一种判断动物心理状态的脑电分析装置及分析方法与流程

本发明涉及脑机接口设备领域，尤其涉及一种判断动物心理状态的脑电分析装置及分析方法。

背景技术：

在脑机接口技术领域中，现有技术以人为对象设计可穿戴设备进行脑波分析。中国专利文献cn105011932a公开了一种基于冥想度与专注度的疲劳驾驶脑电监测方法，利用tgam芯片输出的专注度参数、冥想度参数，结合原始脑电信号的平均值，对驾驶员的疲劳脑电信号进行监测。但是，现有技术采用tgam芯片输出的专注度参数、冥想度参数，仅能够以1赫兹的频率计算脑波参数，而如心理状态等脑电状态的变化往往是转瞬即逝的，需要更高的时间分辨率才能检测出来。

另外，现有技术中对原始信号中的眼电噪声等进行去除后的数据信噪比低，可靠性差，且其他现有技术中眼电噪声的去除依赖主成分分析和独立成分分析方法，需要单独的设置位于眼睛周围的眼电采集电极，增加了设备的复杂性，同时这两种去噪的方法均需要较长的时长，难以满足实时性的要求。在分类方法上，采用pca降维常常导致信号中的细节信息的丢失，难于捕捉细微的心理状态变化。

再者，现有的脑电分析设备或方法一般止步于得到去噪后的脑电数据，将这些数据作为科学试验的中间环节，即数据往往只作为科研使用，并不能给社会应用带来有益效果。

技术实现要素：

本发明的目的在于能够将采集的原始脑电信号去噪，得到较高信噪比的脑电数据，并通过分类模型进行计算和识别，使普通民众都能够清楚的了解动物的心理状态，更好的实现了脑电数据在社会上的应用。

为了达到上述目的，本发明提出一种判断动物心理状态的脑电分析装置，其包括：

脑电采集模块，用以采集动物的原始脑电信号；

预处理模块，用以去除所述原始脑电信号中的噪声干扰得到纯化脑电信号；

特征提取模块，用以提取纯化脑电信号中的特征值；

识别模块，用以根据预先构建的分类模型对所述特征值进行分析识别，以获得代表动物心理状态的识别结果。

其中，所述预处理模块，包括：

去眼电单元，用以对所述原始脑电信号去除眼电噪声，得到初滤脑电信号；

小波降噪单元，用于对所述初滤脑电信号进行小波去噪，得到修正脑电信号；

数据段提取单元，用以对所述修正脑电信号进行挑选，并限定幅值，去除超出所限定幅值的数据段，得到标准数据段；

去均值单元，用以计算所述标准数据段的均值，用所述修正脑电信号减去所述均值；

去基线漂移单元，用以对减去均值后的修正脑电信号去除基线漂移；

滤波单元，用以对去除基线漂移后的修正脑电信号进行滤波，从而得到纯化脑电信号。

其中，所述去眼电单元，包括：

信号截取子单元，用以截取一特定时长的所述原始脑电信号，作为原始基准信号；

滤波子单元，用以对所述原始基准信号按照预设眼电噪声频率范围进行带通滤波以得到基准初滤脑电信号；

比较子单元，用以将所述基准初滤脑电信号各数据点幅值与预设眼电噪声幅度阈值进行比较，当某一数据点幅值由小于预设眼电噪声幅度阈值变为等于预设眼电噪声幅度阈值时，设定该数据点之前的一特定时长为第一测试眨眼时段，设定该数据点之后的一特定时长为第二测试眨眼时段，所述第一测试眨眼时段及所述第二测试眨眼时段构成第一测试眨眼周期；提取所述第一测试眨眼周期内的基准初滤脑电信号作为该第一测试眨眼周期内的第一眨眼信号；

计算子单元，用以将所述特定时长内的所有第一测试眨眼周期内的所述第一眨眼信号进行平均，得到第一眼电噪声平均波形；

叠加子单元，用以将所述原始脑电信号与所述第一眼电噪声平均波形相叠加，以抵消所述第一测试眨眼周期内的噪声干扰，得到初滤脑电信号。

其中，所述装置还包括：

建模模块，用以构建分类模型并将其提供给数据库进行保存；

所述建模模块包括：

控制单元，用以调用所述脑电采集模块采集动物在不同心理状态下产生的脑电数据；调用所述预处理模块对脑电采集模块所采集的脑电数据进行挑选及降噪处理，得到纯化脑电数据，调用所述特征提取模块提取所述纯化脑电数据中的特征值；

