基于主成分分析法对所述待处理脑电序列信号在时域空间的特征量及在频域空间的特征量进行降维处理，获得降维后的特征量具体包括：

将所述待处理脑电序列信号在时域空间的特征量及在频域空间的特征量设置为输入样本空间中的特征量，并对所述输入样本空间进行数据标准化处理；

根据数据标准化处理后的所述输入样本空间得到协方差矩阵；

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；

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；

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中的特征量为所述降维后的特征量。

本发明还提供了一种基于时域及频域空间的脑电放松度识别装置，包括：

信号提取单元，用于对接收到的待处理脑电序列信号进行滤波，提取出对应于各个脑电波的信号波；

时域特征提取单元，用于对所述各个信号波进行切片，计算每个信号波在与其对应的每个切片的y轴上的投影的最大值和最小值，根据最大值及最小值形成至少两个等长度的区间，并根据位于各个区间的投影的数量，得到各个信号波的栅条投影变异度，获得所述待处理脑电序列信号在时域空间的特征量；

频域特征提取单元，用于计算对应于各个脑电波的信号波的能量，根据各个脑电波的频率范围及对应的信号波的能量，计算任意两个信号波之间的能量比率，获得所述待处理脑电序列信号在频域空间的特征量；

脑电放松度识别单元，用于对所述待处理脑电序列信号在时域空间的特征量及在频域空间的特征量进行分类识别，得到脑电放松度。

优选地，所述时域特征提取单元具体包括：

切片模块，用于将各个信号波切成具有相同时间间隔的至少两个切片；

投影计算模块，用于计算每个信号波在与其对应的每个切片的y轴上的投影；

区间划分模块，用于统计所有投影的最大值和最小值，并根据最大值及最小值形成至少两个等长度的区间；

栅条投影变异度计算模块，用于统计位于各个区间的投影的数量，并计算各个区间的投影的数量的标准差，得到各个信号波的栅条投影变异度，获得所述待处理脑电序列信号在时域空间的特征量。

优选地，所述脑电放松度识别单元，具体用于基于预先训练好的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，还包括：

特征降维单元，用于基于主成分分析法对所述待处理脑电序列信号在时域空间的特征量及在频域空间的特征量进行降维处理，获得降维后的特征量。

优选地，所述特征降维单元具体包括：

标准化处理模块，用于将所述待处理脑电序列信号在时域空间的特征量及在频域空间的特征量设置为输入样本空间中的特征量，并对所述输入样本空间进行数据标准化处理；

协方差矩阵计算模块，用于根据数据标准化处理后的所述输入样本空间得到协方差矩阵；

特征计算模块，用于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；

筛选模块，用于获取所述的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；

降维特征量获得模块，用于根据与所述的前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中的特征量为所述降维后的特征量。

本发明实施例提供的基于时域及频域空间的脑电放松度识别方法及装置，同时从时域空间、频域空间两个角度提取脑电序列序号的特征量，并基于提取得到的特征量进行分类识别得到最终的脑电放松度。相比于单一角度的特征提取，对信号的评价方式更多样化，能更全面的体现信号的特性，避免了单一角度的特征提取容易导致的特征过于片面的问题而影响最终识别精度的问题。本发明可以大大提高识别分类的精度和准确度，为放松治疗提供准确的依据。

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基于时域及频域空间的脑电放松度识别方法的流程示意图。

图2是svm的最优超平面分类的示意图。

图3是svm高维映射的示意图。

图4是本发明实施例提供的基于时域及频域空间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基于时域及频域空间的脑电放松度识别方法，其可包括如下步骤：

s101，对接收到的待处理脑电序列信号进行滤波，提取出对应于各个脑电波的信号波。

在本发明实施例中，所述的各个脑电波可包括delta波、theta波、alpha波、beta波、gamma波。其中，一般地，delta波的频率范围为0.5～3hz，theta波的频率范围为3～7hz、alpha波的频率范围为8～13hz、beta波的频率范围为14～17hz、gamma波的频率范围为34～50hz。

其中，delta波：深度睡眠脑波状态。

当人的大脑频率处于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。

在本实施例中，考虑到待处理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。其中，以眼电伪迹和肌电伪迹难以去除的问题，这主要是由于其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。

在本发明实施例中，在获得所述待处理脑电序列信号后，可根据每个脑电波的频率范围通过滤波(如卡尔曼滤波)、小波变换或者自回归模型等提取算法从所述待处理脑电序列信号中提取出对应于各个脑电波的信号波。其中，提取时可仅用一个算法提取得到对应于各个脑电波的信号波，也可同时通过多个算法进行提取，再对不同算法提取得到的结果进行加权求和，得到最终的信号波。利用多个提取算法进行信号波的提取，可避免单一算法提取出现的误差偏大或稳定性不高的问题。

s102，对所述各个信号波进行切片，计算每个信号波在与其对应的每个切片的y轴上的投影的最大值和最小值，根据最大值及最小值形成至少两个等长度的区间，并根据位于各个区间的投影的数量，得到各个信号波的栅条投影变异度，获得所述待处理脑电序列信号在时域空间的特征量。

