一种脑电神经反馈训练的参数设置方法、装置及相关介质

1.本发明涉及计算机软件技术领域，特别涉及一种脑电神经反馈训练的参数设置方法、装置及相关介质。


背景技术：

2.脑电神经反馈技术是一种通过采集受试者的脑电信号，经过实时处理后将信号以视觉、听觉或其他形式实时反馈给受试者，使得受试者能够根据反馈自主地调节并训练大脑活动的技术。脑电神经反馈技术作为一种非药物、非侵入式的干预手段，具有安全无创、经济实惠等优点，已经被广泛应用于提高健康个体的认知能力，以及多种精神疾病的康复治疗。由于生物、心理与社会环境等诸多因素的影响，造成了部分人群出现情绪低落、抑郁悲观的症状，进而可能导致抑郁症、焦虑症等疾病的发生。基于额叶alpha不对称性的脑电神经反馈技术，是指调节左右侧额叶的alpha频段(8
‑
12hz)脑波能量的脑电神经反馈技术，已经被研究证实可以帮助受试者进行情绪的调节，有助于改善受试者焦虑抑郁的情绪。但是，目前的技术方案缺少个性化设计，没有根据受试者的脑电信号的个体差异和反馈训练学习效果来设定情绪调节脑电反馈训练的参数和任务难度，不利于训练效果的优化。


技术实现要素：

3.本发明实施例提供了一种脑电神经反馈训练的参数设置方法、装置及相关介质，旨在为脑电神经反馈训练设置更优的参数，提高脑电神经反馈训练效果。
4.第一方面，本发明实施例提供了一种脑电神经反馈训练的参数设置方法，包括：
5.获取受试者的静息态脑电信号和静息态功能磁共振数据；
6.计算所述静息态脑电信号对应的个体alpha振荡峰频率；
7.计算所述静息态功能磁共振数据对应的个体功能脑网络拓扑属性的标准化聚类系数；
8.进行额叶alpha不对称性的脑电反馈训练前，基于所述个体alpha振荡峰频率设置用于提取反馈信号的alpha频段参数，以及基于所述静息态功能磁共振脑网络的标准化聚类系数设置脑电神经反馈的训练难度参数。
9.第二方面，本发明实施例提供了一种脑电神经反馈训练的参数设置装置，包括：
10.第一获取单元，用于获取受试者的静息态脑电信号和静息态功能磁共振数据；
11.第一计算单元，用于计算所述静息态脑电信号对应的个体alpha振荡峰频率；
12.第二计算单元，用于计算所述静息态功能磁共振数据对应的个体功能脑网络拓扑属性的标准化聚类系数；
13.参数设置单元，用于进行额叶alpha不对称性的脑电反馈训练前，基于所述个体alpha振荡峰频率设置用于提取反馈信号的alpha频段参数，以及基于所述静息态功能磁共振脑网络的标准化聚类系数设置脑电神经反馈的训练难度参数。
14.第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在所
述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的脑电神经反馈训练的参数设置方法。
15.第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的脑电神经反馈训练的参数设置方法。
16.本发明实施例提供了一种脑电神经反馈训练的参数设置方法、装置及相关介质，该方法，包括：获取受试者的静息态脑电信号和静息态功能磁共振数据；计算所述静息态脑电信号对应的个体alpha振荡峰频率；计算所述静息态功能磁共振数据对应的个体功能脑网络拓扑属性的标准化聚类系数；进行额叶alpha不对称性的脑电反馈训练前，基于所述个体alpha振荡峰频率设置用于提取反馈信号的alpha频段参数，以及基于所述静息态功能磁共振脑网络的标准化聚类系数设置脑电神经反馈的训练难度参数。本发明实施例通过预先采集受试者的静息态脑电信号和静息态功能磁共振数据，预先计算得到alpha频段参数和训练难度参数，然后以此为脑电神经反馈训练设置更优的参数，从而可以更好的帮助受试者达到较好的训练效果。
附图说明
17.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。