模型训练单元，用以采用机器学习算法对所述纯化脑电数据中的特征值进行训练，构建分类模型。

其中，所述装置还包括：

特征优化模块，用以对所述特征提取模块得到的所述纯化脑电数据中的特征值进行特征值清理、特征值选择和/或特征值变换，得到所述纯化脑电数据的有效特征值；

相应的，所述模型训练单元，用以采用机器学习算法对所述有效特征值进行训练，构建分类模型。

另一方面，本发明还提出一种判断动物心理状态的脑电分析方法，其包括：

采集动物的原始脑电信号；

去除所述原始脑电信号中的噪声干扰得到纯化脑电信号；

提取纯化脑电信号中的特征值；

根据预先构建的分类模型对所述特征值进行分析识别，以获得代表动物心理状态的识别结果。

其中，所述去除所述原始脑电信号中的噪声干扰得到纯化脑电信号，包括：

对所述原始脑电信号去除眼电噪声，得到初滤脑电信号；

对所述初滤脑电信号进行小波去噪，得到修正脑电信号；

对所述修正脑电信号进行挑选，并限定幅值，去除超出所限定幅值的数据段，得到标准数据段；

计算所述标准数据段的均值，用所述修正脑电信号减去所述均值；

对减去均值后的修正脑电信号去除基线漂移；

对去除基线漂移后的修正脑电信号进行滤波，从而得到纯化脑电信号。

其中，所述对所述原始脑电信号去除眼电噪声，包括：

截取一特定时长的所述原始脑电信号，作为原始基准信号；

对所述原始基准信号按照预设眼电噪声频率范围进行带通滤波以得到基准初滤脑电信号；

将所述基准初滤脑电信号各数据点幅值与预设眼电噪声幅度阈值进行比较，当某一数据点幅值由小于预设眼电噪声幅度阈值变为等于预设眼电噪声幅度阈值时，设定该数据点之前的一特定时长为第一测试眨眼时段，设定该数据点之后的一特定时长为第二测试眨眼时段，所述第一测试眨眼时段及所述第二测试眨眼时段构成第一测试眨眼周期；提取所述第一测试眨眼周期内的基准初滤脑电信号作为该第一测试眨眼周期内的第一眨眼信号；

将所述特定时长内的所有第一测试眨眼周期内的所述第一眨眼信号进行平均，得到第一眼电噪声平均波形；

将所述原始脑电信号与所述第一眼电噪声平均波形相叠加，以抵消所述第一测试眨眼周期内的噪声干扰，得到初滤脑电信号。

其中，所述方法还包括：

构建分类模型并将其提供给数据库进行保存；

所述构建分类模型并将其提供给数据库进行保存，包括：

采集模块采集动物在不同心理状态下产生的脑电数据；

对所述脑电数据进行挑选及降噪处理，得到纯化脑电数据；

提取所述纯化脑电数据中的特征值；

采用机器学习算法对所述纯化脑电数据中的特征值进行训练，构建分类模型。

其中，所述方法还包括：

对所述纯化脑电数据中的特征值进行特征值清理、特征值选择和/或特征值变换，得到所述纯化脑电数据的有效特征值；

所述采用机器学习算法对所述纯化脑电数据中的特征值进行训练，具体为采用机器学习算法对所述有效特征值进行训练，构建分类模型。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例提供的一种判断动物心理状态脑电分析装置的结构框图；

图2为本发明另一实施例提供的一种判断动物心理状态脑电分析装置的结构框图；

图3为本发明实施例提供的一种判断动物心理状态脑电分析方法的流程图；

图4为本发明实施例提供的一种判断动物心理状态脑电分析方法中步骤s200的细分流程图；

图5为本发明另一实施例提供的一种判断动物心理状态脑电分析方法的流程图；

图6为本发明另一实施例提供的一种判断动物心理状态脑电分析方法中步骤s500的细分流程图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

为充分了解本发明的目的、特征及效果，现通过下述具体的实施例，并配合附图，对本发明做一详细说明如下：

本发明中的术语：

原始脑电信号：本发明的装置在实时分析动物心理状态时实时采集的动物脑电信号；

原始脑电数据：本发明的装置在建立分类模型时实时采集的动物脑电信号。

图1为本发明实施例提供的一种判断动物心理状态脑电分析装置的结构框图。如图1所示，本发明所述的判断动物心理状态脑电分析装置主要包括脑电采集模块10、预处理模块20、特征提取模块30以及识别模块40，其中：所述的脑电采集模块10，用以采集动物的原始脑电信号；所述的预处理模块20，用以去除所述原始脑电信号中的噪声干扰得到纯化脑电信号；所述的特征提取模块30，用以提取纯化脑电信号中的特征值；所述的识别模块40，用以根据预先构建的分类模型对所述特征值进行分析识别，以获得代表动物心理状态的识别结果。