在本发明实施例中，在获得与各个脑电波对应的信号波后，即可提取其在时域空间的特征。

在本发明实施例中，可通过栅条投影变异度算法提取各个信号波的栅条投影变异度来获取各个信号波的时域特征。

具体地：

首先，将各个信号波按相同时间间隔分为至少两个切片。

其中，每个切片就是一个栅条，时间间隔就是栅条宽度。

其次，计算每一信号波(delta、theta、alpha、beta、gamma波)在每个栅条内的覆盖范围，即在栅条y轴上的投影shadow。

然后，统计所有投影shadow的最大值最小值，在最大值和最小值之间，划分为若干个等长度的区间histnum。

例如，最大值为a，最小值为b，需要划分为n个区间，则每个区间的长度为(a-b)/n。

最后，如公式1，2所示统计落在各区间histnum中投影的数量shadow_hist，计算各区间投影的数量shadow_hist的标准差shadow_stdhist，即得到需要的栅条投影变异度。

在本发明实施例中，分别计算得到每个信号波(delta、theta、alpha、beta、gamma波)的栅条投影变异度shadow_stdhistp1～shadow_stdhistp5，并可按照同样的方法可以计算待处理脑电序列信号的栅条投影变异度shadow_stdhisteeg，即得到了待处理脑电序列信号在时域空间的特征量。其中，栅条投影变异度体现了波形的分散离散程度。

s103，计算对应于各个脑电波的信号波的能量，根据各个脑电波的频率范围及对应的信号波的能量，计算任意两个信号波之间的能量比率，获得所述待处理脑电序列信号在频域空间的特征量。

在本发明实施例中，可通过能量密度比率算法提取各个脑电波的信号波的频域特征，获得所述待处理脑电序列信号在频域空间的特征量。

具体地：

s1031，计算与各个脑电波对应的信号波的能量。

其中，各个信号波的能量函数公式如下：

ω＝2πf(4)

s1032，根据各个脑电波的频率范围及对应的信号波的能量，计算任意两个信号波之间的能量比率，获得所述待处理脑电序列信号在频域空间的特征量。

以计算alpha和delta的能量比率为例，如公式5所示。

在本发明实施例中，以此类推，通过计算两两信号波之间的能量比率，就获得所述待处理脑电序列信号在频域空间的特征量。

s104，对所述待处理脑电序列信号在时域空间的特征量及在频域空间的特征量进行分类识别，得到脑电放松度。

在本发明实施例中，在得到所述待处理脑电序列信号在时域空间的特征量及在频域空间的特征量之后，将其输入到预先设置好的分类器中，就可以得到当前的脑电放松度。

在本发明实施例中，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。

优选地，所述步骤s104具体包括：

基于预先训练好的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。

在本发明实施例中，在得到待处理脑电序列信号的特征量后，将其输入到支持向量机(supportvectormachine，svm)，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。

具体地，支持向量机的基本思想是在样本空间或特征空间中构造出最优超平面，使得超平面与不同类样本集之间的距离最大，从而达到最大的泛化能力，如图2所示。

下面将介绍svm的原理。

首先，针对给定二分类样本对{(xi，yi)，xi∈rn，yi＝±1}(以此类推五分类样本对为{(xi,yi),xi∈rn，yi＝1,2,3,4,5})，xi为训练样本，x为待判决样本。训练样本集为线性不可分时，需引入非负松驰变量αi，i＝1,2，......，l；分类超平面的优化问题转化为公式6所示。其中，2/||w||表示分类间隔，使分类间隔最大等价于使||w||²最小。使||w||²最小的分类就成为最优分类面。c为误差惩罚参数，是svm中最重要的可调参数之一。

其次，选取径向基(radialbasisfunctionrbf)核函数，如公式7所示。其中γ为rbf核函数的宽度，是svm中另一个重要的可调参数。

kx,xi＝exp(-γ*||x-xi||²)(7)

最后，应用核函数技术，将输入空间中的非线性问题，通过函数映射到高维特征空间中，在高维空间中构造线性判别函数，求解最优超平面，使得超平面与不同类样本集之间的距离最大，从而达到最大的泛化能力，如图3所示。

在本发明实施例中，构造好svm后，就可以进行训练了，具体地，将提取得到的特征量作为训练svm的输入样本x，将神念设备同步采集得到的“放松度”作为金标准，也就是svm的输出y。(x，y)共同组成svm的训练样本对，进行svm训练。

在训练好svm后，就可以利用该svm进行分类，从而实现放松度的分类识别。

需要说明的是，svm的分类性能受到诸多因素影响，其中误差惩罚参数c和rbf核函数的宽度γ两个因素最为关键。c为误差惩罚参数，是svm中最重要的可调参数之一，表示对错分样本比例和算法复杂度折衷，即在确定的特征子空间中调节学习机器置信范围和经验风险比例，使学习机器的推广能力最好。核函数及参数的选择也直接影响到svm分类好坏。

在具体使用时，可对这两个参数进行参数寻优，如通过结合交叉验证法与网格搜索算法、结合留一法与遗传算法、结合交叉验证法与遗传算法、结合交叉验证法与粒子群算法进行参数寻优，这些技术方案均在本发明的保护范围之内，本发明在此不做赘述。