18.图1为本发明实施例提供的一种脑电神经反馈训练的参数设置方法的流程示意图；
19.图2为本发明实施例提供的一种脑电神经反馈训练的参数设置装置的示意性框图；
20.图3为本发明实施例提供的一种脑电神经反馈训练的参数设置方法中不同受试者的alpha频段分布示意图；
21.图4为本发明实施例提供的一种脑电神经反馈训练的参数设置方法中脑网络指标与脑电神经反馈训练效果呈负相关关系的示意图；
22.图5为本发明实施例提供的一种脑电神经反馈训练的参数设置方法中每一受试者的脑电神经反馈训练效果示意图；
23.图6为本发明实施例提供的一种脑电神经反馈训练的参数设置方法中脑电神经反馈训练的周期示意图。
具体实施方式
24.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。
25.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整
体、步骤、操作、元素、组件和/或其集合的存在或添加。
26.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
27.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
28.下面请参见图1，图1为本发明实施例提供的一种脑电神经反馈训练的参数设置方法的流程示意图，具体包括：步骤s101～s104。
29.s101、获取受试者的静息态脑电信号和静息态功能磁共振数据；
30.s102、计算所述静息态脑电信号对应的个体alpha振荡峰频率；
31.s103、计算所述静息态功能磁共振数据对应的个体功能脑网络拓扑属性的标准化聚类系数；
32.s104、进行额叶alpha不对称性的脑电反馈训练前，基于所述个体alpha振荡峰频率设置用于提取反馈信号的alpha频段参数，以及基于所述静息态功能磁共振脑网络的标准化聚类系数设置脑电神经反馈的训练难度参数。
33.本实施例中，首先获取受试者(即将进行反馈训练的人)的静息态功能磁共振信号(即静息态fmri数据)和静息态脑电脑信号。然后对静息态脑电信号计算对应的个体alpha振荡峰频率(即iaf，individual alpha frequency)，为每一位受试者定义alpha频段。以及对静息态功能磁共振数据计算对应标准化聚类系数指标，根据标准化聚类系数指标参考已有数据库(反馈训练完成效果和网络拓扑属性参数对应曲线)，来设置训练难度参数(调控信号阈值设置)，即为脑电神经反馈训练设置了alpha频段参数和训练难度参数，从而可以按照alpha频段参数和训练难度参数对受试者进行脑电神经反馈训练。
34.本实施例考虑到alpha频段的具体范围因为个体差异而略有不同，以及不同受试者的训练效果与自身功能脑网络的聚类系数属性有关，因此通过预先采集受试者的静息态脑电信号和静息态功能磁共振数据，预先计算得到alpha频段参数和训练难度参数，然后以此为脑电神经反馈训练设置更优的参数，从而可以更好的帮助受试者达到较好的训练效果。
35.在一实施例中，所述步骤s101包括：
36.通过干电极脑电帽对静息态脑电信号进行采集；
37.通过磁共振扫描仪对静息态功能磁共振数据进行采集。
38.本实施例中，首先通过干电极脑电帽实时采集受试者的静息态脑电信号，然后利用脑电信号采集放大器(例如brainamp放大器)对静息态脑电信号进行放大处理，可以将静息态脑电信号转化为数字信号。同时，利用磁共振扫描仪(例如3.0tesla siemens trio核磁共振扫描仪)对静息态功能磁共振数据进行采集。数据采集期间，受试者被要求保持静止，保持清醒并注视屏幕中静止的十字，采集7分钟的静息态功能磁共振数据。
39.在一实施例中，所述步骤s102包括：
40.利用巴特沃斯带通滤波对所述静息态脑电信号进行滤波处理，以及利用独立成分分析方法对所述静息态脑电信号去除眼动干扰；