本实施例中的，脑电采集模块10通过设置在动物身体上的至少一个电极采集动物的脑号信号作为原始脑电信号，该原始脑电信号一般具有较低的信噪比。

预处理模块20用以降低或消除原始脑电信号中的噪声干扰并输纯化脑电信号，其包括去眼电单元、小波降噪单元、数据段提取单元、去均值单元、去基线漂移单元以及滤波单元，其中：去眼电单元，用以对所述原始脑电信号去除眼电噪声，得到初滤脑电信号。小波降噪单元，用于对所述初滤脑电信号进行小波去噪，得到修正脑电信号。本实施例中，小波去噪是通过三个基本步骤完成的。首先，对含有噪声的初滤脑电信号进行小波变换；其次，对变换得到的小波系数进行小波阈值去噪，去除初滤电信号所包含的噪声；再次，对去噪处理后的小波系数进行小波逆变换，从而得到修正脑电信号。小波去噪的好处在于去噪后能够成功地保留信号特征。数据段提取单元，用以对所述修正脑电信号进行挑选，并限定幅值，去除超出所限定幅值的数据段，得到标准数据段。其中，预设的限定幅值优选为250mv。去均值单元，用以计算所述标准数据段的均值，用所述修正脑电信号减去所述均值。去基线漂移单元，用以对减去均值后的修正脑电信号去除基线漂移。滤波单元，用以对去除基线漂移后的修正脑电信号进行滤波，从而得到纯化脑电信号。本实施控制，具体可以通过1-30hz的带通滤波器对去除基线漂移后的修正脑电数据进行滤波，以得到所需波段的纯化脑电数据。可理解的，在实际应用中，可根据实际滤波需求进行滤波器的设置，例如：通过1-50hz的带通滤波器等得到其他波段，对此本发明实施例不做具体限定。

本实施例中，所述去眼电单元，进一步包括以下子单元：信号截取子单元，用以截取一特定时长的所述原始脑电信号，作为原始基准信号。滤波子单元，用以对所述原始基准信号按照预设眼电噪声频率范围进行带通滤波以得到基准初滤脑电信号。比较子单元，用以将所述基准初滤脑电信号各数据点幅值与预设眼电噪声幅度阈值进行比较，当某一数据点幅值由小于预设眼电噪声幅度阈值变为等于预设眼电噪声幅度阈值时，设定该数据点之前的一特定时长为第一测试眨眼时段，设定该数据点之后的一特定时长为第二测试眨眼时段，所述第一测试眨眼时段及所述第二测试眨眼时段构成第一测试眨眼周期；提取所述第一测试眨眼周期内的基准初滤脑电信号作为该第一测试眨眼周期内的第一眨眼信号。计算子单元，用以将所述特定时长内的所有第一测试眨眼周期内的所述第一眨眼信号进行平均，得到第一眼电噪声平均波形。叠加子单元，用以将所述原始脑电信号与所述第一眼电噪声平均波形相叠加，以抵消所述第一测试眨眼周期内的噪声干扰，得到初滤脑电信号。

特征提取模块30从纯化脑电信号中提取特征值，该特征值可以为纯化脑电信号的能量分布状态、信号幅值分布的变化状态、lzc复杂度或ar模型系数中的至少一个。其中，提取各个有效脑电信号的特征值可通过以下方式实现：计算所述有效脑电信号中的功率谱密度、小波熵、renyi熵、tsallis熵、lzc复杂度、ar参数模型系数中的至少一个。其中，小波熵反映了对信号谱能量在各个子空间分布的有序或无序程度。采用某一小波基函数，固定分解深度，对信号进行小波分解，计算每一节点的能量并求和，得到总能量并求出熵值。renyi熵和tsallis熵均反应脑电信号序列幅值的分布变化情况。通过不同方式计算得到脑电信号的熵值，作为信号的特征。lzc复杂度从一维角度反应时间序列的复杂性及有序程度。

本发明另一实施例中，所述装置还包括存储数据库，用以存储分类模型。

识别模块40用以接收上述特征值，并通过数据库预先存储的分类模型对特征值进行分析识别，从而获得代表动物心理状态的识别结果(类别标签)。

本发明另一实施例中，所述装置还包括附图中未示出的结果反馈模块用以将识别模块输出的动物心理状态结果以人类可识别方式呈现，使用户了解动物的心理状态。进一步地，结果反馈模块可包括显示模块、发声模块其中之一，也可同时具有这两个模块，以便于通过图形和/或声音的方式给予用户提示。

