基于前额单导联脑电信号的多状态识别方法与流程

1.本发明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。


背景技术：

2.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。
3.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。


技术实现要素：

[0006]
本发明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]
本发明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，采用模板匹配算法精确的区分头动信号和眼电信号；
[0046]
所述模型训练模块，用于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使用em算法估计所述混合高斯模型的参数。
[0047]
一种存储介质，其上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述基于前额单导联脑电信号的多状态识别方法的步骤。
[0048]
一种基于前额单导联脑电信号的多状态识别系统，其特征在于，包括：
[0049]
信号采集模块，用于采集前额叶的脑电信号，采集到信号首先经过4阶的50hz的陷波器，之后经过10阶的0.1～30hz的带通滤波器滤除漂移伪迹以及高频的伪迹；
[0050]
信号处理模块，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1～5任意一项所述基于前额单导联脑电信号的多状态识别方法的步骤；
[0051]
人机交互模块，用于脑电信号和信号处理模块从脑电信号中识别出的眼电信号进行交互控制。
[0052]
本发明的有益效果是：本发明通过前额单导联电极同时采集脑电信号，并能从脑电信号中精确识别出眼电信号，提高了检测过程中设备佩戴的舒适性。本发明将模板匹配算法结合到模型训练中，提高系统识别运算的鲁棒性和准确性。本发明提供的识别系统能够在每次启动时进行模型自学习，实时更新模型，减少环境或人为因素对脑电信号采集的影响，提高了特征识别的准确性。本发明包括多种状态的识别，提高系统的适应性和可扩展性，在人机交互领域具有广泛的应用潜力。
附图说明
[0053]
图1为实施例的流程图。
具体实施方式
[0054]
本实施例为一种基于前额单导联脑电信号的多状态识别方法，具体包括以下步骤：
[0055]
s1、获取信号采集模块采集的前额叶的脑电信号，信号采集模块采集到信号首先
经过4阶的50hz的陷波器，之后经过10阶的0.1～30hz的带通滤波器滤除漂移伪迹以及高频的伪迹；
[0056]
s2、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；
[0057]
s3、采用经训练的混合高斯模型对特征点进行粗分类；
[0058]
s4、当步骤s3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。
[0059]
本实施例中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和按期定时训练时，混合高斯模型的训练，包括：
[0060]
a、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。
[0061]
本实施例中首先给出15秒的准备时间，提示用户按照需要进入模型训练中，然后依次呈现给用户放松、咀嚼、眨眼、头动等四种指令，每种指令持续15秒，每俩指令间给出8秒的放松时间，在每种指令出现时，要求用户按照指令不断重复指令的动作。当用户完成4种指令的动作任务后，自动进行四种动作任务特征的混合高斯模型训练。
[0062]
b、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；
[0063]
c、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，分别计算出四种特征的期望值及方差值。
[0064]
本实施例中采用模板匹配算法精确的区分头动信号和眼电信号，包括：
[0065]
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；
[0066]
在实际训练中，当系统要求训练者进行放松任务时，训练者可能由于无意的出现眨眼或者其他大幅动作，这些实际是会影响后面分类效果。这里选择的95％的位置点是在放松线索下排除幅度最大的5％特征值，从而减少因大幅干扰造成的影响，该数值是根据实际操作中一个比较理想的比例值；
[0067]
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；
[0068]
基于筛选后的眨眼任务特征点生成眼电模板，如下：
[0069]
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(选取该特征点前0.15秒至特征点后0.15秒的数据段作为疑似眨眼信号段，之所以选择0.15秒是因为普通人眨一次眼的时间约0.3秒)；
[0070]
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；
[0071]
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；
[0072]
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；
[0073]
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；
[0074]
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。
[0075]
本实施例中相似度的计算包括：
[0076]
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；
[0077]
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：
[0078]
a’＝a-(a(i)
–
b(i))
[0079]
b、计算sshare，sshare为a’与b两曲线围成的面积；
[0080]
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；
[0081]
d、则相似度的计算为sim＝(stotal-sshare)/stotal。
[0082]
本实施例中模板进行更新的方法，包括：
[0083]
假设源模板数组a，模板的计数为idx，目标模板数组b；
[0084]
for ii＝1:length(a)
[0085]
a(ii)＝[a(ii)*idx+b(ii)]/(idx+1)
[0086]
idx＝idx+1。
[0087]
本实施例还提供一种基于前额单导联脑电信号的多状态识别装置，主要包括模型训练模块和实时检测模块，其中实时检测模块包括信号获取模块、特征提取模块、粗分类模块和精分类模块。
[0088]
本例中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；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；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；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，采用模板匹配算法精确的区分头动信号和眼电信号。
[0089]
本例中模型训练模块用于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使用em算法估计混合高斯模型的参数。
[0090]
本实施例还提供一种存储介质，其上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现本例中基于前额单导联脑电信号的多状态识别方法的步骤。
[0091]
本实施例还提供一种基于前额单导联脑电信号的多状态识别系统，包括信号采集模块、信号处理模块和人机交互模块。
[0092]
信号采集模块主要为一个脑电采集设备(头带或者脑电帽等)，主要采集前额叶的脑电信号[fp1/fp2]。采样率为250，采集到信号首先经过4阶的50hz的陷波器，之后经过10阶的0.1～30hz的带通滤波器滤除漂移伪迹以及高频的伪迹。
[0093]
信号处理模块具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，该计算机程序被执行时实现本例中基于前额单导联脑电信号的多状态识别方法的步骤。
[0094]
人机交互模块在每次启动时根据使用场景进行模型的自学习，实时更新模型，进
行四类特征的识别，本例应用这四类特征进行简单unity3d的模型识别。