41.对经过滤波处理和去除眼动干扰的静息态脑电信号计算功率谱密度；
42.对所述功率谱密度计算权重重心，并将得到的计算结果作为个体alpha振荡峰频率。
43.本实施例中，对采集到静息态脑电信号进行预处理，具体可以包括通过巴特沃斯带通滤波进行滤波处理，以及通过独立成分分析方法进行去除眼动干扰处理。在信号处理中，独立成分分析(ica)是一种用于将多元信号分离为加性子分量的计算方法。然后对经过预处理的静息态脑电信号计算功率谱密度，并在预设频段范围(例如7.5hz
‑
12.5hz)计算权重重心来确定该受试者的iaf，即所述个体alpha振荡峰频率。
44.在一实施例中，所述步骤s104包括：
45.以所述个体alpha振荡峰频率(iaf)为基准，将所述个体alpha振荡峰频率
±
2hz设置为所述alpha频段参数。
46.本实施例中，将计算得到iaf
±
2hz的范围设置为alpha频段参数，即iaf
‑
2hz～iaf+2hz为该受试者的alpha频段参数范围。当然，在其他实施例中，为了优化脑电神经反馈训练的训练精度或者训练效率等等，可以将iaf加上大于2hz或者小于2hz的其他数值后的数值范围设置为受试者的alpha频段参数范围。
47.在一实施例中，所述步骤s103包括：
48.对所述静息态功能磁共振数据进行预处理；所述预处理包括：时间点去除、时间校正、头动校正、空间标准化、数据平滑处理、滤波、去线性漂移；
49.通过自动解剖标记图谱将大脑图像划分多个感兴趣区域，并将每一感兴趣区域作为节点，以此构建功能脑网络；
50.计算各节点之间的pearson相关性，得到所述功能脑网络的连接矩阵；
51.利用fisher的z变换对所述连接矩阵进行归一化处理；
52.采用稀疏阈值处理方法将归一化处理后的连接矩阵转化为邻接矩阵；
53.基于所述邻接矩阵，通过图论分析工具对功能脑网络计算得到静息态功能脑网络的标准化聚类系数。
54.本实施例中，采集静息态fmri数据，是为了计算得到受试者的脑网络图论指标中的标准化聚类系数，然后参考标准化聚类系数的数值来设置反馈训练的难度。根据已有脑电神经反馈数据分析结果显示，受试者的脑网络的标准化聚类系数与反馈训练效果呈现显著的负相关关系，即标准化聚类系数越大，受试者越不容易增大反馈信号。根据该负相关关系。在一具体实施例中，对脑电神经反馈训练设置3个训练难度等级：低难度、中难度和高难度。具体做法是在受试者进行反馈训练前，采集7分钟的睁眼状态的静息态功能磁共振数据，然后可以采用任何一款图论分析的工具包计算标准化聚类系数指标，再根据计算得到的标准化聚类系数的数值与难度等级进行匹配，选择适合受试者的等级模式进行接下来的脑电神经反馈训练。
55.在一实施例中，所述脑电神经反馈训练的参数设置方法还包括：
56.在所述功率谱密度中分别提取左侧额叶和右侧额叶的alpha频段能量；
57.按照下式计算左侧额叶和右侧额叶的差值a1 score，并将所述差值a1 score作为反馈信号：
58.a1 score＝logf4
‑
logf3
59.式中，f4为左侧额叶的alpha频段能量，f3为右侧额叶的alpha频段能量。
60.本实施例中，对于计算得到的功率谱密度，在所述功率谱密度中提取左侧额叶(f3电极)和右侧额叶(f4电极)的alpha频段的能量。然后利用公式logf4
‑
logf3计算得到左右额叶的差值，记为a1 score(反馈信号值)。该公式中，f4为右侧额叶的f4电极处的alpha频段能量，f3为左侧额叶的f3电极处的alpha频段能量。需要说明的是，a1 score越大，表明与积极事物相关的左侧额叶的相对活动越大，代表受试者的积极情绪越占据主导，因此脑电神经反馈训练过程中，需要引导受试者回想开心的记忆来增大a1 score。