本发明实施例能够将采集的原始脑电信号去噪，得到较高信噪比的脑电数据，并通过分类模型进行计算和识别，将代表动物心理状态的识别结果转化成人类可识别的方式输出，使普通民众都能够清楚的了解动物的心理状态，更好的实现了脑电数据在社会上的应用。

本发明另一实施例中，如图2所示，所述装置还包括建模模块50，所述的建模模块50，用以构建分类模型并将其提供给数据库进行保存；

进一步地，所述建模模块50包括控制单元和模型训练单元，其中：所述的控制单元，用以调用所述脑电采集模块采集动物在不同心理状态下产生的脑电数据；调用所述预处理模块对脑电采集模块所采集的脑电数据进行挑选及降噪处理，得到纯化脑电数据，调用所述特征提取模块提取所述纯化脑电数据中的特征值；所述的模型训练单元，用以采用机器学习算法对所述纯化脑电数据中的特征值进行训练，构建分类模型。

本实施例中，建模模块50，通过对不同品种、不同年龄的动物心理状态脑电信号的采集及分析获得上述分类模型，并将该分类模型发送给数据库进行保存。该步骤中预处理模块20的降噪处理方式包括：

其中，控制单元在调用所述预处理模块对脑电采集模块所采集的脑电数据进行挑选及降噪处理具体包括以下步骤：

1)对所述原始脑电数据去除眼电噪声，得到初滤脑电数据。本步骤中去除眼电噪声的方法包括：首先，截取一特定时间长度的原始脑电数据，作为原始基准数据；其次，对该原始基准数据按照预设眼电噪声频率范围进行带通滤波从而得到基准初滤脑电数据；再次，将该基准初滤脑电数据各数据点幅值与预设眼电噪声幅度阈值进行比较，当某一数据点幅值由小于预设眼电噪声幅度阈值变为等于预设眼电噪声幅度阈值时，设定该数据点之前的一特定时长为第三测试眨眼时段，设定该数据点之后的一特定时长为第四测试眨眼时段，该第三测试眨眼时段及该第四测试眨眼时段构成第二测试眨眼周期；提取所述第二测试眨眼周期内的基准初滤脑电数据作为该第二测试眨眼周期内的第二眨眼数据；然后，将该特定时长内的所有第二测试眨眼周期内的第二眨眼信号进行平均，得到第二眼电噪声平均波形；然后，将原始脑电数据与该第二眼电噪声平均波形相叠加，以抵消掉第二眨眼周期内由于动物的眨眼而引起的噪声干扰，从而获得初滤脑电数据。

2)对所述初滤脑电数据进行小波去噪，得到修正脑电数据。小波去噪是通过三个基本步骤完成的。首先，对含有噪声的初滤脑电数据进行小波变换；其次，对变换得到的小波系数进行小波阈值去噪，去除初滤脑电数据所包含的噪声；再次，对去噪处理后的小波系数进行小波逆变换，从而得到修正脑电数据。小波去噪的好处在于去噪后能够成功地保留信号特征。

3)对修正脑电数据进行挑选，并限定幅值为250mv，去除超出所限定幅值的数据段，得到基准数据段。

4)计算基准数据段的均值，用修正脑电数据减去该均值。

5)对减去均值后的修正脑电数据去除基线漂移。由于信道传感器的物理特性和环境因素而引起的零点漂移会影响信号的准确性及后续的数据处理，因此对去均值后的修正脑电数据进行去漂移处理。

6)对去除基线漂移后的修正脑电数据通过1-30hz的带通滤波器进行滤波，得到所需波段的纯化脑电数据。可理解的，在实际应用中，可根据实际滤波需求进行滤波器的设置，例如：通过1-50hz的带通滤波器等得到其他波段，对此本发明实施例不做具体限定。

本实施例中，模型训练单元，用以采用以下机器学习算法实现分类模型的训练，包括：k最近邻(knn，k-nearestneighbor)分类算法、支持向量机(svm)、决策树、贝叶斯分类算法、人工神经网络、卷积神经网络、集成学习(ensemblelearning)中的至少一个。而且，在分类识别的方法上，本发明实施例中采用的分类方法基于大数据及更全面的使用数据信息来构建分类模型，可以更准确地对不同状态进行分类。同一种分类算法有许多可调节的参数，在分类模型构建阶段会通过参数寻优方式，寻找使模型分类正确率最高的参数。在使用多个分类算法对特征值进行计算时可得到多个计算结果，通过这些计算结果对所使用的分类算法进行优选，从而选出一个分类算法作为分类模型并存储在数据库中，即用分类算法来定义一种分类规则。