本发明实施例提供的基于时域及频域空间的脑电放松度识别方法，同时从时域空间、频域空间两个角度提取各个脑电波的信号波的特征，得到待处理脑电序列序号的特征量并基于提取得到的特征量进行分类识别得到最终的脑电放松度。相比于单一角度的特征提取，对信号的评价方式更多样化，能更全面的体现信号的特性，避免了单一角度的特征提取容易导致的特征过于片面的问题而影响最终识别精度的问题。本发明可以大大提高识别分类的精度和准确度，为放松治疗提供准确的依据。此外，本发明实施例提供的特征提取方法计算简单、快速，对硬件要求低，因而能及时输出分类结果，便于实时的放松治疗。

优选地，在步骤s104之前，还可以包括：

s105，基于主成分分析法对所述待处理脑电序列信号在时域空间的特征量及在频域空间的特征量进行降维处理，获得降维后的特征量。

具体地：

s1051，将所述待处理脑电序列信号在时域空间的特征量及在频域空间的特征量设置为输入样本空间中的特征量，并对所述输入样本空间进行数据标准化处理。

具体地，将待处理脑电序列信号在时域空间的特征量及在频域空间的特征量设置为输入样本空间x中的元素。对该样本空间x进行数据标准化处理具体为：

其中：

其中，x′ij是标准化后的新数据；mj、sj分别表示原始数据某一列的算术平均值和标准(偏)差。

s1052，根据数据标准化处理后的所述输入样本空间得到协方差矩阵。

其中，协方差矩阵d＝x^tx，即：

其中：

s1053，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(13)

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。

s1054，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。

首先，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14所述。累计贡献率即前m个贡献率的累积和，如公式15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。

s1055，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中的特征量为所述降维后的特征量。

其中，所述主成分得分矩阵

其中，该主成分得分矩阵t中的各个元素即为经过降维后的特征量。

需要说明的是，在本发明实施例中，还可计算主成分的载荷，其中，所述主成分载荷主要反映主成分得分与原变量xj的关联程度，计算公式为：得到各主成分的载荷以后，就可以知道选取的每一个主成分分别对应的原始特征，如有需要，可以根据原始特征的量纲转换回去。

在本发明实施例中，在采用主成分分析法筛选出所获得的待处理脑电序列信号在时域空间和频域空间的特征量中较为重要的特征量后，即可得到降维后的待处理脑电序列信号的特征量。通过对待处理脑电序列信号在时域空间和频域空间的特征量进行降维处理，使得后续进行脑电放松度识别时的数据计算量减小，从而提高脑电放松度识别的速度，实现脑电放松度的实时识别。

请参阅图4，本发明还提供一种基于时域及频域空间的脑电放松度识别装置100，包括：

信号提取单元10，用于对接收到的待处理脑电序列信号进行滤波，提取出对应于各个脑电波的信号波；

时域特征提取单元20，用于对所述各个信号波进行切片，计算每个信号波在与其对应的每个切片的y轴上的投影的最大值和最小值，根据最大值及最小值形成至少两个等长度的区间，并根据位于各个区间的投影的数量，得到各个信号波的栅条投影变异度，获得所述待处理脑电序列信号在时域空间的特征量；

频域特征提取单元30，用于计算对应于各个脑电波的信号波的能量，根据各个脑电波的频率范围及对应的信号波的能量，计算任意两个信号波之间的能量比率，获得所述待处理脑电序列信号在频域空间的特征量；

脑电放松度识别单元40，用于对所述待处理脑电序列信号在时域空间的特征量及在频域空间的特征量进行分类识别，得到脑电放松度。

更优选地，所述时域特征提取单元20具体包括：

切片模块，用于将各个信号波切成具有相同时间间隔的至少两个切片；

投影计算模块，用于计算每个信号波在与其对应的每个切片的y轴上的投影；

区间划分模块，用于统计所有投影的最大值和最小值，并根据最大值及最小值形成至少两个等长度的区间；

栅条投影变异度计算模块，用于统计位于各个区间的投影的数量，并计算各个区间的投影的数量的标准差，得到各个信号波的栅条投影变异度，获得所述待处理脑电序列信号在时域空间的特征量。

更优选地，所述脑电放松度识别单元40，具体用于基于预先训练好的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。

更优选地，所述基于时域及频域信号特征的脑电放松度识别装置，还包括：

特征降维单元，用于基于主成分分析法对所述待处理脑电序列信号在时域空间的特征量及在频域空间的特征量进行降维处理，获得降维后的特征量。

更优选地，所述特征降维单元具体包括：

标准化处理模块，用于将所述待处理脑电序列信号在时域空间的特征量及在频域空间的特征量设置为输入样本空间中的特征量，并对所述输入样本空间进行数据标准化处理；

协方差矩阵计算模块，用于根据数据标准化处理后的所述输入样本空间得到协方差矩阵；

特征计算模块，用于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；

筛选模块，用于获取所述的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；

降维特征量获得模块，用于根据与所述的前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中的特征量为所述降维后的特征量。

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。