61.在一具体实施例中，将实时分析得到的反馈信号以视觉的形式呈现给受试者，帮助受试者进行实时的训练。具体是将a1 score数值转换为视觉信号传输至显示屏，视觉信号表示为一个水平柱形，柱形的长度会随着a1 score的变化而变化。同时，每个训练周期前需设置一个阈值，即受试者调控反馈信号增加的目标值，该阈值越高时训练难度约大。
62.在一实施例中，所述脑电神经反馈训练的参数设置方法还包括：
63.根据所述a1 score的中值和训练难度参数设置第一训练周期的第一阈值；
64.在完成所述第一训练周期后，根据所述第一训练周期中的a1 score中值和训练难度参数对第二训练周期进行第二阈值设置；并以此类推，每个训练周期前都根据前一周期反馈信号的值来更新下一训练周期的阈值，直至完成预设训练周期数的阈值设置。
65.本实施例中，脑电神经反馈训练是为了引导受试者主动地调节自己的大脑活动，即增大反馈信号a1 score。因此，将设置alpha频段参数和训练难度参数输入至脑电神经训练中，实现个性化的脑电神经反馈训练。在具体实施例中，脑电神经反馈训练共包含1个基线周期和一定数量的反馈训练周期，每个周期的时长可设为为3分钟，周期之间可以有短暂的休息。这其中，在基线周期中，受试者仅需放松并注视屏幕中的柱形长度的变化，无需进行调控。而在接下来的反馈训练周期，则需要告诉受试者通过保持正性的情绪、回忆开心的事情来使柱形形状长度增加并超过阈值。例如，如果受试者能够成功的让柱形形状长度超过阈值并保持10秒，显示屏中的计分器会增加一分。在进行每一训练周期之前，需要结合上一周期计算得到的a1 score为之后的一个训练周期进行阈值设置。例如在进行第一训练周期时，需要根据所述基线周期的a1 score的中值和所选训练难度参数第一阈值；在进行第二训练周期后，需要根据所述第一训练周期中的a1 score的中值和所选训练难度参数对第二训练周期进行第二阈值设置。
66.进一步的，如果受试者的所选训练难度参数为高难度，那么该受试者的每个训练周期前的阈值就设定为上一个周期计算出的a1 score中值再增加5个百分点(即a1 score中值*(1+5％))；如果受试者被选定为中难度的训练模式，那么该受试者每个训练周期前的阈值就设定为上一个周期计算出的a1 score中值；如果受试者被选定为低难度的训练模式，那么该受试者每个训练周期前的阈值就设定为上一个周期计算出的a1 score中值再减少5个百分点(公式为a1 score中值*(1
‑
5％))。
67.在一实施例中，如图3所示，图3展示了30位受试者的iaf值分布，从图3可以看出每位受试者的alpha频段峰值频率会有不同，而根据受试者的iaf计算得到的alpha频段则会更有利于对脑电神经反馈训练进行精准调控。图4展示了在数据库中，脑网络指标与脑电神经反馈训练效果呈显著的负相关关系，根据此关系，本实施例计算受试者的脑网络指标来设置对应的训练难度参数，由此可以使受试者更好的达到理想的训练效果，避免过高难度训练给受试者带来的挫败感，以及过低难度带来的天花板效应。图5展示了在此个性化参数
这只的脑电反馈训练模式下，单个受试者的反馈训练效果，将1个基线周期(baseline)和9个训练周期(run1
‑
run9)得到的a1
‑
score线性拟合为一条直线，直线的斜率越大，说明受试者的反馈训练效果越好。图6为脑电神经反馈训练的流程，共包含10个训练周期，第一个是基线周期，之后是9个训练周期，每个周期结束后可以有短暂的休息。训练周期阶段，受试者需要通过回忆开心的事情，保持正性情绪来使屏幕中的水平柱形变长。当水平柱形的长条能够成功的超过阈值并且持续10秒，上方的得分就会加1分。
68.图2为本发明实施例提供的一种脑电神经反馈训练的参数设置装置200的示意性框图，该装置200包括：
69.第一获取单元201，用于获取受试者的静息态脑电信号和静息态功能磁共振数据；
70.第一计算单元202，用于计算所述静息态脑电信号对应的个体alpha振荡峰频率；
71.第二计算单元203，用于计算所述静息态功能磁共振数据对应的个体功能脑网络拓扑属性的标准化聚类系数；