在实际应用中，特征选择的目的是用于提高学习算法，也叫特征子集选择，是指从已有的m个特征中选择n个特征，使得系统的特定指标最优化，是从原始特征中选择出一些最有效特征以降低数据集维度的过程，是提高学习算法性能的一个重要手段，也是模式识别中关键的数据预处理步骤。对于一个学习算法来说，好的学习样本是训练模型的关键。为此，在本实施例中，所述装置还包括附图中未示出的特征优化模块，所述的特征优化模块，用以对所述特征提取模块得到的所述纯化脑电数据中的特征值进行特征值清理、特征值选择和/或特征值变换，得到所述纯化脑电数据的有效特征值。

相应的，所述模型训练单元，用以采用机器学习算法对所述有效特征值进行训练，构建分类模型。

本发明实施例中，对得到的所述纯化脑电数据中的特征值进行特征清理，具体包括以下步骤：

获取所述特征值中的极端特征值；

删除所述特征值中的极端特征值，或，计算所述特征值的均值或中值，将所述特征值中的极端特征值更新为所述均值或中值，或删除所述特征值中的极端特征值对应的待测脑电信号。

在一个具体实施例中，具体可以通过运用统计方法判断极端值，并去除。

具体的，极值判断标准包括以下方法：

1)均值加减三倍标准差；

2)箱图。

具体的，去除方法如下：

1)去除特征；

2)去除样本；

3)替换极端值，如用均值、中值等。

在具体实现中，通过极值判断标准找到极端特征值后，需要去除。通过以下三种方式对其进行优化处理：第一、把找到的极端特征值去掉，比如小波熵发现极端值，则去除小波熵特征值；二是把找到的极端特征值对应的待测脑电信号样本去掉；三是把特征中的极端值用均值或中值进行替换。

需要说明的是，在实际应用中可根据具体需求采用其中的一种或多种方式来实现对特征值的特征清理。

本发明实施例中，对得到的所述纯化脑电数据中的特征值进行特征选择，具体包括以下步骤：

根据各个特征值的发散性和/或特征值与目标值之间的相关性，从所述特征值中选取发散性高于第一预设阈值和/或特征值与目标值之间的相关性高于第二预设阈值的特征值，或

将所述特征值进行随机组合，得到多种特征组合，分别对每一特征组合进行目标模型训练，计算每一特征组合对应的评估指标，查找评估指标高于第三预设阈值的至少一个特征组合，从所述特征值中选取查找到的至少一个特征组合中的特征值，或

采用预设的机器学习算法对各个特征值进行训练，得到每一特征值对应的权值系数，选择权值系数高于第四预设阈值或按照权值系数由大到小的顺序选取预设数量的特征值。

在实际应用中，特征选择的目的是用于提高学习算法，也叫特征子集选择，是指从已有的m个特征中选择n个特征，使得系统的特定指标最优化，是从原始特征中选择出一些最有效特征以降低数据集维度的过程，是提高学习算法性能的一个重要手段，也是模式识别中关键的数据预处理步骤。对于一个学习算法来说，好的学习样本是训练模型的关键。

具体的，当数据完成去噪等相关预处理之后，需要选择有意义的特征输入机器学习的算法和模型进行训练。通常来说，可以从以下两个方面考虑来选择特征：

1)特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。

2)特征与目标的相关性：这点比较显见，与目标相关性高的特征，应当优先选择。除方差法外，其他方法大都从相关性考虑。

本发明实施例中，可分别通过以下方法实现对得到的特征值进行特征选择。

第一，根据各个特征值的发散性和/或特征值与目标值之间的相关性，从所述特征值中选取发散性高于第一预设阈值和/或特征值与目标值之间的相关性高于第二预设阈值的特征值。具体可通过过滤法(filter)实现，即按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征。

在一个具体示例中，从一段脑电信号中求得特征值a、b、c、d、e，这五种特征都各自包含有一组数值，分别计算五种特征的方差或者相关系数(如皮尔逊系数和互信息系数)，设定方差或相关系数的阈值为p，大于此阈值范围的特征为a、c、d，小于p的为b、e，则选取a、c、d为之后机器学习所用的特征。

第二，将所述特征值进行随机组合，得到多种特征组合，分别对每一特征组合进行目标模型训练，计算每一特征组合对应的评估指标，查找评估指标高于第三预设阈值的至少一个特征组合，从所述特征值中选取查找到的至少一个特征组合中的特征值。具体可通过包装法(wrapper)实现，即根据目标函数(通常是预测效果评分的目标模型训练)，每次选择若干特征，或者排除若干特征。其中，可通过递归消除特征，使用一个基模型来进行多轮训练，每轮训练后，消除若干权值系数的特征，再基于新的特征集进行下一轮训练。将特征集的选择视为一个搜索问题，会先准备若干种特征的组合方案，然后评估，相互比较，评价高的特征被优先挑选。该方法需要选定一种评估模型效果的指标，如areaunderthecurve(auc)、meanabsoluteerror(mae)或meansquarederror(mse)。