72.参数设置单元204，用于进行额叶alpha不对称性的脑电反馈训练前，基于所述个体alpha振荡峰频率设置用于提取反馈信号的alpha频段参数，以及基于所述静息态功能磁共振脑网络的标准化聚类系数设置脑电神经反馈的训练难度参数。
73.在一实施例中，所述第一获取单元201包括：
74.第二获取单元，用于通过干电极脑电帽对静息态脑电信号进行采集；
75.第三获取单元，用于通过磁共振扫描仪对静息态功能磁共振数据进行采集。
76.在一实施例中，所述第一计算单元202包括：
77.信号处理单元，用于利用巴特沃斯带通滤波对所述静息态脑电信号进行滤波处理，以及利用独立成分分析方法对所述静息态脑电信号去除眼动干扰；
78.功率谱密度计算单元，用于对经过滤波处理和去除眼动干扰的静息态脑电信号计算功率谱密度；
79.权重重心计算单元，用于对所述功率谱密度计算权重重心，并将得到的计算结果作为个体alpha振荡峰频率。
80.在一实施例中，所述参数设置单元204包括：
81.范围设置单元，用于以所述个体alpha振荡峰频率为基准，将所述个体alpha振荡峰频率
±
2hz设置为所述alpha频段参数。
82.在一实施例中，所述第二计算单元203包括：
83.数据预处理单元，用于对所述静息态功能磁共振数据进行预处理；所述预处理包括：时间点去除、时间校正、头动校正、空间标准化、数据平滑处理、滤波、去线性漂移；
84.网络构建单元，用于通过自动解剖标记图谱将大脑图像划分多个感兴趣区域，并将每一感兴趣区域作为节点，以此构建功能脑网络；
85.相关性计算单元，用于计算各节点之间的pearson相关性，得到所述功能脑网络的连接矩阵；
86.归一化处理单元，用于利用fisher的z变换对所述连接矩阵进行归一化处理；
87.矩阵转化单元，用于采用稀疏阈值处理方法将归一化处理后的连接矩阵转化为邻接矩阵；
88.第三计算单元，用于基于所述邻接矩阵，通过图论分析工具对功能脑网络计算得
到静息态功能脑网络的标准化聚类系数。
89.在一实施例中，所述脑电神经反馈训练的参数设置装置200还包括：
90.反馈信号计算单元，用于在所述功率谱密度中分别提取左侧额叶和右侧额叶的alpha频段能量，用于按照下式计算左侧额叶和右侧额叶的差值a1 score，并将所述差值a1 score作为反馈信号：
91.a1 score＝logf4
‑
logf3
92.式中，f4为左侧额叶的alpha频段能量，f3为右侧额叶的alpha频段能量。
93.在一实施例中，所述脑电神经反馈训练的参数设置装置200还包括：
94.阈值设置单元，用于根据所述a1 score的中值和训练难度参数设置第一训练周期的第一阈值；
95.阈值更新单元，用于在完成所述第一训练周期后，根据所述第一训练周期中的a1 score中值和训练难度参数对第二训练周期进行第二阈值设置；并以此类推，每个训练周期前都根据前一周期反馈信号的值来更新下一训练周期的阈值，直至完成预设训练周期数的阈值设置。
96.由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
97.本发明实施例还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：u盘、移动硬盘、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
98.本发明实施例还提供了一种计算机设备，可以包括存储器和处理器，存储器中存有计算机程序，处理器调用存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口，电源等组件。
99.说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
100.还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。