在一个具体示例中，五种特征a、b、c、d、e，采用前向特征选择法或后向特征选择法进行特征的组合，对于每一种组合进行模型训练并根据评估指标进行计算，准确率高的则被挑选。

第三、采用预设的机器学习算法对各个特征值进行训练，得到每一特征值对应的权值系数，选择权值系数高于第四预设阈值或按照权值系数由大到小的顺序选取预设数量的特征值。具体可通过嵌入法(embedded)实现，即先使用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据系数从大到小选择特征。类似于filter方法，但是通过训练来确定特征的优劣。

在一个具体示例中，五种特征a、b、c、d、e，先使用机器学习的算法和模型进行训练，得到各个特征的权值系数，根据系数从大到小选择特征，权值系数大的特征被优先挑选。

本发明实施例中，对得到的所述纯化脑电数据中的特征值进行特征变换，具体包括以下步骤：采用线性归一化法、标准差标准化法或非线性归一化法对所述特征值进行归一化处理。

在实际应用中，得到特征值之后，进一步可以通过对特征值进行特征变换，以将特征的值域限定在一定范围，进而更加有利于提高脑电信号分析精度。

在实际应用中，一些分类器需要计算样本之间的距离(如欧氏距离)，例如knn。如果一个特征值域范围非常大，那么距离计算就主要取决于这个特征，从而与实际情况相悖(比如这时实际情况是值域范围小的特征更重要)。因此。本发明实施例中通过对对提取出来的特征值进行归一化处理，以更好地实现特征值的优化。归一化方法具体如下：

1)线性归一化。这种归一化方法比较适用在数值比较集中的情况。这种方法有个缺陷，如果max和min不稳定，很容易使得归一化结果不稳定，使得后续使用效果也不稳定。实际使用中可以用经验常量来替代max和min。

2)标准差标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为：

其中，μ为所有样本数据的均值，σ为所有样本数据的标准差。

3)非线性归一化。经常用在数据分化比较大的场景，有些数值很大，有些很小。通过一些数学函数，将原始值进行映射。该方法包括log、指数，正切等。需要根据数据分布的情况，决定非线性函数的曲线。

需要说明的是，在实际应用中可根据得到的特征值的数据特点，选取其中的相适应的一种方式来实现对特征值的归一化处理，以得到更好地效果。

下面的实施例以警用犬为数据采集对象，旨在说明建模模块如何构建基于犬的分类模型。

首先，挑选健康的犬龄在8个月以上的不同年龄、不同品种的警用犬。然后，对它们的脑电信号进行分时、逐个采集处理。例如，将脑电采集模块的至少一个电极佩戴在第一只警用犬的身上，然后给该警用犬各种不同的嗅觉上的刺激(如闻各种气味的物品)，并采集该警用犬在嗅到这些气味后所产生的脑电信号。每天定时定点通过本发明的分析装置进行采集，以保证对该警用犬在不同状态下所采集数据的稳定性。例如，分不同次给该警用犬闻醋、香油、毒品、爆炸物等。本发明分析装置的建模模块中的控制单元首先调用脑电采集模块采集该警用犬嗅到上述物品时的脑电数据，再调用预处理模块对脑电采集模块所采集的脑电数据进行挑选及去噪处理，通过特征提取模块计算并提取出去噪后的纯化脑电数据的特征值，然后通过识别模块对上述特征值以至少一种分类算法进行计算，从而得到该警用犬的至少一个计算结果。再用同样方法对其它不同品种不同年龄的警用犬进行脑电信号的采集、提纯、计算，从而得到多个计算结果。根据所有警用犬的计算结果优选出一个最佳分类算法作为分类模型存储到数据库中。该实施例中，采集的数据需要达到一定量级。

最终的分类模型可以通过上述方式获得，还可以先通过对一条警用犬的脑电信号进行采集、处理然后建立初始分类模型，再通过对同品种不同年龄的多条警用犬进行脑电信号的采集、处理来修正分类模型，再对不同品种的警用犬进行脑电信号的采集、处理来进一步完善分类模型，最后得到特征值较为全面的最终分类模型。

图3为本发明实施例提供的一种判断动物心理状态脑电分析方法的流程图。如图3所示，本发明实施例提供的判断动物心理状态脑电分析方法具体包括以下步骤：

步骤s100，采集动物的原始脑电信号。

本实施例中通过，给被监测动物佩戴上本发明的分析装置，通过脑电采集模块实时采集动物的原始脑电信号，该采集时长可以是1秒钟，以达到实时监测的目的。

步骤s200，去除所述原始脑电信号中的噪声干扰得到纯化脑电信号。

本步骤中去除噪声干扰的处理方法，如图4所示，包括以下步骤：

步骤s210，对所述原始脑电信号去除眼电噪声，得到初滤脑电信号。本步骤中去除眼电噪声的方法包括：截取一特定时间长度的原始脑电信号，作为原始基准信号；对该原始基准信号按照预设眼电噪声频率范围进行带通滤波从而得到基准初滤脑电信号；将该基准初滤脑电信号各数据点幅值与预设眼电噪声幅度阈值进行比较，当某一数据点幅值由小于预设眼电噪声幅度阈值变为等于预设眼电噪声幅度阈值时，设定该数据点之前的一特定时长为第一测试眨眼时段，设定该数据点之后的一特定时长为第二测试眨眼时段，该第一测试眨眼时段及该第二测试眨眼时段构成第一测试眨眼周期；提取所述第一测试眨眼周期内的基准初滤脑电信号作为该第一测试眨眼周期内的第一眨眼数据；将该特定时长内的所有第一测试眨眼周期内的第一眨眼信号进行平均，得到第一眼电噪声平均波形；将原始脑电信号与该第一眼电噪声平均波形相叠加，以抵消掉第一眨眼周期内由于动物的眨眼而引起的噪声干扰，从而获得初滤脑电信号。

步骤s220，对所述初滤脑电信号进行小波去噪，得到修正脑电信号。小波去噪是通过三个基本步骤完成的。首先，对含有噪声的初滤脑电信号进行小波变换；其次，对变换得到的小波系数进行小波阈值去噪，去除初滤电信号所包含的噪声；再次，对去噪处理后的小波系数进行小波逆变换，从而得到修正脑电信号。小波去噪的好处在于去噪后能够成功地保留信号特征。

步骤s230，对修正脑电信号进行挑选，并限定幅值为250mv，去除超出所限定幅值的数据段，得到标准数据段。

步骤s240，计算标准数据段的均值，用修正脑电信号减去该均值。

步骤s250，对减去均值后的修正脑电信号去除基线漂移。由于信道传感器的物理特性和环境因素而引起的零点漂移会影响信号的准确性及后续的数据处理，因此对去均值后的修正脑电信号进行去漂移处理。

步骤s260，对去除基线漂移后的修正脑电信号通过1-30hz的带通滤波器进行滤波，得到所需波段的纯化脑电信号。可理解的，在实际应用中，可根据实际滤波需求进行滤波器的设置，例如：通过1-50hz的带通滤波器等得到其他波段，对此本发明实施例不做具体限定。

步骤s300，提取纯化脑电信号中的特征值；

步骤s400，根据预先构建的分类模型对所述特征值进行分析识别，以获得代表动物心理状态的识别结果。

在本发明另一实施例中，如图5所示，所述方法还包括步骤s500；

步骤s500，构建分类模型并将其提供给数据库进行保存；

本实施例中，如图6所示，步骤s500进一步包括以下步骤：

步骤s510，采集模块采集动物在不同心理状态下产生的脑电数据，将其作为样本数据以用于训练模型。其中，所述不同心理状态是指动物在不同刺激源的刺激下产生的心理状态。

步骤s520，对所述脑电数据进行挑选及降噪处理，得到纯化脑电数据；

步骤s530，提取所述纯化脑电数据中的特征值；

步骤s540，采用机器学习算法对所述纯化脑电数据中的特征值进行训练，构建分类模型。

其中，在步骤s530之后，所述方法还包括：对所述纯化脑电数据中的特征值进行特征值清理、特征值选择和/或特征值变换，得到所述纯化脑电数据的有效特征值；

进一步地，所述采用机器学习算法对所述纯化脑电数据中的特征值进行训练，具体为采用机器学习算法对所述有效特征值进行训练，构建分类模型。

下面的实施例仍然以警用犬为脑电监测对象，旨在说明本发明是如何分析脑电信号并以人类可识别的方式输出的(本例仅用于示例性的说明，并不代表警用犬在闻到上述物品时的真实反映)。

衔接前例来讲，在本发明的装置预先具有了前述的分类模型后，将脑电采集模块的至少一个电极佩戴在执行任务的警用犬的身上，采集模块以一定时间段(如1秒钟)为采集时间单位，采集该警用犬脑电信号作为原始脑电信号发送给预处理模块。当该警用犬在任务过程中嗅到疑似爆炸物时，犬本身即产生某种心理状态，反映该心理状态的脑电信号被采集模块实时采集并发送给预处理模块。预处理模块对该原始脑电信号进行降噪后得到纯化脑电信号并计算提取其中的特征值，通过数据库中存储的分类模型对上述特征值进行计算并识别得出识别结果(类别标签，即数字、字母或字符串中的一种)发送给警用犬训导员手持的便携式智能终端内的结果反馈模块，结果反馈模块将该标记转换为人类可识别的图形(例如惊叹标志)通过该便携式智能终端的显示屏显示出来，使警用犬训导员知晓警用犬发现了疑似爆炸物。此外，结果反馈模块还可以将该标记转换为语音(例如“可疑物”或“爆炸物”)通过该便携式智能终端的扬声器播放给警用犬训导员。结果反馈模块通过显示模块还是发声模块将结果输出可以由便携式智能终端的使用者根据使用场合进行设定。

本发明的分析装置尤其适用于工作犬，除了可用于协助警方缉毒、防爆，还可用于协助海关缉毒、搜索违禁品，更可用于辅助导盲犬的工作。

一般来讲，缉毒犬或防爆犬需要经过漫长的训练阶段(例如给犬闻各种毒品或带有爆炸特性的材料，以训导它们在闻到这些物品时吠叫)并通过筛选才能投入使用，这就大大增加了培养训练成本。另外，缉毒犬或防爆犬在发现毒品或带有爆炸特性的材料需要通过特定动作(例如吠叫或即刻坐下)来通知训导员它发现了可疑物，而训练犬类做这些动作也需要投入大量的时间和精力，并且在某些特定的场合这些动作并不合适。但本发明所述的判断动物心理状态脑电分析装置，就能够较好的解决上述问题。首先，本发明通过得到较高信噪比的脑电数据，与预先构建好的数据库中的分类模型进行比较，得出工作犬实时的心理状态，并将这些状态以人类可识别的方式(例如语音或图形)输出到智能终端(例如手机、平板电脑、其它便携式终端设备或远程计算机)，使智能终端的使用者在第一时间得知犬发现了什么物品。

进一步举例来讲，以防爆犬为例，在执行大型会议的防爆巡查时，将本发明所述的动物心理状态脑电分析装置佩戴在犬身上，由训导员带犬巡查会场，当犬嗅到某一处或某一物品为爆炸物时，训导员手持的智能终端即刻显示一代表爆炸物的图形或以文字“爆炸物”、“危险”、“注意”或“！”显示，又或以较低音量的提示音或振动智能终端表示。以此使训导员得知犬发现了状况。

通过上例可以看出本发明应用在工作犬身上的以下优点：

首先，通过预先构建了分类模型，分析装置通过持续监测该防爆犬的脑电信号并进行数据比对来获知犬发现了可疑物从而通知训导员。因此，该防爆犬无需经过漫长的前期培训，任何一只身体健康、嗅觉良好、精力充沛且集中的犬只都可以充当防爆犬使用。这大大减少了警队的开支及人力的投入。

其次，在大型会议场合，若犬专注某一处或某一物并进行吠叫容易引起公众恐慌，从而造成混乱的场面。但本发明的分析装置可以选择以图形或文字显示的方式提醒训导员，因此，在犬发现了疑似爆炸物时无需吠叫。这就为警方安全有序的排除危险、疏散群众提供了良好的保障。

再次，导盲犬在带领主人行走时遇到楼梯就会自动停下来，侧过身挡住主人的身体，而若当时主人的状态不佳、感知力较差时容易发生危险。通过给导盲犬佩戴本发明的分析装置，持续监测导盲犬的心理状态，当导盲犬处于与“发现楼梯”相应的心理状态时，主人携带的智能终端能够发出诸如“注意脚下”或蜂鸣声等提示音，提示使用者注意，从而辅助导盲犬的工作，保障盲人的人身安全。

此外，本发明不仅仅只限于工作犬使用，也适用于其它动物。例如，宠物猫或宠物猪的主人将本发明佩戴在自己的宠物身上，就可以实时了解它们的心理状态，从而增添了饲养宠物的乐趣。例如，宠物猫被戴上本发明的分析装置后，当它饿了的时候本发明的分析装置就能够将宠物猫的脑电信号实时采集并进行滤噪处理，而后提取特征值并运用分类模型进行计算并识别，将代表“饿了”的识别结果(类别标签)发送给结果反馈模块，结果反馈模块以语音或图形或二者皆有的方式提示宠物猫的主人自家的猫现在饿了，这就使主人对自己的宠物更加了解，也增添了互动的乐趣。

可以理解为，本发明是通过一些实施例进行描述的，本领域技术人员在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。